CN117780679B - 一种离心风机故障诊断方法及在线监测系统 - Google Patents
一种离心风机故障诊断方法及在线监测系统 Download PDFInfo
- Publication number
- CN117780679B CN117780679B CN202410204821.0A CN202410204821A CN117780679B CN 117780679 B CN117780679 B CN 117780679B CN 202410204821 A CN202410204821 A CN 202410204821A CN 117780679 B CN117780679 B CN 117780679B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- sensor
- centrifugal fan
- fusion
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005461 lubrication Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 10
- 238000007500 overflow downdraw method Methods 0.000 abstract description 9
- 230000006855 networking Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 60
- 238000010586 diagram Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种离心风机故障诊断方法及在线监测系统，所述方法包括：采集离心风机不同位置处的若干温振数据；对采集到温度数据和振动数据进行数据清洗和归一化处理；分别融合不同位置处的同类型数据，得到温度融合数据和振动融合数据；将温度融合数据和振动融合数据输入到故障诊断网络中，获取故障诊断结果。本发明结合上位机人机交互界面，实现风机组网监测、数据存储、设备管理等，有利于设备动态监测和质量监控。同时采用多层次信息融合方法，结合双线性卷积神经网络进行离心风机的故障诊断，在数据层自适应加权融合同源传感器数据，在特征层提取并融合异源传感器特征，根据融合结果实现离心风机的故障诊断，提高了故障辨识的准确性。
Description
技术领域
本发明属于离心风机监测技术领域，尤其涉及一种离心风机故障诊断方法及在线监测系统。
背景技术
离心风机是工业界常用的旋转设备，通常在复杂、多变的工况下运行，容易发生各类故障，导致设备停运或损坏，非计划停机会产生很大的经济负担，为尽可能减少经济损失，需要及时进行检修。因此，在线监测离心风机运行状态，诊断离心风机数据具有重要的现实意义。离心风机车间通常有大量同时运行的设备需要监测。尽管已有诸多研究讨论了不同类型传感器的选择和分析，但通常为单台风机的监测设备设计，对组网风机传感设备的探讨较为有限。
当前离心风机故障诊断方法主要围绕单组振动传感器进行分析，利用振动信号编码特征图、特征频率等进行诊断，然而，现场测量易受环境噪声干扰，影响实验数据的准确性，对特征图或频率识别造成噪声干扰，仅依赖单组传感器难以确保数据的合理可靠。
鉴于监测信号的多样性和复杂性，通常采用多传感器信息融合方法解决该问题，以提高系统的容错率。多源信息融合通常分为数据层、特征层和决策层。在数据层，朱丹宸等在“基于振动信号分析的动力调谐陀螺仪滚珠轴承故障诊断”中提出将滚动轴承的多组一维振动信号转为二维灰度图，通过卷积神经网络（Convolutional neural network,CNN）处理结果，Xia等在“Fault diagnosis for rotating machinery using multiplesensors and convolutional neural networks”中同样采用CNN，结合不同位置振动信号处理结果；在特征层，田亮等在“基于LSTM和证据理论的引风机轴承故障诊断”中利用证据理论融合风机Y向振动状态真值与预测值的均方根误差诊断结果，张友等在“基于多源信息融合和ADCNN的离心鼓风机故障诊断”中提出自适应学习风机复杂高维数据特征的深度CNN网络；在决策层，Bigdeli等在“A decision fusion method based on multiple supportvector machine system for fusion of hyperspectral and LIDAR data”中运用RBF核支持向量机（SVM）分别进行高光谱和激光雷达数据故障分类，利用朴素贝叶斯融合两者分类结果。调研发现，在异源数据分析上，多采用拼接等简单融合方法，缺乏不同位置、时空特征的深入挖掘，损失关联数据特征。在数据驱动分类上，传统方法如支持向量机、随机森林等，依赖人工提取特征的准确合理性，对比深度学习自动提取特征的特点，损失了部分信息的有效利用。而且，目前多源数据处理主要集中在单层次融合，即对某层数据融合并直接输出结果。
发明内容
为解决上述技术问题，进一步提高离心风机故障诊断的准确性，有效促进设备动态监测和质量监控，本发明提供一种离心风机故障诊断方法及在线监测系统。
本发明提供的技术方案如下：
一种离心风机故障诊断方法，包括以下步骤：
S1、采集离心风机不同位置处一定时间内的若干温度数据和振动数据；
S2、对采集到温度数据和振动数据进行数据清洗和归一化处理；
S3、分别融合不同位置处的同类型数据，得到温度融合数据和振动融合数据；
S4、将温度融合数据和振动融合数据输入到故障诊断网络中，获取故障诊断结果。
进一步地，S1中，在离心风机转子的前轴承处安装有温度传感器和振动传感器，在离心风机转子的后轴承处也安装有温度传感器和振动传感器，分别用于获取不同时刻的温度数据及径向振动数据。
进一步地，S2中，所述数据清洗包括：剔除低于室温值的温度数据并同步剔除相应时段的振动数据，计算振动数据的方差，利用等深分箱中位数法平滑处理方差及与中位数偏差异常点，剔除后用箱型中位数替换异常点数据。
进一步地，S3中，对于同类型数据，以最小化不确定度为约束指标，计算数据融合的加权权值；融合数据的不确定度表示为，权值的计算公式为，融合数据为/>，其中，x i为第i组同源传感器数据，s(x i)为第i组同源传感器的不确定度,x ij为第i组同源传感器数据的第j个点,n为同源传感器数据集大小,/>为同源传感器数据的平均值,/>为第i组同源传感器数据的权值，m为同源传感器数据的组数。
进一步地，S4中，所述故障诊断网络包括：
输入层，通过滑动窗口法分割融合数据，将一定长度的温度融合数据和振动融合数据输入故障诊断网络；
特征提取层，包括温度特征提取分支和振动特征提取分支，每个分支均包含若干个依次串联的卷积池化层；
特征融合层，采用双线性池化融合同一时段的温度特征和振动特征；
输出层，包括三个全连接层和一个批处理层，第一个全连接层将所有特征矢量首尾连接组成一维向量，第二个全连接层结合批处理层进一步融合特征并防止数据过拟合，最后一个全连接层利用Softmax回归分类器输出诊断状态类别。
进一步地，所述诊断状态类别包括正常状态和故障状态，故障状态包括轴承损坏、叶轮不平衡、轴承异物、润滑油不足。
一种离心风机在线监测系统，包括上位机端、控制器端和传感器端；所述传感器端包括分别与控制器端连接的多组温度传感器和振动传感器；所述控制器端用于组建通讯网络，接收传感器端采集的数据并将其发送到上位机端；所述上位机端通过人机交互界面实时显示传感器数据并同时上传数据到云端；所述上位机端或云端部署有如上所述的离心风机故障诊断方法，用于根据采集到的温度、振动数据对离心风机的运行状态进行实时监测。
进一步地，各传感器呈并联关系，传感器与控制器端的控制输出端、模数转换端及供电电源构成数据采集回路；控制器端通过计数器循环记录导通端口序号，并设置导通的间隔缓冲时区，避免多回路同时导通，保障同一时刻仅一组传感器与模数转换端导通并构成回路，实现传感器数据的间断采集。
进一步地，所述控制器端对接收到的传感器数据进行初步分析，根据分析结果动态更新离心风机的运行状态提示并闪烁相应提示灯。
进一步地，所述控制器端将传感器数据分别存储在长时数组和短时数组中，并对两种数组分别进行数值分析以生成数据特征，通过设定数据特征阈值，判断实时采集的传感器数据是否异常。
本发明的有益效果：
本发明基于PLC采集离心风机的温度与振动信息并对数据进行初步分析，结合LabVIEW设计上位机人机交互界面，以可视化展示离心风机的运行状态，实现风机组网监测、数据存储、设备管理等，有利于设备动态监测和质量监控。同时采用多层次信息融合方法，结合双线性卷积神经网络（Bilinear-CNN）进行离心风机的故障诊断，在数据层自适应加权融合同源传感器数据，在特征层提取并融合异源传感器特征，根据融合结果输出状态分类，实现离心风机的故障诊断，提高了故障辨识的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明一实施例提供的数据清洗前后振动传感器数据对比示意图；
图2是本发明一实施例提供的数据融合前后某组采样点数据的示意图；
图3是本发明一实施例提供的故障诊断方法的框架示意图；
图4是本发明一实施例提供的故障诊断网络架构示意图；
图5是本发明一实施例提供的采样设备安装示意图；
图6是本发明一实施例提供的五种状态数据示意图；
图7是本发明一实施例提供的离心风机在线监测系统的示意图；
图8是本发明一实施例提供的数据采集流程示意图；
图9是本发明一实施例提供的采集数据初步分析流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下获得的其他实施例，都属于本发明保护的范围。
实施例1
本实施例提供一种离心风机故障诊断方法，主要包括以下步骤：
S1、分别采集离心风机转子前后轴承处一定时间内的若干温度数据和振动数据
离心风机包括转子组件、电机、叶轮和传送带等，在转子的前轴承、后轴承处均分别安装温度传感器及振动传感器，用于检测设备表面不同时刻的温度及径向振动。
S2、对采集到温度数据和振动数据进行数据清洗和归一化
在实际数据采集过程中存在开关机等非常规运行情况，数据采集精度受到影响，因此需要清洗数据，提高数据有效性。
开关量清洗采用阈值限制，剔除温度传感器低于厂间室温（约28℃）的数据，并同步剔除相应时段的振动传感器数据，该部分振速值约低于0.75mm/s。数据清洗前后某状态振动传感器数据如图1所示。由于温度测量过程持续温升，振动传感器相比温度传感器受环境影响更大，故仅筛选振动数据，计算清洗后振动数据方差，利用等深分箱中位数法平滑处理方差及与中位数偏差异常点，剔除后用箱型中位数替换异常量。
由于温度数据和振动数据的量纲不统一且数值范围不同，故采用公式（1）分别对前后轴承处采集到的温度数据和振动数据进行归一化处理。
（1）
其中，x为未进行归一化处理的数据集，x i为未进行归一化处理的数据点，y i为完成归一化处理的数据点，min(x)为数据集最小值，max(x)为数据集最大值。
S3、分别融合前后轴承处的温度、振动数据，得到温度融合数据和振动融合数据
为得到相对可靠的数据，对同一状态、不同时空同源传感器数据进行融合，数据融合常采用加权平均、机器学习等方法，考虑传感器的不确定度是多个同源传感器数据可靠性及数据测量质量的评判依据，不确定度越小，测量结果质量越高。故本实施例以最小化不确定度为约束指标，计算数据融合的加权权值。
数据不确定度通过贝塞尔公式（2）得到：
（2）
其中，i的取值范围为1和2，对应离心风机转子前轴承与后轴承两组设备，x i为第i组同源传感器数据，x ij为第i组同源传感器数据的第j个点，s(x i)为第i组同源传感器的不确定度，n为第i组同源传感器数据集大小，为所有同源传感器数据的平均值，不同组数据均独立测量。
融合数据的不确定度为：
（3）
（4）
其中，y为同源传感器数据融合后的数据，式（4）代入式（3）经化简与极值求解，得权重计算方法为：
（5）
经过数据融合前后温度振和振动数据分别如图2所示。
S4、将温度融合数据和振动融合数据输入到故障诊断网络中，获取故障诊断结果
本实施例采用一维Bilinear-CNN网络，自动提取及融合离心风机运行状态温振特征，获取诊断结果。如图3和图4所示，本实施构建的故障诊断网络包括4个部分：输入层、特征提取层、特征融合层以及输出层。
输入层利用数据分割方法降低输入维度，基于温度及振动数据的时序特点，通过滑动窗口对其进行处理，根据设定的采样步长分割数据，同时考虑时序数据前后相关性，保留部分重叠片段。
特征提取层包括两个分支，每个分支均包含三个依次串联的卷积池化层，两个分支中对应的卷积池化层的参数一致，激活函数为tanh,分别提取温度特征及振动特征（一个分支提取温度融合数据的特征，另一个分支提取振动融合数据的特征），第一个卷积池化层的卷积层设置较大卷积核（128×1），提高感受野，充分学习数据信息，第二、三个卷积池化层的卷积层设置较小卷积核（16×1），用于深度挖掘数据特征，采用最大池化操作，池化大小为2，简化特征维数，交替的卷积池化层实现输入数据非线性特征的层级式提取，特征提取层最终输出两组大小一致的特征矩阵，分别代表温度特征和振动特征。
特征融合层采用双线性池化（Bilinear pooling），融合同一时段的两组特征，两组输入特征尺寸均为（N,C,F），其中N为数据维度，C为通道数，F为特征数，经过双线性融合后特征尺寸为（N,C,F*F），充分体现两类特征的关联性。
双线性池化操作如下：
（6）
（7）
（8）
y（9）
z（10）
其中，对于样本I在位置l的两个特征fA和fB，在本实施例中为两组一维特征向量（温度特征和振动特征）。式（6）完成两个特征的双线性相乘，式（7）对外积结果进行池化操作得到关联性矩阵，式（8）将关联性矩阵转换为向量x，式（9）及式（10）对x进行归一化操作，z为最终融合后的特征向量。
输出层由三个全连接层及一个批处理层（Batch Normalization, BN）组成，第一个全连接层将所有特征矢量首尾连接组成一维向量，第二个全连接层节点数为64，进一步学习融合后的特征，保留关键特征，结合BN防止数据过拟合，最后一个全连接层输出分类结果，其神经元个数与状态类别数目保持一致，利用Softmax回归分类器输出诊断状态类别。本实施例中的诊断状态类别包括正常状态和四种故障状态，故障状态为轴承损坏、叶轮不平衡、轴承异物、润滑油不足。
为验证本实施提供方法的有效性，选用某风机公司的离心风机进行实验，如图5所示，为采样设备的安装位置图，热电阻贴在风机轴承座表面，振动传感器安装在轴承座Y向。采样2000r/min转速下的正常状态和四种故障状态的数据，数据样例如图6所示。
预处理后数据以10s为分割步长，每组包含100个采样点，滑动窗口重叠20个采样点，每种状态类别含有约200个数据组，数据集共约1000个数据组，故障诊断网络的训练集与测试集按7:3比例划分。诊断模型运行平台为Windows10系统，CPU使用12th Gen Intel®Core i7-12700处理器，GPU显卡使用NVIDIA GeForce RTX 3060 Ti。
选用多种对比方法，分成两组进行，第一组为多层融合效果分析，由于实验数据为前后轴承处温度与振动数据，在数据层的对比方法选用温度或者振动其中一组数据，仅在数据层融合为一个序列输入网络并输出结果，由于无法采用双线性池化层，故用同结构参数的CNN代替，在特征层的对比方法是不进行数据层的融合，前后轴承处数据直接输入网络并融合特征，对结果进行分析，与本实施例方法作对比，数据如表1所示；第二组为特征层提取与融合对比，选用人工特征方法、传统拼接方法，讨论不同特征提取和融合方法效果，其中人工特征包括温度数据最大值、最小值及振动数据最大值、最小值、均值、均方差值、方差、峰值因子、标准差、脉冲因子等时域特征，传统拼接方法为串联数据的情况，结果如表2所示。对比算法采用反向传播网络（Back Propagation NeuralNetwork，BPNN）和SVM，BPNN隐藏层结构为200-50-5，输入层随方法改变，分别为200、10、400、100，SVM采用RBF核函数，为保证结果的可靠性，每组实验重复5次。
表1 多层实验结果对比
表2 特征提取与融合实验结果对比
从表1和表2可以看出，本实施例诊断方法准确率高于对比的BPNN和SVM的诊断效果，在数据层多源信息融合方法优于单一传感器的状态判断效果，且多层融合的方法具有更好的特征互补性。在特征层本文方法优于且相较于人工特征及传统拼接融合方法，具有更好的特征挖掘和融合能力。故本实施例诊断方法可以有效完成数据层融合，并从融合数据中自动提取并融合特征，完成离心风机运行状态的诊断分类。
实施例2
本实施例提供一种离心风机在线监测系统，如图7所示，本系统硬件分为三部分：上位机端、PLC控制端及传感器端。传感器端由多组基础传感器组成，包括两组相同参数的热电阻、温度变送器和振动传感器。PLC为S7-200ETH版本，用于控制数据回路通断、初步分析及构建传感器网络。使用LabVIEW制作上位机端人机交互界面，通过TCP/IP通信协议构造本地传感器网络拓扑，实现PLC与上位机间双向数据通信，上位机数据库采用ODBC接口，存储、上传并查看云端数据。在上位机或云端部署有实施例1所述的离心风机故障诊断方法，用于根据采集到的温度、振动数据对离心风机的运行状态进行实时监测。
传感器无法直接在网络中传输数据，故依赖PLC进行传感器组网。PLC通过以太网接口连接到网络，并为自身分配唯一的IP地址，上位机通过网络配置和PLC参数设置，确保PLC和上位机位于同一子网，保障网络可达性。使用基于TCP/IP的Modbus TCP通信协议，建立PLC与上位机之间稳定的通信连接，实现数据传输到上位机端记录和显示。上位机端构建各个并联子系统的云端传输通道，通过人机交互界面实时显示传感器数据，同时上传数据到云端进行存储和分析，利用数据处理和分析算法进行实时监控和决策支持，远程管理并查看网络内设备状态与信息。
在工业控制系统中，使用传感器来感知环境和设备状态是至关重要的，但工作车间电磁干扰及传感器之间干扰对模数转换端（AD端）数据采集具有明显影响，故通过PLC的控制输出端（Q端）来决定外接传感器回路的通断，保障同一时刻仅一组传感器与AD端连接并构成回路，实现传感器数据的间断采集。即，将传感器与PLC的Q端、AD端及供电电源构成数据采集回路，传感器呈并联关系。如图8所示，通过计数器循环记录导通端口序号，该序号的增减通过外部循环完成，对应序号的端口通断通过内部循环控制，设置导通的间隔缓冲时区，避免多回路同时导通。
PLC通过逻辑编程对AD端采集的数据进行初步分析，将分析结果分为预警、故障和正常三种，动态更新离心风机运行状态提示，闪烁提示灯。
记录采集数据，构成温度、振动数据数组，新数据压入数组底部，滑动更新数组信息。为区分故障与预警情况，分别记录长时数组（连续10个点）和短时数组（连续4个点），对两种数组分别进行方差、均值等数学分析，生成数组的数据特征。
设定阈值范围，当新数据超过预设上限时，PLC锁定风机状态，如果数据符合异常状态特征且持续一定时间或次数，PLC确认警报并生成对应信号，以及时采取必要的措施，判断程序流程图如图9所示。通过低于阈值的时间长短，判断是否需要清除警报状态，长时间未出现警报特征，恢复或保持正常状态，并相应地关闭警报。同时，通过数据维持在正常范围内的时间，判断是否需要清除之前的故障信息，以避免误判或冗余。
以上实施例对本发明提供的一种离心风机故障诊断方法及在线监测系统进行了详细描述，本发明基于传感器与PLC的协同，实现了离心风机组网监测与数据传输，实时查看、管理多设备运行状态，构建了智能化和多功能化的离心风机监测系统，有效促进了设备动态监测和质量监控。本发明基于多层次信息融合的一维Bilinear-CNN方法判断离心风机状态，经过采样数据验证，所提方法的平均准确率为99.09%，优于其他对比方法，验证了多传感器可以进行特征互补与提高容错率。本发明采用的多层融合使蕴含在原始数据中的特征通过逐层非线性特征提取得到利用，异源传感器数据之间的时空关系得到挖掘，充分利用传感器信息进行离心风机状态的准确判断。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种离心风机故障诊断方法，其特征在于，包括以下步骤：
S1、采集离心风机不同位置处一定时间内的若干温度数据和振动数据；
S2、对采集到温度数据和振动数据进行数据清洗和归一化处理；
S3、分别融合不同位置处的同类型数据，得到温度融合数据和振动融合数据：
对于同类型数据，以最小化不确定度为约束指标，计算数据融合的加权权值；融合数据的不确定度表示为，权值的计算公式为/>，融合数据为，其中，x i为第i组同源传感器数据，s(x i)为第i组同源传感器的不确定度,x ij为第i组同源传感器数据的第j个点,n为同源传感器数据集大小,/>为同源传感器数据的平均值,/>为第i组同源传感器数据的权值，m为同源传感器数据的组数；
S4、将温度融合数据和振动融合数据输入到故障诊断网络中，获取故障诊断结果。
2.如权利要求1所述的一种离心风机故障诊断方法，其特征在于，S1中，在离心风机转子的前轴承处安装有温度传感器和振动传感器，在离心风机转子的后轴承处也安装有温度传感器和振动传感器，分别用于获取不同时刻的温度数据及径向振动数据。
3.如权利要求1所述的一种离心风机故障诊断方法，其特征在于，S2中，所述数据清洗包括：剔除低于室温值的温度数据并同步剔除相应时段的振动数据，计算振动数据的方差，利用等深分箱中位数法平滑处理方差及与中位数偏差异常点，剔除后用箱型中位数替换异常点数据。
4.如权利要求1所述的一种离心风机故障诊断方法，其特征在于，S4中，所述故障诊断网络包括：
输入层，通过滑动窗口法分割融合数据，将一定长度的温度融合数据和振动融合数据输入故障诊断网络；
特征提取层，包括温度特征提取分支和振动特征提取分支，每个分支均包含若干个依次串联的卷积池化层；
特征融合层，采用双线性池化融合同一时段的温度特征和振动特征；
输出层，包括三个全连接层和一个批处理层，第一个全连接层将所有特征矢量首尾连接组成一维向量，第二个全连接层结合批处理层进一步融合特征并防止数据过拟合，最后一个全连接层利用Softmax回归分类器输出诊断状态类别。
5.如权利要求4所述的一种离心风机故障诊断方法，其特征在于，所述诊断状态类别包括正常状态和故障状态，故障状态包括轴承损坏、叶轮不平衡、轴承异物、润滑油不足。
6.一种离心风机在线监测系统，其特征在于，包括上位机端、控制器端和传感器端；所述传感器端包括分别与控制器端连接的多组温度传感器和振动传感器；所述控制器端用于组建通讯网络，接收传感器端采集的数据并将其发送到上位机端；所述上位机端通过人机交互界面实时显示传感器数据并同时上传数据到云端；所述上位机端或云端部署有如权利要求1~5任一项所述的离心风机故障诊断方法，用于根据采集到的温度、振动数据对离心风机的运行状态进行实时监测。
7.如权利要求6所述的一种离心风机在线监测系统，其特征在于，各传感器呈并联关系，传感器与控制器端的控制输出端、模数转换端及供电电源构成数据采集回路；控制器端通过计数器循环记录导通端口序号，并设置导通的间隔缓冲时区，避免多回路同时导通，保障同一时刻仅一组传感器与模数转换端导通并构成回路，实现传感器数据的间断采集。
8.如权利要求6所述的一种离心风机在线监测系统，其特征在于，所述控制器端对接收到的传感器数据进行初步分析，根据分析结果动态更新离心风机的运行状态提示并闪烁相应提示灯。
9.如权利要求8所述的一种离心风机在线监测系统，其特征在于，所述控制器端将传感器数据分别存储在长时数组和短时数组中，并对两种数组分别进行数值分析以生成数据特征，通过设定数据特征阈值，判断实时采集的传感器数据是否异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204821.0A CN117780679B (zh) | 2024-02-26 | 2024-02-26 | 一种离心风机故障诊断方法及在线监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204821.0A CN117780679B (zh) | 2024-02-26 | 2024-02-26 | 一种离心风机故障诊断方法及在线监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117780679A CN117780679A (zh) | 2024-03-29 |
| CN117780679B true CN117780679B (zh) | 2024-05-03 |
Family
ID=90380033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410204821.0A Active CN117780679B (zh) | 2024-02-26 | 2024-02-26 | 一种离心风机故障诊断方法及在线监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117780679B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108931387A (zh) * | 2015-11-30 | 2018-12-04 | 南通大学 | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN114358082A (zh) * | 2022-01-06 | 2022-04-15 | 东南大学 | 一种基于多传感器特征融合的火电厂风机设备故障诊断方法 |
| CN115905907A (zh) * | 2021-09-29 | 2023-04-04 | 北京金风科创风电设备有限公司 | 风机主轴承的异常监测方法、装置、电子设备及存储介质 |
-
2024
- 2024-02-26 CN CN202410204821.0A patent/CN117780679B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108931387A (zh) * | 2015-11-30 | 2018-12-04 | 南通大学 | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN115905907A (zh) * | 2021-09-29 | 2023-04-04 | 北京金风科创风电设备有限公司 | 风机主轴承的异常监测方法、装置、电子设备及存储介质 |
| CN114358082A (zh) * | 2022-01-06 | 2022-04-15 | 东南大学 | 一种基于多传感器特征融合的火电厂风机设备故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117780679A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN110515351A (zh) | 异常检测器 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
| CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
| CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
| CN101799674A (zh) | 一种数控装备服役状态分析方法 | |
| CN110709789B (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
| CN112729834A (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN117780679B (zh) | 一种离心风机故障诊断方法及在线监测系统 | |
| CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
| CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
| US20180087489A1 (en) | Method for windmill farm monitoring | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Lin et al. | Performance analysis of rotating machinery using enhanced cerebellar model articulation controller (E-CMAC) neural networks | |
| RU2818858C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей | |
| CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
| CN117989074A (zh) | 一种基于感知计算协同的海上风电机组智能化监测方法 | |
| Chen et al. | Fault diagnosis and Prediction Algorithm of Digital Distribution Network based on Deep Learning |
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 |