CN117536872B - 一种罗茨风机状态监测系统与故障预测方法 - Google Patents

Abstract

本发明公开了一种罗茨风机状态监测系统与故障预测方法，预测方法包括：收集罗茨风机中监测节点的振动信号，并对所述振动信号进行时域分析和频域分析，获得峰值及频率特征；将采集的风机轴位移及转子转速送入前置器进行转换，获得标准电压或电流信号，并输入至数据采集装置；基于上位机完成采集数据的实时显示、分析处理、故障诊断及报警。本发明充分考虑到车间现场的复杂性，通过外网远程监控系统，管理员和用户实时可在任何地点实现对罗茨风机运行状态的监测，准确判断罗茨风机的运行状态和故障部位。

Description

一种罗茨风机状态监测系统与故障预测方法

技术领域

本发明涉及智能化监测技术领域，尤其涉及一种罗茨风机状态监测系统与故障预测方法。

背景技术

随着我国经济的迅速发展，当前罗茨设备的需求呈扩大趋势。罗茨风机在石油、化工、化肥、轻工、煤气、造纸及污水处理等行业均有广泛应用，罗茨风机的运行状态直接影响整个工业过程是否可以安全运行。对于罗茨风机的检修、维护、运行、管理提出了更高的要求。

不平衡引起的振动是风机最常见的故障之一，目前一般采取事后维修或者定期维修，工作效率低。为了进一步提高罗茨风机运行稳定性和可靠性，设计关于罗茨风机的振动监测系统成为首选。

对于罗茨风机运行状态参数的监测和存储，目前普遍采用文件管理的方式，工作量大，复杂，无法有效的管理长期实验数据参数，无法实现与其他监测平台的数据实时共享。

粒子群优化算法是一种基于数值的优化算法，粒子群优化算法的基础是“信息共享”。具有收敛速度快，参数少，算法简单易于实现的优点。存在早熟收敛，维数灾难，陷入局部最优的问题。

发明内容

为解决上述技术问题，本发明提出了一种罗茨风机状态监测系统与故障预测方法，不仅可以使工作人员实时监控风机的运行状态，而且可以通过判断风机运行参数，对于风机的启停和故障诊断做出正确的选择；降低运营成本，提高工作效率。

一方面，为实现上述目的，本发明提供了一种罗茨风机的故障预测方法，包括：

收集罗茨风机中监测节点的振动信号，并对所述振动信号进行时域分析和频域分析，获得峰值及频率特征；

将采集的风机轴位移及转子转速送入前置器进行转换，获得标准电压或电流信号，并输入至数据采集装置；

基于上位机完成采集数据的实时显示、分析处理、故障诊断及报警。

优选地，基于所述上位机完成采集数据的分析处理，包括：

将采集的实时数据进行预处理，确定初始训练样本集，基于所述初始样本集判断设备是否正常运行，获得设备正常运行状态下的数据集和设备非正常运行状态下的数据集；

将所述设备正常运行状态下的数据集和所述设备非正常运行状态下的数据集映射到高维特征空间中，构造最优分类超平面；

计算所述设备非正常运行状态下的数据集中所有样本点到所述最优分类超平面的距离；

定义设备非正常运行状态下的样本集到分类超平面的距离为样本集中最近的点到分类超平面的距离，引入径向基核函数后，建立LSSVM基本数据分类预测模型，并利用粒子群算法对所述LSSVM基本数据分类预测模型中的关键分类参数进行优化。

优选地，利用粒子群算法对所述LSSVM基本数据分类预测模型中的关键分类参数进行优化，包括：

在搜索空间中随机初始化每个解的速度和位置，计算适应度函数值，获得粒子的历史最优位置和群体最优位置，并更新粒子的速度和位置。

优选地，更新所述粒子的速度和位置的方法为：

其中，ω为惯性权重，c₁和c₂为加速系数，r₁和r₂是[0,1]区间的随机数， 分别代表迭代后第i个粒子的速度和位置，pbest为粒子个体到达的最优位置，gbest为粒子群体到达的最优位置，/>分别为迭代前粒子的速度和位置。

优选地，所述预测方法还包括：

利用花生壳域名解析软件或者P2P内网穿透工具，对内网IP和端口进行外网映射，获得外网访问域名，管理人员通过外网远程访问监测系统。

另一方面，为了实现上述目的，本发明还提供了一种罗茨风机状态监测系统，包括：

罗茨风机、传感装置、前置器、数据采集装置及上位机，其中，所述传感装置、所述数据采集装置和所述上位机分别与所述罗茨风机连接，所述前置器与所述传感器连接，所述上位机还与所述数据采集卡、所述传感器连接。

优选地，所述传感装置包括：

压力传感器：用于监测风机进、排气压力和流量；

温度传感器：用于测量风机油温和轴承温度；

电涡流传感器：对测量风机轴位移、转子转速；

振动加速度传感器：用于实时监测风机节点振动情况。

优选地，上位机包括用户登录模块、罗茨风机振动状态参数时频域分析模块、罗茨风机运行状态参数监测模块、数据写入数据库模块、远程监控模块及故障诊断管理模块；

所述用户登录模块用于用户进入系统；

所述罗茨风机振动状态参数时频域分析模块用于对运行参数进行时频域分析；

所述罗茨风机运行状态参数监测模块用于对运行状态进行监测；

所述数据写入数据库模块用于生成不同类型的测量报表；

所述远程监控模块用于管理员远程访问监测系统；

所述故障诊断管理模块用于对算法进行封装和添加以及显示罗茨风机故障诊断结果；

其中，所述罗茨风机振动状态参数时频域分析模块、所述罗茨风机运行状态参数监测模块、所述数据写入数据库模块及所述故障诊断管理模块分别与所述传感装置和所述数据采集装置连接。

优选地，所述故障诊断管理模块用于对算法进行封装和添加以及显示故障诊断结果，所述远程监控模块用于解析软件或设计P2P内网穿透工具。

与现有技术相比，本发明具有如下优点和技术效果：

(1)传统的数据管理方式不能长期有效地管理实验数据参数，设备安全运行不能得到保障，无法实现与其他监测平台的实时数据共享，本发明通过labview图形化编程连接mysql数据库，对罗茨风机运行状态参数实时写入数据库，并将相关参数通过远程监控提供给管理员或用户进行参考。

(2)本发明充分考虑到振动对罗茨风机运行故障的影响，实时采集不同监测点上的振动时域图，再通过快速傅里叶变换得到振动频谱，提取时域图中的峰值和频域图中的主要频率，生成Excel等不同类型的文件，提供给管理员或用户进行分析。

(3)本发明充分考虑到车间现场的复杂性，通过外网远程监控系统，管理员和用户实时可在任何地点实现对罗茨风机运行状态的监测，准确判断罗茨风机的运行状态和故障部位。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例的一种罗茨风机状态监测系统结构示意图；

图2为本发明实施例的一种罗茨风机状态监测系统整体工作流程示意图；

图3为本发明实施例的温度及电压信号VI前面板示意图；

图4为本发明实施例的振动信号分析前面板；

图5为本发明实施例的粒子群优化算法流程图；

图6为本发明实施例的PSO-LSSVM的故障预测方法的整体流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

mysql数据库可以结构化存储大量的数据信息，方便用户进行有效的检索和访问。数据库可以有效地保持数据信息的一致性、完整性、降低数据冗余。Matlab在后台提供大型算法供labview调用，通过对设备不同位置运行数据的分析，从而判断设备此时的运行状态，准确判断故障部位。

本发明提出了一种罗茨风机状态监测系统，如图1，包括：

罗茨风机、传感装置、前置器、数据采集装置及上位机。

在本实施例中，罗茨风机为一台MB型7300罗茨鼓风机设备，依次与传感装置、数据采集装置及上位机连接。

传感装置包括压力传感器、温度传感器、电涡流传感器和振动加速度传感器；

前置器与电涡流传感器连接；上位机分别与传感装置及数据采集装置连接。

前置器一方面为探头线圈提供高频交流电流，另一方面，由于金属导体靠近探头而引起探头参数的变化，经前置器处理，产生随探头端面与被测金属导体间距线性变化的电压或电流信号。数据采集装置采用USB-6009数据采集卡，采样频率为48KS/s。

上位机包括用户登录模块、罗茨风机振动状态参数时频域分析模块、罗茨风机运行状态参数监测模块、数据写入数据库模块、远程监控模块及故障预警模块。

本实施例的远程监控模块采用labview软件平台结合花生壳动态域名解析软件或者P2P内网穿透工具设计，解决管理员不能通过外网远程访问监测系统的问题。

本实施例的传感器监测点分别包括：温度传感器完成对风机油温和轴承温度的测量；压力传感器完成对风机进、排气压力P_s、P_d和流量Q的监测；电涡流传感器通过电涡流效应准确测量被测体与探头端面的相对位置，完成对风机轴位移、转子转速的测量；振动传感器主要完成对风机多个节点振动情况的实时监测。

本实施例还提供一种应用于罗茨风机的故障预测方法，如图2，包括以下步骤：

步骤1：罗茨风机振动状态参数时频域分析模块基于振动传感器完成对罗茨风机多个监测节点收集的振动信号进行时频域分析获得峰值，进行频域分析获得主要频率特征；

步骤2：轴位移，转速信号经电涡流传感器采集进入前置器，转换为标准的电压或电流信号，后进入USB-6009数据采集卡，在上位机中完成采集数据的实时显示、分析处理、故障诊断及报警功能；

步骤3：实时数据写入数据库模块将上述所述传感器对多个监测指标数据写入mysql数据库，自动生成不同类型的测量报表；

步骤4：将数据进行预处理，确定整个训练样本集；

步骤5：确定初始训练样本集{(Xi，Yi),i＝1,2,…,L}，若Xi属于第一类，则记Yi＝1,即设备正常运行状态下数据集；若Xi属于第二类，则记Yi＝-1，即设备非正常运行状态下的数据集。将两类输入样本映射到高维特征空间H中，再在高维空间中构造最优分类超平面V。如图3为温度及电压信号VI前面板，图4为振动信号分析前面板。

分类超平面为：

βx+b＝0

式中，β和b分别表示权值向量和偏置量。

线性可分函数为：

βx+b≥1，Yi＝1

βx+b≤1，Yi＝-1 (i＝1,2,…,L)

步骤6：定义Yi＝-1的所有样本点Xi到分类超平面的距离为：

式中，为Yi＝-1的所有样本点Xi到分类超平面的距离；

将上式中的β和b进行归一化处理，并将归一化后的间隔定义为几何间隔：

定义Yi＝-1的样本集到分类超平面的距离为样本集中最近的点到分类超平面的距离，即：δ＝minδ_i，i＝1,2,…,L。

步骤7：LSSVM优化问题描述为：

s.t y_i(βX_i+b)≥1-ε_i

ε_i＞0

其中，C和ε_i分别表示惩罚因子和松弛变量，Yi为Yi＝-1的第i个样本的输出值；由于核函数参数σ和惩罚因子C影响LSSVM对数据集的预测，利用粒子群算法PSO对LSSVM模型中的核函数参数σ和惩罚因子C进行优化(如图5)，核函数采用径向基核函数计算，径向基核函数为：

通过优化找出一组最优的(C，σ)，得出最终数据分类预测模型。

首先通过LSSVM建立风机正常数据与异常数据的数据分类预测基本模型函数，由于此模型函数的建立过程主要受到其中参数惩罚因子C和核函数参数σ的影响，通过粒子群算法(pso)对两参数不断优化，找出一组最优的(C，σ)来建立数据分类预测模型，从而更好地实现对风机故障数据的剥离，根据故障数据情况预测风机可能出现的故障。

步骤8：在搜索空间中随机初始化每个解的速度和位置(C_i，σ_i)i＝1,2,…,L，计算适应函数值，得出粒子的历史最优位置pbest(c_i1，σ_i1)和群体最优位置gbest(C_i2，σ_i2)。

步骤9：粒子速度和位置的更新，根据自身的历史最优位置和全局最优位置，按照下式及时更新每个粒子的速度和位置(如图6)：

其中，ω为惯性权重，c₁和c₂为加速系数，r₁和r₂是[0,1]区间的随机数， 分别代表迭代后第i个粒子的速度和位置，pbest为粒子个体到达的最优位置，gbest为粒子群体到达的最优位置，/>分别为迭代前粒子的速度和位置。

步骤10：评估粒子的适应度函数值，得出一组最优的(C_i3，σ_i3)。

步骤11：利用更新后的最优分类函数对设备数据进行划分，对Yi＝-1的训练样本集重复以上步骤，实现在线更新模型的目的。

步骤12：整理Yi＝-1训练样本集中的数据，与设备正常运行的不同区域数据一一对比，以便于工作人员对设备故障情况预测。

步骤13：利用花生壳域名解析软件或者P2P内网穿透工具，对内网IP和端口进行外网映射，得到外网访问域名，管理人员通过外网远程访问监测系统。

本实施例的操作步骤为：

罗茨风机振动状态参数时频域分析模块基于振动传感器完成对罗茨风机多个监测节点收集的振动信号进行时频域分析获得峰值，进行频域分析获得主要频率特征；

轴位移，转速信号经电涡流传感器采集进入前置器，转换为标准的电压或电流信号，后进入USB-6009数据采集卡，在上位机中完成采集数据的实时显示、分析处理；

实时数据写入数据库模块将上述所述传感器对多个监测指标数据写入mysql数据库，自动生成不同类型的测量报表；

利用支持向量机快速实现对设备实时数据的二分类，将惩罚因子C和核函数σ作为粒子，利用粒子群算法不断优化SVM二分类模型，快速提取数据特征；

利用花生壳域名解析软件或者P2P内网穿透工具，对内网IP和端口进行外网映射，得到外网访问域名，管理人员通过外网远程访问监测系统。

上位机的通过收集传感器对多个监测点收集的振动信号进行时频域分析获得其主要频率特征。将时频域图显示在VI前面板上。

不同监测点数据实时写入数据库，进而生成Excel、word及HTML等不同类型的文件。数据库管理软件Navicat通过参数配置好罗茨风机运行所需的数据库并在数据库下创建报表，计算机通过配置ODBC数据源成功连接Navicat数据库，labview后面板调用mysql工具包，实现数据实时写入数据库。

远程监控模块，管理员或用户利用花生壳域名解析软件或者P2P内网穿透工具对内网IP和端口进行外网映射，得到外网访问域名。用户利用手机或者电脑登录相应的网址，直接登入监测系统界面并进行操作，对罗茨风机的状态进行实时监测。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种罗茨风机的故障预测方法，其特征在于，包括：

收集罗茨风机中监测节点的振动信号，并对所述振动信号进行时域分析和频域分析，获得峰值及频率特征；

将采集的风机轴位移及转子转速送入前置器进行转换，获得标准电压或电流信号，并输入至数据采集装置；

基于上位机完成采集数据的实时显示、分析处理、故障诊断及报警；

基于所述上位机完成采集数据的分析处理，包括：

将采集的实时数据进行预处理，确定初始训练样本集，基于所述初始训练样本集判断设备是否正常运行，获得设备正常运行状态下的数据集和设备非正常运行状态下的数据集；

将所述设备正常运行状态下的数据集和所述设备非正常运行状态下的数据集映射到高维特征空间中，构造最优分类超平面；

计算所述设备非正常运行状态下的数据集中所有样本点到所述最优分类超平面的距离；

定义设备非正常运行状态下的样本集到最优分类超平面的距离为样本集中最近的点到最优分类超平面的距离，引入径向基核函数后，建立LSSVM基本数据分类预测模型，并利用粒子群算法对所述LSSVM基本数据分类预测模型中的关键分类参数进行优化。

2.根据权利要求1所述的故障预测方法，其特征在于，利用粒子群算法对所述LSSVM基本数据分类预测模型中的关键分类参数进行优化，包括：

在搜索空间中随机初始化每个解的速度和位置，计算适应度函数值，获得粒子的历史最优位置和群体最优位置，并更新粒子的速度和位置。

3.根据权利要求2所述的故障预测方法，其特征在于，更新所述粒子的速度和位置的方法为：

其中，ω为惯性权重，c₁和c₂为加速系数，r₁和r₂是[0,1]区间的随机数，分别代表迭代后第i个粒子的速度和位置，pbest为粒子个体到达的最优位置，gbest为粒子群体到达的最优位置，/>分别为迭代前粒子的速度和位置。

4.根据权利要求1所述的故障预测方法，其特征在于，所述预测方法还包括：

利用花生壳域名解析软件或者P2P内网穿透工具，对内网IP和端口进行外网映射，获得外网访问域名，管理人员通过外网远程访问监测系统。