CN102735442A - 一种转子在线监测与故障诊断方法 - Google Patents

Abstract

本发明涉及一种转子在线监测与故障诊断方法，包括：1)参数设置，包括采样参数、传感器类型和机组名称的设置以及是否进行实时监测的设定；2)数据采集，传感器从转子上获得信号，经过前置放大器将信号放大，再经数据采集箱，将信号采集到PC机中，PC机对采集的数据进行预处理后，并将处理好的数据保存至数据库中；3)将实时采集数据或从数据库中读取的数据放在对应的图谱中显示，并生成图谱日记；4)智能故障诊断，针对数据库中存储的数据，建立多征兆诊断模型，运用改进的BP神经网络方法进行故障诊断，并生成故障报警日记；5)日记的存储及显示。与现有技术相比，本发明具有诊断图谱全面、数据管理合理、故障诊断全面且准确等优点。

Description

一种转子在线监测与故障诊断方法

技术领域

本发明涉及一种旋转机械状态监测和故障诊断方法，尤其是涉及一种转子在线监测与故障诊断方法。

背景技术

旋转机械在现代化大工业中使用广泛，在运行中一旦出现重大故障，将会给企业和社会带来巨大的经济损失，甚至可能带来灾难性的后果。开展旋转机械状态监测和故障诊断工作，保证设备正常、安全运行意义重大。对于大型旋转机械来说，振动监测的重点是转子系统，因为在旋转机械中转子是设备的核心部件，整个设备能否正常工作主要取决于转子能否正常运转。为此，转子在线监测系统的开发就显得尤为重要。

就目前而言，除了一些大型、高速、长时间不间断运行的转子系统拥有比较完善的转子监测系统，转子的在线监测系统在行业内并没有得到广泛的应用。而且大部分的在线检测系统的功能较为简单，或者只有简单的采集显示功能，需要专业的技术人员进行离线分析识别转子故障，增加机械的运营成本。因此急需完善、易行、智能、成本较低的转子在线监测系统软件。

转子在线监测系统主要包括数据采集、图谱分析、智能诊断和诊断报告等部分组成。中国专利公开号101694508A公开了一种基于低次谐波轴电压信号的电机转子典型故障诊断方法，该方法将滑动变阻器的两端分别接于电机转子两端，然后利用数据采集仪在线采集滑动变阻器输出的轴电压分压信号，并进行快速傅立叶变换，得到轴电压分压信号频谱图；然后通过对轴电压分压信号的频谱进行分析，诊断电机转子绕组是否存在匝间短路故障。该方法操作简单，但存在故障诊断单一、频谱图不够全面等缺点。

现在市场上运行的大多数转子在线监测系统虽然也达到了一定的监测效果，当然其缺点也是显而易见的：其一，波形图谱的不全，特别是针对启停机阶段的图谱。图谱的不全可能会导致缺乏足够的频谱特征来确诊故障，甚至会无法显示相应故障的特征，导致能够诊断的故障种类的减少。其二，缺乏足够的描述振动的表征量，丰富的表征量能够改善故障诊断的准确性和提高故障的识别率。其三，智能诊断部分的缺失或者不足。转子在线监测系统的智能诊断可以减轻非振动专业人员故障识别中的难度，目前成熟的是简易诊断，不能给出故障的原因、部位、严重程度以及故障的解决方案，其诊断的方法，准确性，以及诊断的故障种类都需要得到改善和加强。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种诊断图谱全面、数据管理合理、故障诊断全面且准确的转子在线监测与故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种转子在线监测与故障诊断方法，包括：

1)参数设置，包括采样参数、传感器类型和机组名称的设置以及是否进行实时监测的设定；

2)数据采集，传感器从转子上获得信号，经过前置放大器将信号放大，再经数据采集箱，将信号采集到PC机中，PC机对采集的数据进行预处理后，并将处理好的数据保存至数据库中，所述的信号包括转子转速信号和转子振幅信号；

3)图谱显示，选择图谱类型，根据图谱类型的要求对实时采集数据或从数据库中读取的数据进行处理，然后将数据放在对应的图谱中显示，并生成图谱日记；

4)智能故障诊断，建立多征兆诊断模型，针对数据库中存储的数据，运用改进的BP神经网络方法进行故障诊断，并生成故障报警日记；

5)日记存储及显示，将步骤3)中生成的图谱日记和步骤4)中生成的故障报警日记进行存储和显示。

所述的数据采集包括运行状态数据采集和启停车数据采集，所述的运行状态数据采集为在转子正常运转时进行的数据采集，所述的启停车数据采集为转子启动或停止过程中进行的数据采集。

所述的启停车数据采集具体为：判断转子是否处于启停车状态，若是，则采集转子信号，获得转速，直至转速稳定；若否，则进行运行状态数据采集。

所述的预处理包括：

均值化处理，将采集到的数据中的恒量去除，保留变化量；

根据传感器的灵敏度及放大器的放大倍数调整数据，先将数据统一为以毫伏为单位的数据，然后根据灵敏度将数据由毫伏转换到物理单位。

所述的图谱类型包括运行状态图谱和启停车分析图谱，所述的运行状态图谱包括波形频谱图、单值棒图和轴心轨迹图，所述的启停车分析图谱包括转速时程图、Nyquist图和Bode图。

所述的多征兆诊断模型为将训练样本根据故障征兆进行分类，降低BP神经网络的复杂度。

所述的改进的BP神经网络方法包括网络训练和将实际监测的故障特征输入训练好的BP神经网络进行故障分类两个部分，所述的网络训练具体为：

101)初始化BP神经网络的权值、阈值、学习率和动量因子；

102)输入P个训练样本，根据以下传递函数计算各层神经元的输出：

式中，x为神经元的输入，λ为陡度因子；

103)采用批处理方法计算此次样本的误差E：

$E=E_A+E_B=\frac{1}{2P}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(t_{\mathrm{pk}}-o_{\mathrm{pk}})}^2+\mathrm{\τ}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(y_{\mathrm{pk}}-0.5)}^n$

E_A为均方根误差函数；E_B为隐层饱和度；τ为隐层饱和度因子；y_pk为第p个样本训练时隐层上第k个神经元的实际输出；t_pk为为第p个样本训练时输出层上第k个神经元的实际输出；o_pk为为第p个样本训练时输出层上第k个神经元的目标输出；l为输出层的神经元个数；m为隐层的神经元个数；n为隐层的数目，优选为n＝1，易于控制误差和收敛。

104)计算各层权值调整量Δω，并调整权信：

$\mathrm{\Δ\ω}(t+1)=-\mathrm{\η}\left(t\right)\frac{\∂E}{\∂\mathrm{\ω}}+\mathrm{\α}[\mathrm{\ω}\left(t\right)-\mathrm{\ω}(t-1)]$

式中，t表示训练的步数，η(t)为第t步的学习率，ω(t)为第t步的权值，ω(t-1)为第t-1步的权值，a[ω(t)-ω(t-1)]为动量项，α为动量项因子， $\mathrm{\&alpha;}=\left\{\begin{array}{cc}1.05& \mathrm{\&delta;}(t+1)<\mathrm{\&delta;}\left(t\right)\\ 0.9& \mathrm{\&delta;}(t+1)>\mathrm{\&delta;}\left(t\right)\end{array}\right.,$ δ(t)表示训练第t步时的误差因子；

105)判断是否还有训练样本，若是，则返回步骤102)，若否，则执行步骤106)；

106)计算所有样本的总误差，所述的总误差为所有样本误差的均值；

107)判断总误差是否满足要求，若是，则训练结束，若否，则执行步骤108)；

108)根据下式自适应调整学习率η(t)，并令E＝0，返回步骤102)：

$\left\{\begin{array}{cc}\mathrm{\&eta;}\left(t\right)=1.05\mathrm{\&eta;}(t-1)& E\left(t\right)<E(t-1)\\ \mathrm{\&eta;}\left(t\right)=0.7\mathrm{\&eta;}(t-1)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&eta;}\left(t\right)=\mathrm{\&eta;}(t-1)& E(t-1)\&le;E\left(t\right)\&le;1.04E(t-1)\end{array}.\right.$

所述的数据库为运用ADO技术的SQL数据库。

与现有技术相比，本发明具有以下优点：

(1)本发明提供了丰富了波形图谱，方便诊断查看采集信号的各种波形特征：不仅包括运行状态图谱(如：时域图，频域图)而且还有轴心位置图、轴心轨迹图、两维全息谱图、三维全息谱图等，通过这些频谱图，可以很方便的观测出，运行中的转子是否出现异常状态；特别的，针对转子容易表现出故障特征的启停车阶段，本发明提供了分析转子启停车阶段信号的波形图谱，如转速时间图、Nyquist图、波德图、瀑布图；本发明通过丰富的图谱，尽可能多的将转子故障反映在图谱上，以便能较早的发现故障，避免事故发生。

(2)本发明给出了丰富的波形的表征量：除了振幅、频率、单峰值、峰峰值、均值、均方根值、有效值等有量纲参数，而且还有波形指标，波形指标、峭度指标、裕度指标等无量纲参数，全面的表征波形的特征，更好的表现采集信号是否有异常，并将其通过单值棒和多值棒图更加形象化、直观的表现出来；而且，为每个指标都设定了报警值，只要有一个特征参量超出报警值，系统就会发出警告，通过多重的特征保险来保证所监测转子的安全运行。

(3)本发明给出了较为完善的智能诊断方法：该诊断部分突出的采用BP神经网络方法来提高诊断的准确性，具有大量的诊断规则，而且具有良好的扩展性；本发明针对传统的BP算法收敛速度慢的缺点进行改进，增加动量项、引入自适应学习率、采用批处理算法、引入陡度因子，加快收敛速度，提高诊断速度；通过大量成熟的故障样本来训练BP神经网络，将训练成熟的网络用于诊断，通过诊断，给出可能故障类型的概率，并且建议性的给出解决方案，减轻识别人员的判别难度，具有良好的实用性。

(4)本发明通过SQL数据库管理采集数据，可以良好的实现在线实时监测诊断和离线诊断，可以方便的查看过去某一时刻或某一时间段的采集数据，方便诊断结果的核查，反复推敲诊断结果。

因此，与现有技术相比，本发明的集成度更高，拥有丰富的显示图谱，合理的数据管理，较多的表征量和智能诊断系统，具有更好的实用性。

附图说明

图1为本发明的流程示意图；

图2为本发明数据采集的硬件示意图；

图3为本发明改进BP神经网络方法的流程示意图；

图4为本发明实施例的波形频谱图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种转子在线监测与故障诊断方法，包括：

1)参数设置，包括采样参数、传感器类型和机组名称的设置以及是否进行实时监测的设定；

2)数据采集，传感器从转子上获得信号，经过前置放大器将信号放大，再经数据采集箱，将信号采集到PC机中，PC机对采集的数据进行预处理后，并将处理好的数据保存至数据库中，所述的信号包括转子转速信号和转子振幅信号；

3)图谱显示，选择图谱类型，根据图谱类型的要求对实时采集数据或从数据库中读取的数据进行处理，然后将数据放在对应的图谱中显示，并生成图谱日记；

4)智能故障诊断，建立多征兆诊断模型，针对数据库中存储的数据，运用改进的BP神经网络方法进行故障诊断，并生成故障报警日记；

5)日记存储及显示，将步骤3)中生成的图谱日记和步骤4)中生成的故障报警日记进行存储和显示。

所述的数据采集包括运行状态数据采集和启停车数据采集，所述的运行状态数据采集为在转子正常运转时进行的数据采集，所述的启停车数据采集为转子启动或停止过程中进行的数据采集。

所述的启停车数据采集具体为：判断转子是否处于启停车状态，若是，则采集转子信号，获得转速，直至转速稳定；若否，则进行运行状态数据采集。

所述的预处理包括：

均值化处理，将采集到的数据中的恒量去除，保留变化量；

根据传感器的灵敏度及放大器的放大倍数调整数据，先将数据统一为以毫伏为单位的数据，然后根据灵敏度将数据由毫伏转换到物理单位。

所述的图谱类型包括运行状态图谱和启停车分析图谱，所述的运行状态图谱包括波形频谱图、单值棒图和轴心轨迹图，所述的启停车分析图谱包括转速时程图、Nyquist图和Bode图。图谱中包括振幅、频率、单峰值、峰峰值、均值、均方根值、有效值等有量纲参数，而且还有波形指标，波形指标、峭度指标、裕度指标等无量纲参数，全面的表征波形的特征，更好的表现采集信号是否有异常。

所述的多征兆诊断模型为将训练样本根据故障征兆进行分类，降低BP神经网络的复杂度。所述的多征兆诊断模型包括低频故障子网、基频故障子网、高频故障子网、相关征兆子网、冷态升速子网和热态降速子网，低频故障子网、基频故障子网、高频故障子网、相关征兆子网、冷态升速子网和热态降速子网根据贡献因子综合加权后得到最终诊断结论。

所述的改进的BP神经网络方法包括网络训练和将实际监测的故障特征输入训练好的BP神经网络进行故障分类两个部分，所述的网络训练具体为：

101)初始化BP神经网络的权值、阈值、学习率和动量因子；

102)输入P个训练样本，

根据以下传递函数计算各层神经元的输出：

式中，x为神经元的输入，λ为陡度因子；

103)采用批处理方法计算样本的误差E：

$E=E_A+E_B=\frac{1}{2P}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}{(t_{\mathrm{pk}}-o_{\mathrm{pk}})}^2+\mathrm{\&tau;}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{(y_{\mathrm{pk}}-0.5)}^n$

E_A为均方根误差函数；E_B为隐层饱和度；τ为隐层饱和度因子；y_pk为第p个样本训练时隐层上第k个神经元的实际输出；t_pk为为第p个样本训练时输出层上第k个神经元的实际输出；o_pk为为第p个样本训练时输出层上第k个神经元的目标输出；l为输出层的神经元个数；m为隐层的神经元个数；n为隐层的数目，为了使BP神经网络算法易于控制误差和收敛，本实施例中n＝1；

104)计算各层权值调整量Δω，并调整权信：

$\mathrm{\&Delta;\&omega;}(t+1)=-\mathrm{\&eta;}\left(t\right)\frac{\&PartialD;E}{\&PartialD;\mathrm{\&omega;}}+\mathrm{\&alpha;}[\mathrm{\&omega;}\left(t\right)-\mathrm{\&omega;}(t-1)]$

式中，t表示训练的步数，η(t)为第t步的学习率，ω(t)为第t步的权值，ω(t-1)为第t-1步的权值，α[ω(t)-ω(t-1)]为动量项，α为动量项因子， $\mathrm{\&alpha;}=\left\{\begin{array}{cc}1.05& \mathrm{\&delta;}(t+1)<\mathrm{\&delta;}\left(t\right)\\ 0.9& \mathrm{\&delta;}(t+1)>\mathrm{\&delta;}\left(t\right)\end{array}\right.,$ δ(t)表示训练第t步时的误差因子；

105)判断是否还有训练样本，若是，则返回步骤102)，若否，则执行步骤106)；

106)计算所有样本的总误差，，所述的总误差为所有样本误差的均值；

107)判断总误差是否满足要求，若是，则训练结束，若否，则执行步骤108)；

108)根据下式自适应调整学习率η(t)，并令E＝0，返回步骤102)：

$\left\{\begin{array}{cc}\mathrm{\&eta;}\left(t\right)=1.05\mathrm{\&eta;}(t-1)& E\left(t\right)<E(t-1)\\ \mathrm{\&eta;}\left(t\right)=0.7\mathrm{\&eta;}(t-1)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&eta;}\left(t\right)=\mathrm{\&eta;}(t-1)& E(t-1)\&le;E\left(t\right)\&le;1.04E(t-1)\end{array}.\right.$

由上述网络训练可看出，本发明改进的BP神经网络方法增加了增加动量项、引入了自适应学习率、采用“批处理”算法、引入了陡度因子，提高了BP算法收敛速度，缩短了训练时间。

所述的数据库为运用ADO技术的SQL数据库。SQL数据库可以良好的实现在线实时监测诊断和离线诊断，可以方便的查看过去某一时刻或某一时间段的采集数据，方便诊断结果的核查，反复推敲诊断结果。

ADO(ActiveX Data Objects)技术是SQL Server中对应用程序层的连接接口，可以使编写的应用程序通过OLE DB访问和操作数据库中的数据，使用ADO接口连接VC++程序的步骤如下所述：

(1)引入ADO库文件；

(2)对OLE/COM库环境进行初始化，创建连接字符串；

(3)建立好连接后，分别建立Connection、Command和Recordset对象，利用这些对象来执行相应的SQL语句；

(4)释放对象，关闭连接。

将本发明方法运用在实验室的转子实验台上进行测试，同时也显示出该软件的实施操作过程。转子实验台示意图如图2所示，包括依次连接的转子1、传感器2、前置放大器3、数据采集箱4和PC机5。

对相应的参数进行设置，这里主要是对采样通道参数设置，使得系统可以采样工作，设置结束后开始采样。

对于事先已经经过动平衡的转子实验台采用在左侧转子上添加砝码，造成人为的不平衡。利用本发明方法进行监测分析，得到波形频谱图如图4所示。

转子的转速为750rpm，由频谱图可以看出，转子在一倍频的幅值比较大，符合不平衡故障的特征。

接下来利用智能诊断模块进行诊断验证，得到频谱诊断结果。可得到机组发生原始不平衡故障的可能性为61.79％，其它故障的可能性都不足30％，基本符合实际情况。

由上述案例分析可知，本发明方法监测准确，诊断可靠。

Claims (8)

1.一种转子在线监测与故障诊断方法，其特征在于，包括：

1)参数设置，包括采样参数、传感器类型和机组名称的设置以及是否进行实时监测的设定；

2)数据采集，传感器从转子上获得信号，经过前置放大器将信号放大，再经数据采集箱，将信号采集到PC机中，PC机对采集的数据进行预处理后，并将处理好的数据保存至数据库中，所述的信号包括转子转速信号和转子振幅信号；

3)图谱显示，选择图谱类型，根据图谱类型的要求对实时采集数据或从数据库中读取的数据进行处理，然后将数据放在对应的图谱中显示，并生成图谱日记；

4)智能故障诊断，建立多征兆诊断模型，针对数据库中存储的数据，运用改进的BP神经网络方法进行故障诊断，并生成故障报警日记；

5)日记存储及显示，将步骤3)中生成的图谱日记和步骤4)中生成的故障报警日记进行存储和显示。

2.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的数据采集包括运行状态数据采集和启停车数据采集，所述的运行状态数据采集为在转子正常运转时进行的数据采集，所述的启停车数据采集为转子启动或停止过程中进行的数据采集。

3.根据权利要求2所述的一种转子在线监测与故障诊断方法，其特征在于，所述的启停车数据采集具体为：判断转子是否处于启停车状态，若是，则采集转子信号，获得转速，直至转速稳定；若否，则进行运行状态数据采集。

4.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的预处理包括：

均值化处理，将采集到的数据中的恒量去除，保留变化量；

根据传感器的灵敏度及放大器的放大倍数调整数据，先将数据统一为以毫伏为单位的数据，然后根据灵敏度将数据由毫伏转换到物理单位。

5.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的图谱类型包括运行状态图谱和启停车分析图谱，所述的运行状态图谱包括波形频谱图、单值棒图和轴心轨迹图，所述的启停车分析图谱包括转速时程图、Nyquist图和Bode图。

6.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的多征兆诊断模型为将训练样本根据故障征兆进行分类，降低BP神经网络的复杂度。

7.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的改进的BP神经网络方法包括网络训练和将实际监测的故障特征输入训练好的BP神经网络进行故障分类两个部分，所述的网络训练具体为：

101)初始化BP神经网络的权值、阈值、学习率和动量因子；

102)输入P个训练样本，根据以下传递函数计算各层神经元的输出：

式中，x为神经元的输入，λ为陡度因子；

103)采用批处理方法计算此次样本的误差E：

$E=E_A+E_B=\frac{1}{2P}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}{(t_{\mathrm{pk}}-o_{\mathrm{pk}})}^2+\mathrm{\&tau;}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{(y_{\mathrm{pk}}-0.5)}^n$

E_A为均方根误差函数；E_B为隐层饱和度；τ为隐层饱和度因子；y_pk为第p个样本训练时隐层上第k个神经元的实际输出；t_pk为为第p个样本训练时输出层上第k个神经元的实际输出；o_pk为为第p个样本训练时输出层上第k个神经元的目标输出；l为输出层的神经元个数；m为隐层的神经元个数；n为隐层的数目。

104)计算各层权值调整量Δω，并调整权值：

$\mathrm{\&Delta;\&omega;}(t+1)=-\mathrm{\&eta;}\left(t\right)\frac{\&PartialD;E}{\&PartialD;\mathrm{\&omega;}}+\mathrm{\&alpha;}[\mathrm{\&omega;}\left(t\right)-\mathrm{\&omega;}(t-1)]$

式中，t表示训练的步数，η(t)为第t步的学习率，ω(t)为第t步的权值，ω(t-1)为第t-1步的权值，α[ω(t)-ω(t-1)]为动量项，α为动量项因子， $\mathrm{\&alpha;}=\left\{\begin{array}{cc}1.05& \mathrm{\&delta;}(t+1)<\mathrm{\&delta;}\left(t\right)\\ 0.9& \mathrm{\&delta;}(t+1)>\mathrm{\&delta;}\left(t\right)\end{array}\right.,$ δ(t)表示训练第t步时的误差因子；

105)判断是否还有训练样本，若是，则返回步骤102)，若否，则执行步骤106)；

106)计算所有样本的总误差，所述的总误差为所有样本误差的均值；

107)判断总误差是否满足要求，若是，则训练结束，若否，则执行步骤108)；

108)根据下式自适应调整学习率η(t)，并令E＝0，返回步骤102)：

$\left\{\begin{array}{cc}\mathrm{\&eta;}\left(t\right)=1.05\mathrm{\&eta;}(t-1)& E\left(t\right)<E(t-1)\\ \mathrm{\&eta;}\left(t\right)=0.7\mathrm{\&eta;}(t-1)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&eta;}\left(t\right)=\mathrm{\&eta;}(t-1)& E(t-1)\&le;E\left(t\right)\&le;1.04E(t-1)\end{array}.\right.$

8.根据权利要求1所述的一种转子在线监测与故障诊断方法，其特征在于，所述的数据库为运用ADO技术的SQL数据库。

Images