风机状态监测与故障诊断系统.doc

风机状态监测与故障诊断系统

摘要：应用matlab软件采用最小二乘法对数据进行拟合，比较准确地确定风机的性能曲线；应用神经网络技术进行故障诊断，确认风机运行状态；用delphi开发了监控程序，建立了数据库
关键字：性能曲线 最小二乘法 神经网络 故障诊断
中图分类号：TP206+ .1 　　　文献标识码：B
文章编号： 1006-8155（2007）02-0043-04
TheSystem of state Monitor and Fault Diagnosis for Fan
Abstract: The data is fitted by min 2-multip li cation using matlab software, the performance curve of fan was confirmed precisely ， the running condition fan was confirmed based on trouble diagnosis using neural network technology, monitor program has been developed and database has been built with delphi software.
Key words: Performance curve min 2-multip li cation Neural network Trouble diagnosis
0　 引言
　　对于风机等大型设备，能准确测定性能参数，验证是否达到设计要求，检查是否满足高效生产，是十分必要的，对于保证产品质量，树立产品信誉，保证客户效益有积极的意义。针对设备运行状态进行实时监测，并对运行数据进行分析，绘出历史及实时趋势，运用神经网络对故障进行估计和预测，就故障程度、检修紧迫性给予积极可靠的指导，对于设备保持安全运行，故障排除，避免设备过早报废，为挽回大量的经济损失有难以估量的作用。基于 matlab 强大的信号及数据处理能力，并结合 delphi 的面向对象设计方法，极好地实现了上述功能。
1 　软件功能
1.1 　工具软件环境
　　 matlab 是矩阵实验室（Matrix Laboratory）之意。除具备卓越的数值计算能力外，它还可提供专业水平的符号计算，文字处理，可视化建模仿真和实时控制等功能。matlab的基本数据单位是矩阵，它的指令表达式与数学工程中常用的形式十分相似, 故用matlab来解算问题要比用C,FORTRAN等语言完成相同的事情简捷得多。在新的版本中也加入了对C，FORTRAN c++ ，JAVA的支持。可以直接调用。matlab 的基础是矩阵计算 , 但是由于其开放性 ,matlab 成为一个强大的交互式数学软件 , 当前流行的matlab7.0包括拥有数百个内部函数的主包和 30多种工具包(Toolbox) 。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充其符号计算，可视化建模仿真 , 文字处理及实时控制等功能。学科工具包是专业性比较强的工具包 , 控制工具包、信号处理工具包及通信工具包等都属于此类。开放性使 matlab 广受用户欢迎。除内部函数外 , 所有 matlab 主包文件和各种工具包都是可读可修改的文件 , 用户通过对源程序的修改或加入自己编写的程序构造新的专用工具包 。

例：某 D1300-320/96 风机试验参数见表 1 。
表 1 风机系统运行参数
预旋器开度/( °)
50
0
出气压力/kPa
182.24
215.44
270.20
301.03
306.06
212.83
241.06
280.73
299.65
321.01
333.37
标态流量/(m3 /min)
1090
1000
962
801
746
2211
2185
2146
2090
1937
863

　　运用最小二乘法对以上数据进行拟合，可得风机的性能曲线及管网的阻尼曲线（如图2），预旋器角度为0°，25°，50°的风机性能曲线L1 ，L2 ，L3 如图2所示。多条性能曲线的最高点的连线即形成了风机的喘振线。通过稳定工况，计算出管网的阻尼系数，绘制出阻尼曲线C ，C 与L1 ，L2 ，L3的交点M1 ，M2 ，M3为风机在该预旋器角度时的稳定工作点。

1.5 　风机切换功能
　　以往靠现场手动切换风机的方法，对工人的技术要求较高。 如果 阀门操作稍有不当，就可能造成风机喘振，严重的还会把推力瓦烧坏，这就带来了一系列问题。本软件集成了风机切换功能，倒风画面同时有两风机的运行参数，可以清楚地监视切换过程，一人一键即可顺利切换，实现了操作的智能化、自动化，降低了成本。如图3所示，简要描述了由1号风机切换为2号风机的基本原理，其中po为高炉运行需要的冷风压力。

1.6 　并风控制系统
　　 在风机选型问题上，由于相关人员不能提供较准确的高炉参数，盲目地认为：风压和风量越高越好，这样就造成了风机设计的高效工作点和实际存在偏差，致使风机无法实现高效率工作，浪费了大量的电能；另一方面，喘振曲线右移，导致实际有效工作范围变窄，无法发挥风机出力性能，也对风机的安全造成了威胁。并风控制系统可以很好地解决大马拉小车的问题，特别是在高炉较多的钢厂，可以把各风机的送风管道并接起来，小风机采用一对一的向高炉供风，而大风机则充当大高炉和并风系统的供风来源，把大风机调整到高效工作状态，使其尽可能完全出力，根据高炉所需压力和风量，自动调整并风阀门，把多余的风量通入并风管路，协助
其他小型风机工作。以前，为避开喘振点必须通过放空来解决。这样既浪费了大量的电能，又与国家乃至世界的可持续发展规划是相违背，所以增加并风系统是解决问题的一种行之有效的方法。并风系统的另一个突出优点是：当某一风机出现故障跳车等情况时，并风系统仍可以继续工作，避免了高炉坐料的发生。并风策略在济南钢铁公司已经使用，并取得了良好效果，思路简单，但问题的关键在于如何控制。通过监测终端的压力，并网风机运行情况，及输入并网风机的性能参数和管网需要的压力，就可以实现自动控制。
1.7 　信号分析
　　历来风机的故障可以通过振动信号的频谱图，全息谱图进行分析，进而确认设备现行故障及其存在的隐患。本软件为方便专家分析，特别增加了振动信号的分析功能。通过调用数据库中的信号，经过数据处理变换后进行相关的分析，把信号特征以图示方法进行描述，更直观, 界面见图4 。

1.8 　故障诊断功能
　　神经网络具有联想、容错、记忆、自适应、自学习和处理复杂多模式等优点 。 神经网络经过学习所得到的知识以分布的方式隐式地存在于整个网络。 本系统主要针对转子的不平衡、不对中、油膜涡动、转子碰摩、共生故障、轴承损坏、轴承座松动、喘振和旋转失速等常见故障进行诊断，并在系统中内置了神经网络计算程序。用户可以直接调用监控数据库中的采样数据进行故障分析。同时程序中集成了其他外部设备的接口，所以也可以导入其他外部的采样数据。
　　 本方法分别是基于电流、振动、风压、流量进行的神经网络训练，所以，用户可以采用其中任 一种信号进行故障的诊断识别，并给出趋势预测。
表2 神经网络结构
网络类型： BP 网络
层数： 3 层 节点数： 8-8-8
故障类型（输出节点）
1. 不平衡 2. 不对中 3. 油膜涡动 4. 转子碰摩 5. 共生故障 6. 轴承损坏 7. 轴承座松动 8. 喘振旋转失速
频段（输入节点,f 为工频）
0.01～0.39f，0.40～0.49f ，0.5f ，0.51～0.99f 1f，2f，3～5f，高频>5f

　　对采集到的信号的频谱进行归一化处理之后，得到的待测数据样本，运用神经网络对样本进行训练，得到故障结果。（f为工频），例如某次得到的数据样本见表3，运行诊断程序后得到结果见表4，软件会给出诊断结论：不对中占主导。
表 3 待诊断样本
样本　0.01～0.39f 0.40～0.49f　 0.5f 　0.51～0.99f 　1f 　　2f 　　3～5f　　　　>5f
样本1 　0.0000 　　0.0000 　　0.0000 　0.0000　　 0.8510 　1.0000 　0.0250 　　0.0000
样本2 　0.0000　　 0.6820 　　0.0000 　0.0000 　　1.0000 　0.0120 　0.0086 　　0.0000
样本3 　0.7901 　　0.0000　 　0.0000 　0.0000 　　1.0000 　0.0000 　0.1254 　　0.1159
诊断结果见表 4 。
表 4 诊断结果
输出
0
1
2
3
4
5
6
7
样本 1
0.0003
0.8636
0.0000
0.0001
0.0252
0.0001
0.0004
0.1478
样本 2
0. 1216
0.9792
0.0005
0.0000
0.0002
0.0012
0.0015
0.0001
样本 3
0.1918
0.8825
0.0000
0.0002
0.0014
0.0011
0.0002
0.0238

　　在软件功能上，除上述绘制性能曲线和振动信号分析及神经网络故障诊断之外，此软件还包括其他基本功能：振动温度实时监测，调节风量的静叶开度 PID 控制，其他阀门开度的调整和反馈画面，软件设置（画面编辑、报警点、历史数据存储），远程通讯等。
　　 硬件构成：限于篇幅，对于硬件配置在此就不做赘述。
2 　结论
　　通过matlab的强大的数据处理、绘图交互功能，可以更加精确地给出风机的性能曲线，确定系统的阻尼曲线，给本体设备的设计和高效生产提供了合理的参数指导，界面友好，易于使用，特别是谱图和神经网络故障诊断为保障机组的安全运行具有积极的意义。本文的初衷就在于意图解决目前风机使用中存在的问题，回应用户需求，进一步加快自动化的实现进程。
参 考 文 献
[1]虞和济，等.基于神经网络的故障诊断[M]. 北京：冶金工业出版社，2000.
[2]关惠玲，等.设备故障诊断专家系统原理及实践[M].北京：机械工业出版社，2000.
[3]续魁昌.风机手册[M].北京机械工业出版社，1999.