本发明涉及机械安全领域，涉及一种冶金风机故障诊断方法。
背景技术：
冶金风机广泛应用于钢铁冶金行业，并且是焦化、烧结、炼铁、炼钢、轧钢等主要生产工艺过程中的关键设备，用量非常大。由于冶金风机长期工作在高温、高压、特别是高金属粉尘的恶劣环境下，极易发生故障。一旦出现问题，如果没有较完善的诊断维护措施，将会严重影响正常生产。如果轻则降低了整个生产线的生产效率，如果严重则引起停机和生产停顿，最后造成重大经济损失，甚至出现设备毁坏、危及生命安全的恶性事故。常规故障诊断方法越来越难以满足人们对冶金风机故障诊断提出的自动化和智能化的要求。
技术实现要素：
有鉴于此，本发明提供一种解决或部分解决上述问题的冶金风机故障诊断方法。
为达到上述技术方案的效果，本发明的技术方案为：一种冶金风机故障诊断方法，包含以下步骤：
1)在冶金风机的内部，放置多个振动传感器，通过振动传感器内置的振动感应电路对机械振动进行感应，机械振动转换为电压信号，通过与电压比较器比较，输出高低电平，将电压信号转换为数字信号，并将转换的时间点也记录下来；
并且，在振动传感器中外置风速检测装置，通过风速检测装置来检测风速，当风速大于7.5级，提高振动感应电路的精度，再一次进行机械振动的感应，如果仍然检测到机械振动，再进行下一步，以此剔除由风引起的机械振动；
设定采样周期，在一个采样周期，重复上述过程，采集一组由数字信号以及转换的时间点组成的数据；
2)设置阈值，对一组由数字信号以及转换的时间点组成的数据进行操作，当数字信号超过所设置的阈值，结合数字信号与转换的时间点，将其表示成坐标轴上的点，X坐标为转换的时间点，Y坐标为数字信号的值，将一个采样周期内的坐标轴上的点收集，组成时间序列数据，以转换的时间点的大小从小到大偏序排列；
3)对时间序列数据进一步的处理，首先对采用低通滤波器进行限制，将特定频率的数字信号滤除，并将相应的坐标轴上的点也除去，组成滤除后的时间序列数据，将滤除后的时间序列数据看作是正态分布的，计算其包含的数字信号的标准差σ与均值进行错点剔除，将包含大于与小于区间内的数字信号从滤除后的时间序列数据中连同相应的转换的时间点一起去除，得到新的时间序列数据；
4)对新的时间序列数据进行傅里叶变换，将其中包含的数字信号通过傅里叶变换到频域上，其中所用的傅里叶级数为c(t)，其横坐标为cΔf，那么相应的纵坐标为c(cΔf)，画出数字信号的频谱，数字信号的频谱为幅值随频率变化的曲线；提取特征频率位置，分别为1倍频、2倍频、3倍频的幅值作为故障特征值，对其归一化处理，将归一化后的故障特征值转化为分量为0～1之间的故障特征向量，将2个支持向量机串联作为故障分类器，即一个支持向量机的输出为另一个支持向量机的输入，将故障特征向量作为故障分类器的输入，对故障分类器进行训练，来确定冶金风机的工作状态以及故障类型。
本发明的有益成果是：本发明采用了智能诊断的方法，在冶金风机的结构特点、故障类别以及传感器测点布置进行分析的基础上，通过冶金风机远程监测来诊断故障，能有效地获取、传递、处理、再生和利用故障信息，准确地识别诊断对象的状态。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：
实施例1：在冶金风机运转时，由于设备本身结构的特点和运行故障等内部因素，使得转子系统必然产生振动。当通过在适当的位置布置的传感器拾取其振动信号，这些振动信号中就包含了丰富的设备状态信息，通过对振动信号的分析与处理，便可以识别出故障并进一步对其进行诊断。
由于冶金风机长期工作在高温、高压、尤其是高金属粉尘的环境下，因此所表现的故障特点与其它旋转机械有较大差别：
1.冶金风机叶轮内流场实际上是由空气和金属粉尘组成的气固两相流场，在高速旋转过程中容易造成叶片磨损；
2.由于冶金风机流场介质含有高温气体，大量冶金风机使用温度范围为80～1200℃，因此所采用的材料为奥氏体钢、半马氏体钢或耐热合金钢，而普通风机的工作温度一般不超过80℃，所使用的材料为普通钢。冶金风机材料的不同，使得其所发生的转子裂纹、转子不平衡等故障所表现的征兆与普通风机也会有所不同；
3.一台冶金风机设备包括大功率的电机、风机、液力耦合器等多个部件，构成设备的各部件之间相互联系、紧密耦合，使得故障原因与故障征兆之间表现出错综复杂的关系。即使同一种故障征兆也往往对应着几种故障原因，同一种故障原因又会引起多种故障兆。这种原因与征兆之间的复杂关系使得诊断过程中的知识库极其庞大，不利于维护。
4.当冶金风机设备中的某一部件出现故障时，将会导致与它相关的部件状态发生变化，至使新的故障的产生，这就带来了系统中多个故障并存的情况。由于并发故障的动力学行为与单一故障相比更加复杂，而且相互影响，如果采用单一故障的诊断方法，容易造成诊断的误诊和漏诊。
5.随着冶金风机工作环境的变化，系统各个组成部件的特性以及相互之间的联系将发生变化，即故障原因与故障征兆之间的关系不是一成不变的，因此，反映这种故障变化的诊断系统必须具有智能性。
进行故障诊断时，需要大量的输入输出样本来构成样本集，神经网络通过对样本集中数据的训练来学习输入和输出之间的映射关系。样本集的构造可采用实验的方法获得。可以人为设置故障，假设目标输出向量，提取振动信号的不同频率处的特征值，构成输入向量，则可获得一个输入输出样本来对应。采用这样重复的方法，可以获得多个样本来构造样本集。对于多种故障类别，用概率“1”表示该类故障发生，用概率“0”表示该类故障不发生，则目标输出向量将变为多维向量。例如转子不平衡、转子不对中、叶片磨损三类故障，则用向量[1 0 0]表示当前发生的是转子不平衡故障，其它两类故障不发生。
实施例2：由于冶金风机的故障症状在时域中一般很难识别，但在频域中常常反映为某个特征频率的幅值突然增大。因此，以频率特征值作为输入故障样本是一种行之有效的方法。傅里叶分析的结果中包含各种频率成分所对应的振动幅值的大小，其分布与机械故障有直接的关系。例如，转频的一倍频幅值大小表示存在不平衡类的故障，转频的二倍频幅值的大小与轴系不对中有关，转频的0.5倍频附近幅值大说明转子可能存在涡动故障，高次谐波多表示可能存在转子动静部件的摩擦等，因此可提取信号的频率特征作为故障诊断的依据。
将新的时间序列数据进行傅里叶变换将其中包含的数字信号通过傅里叶变换到频域上，其中所用的傅里叶级数为c(t)，其横坐标为cΔf，那么相应的纵坐标为c(cΔf)，画出数字信号的频谱，数字信号的频谱为幅值随频率变化的曲线；提取特征频率位置，分别为1倍频、2倍频、3倍频的幅值作为故障特征值，对其归一化处理，将归一化后的故障特征值转化为分量为0～1之间的故障特征向量，将2个支持向量机串联作为故障分类器，即一个支持向量机的输出为另一个支持向量机的输入，将故障特征向量作为故障分类器的输入，对故障分类器进行训练，确定冶金风机的工作状态以及故障类型。
支持向量机求得的判别函数形式上类似于一个神经网络。其输出是若干隐层中间层结点的线性组合，而每一个隐层结点对应于输入样本与一个支持向量的内积，因此又被称作是支持向量网络。
支持向量网络的基本思想是从线性可分情况下的最优分类面发展而来的。假设有两类样本，记录分类线与各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离为分类间隔，所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。
采用结构风险最小化原则的支持向量机，作为一种通用的学习机，支持向量机是统计学习理论用于解决实际问题的具体实现。它在本质上是求解凸二次规划问题。从理论上说，能够获得全局最优解，从而有效地克服了神经网络等方法无法避免的局部极值问题。专门针对有限样本情况而设计的学习机，它采用结构风险最小化原则，同时对经验风险和学习机的复杂度进行控制，有效地避免过学习现象的产生，能够获得比传统学习方法更优良的泛化能力。通过核函数的引入较好地避免了耗时的高维内积运算。支持向量机通过非线性映射把低维输入空间的学习样本映射到高维特征空间，然后通过核函数的引入巧妙地避免了耗时的高维内积运算，使得算法的复杂度与特征空间的维数无关。
以上所述仅为本发明之较佳实施例，并非用以限定本发明的权利要求保护范围。同时以上说明，对于相关技术领域的技术人员应可以理解及实施，因此其他基于本发明所揭示内容所完成的等同改变，均应包含在本权利要求书的涵盖范围内。
本发明的有益成果是：本发明采用了智能诊断的方法，在冶金风机的结构特点、故障类别以及传感器测点布置进行分析的基础上，通过冶金风机远程监测来诊断故障，能有效地获取、传递、处理、再生和利用故障信息，准确地识别诊断对象的状态。