CN101949382A - 智能型离心泵汽蚀故障检测仪 - Google Patents

Abstract

一种智能型离心泵汽蚀故障检测仪，其特点是：它包括信号采集系统、信号处理系统、检测系统和显示控制系统，信号采集系统为置在离心泵入口处的压力变送器；信号处理系统包括单片机、锁存器、程序存储器、译码器、模数转换器、D触发器、非门、或非门；检测系统包括小波多尺度统计特征量的分析，对信号进行特征提取，并将提取的特征参数用支持向量机分类识别，区分出离心泵在运行时正常运行阶段、初生汽蚀阶段、轻微汽蚀阶段和严重汽蚀阶段的不同汽蚀状态，将最终检测结果送入显示控制系统；显示控制系统包括液晶显示模块、扬声器LS及波动开关S3-S6。具有结构合理，性能可靠，检测快速准确，费用低，能够完全满足离心泵汽蚀故障诊断要求等优点。

Description

智能型离心泵汽蚀故障检测仪

技术领域

本发明涉及测试技术领域，是一种智能型离心泵汽蚀故障检测装置。

背景技术

离心泵是应用非常广泛的通用机械，而且泵正朝着重载化、高速化、轻型化的方向发展。这使得泵的工作强度不断提高，工作条件也越来越严酷，泵各类故障的发生率不断增长。由泵故障所引起的事故往往是灾难性的，会造成巨大的损失。因此，保证其安全可靠的运行显得尤为重要。影响离心泵机组工作安全可靠性的因素很多，汽蚀是其中的重要因素之一。

发明内容

本发明的目的是，提供一种结构合理，性能可靠，检测快速准确，费用低的智能型离心泵汽蚀故障检测装置。

解决技术问题采用的技术方案是：一种智能型离心泵汽蚀故障检测仪，其特殊之处在于：它包括信号采集系统、信号处理系统、检测系统和显示控制系统顺序连接，信号采集系统为设置在离心泵入口处取压口的压力变送器；信号处理系统包括单片机U1、锁存器U2、程序存储器U3、译码器U5、模数转换器U6、D触发器U7、非门U8A、或非门U9A和U9B相连接；检测系统包括小波多尺度统计特征量的分析，对来自信号处理系统的信号进行特征提取，并将提取的特征参数用支持向量机分类识别，区分出离心泵在运行时的不同汽蚀状态阶段：正常运行阶段、初生汽蚀阶段、轻微汽蚀阶段和严重汽蚀阶段，将最终检测结果送入显示控制系统进行在线显示；显示控制系统包括液晶显示模块、扬声器LS及波动开关S3-S6。

本实用新型的离心泵汽蚀故障检测仪具有结构合理，性能可靠，检测快速准确，费用低，能够完全满足离心泵汽蚀故障诊断要求等优点。

附图说明

图1为离心泵汽蚀故障检测仪结构方框图。

图2为信号处理系统和显示控制系统电路原理图。

图中：1离心泵，2信号采集系统，3信号处理系统，4检测系统，5显示控制系统。

具体实施方式

下面利用附图和实施例对本发明的智能型离心泵汽蚀检测仪作详细说明

参照图1，本发明的智能型离心泵汽蚀检测仪包括设置在离心泵1入口处取压口的压力变送器构成的信号采集系统2与信号处理系统3连接，信号处理系统3与检测系统4连接，检测系统4与显示控制系统5连接。信号采集系统2准确的采集离心泵1入口压力脉动信号是故障诊断的关键环节。为了得到准确的压力脉动波形，减小波形失真造成的检测误差，离心泵1入口处的取压口必须足够小；而且由于低频脉动仅在管轴向发生变化，所以取压口选择在离心泵1入口的静压测量位置，这样可得到入口压力变化的瞬时值，采用环室取压方式。信号采集系统2的压力变送器要采取平膜封装的形式，即应变膜片与测压点周围的边壁处于平齐状态，这样才能较精确地测出测压点的压力还能减小迟滞所造成的波形失真；此外还要保证压力变送器有一定范围的动态响应，以满足动态测量的要求。考虑到实际情况，将取压口安装在距离心泵1入口很近的管段上，压力变送器可以通过螺纹与取压口直接连接。

参照图1和2，本发明的汽蚀故障检测仪的信号处理系统3包括AT89C51单片机U1、锁存器U2、程序存储器U3、译码器U5、ADC0809模数转换器U6、D触发器U7、非门U8A、或非门U9A和U9B。模数转换器U6采用逐次逼近式ADC0809，转换时间为100us，8路模拟通道选择开关IN0-IN7实现从离心泵取压口连接的压力变送器0～5V输出模拟量中选择一路送给内部比较器进行比较，锁存器U2与译码器U5用于ALE信号有效时锁存从ADDA、ADDB、ADDC3根地址线上送来的3位地址，译码后产生通道选择信号，从8路模拟通道中选择当前模拟通道，当START信号有效时，就开始对输出的当前通道的模拟量进行转换，转换完后，把转换得到的数字量通过程序存储器U3送到锁存器U2，同时通过EOC引脚送出转换结束信号，锁存器U2保存当前模拟通道转换得到的数字量，当0E信号有效时，把转换结果通过D0～D7送出。单片机U1将数据读入，通过事先编好并写入程序存储器U3的特征提取与分类识别的算法程序。检测系统4包括小波多尺度统计特征量的分析，对来自信号处理系统的信号进行特征提取，并将提取的特征参数用支持向量机分类识别，区分出离心泵1在运行时的不同汽蚀状态：正常运行阶段、初生汽蚀阶段、轻微汽蚀阶段和严重汽蚀阶段，将最终检测结果送给显示控制系统5，显示控制系统5包括液晶显示模块、扬声器LS及波动开关S3-S6，通过置位P1.0口使扬声器LS报警，并通过数据总线送至液晶显示器U4进行在线显示。液晶显示器U4采用由两块SED1520驱动的液晶显示模块，它具有16个行驱动口和61个列驱动口，能与8位单片机U1直接相连，可以显示7*2汉字块或者15*4字符块。足够容下全部显示信息。开关S3～S6实现多个压力变送器间的切换、显示汉字与字符的转换控制等操作。整个系统的电源由接线端子P1提供，Vcc为+5V电压。

本发明所涉及的全部器件均为市售商品，其中单片机、A/D及其液晶显示模块可根据实际工况需要更换品位更高的微处理器或芯片，但检测原理及其功能结构不改变。压力变送器的测量范围为-0.1Mpa～+0.1MPa，准确度为0.25％，重复性为1％，频率响应为1000Hz。离心泵1的信号采集系统2由多个压力变送器组成，本具体实施方式离心泵1的信号采集系统2由8个压力变送器组成，一台离心泵1上安装一个压力变送器，即本发明能够同时对多个离心泵1进行汽蚀检测。

参照图1和2，检测系统4包括以下具体内容：

①原始信号的小波多尺度统计量特征提取：

小波变换以一种非常简洁的形式保留连续小波变换的主要特征，而且这一过程不会丢失任何信息。为了实现小波快速算法，Mallat提出了一种基于正交镜像滤波器的塔式算法，这种算法能够分别通过线性滤波和矩阵运算的角度进行描述。设时间序X_t长度为N＝2^J，其中下标t为时间序列的标号，J为任一正整数。塔式算法的第一步就是对{X＝X_i：t＝0，1，...N-1}进行正交分解，将其变为两个长度为N/2的新序列：{W₁＝W_1，t：t＝0，1，...N/2-1}和{V₁＝V_1，t：t＝0，1，...N/2-1}即：

$W=\left[\begin{array}{c}{W}_1\\ V_1\end{array}\right]=\left[\begin{array}{c}{A}_1\\ B_1\end{array}\right]X---\left(1\right)$

式中W₁，V₁，A₁，B₁都是N/2×N阶矩阵，且满足：

$A_1{A}_1^T=B_1{B}_1^T=I_{N/2}---\left(2\right)$

A₁是由小波滤波器{h₁}经过周期化后平移得到，B₁由尺度滤波器{g₁}经过周期化后平移得到；A₁ ^T，B₁ ^T分别为A₁和B₁的转置矩阵，I_N/2是单位矩阵。

用线性滤波方法可以如下表示：设{h_l：l＝0，1，...L-1}是长度为偶数L的小波滤波器，它满足：

$\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l=0,$ $\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l^2=1,$ $\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l{h}_{l+2n}=0---\left(3\right)$

用{h₁}对X_t进行周期滤波，滤波后的系数隔二保留一个，得到：

$W_1=W_{1,t}=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l{X}_{2t+1-l\mathrm{mod}N}=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{h_l^{o}X}_{2t+1-l\mathrm{mod}N}---\left(4\right)$

式中

称为周期滤波器，它是将{h_l}以N为周期扩展得到的。

设{g_l：l＝0，1，...L-1}是长度为偶数L的尺度滤波器，它满足：

$\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l=\sqrt{2},$ $\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l^2=1,$ $\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l{g}_{l+2n}=0,$ $\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l{g}_{l+2n}=0---\left(5\right)$

用{g₁}对X_t进行周期滤波，滤波后的系数隔二保留一个，得到：

$V_1=V_{1,t}=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l{X}_{2t+1-l\mathrm{mod}N}=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{g}_l^o{X}_{2t+1-l\mathrm{mod}N}---\left(6\right)$

式中

称为周期滤波器，它是将{g_l}以N为周期扩展得到的。

塔式算法的第二步就是将V₁看做第一步中的X，重复上述分解过程，即：

$W_2=W_{2,t}=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_l{V}_{\mathrm{1,2}t+1-l\mathrm{mod}N/2}=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{h}_l^o{V}_{\mathrm{1,2}t+1-l\mathrm{mod}N/2}---\left(7\right)$

$V_2=V_{2,t}=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{g}_l{V}_{\mathrm{1,2}t+1-l\mathrm{mod}N/2}=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{g}_l^o{V}_{\mathrm{1,2}t+1-l\mathrm{mod}N/2}---\left(8\right)$

这样，经J次规范正交离散小波变换后的系数W可以分解成J+1个子向量，即：

$W=\left[\begin{array}{c}{W}_1\\ V_1\end{array}\right]=\left[\begin{array}{c}{W}_1\\ W_2\\ V_2\end{array}\right]=...\left[\begin{array}{c}{W}_1\\ W_2\\ .\\ .\\ W_J\\ V_J\end{array}\right]---\left(9\right)$

其中，W_j(j＝1，2，3，…，J)是长度为N/2^j的列向量。W_j包含了全部关于尺度λ_j的离散小波变换系数。这里采用db4小波进行多尺度分解。小波变换后可表示为：

$X_t=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{W}_{j,t}+V_{J,t}---\left(10\right)$

为了统一表示，用W_J+1，t代替V_J，t则有：

$X_t=\underset{j=1}{\overset{J+1}{\mathrm{\Σ}}}{W}_{j,t}---\left(11\right)$

设(j＝1，2，...J，J+1)，则E_j，t即为能量序列，也就是信号能量的多尺度表示。小波能量熵的表达式中，

表示j尺度下小波能量总和，p_j，i＝E_j，i/E_j。

特征的提取是故障诊断的关键环节，选择并提取出最优的故障特征，能够提高诊断的效率和准确率。多尺度能量统计量就是具有普遍意义和代表性的普适量，工程上常用的方法是分别计算各个尺度下小波系数的某些统计特征。这里将提取表1中的统计量作为特征向量。特征向量提取的结果见表2。

表1多尺度能量统计量

表2不同有效汽蚀余量下信号的多尺度特征向量

②支持向量机分类识别：

支持向量机是在高维特征空间使用线性函数假设的学习系统，它由一个来自最优化理论的学习算法训练，该算法实现了一个由统计学习理论导出的学习偏置。

对于线性可分样本集(x_i，y_i)，其中i＝1，2，…n；x_i∈R^d，y_i∈{-1，1}，d维空间中线性判别函数的一般形式为：g(x)＝w·x+b，其中w·x+b＝0为分类面方程，w为分类面的法相量。将判别函数进行归一化，使两类所有样本都满足|g(x)|≥1，这样分类间隔就等于2/||w||，使分类超平面能对所有样本正确分类，就是要求它满足：

y_i[(w·x_i)+b]-1≥0，i＝1，2，...n    (12)

构造最优超平面的问题就转化为在式(12)的约束条件下求下式的最小值：

Φ(w)＝||w||²/2＝(w·w)/2            (13)

这个优化的最优解为下列Lagrange函数的鞍点：

$L(w,b,\mathrm{\α})=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i[y_i(w\·x_i+b)-1]---\left(14\right)$

式中，α_i＞0，为Lagrange系数。这是一个凸二次规划问题，存在唯一的最优解，同时，最优解满足KT条件，则原问题就转化为一个较为简单的二次规划，如下式：

$\max W\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(x_i\·x_j)$ (15)

$\mathrm{st}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,{\mathrm{\α}}_{i\≥}0,i=\mathrm{1,2},...n$

求解上述问题，得到最优解

和b，就可以确定最优超平面。

当样本集是线性不可分时，将样本利用核函数映射到一个高维空间Z中，然后在Z中将其看成是线性可分的情况，利用原先求解线性的方法进行求解。

将表2中的特征向量用支持向量机进行分类识别检测。检测结果如表3所示。

检测系统4采用C语言或汇编语言编写程序。

表3支持向量机的识别结果

Claims (1)

1.一种智能型离心泵汽蚀故障检测仪，其特征是：它包括信号采集系统、信号处理系统、检测系统和显示控制系统顺序连接，信号采集系统为设置在离心泵入口处取压口的压力变送器；信号处理系统包括单片机U1、锁存器U2、程序存储器U3、译码器U5、模数转换器U6、D触发器U7、非门U8A、或非门U9A和U9B相连接；检测系统包括小波多尺度统计特征量的分析，对来自信号处理系统的信号进行特征提取，并将提取的特征参数用支持向量机分类识别，区分出离心泵在运行时的不同汽蚀状态阶段：正常运行阶段、初生汽蚀阶段、轻微汽蚀阶段和严重汽蚀阶段，将最终检测结果送入显示控制系统进行在线显示；显示控制系统包括液晶显示模块、扬声器LS及波动开关S3-S6。

Images