CN109341780B - 一种多手段低成本风机故障监测方法 - Google Patents

Abstract

本发明公开了一种多手段低成本风机故障监测方法，(1)根据实际应用中风机的常见故障，定义风机故障状态集；(2)结合通用风机故障特征集模板，并利用目标风机已有故障数据优化故障特征集；(3)持续对风机的瞬时电流I、表面温度T、振动L信号进行采集，并分了别计算风机当前电流、温度、振动信号的特征值；(4)将计算得到的风机的电流、温度、振动信号的特征值，与风机故障特征集中各项进行匹配，如果匹配一致，则判定风机当前的故障状态为故障状态集匹配项所代表的故障状态。本发明通过对风机的电流、温度、振动信号进行监测分析，实现对风机故障的及时准确监测，具有成本低、易集成、使用难度小等特点。

Description

一种多手段低成本风机故障监测方法

技术领域

本发明涉及机械设备控制技术领域，具体涉及一种风机故障监测方法。

背景技术

电机风机是依靠输入的机械能，提高气体压力并排送气体的机械，它是一种从动的流体机械。通常所说的风机包括通风机，鼓风机，风力发电机等。风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却，锅炉和工业炉窑的通风和引风；以及污水处理系统中的曝气；自来水处理系统中的反吹清洗等。

目前市场上已经存在部分风机故障监测系统，例如，公开号为CN 103953509A的中国发明专利申请文献公开了一种风机监测方法，包括以下步骤：监测中心比较接收到同一区域的风机的控制器发来的信息，当监测中心收到的信息为部分风机在设定的时间段内发电量>0,部分风机在设定的时间段内发电量＝0时，监测中心启动故障鉴定程序；故障监测器根据监测中心发来的监测指令对风机进行监测；监测中心根据故障监测器发来的信息生成显示风机不存在的故障警告信息或显示风机叶片不转刹车的正常信息或显示风机叶片不转但风机未刹车的故障警告信息。

但是目前的监测系统是与特定风机组合生产、销售的，且需要配合专用的电脑软件使用，具有采购成本高、集成使用难度大的特点；同时目前针对电机和风机的故障监测方法，大多局限在采集风机的振动或电流等单个特征量数据分析，然后配合专家平台或复杂的故障诊断模型来进行实现，虽然判断精确度较高，但针对中低端的风机实用性不佳；传统的风机故障诊断主要关注风机的内部故障，例如转子不平衡、转子不对中、喘振、油膜涡动、转子径向摩擦、轴承故障等，专业性较强，对中低风机的工业应用的维护人员来说使用难度大且实用性不强，其重点关注的主要是发生频次较高的外部因素导致的设备故障，避免风机长期运行在非正常状态致使风机严重损坏的事件发生。

现有传统的风机故障诊断方法无法满足此类应用需求，同时对于设备维护人员来说使用难度大且实用性不强，因此大多数常规民用工业系统中的风机故障主要靠人工定期巡检和停车检修的方法来维护，这使得风机使用过程中的不易发现的故障(如：风机进风不畅、风机出风不畅、风机散热不佳)不能被及时发现，致使风机长时间工作在半故障状态直致严重损坏。同时，传统风机故障监测系统和方法，往往要配合复杂的模型算法和专家系统使用，需要配有专门的硬件设备或电脑，使用和维护成本很高，这也是多数中低端风机工业应用项目无法接受的。所以现有的风机故障监测系统和方法的针对性太强，且应用成本高、难度大，无法满足常规民用风机应用系统的使用需求。

发明内容

本发明提供一种风机故障监测方法，通过对风机的电流、温度、振动信号进行监测分析，实现对风机故障的及时准确监测，具有成本低、易集成、使用难度小等特点。

本发明利用传感器技术，通过对风机温度、电流和振动信号的持续采集和分析，快速判定风机的运行状态，有效解决了传统风机应用中，中低端风机故障不易被检测和专有检测装置功能实现成本高等问题，有效降低了相关应用系统的使用和维护成本，同时可以提高应用系统的稳定性。

检测方法步骤如下：

(1)根据实际应用中风机的常见故障，定义风机故障状态集；

(2)根据实际应用需求，定义故障的最小识别周期和一次故障检测周期，并计算重复采样次数，单次采样周期，单次采样点数；

(3)结合通用风机故障特征集模板，并利用目标风机已有故障数据优化故障特征集；

(4)持续对风机的瞬时电流I、表面温度T、振动L信号进行采集，并分了别计算风机当前电流、温度、振动信号的特征值；

(5)将计算得到的风机的电流、温度、振动信号的特征值，与风机故障特征集中各项进行匹配，如果匹配一致，则判定风机当前的故障状态为故障状态集匹配项所代表的故障状态。

具体地，一种风机故障监测方法，包括如下步骤：

一种风机故障监测方法，包括如下步骤：

(1)采集步骤，持续采集所述风机的瞬时电流I、表面温度T、振动L信号；

(2)匹配步骤，分别计算风机当前电流、温度、振动信号的特征值μ和λ，进而得到当前的风机运行特征值{a_i,b_i}，其中a_i＝{μ_I,μ_L,μ_T}，μ_I为电流特征值，μ_L为振动特征值，μ_T为温度特征值；

b_i＝{λ_I,λ_L,λ_T}，λ_I为电流特征值，λ_L为振动特征值，λ_T为温度特征值；

μ和λ计算方法如下式：

式中，X_j,i表示当前故障检测周期内第i次采样值，X_j-1,i表示前一个故障检测周期内第i次采样值,一次采样值X的计算方法如下式：

式中，x_m为单次采样周期内第m个采样信号点数据，k为单次采样点数；

X_j,i表示当前故障检测周期内第i次采样值，

X_j-1,i表示前一个故障检测周期内第i次采样值，

表示当前故障检测周期内m次采样值的平均值，

表示前一个故障检测周期内m次采样值的平均值。

计算电流特征值时公式中带入电流采样值，计算温度特征时公式中带入温度采样值，计算振动特征值时公式中带入振动采集值。

优选地，单次采样点数k的计算方法如下：

(a)故障的最小识别周期为T，单位为秒，则一次故障检测周期

(b)计算重复采样次数m：

式中Z为置信区间，S为采样标准差值，θ为平衡系数，e为传感器的测量误差值；

(c)计算单次采样周期为t，单位为秒：

(d)计算单次采样点数k：

式中，σ为单次采样周期中两个采样点的间隔时间。

进一步优选地，重复采样次数m计算中：Z取值为1.8～2.0；S取值为0.4～0.6；平衡系数k取值为22～25；e取电流、温度和振动传感器中测量误差值最小的值。

更进一步优选地，重复采样次数m计算中：Z取值为1.96；S取值为0.5；平衡系数k取值为23；e取电流、温度和振动传感器中测量误差值最小的值。

进一步优选地，故障的最小识别周期T为200～500s。

进一步优选地，σ取值为0.8～1.5s；更进一步优选地，σ取值为1s。

(3)评价步骤：将计算得到的特征值{a_i,b_i}与风机故障特征集I中各项进行匹配，如当前风机的运行特征值与故障状态特征f_i匹配一致，则判定风机当前的故障状态为与风机故障特征集对应的故障状态集U中F_i所代表的故障状态。

优选地，所述风机故障特征集I＝{f₁，f₂，f_i…,f_n}，i为故障状态的序号，n为故障状态的数量；其中f_i＝{a_i,b_i}；a_i＝{μ_I,μ_L,μ_T}，μ_I为电流特征值，μ_L为振动特征值，μ_T为温度特征值；b_i＝{λ_I,λ_L,λ_T}，λ_I为电流特征值，λ_L为振动特征值，λ_T为温度特征值。

与风机故障特征集对应的故障状态集U＝{F₁，F₂，F_i…,F_n}，式中F_i表示一种故障状态，i＝1，2…n，i为故障状态的序号，n为故障状态的数量，根据实际应用中风机的常见故障，进行定义。

采用现有的常规方法从故障状态提取对应的故障特征值，一种优选的举例，故障状态集U如表1所示，对应的风机故障特征集I如表2所示。

优选地，所述瞬时电流I、表面温度T和振动L信号分别采用对应的传感器进行检测。

所述的瞬时电流是指由温度传感器采集到的图1所示电机电源回路中的瞬时电流值；所述的表面温度是指图1所示风机外壳表面的温度；所述的振动L信号是指由振动传感器采集到的图1所示风机的振动值。

本发明方法通过对风机的电流、温度、振动信号进行监测分析，实现对风机故障的及时准确监测，具有成本低、易集成、使用难度小等特点，通过使用本专利所述风机故障检测方法和装置，可以有效降低各类风机应用系统中的风机设备故障态运行时间，提高系统的设备故障管理水平，增加系统运行稳定性，降低系统维护和运行成本。

与现有技术相比，本发明具有如下有益效果：

(1)本发明方法对应的是常规民用系统中的中低端风机应用故障主要靠人工定期巡检和停车检修的方法来维护这种应用现状，风机使用过程中不易发现的故障(如：风机进风不畅、风机出风不畅、风机散热不佳)不能被及时发现和处理，致使风机长时间工作在半故障状态直致严重损坏。针对目前已有电机和风机的故障监测方法，大都采集风机的振动或电流等单个特征量数据分析，然后配合专家平台或复杂的故障诊断模型(神经网络或向量机等)来进行实现，虽然判断精确度较高，但针对中低端的风机实用性不佳。本发明通过三个参数组合形成的故障特征描述方式，可以更全面的描述和判别当前的故障状态，同时也不需要复杂的专家平台，只需要简单的状态匹配就可以实现。

(2)现有传统的风机故障诊断方法主要关注大型风机的内部故障，例如转子不平衡、转子不对中、喘振、油膜涡动、转子径向摩擦、轴承故障等，专业性较强，而对于中低端风机工业应用项目的设备维护人员来说，其重点关注的主要是发生频次较高的外部因素导致的设备故障，避免风机长期运行在非正常状态致使风机严重损坏的事件发生。本发明所述三参数组合故障诊断方法可以快速识别中低端风机使用过程中因外部因素导致的故障，有效解决了因外部因素导致中低端风机故障不易被发现的问题。

综上，本发明所述风机故障监测方法可以快速识别中低端风机使用过程中因外部因素导致的故障，有效解决了因外部因素导致中低端风机故障不易被发现的问题。同时本发明所述风机故障监测方法计算过程占用计算资源少，无需配置专门的计算机和设备，使用过程中可直接将传感器接入已有的工业控制系统，具有集成难度低，实用性强，有效解决了现有专用风机故障检测装置和系统实现成本高的问题，可以有效降低了相关应用系统的使用和维护成本，同时可以提高应用系统的稳定性。

附图说明

图1是本发明方法适用风机的简化模块图。

图中所示附图标记如下：

1-电机 2-第一轴承 3-联轴器

4-第二轴承 5-风机 6-固定底座

具体实施方式

本发明方法适用风机的简化模块图如图1所示，温度传感器、振动传感器安装在5所代表的风机部位。

实施例1

本实施例所述的故障监测对象为某污水处理厂项目所用的7.5kW鼓风机，具体方法包括如下：

1)根据应用中风机的常见的5种故障，定义风机故障状态集为U＝{F₁，F₂，F₃，F₄，F₅，F₆}，其中各故障状态说明如表1所示。

表1

2)根据污水处理应用需求，定义故障的最小识别周期T为300秒，则一次故障检测周期T′为150秒，Z取值为1.96，S为采样标准差值取值为0.5，θ为平衡系数取值为23，e取电流、温度和振动三个传感器中测量误差的最小值为2％，根据式2计算得到单次采样周期为t为13秒。

(1)根据下面式1计算得到重复采样次数m为11；

(2)根据式2计算得到单次采样周期为t为13秒；

(3)根据式3，单次采样周期中两个采样点的间隔时间σ取值为2秒，计算得到单次采样点数k为7。

3)利用通用风机故障特征集模板，并结合公司已有的目标风机故障数据和经验，对通用风机故障特征集模板数据进行优化，得到风机故障特征集如表2所示，其中fi风机故障特征状态标识，每个故障状态特征fi包括ai和bi两个特征，μI为ai特征项中的电流特征值，μL为ai特征项中的振动特征值，μT为ai特征项中的温度特征值；λI为bi特征项中的电流特征值，λL为bi特征项中的振动特征值，λT为bi特征项中的温度特征值。

表2

注：表中“-”表示该特征值不作判断。

4)持续对风机的瞬时电流I、表面温度T、振动L信号进行采集，其中采集得到的振动的原始数据如表3所示，并分别按下面公司计算风机当前电流、温度、振动信号的特征值μ和λ，计算结果如表4所示。

式中，X_j,i表示当前故障检测周期内第i次采样值，X_j-1,i表示前一个故障检测周期内第i次采样值,一次采样值X的计算方法如下式：

式中，x_m为单次采样周期内第m个采样信号点数据，k为单次采样点数；

表3

表4

5)将计算得到的风机当前采样计算得到的电流、温度、振动信号的特征值，与风机故障特征集I中各项进行匹配，当前风机的运行特征与故障状态特征f₁匹配一致，则判定风机当前的故障状态为故障状态集U中F₁所代表的故障状态，即风机排气管或进气口堵塞。

以上所述仅为本发明专利的具体实施案例，但本发明专利的技术特征并不局限于此，任何相关领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (8)

1.一种风机故障监测方法，其特征在于，包括如下步骤：

(1)持续采集所述风机的瞬时电流I、表面温度T、振动L信号；

(2)分别计算风机当前电流、表面温度、振动信号的特征值μ和λ，进而得到当前的风机运行特征值{a_i,b_i}，其中a_i＝{μ_I,μ_L,μ_T}，μ_I为电流特征值，μ_L为振动特征值，μ_T为温度特征值；b_i＝{λ_I,λ_L,λ_T}，λ_I为电流特征值，λ_L为振动特征值，λ_T为温度特征值；

μ和λ计算方法如下式：

式中，X_j,i表示当前故障检测周期内第i次采样值，X_j-1,i表示前一个故障检测周期内第i次采样值，一次采样值X的计算方法如下式：

式中，x_m为单次采样周期内第m个采样信号点数据，k为单次采样点数；

式中，

X_j,i表示当前故障检测周期内第i次采样值，

X_j-1,i表示前一个故障检测周期内第i次采样值，

表示当前故障检测周期内m次采样值的平均值，

表示前一个故障检测周期内m次采样值的平均值；

(3)将计算得到的特征值{a_i,b_i}与风机故障特征集I中各项故障状态特征进行匹配，如当前风机的运行特征值与故障状态特征f_i匹配一致，则判定风机当前的故障状态为与风机故障特征集对应的故障状态集U中F_i所代表的故障状态；

所述风机故障特征集I＝{f₁，f₂，f_i…,f_n}，i为故障状态的序号，n为故障状态的数量；其中f_i＝{a_i,b_i}；a_i＝{μ_I,μ_L,μ_T}，μ_I为电流特征值，μ_L为振动特征值，μ_T为温度特征值；b_i＝{λ_I,λ_L,λ_T}，λ_I为电流特征值，λ_L为振动特征值，λ_T为温度特征值；

与风机故障特征集对应的故障状态集U＝{F₁，F₂，F_i…,F_n}，式中F_i表示一种故障状态，i＝1，2…n，i为故障状态的序号，n为故障状态的数量。

2.根据权利要求1所述风机故障监测方法，其特征在于，单次采样点数k的计算方法如下：

(a)故障的最小识别周期为T，单位为秒，则一次故障检测周期

(b)计算重复采样次数m：

式中Z为置信区间，S为采样标准差值，θ为平衡系数，e为传感器的测量误差值；

(c)计算单次采样周期为t，单位为秒：

(d)计算单次采样点数k：

式中，σ为单次采样周期中两个采样点的间隔时间。

3.根据权利要求2所述风机故障监测方法，其特征在于，重复采样次数m计算中：Z取值为1.8～2.0；S取值为0.4～0.6；平衡系数k取值为22～25；e取电流、温度和振动传感器中测量误差值最小的值。

4.根据权利要求3所述风机故障监测方法，其特征在于，重复采样次数m计算中：Z取值为1.96；S取值为0.5；平衡系数k取值为23；e取电流、温度和振动传感器中测量误差值最小的值。

5.根据权利要求2所述风机故障监测方法，其特征在于，故障的最小识别周期T为200～500s。

6.根据权利要求2所述风机故障监测方法，其特征在于，σ取值为0.8～1.5s。

7.根据权利要求2所述风机故障监测方法，其特征在于，σ取值为1s。

8.根据权利要求1所述风机故障监测方法，其特征在于，所述瞬时电流I、表面温度T和振动L信号分别采用对应的传感器进行检测。

Images