CN108804796B - 基于频谱特征的环冷机漏风率检测方法 - Google Patents

Abstract

本发明旨在提供一种基于频谱特征的环冷机漏风率检测方法。所述的方法包括建立了基于频率特征的环冷机漏风故障的离线诊断模型；基于离线诊断模型在线对环冷机声音采集数据进行故障诊断。本发明通过对环冷机正常工作情况和各种不同漏风情况下产生的台车声音信号和风机声音信号进行采集，将采集到的声音数据整理成漏风故障样本库，对故障样本库中的正常数据集和故障数据集进行频谱分析和强度分析，从而建立环冷机漏风故障的诊断模型。再通过环冷声音数据的在线采集和分析，对环冷机漏风故障进行实时诊断。本发明通过检测信号和干扰信号对比的方式，将环冷机台车声音信号和风机声音信号进行对比，剔除风机声音信号的影响，从而得到表征环冷机生产的声音信号，从而实现环冷机漏风故障的综合在线检测和故障诊断。

Description

基于频谱特征的环冷机漏风率检测方法

技术领域：

本发明公开一种基于频谱特征的冷机漏风率检测方法。

背景技术：

环冷机是一种用于物料冷却的大型设备，其主要工作原理是通过台车装载高温物料，在环形轨道上行驶，台车下部有风箱，对台车内部鼓风，通过空气将高温物料冷却。围绕着环冷机的圆环外侧，会按照风量需求，设置数台鼓风机，为冷却过程提供风源。

待冷却的小颗粒状物料在环冷机上是以厚料层形式均匀分布的，为保证物料的充分冷却，环冷机会在台车下方设置风箱并连接鼓风机，通过鼓风机将外部空气带入到高温物料层中。由于环冷机的密封结构和长期使用的保养问题，冷却生产过程中会产生漏风现象，导致冷却不充分和鼓风机能源的浪费，严重漏风的情况下，甚至会产生环冷机卸料温度过高灼伤运输皮带的生产事故。环冷机及其附属的风箱、风管、阀门等，由于结构复杂，且工作在高温状态，使漏风率的检测一直缺少行之有效的手段。

发明内容

为克服上述缺陷，本发明提供一种基于频谱特征双边检测法环冷机漏风率检测方法。

为达到上述目的，本发明基于频谱特征的环冷机漏风率检测方法，包括下述步骤：

建立了基于频率特征的环冷机漏风故障的离线诊断模型；

基于离线诊断模型在线对环冷机声音采集数据进行故障诊断。

其中，建立了基于频率特征的环冷机漏风故障的离线诊断模型的步骤包括：

21)制作环冷机正常工作频谱样本集和漏风故障频谱样本集；

22)对比漏风故障频谱样本集与正常频谱样本集在不同频段上的强度差异，按照降序选出强度差异最大的k个频段，作为漏风故障特征频率集，记为F＝{f₁,…,f_k}，其中，f_i为第i个特征频率；

23)分析正常样本在特征频段中强度分布，采用统计参数估计的方法，按照人工设定的显著度α计算正常样本在特定频率f_i的强度分布置信上限UCL_i，将UCL_i作为该特征频率对应的强度阈值，从而得到特征频率对应的强度阈值集，记为TH＝{th₁,…,th_k}；

24)定义各特征频率对漏风故障的贡献率，记为Ω＝{ω₁,…,ω_k}，将特征频率f_i处的漏风故障贡献指标定义为表达式c_i＝G(s_i,th_i,ω_i)，定义环冷机漏风故障判据为

其中s_i为当前样本在特征频率f_i处的声音强度。

其中，基于离线诊断模型在线对环冷机声音采集数据进行故障诊断的步骤包括：

31)在环冷车间实时采集声音数据，通过采样和去噪，制备成成对的台车声音样本和风机声音样本；

32)对在线样本实时进行频谱分析，得到故障特征频率对应的台车声音强度集为S1_j＝{s1_j1,…,s1_jk}和风机声音强度集为S2_j＝{s2_j1,…,s2_jk}，其中，j为当前样本的序号，i为特征频率序号，s1_ji为当前样本第i个特征对应的台车声音强度，s2_ji为当前样本第i个特征对应的台车声音强度；

33)对当前样本，从台车声音频谱样本中滤除风机声音强度的影响；

34)计算当前样本在特征频率f_i处的漏风故障贡献指标c_ji＝G(s_ji,th_i,ω_i)，将每个特征频率对应的漏风故障贡献指标累加，得到第j个在线样本的环冷机漏风故障判据

35)利用环冷机漏风故障判据C_j对环冷机在第j个时刻是否发生漏风故障进行诊断。

其中，制作环冷机正常工作频谱样本集和漏风故障频谱样本集的步骤包括：

41)采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据，通过采样和去噪，制备成离线建模样本,按照漏风故障情况，将样本集划分为正常数据集X_normal和漏风故障数据集X_fault，数据集中的台车声音样本和风机声音样本成对出现，并按照采集时间一一对应；

42)对正常数据集X_normal和漏风故障数据集X_fault分别进行时域-频域转换，得到正常工作频谱样本集和漏风故障频谱样本集。

其中，还包括下述步骤：43)在正常工作频谱样本集和漏风故障频谱样本集中，从台车声音频谱样本中滤除风机声音强度的影响，得到滤除风机干扰的正常工作频谱样本集和漏风故障频谱样本集；

其中，还包括步骤：25)通过遗传算法或人工神经网络方法，优化和计算各特征频率对漏风故障的贡献率Ω＝{ω₁,…,ω_k}，从而确定烧结机漏风故障判据C的最优参数。

其中，在步骤35)中，是采用的阈值判定或者模糊决策的方式作为烧结机漏风故障诊断的决策手段。

本发明的方法具有以下优点：

1.由于环冷机漏风故障的故障点多，故障发生的诱因复杂，所以很难通过传统的监控方法实现有效的在线自动故障诊断，而本发明提出的环冷机漏风故障在线诊断方法，通过对易获得的声音信号进行采集和分析，为环冷机这种的整体大型设备的漏风故障监测提供了方便易行的方法。

2.本发明利用声音的频谱和强度特性，构造的特征表示方法，为环冷机漏风故障提供了可监测的依据；

3.本发明在已知环冷风机为主要干扰源的情况下，通过采集目标信号和主要干扰信号的方式，从检测信号中滤除主要干扰，获得了可靠的检测信号；

4.本发明通过计算特征频率上的强度阈值，定义了可供数值计算的环冷机漏风故障判据，为环冷机漏风故障自动判断提供了可计算的指标；

5.本发明通过决策机制对环冷机漏风故障判据进行诊断的方式，为环冷机漏风故障的智能化诊断的提供了有效手段；

6.本发明提出的环冷机漏风故障在线诊断方法，通过声音频谱和强度相结合的方式，构成环冷机漏风检测的新型判据，该判据通过历史数据的参数优化和统计检验，提高了可靠性。

7.本发明提出的环冷机漏风故障在线诊断方法，其在线诊断过程只需要简单的解析式计算，其计算复杂度低，实时性能好，对硬件系统的计算资源和内存资源占用都很低，实施成本低。

8.通过本发明提出的环冷机漏风故障在线诊断方法，可以及时有效的对环冷机漏风故障进行无人值守式的在线诊断，有利于提高冷却过程的稳定性，降低故障率。

9.通过本发明提出的环冷机漏风故障在线诊断方法，可以及时发现环冷生产中的漏风现象，为降低环冷主抽风机节能降耗和设备检修维护提供关键的检测判别手段。

附图说明

图1本发明的检测和硬件系统示意图(环冷机展开视图)

图2本发明的总工作流程图

图3本发明的基于频率特征的环冷机漏风故障离线建模流程图

图4本发明的基于频率特征的环冷机漏风故障在线诊断流程图

具体实施方式：

本发明旨在提供一种环冷机漏风故障在线诊断方法。本发明通过对环冷机正常工作情况和各种不同漏风情况下产生的台车声音信号和风机声音信号进行采集，将采集到的声音数据整理成漏风故障样本库，对故障样本库中的正常数据集和故障数据集进行频谱分析和强度分析，从而建立环冷机漏风故障的诊断模型。再通过环冷声音数据的在线采集和分析，对环冷机漏风故障进行实时诊断。本发明通过检测信号和干扰信号对比的方式，将环冷机台车声音信号和风机声音信号进行对比，剔除风机声音信号的影响，从而得到表征环冷机生产的声音信号，从而实现环冷机漏风故障的综合在线检测和故障诊断。

以国内典型的环冷机为例，对本发明进行说明：

本发明的检测和硬件系统见图1(环冷机展开视图)。环冷移动台车里是正在冷却的块状物料,台车下部是提供冷却空气的鼓风系统,主要包括环冷风箱和环冷风机等。由于台车是若干移动式的独立小车拼接而成，所以台车与台车间、风箱和台车间存在间隙和活动连接，这就导致容易在各种不同部位产生漏风现象，且难以通过有效手段进行密封性检测。本发明提出的环冷机漏风故障在线诊断方法，针对漏风现象难以检测的问题，提出了通过台车声音采集和风机声音采集并对比的方式，为漏风故障提供判断依据。如图所示，在环冷机台车处安装若干声音信号采集器，作为现场传感器为在线故障诊断提供检测信号源；在环冷风机处安装若干声音信号采集器，作为主要干扰源对照信号。通过离线故障建模服务器对台车声音信号和风机声音信号的历史数据进行分析，构建环冷机漏风故障的诊断模型并进行参数优化。通过在线监控服务器，利用优化的漏风故障模型，对环冷生产实时数据进行分析和故障诊断。

本发明的工作流程见图2。该方法主要分为离线故障建模和在线故障诊断两个相关联的部分。本发明离线故障建模阶段的实施方法如下：首先，对各工况下环冷生产的台车声音信号和风机声音信号进行收集和整理，得到环冷声音历史样本库；然后对环冷声音历史样本库进行分析和建模，得到环冷漏风故障模型。本发明在线故障诊断阶段的实施方法如下：首先，对实时采集环冷生产声音数据进行采样和分析，得到在线生产样本；然后通过环冷漏风故障模型对在线生产样本进行监控和计算；最后，通过故障决策机制，对故障模型的结论进行最终判断，给出在线故障诊断结论。

基于频率特征的环冷机漏风故障离线建模阶段的流程图见图3：

第一步：采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据，通过采样和去噪，制备成离线建模样本,按照漏风故障情况，将样本集划分为正常数据集X_normal和漏风故障数据集X_fault，数据集中的台车声音样本和风机声音样本成对出现，并按照采集时间一一对应；

第二步：对正常数据集X_normal和漏风故障数据集X_fault分别进行时域-频域转换，得到正常工作频谱样本集和漏风故障频谱样本集；

第三步：在正常工作频谱样本集和漏风故障频谱样本集中，从台车声音频谱样本中滤除风机声音强度的影响，实施例可按照以下公式计算：s_ij＝s1_ij-α·s2_ij,其中i是频段代号，j是样本序号，s_ij是第j个样本消除风机干扰后的i频段声音强度，s1_ij是第j个样本i频段的台车声音强度，s2_ij是第j个样本i频段的风机声音强度，α是干扰系数。通过对每个样本进行计算，可以得到滤除风机干扰的正常工作频谱样本集和漏风故障频谱样本集；

第四步：对比滤除风机干扰的漏风故障频谱样本集与正常频谱样本集在不同频段上的强度差异，按照降序选出强度差异最大的k个频段，作为漏风故障特征频率集，记为F＝{f₁,…,f_k}，其中，f_i为第i个特征频率；

第五步：分析正常样本在特征频段中强度分布，采用统计参数估计的方法，按照人工设定的显著度α计算正常样本在特定频率f_i的强度分布置信上限UCL_i，将UCL_i作为该特征频率对应的强度阈值，从而得到特征频率对应的强度阈值集，记为TH＝{th₁,…,th_k}；

第六步：定义各特征频率对漏风故障的贡献率，记为Ω＝{ω₁,…,ω_k}，将特征频率f_i处的漏风故障贡献指标定义为表达式c_i＝G(s_i,th_i,ω_i)，定义环冷机漏风故障判据为

其中s_i为当前样本在特征频率f_i处的声音强度。设定根据训练数据集，通过遗传算法、人工神经网络等方法，优化和计算各特征频率对漏风故障的贡献率Ω＝{ω₁,…,ω_k}，从而确定环冷机漏风故障判据C的最优参数；其中，作为一个实施例：

通过以上6个步骤，就建立了基于频率特征的环冷机漏风故障的离线诊断模型。

基于频率特征的环冷机漏风故障在线诊断阶段的流程图见图4：

第一步：在环冷车间实时采集声音数据，通过采样和去噪，制备成成对的台车声音样本和风机声音样本；

第二步：对在线样本实时进行频谱分析，得到故障特征频率对应的台车声音强度集为S1_j＝{s1_j1,…,s1_jk}和风机声音强度集为S2_j＝{s2_j1,…,s2_jk}，其中，j为当前样本的序号，i为特征频率序号，s1_ji为当前样本第i个特征对应的台车声音强度，s2_ji为当前样本第i个特征对应的台车声音强度；

第三步：对当前样本，从台车声音频谱样本中滤除风机声音强度的影响，实施例可按照以下公式计算：s_ij＝s1_ij-α·s2_ij,其中i是频段代号，j是当前样本序号，s_ij是当前样本消除风机干扰后的i频段声音强度，s1_ij是当前样本i频段的台车声音强度，s2_ij是当前样本i频段的风机声音强度，α是干扰系数；

第四步：计算当前样本在特征频率f_i处的漏风故障贡献指标c_ji＝G(s_ji,th_i,ω_i)，将每个特征频率对应的漏风故障贡献指标累加，得到第j个在线样本的环冷机漏风故障判据

同样的，其中，作为一个实施例：

第五步：利用环冷机漏风故障判据C_j对环冷机在第j个时刻是否发生漏风故障进行诊断，可以采用的阈值判定或者模糊决策等多种方式作为环冷机漏风故障诊断的决策手段。

通过以上5个步骤，就实现了基于频率特征的环冷机漏风故障的在线诊断。

Claims (5)

1.一种基于频谱特征的环冷机漏风率检测方法，其特征在于，所述的方法包括下述步骤：

建立了基于频率特征的环冷机漏风故障的离线诊断模型；

基于离线诊断模型在线对环冷机声音采集数据进行故障诊断；

建立了基于频率特征的环冷机漏风故障的离线诊断模型的步骤包括：

21)制作环冷机正常工作频谱样本集和漏风故障频谱样本集；

22)对比漏风故障频谱样本集与正常频谱样本集在不同频段上的强度差异，按照降序选出强度差异最大的k个频段，作为漏风故障特征频率集，记为F＝{f₁，…，f_k}，其中，f_i为第i个特征频率；

23)分析正常样本在特征频段中强度分布，采用统计参数估计的方法，按照人工设定的显著度α计算正常样本在特定频率f_i的强度分布置信上限UCL_i，将UCL_i作为该特征频率对应的强度阈值，从而得到特征频率对应的强度阈值集，记为TH＝{th₁，…，th_k}；

24)定义各特征频率对漏风故障的贡献率，记为Ω＝{ω₁，…，ω_k}，将特征频率f_i处的漏风故障贡献指标定义为表达式c_i＝G(s_i，th_i，ω_i)，定义环冷机漏风故障判据为

其中s_i为当前样本在特征频率f_i处的声音强度；

基于离线诊断模型在线对环冷机声音采集数据进行故障诊断的步骤包括：

31)在环冷车间实时采集声音数据，通过采样和去噪，制备成成对的台车声音样本和风机声音样本；

32)对在线样本实时进行频谱分析，得到故障特征频率对应的台车声音强度集为S1_j＝{s1_j1，…，s1_jk}和风机声音强度集为S2_j＝{s2_j1，…，s2_jk}，其中，j为当前样本的序号，i为特征频率序号，s1_ji为当前样本第i个特征对应的台车声音强度，s2_ji为当前样本第i个特征对应的台车声音强度；

33)对当前样本，从台车声音频谱样本中滤除风机声音强度的影响；

34)计算当前样本在特征频率f_i处的漏风故障贡献指标c_ji＝G(s_ji，th_i，ω_i)，将每个特征频率对应的漏风故障贡献指标累加，得到第j个在线样本的环冷机漏风故障判据

35)利用环冷机漏风故障判据C_j对环冷机在第j个时刻是否发生漏风故障进行诊断。

2.如权利要求1所述的基于频谱特征的环冷机漏风率检测方法，其特征在于，制作环冷机正常工作频谱样本集和漏风故障频谱样本集的步骤包括：

41)采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据，通过采样和去噪，制备成离线建模样本，按照漏风故障情况，将样本集划分为正常数据集X_normal和漏风故障数据集X_fault，数据集中的台车声音样本和风机声音样本成对出现，并按照采集时间一一对应；

42)对正常数据集X_normal和漏风故障数据集X_fault分别进行时域-频域转换，得到正常工作频谱样本集和漏风故障频谱样本集。

3.如权利要求2所述的基于频谱特征的环冷机漏风率检测方法，其特征在于，还包括下述步骤：43)在正常工作频谱样本集和漏风故障频谱样本集中，从台车声音频谱样本中滤除风机声音强度的影响，得到滤除风机干扰的正常工作频谱样本集和漏风故障频谱样本集。

4.如权利要求1所述的基于频谱特征的环冷机漏风率检测方法，其特征在于，还包括步骤：

25)通过遗传算法或人工神经网络方法，优化和计算各特征频率对漏风故障的贡献率Ω＝{ω₁，…，ω_k}，从而确定烧结机漏风故障判据C的最优参数。

5.如权利要求1所述的基于频谱特征的环冷机漏风率检测方法，其特征在于，在步骤35)中，是采用的阈值判定或者模糊决策的方式作为烧结机漏风故障诊断的决策手段。

Images