一种基于支持向量机和数据驱动的旋转电机状态监测方法与流程
本发明涉及一种基于支持向量机和数据驱动的旋转电机状态监测方法，用于各类工厂内旋转电机设备的振动信号的检测、诊断与预警。
背景技术：
电动机作为核心部件，被广泛地应用于生产现场的各种场合。电机的分类有很多，例如伺服电机、步进电机、直流电机等等，而其基本原理都是将电能转化为机械能，产生驱动转矩应用在生产的各方面。在实际的生产使用中，一个工厂常常需要使用大中小型的电机若干台，从每分钟百转到每分钟万转的电机都存在，而同样型号的电机可能所处于的工作环境也不同，所以电机的型号差异性以及电机的使用环境也会不同程度的造成电机可靠性判断的差异。
电动机是制造业领域用途最为广泛的设备之一，其性能高低决定着生产流水线产品质量的好坏。例如在石油冶炼行业中，发动机便用在空气压缩、冷却水循环、原料进给、阀门驱动等环节。为了能够准确掌握电动机运行情况，保证各个环节的正常工作，需要通过测量电动机的振动信号，作为分析电动机是否故障的重要依据。一方面,现在科学进步使得工厂日益大型化，复杂化以及分散化，设备的数量迅速上升，分布则愈加分散。设备一旦发生故障,轻则停机,造成重大的经济损失,重则造成设备毁坏和人生伤亡。无论什么样的事故都会对生产带来巨大影响。同时，设备维修费用在成本管理以及人员使用中占了很大的比例，如果在设备发生故障后进行维修则成本巨大。纵观目前我国的传统的制造生产、能源等等企业，如冶金、石化、传统发电和新能源等领域的企业，并没有一套成熟的、可用于实时监测旋转电机运行情况的系统。
在进行故障诊断，最初的方法就是定期停机检修。定期停机检修的操作成本非常高，需要中断几天的生产以及投入人员将每个设备检测，观察运行情况，往往效果很差。发展至今，企业偏向于指定检修员定期巡视生产现场。这种方式依赖于检修员的经验以及对旋转电机的了解情况，缺点是同样导致企业生产成本的增加，并且检修员无法根据不同型号的电机做出不同的判断，也无法将数据保存至服务器端进行综合管理，耗费大量人力物力，也无法做到对故障的及时预判与处理。
技术实现要素：
本发明的目的在于针对现有技术的不足，提供一种基于支持向量机和数据驱动的旋转电机状态监测方法。
本发明的目的是通过以下技术方案来实现的：一种基于支持向量机和数据驱动的旋转电机状态监测方法，该方法包括以下步骤：
步骤1、在旋转电机的外壳安装数据采集装置，所述数据采集装置包括加速度传感器、电源模块和lora通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；
步骤2、将步骤1采集的数据通过lora通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；
步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：
a)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；
b)温度值超过阈值；
c)除旋转电机主频外有其他明显主要频率成分存在；
d)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；
若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；
步骤4、采用大量历史加速度、速度数据代入自回归滑动平均(arima)模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；
步骤5、将步骤4得到的平均误差值作为主要特征，再根据旋转电机的辅助特征，利用支持向量机对旋转电机当前情况进行分类；辅助特征包括：温度、电机当前转速、电机当前功率、电机当前转速与额定转速之比、当前功率输出与额定功率之比、电机转子电流大小、电机目前负载、等级；支持向量机的输出可分为多种故障情况，若直接考虑振动三轴误差，可判断电机目前安装状态是否正常；若振动误差过大且出现功率比过低，则考虑轴承是否连接正常；若出现误差产生周期性突然增大，即误差出现脉冲现象，则判断轴承某处出现裂痕问题；若误差周期性增大且电机功率突然下降，则判断电机抱轴问题；若出现温度过高，转子电流过大，则判断出现电压过高、轴承过热问题，支持向量机以振动误差作为主要参数，参考辅助特征给出故障情况。
进一步地，所述数据采集装置还包括湿度传感器，通过湿度值辅助工人检查电机运行状况；湿度值在步骤3中可作为判断条件辅助监测旋转电机健康状况。
进一步地，所述步骤3中，利用morlet小波对原始加速度和速度数据进行小波变换得到时频谱图，公式为：
fd＝fa·fs/a
式中，ω(t)表示小波函数，i表示复数，t表示时间，a表示小波变换尺度，σ表示小波平移系数；
进一步地，所述步骤4中采用自回归滑动平均(arima)模型训练预测模型，公式为：
xt表示当前时刻预测值，xt-1,…,xt-p为人为选取的历史数据，
参数训练需要前期的历史数据代入得到参数，再利用预测时刻前一至两个星期加速度、速度数据预测当天运行曲线。
进一步地，步骤4中所述的误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值xt补偿得到新的测量值
erorrt＝erorrt-1+et
error表示误差值，即每一时刻真实值与预测值的差，初始值为零，和测量值的维数相同；t表示时刻，et表示在t时刻的测量误差值；在t时刻，预测值则会加上从0，…，t-1时刻的该位置误差值的平均值；采用
进一步地，所述步骤1中电机健康状态评估根据国家标准gb/t6075和国际标准iso-10186振动设备监测评估标准确定，不同功率不同转速的电机标准不同，主要参考参数为振动设备速度值，预测曲线以及预测曲线的平均误差为辅助判断旋转电机状态的指标。
本发明的有益效果是：本发明方法除了针对真实振动速度的超限报警，还可以针对电机的振动速度以及振动位移进行电机运行故障提前故障时间预测。本发明方法可以避免周期性定时停机检查，可以大大减少盲目维修及突发性事故停机时间。随着历史数据累积，本发明方法可以实时间隔一段时间内重新修正参数值，在线实时更新参数。
附图内容
图1是数据采集装置安装于旋转电机的示意图。
图2表示利用曲线拟合计算旋转电机的限值流程图。
图3-a表示采集数据滤波前的频域波形。
图3-b表示采集数据滤波后的频域波形。
图4-a表示x加速度数据均方根值。
图4-b表示y加速度数据均方根值。
图5表示测量温度值数据均方根值。
图6表示加速度数据正常时小波变换图。
图7表示加速度数据异常时小波变换图。
图8表示速度预测曲线的真实值与预测值的曲线对比(预测96个点位图)。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于支持向量机和数据驱动的旋转电机状态监测方法，该方法包括以下步骤：
步骤1、在旋转电机的外壳安装数据采集装置，如图1所示，所述数据采集装置包括加速度传感器、电源模块和lora通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；
步骤2、将步骤1采集的数据通过lora通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；
步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：
a)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；
b)温度值超过阈值；
c)除旋转电机主频外有其他明显主要频率成分存在；
d)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；
若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；
步骤4、采用大量历史加速度、速度数据代入自回归滑动平均(arima)模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；
步骤5、将步骤4得到的平均误差值作为主要特征，再根据旋转电机的辅助特征，利用支持向量机对旋转电机当前情况进行分类；辅助特征包括：温度、电机当前转速、电机当前功率、电机当前转速与额定转速之比、当前功率输出与额定功率之比、电机转子电流大小、电机目前负载、等级；支持向量机的输出可分为多种故障情况，若直接考虑振动三轴误差，可判断电机目前安装状态是否正常；若振动误差过大且出现功率比过低，则考虑轴承是否连接正常；若出现误差产生周期性突然增大，即误差出现脉冲现象，则判断轴承某处出现裂痕问题；若误差周期性增大且电机功率突然下降，则判断电机抱轴问题；若出现温度过高，转子电流过大，则判断出现电压过高、轴承过热问题，支持向量机以振动误差作为主要参数，参考辅助特征给出故障情况。
进一步地，所述数据采集装置还包括湿度传感器，通过湿度值辅助工人检查电机运行状况；湿度值在步骤3中可作为判断条件辅助监测旋转电机健康状况。
进一步地，所述步骤3中，利用morlet小波对原始加速度和速度数据进行小波变换得到时频谱图，公式为：
fd＝fa·fs/a
式中，ω(t)表示小波函数，i表示复数，t表示时间，a表示小波变换尺度，σ表示小波平移系数；
进一步地，所述步骤4中采用自回归滑动平均(arima)模型训练预测模型，公式为：
xt表示当前时刻预测值，xt-1,…,xt-p为人为选取的历史数据，
参数训练需要前期的历史数据代入得到参数，再利用预测时刻前一至两个星期加速度、速度数据预测当天运行曲线。
进一步地，步骤4中所述的误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值xt补偿得到新的测量值
erorrt＝erorrt-1+et
error表示误差值，即每一时刻真实值与预测值的差，初始值为零，和测量值的维数相同；t表示时刻，et表示在t时刻的测量误差值；在t时刻，预测值则会加上从0，…，t-1时刻的该位置误差值的平均值；采用
进一步地，所述步骤1中电机健康状态评估根据国家标准gb/t6075和国际标准iso-10186振动设备监测评估标准确定，不同功率不同转速的电机标准不同，主要参考参数为振动设备速度值，预测曲线以及预测曲线的平均误差为辅助判断旋转电机状态的指标。
实施例
根据图1，在旋转电机的外壳上采用螺纹方式固定采集电路板，且在周围用三个螺丝加以固定。图2为对电机运行状况分类的算法流程图，对每个电机信息进行小波分析、arima模型预测、提取特征最后进行svm分类，对电机分为稳定(运行平稳且噪声小)、良好(出现噪声)、运行警示(大量数据中出现故障特征)、运行警报(故障特征明显且带有周期性，建议现场检查)、运行停机警告(立即停机，信号全部为故障特征)。图3-a、图3-b表示采集的示例数据的频谱图，图3-a为原始数据变换后的数据，图3-b为滤波后得到的频谱图。图4表示x、y两轴加速度经滤波后再经由均方根计算得到的加速度均方根曲线。图5为温度值经过均方根计算得到的均方根曲线。图6为旋转设备正常时小波变换图；图7为旋转设备异常时小波变换图，与图6相比在500-1000hz频段上出现了一些明显的频率成分，说明设备异常时振动周期加快且不稳定变化。图8表示了预测值和真实值的对比，每一时刻误差在1m/s以下，通过修正预测参数与预测方法可以达到更高精度。
本实施例的技术方案在试验中分为硬件与软件两个部分。硬件部分方案：最前端监测模块含有具有无线通讯功能的lora模块、三轴加速度传感器、温湿度传感器、电源模块和处理器芯片，在后端需要lora信息接收网关以及与之连接的上位机。软件部分方案：采用python编程语言的flask框架作数据端接收、处理和存储，该方法在后台利用python语言实现，数据可视化使用传统的网页展示。
硬件部分：通讯、电源、测量变量模块以及主控芯片集成于一个电路板内，通讯部分则有天线用于发送接收信号。整体装置水平安装于旋转电机外壳，加速度模块水平紧贴于外壳。利用焊接等技术固定于旋转电机外壳，电路板与电池也利用螺孔螺丝连接固定；网关则使用lora协议专用的通讯网关，与上位机通过rj45连接口相连，采用tcp/ip协议传输信息；上位机采用一般电脑或者工控机即可。
工作人员安装数据采集装置至旋转电机外壳上。然后待到一定时间后，上位机收集数据，得到旋转电机在正常状态下未来运行趋势以及频谱信息，代入该方法中得到分析数据，通过分析数据判断旋转电机目前运行情况。数据的接收间隔时间也是根据分析结果而定。当旋转电机运行状态一切正常时，在每一小时内传送一次数据；当旋转电机在某些时间段上分析结果为故障时，则缩短数据传输间隔；当旋转电机持续提醒故障时，数据采集与发送间隔很短，几乎达到在线实时监测。
- 还没有人留言评论。精彩留言会获得点赞！