一种风机叶扇振动检测装置及故障检测预测方法与流程

本发明涉及风机机械故障诊断领域，尤其涉及一种风机叶扇振动检测及故障预测系统。

背景技术：

风机是提供空气流的动力装置，风机通过叶扇形成空气流，风机叶扇在旋转过程中会产生机械振动，若机械振动过大会导致内部的连接轴等部件产生裂纹，直至裂纹扩大造成不可逆转的损坏，导致整个风机产生故障甚至报废。为此，如何进行预防性检测和判断风机内机械部件的裂纹损坏情况，以便提前进行维修和更换，是研究风机运行稳定性的关键和难题。参考国内其它类似的资料，对此提出的方法有很多。例如：北京联合大学(张保钦,雷保珍等.风机叶片故障预测的振动方法研究[j].电子测量与仪器学报,2014,28(3):285-291)提出基于风机加速度网络模型数据融合的风机叶片故障预测方法,通过对三维矢量分解、转换及提取技术反映风机整体运行模态,设计了数字信号处理技术的振动监控系统,对振幅超限的低频或超低频信号进行时域和频域分析,识别出了风机在4～30hz低频区域振动引起的故障率最高,并成功实现了风机叶片机械故障发生率75％的提前预测。武汉大学(周全.直接空冷风机桥架振动研究[d].武汉大学博士毕业论文,2013)在综合分析风机桥架振动现场实测数据和有限元数值模拟分析结果的基础上，提出了风机扰力计算方法的设计建议和减震建议方案。武汉大学(沈路,贺小明.组合预测在风机振动预测中的应用[j].《中国设备工程》,2006,9(3):43-45)提出将组合预测方法引入到风机测点振动烈度的状态预测中，通过比较组合预测模型与其它几种单个预测模型的预测结果，表明采用组合预测法进行振动预测具有更高的精度。武汉理工大学(周侣勇.研究风机振动噪声分析与数值模拟研究[d].武汉理工大学硕士毕业论文,2007)提出用有限体积法对风机内部流场进行了模拟，用有限元法对此风机和外壳的振动进行了分析计算，并结合有限元法和边界元法对风机外壳的结构噪声进行了预测与数值模拟研究。华北电力大学(张小田.基于回归分析的风机主要部件的故障预测方法研究[d].华北电力大学硕士毕业论文,2013)提出基于休哈特控制图算法的另一种故障预测新方法。该方法通过建立被监测部件正常运行状态下的自回归滑动平均模型(arma)，针对风电机组传动系统主要部件，将arma模型温度预测残差作为输入信息。东北电力大学(邬春明,银海燕.改进阴性选择算法的风机振动故障诊断方法[j].中国机械工程,2016,4:479-482)提出提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选,并将算法应用于风电机组振动故障的预测。华中科技大学(李林凌,黄其柏.风机叶片噪声模型研究[j].机械工程学报,2004,40(7):114-118)通过运用运动声源产生声场的特点，建立风机叶片噪声数学模型。模拟在噪声模型参数变化的情况下叶片噪声的变化情况，得出影响风机噪声的主要因素。西北工业大学(雷剑宇,廖明夫等.预测风机喘振边界的新方法[j].风机技术,2005(4):52-53)提出利用轴振动、轴位移及风机噪声信号来预测风机喘振边界，并在实际工程中验证了其可行性。重庆大学(徐冠基,柏林.基于多元线性回归分析的风机噪声预测的研究[j].中国测试,2010,36(5):21-23)提出了采用多元线性回归分析的方法对风力发电机组噪声的声压级进行预测，通过较易实现的参数的测量，建立回归方程，用最小二乘法求取回归系数，最终建立了风力发电机组噪声声压级预测的模型。燕山大学(李磊.基于极限学习机的风机机械传动部件剩余寿命预测研究[d].燕山大学硕士毕业论文,2015)提出运用主成分分析方法和极限学习机算法对部件的运行趋势及剩余寿命进行预测分析，并以机械传动部件中的轴承部件为研究对象进行实验验证，为风力发电机机械传动部件的趋势预测及剩余寿命预测提供一定依据。宁夏大学(王佳伟,王春秀等.基于romax的风机低速输入轴轴承疲劳寿命分析[j].2017,6(12):43-48)提出基于romaxdesigner仿真分析了轴承径向游隙与润滑对风机低速输入轴轴承疲劳寿命的影响，并探讨了考虑径向游隙的风机低速输入轴轴承疲劳寿命预测公式。上海电机学院(靳子洋.风机叶片裂纹损伤状态识别技术研究[d].上海电机学院硕士毕业论文,2016)提出一种特征模态函数的双谱分析方法来进行对裂纹信号的提取。山东科技大学(刘学彬,郑伟等.一种基于ansys的风机叶片的有限元分析[j].福建质量管理,2017,3(18):61-64)提出利用ansys有限元计算软件对叶片进行振动模态及静力分析，计算叶片的固有频率、各阶振型图及应力、应变云图，为避免叶片发生共振、提高叶片使用寿命提供分析方法。安徽工程大学(辛厚智.脱硫除尘用可控风机结构设计及其性能预测研究[d].安徽工程大学硕士毕业论文,2014)提出采用数值流场模拟和试验优化相结合的方法，基于流场分析了脱硫除尘用风机叶轮结构参数对其性能的影响，设计正交试验构造试验样本，通过极差分析法研究叶轮结构参数的变化对风机性能影响的规律基础上，利用复合形法和遗传算法对脱硫除尘用风机的结构参数进行优化研究，并寻找出最优的结构参数组合。

风机在运行过程中，其连接轴等运动部件由于安装间隙和机械摩擦的原因，不可避免会产生振动，振动会产生能量，随着振动幅度和频率加大，能量会累积到一定程度并突破临界点，就会造成运动部件的机械损伤，例如连接轴裂纹。由于运动部件的机械损伤前期无法直观识别到，所以需要采用适用于风机的一种实时检测机械振动的装置及相应机械损伤的预测方法，减小风机故障风险。

风机是通过电磁作用将轴连接的叶扇以一定转速围绕连接轴为中心呈圆周运动旋转。风机叶扇在旋转时会产生机械振动，其振动幅度若在一定范围内，振动能量会由本身的金属抗力消耗掉，但随着风机叶扇内各机械连接件的磨损加剧，振动幅度也会随之加大，一旦振动能量超过金属抗力的临界点，则风机叶扇内的部件如连接轴就会产生裂纹，随着裂纹加剧，直至风机的运动部件完全断裂，最终使风机叶扇产生不可逆转的损坏，导致整个风机产生故障甚至报废。

风机一旦发生故障直接影响风机内空气的循环流动，导致设备停机。因此，需要对风机振动信号进行实时采样，以检测风机叶扇振动情况和预先处置风机内连接轴裂变异样，以便采取预防性维修。在对风机振动信号进行实时采样过程中，会发现风机振动信号彼此是非线性关系，且风机工作过程本身具有复杂运动的特性，不同工况决定判断结果的多样性，所以无法进行分析和预测，必须寻找一种适用的故障检测及预测系统。

技术实现要素：

针对以上问题，本发明提供一种风机叶扇振动检测及故障预测系统，风机以一定转速围绕连接轴为中心呈圆周运动旋转，其特征在于：该系统包括作为硬件部分的风机叶扇振动检测装置和作为软件部分的一种风机故障预测方法，所述风机叶扇振动检测装置包括：

振动传感器，其装在连接轴上，将连接轴的振动机械量作为输入量，由其接收部分加以接收并转换为电量脉冲输出；

信号预处理模块，其通过内置矢量处理器将振动传感器传送的电量脉冲信号进行信号储存和信号放大处理；

a/d转模块，a/d转换模块将信号预处理模块获取的模拟信号转化为数字信号，以便进行下一步的分析和处理；

数据发送模块，其将数字信号通过传输介质进行发送。

所述风机故障预测方法包括如下步骤：

步骤1)假设风机叶扇的连接轴已产生裂纹，连接轴在旋转过程中裂纹不断的张开与闭合，造成轴面的刚度随时间发生非线性变化，则其裂纹开闭函数f定义为：

进一步演算为：

其中，式ii中，sz1为风机连接轴内径尺寸，sz2为风机连接轴外径尺寸，m1为连接轴裂纹张开质量，m2为连接轴裂纹闭合质量，t为风机运转时间，c为外阻尼系数，k为无裂纹时转轴的弯曲刚度，δk为裂纹完全张开时引起刚度变化量，β为初始相位角，ω为风机转速，f为裂纹开闭函数；

步骤2)裂纹开闭函数f采用方波函数进行判断，其函数为：

其中，在式iv中，τ为风机连接轴的动态位移；

步骤3)方波函数在引入无量纲参数后，可得到叶扇振动模型f’，即：

随着风机运转时间t增加，外阻尼系数c呈下降趋势，连接轴的动态位移τ呈上升趋势，这使得连接轴产生裂纹的隐患也呈上升趋势。

作为优选，当风机连接轴产生的振动频率振动频率前后不一致时，叶扇振动模型f’呈弯曲模态，弯曲模态下的模型的目标函数不连续，对叶扇振动模型f’进行拓扑优化方法进行描述，使原模型参数进行有限元离散，即：

s.t.:

β-ω0²≤0

0＜δk≤1

作为优选，传感器的检测灵敏度随使用周期会产生衰减，此时传感器的检测存在误差的，对模型的衰减进行自动补偿。

作为优选，当呈聚变模态下，在对风机传感器的灵敏度进行衰减补偿时，构造一个相适应的复频增量模型来解决补偿问题，

其中，叶扇振动模型f’呈聚变模态下的复频增量模型其构造如下：

s.t.:

[β-(ω0²+δωj²)]≤0,j＝1,2,...t

0＜ρ≤(ρ0+δρ)≤1

β-ω0²≤0

0＜δk≤1

δωt²＝fδρ

式vii中参数ρ表示频率向量，δρ表示频率变化量。

作为优选，叶扇振动模型f’呈弯曲模态下的复频增量模型，可采用基于特征频率优化的迭代方法来优化复频增量模型，优化目标除了可以选取指定迭代阶次的特征频率值的最大化，也可以选取指定的相邻阶次的特征频率值的最大化，即通过收敛条件，使模型结构得到更为理想的优化，复频灵敏度的特征频率值经过迭代计算后将被有效抑制，避免产生频率失真导致计算结果失效。

本发明提供的软件主体。它是采用数学建模方式，建立各层子模型，每层模型相互联系，每一层模型是前一层模型的推导和补充，顺序不能颠倒。

本发明提供的一种裂纹开闭函数f，是基于连接轴在旋转过程中裂纹的张开与闭合并且造成轴面刚度变化的物理特性而设计的，裂纹开闭函数f中定义了相关的参数，其作为本发明其它子模型推导的基础。

本发明提供的一种叶扇振动模型f’，是在引入无量纲参数后得到的，并且根据风机连接轴的震动频率是否一致推断出该模型呈两种模态，即聚变模态和弯曲模态。在两种模态下的模型变化是不同的，适用性也是不同的。

本发明提供的一种叶扇振动模型f’，采用拓扑优化方法进行描述，使原模型参数进行有限元离散，该方法对模型中的参数进行约束，使目标函数曲线变得连续且光滑，从而能在一定程度上筛选风机连接轴振动频率数据，使风机连接轴的振动频率保持一致(即单频)，增加数据输出的稳定性。

本发明提供的一种叶扇振动模型f’，采用增量复频的拓扑方法对振动传感器的灵敏度衰减在两种模态下进行补偿。当呈聚变模态下，无论是单频灵敏度的补偿还是复频灵敏度的补偿，都可以统一用复频增量模型求解；当呈弯曲模态下，采用基于特征频率优化的迭代方法，通过收敛条件使模型结构得到更为理想的优化，复频灵敏度的特征频率值经过迭代计算后将被有效抑制，避免产生频率失真(又称为线性失真)导致计算结果失效。

本发明与已公开的故障预测方法的区别在于：

首先，本发明是将风机进行拆分，通过检测与风机叶片相连的连接轴的振动，并预测其可能产生裂纹的可能性和裂纹大小，来间接预测风机叶片产生故障的可能性，从而预防风机故障的发生；而已有的方法则是将风机作为一个整体来检测和判断故障的发生或是直接判断风机叶片的损伤情况来断定，所以可能对判断结果有片面性。

其次，本发明采用反向推导的形式，即假设连接轴已经产生裂纹的前提下，引入无量纲参数后，建立叶扇振动模型，并通过对模型部分参数的设定和增加，不断对模型进行修正，使其可以适用于不同工况和作业条件。而现有的已公开的方法都是从正向进行推导，即风机在完好的情况下，通过对机械传动部件的趋势预测及剩余寿命预测、风机振动(共振、振幅)趋势、风机噪声趋势、机械疲劳趋势等分析方法进行检测和预测，这些方法只适用于风机完好的情况下，对已经发生或倾向于故障“带病”风机，则不适用，所以可能对判断结果有片面性。

再次，本发明还考虑到风机在不同振动频率下的叶扇振动模型的适用性，因为风机工作过程本身具有复杂运动的特性，不同工况决定判断结果的多样性，所以引入了模型的不同模态。通过采用拓扑优化方法，对模型中的参数进行约束，增加数据输出的稳定性，使模型预测结果更加准确。而现有的已公开的方法均未考虑到风机的复杂运动特性，对不同振动频率的数据输出没有采取适当的收敛，所以可能对判断结果有片面性。

最后，本发明还考虑到检测装置灵敏度的衰减问题，所以引入了在不同模态下(聚变模态和弯曲模态)复频灵敏度衰减的叶扇振动模型，该模型可作为子模型(修正模型)或单独作为一个模型使用。并且该模型分为不同段，在不同的设计要求下，可对其中段内容进行修改或添加，也可将其中某段单独作为一个子模型使用(需要另外添加段首定义内容)，而不破坏整体模型结构。而现有的已公开的方法都是作为一个整体模型进行设计，无法进行分割或对其中某一段进行修改，所以对判断结果有片面性。

本发明公开了一种风机叶扇振动检测装置及故障预测方法。作为一种风机叶扇振动检测装置，该装置具有灵敏度高、测量准确、数据传输稳定和操作方便等特点。作为一种风机故障预测方法，该方法具有使用覆盖面广，数据输出能力强，可推广性高等特点。

附图说明

图1为本发明提供的一种风机叶扇振动检测装置示意图；

图2为风机叶扇振动检测装置工作流程图；

图3为风机叶扇振动模型；

图4为连接轴截面坐标简图。

具体实施方式

一种风机叶扇振动检测及故障预测系统，它包括一种风机叶扇振动检测装置和一种风机故障预测方法。

1.1一种风机叶扇振动检测装置

其结构如图1所示，一种风机叶扇振动检测装置包括振动传感器、信号预处理模块、a/d转模块和数据发送模块。

所述的振动传感器安装在连接轴上，将连接轴的振动机械量作为输入量，由其接收部分加以接收并转换为电量脉冲输出。风机在运行时产生的振动主要来自于连接轴，不同外径尺寸(sz2)和内径尺寸(sz1)的连接轴在运转一段时间(t)所产生的振动幅度是不同的(即动态位移τ)，这种振动幅度会影响到两个裂纹参数(m1和m2)，当振动幅度一直存在并且加剧后，会导致连接轴产生裂纹并且无限扩展最终导致裂纹最大张口(δk最大极限值)，使连接轴彻底断裂。所以通过安装在连接轴上的振动传感器实时采集振动幅度数据(即动态位移τ)，通过叶扇振动模型f’来对风机连接轴进行振动趋势预测，从而决定该部件的使用周期。

所述的信号预处理模块通过内置矢量处理器将振动传感器传送的电量脉冲信号进行简单的处理，例如信号储存和信号放大，避免信号失真和丢失，此时的信号为模拟量。

所述的a/d转换模块将模拟信号转化为数字信号，以便进行下一步的分析和处理。

所述的数据发送模块将数字信号通过传输介质进行发送。

所述的一种风机叶扇振动检测装置的工作流程图如图2所示。

1.2一种风机故障预测方法，其方法步骤如下：

1.2.1步骤1)假设风机叶扇的连接轴已产生裂纹，连接轴在旋转过程中裂纹不断的张开与闭合，造成轴面的刚度随时间发生非线性变化，则其裂纹开闭函数f可定义为：

进一步演算为：其中sz1为风机连接轴内径尺寸，sz2为风机连接轴外径尺寸，m1为连接轴裂纹张开质量，m2为连接轴裂纹闭合质量，t为风机运转时间，c为外阻尼系数，k为无裂纹时转轴的弯曲刚度，δk为裂纹完全张开时引起刚度变化量，β为初始相位角，ω为风机转速，f为裂纹开闭函数；

1.2.2步骤2)如前所述的裂纹开闭函数f可采用方波函数进行判断，其函数为：

其中τ为风机连接轴的动态位移。

1.2.3步骤3)如前所述的方波函数在引入无量纲参数后，可得到叶扇振动模型f’，即：

风机叶扇振动模型及连接轴截面坐标简图如图3，图4所示。

1.2.4如前所述的叶扇振动模型采用数值分析方法对叶扇连接轴裂纹进行预测，随着风机运转时间t增加，外阻尼系数c呈下降趋势，连接轴的动态位移τ呈上升趋势，这使得连接轴产生裂纹的隐患也呈上升趋势。

1.2.5如前所述的叶扇振动模型f’，在适用性方面，应考虑两个问题，一是当风机连接轴产生的振动频率始终保持一致时，叶扇振动模型f’呈聚变模态，该模型可以适用，但当振动频率前后不一致时，则算法中各参数是呈非线性变化的，此时，叶扇振动模型f’呈弯曲模态，弯曲模态下的模型的目标函数不连续，这就给算法的数值求解带来困难，体现为连接轴振动频率的迭代曲线反复振荡而难以收敛，所以必须要对模型进行优化；二是连接轴上的振动传感器的检测灵敏度随使用周期会产生衰减，此时传感器的检测是存在误差的，所以必须要对模型的衰减进行自动补偿。

1.2.6在如前所述的对叶扇振动模型f’进行优化。采用拓扑优化方法进行描述，使原模型参数进行有限元离散，即：

s.t.:

β-ω0²≤0

0＜δk≤1

该方法对模型中的参数进行约束，使目标函数曲线变得连续且光滑，从而能在一定程度上筛选风机连接轴振动频率数据，使风机连接轴的振动频率保持一致(即单频)，增加数据输出的稳定性。

1.2.7如前所述的对叶扇振动模型f’进行灵敏度的衰减补偿。在对风机传感器的灵敏度进行衰减补偿时，需要利用其连接轴的震动频率特性对模型参数进行拓扑设计，从而来构造解决补偿问题的振动模型。

1.2.7.1如前所述的补偿问题的近似子模型。当传感器的灵敏度衰减出现时，传统的单频灵敏度补偿无法做到随周期变化而做到实时补偿和无误差，所以需要采用复频的灵敏度补偿方法。

1.2.7.2如前所述的复频的灵敏度补偿方法，它是一种增量形式的拓扑模型。模型所对应的特征值和该方法通过拓扑优化后提升参数增量的关系，是一个单频增量模型，其无法直接用于由全量表达的具备特征频率拓扑优化的叶扇振动模型的求解。为此，需要构造一个相适应的复频增量模型。

1.2.7.3如前所述的复频增量模型，分别以两种模态下求解，即叶扇振动模型f’呈聚变模态和呈弯曲模态。

1.2.7.3.1如前所述的叶扇振动模型f’呈聚变模态下的复频增量模型，为了简略起见，模型中省略了需要满足的广义特征值及相应的模态向量关于模型的正交归一化条件。

如前所述的呈聚变模态下的复频增量模型，其构造如下：

式中参数ρ表示频率向量，δρ表示频率变化量。

如前所述的复频增量模型，当风机连接轴的动态位移τ足够小时，则max{min(τ)&min(β)}等同于max{min(τ)}，该复频增量模型自动退步为单频增量模型(同1.2.6)。因此，叶扇振动模型f’呈聚变模态下无论是单频灵敏度的补偿还是复频灵敏度的补偿，都可以统一用复频增量模型求解。

1.2.7.3.2如前所述的叶扇振动模型f’呈弯曲模态下的复频增量模型。由于呈弯曲模态下若简单采用从单频灵敏度切换到复频灵敏度的分析方法，就会存在计算结果失效的可能，而且相邻特征值也未必可以重合。因此，需要设定收敛条件，只要相邻特征值满足收敛条件的范围之内，即可采用复频灵敏度的分析方法。

(1)如前所述的叶扇振动模型f’呈弯曲模态下的具备收敛条件的复频增量模型，可采用基于特征频率优化的迭代方法来优化复频增量模型，优化目标除了可以选取指定迭代阶次的特征频率值的最大化，也可以选取指定的相邻阶次的特征频率值的最大化，即通过收敛条件，使模型结构得到更为理想的优化，复频灵敏度的特征频率值经过迭代计算后将被有效抑制，避免产生频率失真(又称为线性失真)导致计算结果失效。

(2)如前所述的基于特征频率优化的迭代方法来优化复频增量模型，以第n阶和n-1阶特征频率值最大化问题为例，兼顾基于增量形式的拓扑优化模型的复频灵敏度补偿方法(技术方案1.2.7.2内容)，其构造如下：

上式中，在迭代过程中，设定收敛条件分别是j和q，分别迭代了n次和n-1次。

本发明公开了一种风机叶扇振动检测装置及故障预测方法。作为一种风机叶扇振动检测装置，该装置具有灵敏度高、测量准确、数据传输稳定和操作方便等特点。作为一种风机故障预测方法，该方法具有使用覆盖面广，数据输出能力强，可推广性高等特点。