一种基于RBF算法的三防通风设备故障预测系统的制作方法

本发明涉及自动控制领域的故障诊断技术，具体针对三防通风设备故障预测系统。

背景技术：

人防指挥所在战争时期是非常重要的指挥中枢，因此人防所具有较高的隐蔽等级和防护等级。大部分人防所位于地下或山体的密闭空间内，密闭空间的通风是保证战斗人员生存的必要条件，人防指挥所的通风设施比较复杂，与普通民用建筑相比，增加了战时的隔绝和滤毒功能，更加注重安全功能。因此人防指挥所的风机是通风系统的最关键的设备，一旦失效或发生故障，如果处于战时，后果不可想象。

人防指挥所的风机一般均为轴流风机，风量大、转换风压高，且需长时间稳定工作。根据一般性统计，人防所的风机出现的主要故障有五大类：基座松动，转子不平衡、转轴不对中、转轴摩擦、油膜涡动。人防所风机的这五类的故障占到了总故障数目的95％，对这五类故障的预测和诊断具有决定性的意义。

目前人防所风机采用人工维护检修，以物理特性或电气间接参数判断风机的状态，检测手段准确率低且操作复杂，风机运行质量得不到有效保障。人防所的通风系统覆盖面积较大，通风管道较长，从经济和可维护性方面考虑，在每一处风机和管道上均安装传感器不合理，但为了保证能准确有效的预测风机故障，其关键的运行信息必须不能漏采。根据已有经验判断，风机故障主要来源于两方面，机械类故障和电气类故障，风机出现故障时主要表现有风量变小或不稳定、振动并发出杂音、冒烟着火等。事实上，在风机出现故障之前的相当长的一段时间内，风机的运行参数异常就已经能说明其将要出生故障，如无规律性的自振可能代表其固定基座螺栓已经松动，扇叶转速不稳可能说明轴承中心偏离，电机发热则说明转子线圈破损等，因此风机和通风系统中安装必要传感器进行在线监测，并根据传感器数据进行智能分析就可以风机的故障做出准确有效的判断。

技术实现要素：

本发明的目的在于提供基于rbf算法的三防通风设备故障预测系统，解决了当前人防所的风机维护工作效率差、准确率低、人防指挥所通风机维护保障等问题。针对人防所的通风结构和通风要求，该系统实现了在故障未发生时预测风机设备的故障剩余时间及故障类型的判定，并以报表的形式提供给维护人员进行辅助决策，为人防所的正常运行提供有力的保障。

本发明从传感器类型的选取、参数种类的限定进行了数据来源的定义，提出一种采用短时fft方法来提取潜在故障信号，用rbf模型预估故障发生概率，并用逆模控制器输出故障预测结果，保障了系统的安全运行。

本发明采取了如图1所示技术方案。本发明分为软件和硬件两个子系统，硬件子系统的作用是将物理信号通过传感器转化为模拟信号或总线数字信号通过数据采集器上传至一台高性能服务器，硬件子系统共由振动传感器1、转速传感器2、温度传感器3、风压流量计4、数据采集器5组成，硬件子系统中的振动传感器(1)、转速传感器2、温度传感器3、风压流量计4均与数据采集器5通过电线连接，传输两线制电流环、异步串口总线、频率信号数据，数据采集器5通过以太网连接到一台高性能服务器上。三轴振动传感器1、转速传感器2、温度传感器3、风量流量计4分别安装在风机的基座、风机扇叶内外表面、风机电机外表面、风机直连管道的入口或出口，用来采集风机的振动情况、风机转速、风机电机的运行时温度、风机风量。

软件子系统部署于一台高性能计算服务器上，软件子系统共由三防数据接收模块6、故障参数特征提取模块7、故障判定及预测模块8组成。振动传感器1、转速传感器2、温度传感器3、风压流量计4数据会被数据采集器5采集，数据采集器5将从风机和风道中采集到的通风系统运行参数数据发送到一台高性能服务器上，高性能服务器上部署的三防数据接收模块6用于接收数据采集器5采集的原始数据；故障参数特征提取模块7进行原始数据的预处理以及故障特征提取，并对故障信号进行滤波，得到稳定的判据；故障判定及预测模块8利用故障参数特征提取模块7的数据，建立rbf神经网络模型并用逆模控制器输出故障预测结果。

本发明针对人防所的大型通风机采用三轴振动传感器1、转速传感器2、温度传感器3、风量流量计4四种传感器采集故障信号，并结合三防自动化opc服务器提供的风机电压、电流、三相不平衡度等参数进行智能分析。其中三轴振动传感器1安装在风机的基座上，用来采集风机的振动情况，三轴振动传感器1采用温漂小，灵敏度较高的三轴加速度计为核心部件，检测范围不低于15g/s；转速传感器2采用霍尔磁传感器，安装于风机扇叶内外表面，采样速率不低于100khz；温度传感器3安装在风机电机的外表面处，采用接触式pt100变送器，温度测量范围为-50至300度；风量流量计4安装于风机直连管道的入口或出口，采用孔板式差压变送器测量并进行累积。风机的电参数由三防自动化opc服务器提供。人防所风机状态监测传感器分布如图2所示。进风机房有两台风机，分别安装振动传感器1、转速传感器2、温度传感器3，在进风管道处安装一台风流量计4。发电机房、防化试验室、排风机房各有一台风机，安装振动传感器1、转速传感器2、温度传感器3，在排风口处安装一台风量计。

振动传感器1、转速传感器2、温度传感器3、风压流量计4得到的信号为原始电信号，需经过数据预处理进行数据量程转换，并经过去噪滤波和数据提取后，才能得到风机的潜在故障特征信号。数据的处理过程如图3所示。振动传感器1、转速传感器2、温度传感器3、风压流量计4采集到的电信号带有噪声且强度较小，此时需引入信号增益器将信号多级放大，并进行解调，之后用滤波和降噪电路去除低频干扰，经过模数转换后转成数字信号，之后将数字信号再用均方差数字滤波算法去除随机噪声，得到振动传感器1、转速传感器2、温度传感器3、风压流量计4的准确采集值。为使各信号处于同一量纲上方便比较，将振动传感器1、转速传感器2、温度传感器3、风压流量计4的实际有效值通过量程迁移的方法转成一个0至1的系统值。风机正常运行时，传感器的信号是周期性和平稳的，在将要出现故障时，会有一些突变性的、非周期性的暂态特征，为捕捉这些故障奇异信号，尤其是带有偏移变化趋势的信号时，需要将原始信号在频域展开。传统的傅利叶分析(fft)只能分析连续信号的特定点频谱展开特征，本发明引入一种局部窗口的短时傅利叶分析算法(stft)，将突变信号或奇异信号进行分段采样，并分解成有限宽度的平稳信号，得到信号非平稳特征的变换特性。经过stft变换后，原始信号中风机的正常信号都被滤除，只留下风机的潜在故障特征信号，最后将故障特征信号转成向量并进行序列化。

故障特征信号代表系统出现了将要发生故障的可能性，但故障在何时会发生、故障的程度如何还需要进一步去判断。风机的运行系统受多个参数制约，是一个非线性多变量的时变系统，其运行模型很难用数学公式去精确表述，因此采用解析定值公式的方法很难达到满意的预测结果。本发明建立一种rbf算法神经网络模型，此模型根据当前传感器参数动态，调整风机系统的故障预测结果，采用逆模算法实现风机故障的预测。

附图说明

图1为通风设备故障预测结构图。

图2为风机状态监测传感器分布图。

图3风机传感器数据预处理过程图。

图4基于rbf的风机故障预测模型工作流程图。

图5逆模控制器工作流程图。

图中,振动传感器1、转速传感器2、温度传感器3、风压流量计4、数据采集器5、三防数据接收模块6、故障参数特征提取模块7、故障判定及预测模块8。

具体实施方式

本发明的三防自动化通风设备的故障预测系统，包括振动传感器1、转速传感器2、温度传感器3、风压流量计4、数据采集器5、三防数据接收模块6、故障参数特征提取模块7、故障判定及预测模块8。振动传感器1、转速传感器2、温度传感器3、风压流量计4把物理信号转化为模拟信号或总线数字信号，数据采集器5用于采集模拟信号或总线数字信号，并将这些数据发往一台高性能计算服务器，三防数据接收模块6接收数据采集器发来的原始信号数据；故障参数特征提取模块7对原始信号进行归一化量程转变、去噪和滤波处理，提取故障信号；故障判定及预测模块8通过迭代训练出模型后对输入的数据预测故障。

具体操作流程是：首先根据人防指挥所的通风结构确定传感器的类型和数量，确定的依据是每个通风设备至少有振动、转速、温度三个维度的数据，每条通风回路至少有一个风流量检测数据；其次，本发明设计了一种stft数据滤波算法，用来将传感器的数据滤波，得到通风设备的故障信号；最后，将故障数据转化为数据向量进行在线学习预测，将预测权重输入rbf神经网络调整非线性模型，用逆模算法实现最后的预测结果输出。

故障参数特征提取模块(7)提取过程如下：

将传感器的数据组成一个维度为7的矢量，维度分别代表振动、转速、温度、流量、电压、电流、三相不平衡度，使用标准差归一化对所有的数据进行缩放处理，存储长度为2k。

由于fft算法只适合于连续有边界可积分的周期信号，对于瞬时故障信号的提取较为不利，针对此问题，在fft的基础上引入了一个窗口函数，在窗口范围内再次进行fft算法，形成一个短时的fft序列，称为stft，用于对突变的故障信号进行提取。

定义f(t)是传感器采集的实时信号，h(t-τ)是短时窗口函数，τ为时间段，整个时间序列将由τ分为n个部分，划分后的序列信号要为周期性信号。

对窗口信号时行积分，可得：

因此

原始信号的fft为：

窗口内的短时fft为：

在相平面的求信号的平均功率谱：

stp＝|stft(ω，τ)|^２(公式4)

由于故障信号是一个突变且剧烈的信号，当信号窗口函数在平移的过程中，如果某个频段的fft展开出现了有效项，且其功率谱明显增大，说明故障的潜在特征已经出现，需记录此时的窗口函数时间。

故障信号是一个复合信号，因此在一个窗口内有可能包含了多种不同的信号，这时需对信号平移的步长和窗口的精度进行调整，以寻找更多的信号故障点。这时定义一个尺度函数：

故障变换函数为：

通过stft的信号处理，将各维度的故障潜在信号提取至一个新的等维度向量中。

把三防通风故障矩阵视作一个多参变量多非线性无周期系统，可描述为：

其中，ymin≤y(k)≤ymax，umin≤u(k)≤umax

f是非线性函数的矢量，u(k)和y(k)分别是输入和输出矢量，n表示fft的阶次，d是滞后时间，y、u是输入和输出的边界。

对于y(k)给定的输入，经过rbf模型后转化为故障的分类输出，表示为：

是一个权值调整后的估计，是调整前的预测。rbf网络采用三层rbf网络模型。输入节点数为n，单隐层的具有m个神经元节点和和p个全连接点。激活函数为：

σ表示实常数。

三防通风机的故障预测模型表示为：

可表示为

进一步的可以表示为：

其中hjk＝g(||xk-μj||²)(k＝1，2…n，j＝1，2…p)，代表rbf模型的误差矩阵。

采用迭代的方式对w进行调节，截止条件为局部最小值。

为使用rbf算法，定义k(k)为的增益矩阵，e(k)是状态估计偏差矩阵；q和r为噪声和状态估计的协方差。

用表示每一次回归运算后的向量，更新的步骤为：

k(k)＝e(k)h(k)[r+ht(k)e(k)h(k)]^-1(公式13)

e(k+1)＝(i-k(k)h(k))e(k)+q(公式14)

故障判定及预测模型(7)为：

根据模型，rbf神经网络的输入估计计算步骤如图4所示：

(1)由历史输出和历史控制量得到当前控制参考量。

(2)测量当前的过程输出。

(3)计算每一个向量的相对于已知增益的偏微分。

(4)利用计算值对增益矩阵和偏差矩阵进行更新。

(5)检查增益和偏差协方差矩阵是否已满足优化要求，如满足则完成网络权值的更新，如不满足进行迭代运算。

当无故障发生时，rbf网络会小幅调整权值来适应干扰和系统的时变参数引起的变化，当有故障发生时，rbf会学习当前故障的网络参数提高估计精度。

三防通风设备是大功率的机械设备，在运转一段时间后都摩擦、轻微松动的情况，这些参数被传感器在线监测后，会由rbf模型进行故障权值的估计，以预测故障的严重程度。而对于维护人员来说，故障权值可能是一个晦涩难解的概念，他们需要的是当前可能存在哪些故障，这些故障的严重程度以及风机还能正常工作多长时间等信息。为达到方便的使用的目的，本发明设计了一个主动逆模容错控制器，一方面保证系统的检错能力和带错运行能力，另一方面提供系统的动态输出。

定义一个追踪误差模型：

当误差为无穷小或0时即达到逆模控制要求。

构造一个lyapunov稳定性二型函数：

求取过程量的最大增益幅度：

控制增量为：

逆模控制器为：

y为rbf权值输出向量，v为控制器的结果输出。

逆模控制器的计算步骤如图5所示：

(1)利用过程量和控制量构成rbf模型的输入向量y,定义控制目标。

(2)迭代得到控制量的最优估计向量u。

(3)应用模型误差追踪算法，根据估计量和rbf的追踪量调整控制器输出量，并定义极限阈值。

(4)输出控制信号作用于被控对象上。

本发明针对人防所的三防通风设备设计了一种故障预测系统，从传感器类型的选取、参数种类的限定进行了数据来源的定义，提出一种短时fft方法来提取潜在故障信号，并用rbf模型进行自学习预估故障发生概率，为保障系统的安全运行，最后提出用逆模控制器输出故障预测结果。

可以被理解的是，对于领会或理解本项发明思路的专业人员来说，任何在实施方法上作出的等同替换或部分名称更改，都不会影响本发明要求的专用权利，这些被替换或改变的内容都属于本发明要求的权利保护范围。