CN108131321B - 一种轴流式风机失速故障监测方法 - Google Patents
一种轴流式风机失速故障监测方法 Download PDFInfo
- Publication number
- CN108131321B CN108131321B CN201810145386.3A CN201810145386A CN108131321B CN 108131321 B CN108131321 B CN 108131321B CN 201810145386 A CN201810145386 A CN 201810145386A CN 108131321 B CN108131321 B CN 108131321B
- Authority
- CN
- China
- Prior art keywords
- data
- observation
- axial fan
- operation data
- comentropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
Abstract
一种轴流式风机失速故障监测方法,其特征在于:包括数据采集单元、微处理单元以及数据计算单元,数据采集模块包括安装在轴流式风机上的多个传感器,数据计算单元对传感器数据和风机状态数据进行计算得到轴流式风机的失速故障判断模型并进行失速故障判断。在本轴流式风机失速故障监测方法中,通过设置传感器对轴流式风机的运行数据进行采集,然后利用数据计算单元计算得到轴流式风机的失速故障判断模型,通过失速故障判断模型分析风机运行数据进行故障判断,因此可适用于绝大部分轴流式风机的故障判断,有较大的应用范围。
Description
技术领域
一种轴流式风机失速故障监测方法,属于电机故障判断技术领域。
背景技术
轴流式风机是一种抽吸、输送、提高流体能量的机械,可以应用在制造车间、供电站、供热站、实验室等场所,引导高温腐蚀等不良气体的排放,促进空调、锅炉和原子防护设备的通风。轴流式风机的应用非常广泛,几乎涉及国民经济各个领域,是重要的生产辅助设备。因此,合适的风机监控系统有助于预防生产事故,保护工作人员生产安全,维持车间安全生产环境。
目前市场上已经存在部分风机监测系统,但是目前的监测系统是与特定风机组合生产、销售的,因此目前国内存在数量巨大的风机需要安装风机监测系统,因此,设计一套独立且适用范围广的轴流式风机监测系统成为本领域亟待解决的问题。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种通过设置传感器对轴流式风机的运行数据进行采集,然后利用数据计算单元计算得到轴流式风机的失速故障判断模型,通过失速故障判断模型分析运行数据进行故障判断,因此可适用于绝大部分轴流式风机的故障判断,有较大应用范围的轴流式风机失速故障监测方法。
本发明解决其技术问题所采用的技术方案是:该轴流式风机失速故障监测系统,其特征在于:包括依次连接的数据采集单元、微处理单元以及数据计算单元,数据采集模块包括安装在轴流式风机上的多个传感器,传感器的输出端与微处理单元中的微处理器相连,微处理器的输出端与数据计算单元相连将传感器数据送入数据计算单元,数据计算单元为主机,对传感器数据进行计算得到轴流式风机的失速故障判断模型,并进行轴流式风机失速故障判断。
优选的,所述的传感器包括温度传感器、负压传感器、震动传感器以及加速度传感器。
优选的,所述的温度传感器固定在安装于风机的集流器上;所述的负压传感器固定于风机的前整流罩上;所述的震动传感器固定于风机的机壳正上方;所述的加速度传感器固定于风机的扩散桶上。
优选的,所述的微处理单元中包括模数转换模块,传感器数据的输出端连接模数转换模块的输入端。
一种轴流式风机失速故障监测方法,其特征在于:包括如下步骤:
步骤a,利用安装在轴流式风机上的多个传感器分别采集轴流式风机分别在正常运行状态下和失速状态下风机的运行数据,每一组运行数据对应一个状态数据,运行数据和状态数据组成一个数据记录;获得多组数据记录,将数据记录作为计算单元进建立判断模型的训练样本;
步骤b,对每一个运行数据进行等宽分箱,将离散数值型运行数据转换为标称型数据;
步骤c,计算总体数据记录的信息熵;
步骤d,任取一个运行数据,计算该运行数据的不同观测值的信息熵;
步骤e,计算步骤c中选定的运行数据的信息熵;
步骤f,计算步骤c中选定的运行数据的信息增益;
步骤g,重复步骤d~步骤f,计算得到每一个运行数据的信息熵;
步骤h,根据运行数据的信息增益建立失速故障判断模型;
步骤i,进行轴流式风机的失速故障判断。
优选的,步骤b中所述的等宽分箱的流程为:
步骤b-1,定义某一种运行数据的所有观测值为(x1,x2,……,xn);
步骤b-2,按照从小到大的顺序将该运行数据的观测值排序,则观测值的观测区间为xd=(xmax-xmin);
步骤b-3,将xd平均分成三等分,将对应等分内的观测值分别标记为xa,xb,xc,得到运行数据的等宽分箱,观测值分别为xa,xb,xc的运行数据的数量分别为S1,S2,S3。
优选的,步骤d中所述运行数据的不同观测值的信息熵为:
观测值Xa的信息熵:
观测值Xb的信息熵:
观测值Xc的信息熵:
其中:S11表示观测值为xa且风机状态为r1的样本数量,S12表示观测值为xa且风机状态为r2的样本数量;S21表示观测值为xb且风机状态为r1的样本数量,S22表示观测值为xb且风机状态为r2的样本数量;S31表示观测值为xc且风机状态为r1的样本数量,S32表示观测值为xc且风机状态为r2的样本数量;S1,S2,S3分别为观测值分别为xa,xb,xc的运行数据的数量,r1表示风机运行状态为正常状态,r2表示风机运行状态为失速状态。
优选的,步骤c中总体数据记录的信息熵为:
其中,是总体样本中两种类别值出现的概率。
优选的,步骤f中的信息增益为:
Gain(Q)=I(r1,r2)-I(Q)
其中,I(r1,r2)为观测结果的信息熵,I(Q)为步骤e中所述的运行数据的信息熵。
优选的,步骤e中运行数据的信息熵为:
其中,S1,S2,S3分别为观测值分别为xa,xb,xc的运行数据的数量,S表示运行数据的总数量,I(Xa)表示观测值Xa的信息熵,I(Xb)表示观测值Xb的信息熵,I(Xc)表示观测值Xc的信息熵。
与现有技术相比,本发明所具有的有益效果是:
在本轴流式风机失速故障监测方法中,通过设置传感器对轴流式风机的运行数据进行采集,然后利用数据计算单元计算得到轴流式风机的失速故障判断模型,通过失速故障判断模型分析风机运行数据进行故障判断,因此可适用于绝大部分轴流式风机的故障判断,有较大的应用范围。
附图说明
图1为轴流式风机失速故障监测系统原理方框图。
图2为轴流式风机失速故障监测系统数据采集单元以及微处理单元原理方框图。
图3为轴流式风机失速故障监测流程图。
具体实施方式
图1~3是本发明的最佳实施例,下面结合附图1~3对本发明做进一步说明。
如图1所示,一种轴流式风机失速故障监测系统,包括数据采集单元、微处理单元以及数据计算单元。数据采集单元与轴流式风机机械连接对轴流式风机(以下简称风机)的运行状态进行采集,然后采集到的数据送入微处理单元,然后由微处理单元将轴流式风机的运行数据送入数据计算单元,数据计算单元计算风机运行数据数据集,形成监测模型。监测模型计算轴流式风机实时运行的运行数据,预测可能的失速故障,通知监测人员。
结合图2,数据采集单元包括温度传感器、负压传感器、振动传感器以及加速度传感器。其中温度传感器固定在安装于风机的集流器上,实时测量集流器的温度;负压传感器固定于风机的前整流罩上,用以实时测量前整流罩处的负压数据;震动传感器固定于风机的机壳正上方,用于测量风机的振动数据;加速度传感器固定于风机的扩散桶上,用于测量风机出风口水平方向风力水平加速度。
微处理单元包括模数转换模块以及微处理器,上述的温度传感器、负压传感器、振动传感器以及加速度传感器的信号输出端通过模数转换模块与微处理器相连,由模数转换模块将温度传感器、负压传感器、振动传感器以及加速度传感器输出的模拟信号转换为数字信号。微处理器将温度传感器、负压传感器、振动传感器以及加速度传感器监测的数据送入数据计算单元中。微处理器可通过市售常见的单片机实现,如STM32F103系列处理器。
在本轴流式风机失速故障监测系统中,数据计算单元采用搭载Linux操作系统的主机,数据计算单元首先根据ID3决策树算法,计算风机的运行数据,得到风机失速故障的判断模型。在风机正常工作时,数据计算模块在得到微处理器送入的风机实时的运行数据后,将风机实时运行数据传入判断模型,判断风机是否会出现失速现象,
如图3所示,轴流式风机失速故障监测方法,具体包括如下步骤:
步骤1001,采集轴流式风机的原始运行数据;
利用安装在风机上的温度传感器、负压传感器、振动传感器以及加速度传感器,获得风机在正常运行状态和故障(失速)状态的运行数据,每一组运行数据对应一个状态(正常或者失速)数据,运行数据和状态数据组成一个数据记录。获得多组数据记录,将数据记录作为计算单元进建立判断模型的训练样本。
设数据样本S一共有s条数据记录,每条记录都有对应的温度数据、负压数据、振动数据、加速度数据和状态数据。状态数据有两种情况:正常状态定义为r1,失速状态定义为r2,两种类别值将样本分为两类,并设两类的样本数量分别为s1和s2。
步骤1002,对运行数据进行等宽分箱,将离散数值型运行数据转换为标称型数据;
对风机的运行数据分别进行等宽分箱,得到样本数据,具体过程为:
定义某一种运行数据的所有观测值为(x1,x2,……,xn),然后按照从小到大的顺序将该运行数据的观测值排序,则观测值的观测区间为xd=(xmax-xmin),然后将xd平均分成三等分,将对应等分内的观测值分别标记为xa,xb,xc,对应数量分别为S1,S2,S3。按照该过程完成每一个运行数据的等宽分箱。
对于上述同一运行数据的不同观测值,分别得到数量S11,S12,S21,S22,S31,S32。其中,S11表示观测值为xa且风机状态为r1的样本数量,S12表示观测值为xa且风机状态为r2的样本数量;S21表示观测值为xb且风机状态为r1的样本数量,S22表示观测值为xb且风机状态为r2的样本数量;S31表示观测值为xc且风机状态为r1的样本数量,S32表示观测值为xc且风机状态为r2的样本数量。
步骤1003,计算总体数据记录的信息熵:
其中,是总体样本中两种类别值出现的概率。
步骤1004,任取一个运行数据,计算基于该运行数据的不同观测值的信息熵;
观测值Xa的信息熵:
观测值Xb的信息熵:
观测值Xc的信息熵:
例如,可首先选取温度传感器采集到的温度数据,并计算温度数据的不同观测值的信息熵。
步骤1005,根据以下公式,计算步骤1004中选定的运行数据的信息熵,
其中,S1,S2,S3分别为观测值分别为xa,xb,xc的运行数据的数量,S表示运行数据的总数量,I(Xa)表示观测值Xa的信息熵,I(Xb)表示观测值Xb的信息熵,I(Xc)表示观测值Xc的信息熵。
步骤1006,根据以下公式,计算步骤1004中选定的运行数据的信息增益,
Gain(Q)=I(r1,r2)-I(Q)
其中,I(r1,r2)为观测结果的信息熵,I(Q)为运行数据的信息熵。
步骤1007,重复步骤1003~1006,分别计算每一个运行数据的信息增益。
步骤1008,根据运行数据的信息增益建立失速故障判断模型。
在总体样本的信息熵一定的情况下,信息增益越大,说明减去的经过运行数据划分后的总体样本的信息熵越小。即去掉这一数据后,系统的不确定性增大了,那说明这一数据能够较好的作为判断依据。
计算每个关键数据的信息增益,选择信息增益最大的关键数据作为第一判断分支,然后排除当前的运行数据,重新计算剩余特征数据的信息增益,直到子集中只有一个运行状态值,此时得到失速故障判断模型。
步骤1009,进行轴流式风机的失速故障判断;
风机正常运行时,将实时采集到的数据送入失速故障判断模型,对风机的失速故障进行判断。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (9)
1.一种轴流式风机失速故障监测方法,其特征在于:包括故障监测系统,故障监测系统包括依次连接的数据采集单元、微处理单元以及数据计算单元,数据采集模块包括安装在轴流式风机上的多个传感器,传感器的输出端与微处理单元中的微处理器相连,微处理器的输出端与数据计算单元相连将传感器数据送入数据计算单元,数据计算单元为主机,对传感器数据进行计算得到轴流式风机的失速故障判断模型,并进行轴流式风机失速故障判断;
还包括如下步骤:
步骤a,利用安装在轴流式风机上的多个传感器分别采集轴流式风机分别在正常运行状态下和失速状态下风机的运行数据,每一组运行数据对应一个状态数据,运行数据和状态数据组成一个数据记录;获得多组数据记录,将数据记录作为计算单元进建立判断模型的训练样本;
步骤b,对每一个运行数据进行等宽分箱,将离散数值型运行数据转换为标称型数据;
步骤c,计算总体数据记录的信息熵;
步骤d,任取一个运行数据,计算该运行数据的不同观测值的信息熵;
步骤e,计算步骤c中选定的运行数据的信息熵;
步骤f,计算步骤c中选定的运行数据的信息增益;
步骤g,重复步骤d~步骤f,计算得到每一个运行数据的信息熵;
步骤h,根据运行数据的信息增益建立失速故障判断模型;
步骤i,进行轴流式风机的失速故障判断。
2.根据权利要求1所述的轴流式风机失速故障监测方法,其特征在于:所述的传感器包括温度传感器、负压传感器、震动传感器以及加速度传感器。
3.根据权利要求2所述的轴流式风机失速故障监测方法,其特征在于:所述的温度传感器固定在安装于风机的集流器上;所述的负压传感器固定于风机的前整流罩上;所述的震动传感器固定于风机的机壳正上方;所述的加速度传感器固定于风机的扩散桶上。
4.根据权利要求1所述的轴流式风机失速故障监测方法,其特征在于:所述的微处理单元中包括模数转换模块,传感器数据的输出端连接模数转换模块的输入端。
5.根据权利要求1所述的轴流式风机失速故障监测方法,其特征在于:步骤b中所述的等宽分箱的流程为:
步骤b-1,定义某一种运行数据的所有观测值为(x1,x2,……,xn);
步骤b-2,按照从小到大的顺序将该运行数据的观测值排序,则观测值的观测区间为xd=(xmax-xmin);
步骤b-3,将xd平均分成三等分,将对应等分内的观测值分别标记为xa,xb,xc,得到运行数据的等宽分箱,观测值分别为xa,xb,xc的运行数据的数量分别为S1,S2,S3。
6.根据权利要求5所述的轴流式风机失速故障监测方法,其特征在于:步骤d中所述运行数据的不同观测值的信息熵为:
观测值Xa的信息熵:
观测值Xb的信息熵:
观测值Xc的信息熵:
其中:S11表示观测值为xa且风机状态为r1的样本数量,S12表示观测值为xa且风机状态为r2的样本数量;S21表示观测值为xb且风机状态为r1的样本数量,S22表示观测值为xb且风机状态为r2的样本数量;S31表示观测值为xc且风机状态为r1的样本数量,S32表示观测值为xc且风机状态为r2的样本数量;S1,S2,S3分别为观测值分别为xa,xb,xc的运行数据的数量,r1表示风机运行状态为正常状态,r2表示风机运行状态为失速状态。
7.根据权利要求5所述的轴流式风机失速故障监测方法,其特征在于:步骤c中总体数据记录的信息熵为:
其中,是总体样本中两种类别值出现的概率。
8.根据权利要求5所述的轴流式风机失速故障监测方法,其特征在于:步骤f中的信息增益为:
Gain(Q)=I(r1,r2)-I(Q)
其中,I(r1,r2)为观测结果的信息熵,I(Q)为步骤e中所述的运行数据的信息熵。
9.根据权利要求5所述的轴流式风机失速故障监测方法,其特征在于:步骤e中运行数据的信息熵为:
其中,S1,S2,S3分别为观测值分别为xa,xb,xc的运行数据的数量,S表示运行数据的总数量,I(Xa)表示观测值Xa的信息熵,I(Xb)表示观测值Xb的信息熵,I(Xc)表示观测值Xc的信息熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810145386.3A CN108131321B (zh) | 2018-02-12 | 2018-02-12 | 一种轴流式风机失速故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810145386.3A CN108131321B (zh) | 2018-02-12 | 2018-02-12 | 一种轴流式风机失速故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108131321A CN108131321A (zh) | 2018-06-08 |
CN108131321B true CN108131321B (zh) | 2019-06-28 |
Family
ID=62430863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810145386.3A Active CN108131321B (zh) | 2018-02-12 | 2018-02-12 | 一种轴流式风机失速故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108131321B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108131321B (zh) * | 2018-02-12 | 2019-06-28 | 山东理工大学 | 一种轴流式风机失速故障监测方法 |
CN112302976B (zh) * | 2020-09-18 | 2022-02-01 | 河北建投新能源有限公司 | 一种基于熵权法的风机叶片故障预警方法 |
CN116335977B (zh) * | 2023-03-31 | 2023-12-29 | 苏州瑞波机械有限公司 | 一种轴流式通风机、控制方法及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102865093A (zh) * | 2012-09-17 | 2013-01-09 | 太原理工大学 | 矿井通风自动检测与运行系统 |
CN103914021A (zh) * | 2012-12-30 | 2014-07-09 | 合肥三川自控工程有限责任公司 | 一种矿山通风机在线监控装置 |
CN104005975A (zh) * | 2014-05-20 | 2014-08-27 | 北京工业大学 | 一种轴流式通风机失速和喘振的诊断方法 |
CN104179529A (zh) * | 2014-08-26 | 2014-12-03 | 中国矿业大学 | 基于物联网和云计算的矿井通风机智能监控与故障诊断系统 |
CN104343709A (zh) * | 2013-07-24 | 2015-02-11 | 华北电力大学(保定) | 一种检测风机故障的装置及方法 |
CN104897277A (zh) * | 2015-06-02 | 2015-09-09 | 北京信息科技大学 | 一种基于双谱熵的风力发电机组故障诊断方法 |
CN107061338A (zh) * | 2017-05-27 | 2017-08-18 | 山东罗泰风机有限公司 | 一种风机状态实时监控系统 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
-
2018
- 2018-02-12 CN CN201810145386.3A patent/CN108131321B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102865093A (zh) * | 2012-09-17 | 2013-01-09 | 太原理工大学 | 矿井通风自动检测与运行系统 |
CN103914021A (zh) * | 2012-12-30 | 2014-07-09 | 合肥三川自控工程有限责任公司 | 一种矿山通风机在线监控装置 |
CN104343709A (zh) * | 2013-07-24 | 2015-02-11 | 华北电力大学(保定) | 一种检测风机故障的装置及方法 |
CN104005975A (zh) * | 2014-05-20 | 2014-08-27 | 北京工业大学 | 一种轴流式通风机失速和喘振的诊断方法 |
CN104179529A (zh) * | 2014-08-26 | 2014-12-03 | 中国矿业大学 | 基于物联网和云计算的矿井通风机智能监控与故障诊断系统 |
CN104897277A (zh) * | 2015-06-02 | 2015-09-09 | 北京信息科技大学 | 一种基于双谱熵的风力发电机组故障诊断方法 |
CN107061338A (zh) * | 2017-05-27 | 2017-08-18 | 山东罗泰风机有限公司 | 一种风机状态实时监控系统 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108131321A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108131321B (zh) | 一种轴流式风机失速故障监测方法 | |
CN104601108B (zh) | 一种小型光伏电站的故障诊断方法 | |
CN107701378B (zh) | 一种风力发电机故障预警方法 | |
CN116060201B (zh) | 一种火电站磨煤机爆燃监测异常定位识别方法及系统 | |
CN101477375B (zh) | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 | |
CN112267972B (zh) | 一种风电机组功率曲线异常智能判定方法 | |
CN108599724A (zh) | 一种光伏组件在线监测系统及监测方法 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN112598539B (zh) | 一种风力发电机组风功率曲线优化计算及异常值检测方法 | |
Barber et al. | Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades | |
CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
CN107229736A (zh) | 一种风电场风信息估测方法 | |
CN110674991A (zh) | 一种基于ocsvm的火电厂一次风机异常检测方法 | |
CN106195247B (zh) | 一种基于大数据管理模式的变速器控制系统 | |
CN110023621B (zh) | 确定风力涡轮上的载荷 | |
CN108898190A (zh) | 一种基于环保大数据的环境监测预警方法及系统 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN117149498A (zh) | 一种电厂故障诊断方法及系统 | |
CN114285091B (zh) | 一种包含多个光伏发电的区域电网数据采集异常检测方法 | |
CN106771370B (zh) | 一种风机测风仪检测方法及装置 | |
CN115903590A (zh) | 一种用于电力设备的通讯状态监测管理系统 | |
CN114060232A (zh) | 风力发电机组发电状态监测方法 | |
CN114109826A (zh) | 一种螺杆鼓风机气站远程监控装置 | |
CN206992225U (zh) | 一种具有多级电压采集的氢燃料电池系统 | |
CN112883085A (zh) | 一种基于大数据和云计算的桥梁动态载荷安全在线实时监测分析预警管理平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |