CN104343711B - 一种用于风机非平稳状态故障预警的装置及方法 - Google Patents

Abstract

本发明公开了一种用于风机非平稳状态故障预警的装置及方法，结构中包括设置在风机本体上的振动采集架和与处理主机相连的位移传感器。利用上述装置进行故障预警的方法的步骤包括：A、模拟风机故障，采集故障信号；B、对故障信号进行消噪处理；C、对故障信号进行特征提取；D、建立故障数据库；E、对故障数据库中的故障类别根据权重大小降序排列；F、将正式运行时采集的信号进行上述步骤B和步骤C的处理后，与步骤E中得到的故障数据库进行对比，得出故障类别。本发明克服了传统的信号特征提取方法的局限性，提高了故障预警的准确性。

Description

一种用于风机非平稳状态故障预警的装置及方法

技术领域

本发明涉及风机故障预警领域，尤其是一种用于风机非平稳状态故障预警的装置及方法。

背景技术

在发电厂中，风机的运行状况直接关系到电厂的安全、经济运行，且风机的可靠性、安全性和经济性取决于其高效运行、实时状态跟踪评价、准确的故障诊断和维修，因此研究风机的故障诊断具有重大的意义。常见的风机机械故障有转子不平衡、转子不对中、轴承松动和动静碰磨等，虽然故障诊断方法有很多，但基本上都分为3个步骤：诊断信息的获取；故障特征提取；状态识别和故障诊断。

传统的信号特征提取方法以信号的平稳性为前提，无法对非平稳信号进行有效地分析处理。由于风机运行中的驱动力、阻尼力和弹性力的非线性及机械系统的非线性，所检测到的振动信号是非平稳信号，传统的信号特征提取方法具有较大的局限性。

发明内容

本发明要解决的技术问题是提供一种用于风机非平稳状态故障预警的装置及方法，通过合理设计振动采集装置，并对采集的振动信号进行处理得到对比数据库，克服了传统的信号特征提取方法的局限性，提高了故障预警的准确性。

为解决上述技术问题，本发明所采取的技术方案如下。

一种用于风机非平稳状态故障预警的装置，结构中包括风机本体，风机本体中安装有旋转轴，旋转轴连接有电机，所述旋转轴的两端分别安装有两个平行于所述旋转轴轴线方向的振动采集架，在同一端的两个振动采集架相互垂直，在所述旋转轴连接所述电机的一端设置有一个垂直于旋转轴轴线方向的振动采集架，每个振动采集架上设置有一个位移传感器；结构中还包括一个处理主机，位移传感器与处理主机进行通讯连接，处理主机还连接有一个人机交互模块，处理主机的结构中包括运算模块和数据库模块。

作为本发明的一种优选技术方案，所述振动采集架上设置有谐振片，所述位移传感器设置在谐振片上。

作为本发明的一种优选技术方案，所述位移传感器为一体化电涡流传感器。

作为本发明的一种优选技术方案，所述数据库模块采用SQLserver2008管理系统。

利用上述用于风机非平稳状态故障预警的装置进行故障预警的方法，包括以下步骤：

A、模拟风机故障，采集故障信号

逐项模拟已知的风机故障，通过位移传感器获得故障信号，将故障信号输入处理主机，形成unbalance.dat信号文件；

B、对上述步骤A中的unbalance.dat信号文件进行消噪处理

使用matlab软件中的阈值量化程序

[thr，sorh，keepapp]＝ddencmp(‘den’，‘wp’，unbalance)对unbalance.dat信号文件进行阈值量化，得到全局阈值thr；其中，sorh表示使用软阈值作用方式，keepapp表示保留近似系数层数，den表示函数使用去噪功能，wp表示使用小波包；

使用matlab软件中的消噪程序

xc＝wdencmp(‘gbl’，unbalance，‘db4’，lev，thr，sorh，keepapp)对unbalance.dat信号文件进行消噪处理，得到消噪结果xc；其中，lev表示小波包消噪层数，db4为小波函数，gbl表示每层都采用同一个阈值进行处理，其余参数的定义和上述步骤相同；

C、对在步骤B中所述消噪处理后得到的消噪结果xc进行特征提取

首先使用matlab软件中的wpt＝wpdec(xc，lev，‘db4’)程序确定小波包分解系数，其中wpt即为小波包分解系数，其余参数的定义和上述步骤相同；

然后使用matlab软件中的程序语句

fori＝1∶2^lev

S_(i)＝wprcoef(wpt，[n，i-1])；

End

进行小波包重构，其中S_(i)(i＝1，2…2^lcv)为第lev层各节点的重构信号，其余参数的定义和上述步骤相同；

进而计算重构信号S_(i)的对应能量E_(i)，

$E_j=\∫{\left|S_j\left(t\right)\right|}^2\mathrm{dt},$

构造特征向量T，

T＝[E₀，E₁，…E_i]，其中i＝2^lev-1，

对特征向量T进行归一化处理，取得归一化特征向量T’，

$T^{,}=T/\underset{j=0}{\overset{2^{\mathrm{lev}}-1}{\mathrm{\Σ}}}{E}_j,$

将5个位移传感器采集来的信号进行处理后得到的5个归一化特征向量T’构造对比特征向量F，

F＝[T′₁，T′₂，T′₃，T′₄，T′₅]；

D、建立故障数据库

使用步骤C中取得的对比特征向量F通过matlab软件建立故障数据库，

model＝svmtrain(L，F)，其中L为故障类别，model为对比数据库；将model保存在数据库模块中；

E、根据对比数据库model中每一种故障类别的故障信号权重的不同，按照权重值的高低对故障信号进行降序排列；

F、风机正式运行，将信号传感器采集的信号再次经过上述步骤B和步骤C的处理，得到对比特征向量F，使用matlab软件将对比特征向量与上述步骤E中得到的对比数据库model进行比对，

L＝svmpredict(F，model)，

如果比对出故障类别L，则通过人机交互模块进行故障信息输出，如果未必对出结果，则进行人工诊断。

作为上述用于风机非平稳状态故障预警的方法的一种优选技术方案，所述步骤B和步骤C中，lev取值为5。

作为上述用于风机非平稳状态故障预警的方法的一种优选技术方案，所述步骤F中，将人工诊断的结果输入对比数据库model进行数据库实时更新。

采用上述技术方案所带来的有益效果在于：使用位移传感器间接测量的方式，不影响风机的正常运行，谐振片可以放大振动幅度，提高信号准确性。信号进行消噪程序处理后，信号的噪声干扰有了显著的降低，提高了信号识别的准确性。使用故障信号的权重大小进行重新排列，减少了系统的搜索比对时间，加快了整个系统的运行速度。在使用过程中将新出现的故障类别输入数据库模块，对数据库进行实时更新，进而提高了信号识别的准确率。经过在同一风机上进行相同实验比对，由传统的信号特征提取方法得到的故障诊断准确率为77.4％，由本发明提供的信号特征提取方法得到的故障诊断准确率为94.6％。

附图说明

图1是本发明一个具体实施方式中故障预警装置的示意图。

图2是本发明一个具体实施方式中故障信号处理的原理图。

图3是原始故障信号的幅值图。

图4是经过消噪处理后的故障信号的幅值图。

图5是故障实际类别和使用本发明进行诊断后得出的故障预测类别的对比图。

图中：1、风机本体；2、旋转轴；3、振动采集架；4、电机；5、谐振片；6、位移传感器；7、处理主机；8、人机交互模块；71、运算模块；72、数据库模块。

具体实施方式

参看附图1和附图2，一种用于风机非平稳状态故障预警的装置，结构中包括风机本体1，风机本体1中安装有旋转轴2，旋转轴连接有电机4，所述旋转轴2的两端分别安装有两个平行于所述旋转轴2轴线方向的振动采集架3，在同一端的两个振动采集架3相互垂直，在所述旋转轴2连接所述电机4的一端设置有一个垂直于旋转轴2轴线方向的振动采集架3，每个振动采集架3上设置有一个谐振片5，谐振片5上设置有位移传感器6；结构中还包括一个处理主机7，位移传感器6与处理主机7进行通讯连接，处理主机7还连接有一个人机交互模块8，处理主机7的结构中包括运算模块71和数据库模块72。所述位移传感器6为德国申克IN-81一体化电涡流传感器。所述数据库模块72采用SQLserver2008管理系统。

利用上述用于风机非平稳状态故障预警的装置进行故障预警的方法，包括以下步骤：

A、模拟风机故障，采集故障信号

逐项模拟已知的风机故障，通过位移传感器6获得故障信号，将故障信号输入处理主机7，形成unbalance.dat信号文件；

其中一个位移传感器6采集到的部分信号如下所示，单位是V：

[2.5869，0.5691，-1.4287，1.0376，2.1835]

B、对上述步骤A中的unbalance.dat信号文件进行消噪处理

使用matlab软件中的阈值量化程序

[thr，sorh，keepapp]＝ddencmp(‘den’，‘wp’，unbalance)对unbalance.dat信号文件进行阈值量化，得到全局阈值thr；其中，sorh表示使用软阈值作用方式，keepapp表示保留近似系数层数，den表示函数使用去噪功能，wp表示使用小波包；

使用matlab软件中的消噪程序

xc＝wdencmp(‘gbl’，unbalance，‘db4’，lev，thr，sorh，keepapp)对unbalance.dat信号文件进行消噪处理，得到消噪结果xc；其中，lev表示小波包消噪层数，db4为小波函数，gbl表示每层都采用同一个阈值进行处理，其余参数的定义和上述步骤相同；

C、对在步骤B中所述消噪处理后得到的消噪结果xc进行特征提取

首先使用matlab软件中的wpt＝wpdec(xc，lev，‘db4’)程序确定小波包分解系数，其中wpt即为小波包分解系数，其余参数的定义和上述步骤相同；

然后使用matlab软件中的程序语句

fori＝1∶2^lev

S_(i)＝wprcoef(wpt，[n，i-1])；

End

进行小波包重构，其中S_(i)(i＝1，2…^lev)为第lev层各节点的重构信号，其余参数的定义和上述步骤相同；

进而计算重构信号S_(i)的对应能量E_(i)，

$E_j=\∫{\left|S_j\left(t\right)\right|}^2\mathrm{dt},$

构造特征向量T，

T＝[E₀，E₁，…E_i]，其中i＝2^lev-1，

对特征向量T进行归一化处理，取得归一化特征向量T’，

$T^{,}=T/\underset{j=0}{\overset{2^{\mathrm{lev}}-1}{\mathrm{\Σ}}}{E}_j,$

将5个位移传感器6采集来的信号进行处理后得到的5个归一化特征向量T’构造对比特征向量F，

F＝[T′₁，T′₂，T′₃，T′₄，T′₅]；

F的部分内容如下所示：

D、建立故障数据库

使用步骤C中取得的对比特征向量F通过matlab软件建立故障数据库，

model＝svmtrain(L，F)，其中L为故障类别，model为对比数据库；将model保存在数据库模块72中；

E、根据对比数据库model中每一种故障类别的故障信号权重的不同，按照权重值的高低对故障信号进行降序排列；

F、风机正式运行，将信号传感器采集的信号再次经过上述步骤B和步骤C的处理，得到对比特征向量F，使用matlab软件将对比特征向量与上述步骤E中得到的对比数据库model进行比对，

L＝svmpredict(F，model)，

如果比对出故障类别L，则通过人机交互模块8进行故障信息输出，如果未必对出结果，则进行人工诊断。将人工诊断的结果输入对比数据库model进行数据库实时更新。

风机不平衡故障的频谱特征频率是1倍基频及分数倍基频；风机不对中故障的频谱特征频率是1倍基频、2倍基频及小量值的高次谐波；风机松动故障的频谱特征频率是1倍基频及其高次谐波；风机碰磨故障的频谱特征频率主要是分数倍基频、1倍基频、2倍基频及3～5倍基频。因此，所述步骤B和步骤C中，lev取值为5，使得各个故障的频谱特征频率分布在不同的频带中，保证不同的频带能够提取相应的能量特征。

参看附图3和附图4，信号进行消噪程序处理后，信号的噪声干扰有了显著的降低，提高了信号识别的准确性。

参看附图5，故障实际类别和故障预测类别的吻合度达到了94.6％。

本发明的工作原理在于：使用位移传感器6间接测量的方式，不影响风机的正常运行，谐振片5可以放大振动幅度，提高信号准确性。对采集的振动信号进行处理得到对比数据库，克服了传统的信号特征提取方法的局限性，提高了故障预警的准确性。使用故障信号的权重大小进行重新排列，减少了系统的搜索比对时间，加快了整个系统的运行速度。在使用过程中将新出现的故障类别输入数据库模块72，对数据库进行实时更新，从而提高了信号识别的准确率。

上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。

Claims (6)

1.一种用于风机非平稳状态故障预警的装置，结构中包括风机本体(1)，风机本体(1)中安装有旋转轴(2)，旋转轴连接有电机(4)，其特征在于：所述旋转轴(2)的两端分别安装有两个平行于所述旋转轴(2)轴线方向的振动采集架(3)，在同一端的两个振动采集架(3)相互垂直，在所述旋转轴(2)连接所述电机(4)的一端设置有一个垂直于旋转轴(2)轴线方向的振动采集架(3)，每个振动采集架(3)上设置有一个位移传感器(6)；结构中还包括一个处理主机(7)，位移传感器(6)与处理主机(7)进行通讯连接，处理主机(7)还连接有一个人机交互模块(8)，处理主机(7)的结构中包括运算模块(71)和数据库模块(72)；振动采集架(3)上设置有谐振片(5)，所述位移传感器(6)设置在谐振片(5)上。

2.根据权利要求1所述的用于风机非平稳状态故障预警的装置，其特征在于：所述位移传感器(6)为一体化电涡流传感器。

3.根据权利要求1所述的用于风机非平稳状态故障预警的装置，其特征在于：所述数据库模块(72)采用SQLserver2008管理系统。

4.利用权利要求1所述的用于风机非平稳状态故障预警的装置进行故障预警的方法，其特征在于，包括以下步骤：

A、模拟风机故障，采集故障信号

逐项模拟已知的风机故障，通过位移传感器(6)获得故障信号，将故障信号输入处理主机(7)，形成unbalance.dat信号文件；

B、对上述步骤A中的unbalance.dat信号文件进行消噪处理

使用matlab软件中的阈值量化程序

[thr，sorh，keepapp]＝ddencmp(‘den’，‘wp’，unbalance)对unbalance.dat信号文件进行阈值量化，得到全局阈值thr；其中，sorh表示使用软阈值作用方式，keepapp表示保留近似系数层数，den表示函数使用去噪功能，wp表示使用小波包；

使用matlab软件中的消噪程序

xc＝wdencmp(’gbl’，unbalance，‘db4’，lev，thr，sorh，keepapp)对unbalance.dat信号文件进行消噪处理，得到消噪结果xc；其中，lev表示小波包消噪层数，db4为小波函数，gbl表示每层都采用同一个阈值进行处理，其余参数的定义和上述步骤相同；

C、对在步骤B中所述消噪处理后得到的消噪结果xc进行特征提取

首先使用matlab软件中的wpt＝wpdec(xc，lev，‘db4’)程序确定小波包分解系数，其中wpt即为小波包分解系数，其余参数的定义和上述步骤相同；

然后使用matlab软件中的程序语句

fori＝1:2^lev

S_(i)＝wprcoef(wpt，[n，i-1])；

End

进行小波包重构，其中S_(i)(i＝1，2…2^lcv)为第lev层各节点的重构信号，其余参数的定义和上述步骤相同；

进而计算重构信号S_(i)的对应能量E_(i)，

E_j＝∫|S_j(t)|²dt，

构造特征向量T，

T＝[E₀，E₁，…E_i]，其中i＝2^1cv-1，

对特征向量T进行归一化处理，取得归一化特征向量T’，

$T^{,}=T/\underset{j=0}{\overset{2^{lcv}-1}{\Σ}}{E}_j,$

将5个位移传感器(6)采集来的信号进行处理后得到的5个归一化特征向量T’构造对比特征向量F，

F＝[T′₁，T′₂，T′₃，T′₄，T′₅]；

D、建立故障数据库

使用步骤C中取得的对比特征向量F通过matlab软件建立故障数据库，

model＝svmtrain(L，F)，其中L为故障类别，model为对比数据库；将model保存在数据库模块(72)中；

E、根据对比数据库model中每一种故障类别的故障信号权重的不同，按照权重值的高低对故障信号进行降序排列；

F、风机正式运行，将信号传感器采集的信号再次经过上述步骤B和步骤C的处理，得到对比特征向量F，使用matlab软件将对比特征向量与上述步骤E中得到的对比数据库model进行比对，

L＝svmpredict(F，model)，

如果比对出故障类别L，则通过人机交互模块(8)进行故障信息输出，如果未必对出结果，则进行人工诊断。

5.根据权利要求4所述的用于风机非平稳状态故障预警的装置进行故障预警的方法，其特征在于：所述步骤B和步骤C中，lev取值为5。

6.根据权利要求4所述的用于风机非平稳状态故障预警的装置进行故障预警的方法，其特征在于：所述步骤F中，将人工诊断的结果输入对比数据库model进行数据库实时更新。