一种变频水泵状态监测与故障诊断系统及方法与流程

本发明属于水泵监测技术领域，具体涉及一种变频水泵状态监测与故障诊断系统，还涉及该系统的诊断方法。

背景技术：

变频水泵作为一种常见的机械工业设备，被广泛的应用于国家生产的各个领域当中，为工业生产做出了巨大贡献，其运行状态是否良好直接影响着现代工业的生产状况。因此，使用者有必要时刻了解其运行状态。一旦变频水泵产生了异常，轻则会使工业生产受损，重则会给企业员工造成生命影响。在变频水泵发生故障后，快速做出警示可以提醒使用者及时对其进行维修，对企业的安全生产具有至关重要的作用。

目前，国内外对机械设备多数还是采用事后维修或计划维修方式，而不是先进的预测维修体制。显然，预测维修体制的推广，首先需要完善设备系统的技术支持，即需要故障监测与诊断来提供维修建议和时机。

技术实现要素：

本发明的目的是提供一种变频水泵状态监测与故障诊断系统，解决了现有变频水泵维护和管理效率低的问题。

本发明的另一目的是提供上述诊断系统的诊断方法。

本发明所采用的第一技术方案是，一种变频水泵状态监测与故障诊断系统，包括第一振动加速度传感器和第二振动加速度传感器，第一振动加速度传感器安装在变频水泵的轴承上，第二振动加速度传感器安装在变频水泵顶部，第一振动传感器和第二振动加速度传感器均通过电缆与ni4474板卡的数据输入端连接，ni4474板卡通过pci总线与电脑连接。

本发明所采用的第二技术方案是，一种变频水泵状态监测与故障诊断方法，具体步骤如下：

步骤1，分别采集模拟变频水泵在正常状态、不平衡状态、不对中状态和基础松动状态下的样本数据矩阵n*m，之后将样本数据矩阵n*m以行相接的方式进行拼接，形成4n*m的矩阵，最后，在矩阵中增加一列，得到样本输入矩阵4n*(m+1)，以区分四种状态的数据，分别以1、2、3、4依次代表模拟变频水泵的正常状态、不平衡状态、不对中状态和基础松动状态；

步骤2，对经步骤1后得到的样本输入矩阵的振动信号进行能量特征提取；

步骤3，经步骤2后，建立变频水泵状态分类模型；

步骤4，经步骤3后，将变频水泵的振动数据样本矩阵进行如步骤2的能量特征提取，再将变频水泵的振动能量特征作为输入值，输入到经步骤3后得到的变频水泵状态分类模型中，模型输出一个状态类别，即可得到变频水泵的状态分类。

本发明的特点还在于，

步骤2中，具体步骤如下：

步骤2.1，将振动信号进行小波包分解，根据分解层数的不同得到多个频段，并将频段依据频率从高到低依次记为s1,s2,…,sn；

步骤2.2，经步骤2.1后，分别计算各个频段能量，记为ej，j＝1,2,.....,n；

其中，频段能量由parseval公式计算得出，如式(1)所示：

式(1)中，sj(t)为小波包分解的频率；xjk为sj离散点的值，k＝1,2,.....,n；

步骤2.3，经步骤2.2后，根据各个频段能量创建振动信号的能量特征向量，记为t＝[e1,e2,…,en]，之后对其进行归一化，归一化的具体方法为：

式(2)及式(3)中，e′为各个频段能量的加权和；t′为归一化后的得到的介于0～1之间的频段能量。

步骤3中，具体步骤如下：

步骤3.1，将经步骤2归一化后得到的振动信号的能量特征向量作为训练样本和测试样本，其中，训练样本和测试样本的数据个数比为8∶2，作为elm分类模型的输入，建立变频水泵状态分类模型，如式(4)所示：

式(4)中，yk为神经元的输出值；xj为从其他神经元传来的输入信号；wk为连接权值，即连接强度；bk为神经元的阈值；

式(4)中，隐含层的输出矩阵φ，如式(5)所示：

式(5)中，φ(.)为神经元的激活函数，激活函数为sig函数；

隐含层个数k从20递加至200，且每次递加10；

步骤3.2，建立输出层与隐含层之间的连接矩阵β，如式(6)所示：

β＝φ⁺t＝(φ^tφ)^-1φ^tt(6)；

式(6)中，t为训练样本的输出矩阵，φ^tφ为奇异或者非奇异矩阵；

其中，训练样本的输出矩阵t，如式(7)所示：

式(7)中，m为输出的分类个数，m＝1，2，.....，n；

步骤3.3，计算极限学习机的学习误差z，以学习误差最小时的隐含层个数k和激活函数φ(.)为参数，即准确率最高，即可得到变频水泵状态分类模型；

其中，若学习误差相同时，则取隐含层神经元个数较少时的隐含层个数k和激活函数φ(.)作为参数。

步骤3.3中，学习误差z的计算公式，如式(8)所示：

z＝||φβ-t||(8)。

本发明的有益效果是；

将传感技术、通信技术和网络技术应用于泵站运行状态实时在线监测系统中，建立实时在线监测系统，进行自动化、智能化、科学化的实时在线监测和安全评估，及时制定正确的维修方案，既能保障设备的可靠性和安全性，又能节约大量的人力和物力。

附图说明

图1是本发明一种变频水泵状态监测与故障诊断系统的框架图；

图2是本发明一种变频水泵状态监测与故障诊断方法的流程图；

图3是本发明方法中不同隐含层神经元个数的准确率对比结果图；

图4是本发明方法中变频水泵状态分类模型测试样本与实际输出的对比图。

图中，1.第一振动加速度传感器，2.第二振动加速度传感器，3.变频水泵，4.ni4474板卡。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种变频水泵状态监测与故障诊断系统，如图1所示，包括第一振动加速度传感器1，第一振动加速度传感器1安装在变频水泵3的轴承上，第二振动加速度传感器2安装在变频水泵3顶部，第一振动传感器1和第二振动加速度传感器2均通过电缆与ni4474板卡4的数据输入端连接，ni4474板卡4通过pci总线与电脑连接；

第一振动传感器1和第二振动加速度传感器2的型号均为356a01，生产厂家为pcb公司；

变频水泵3的型号knt-pgk1，生产厂家为南京康尼科技实业有限公司。

本发明一种变频水泵状态监测与故障诊断系统，其具体工作原理是：

以变频水泵作为研究对象，选择振动信号作为其故障诊断的依据，选取加速度传感器作为振动信号的采集仪器。选择正常、不平衡、不对中和基础松动四种状态作为变频水泵状态分类的类别，并从转子机械的机理入手分析了各种类别的振动特征。针对变频水泵振动信号的非平稳性，选择小波变换对振动信号应用进行预处理，作为区分调速振动信号和故障振动信号的方法，对变频水泵的振动信号进行3层小波包分解，对分解的振动信号提取能量特征作为各种状态样本的特征向量。使用极限学习机算法建立变频水泵的状态分类模型，建立了变频水泵的极限学习机状态分类模型。结果分析表明，基于变频水泵的极限学习机分类模型具有较好的准确率和有效性。

本发明一种变频水泵状态监测与故障诊断方法，如图2所示，具体步骤如下：

步骤1，分别采集模拟变频水泵在正常状态、不平衡状态、不对中状态和基础松动状态下的样本数据矩阵n*m，之后将样本数据矩阵n*m以行相接的方式进行拼接，形成4n*m的矩阵，最后，在矩阵增加一列，得到样本输入矩阵，以区分四种状态的数据，分别以1、2、3、4依次代表模拟变频水泵的正常状态、不平衡状态、不对中状态和基础松动状态；

变频水泵产生的故障状态为：

不平衡故障，是转子内部产生质量偏心和缺损可称为转子不平衡；其中，产生质量偏心的原因可能是转子生产、装配的偏差，生产材料的密度不均匀等，我们把这种情况叫作初始不平衡；而转子内部缺损是指其在工作中由于磨损、腐蚀等原因造成的零部件部分损坏等，从而形成的转子不平衡；尽管两种故障情况是不相同的，但其振动机理却有着共同的特点；

造成不平衡故障的主要因素有以下几点：

①加工时的几何尺寸有偏离，材料质量不均等原因使得质量中心和几何中心不能完全重合；

②安装时由于斜键或轴颈不同心；

③转动轴工作强度太大或受热不均使其形状发生永久或暂时性的变形；

④工作介质条件造成转子长时间受力不均和腐蚀使转子偏心；

⑤转子的连接不紧密，在高速转动下使其内孔扩大形成偏心；

⑥转子运转时突然发生断裂产生的不平衡；

转子的不平衡分为静不平衡和动不平衡两种；静不平衡通常说的是转子质量不平衡，这种情况我们可以测出不平衡质量的位置，通过加、减重量的手段对其进行调整。而转子发生动不平衡时，在转子不同平面会产生多组方向相反且大小相同的质量，这些质量在静止情况下是平衡的，一旦转子处于高速运行状态，它的离心力会跟着转速的变化而变化，形成离心力矩，引起不平衡振动；

(2)不对中故障

多转子之间经过联轴器形成轴系，来实现传递运动；因机械部件的组装偏差、承载后形变和基础不规则沉降等，使得机械运行时两转子轴线不在一条直线上，有平行偏离和角度偏离等误差，统一被称为转子不对中；

转子不对中分为以下三种：

①行不对中

平行不对中是指半联轴器的轴线可以与联轴器设计轴线平行，但两个半联轴器中心不在一条直线上，即呈现相对高低或相对左右；

②角度不对中

角度不对中是指半联轴器的轴线和联轴器设计轴线存在一个夹角，且两个半联轴器中心重合；

③综合不对中

综合不对中结合了前面两种的特点，即两个半联轴器的中心不能重合并且与联轴器设计轴线也存在着夹角；

产生不对中因素有下面几个方面：

①联轴器在安装时就未准确对中，以至于设备工作一段时间后更加明显；

②联轴器两端端子基础不均匀；

③转子设备运行时联轴器两端受热不均匀；

④冷态时柔性转子对中状况较好，随着热胀冷缩的产生，其处于热态时会导致弯曲，造成的角度无法对中；

⑤静挠度对于常常处于高速运转的柔性转子会造成联轴器角度不对中；

(3)基础松动

基础松动指当整个系统与基座支撑面无法完全贴合或未固定完好导致的机械阻抗偏低，使得转子工作产生振动太大的故障；

步骤2，对经步骤1后得到的样本输入矩阵的振动信号进行能量特征提取，具体步骤如下：

步骤2.1，将振动信号进行小波包分解，根据分解层数的不同得到多个频段，并将频段依据频率从高到低依次记为s1,s2,…,sn；

步骤2.2，经步骤2.1后，分别计算各个频段能量，记为ej，j＝1,2,.....,n；

其中，频段能量由parseval公式计算得出，如式(1)所示：

式(1)中，sj(t)为小波包分解的频率；xjk为sj离散点的值，k＝1,2,.....,n；

步骤2.3，经步骤2.2后，根据各个频段能量创建振动信号的能量特征向量，记为t＝[e1,e2,…,en]，之后对其进行归一化，归一化的具体方法为：

式(2)及式(3)中，e′为各个频段能量的加权和；t′为归一化后的得到的介于0～1之间的频段能量；

步骤3，经步骤2后，建立变频水泵状态分类模型，具体步骤如下：

步骤3.1，将经步骤2归一化后得到的振动信号的能量特征向量作为训练样本和测试样本，其中，训练样本和测试样本的数据个数比为8∶2，作为elm分类模型的输入，建立变频水泵状态分类模型，如式(4)所示：

式(4)中，yk为神经元的输出值；xj为从其他神经元传来的输入信号；wk为连接权值，即连接强度；bk为神经元的阈值；

式(4)中，隐含层的输出矩阵φ，如式(5)所示：

式(5)中，φ(.)为神经元的激活函数，激活函数为sig函数；

隐含层个数k从20递加至200，且每次递加10；

步骤3.2，建立输出层与隐含层之间的连接矩阵β，如式(6)所示：

β＝φ⁺t＝(φ^tφ)^-1φ^tt(6)；

式(6)中，t为训练样本的输出矩阵，φ^tφ为奇异或者非奇异矩阵；

其中，训练样本的输出矩阵t，如式(7)所示：

式(7)中，m为输出的分类个数，m＝1,2,.....,n；

步骤3.3，计算极限学习机的学习误差z，以学习误差最小时的隐含层个数k和激活函数φ(.)为参数，即准确率最高，即可得到变频水泵状态分类模型；

其中，若学习误差相同时，则取隐含层神经元个数较少时的隐含层个数k和激活函数φ(.)作为参数；

学习误差z的计算公式，如式(8)所示：

z＝||φβ-t||(8)；

步骤4，经步骤3后，将变频水泵3的振动数据样本矩阵进行如步骤2的能量特征提取，再将变频水泵3的振动能量特征作为输入，输入到经步骤3后得到的变频水泵状态分类模型中，模型输出一个状态类别，即可得到变频水泵3的状态分类。

本发明的方法中，隐含层个数k从初值20，每次递加10，直到200，计算出模型的学习准确率(准确率＝1-误差)，如图3所示，通过比对，将误差最小的神经元个数确定为最终的模型隐含层个数k，若出现相同的准确率，取隐含层神经元个数小的作为参数，以降低模型的复杂度，从而保证了模型的分类速度。

本发明的方法将采集的测试样本的数据输入到变频水泵状态分类模型中，并计算得到的输出矩阵与测试样本的实际输出进行对比，如图4所示，可以看出分类模型在测试集的实验结果，横轴代表测试集数据，纵轴为所属的1、2、3、4四种类型标签，图中空心圆表示测试集数据的原本所属的类别，星线代表算法计算出的类别。可以看出，该模型具有较高的预测结果，从而验证了基于elm算法的变频水泵状态分类模型的有效性。