CN201687699U - 一种便携式泵站机组状态检测与数据处理装置 - Google Patents
一种便携式泵站机组状态检测与数据处理装置 Download PDFInfo
- Publication number
- CN201687699U CN201687699U CN2010201779195U CN201020177919U CN201687699U CN 201687699 U CN201687699 U CN 201687699U CN 2010201779195 U CN2010201779195 U CN 2010201779195U CN 201020177919 U CN201020177919 U CN 201020177919U CN 201687699 U CN201687699 U CN 201687699U
- Authority
- CN
- China
- Prior art keywords
- channel
- signal
- data processing
- switching value
- master control
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本实用新型提供一种便携式泵站机组状态检测与数据处理装置,包括前置机和上位机,所述前置机包含有主控板,及以主控板为中心设置的模拟信号通道、转速通道和开关量通道,经各通道采集的信号送入主控板处理后,所得结果送入上位机。本实用新型电路设计集中度高,可以利用现有电路芯片方便地组装制造,便携性高。使用简单、执行效率高,适用于各种泵站机组,可有效提高机组检测的工作效率,减小维修成本,避免重大事故的发生。
Description
技术领域
本实用新型涉及属于水利水电工程领域,特别是涉及一种基于测试信号的泵站机组状态检测与数据处理装置。
背景技术
状态检测是未来水泵行业发展的关键技术之一,这种泵站机组维护方法的安排是以设备的实际工作状况为依据,通过设备的监测结果来实施。具体视有没有异常的机械振动,轴承部位温度是否过高,润滑情况如何,以及其它异常现象等决定。如果某个选定的参量达到了预定的临界值,设备就要停机检修,从而避免更严重的事故发生。这种方案,由具有丰富经验和技术的维护人员来做这项测量预警工作时,其优点是明显的。整个工作可以有条不紊地进行,而且购买零配件时间充裕,不用预先选购好各种备用部件。由于这种方案检修目标明确,按需要进行检修,所以对提高生产效率是相当有益的。它决定了整个泵站机组能否及时的得到维护,并且直接影响着机组的整体性能。这几乎在所有有关检测的技术文献和研究论文中均有所论述,Breining,Christina.State detection for hands-free telephone setsby means of fuzzy LVQ and SOM.In:Signal Processing,v 80,n7,p 1361-1372,July2000;Ku,Shao-Ping;Hu,Ye-Fa;Zhou,Zu-De.State detection of the sensors ofmagnetic bearings.In:Proceedings of the 2004 International Conference onInformation Acquisition,ICIA 2004,p 80-83,2004,Proceedings of the 2004International Conference on Information Acquisition,ICIA 2004.张巍等.基于噪声检测的水轮机组故障诊断系统.广东水利水电,2009 No.7.董涛等.基于虚拟仪器的变频机组在线检测装置设计.电机与控制应用,2009 Vo36 No.9。
采集的数据是机组状态检测非常重要信息来源。为了适应机组状态检测的的需求,信号处理的不同的方法出现在了状态检测中。对各输入信号进行多方式频谱分析、轴心轨迹分析、相关分析、三维分析、小波变换、小波分解等处理。传统的频谱分析方法是以傅立叶变换(FFT)为核心的经典信号处理方法,一般仅适用于水泵各信号是平稳随机信号的情形。当水泵振动信号中还含有大量的非平稳成分,用经典的信号处理方法很难达到有效的效果。在信号的两种描述中,时域信号在时域范围内的每个时刻都对应一个幅度值,即在时域范围内是完全局部化的,但不包含任何频域信息,而傅立叶变换所刻划的频域信号,在频域范围内的每个频率都对应一个幅度值,即在频域范围内是局部化的,但不包含任何时域信息。也就是说,傅立叶变换存在时域和频域局部化矛盾。由于小波变换同时具有时域和频域局部化特性,这就决定了小波变换在信号监测和故障诊断过程中的特殊地位,它是一种新的、强有力的分析手段。
小波分解主要用于信号的去噪声或滤波,同时,在某分解层次上,也可突出故障信号的存在。其理论基础是多分辨分析算法(Muti-Resolution Analysis)。它的基本原理是将原时域波形从高频到低频分解为一系列的由小波系数构成的小波域波形。然后,在小波域上,按某种准则,去掉某些不希望的成分,并进行小波重构,则可实现原时域波形降噪。系统通过数据采集检测到的各种信号,从某种意义上说,可以认为是参杂一些干扰的随机信号,且数据量较大。对于有些分析方法来说,如,频谱分析、小波分析等,这些数据是必要的,但对于信号的应用来说,如故障诊断,如此大量的数据应用是很困难的。为达到去粗取精,去伪存真的目的,工程上,常采用一些方法,来提取表征信号某些特征的量,这里我们就称之为信号的基本特征参数。这些方法实质上是指对所采集的原始数据进行一定的计算处理而得到的与信号相关的一些基本参数。从数学上说,它们实际上是一些统计量,取决于随机信号的概率密度函数,反映了信号本身的一些基本性质。频谱分析的目的是把复杂的时间历程波形,分解为若干单一的谐波分量来研究,以获得信号的频率结构以及各谐波幅值和相位信息。频域分析是机械故障诊断中用得最广泛的信号处理方法之一。频谱图形有离散谱(谱线图)与连续谱之分,前者与周期性及准周期信号相对应,后者与非周期信号及随机信号相对应。对于连续谱,用的是“谱密度”概念。频谱的基本方法之一就是通过连续的或离散的傅立叶变换。一般来说,谱分析包括频谱分析及功率谱分析两部分。
传统的频谱分析方法是以傅立叶变换(FFT)为核心的经典信号处理方法,一般仅适用于水泵各信号是平稳随机信号的情形。然而在实测和研究中发现,由于水泵机组存在高频电磁噪声、泵内有严重的摩擦、产生气蚀、泵内存留空气、轴承磨损、联轴器不同心或泵轴弯曲、基础松软以及地脚螺钉松动等原因,水泵振动信号中还含有大量的非平稳成分,用经典的信号处理方法很难达到有效的效果。在信号的两种描述中,时域信号在时域范围内的每个时刻都对应一个幅度值,即在时域范围内是完全局部化的,但不包含任何频域信息,而傅立叶变换所刻划的频域信号,在频域范围内的每个频率都对应一个幅度值,即在频域范围内是局部化的,但不包含任何时域信息。也就是说,傅立叶变换存在时域和频域局部化矛盾。由于小波变换同时具有时域和频域局部化特性,这就决定了小波变换在信号监测和故障诊断过程中的特殊地位,它是一种新的、强有力的分析手段。
有关文献:Cornejo,J;Torres,Y.Fractional Fourier transform of two-dimensionalsignal with DSP device.In:Proceedings of SPIE-The International Society forOptical Engineering,v5622,n PART3,p1310-1315,2004;Cai,De.Using opticalseparable wavelet transform to construct oriented optical filter.In:Proceedingsof SPIE-The International Society for Optical Engineering,v 5642,p507-514,2005,Information Optics and Photonics Technology;Qi,Li-Mei.Wavelet transform theoryand its application in signal processing.In:Dianzi Keji Daxue Xuebao/Journal ofthe University of Electronic Science and Technology of China,v 37,n3,p386-388,May 2008;Barbu,Madalina.;Kaminsky,Edit J;Trahan,Russel E.Fractional fouriertransform for sonar signal processing.In:Proceedings of MTS/IEEE OCEANS,2005,v2005,2005,Proceedings of MTS/IEEE OCEANS,2005.刘希灵等.基于离散小波变换的岩石SHPB测试信号去噪.爆炸与冲击,2009 No.1.Celik,Turgay.Facial feature extraction usingcomplex dual-tree wavelet transform.In:Computer Vision and Image Understanding,v111,n2,p229-246,August 2008;宋振华等.贯流泵压力脉动测试信号的采集及处理分析.扬州大学学报:自然科学版,2009 No.2.陈燕等.基于LabVIEW的测试信号预处理方法研究.国外电子测量技术,2008,No.10.罗忠辉等.测试信号的小波包降噪技术及其应用研究.广东技术师范学院学报,2007,No.12.潘志义.小口径高炮随动系统测试信号的采集与数据处理.四川兵工学报,2008,No.3.张登峰等.一种改进的基于VC维的非平稳信号小波消噪方法.南京理工大学学报:自然科学版,2009 No.5。
机组运行过程中的轴心轨迹形状特征对判别整个转子轴系的故障非常重要,其形状是判断轴系运行状态和故障的重要依据,其中隐含着机组的各种故障信息。比如由转动部件不平衡或大轴轴线不直引起的摆度过大,轴心轨迹为椭圆形;出水管涡引起的轴心轨迹为规则或不规则花瓣形;油膜涡动引起的轴心轨迹为内“8”字形;不对中引起的轴心轨迹为香蕉形或外“8”字形等。轴心轨迹的判断也是当前研究的热点问题。有关文献:Hu M K.Visual patternrecognition by moment invariant.IRE Trans Information Theory.1962,(8):197-187.王俨剀等.基于傅立叶描述子自动识别轴心轨迹.机械科学与技术,2009 No.6.冯胜强等.基于频谱与轴心轨迹图的汽轮机RBF神经网络故障诊断研究.机械与电子,2009 No.9.桂中华等.小波包特征熵提取水电机组轴心轨迹形状.水力发电,2009 No.8.肖圣光等.旋转机械轴心轨迹识别方法研究.中国测试,2009 No.2.沙盛中等.基于数学形态学的轴心轨迹滤波提纯法.苏州大学学报:工科版,2007 No.4.江志农等.旋转机械轴心轨迹特征提取技术研究.振动.测试与诊断,2007 No.2.丁克北等.基于图像处理方法的轴心轨迹识别方法.风机技2006,No.5.
付波等.基于仿射不变矩的轴心轨迹自动识别方法.华中科技大学学报:自然科学版,2007No.3.陈喜阳等.一种新矩在水电机组轴心轨迹识别中的应用.华中科技大学学报:自然科学版,2006 No.3.丁克北等.基于模糊-小波神经网络的轴心轨迹识别方法.热能动力工程,2005 No.3.彭兵等.径向基神经网络在水轮发电机组故障诊断中的应用.水电自动化与大坝监测,2006 No.5.李允公等.基于复值过程高阶累积量谱的轴心轨迹分析的研究.机械工程学报,2005 No.1.叶大鹏等.基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统.机电技术,2003 No.B09.倪传坤等.基于SVD的水电机组轴心轨迹自动识别.水电自动化与大坝监测2003 No.6。
目前,就其故障诊断方面研究者提出了基于神经网络、模糊推理和专家系统等方法,也有综合各种方法的优点对其进行推理的。但是,由于泵站机组方面故障诊断专家知识库缺乏和泵站机组的征兆与故障之间的对应关系较复杂,在一定程度上限制了专家系统的建立和神经网络的利用。现有的一些实现故障诊断的手段都在一定程度上受到限制,但是进过近十几年的发展,在故障诊断方面还是得到了非常大的提高。
有关文献:Wang,Zihao;Mo,Yimin.Fault diagnosis expert system for diesellocomotive based on fault diagnosis binary tree.In:Zhongguo Tiedao Kexue/ChinaRailway Science,v29,n5,p98-101,September 2008;Zhang,Sheng;Asakura,Toshiyuki;Xu,Xiaoli;Xu,Baojie.Fault diagnosis system for rotary machine based on fuzzy neuralnetworks.In:JSME International Journal,Series C:Mechanical Systems,MachineElements and Manufacturing,v46,n3,p1035-1041,September 2003;Hayashi,Shoji;Asakura,Toshiyuki;Zhang,Sheng.Study of machine fault diagnosis system using neuralnetworks.In:Proceedings of the International Joint Conference on Neural Networks.v1,p956-961,2002;周刚等.集成神经网络方法在蒸汽发生器故障诊断中的应用.原子能科学技术,2009 No.11;曹祥宇等.小波分析在动态系统故障诊断中的应用.弹箭与制导学报,2009 No.5;魏伟等.电机故障诊断技术研究现状与发展趋势.微电机,2009 Vo42No.10;常攀等.基于振动测试的离心泵故障诊断.机械研究与应用,2009 No.5;唐贵基等.旋转机械故障诊断中的振动信号自适应分形压缩算法.振动.测试与诊断,2009 No.3。
实用新型内容
本实用新型目的在于,克服现有技术的缺点,提供一种便携式泵站机组状态检测与数据处理装置,能根据实际的泵站机组运行情况对机组进行检测,提高机组的安全运行时间和运行效率。
为了达到上述目的,本实用新型提供一种便携式泵站机组状态检测与数据处理装置,包括前置机和上位机,所述前置机包含有主控板,及以主控板为中心设置的模拟信号通道、转速通道和开关量通道,经各通道采集的信号送入主控板处理后,所得结果送入上位机。
而且,设置有16个模拟信号通道、2个转速通道和4个开关量通道。
而且,每个模拟信号通道包括依次连接的模拟信号适配器、隔离放大器和增益及偏移调整电路;每个转速通道包括依次连接的整形电路、光隔离器和缓冲器;4个开关量通道包括一个依次连接的4路开关量输入端子、光隔离器和缓冲器。
而且,所述主控板采用基于TMS320F28335芯片实现的浮点DSP系统,该系统以TMS320F28335芯片为控制中心设置了两个模拟输入接口、两组8通道信号调理电路、复杂可编程逻辑器件及网络协议栈接口,16个模拟信号通道通过两个模拟输入接口连接到两组8通道信号调理电路;设置开关量接口和串行数模转换器,转速通道和开关量通道经开关量接口与复杂可编程逻辑器件连接,复杂可编程逻辑器件经串行数模转换器连接到8通道信号调理电路。
而且,所述上位机采用PC机或便携机。
本实用新型电路设计集中度高,可以利用现有电路芯片方便地组装制造,便携性高。使用简单、执行效率高,适用于各种泵站机组,可有效提高机组检测的工作效率,减小维修成本,避免重大事故的发生。
附图说明
图1为本实用新型实施例的总体结构示意图;
图2为本实用新型实施例的调理板结构示意图;
图3为本实用新型实施例的主控板结构示意图。
具体实施方式
以下将结合附图和实施例对本实用新型作进一步说明。
参见图1,为了能够采集泵站机组或电动机状态,本实用新型包括前置机和上位机,所述前置机包含有主控板,及以主控板为中心设置的模拟信号通道、转速通道和开关量通道,经各通道采集的信号送入主控板处理后,所得结果送入上位机。考虑到实际应用需要,实施例设置有16个模拟信号通道、2个转速通道和4个开关量通道。从采集信号的角度看,16个模拟信号通道用于采集时,16路模拟信号输入与16个模拟信号适配器0、1、2、3…12、13、14、15一一对应,经模拟信号适配器转换为0v~10v后,由16路隔离模拟输入0、1、2、3…12、13、14、15调整为0v~3v信号电平,然后输入主控板;同样,2个转速通道用于2路频率信号输入,4个开关量通道用于4路开关量接点输入。模拟信号适配器可根据采集模拟信号的传感器信号灵活配置,例如可选UB5、UB1、U10、I420或I420P,以便将不同的输入信号形式和大小转换为统一的0~10v电压信号,同时起到一定的滤波作用。其中,UB5的输入范围为-5V~+5V,UB1的输入范围为-1V~+1V,U10的输入范围为0~10V,I420和I420P的输入范围为4~20mA。其中I420P有内部提供的24V传感器供电电源。
为了便于实施,本实用新型提供了各种通道具体实现方式:每个模拟信号通道包括依次连接的模拟信号适配器、隔离放大器和增益及偏移调整电路;每个转速通道包括依次连接的整形电路、光隔离器和缓冲器;4个开关量通道包括一个依次连接的4路开关量输入端子、光隔离器和缓冲器。除模拟信号适配器以外,其他电路可以集成到一个信号调理板上,以便制造安装。实施例的通道具体实现方式参见图2:模拟信号通道0的隔离模拟输入包括隔离放大器和增益及偏移调整电路,模拟信号适配器0的输出(0~10v)接入到隔离放大器后,再经增益及偏移调整电路调整为0v~3v后,才输出到主控板。实施例的隔离放大器采用ISO24P芯片。隔离的DC/DC电源模块采用KDYD241212,其输入为装置提供的统一24V独立电源(500w),输出为独立的+/-12V供电电源。因此实施例采用该电源向隔离放大器ISO24P输入端提供必需的操作电源。增益及偏移调整电路则采用+/-12V系统电源。模拟信号通道1到15结构与模拟信号通道0相同,不予赘述。这16个模拟信号通道0~15输出的16路模拟信号接入主控板的两个模拟输入接口J1和J2。转速通道0包括依次连接的整形电路、光隔离器和缓冲器,频率输入信号0(AC 0.2~240V)经过整形电路、光隔离器和缓冲器后,成为5v方波信号。转速通道1的结构相同,频率输入信号1也转换为5v方波信号。4个开关量通道由依次连接的一个4路开关量输入端子(记为J5)、光隔离器和缓冲器实现,4路开关量输入通过J5接入光隔离器后,经缓冲器调整到0~5V。2个转速通道0、1输出的2路方波信号和开关量通道输出的4路信号,一起接入主控板的一个模拟输入接口J1。实用新型的光隔离器采用ITL117,缓冲器采用74ACT14,缓冲器采用5V系统电源。
如图3,实施例的主控板采用基于TMS320F28335芯片实现的浮点DSP系统,该系统以TMS320F28335芯片为控制中心设置了两个模拟输入接口J1和J2、两组8通道信号调理电路、复杂可编程逻辑器件(CPLD)及网络协议栈接口(W5100A TCPIF),16个模拟信号通道通过两个模拟输入接口J1和J2连接到两组8通道信号调理电路,即可向DSP系统提供传感器所得模拟采样数据。主控板处理后所得结果通过支持以太网和TCP/IP协议的网络协议栈接口,即可送到上位机。
实施例还设置了开关量接口J3和串行数模转换器(TLV5638)。实施例的复杂可编程逻辑器件采用XC95144XL-144。系统内部所需的操作逻辑,引入到外部的所有开关量输入输出信号、转速信号、流速仪流量信号,以及串行通讯控制信号、数模转换换器TLV5638的控制信号均通过复杂可编程逻辑器件产生。采用XC95144XL-144芯片可以大大地提高系统硬件的灵活性,可以方便地通过编程改变系统的功能、逻辑和引脚配置。转速通道和开关量通道经开关量接口J3与复杂可编程逻辑器件连接,实现输入输出开关量、频率量。实施例还另外设置了一个备用的开关量接口J4以便进一步的功能扩展。实施例的串行数模转换器采用提供了2通道的TLV5638,复杂可编程逻辑器件经串行数模转换器,可以输出两路信号分别连接到两组8通道信号调理电路。这样可以将DSP产生的数字量转换为模拟量,再经由设放大调理电路进一步转换为系统输出的模拟信号。此外,为了保证主控板正常运行,具体实施时还需要提供时钟、电源、调试接口等外围电路。例如,为网络协议栈接口和TMS320F28335芯片提供25MHz晶振,为8通道信号调理电路和复杂可编程逻辑器件提供ONS1117-3.3电源芯片(提供3.3V工作电源);在TMS320F28335芯片的外围设置SRAM、TPS70351PWP低压差电源芯片(提供1.8和3.3V工作电源)、TI JTAG调试口,SRAM可采用IS61LV25616AL/IS61LV51216AL;在复杂可编程逻辑器件的外围设置16MHz时钟发生器、Xilinx JTAG调试口、MAX3221(提供串口通讯)和系统辅助通讯接口J6(支持SCI,SPI,CAN,I2C,RS232)。这些外围电路的具体设置属于本领域技术人员公知常识(例如SRAM和TMS320F28335之间、W5100A TCPIF和TMS320F28335之间分别进行了数据线DB、地址线AB、控制线CB的连接),实施时可参考相关芯片产品说明书,本实用新型不予赘述。
本实用新型所提供装置的前置机支持数据的双向通信,支持对采集到的输入信号进行硬件滤波、进一步的电平变换、实时数据采集、简单的信号分析处理以及软件滤波等,并将采集到的信息和必要的分析处理结果通过局域网和TCP/IP协议发送给上位机(PC机或便携机)。而上位机则可以安装应用软件系统,提供各种功能。上位机可以通过网络协议栈接口向前置机发布相应的命令,进而从前置机获得各种数据和分析的结果,以多种方式进行数据存储、显示、分析和诊断。从网络结构上看,前置机的功能类似于数据服务器,是整个系统的数据核心,其采集和处理的数据是实现系统各功能的基本依据。而上位机的作用类似于客户机,提供了实现系统各种功能的工具、方法和人机界面。由于前置机与上位机间采用网络通讯方式,因此,可以借助Internet实现远程测试,即前置机与上位机的通讯距离不受限制,只要中间有局域网或Internet联接即可。
为了便于实施参考,本实用新型提供在上位机安装的应用软件系统设计方案:
(1)、应用软件系统包括通道参数设置、通道监视、读取设置文件和保存设置文件4项功能。分别由“系统操作”菜单引导项下的“通道参数设置”、“系统通道监视”、“读取设置文件”和“保存设置文件”菜单选项启动。其中的读取设置文件和保存设置文件功能较为简单,主要用于读取或保存系统的参数设置文件(包括通道设置参数)。
(2)、通道参数设置功能包含有3个子界面,前两个子界面的每一个可以设置8个模拟输入通道,后一个子界面用于设置两个转速输入通道,不同的子界面可通过点击界面下的标签方便地切换。通道设置功能用于对数据采集通道的相关参数进行定义和设置(即常说的通道率定功能)。为增加系统软件的灵活性、可移植性和可扩展性,系统所有通道的测试对象及参数均可自行定义。因此,当系统第一次运行或硬件进行调整后必须对每一通道进行通道设置以满足系统运行的要求。这些参数包括通道测试对象名称、测试对象的物理单位、所选用的信号是配器型号、通道灵敏度K及通道偏移量B。其中灵敏度是对输入信号电压值转换为物理单位的乘系数,偏移量是在物理单位下的加系数。
(3)、系统通道监视功能是为了检查各通道信号接线是否正确,检查各通道信号输入是否正常,并为硬件电路的灵敏度整定提供必要的信息。当要选择系统的通道系统通道监视功能时,相应的画面上出现18块虚拟电压表,其中包括16块模拟电压表,用于显示当前16个模拟输入通道所采集的原始信号值(传感器的输出电量值),以及2个数字式转速表,用于显示2个转速输入通道所采集的脉冲数/每秒。从这些虚拟的模拟表或数字表上,可以方便地判断仪器各通道的运行情况,从而作为判断仪器及传感器工作正常的依据。
(4)、数据采集与分析功能启动后,首先进入数据采集界面。界面可同时显示两个通道的波形和数据(上下两部分)。其中,右半部为虚拟示波器,用于显示某通道的时域波形,左半部为一系列的选择控件和数据框,用于选择当前要显示波形的通道号和波形绘制颜色,及显示波形的物理单位、实时值、最大值、最小值、峰峰值、平均值、有效值、平均绝对幅值、偏度值及峭度值。
(5)、频谱分析功能界面可同时显示两个通道的频谱图(上下两部分)。右半部为虚拟示波器,用于显示某通道频谱图,左半部为一系列的选择控件和数据框,用于选择当前要显示频谱的通道号、频谱绘制颜色、分析方法(包括幅值谱、相对幅值谱分析、功率谱分析以及相对功率谱分析)、波形横坐标的绘制方法(线性坐标或对数坐标),以及显示频谱的物理单位、最大谱线的高度及发生的频率。选择要分析的通道、分析方法及横坐标的绘制方法后,点击分析按键,则相应的频谱图就出现在相应的虚拟示波器中。
(6)、轴心轨迹功能用于绘制泵机组在运行时轴心的运动轨迹,从而为泵的故障诊断提供依据。界面包含3个主要的虚拟示波器区域。其中,右侧大示波器用于绘制轴心轨迹图;左侧2个小示波器及其周围的控件用于选择、载入和显示相应的摆度测量波形。此外,为保证轴心轨迹的相对光滑,还可实现对摆度实时波形进行制定截止频率的滤波。当反映X轴、Y轴的摆度波形已经载入,并已经过适当的滤波(如果必要),点击界面左下方的轴心轨迹绘制按键,则泵机组的轴心运行轨迹将出现在右侧的轴心轨迹示波器中。当然,游标分析功能、波形局部放大功能和轴心轨迹的图形拷贝功能也在该示波器上提供。略有不同的是,轴心轨迹的图形拷贝功能需点击界面左下方的复制按键.
(7)、相关分析功能用于检验任意两通道信号的相关性。通常有助于查找产生泵在运行过程中的振动源。界面由上至下包含3个主要的虚拟示波器。其中第一个虚拟示波器及其对应的控件用于选择、显示参与相关分析的第一个变量。第二个虚拟示波器及其对应的控件用于选择、显示参与相关分析的第二个变量。第三个示波器用于显示相关分析的结果波形。在第三个示波器的左侧,布置了一系列的按键,用于启动不同的相关分析方法。
(8)、三维分析主要有两个的功能。其中之一用于将每个模拟输入通道信号的频谱图绘制在一个三维图形上,便于比较不同通道信号的频谱特性。另一个功能用于将某个通道在不同时间的频谱图绘制在一个三维图形上,用于比较该信号频谱随时间的变化趋势。
(9)、小波分解主要用于信号的去噪声或滤波,同时,在某分解层次上,也可突出故障信号的存在。其理论基础是多分辨分析算法。它的基本原理是将原时域波形从高频到低频分解为一系列的由小波系数构成的小波域波形。然后,在小波域上,按某种准则,去掉某些不希望的成分,并进行小波重构,则可实现原时域波形降噪(类似于低通滤波)或其余各种方式的灵活滤波。
(10)、本系统的BP神经网络模型是由输入层、输出层和一个隐含层组成的前馈网络,同层各神经元互不连接,相邻层的神经元通过权连接。BP学习算法由两部分组成:信息的正向传递与误差的反向传播。在正向传递过程中,输入样本信息从输入层经隐含层逐层计算传向输出层,每一层节点的状态只影响下一层节点的状态。如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传播,通过网络将误差信号沿原来的连接通路反传回来修改各层节点的权值与阈值直至达到期望目标。该网络本质上是实现了一个从输入层到输出层的映射。对于轴心轨迹自动识别系统来说,就是从轴心轨迹特征矩向量到轴心轨迹库分类编码向量的映射。神经网络是通过对样本的学习,将这种映射关系信息以权值和阈值的形式分布到网络内部,并且利用神经网络的信息保持性来完成轴心轨迹自动识别的。该神经网络还具有极强的自学习能力,对于新的轴心轨迹样本,可以通过权值、阈值的改变进行学习、记忆、存储,进而在以后的系统运行中能够自动识别这些新的轴心轨迹类型。
(11)、泵站机组的故障诊断是通过研究故障原因与征兆之间的对应关系进行判断和识别的。模糊集理论能够利用模糊集合的运算和变换进行复杂故障的自动诊断和推理。模糊产生式规则是对传统产生式规则的模糊化,规则前提事实中可以包含诸多不同类型的故障征兆,反映出故障不同方面的信息,模糊产生式规则的使用体现了多症兆的综合作用和对诊断知识的不确定性表示。模糊产生式规则具有以下特征是前提条件和结论模糊化,即前提条件用模糊状态量词表达模糊关系和状态,并按一定原则进行匹配;规则的结论和动作具有0-1之间的可信度;设置规则的激活阈值τ,只有前提条件的真值大于等于τ时,规则才被激活。
具体实施时,本领域技术人员可根据需要自行设计应用软件系统。本实用新型的保护范围不限于以上实施例。
Claims (5)
1.一种便携式泵站机组状态检测与数据处理装置,其特征在于:包括前置机和上位机,所述前置机包含有主控板,及以主控板为中心设置的模拟信号通道、转速通道和开关量通道,经各通道采集的信号送入主控板处理后,所得结果送入上位机。
2.根据权利要求1所述的便携式泵站机组状态检测与数据处理装置,其特征在于:设置有16个模拟信号通道、2个转速通道和4个开关量通道。
3.根据权利要求2所述的便携式泵站机组状态检测与数据处理装置,其特征在于:每个模拟信号通道包括依次连接的模拟信号适配器、隔离放大器和增益及偏移调整电路;每个转速通道包括依次连接的整形电路、光隔离器和缓冲器;4个开关量通道包括一个依次连接的4路开关量输入端子、光隔离器和缓冲器。
4.根据权利要求3所述的便携式泵站机组状态检测与数据处理装置,其特征在于:所述主控板采用基于TMS320F28335芯片实现的浮点DSP系统,该系统以TMS320F28335芯片为控制中心设置了两个模拟输入接口、两组8通道信号调理电路、复杂可编程逻辑器件及网络协议栈接口,16个模拟信号通道通过两个模拟输入接口连接到两组8通道信号调理电路;设置开关量接口和串行数模转换器,转速通道和开关量通道经开关量接口与复杂可编程逻辑器件连接,复杂可编程逻辑器件经串行数模转换器连接到8通道信号调理电路。
5.根据权利要求1或2或3或4所述的便携式泵站机组状态检测与数据处理装置,其特征在于:所述上位机采用PC机或便携机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010201779195U CN201687699U (zh) | 2010-04-26 | 2010-04-26 | 一种便携式泵站机组状态检测与数据处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010201779195U CN201687699U (zh) | 2010-04-26 | 2010-04-26 | 一种便携式泵站机组状态检测与数据处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN201687699U true CN201687699U (zh) | 2010-12-29 |
Family
ID=43375982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010201779195U Expired - Fee Related CN201687699U (zh) | 2010-04-26 | 2010-04-26 | 一种便携式泵站机组状态检测与数据处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN201687699U (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013037086A1 (en) * | 2011-09-14 | 2013-03-21 | General Electric | System and method for collecting fluid leaking from a wind turbine component |
CN104166009A (zh) * | 2014-07-28 | 2014-11-26 | 南京铁道职业技术学院 | 基于可视化的永磁同步电机的转速轮询式检测系统及方法 |
CN105991134A (zh) * | 2016-02-18 | 2016-10-05 | 中国科学院等离子体物理研究所 | 一种强电磁环境下的高速ad-da转换器 |
CN108153266A (zh) * | 2017-12-27 | 2018-06-12 | 河海大学常州校区 | 一种基于功率检测的泵站信息智能监测终端的率定方法 |
CN113048072A (zh) * | 2021-03-19 | 2021-06-29 | 江苏大学 | 一种泵站智能检测系统 |
-
2010
- 2010-04-26 CN CN2010201779195U patent/CN201687699U/zh not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013037086A1 (en) * | 2011-09-14 | 2013-03-21 | General Electric | System and method for collecting fluid leaking from a wind turbine component |
CN104166009A (zh) * | 2014-07-28 | 2014-11-26 | 南京铁道职业技术学院 | 基于可视化的永磁同步电机的转速轮询式检测系统及方法 |
CN105991134A (zh) * | 2016-02-18 | 2016-10-05 | 中国科学院等离子体物理研究所 | 一种强电磁环境下的高速ad-da转换器 |
CN108153266A (zh) * | 2017-12-27 | 2018-06-12 | 河海大学常州校区 | 一种基于功率检测的泵站信息智能监测终端的率定方法 |
CN108153266B (zh) * | 2017-12-27 | 2020-03-10 | 河海大学常州校区 | 一种基于功率检测的泵站信息智能监测终端的率定方法 |
CN113048072A (zh) * | 2021-03-19 | 2021-06-29 | 江苏大学 | 一种泵站智能检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Vibration signal analysis using parameterized time–frequency method for features extraction of varying-speed rotary machinery | |
CN201687699U (zh) | 一种便携式泵站机组状态检测与数据处理装置 | |
Zhao et al. | Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multi-kernel support vector machine | |
CN103472802B (zh) | 风力发电机组智能状态监测终端及其数据处理方法 | |
CN104865400B (zh) | 一种风电机组转速的检测识别方法及系统 | |
CN108507787A (zh) | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 | |
CN104198190A (zh) | 航空发动机综合测试系统 | |
CN1869719A (zh) | 基于多判据融合的分布式发电机转子绕组匝间短路在线监测方法 | |
CN102456419A (zh) | 核反应堆屏蔽泵运行故障监测方法及其监测系统 | |
CN101776508A (zh) | 旋转机械的光机电多参数精密监测装置 | |
CN102914432A (zh) | 一种检测机械故障的振动和声发射信号调理仪 | |
CN110907112A (zh) | 一种非正弦振动台设备故障诊断方法和系统 | |
CN103808405A (zh) | 烟气发电机组振动故障的自动诊断方法和装置 | |
CN2771505Y (zh) | 水轮发电机组监测及专家模糊诊断装置 | |
CN107300467B (zh) | 一种低速重载传动装置故障诊断方法 | |
CN203422633U (zh) | 多信号采集的测速及反转保护控制装置 | |
CN215179439U (zh) | 一种基于多源传感器的油液磨粒在线智能监测装置 | |
Wu et al. | Fault Diagnosis of Wind Turbine Vibration Based on Wavelet Transform And Neural Network. | |
CN112799378A (zh) | 一种用于风力发电机组硬件信号的诊断及模拟方法 | |
CN110686830B (zh) | 在线柴油机活塞环状态检测方法 | |
Hu | Acoustic diagnosis method for engine failure | |
CN209230776U (zh) | 一种旋转机械监视保护及振动分析组合仪表 | |
CN112857806A (zh) | 一种基于移动窗口时域特征提取的轴承故障检测方法 | |
Shi et al. | Research of dynamic load identification for rock roadheader | |
Rangel-Rodriguez et al. | Detection of Multiple Faults in a Low-Power Wind Turbine by using Convolutional Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101229 Termination date: 20120426 |