CN112284512A - 一种电容式振动传感器及电厂风机诊断系统和方法 - Google Patents
一种电容式振动传感器及电厂风机诊断系统和方法 Download PDFInfo
- Publication number
- CN112284512A CN112284512A CN202011112735.5A CN202011112735A CN112284512A CN 112284512 A CN112284512 A CN 112284512A CN 202011112735 A CN202011112735 A CN 202011112735A CN 112284512 A CN112284512 A CN 112284512A
- Authority
- CN
- China
- Prior art keywords
- vibration
- lead
- hidden layer
- fan
- value
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011347 resin Substances 0.000 claims abstract description 37
- 229920005989 resin Polymers 0.000 claims abstract description 37
- 239000003990 capacitor Substances 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 10
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 235000009413 Ratibida columnifera Nutrition 0.000 claims description 3
- 241000510442 Ratibida peduncularis Species 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开的一种电容式振动传感器，包括有壳体，壳体内顶板与底板之间由上至下设置有依次连接的第一绝缘垫片、上弹簧、第二绝缘垫片、第一导电棒、第三绝缘垫片、下弹簧及第四绝缘垫片，壳体内的底板上还设置有树脂支柱，树脂支柱顶部设置有第二导电棒，第一导电棒与第二导电棒相互平行，第一导电棒与第二导电棒之间还设置有相互平行的三个电容极板，壳体的底板上还设置有引线端子单元，引线端子单元上引出四个导线，具体为：第一导线接地，第二导线与第一导电棒相连，第三导线与电容极板A的一端相连，第四导线与电容极板C的一端相连。该传感器能够实现对风机振动信号数据的采集。本发明还公开了电厂风机诊断系统及方法。
Description
技术领域
本发明属于电力设备状态监测技术领域，具体涉及一种电容式振动传感器，还涉及基于该电容式振动传感器的电厂风机诊断系统及电厂风机诊断方法。
背景技术
近年来，我国电力系统运行规模不断扩大，保障电力系统各电气设备的正常运行变得至关重要。随着产业的不断升级，对风机的要求越来越高，尤其是在风机的效率、安全和性能等方面有了更高的要求，这使得风机设备的自动化程度更高，构造更加复杂，功能更加多样化。
而风机在正常工作中会有振动信号产生，但是风机的振动超标后，会引起轴承座或电机轴承的损坏、电机地脚螺栓松动、风机机壳、叶片和风道损坏、电机烧损发热等故障，使风机工作性能降低，影响正常工作。严重的可能因振动造成事故，危害人身健康及工作环境。
研究表明，常见的风机故障可由振动信号判断得出，具体通过对振动信号的采集分析以及故障的诊断，可以使运维人员快速的判断出风机故障的产生部位，有助于风机维修计划的制定，此方法在电厂风机运维领域有较大的应用前景。
发明内容
本发明的第一个目的是提供一种电容式振动传感器，能够实现对风机振动信号数据的采集。
本发明的第二个目的是提供一种电厂风机诊断系统，能够实现风机振动故障的智能诊断。
本发明的第三个目的是提供一种电厂风机诊断方法，能够实现风机振动故障的智能诊断，为风机运维提供依据。
本发明所采用的第一个技术方案是，一种电容式振动传感器，包括有壳体，壳体内顶板与底板之间由上至下设置有依次连接的第一绝缘垫片、上弹簧、第二绝缘垫片、第一导电棒、第三绝缘垫片、下弹簧及第四绝缘垫片，壳体内的底板上还设置有树脂支柱，树脂支柱顶部设置有第二导电棒，第一导电棒与第二导电棒相互平行，第一导电棒与第二导电棒之间还设置有相互平行的三个电容极板，由上至下依次为：电容极板A、电容极板B及电容极板C，电容极板A与电容极板C的一端均与第二导电棒相连，电容极板B的一端与第一导电棒相连；壳体的底板上还设置有引线端子单元，引线端子单元上引出四个导线，具体为：第一导线接地，第二导线与第一导电棒相连，第三导线与电容极板A的一端相连，第四导线与电容极板C的一端相连。
本发明的特征还在于，
壳体内的顶板上设置有上限位树脂A及上限位树脂B，上弹簧位于上限位树脂A与上限位树脂B之间；壳体内的底板上设置有下限位树脂A及下限位树脂B，下弹簧位于下限位树脂A与下限位树脂B之间。
引线端子单元包括有四个引线端子，第一导线、第二导线、第三导线及第四导线的一端分别与四个引线端子相连。
本发明所采用的第二个技术方案是，一种电厂风机诊断系统，包括有依次连接的上述的电容式振动传感器、动态滤波电路、调零电路、CDC模块、STM32F103芯片及SD卡模块，STM32F103芯片还连接有RS485通信模块，RS485通信模块上连接有上位机，还包括有电源电路，电源电路为电容式振动传感器、动态滤波电路、调零电路、CDC模块、STM32F103芯片、SD卡模块、RS485通信模块供电。
本发明所采用的第三个技术方案是，一种电厂风机诊断方法，采用上述的一种电厂风机诊断系统，具体包括以下步骤：
步骤1、对电容式振动传感器进行标定，应用小波神经网络对电容式振动传感器进行标定，首先将采集到的实验平台振动源的频率f与实验平台振动源的振动加速度a，作为总样本集；
步骤2、对总样本集进行归一化处理，归一化后的数据znorm具体如下：
上式中，o＝1,2,分别代表实验平台振动源的频率f与实验平台振动源的振动加速度a，zmax、zmin分别为采集到的振动频率f或振动加速度a的最大值和最小值；
步骤3、初始化小波神经网络模型：输入层将归一化后的数据输入隐含层，则确定隐含层的第v个小波元输入Rv为：
其中，Xu为第u个输入层的输入，Wuv为输入层节点u与隐含层输入节点v的权值，u＝1,2,3,...,E，E为输入层总节点个数，v＝1,2,3,...,t，t为隐含层小波元总个数；
确定Mexican Hat函数为隐含层小波基函数H(S)，其表达式为：
上式中S为隐含层小波基函数的未知数；
确定隐含层第v个小波元输出cv为：
其中，Av为隐含层第v个节点小波基函数的尺度参数，Bv为隐含层第v个节点小波基函数的位移参数；
输出层第V个节点的输出YV为：
其中，WvV为连接隐含层节点v和输出层节点V的权值，V为输出层节点的个数，V＝1,2,3,...,O，O为输出层总结点个数；
步骤4、以YV为小波神经网络的输出结果完成的小波神经网络的初始化，YV即为预测的传感器输出Z；
确定训练次数为number，代入总样本开始训练，当达到训练次数时训练结束，记录并在小波神经网络中替换最优的传感器输出值时候的小波神经网络参数值隐含层输入权值Wuv、隐含层输出权值WvV、尺度参数Av、位移参数Bv。再输入新的采集数据，经过小波神经网络后得到新的传感器输出值，与最优传感器输出值对比，验证标定的准确性。若验证的传感器输出值准确性大于90％，则将矫正后的小波神经网络模型存储起来，标定结束；
步骤5、将标定好的电容式振动传感器安装在风机轴承外壳上，电容式振动传感器采集到风机振动信号后，首先通过动态滤波电路降噪来提高信号精度，然后通过调零电路对振动信号的分量进行提取与放大以及系统的调零，再通过CDC模块将电容量转换为数字量，输入到STM32F103芯片中进行计算；
步骤6、在STM32F103芯片中进行的数据计算：选取一段长度为N个点的信号序列，其中N＝2M,M为正整数；
步骤7、按照序号n的奇偶将序列y(n)分成两组，n＝0,1,2,...,N-1，即令n＝2r以及n＝2r+1，r＝0,1,2,...,N/2-1，用快速傅里叶变换对信号序列的时域y(n)转换为频域X(k)：
上式，X(k)为在k点的频域值，k＝0,1,2,...,N-1，y(n)为在n点的时域值，n＝0,1,2,...,N-1，y(2r)为y(n)在2r点的时域值，y(2r+1)为y(n)在2r+1点的时域值，ω为圆频率，
指时域的因子，
指频域的因子，
为转动因子；
上式中
而式(6)仅为X(k)前半部分的结果，根据对称性，X(k)的后半部分X(k+N/2)为：
上式中，X(k+N/2)为在k+N/2点的频域值；
步骤8、通过快速傅里叶变换处理得到的信号序列频谱数据X(k)与X(k+N/2)保存在SD卡模块中，同时将频谱数据通过RS485模块上传到上位机中，将频谱数据与振动监测评估标准ISO10816进行对比，进行风机运行状态识别，判断风机属于正常、待定、需要检修、随时损坏四种状态中的哪一种，并及时进行故障预警。
本发明的有益效果是：
(1)本发明的电容式振动传感器利用风机振动信号特性，通过电容式振动传感器测量振动信号，进而对振动信号进行分析，实现对风机运行状态的判定。
(2)本发明采用的电容式振动传感器采用变极距型传感器，内部通过固定极板电容极板A与活动极板电容极板B之间距离变化来确定电容变化的大小，从而判断电机的工作状态。
(3)风机的转速会引起转轴的振动信号频率有一定的带宽，此带宽可以分为正常工作范围内和范围外。在进行采集风机的振动信号时，带宽外的干扰信号会混杂着有用的信号，导致有用信号出现偏差，因此本发明系统采用八阶椭圆形抗混叠低通滤波器作为动态滤波电路来解决带宽外的电机振动干扰信号问题。
(4)本发明的电容式振动传感器，将其用于风机振动状态监测，监测效果良好。且采集装置的主芯片采用STM32F013，具有较强的计算能力可以完成一些复杂的数据计算。通过检测的风机振动幅值数据，通过特征提取与模型的诊断预警，有助于运维人员快速判断出风机故障发生的部位与原因，进而提出相应的运维方案，此方法在电厂风机运维市场上具有较大的应用前景。
(5)本发明方法的诊断模型主要通过设备参数接入，特征提取，故障分类等步骤实现对风机运行故障的诊断与预警。智能化程度高，反应速度快，可迅速针对异常运行状态提出告警，有助于电厂风机的运维工作。
附图说明
图1是本发明一种电容式振动传感器的结构示意图；
图2是本发明一种电厂风机诊断系统的系统框图；
图3是本发明方法中的风机诊断故障诊断流程图；
图4是本发明方法中的小波神经网络结构图；
图5是本发明方法中的基于小波神经网络的传感器标定流程图。
图中，1.壳体，2.第一绝缘垫片，3.上弹簧，4.第二绝缘垫片，5.第一导电棒，6.第三绝缘垫片，7.下弹簧，8.第四绝缘垫片，9.树脂支柱，10.第二导电棒，11.电容极板A，12.电容极板B，13.电容极板C，14.引线端子单元，15.上限位树脂A，16.上限位树脂B，17.下限位树脂A，18.下限位树脂B，19.引线端子，20.调零电路，21.CDC模块，22.STM32F103芯片，23.SD卡模块，24.RS485通信模块，25.动态滤波电路，26.上位机，27.电源电路，28.电容式振动传感器。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种电容式振动传感器，如图1所示，包括有壳体1，壳体1内顶板与底板之间由上至下设置有依次连接的第一绝缘垫片2、上弹簧3、第二绝缘垫片4、第一导电棒5、第三绝缘垫片6、下弹簧7及第四绝缘垫片8，壳体1内的底板上还设置有树脂支柱9，树脂支柱9顶部设置有第二导电棒10，第一导电棒5与第二导电棒10相互平行，第一导电棒5与第二导电棒10之间还设置有相互平行的三个电容极板，由上至下依次为：电容极板A11、电容极板B12及电容极板C13，电容极板A11与电容极板C13的一端均与第二导电棒10相连，电容极板B12的一端与第一导电棒5相连；壳体1的底板上还设置有引线端子单元14，引线端子单元14上引出四个导线，具体为：第一导线14-1接地，第二导线14-2与第一导电棒5相连，第三导线14-3与电容极板A11的一端相连，第四导线14-4与电容极板C13的一端相连。
壳体1内的顶板上设置有上限位树脂A15及上限位树脂B16，上弹簧3位于上限位树脂A15与上限位树脂B16之间；壳体1内的底板上设置有下限位树脂A17及下限位树脂B18，下弹簧7位于下限位树脂A17与下限位树脂B18之间。
引线端子单元14包括有四个引线端子19，第一导线14-1、第二导线14-2、第三导线14-3及第四导线14-4的一端分别与四个引线端子19相连。
本发明还提供一种电厂风机诊断系统，如图2所示，包括有依次连接的上述的电容式振动传感器28、动态滤波电路25(动态滤波电路25通过导线与电容式振动传感器28的引线端子连接)、调零电路20、CDC模块21、STM32F103芯片22及SD卡模块23，STM32F103芯片22还连接有RS485通信模块24，RS485通信模块24上连接有上位机26，还包括有电源电路27，电源电路27为电容式振动传感器28、动态滤波电路25、调零电路20、CDC模块21、STM32F103芯片22、SD卡模块23、RS485通信模块24供电。
本发明还提供一种电厂风机诊断方法，采用上述一种电厂风机诊断系统，采用快速傅里叶变换对经过滤波电路、调零电路、CD转换后的振动信号时域值进行转换，将结果保存在SD卡中并上传到上位机进行故障诊断和故障预警，诊断过程如图3所示。为了提高传感器的测量精度，必须在使用前对传感器进行标定。本发明中采用小波神经网络进行标定，通过频率、测量值和实际振动位移的数据样本，训练小波神经网络。图4是传感器标定方法中的小波神经网络结构图，其中f为实验平台振动源的振动频率、a为实验平台振动源的振动加速度、Z为传感器的输出；具体包括以下步骤：
步骤1、对电容式振动传感器28进行标定，应用小波神经网络对电容式振动传感器进行标定，如图5所示，首先将采集到的实验平台振动源的频率f与实验平台振动源的振动加速度a，作为总样本集；
步骤2、对总样本集进行归一化处理，归一化后的数据znorm具体如下：
上式中，o＝1,2,分别代表实验平台振动源的频率f与实验平台振动源的振动加速度a，zmax、zmin分别为采集到的振动频率f或振动加速度a的最大值和最小值；
步骤3、初始化小波神经网络模型
输入层将归一化后的数据输入隐含层，则确定隐含层的第v个小波元输入Rv为：
其中，Xu为第u个输入层的输入，Wuv为输入层节点u与隐含层输入节点v的权值，u＝1,2,3,...,E，E为输入层总节点个数，v＝1,2,3,...,t，t为隐含层小波元总个数；
确定Mexican Hat函数为隐含层小波基函数H(S)，其表达式为：
上式中S为隐含层小波基函数的未知数；
确定隐含层第v个小波元输出cv为：
其中，Av为隐含层第v个节点小波基函数的尺度参数，Bv为隐含层第v个节点小波基函数的位移参数；
输出层第V个节点的输出YV为：
其中，WvV为连接隐含层节点v和输出层节点V的权值，V为输出层节点的个数，V＝1,2,3,...,O，O为输出层总结点个数；
步骤4、以YV为小波神经网络的输出结果完成的小波神经网络的初始化，YV即为预测的传感器输出Z；
确定训练次数为number，代入总样本开始训练，当达到训练次数时训练结束，记录并在小波神经网络中替换最优的传感器输出值时候的小波神经网络参数值隐含层输入权值Wuv、隐含层输出权值WvV、尺度参数Av、位移参数Bv。再输入新的采集数据，经过小波神经网络后得到新的传感器输出值，与最优传感器输出值对比，验证标定的准确性。若验证的传感器输出值准确性大于90％，则将矫正后的小波神经网络模型存储起来，标定结束；
步骤5、将标定好的电容式振动传感器28安装在风机轴承外壳上，电容式振动传感器28采集到风机振动信号后，首先通过动态滤波电路25降噪来提高信号精度，然后通过调零电路20对振动信号的分量进行提取与放大以及系统的调零，再通过CDC模块21将电容量转换为数字量，输入到STM32F103芯片22中进行计算；
步骤6、在STM32F103芯片22中进行的数据计算：选取一段长度为N个点的信号序列，其中N＝2M,M为正整数；
步骤7、按照序号n的奇偶将序列y(n)分成两组，n＝0,1,2,...,N-1，即令n＝2r以及n＝2r+1，r＝0,1,2,...,N/2-1，用快速傅里叶变换对信号序列的时域y(n)转换为频域X(k)：
上式，X(k)为在k点的频域值，k＝0,1,2,...,N-1，y(n)为在n点的时域值，n＝0,1,2,...,N-1，y(2r)为y(n)在2r点的时域值，y(2r+1)为y(n)在2r+1点的时域值，ω为圆频率，
指时域的因子，
指频域的因子，
为转动因子；
上式中
而式(6)仅为X(k)前半部分的结果，根据对称性，X(k)的后半部分X(k+N/2)为：
上式中，X(k+N/2)为在k+N/2点的频域值；
步骤8、通过快速傅里叶变换处理得到的信号序列频谱数据X(k)与X(k+N/2)保存在SD卡模块23中，同时将频谱数据通过RS485模块24上传到上位机26中，将频谱数据与振动监测评估标准ISO10816进行对比，进行风机运行状态识别，判断风机属于正常、待定、需要检修、随时损坏四种状态中的哪一种，并及时进行故障预警。
Claims (5)
1.一种电容式振动传感器，其特征在于，包括有壳体(1)，所述壳体(1)内顶板与底板之间由上至下设置有依次连接的第一绝缘垫片(2)、上弹簧(3)、第二绝缘垫片(4)、第一导电棒(5)、第三绝缘垫片(6)、下弹簧(7)及第四绝缘垫片(8)，壳体(1)内的底板上还设置有树脂支柱(9)，树脂支柱(9)顶部设置有第二导电棒(10)，第一导电棒(5)与第二导电棒(10)相互平行，第一导电棒(5)与第二导电棒(10)之间还设置有相互平行的三个电容极板，由上至下依次为：电容极板A(11)、电容极板B(12)及电容极板C(13)，电容极板A(11)与电容极板C(13)的一端均与第二导电棒(10)相连，电容极板B(12)的一端与第一导电棒(5)相连；壳体(1)的底板上还设置有引线端子单元(14)，引线端子单元(14)上引出四个导线，具体为：第一导线(14-1)接地，第二导线(14-2)与第一导电棒(5)相连，第三导线(14-3)与电容极板A(11)的一端相连，第四导线(14-4)与电容极板C(13)的一端相连。
2.根据权利要求1所述的一种电容式振动传感器，其特征在于，壳体(1)内的顶板上设置有上限位树脂A(15)及上限位树脂B(16)，上弹簧(3)位于上限位树脂A(15)与上限位树脂B(16)之间；壳体(1)内的底板上设置有下限位树脂A(17)及下限位树脂B(18)，下弹簧(7)位于下限位树脂A(17)与下限位树脂B(18)之间。
3.根据权利要求2所述的一种电容式振动传感器，其特征在于，引线端子单元(14)包括有四个引线端子(19)，第一导线(14-1)、第二导线(14-2)、第三导线(14-3)及第四导线(14-4)的一端分别与四个引线端子(19)相连。
4.一种电厂风机诊断系统，其特征在于，包括有依次连接的如权利要求3所述的电容式振动传感器(28)、动态滤波电路(25)、调零电路(20)、CDC模块(21)、STM32F103芯片(22)及SD卡模块(23)，STM32F103芯片(22)还连接有RS485通信模块(24)，RS485通信模块(24)上连接有上位机(26)，还包括有电源电路(27)，电源电路(27)为电容式振动传感器(28)、动态滤波电路(25)、调零电路(20)、CDC模块(21)、STM32F103芯片(22)、SD卡模块(23)、RS485通信模块(24)供电。
5.一种电厂风机诊断方法，采用如权利要求4所述的一种电厂风机诊断系统，其特征在于，具体包括以下步骤：
步骤1、对电容式振动传感器(28)进行标定，应用小波神经网络对电容式振动传感器(28)进行标定，首先将采集到的实验平台振动源的频率f与实验平台振动源的振动加速度a，作为总样本集；
步骤2、对总样本集进行归一化处理，归一化后的数据znorm具体如下：
上式中，o＝1,2,分别代表实验平台振动源的频率f与实验平台振动源的振动加速度a，zmax、zmin分别为采集到的振动频率f或振动加速度a的最大值和最小值；
步骤3、初始化小波神经网络模型：输入层将归一化后的数据输入隐含层，则确定隐含层的第v个小波元输入Rv为：
其中，Xu为第u个输入层的输入，Wuv为输入层节点u与隐含层输入节点v的权值，u＝1,2,3,...,E，E为输入层总节点个数，v＝1,2,3,...,t，t为隐含层小波元总个数；
确定Mexican Hat函数为隐含层小波基函数H(S)，其表达式为：
上式中S为隐含层小波基函数的未知数；
确定隐含层第v个小波元输出cv为：
其中，Av为隐含层第v个节点小波基函数的尺度参数，Bv为隐含层第v个节点小波基函数的位移参数；
输出层第V个节点的输出YV为：
其中，WvV为连接隐含层节点v和输出层节点V的权值，V为输出层节点的个数，V＝1,2,3,...,O，O为输出层总结点个数；
步骤4、以YV为小波神经网络的输出结果完成的小波神经网络的初始化，YV即为预测的传感器输出Z；
确定训练次数为number，代入总样本开始训练，当达到训练次数时训练结束，记录并在小波神经网络中替换最优的传感器输出值时候的小波神经网络参数值隐含层输入权值Wuv、隐含层输出权值WvV、尺度参数Av、位移参数Bv。再输入新的采集数据，经过小波神经网络后得到新的传感器输出值，与最优传感器输出值对比，验证标定的准确性。若验证的传感器输出值准确性大于90％，则将矫正后的小波神经网络模型存储起来，标定结束；
步骤5、将标定好的电容式振动传感器(28)安装在风机轴承外壳上，电容式振动传感器(28)采集到风机振动信号后，首先通过动态滤波电路(25)降噪来提高信号精度，然后通过调零电路(20)对振动信号的分量进行提取与放大以及系统的调零，再通过CDC模块(21)将电容量转换为数字量，输入到STM32F103芯片(22)中进行计算；
步骤6、在STM32F103芯片(22)中进行的数据计算：选取一段长度为N个点的信号序列，其中N＝2M,M为正整数；
步骤7、按照序号n的奇偶将序列y(n)分成两组，n＝0,1,2,...,N-1，即令n＝2r以及n＝2r+1，r＝0,1,2,...,N/2-1，用快速傅里叶变换对信号序列的时域y(n)转换为频域X(k)：
上式，X(k)为在k点的频域值，k＝0,1,2,...,N-1，y(n)为在n点的时域值，n＝0,1,2,...,N-1，y(2r)为y(n)在2r点的时域值，y(2r+1)为y(n)在2r+1点的时域值，ω为圆频率，
指时域的因子，
指频域的因子，
为转动因子；
上式中
而式(6)仅为X(k)前半部分的结果，根据对称性，X(k)的后半部分X(k+N/2)为：
上式中，X(k+N/2)为在k+N/2点的频域值；
步骤8、通过快速傅里叶变换处理得到的信号序列频谱数据X(k)与X(k+N/2)保存在SD卡模块(23)中，同时将频谱数据通过RS485模块(24)上传到上位机(26)中，将频谱数据与振动监测评估标准ISO10816进行对比，进行风机运行状态识别，判断风机属于正常、待定、需要检修、随时损坏四种状态中的哪一种，并及时进行故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011112735.5A CN112284512A (zh) | 2020-10-16 | 2020-10-16 | 一种电容式振动传感器及电厂风机诊断系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011112735.5A CN112284512A (zh) | 2020-10-16 | 2020-10-16 | 一种电容式振动传感器及电厂风机诊断系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112284512A true CN112284512A (zh) | 2021-01-29 |
Family
ID=74497486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011112735.5A Pending CN112284512A (zh) | 2020-10-16 | 2020-10-16 | 一种电容式振动传感器及电厂风机诊断系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112284512A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
| US20040135588A1 (en) * | 2001-03-23 | 2004-07-15 | Marc Bissonnette | Non intrusive and dynamic method for measuring a distance or the variation thereof through dielectrics |
| CN1786718A (zh) * | 2005-11-01 | 2006-06-14 | 中国科学院上海微系统与信息技术研究所 | 悬臂梁－质量块结构的吸合时间式数字加速度传感器 |
| CN101787715A (zh) * | 2010-02-26 | 2010-07-28 | 招商局重庆交通科研设计院有限公司 | 一种用于公路隧道悬挂风机基础稳定性检测的方法和系统 |
| CN101970339A (zh) * | 2007-12-05 | 2011-02-09 | 芬兰技术研究中心 | 压力、声压变化、磁场、加速、振动或气体组成的测量器 |
| CN102023234A (zh) * | 2009-09-22 | 2011-04-20 | 俞度立 | 一种具有多个共面电极一体结构的mems加速度传感器及其制造方法 |
| CN203241145U (zh) * | 2012-12-18 | 2013-10-16 | 天津大学 | 一种外引电容式测量地面微量水平振动的装置 |
| CN108151868A (zh) * | 2016-12-06 | 2018-06-12 | 德阳新软软件技术服务有限公司 | 一种大型引风机振动监测装置 |
| CN109596860A (zh) * | 2018-11-05 | 2019-04-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 加速度计故障诊断方法、装置、电路和计算机设备 |
| CN109738670A (zh) * | 2018-12-19 | 2019-05-10 | 哈尔滨工业大学 | 一种mems电容式加速度计特征参数测量系统及测量方法 |
| CN110085018A (zh) * | 2019-06-06 | 2019-08-02 | 吉林大学 | 一种振动信号无线采集装置及无线采集系统 |
| CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
| CN111721970A (zh) * | 2020-06-16 | 2020-09-29 | 维沃移动通信有限公司 | 电容式加速度传感器及其控制方法、控制装置和电子设备 |
-
2020
- 2020-10-16 CN CN202011112735.5A patent/CN112284512A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08159928A (ja) * | 1994-12-01 | 1996-06-21 | Posukon:Kk | 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法 |
| US20040135588A1 (en) * | 2001-03-23 | 2004-07-15 | Marc Bissonnette | Non intrusive and dynamic method for measuring a distance or the variation thereof through dielectrics |
| CN1786718A (zh) * | 2005-11-01 | 2006-06-14 | 中国科学院上海微系统与信息技术研究所 | 悬臂梁－质量块结构的吸合时间式数字加速度传感器 |
| CN101970339A (zh) * | 2007-12-05 | 2011-02-09 | 芬兰技术研究中心 | 压力、声压变化、磁场、加速、振动或气体组成的测量器 |
| CN102023234A (zh) * | 2009-09-22 | 2011-04-20 | 俞度立 | 一种具有多个共面电极一体结构的mems加速度传感器及其制造方法 |
| CN101787715A (zh) * | 2010-02-26 | 2010-07-28 | 招商局重庆交通科研设计院有限公司 | 一种用于公路隧道悬挂风机基础稳定性检测的方法和系统 |
| CN203241145U (zh) * | 2012-12-18 | 2013-10-16 | 天津大学 | 一种外引电容式测量地面微量水平振动的装置 |
| CN108151868A (zh) * | 2016-12-06 | 2018-06-12 | 德阳新软软件技术服务有限公司 | 一种大型引风机振动监测装置 |
| CN109596860A (zh) * | 2018-11-05 | 2019-04-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 加速度计故障诊断方法、装置、电路和计算机设备 |
| CN109738670A (zh) * | 2018-12-19 | 2019-05-10 | 哈尔滨工业大学 | 一种mems电容式加速度计特征参数测量系统及测量方法 |
| CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
| CN110085018A (zh) * | 2019-06-06 | 2019-08-02 | 吉林大学 | 一种振动信号无线采集装置及无线采集系统 |
| CN111721970A (zh) * | 2020-06-16 | 2020-09-29 | 维沃移动通信有限公司 | 电容式加速度传感器及其控制方法、控制装置和电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 彭文季: "水电机组振动故障的智能诊断方法研究", 《博士电子期刊出版工程科技Ⅱ辑》 * |
| 李斌: "小波神经网络阈值自学习在信号去噪中的应用", 中国测试技术 * |
| 陈小强等: "浙江火电厂DCS系统接地现状分析及建议", 《浙江电力》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100520425C (zh) | 电力暂态信号小波分析后处理方法及其装置 | |
| CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
| CN111125868B (zh) | 一种电子产品的多应力寿命评估方法及装置 | |
| CN105512474A (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
| CN104330675B (zh) | 基于多元时间序列的变电设备在线监测分析系统及其方法 | |
| CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
| CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN102607641A (zh) | 一种燃气轮机的聚类异常检测方法 | |
| CN110346130A (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
| CN102393303B (zh) | 一种燃气轮机的排序异常检测方法 | |
| CN110018417B (zh) | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 | |
| CN115015756A (zh) | 一种细碎融合的新材料混合机故障诊断方法 | |
| CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
| CN117909668A (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 | |
| CN112284512A (zh) | 一种电容式振动传感器及电厂风机诊断系统和方法 | |
| CN117708542A (zh) | 一种基于深度神经网络的设备故障诊断方法及系统 | |
| Hou et al. | Machine fault diagnosis using industrial wireless sensor networks and on-sensor wavelet transform | |
| CN2681090Y (zh) | 便携式自识别可替换传感器模块的多参量快速简易监测仪器 | |
| CN113686577B (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
| CN214669650U (zh) | 一种冷原子重力仪地面低频振动信号处理电路 | |
| CN106053089A (zh) | 一种燃气轮机的排序异常检测系统 | |
| CN113267711B (zh) | 变电站高压电气设备绝缘状态在线监测系统及监测方法 | |
| CN115962100A (zh) | 一种风电机组状态监测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
| RJ01 | Rejection of invention patent application after publication |