-
集成式压缩机组有效地整合了电磁轴承、高速电机和大功率变频器等技术，实现了离心压缩机组的超宽范围变频调节，在极寒地带、海底、环保等特殊场合得到了广泛应用[1-2]。电磁轴承是集成式压缩机组最为关键的核心部件[3]，其运行可靠性直接决定着机组的安全性能。国外已有近10 t级推力的电磁轴承用于14.8 MW集成式压缩机组产品，而中国仅有2 t级推力产品。为实现电磁轴承升级，系统分析其失效模式与影响是研制的关键环节。失效模式与影响分析（FMEA）是一种系统性方法，用于识别潜在的故障模式、故障原因以及对系统性能的影响[4]。Rahmania等[5]使用FMEA方法分析了汽轮机各部件的风险，并基于FMEA分析结果制定了维修决策。Krejci等[6]使用FMEA方法分析了工业转子轴承的状态，以提升产品可靠性。贝叶斯网络（BN）是一种概率图模型，广泛应用于复杂系统建模、概率推断和支持决策过程。Li等[7]基于电机轴承故障振动特征构建了贝叶斯网络，实现了智能故障诊断，该方法具有良好的推理性和收敛性。Yu等[8]提出一种概率分布参数与贝叶斯网络相结合的故障诊断方法，并在轴承的故障诊断方面进行了实例验证。近期，FMEA与BN结合的方法引起了广泛关注。He等[9]提出了一个基于FMEA的BN模型，利用结构矩阵实现信息转换，以实现故障检测。Kulkarni等[10]构建了FMEA和BN融合的故障检测理论框架，从而实现复杂系统的故障检测和故障隔离。通过利用两种方法的优势，结合FMEA的定性分析与BN的概率推理能力，可以深入了解组件、失效模式和系统性能之间的依赖关系和相互作用，有助于构建复杂系统模型，提高可靠性评估的准确性。针对无大功率集成式压缩机组电磁轴承失效样本，可靠性评估与风险量化难等问题，笔者构建一种基于FMEA和BN的磁力轴承失效与风险评估模型，该模型能够有效地处理不完整和不确定信息，将先验知识和观测数据结合，进行状态和失效分析。
-
1 状态分析模型
-
1.1 集成式压缩机组电磁轴承系统
-
电磁轴承控制系统由传感器、控制电路和功率放大器3部分组成，主要包括数字控制器、电流传感器、位移传感器、功率放大器和磁轴承本体等。电磁轴承控制原理[11]如图1所示。位移传感器用于检测反馈各个自由度转子的位置，电流传感器用于检测反馈各个自由度励磁线圈的电流，位置信号转换器将位置偏差转换成电信号，信号处理器根据转子的实际位置和预设期望的悬浮位置，计算得到励磁线圈的期望电流量，给定电流作为电流环的参考值，电流环根据参考值和实际值跟踪计算电流，最后得到控制信号[12]。数字控制器输出控制信号，驱动开关功率放大器控制励磁线圈的电流，实现转子的稳定悬浮[13]。
-
图1 电磁轴承功能原理示意图
-
Fig.1 Functional principle diagram of magnetic levitation bearing
-
控制电路是电磁轴承控制器的核心部分，主要处理传感器传递的信号，通过控制电流控制电磁线圈的磁场，从而实现对转子的支撑和旋转。控制电路一般包括PID（proportion integration differentiation）控制器、滤波器、模数转换器等[14]。功率放大器是控制电路的输出部分，其主要作用是将控制电路输出的小信号放大成足够的电流，从而驱动电磁线圈产生强大的磁场，实现对转子的支撑和旋转。控制器的主要任务是控制和调节整个电磁轴承系统，为系统的控制、调节、分析和诊断提供支持[15-16]，对控制系统进行潜在故障分析，有利于在研发初期制定合理设计方案。
-
1.2 基于FMEA的BN理论模型
-
基于FMEA的贝叶斯网络建模方法主要包括网络结构构建和条件概率计算两个关键步骤，基于FMEA的BN模型主要包括基于确定变量和依赖关系构建BN结构及计算节点条件概率两个关键步骤。首先，将FMEA工作表转换为节点，将传感器信号触发的简单事件作为可观测节点，通过从故障原因到故障模式、从故障模式到故障影响的有向边定义依赖关系，从而构建BN结构[17]。FMEA中的每条记录对应一个BN片段，以FMEA中第i条记录为例，构建BN结构的具体步骤如下。
-
（1）将FMEA中第i条记录的故障模式字段记为Mi，Mi是一个二值变量，Mi=1表示发生该故障模式，反之表示故障模式不发生。
-
（2）将FMEA中第i条记录的故障原因字段记为Ri，v，其中1≤v≤n，n表示该记录中故障原因的数量；Ri，v是一个二值变量，Ri，v=1表示发生该故障原因，反之表示故障原因不发生。
-
（3）将FMEA中第i条记录的故障影响字段记为Ei，u，其中1≤u≤m，m表示该记录中故障影响的数量；Ei，u是一个二值变量，Ei，u=1表示发生该故障影响，反之表示故障影响不发生。
-
（4）步骤（1）~（3）建立了BN片段中的节点，从节点Ri，j到Mi以及节点Mi到Ei，u引入有向边，连接有向边；最终的BN片段拓扑结构如图2所示。
-
图2 BN片段拓扑结构示意图
-
Fig.2 Schematic diagram of BN fragment topology
-
根据FMEA提供的分析结果，将先验边际概率赋值给根节点，将条件概率赋值给其他节点。以图3中的BN片段结构为例，联合概率分布是每个节点条件概率的乘积[18]，即
-
联合概率分布也可表示为
-
式中，αi为xi节点的所有父节点；x为随机向量。
-
在BN结构中，给定节点概率，可以计算联合概率密度函数，不妨设P（Ri，1）=1，则有
-
BN网络中可以求解节点的边缘概率分布，节点Ei，1的边缘概率分布为
-
在获得新数据的条件下，可以计算所有节点的后验概率，如P（Mi|Ei，1）可写为
-
对于FMEA记录的故障模式Mi，故障原因阶段的先验概率为P（Ri，v，1≤v≤n），先验概率可以依据数据库和历史维修记录等确定。故障模式节点的条件概率分布是基于所有原因推导计算的，也即为P（Mi=1|Ri，1，Ri，2，···，Ri，n）。通过对Ri，v赋值，可以计算得到不同故障原因下的故障模式发生概率。结合贝叶斯理论，基于现场采集到的传感器数据或信息，可以实现故障模式和对应原因对故障影响的反推。
-
该方法能够有效地处理不完整和不确定信息，将先验知识和观测数据结合起来，进行状态分析和故障检测。此外BN模型可以解释变量之间的依赖关系和推理过程，为决策制定提供理论依据。
-
2 失效分析与可靠性提升
-
2.1 电磁轴承的FMEA分析
-
采用FMEA方法，对集成式压缩机组电磁轴承进行分析。步骤为：①明确分析内容；②描述系统或产品的失效模式并确定失效后果；③分析失效故障原因；④对故障严重度（S）、发生度（O）和探测度（D）进行分析评价并计算得到各种故障模式的风险序数（RPN），其计算公式为RPN=SOD，分析主要失效原因[19-20]。
-
电磁轴承故障严重度评分规则如表1所示，严重度评分用于衡量失效影响的严重程度，严重度越高，风险也越大。在评价严重度时，对照具体的失效影响和评价准则，选取合适的分值。
-
电磁轴承故障发生度评分规则为最低（几乎不发生）评分等级2；极低（少有发生）评分等级4；中等（偶尔发生）评分等级6；高（经常发生）评分等级8；非常高（几乎无法避免）评分等级10，发生度衡量了故障原因的发生概率，发生度评分越高，风险越大，发生度也能够评价预防措施的有效性，较高的发生度表示预防措施不够充分，需要持续优化改进。在评价发生度时，根据具体的故障原因、预防措施和评价准则，选取合适的分值。
-
电磁轴承故障探测度评分规则为几乎不可能（没有办法找出故障）评分等级10；很低（找出故障模式的可能性比较小）评分等级8；低（现行方法找出故障模式）评分等级6；中等（找出故障模式的可能性中等偏上）评分等级4；高（现行方法找出故障的可能性很高）评分等级2，探测度衡量了探测措施发现故障原因或故障模式的能力，探测度数值越大，风险越高。探测度的目的是评估探测措施的有效性，较大的探测度表示探测措施不充分，需要持续优化改进。在评价探测度时，根据具体的失效链、探测措施和评价准则，选取合适的分值。
-
电磁轴承故障可分成电磁控制类故障和机械系统故障[21]。电磁控制系统故障包括：控制系统故障、位移传感器故障、放大器故障、信号传输故障和电源故障，其中电源故障，控制器信号板、主控面板故障，放大器开关元件故障、传输回路故障为较容易发生的故障。机械系统故障主要包括辅助轴承故障、定子故障、转子故障等。电磁轴承故障、故障影响及原因分析见表2。
-
以严重度、发生度和探测度评定准则为参考衡量标准，采用设计、维修、质检专家综合评分方式，并对由于其失效原因造成集成式压缩机组失效的严重程度、发生概率和探测度分别进行有效评分，得到电磁轴承所有故障FMEA分析结果，如表2所示。由表2可知：①在故障严重方面，辅助轴承、定子、电源、控制系统其故障严重程度等级较高，特别是辅助轴承材料压溃、定子线圈绝缘击穿、电源故障、控制系统软件故障、定子线圈短路或断路等故障； ②在故障发生频率方面，位移传感器输出电压漂移、信号缆传输故障发生频度较高；③在故障检测方面，辅助轴承的摩擦损耗和材料压溃以及定子铁芯腐蚀、位移传感器探头松动不易检测到；④在失效风险方面，辅助轴承材料压溃、碰磨以及电源故障、定子铁芯腐蚀、定子线圈短路或断路、控制系统软硬件故障属于高风险。
-
在系统设计中应优先预防辅助轴承材料压溃、碰磨以及电源故障、定子铁芯腐蚀、定子线圈短路或断路、定子线圈绝缘击穿、位移传感器输出电压漂移、控制系统软硬件故障等。
-
2.2 基于FMEA分析的贝叶斯网络
-
主要考虑集成式压缩机组电磁轴承的核心部件的故障模式，包括电源、控制系统、信号缆、功率放大器和位移传感器，讨论不同的故障场景，并基于FMEA分析结构构建BN网络。电磁轴承的故障场景如下。
-
（1）当传感器监测值高于动态阈值时，对相关部件的可靠性数据进行更新。位移传感器短路断路、输出电压漂移、探头松动和输出电压波动都与位移传感器状态相关，其中，由于电源纹波过大或电磁干扰导致的输出电压波动更可能导致传感器监测值异常。
-
（2）控制器监测到的大多是由高温、强电场、大电流密度、电磁干扰、积灰、风扇故障等严酷运行条件导致的电源故障，此外，主控板、软件或传输过程中发生故障时，也可以监测到类似的异常情况。
-
（3）功率放大器监测到的大多是由于严酷运行条件导致的开关元件故障，此外，电容击穿、功率器件烧毁，发热严重、强电场效应、电磁干扰等因素可能导致功率放大器本身出现故障。
-
基于以上集成式压缩机组电磁轴承的故障场景以及FMEA分析结果，构建本案例的BN结构，如图3所示。其中故障原因包括：结构尺寸布局、运行工作条件、选材加工安装和电磁热影响，故障模式节点包括4个控制系统故障、2个功率放大器故障和4个位移传感器故障；最后，3个部件中的每个观测节点与电压、电流和温度传感器数据相连接，即传感器电压Vs、电流Is、温度Ts，控制器电压Ve、电流Ie、温度Te，功率放大器电压Vp、电流Ip和温度Tp，故障将导致对应的传感器显示异常值。
-
该BN结构表示了节点之间的关联关系，基于专家经验，量化所有节点的条件先验概率。当传感器监测结果异常时，BN将会更新故障节点的失效概率，此时应当隔离故障发生概率最高的部件。在本案例场景中，考虑3种情况：3个电压传感器Vs、Ve、Vp显示异常值，3个电流传感器Is、Ie、Ip显示异常值，3个温度传感器Ts、Te、Tp显示异常值。
-
（1）当3个电压传感器Vs、Ve、Vp显示异常值，根据图3中的BN结构图，传感器电压值Vs变化是电压漂移、电压波动、短路断路、探头松动故障导致的，控制器电压值Ve变化是电源故障、主控板故障导致的，功率放大器电压值Vp变化是开关元件、电压漂移、电压波动导致的，依据贝叶斯原理，可得电压传感器不同故障概率结果，其中，电压漂移故障概率P（电压波动=1|Vs，Ve，Vp）为0.639，电压波动故障概率P（电压波动=1|Vs，Ve，Vp）为0.619，二者相对较高；传输故障的概率P（传输故障=1|Vs，Ve，Vp）为0.547，开关元件故障概率P（开关元件=1|Vs，Ve，Vp）为0.476，电源故障概率P（电源故障=1|Vs，Ve，Vp）、短路断路故障概率P（短路断路=1|Vs，Ve，Vp）与探头松动故障概率P（探头松动=1|Vs，Ve，Vp）分别为0.282、0.262、0.227；主控板故障概率P（主控板故障=1|Vs，Ve，Vp）为0.159，控制软件与功率放大器故障概率较低，分别为P（控制软件=1|Vs，Ve，Vp）=0.0323，P（功率放大器=1|Vs，Ve，Vp）=0.0257。
-
图3 BN结构图
-
Fig.3 BN structure diagram
-
可见最可能发生的故障模式是电压漂移，其次是电压波动，因为以上两种故障模式均会导致传感器电压Vs和功率放大器电压Vp的变化。BN网络通过给出最有可能导致故障影响发生的部件，来辅助故障检测和识别。
-
（2）如果3个电流传感器Is、Ie、Ip显示异常值，根据BN网络模型，可得电流传感器不同故障概率结果，控制软件故障概率P（控制软件=1|Is，Ie，Ip）高达0.838，主控板故障概率P（主控板故障=1|Is，Ie，Ip）为0.698，功率放大器故障P（功率放大器=1|Is，Ie，Ip）为0.664，短路断路故障概率P（短路断路=1|Is，Ie，Ip）为0.626，整体较高，探头松动故障概率P（探头松动=1|Is，Ie，Ip）为0.597；相比于软件故障等问题，传输故障、开关元件故障的概率相对较低，P（传输故障=1|Is，Ie，Ip）为0.109，P（开关元件=1|Is，Ie，Ip）为0.104；电源故障、电压漂移、电压波动故障概率更低，P（电源故障=1|Is，Ie，Ip）为0.0974，而点压漂移P（电压漂移=1|Is，Ie，Ip）为0.149，P（电压波动=1|Is，Ie，Ip）为0.156。表明软件程序异常导致的控制软件最有可能发生故障，控制软件故障会导致控制器电流Ie监测值异常。
-
（3）如果3个温度传感器Ts、Te、Tp显示异常值，根据BN网络模型，可得温度传感器不同故障概率结果，电源故障概率P（电源故障=1|Ts，Te，Tp）达0.67，在各类故障中占比最高；开关元件故障概率P（开关元件=1|Ts，Te，Tp）为0.561，功率放大器、电压漂移故障概率依次为P（功率放大器=1|Ts，Te，Tp）=0.439及P（电压漂移=1|Ts，Te，Tp）=0.416；电压波动P（电压波动=1|Ts，Te，Tp）、短路断路P（短路断路=1|Ts，Te，Tp）、探头松动故障概率P（探头松动=1|Ts，Te，Tp）相对较低，分别为0.372、0.243和 0.208；主控板故障与控制软件故障概率接近，为P（主控板故障=1|Ts，Te，Tp）=0.122、P（控制软件=1|Ts，Te，Tp）=0.121，二者整体均较低；传输故障概率P（传输故障=1|Ts，Te，Tp）最低，为0.0459。
-
结果表明此时可能发生了电源故障或功率放大器开关元件故障，两种故障模式均主要是由于高温、强电场、大电流密度、电磁干扰、积灰、风扇故障等严酷运行环境导致的。
-
2.3 电磁轴承可靠性提升措施
-
为了有效提升电磁轴承可靠性，针对高风险及高失效率的故障制定预防措施。
-
（1）针对辅助轴承、定子等机械故障，可以选择硬度高、抗压耐磨的材料制作滚珠和轴承内外圈，进行安全着陆测试。针对轴承腐蚀、异常磨损、温度过高的问题，可以采取去除过滤气中杂质，安装时控制合适间距，控制在合理载荷范围内运行。
-
（2）电源、控制系统等电器故障包括定子线圈短路或断路、定子线圈绝缘击穿、位移传感器输出电压漂移、控制系统软硬件故障。其主要原因是长时间使用，元件疲劳或者损坏，散热不良造成温度偏高，气体中含有大量腐蚀气体等；可以定期更换元件，防止长时间使用导致元件疲劳或损坏，确保良好的散热以降低温度，避免气体中的腐蚀气体对元件造成损害。同时，通过设置备用、增强散热等措施来降低故障率。
-
（3）在运行阶段，可以使用备用电源，定期进行各部件的检查，对轴承进行保养，对于疲劳或损坏的元件要进行及时维修和更换，保障系统的持续稳定运行。
-
3 结论
-
（1）针对各失效模式的严重度、发生度和探测度，通过计算各故障模式的风险序数，得出辅助轴承压溃、摩擦损耗、电源故障、轴承腐蚀、信号调理板、主控制板故障、放大器开关元件故障、定子线圈故障、信号传输故障风险值较高。
-
（2）基于FMEA分析，结合BN网络，根据电压、电流、温度异常可推断出集成压缩机组电磁轴承的故障模式和故障原因，针对集成压缩机组电磁轴承的故障模式特征提出的对应优化改进措施，可减小故障发生概率和故障影响，降低研发过程成本。
-
参考文献
-
[1] 熊文凌,FRANCI Gabriel.集成式透平压缩机在海底压缩的应用[J].风机技术,2019,61(6):61-66.XIONG Wenling,FRANCI Gabriel.Application of hermetically sealed turbocompressor in subsea compression[J].Chinese Journal of Turbomachinery,2019,61(6):61-66.
-
[2] 侯梅芳.碳中和目标下中国能源转型和能源安全的现状、挑战与对策[J].西南石油大学学报(自然科学版),2023,45(2):1-10.HOU Meifang.Current situation,challenges and countermeasures of China’s energy transformation and energy security under the goal of carbon neutrality[J].Journal of Southwest Petroleum University(Science & Technology Edition),2023,45(2):1-10.
-
[3] 刘建臣.集成式压缩机及其在天然气管道的应用[J].油气储运,2011,30(10):721-724,713.LIU Jianchen.Integrated compressor and its application in natural gas pipeline[J].Oil & Gas Storage and Transportation,2011,30(10):721-724,713.
-
[4] 毕温海,贾志新,严伟,等.自动化立体料库机械传动系统FMEA分析[J].重庆大学学报,2019,42(9):45-55.BI Wenhai,JIA Zhixin,YAN Wei,et al.FMEA analysis of mechanical drive system of automatic three-dimensional material warehouse[J].Journal of Chongqing University,2019,42(9):45-55.
-
[5] YOUSAF M U,AIZED T,SHABBIR A,et al.Automobile rear axle housing design and production process improvement using failure mode and effects analysis(FMEA)[J].Engineering Failure Analysis,2023,154:20.
-
[6] KREJCI L,SCHINDLEROVA V,BUCKO M,et al.The application of PFMEA for roller bearings production[J].Manufacturing Technology,2019,19(3):439-445.
-
[7] LI Z,ZHU J,SHEN X,et al.Fault diagnosis of motor bearing based on the Bayesian network[J].Procedia Engineering,2011,16:18-26.
-
[8] GUO J,CHEN K,LIU J,et al.Bearing fault diagnosis based on deep discriminative adversarial domain adaptation neural networks[J].CMES-Computer Modeling in Engineering and Sciences,2023,138(3):2619-2640.
-
[9] ZHANG J,AI Z,GUO L C X.Reliability evaluation of a disaster airflow emergency control system based on bayesian networks[J].International Journal of Engineering(IJE),2020,33(11):2416-2424.
-
[10] LEE B H.Using FMEA models and ontologies to build diagnostic models[J].Artificial Intelligence for Engineering Design Analysis and Manufacturing,2001,15(4):281-293.
-
[11] 张钢,孟庆涛,钟永彦,等.五自由度全永磁轴承系统的稳定悬浮特性分析[J].机械工程学报,2015,51(5):56-63.ZHANG Gang,MENG Qingtao,ZHONG Yongyan,et al.Stable levitation performance analysis of five degrees of freedom all permanent magnetic bearing system[J].Journal of Mechanical Engineering,2015,51(5):56-63.
-
[12] 崔东辉.高可靠磁悬浮轴承系统关键技术研究[D].南京:南京航空航天大学,2010.CUI Donghui.Research on key technologies of high-reliability magnetic levitation bearing systems[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2010.
-
[13] 彭更新,徐峰,徐凯驰,等.基于宽频子波的检波组合目标函数优化方法[J].西南石油大学学报(自然科学版),2023,45(2):32-42.PENG Gengxin,XU Feng,XU Kaichi,et al.Anobjective function optimization method based on multi-frequency wavelets for receiver combination in seismic acquisition[J].Journal of Southwest Petroleum University(Science & Technology Edition),2023,45(2):32-42.
-
[14] 卫朝阳.磁悬浮轴承控制研究综述[J].电工技术,2022(20):33-35.WEI Zhaoyang.Survey of magnetic bearing control[J].Electric Engineering,2022(20):33-35.
-
[15] 杨闳凯.磁悬浮轴承控制方法研究[D].哈尔滨:哈尔滨工程大学,2019.YANG Hongkai.Research on control method of magnetic bearing[D].Harbin:Harbin Engineering University,2019.
-
[16] 王加伟.高速磁悬浮电机磁悬浮轴承系统数字控制器研究[D].南京:南京邮电大学,2022.WANG Jiawei.Research on digital controller of magnetic levitation bearing system for high-speed magnetic levitation motor[D].Nanjing:Nanjing University of Posts and Telecommunications,2022.
-
[17] PANYUKOV D I,KOZLOVSKII V N,AIDAROV D V,et al.Effectiveness of FMEA risk analysis[J].Russian Engineering Research,2022,42(10):1070-1072.
-
[18] 姜明军,鲁欣卫,李海寿,等.基于贝叶斯网络的惰气系统故障诊断[J].自动化仪表,2022,43(5):41-45,49.JIANG M J,LU X W,LI H S,et al.Fault diagnosis of inert gas generator system based on Bayesian network[J].Process Automation Instrumentation,2022,43(5):41-45,49.
-
[19] 郭晓燕,张来斌,梁伟,等.基于FMEA/FEM的压缩机可靠性分析方法[J].油气储运,2016,35(10):1042-1049.GUO Xiaoyan,ZHANG Laibin,LIANG Wei,et al.A reliability analysis method for compressors based on FMEA/FEM[J].Oil & Gas Storage and Transportation,2016,35(10):1042-1049.
-
[20] 何孔德,胡昊,方子帆,等.考虑连接间隙磨损的水中浮体功能可靠性研究[J].西南石油大学学报(自然科学版),2023,45(2):159-169.HE Kongde,HU Hao,FANG Zifan,et al.A study on the functional reliability of underwater floating body considering the wear of joint clearance[J].Journal of Southwest Petroleum University(Science & Technology Edition),2023,45(2):159-169.
-
[21] 姚灿江,魏领会,王海龙.基于FTA和FMEA的RV减速器可靠性分析[J].现代制造工程,2018(1):136-140.YAO Canjiang,WEI Linghui,WANG Hailong.Reliability analysis of RV reducer on FTA and FMEA[J].Modern Manufacturing Engineering,2018(1):136-140.
-
摘要
电磁轴承是集成式压缩机组的核心部件，其可靠性直接影响机组运行稳定性。针对大功率集成式压缩机组电磁轴承失效样本缺乏、可靠性评估困难及风险量化不足等问题，提出一种基于故障模式与影响分析（FMEA）和贝叶斯网络（BN）的电磁轴承状态分析模型；该模型通过融合先验知识与观测数据，有效处理不完整及不确定信息，识别出电磁轴承的21种潜在故障模式及其影响；结合严重度、发生度及探测度评估结果，对故障模式进行风险排序，分析轴承压溃、摩擦损耗、电源故障及轴承腐蚀等高风险故障。结果表明，辅助轴承压溃、摩擦损耗、电源故障、轴承腐蚀、主控制板故障、信号传输故障等风险值较高，基于故障模式特征提出的相应优化改进措施可降低故障发生概率及影响程度，减少研发成本。
Abstract
The electromagnetic bearing is a core component of integrated compressor units, and its reliability directly affects the operational stability. To address the challenges of insufficient failure samples, difficulties in reliability assessment and inadequate risk quantification for electromagnetic bearings of the high-power integrated compressor unit, this study proposes a state analysis model for electromagnetic bearings based on failure mode and effects analysis (FMEA) and Bayesian network (BN). By integrating prior knowledge with observed data, the model can effectively handle the incomplete and uncertain information, identifying 21 potential failure modes of electromagnetic bearings and their impacts. Based on the assessment results of severity, occurrence and detectability, the failure modes were ranked by risk, and the high-risk failures such as bearing collapse, frictional wear, power supply faults and bearing corrosion were analyzed. The results show that risk values of auxiliary bearing collapse, friction loss, power failure, bearing corrosion, main control board failure, signal transmission failure, etc. are relatively high. The corresponding optimization and improvement measures proposed based on the characteristics of failure modes can reduce the probability and impact of failures, and lower the research and development costs.
