（机械工程专业论文）机组群监测技术及其系统研究.pdf

机组群监测技术及其系统研究 数据中心的作用。1 9 9 6 年，德国学者k r u e g e r 等提出了一个基于i n t e r n e t 的远程 诊断物理体系结构【4 1 。在此结构中采用j a v aa p p l e t 技术，并且把c n c 设备和p l c 控制器作为主要的接入i n t e m e t 和i n t r a n e t 的关键节点，同时有笔记本电脑完成移 动监测诊断的功能，为诊断服务中心提供诊断支持。国外在设备在线监测与诊断 系统的研究起步较早，有美国的b e n t l y 公司的d m 2 0 0 0 系统，美国e n t e k 公司的 在线监测系统以及德国s h e n c k 公司的5 0 0 系统，但由于界面汉化等原因难以在 我国普及。 2 、国内研究现状 国内的状态监测及故障诊断技术起步于2 0 世纪8 0 年代，在此之前从国外引 进的大型机组一般都购置了状态监测系统。而在自行研制的国产设备上，若选用 国外的监测系统，由于价格异常昂贵而难以接受。8 0 年代中后期以来，状态监测 己经引起有关部门的重视，相关研究院所、高等院校和企业全方位展开了设备故 障诊断技术研究，引入了人工智能等先进技术，大大推动了状态监测与诊断系统 的研制和实施。 西安交通大学、上海交通大学和哈尔滨工业大学已开展工业领域的远程监测 诊断研究工作，西安交通大学的r b 2 l 机组状态监测与诊断网络系统主要是针对 旋转机械的诊断，并取得初步研究成果。华中科技大学也设立了一个示范性的远 程监测故障诊断站点，并成立了一个智能维护技术中心，针对制造系统，特别是 数控装备的远程操作、维护和诊断方面进行研究。上海同济大学与德国s c h u e l e r 公司合作，进行针对上海大众汽车有限公司冲压生产线的远程服务系统研究。该 系统采用了基于i n t e r n e t 的多层子系统的分布式结构，主要包括状态监测、数据 采集、智能诊断、信息服务和计算机通信五个部分，可以实现远程在线监测、远 程培训、远程故障分析、诊断、远程电视频会议、在线调整等功能。南京航空航 天大学c i m s 工程研究中心以柔性制造系统( f m s ) 为应用对象，介绍了f m s 的远 程监测和故障诊断系统的总体结构、功能模型，采用动态w e b 技术成功开发了原 型系统。北京理工大学也建立了针对f m s 的远程故障诊断系统的总体框架和远程 故障诊断专家系统。清华大学姜磊等人开展了基于组件对象模型的电力设备监测 系统软件研究，通过对数据采集和处理过程进行适当的抽象，解决了设备分布式 监测时遇到的系统软件协同问题，构建了基于分布式对象的电力设备在线监测系 统框架。胡友民提出了分布式柔性可重组状态监测系统的概念，建立了系统的硬 件及软件模型，分析了模型中各部分的功能和结构。实际应用证明这些技术对实 现复杂系统故障诊断与维修资源信息共享，实现故障快速诊断和维修，提高系统 的可用度、降低维修成本是有效、可行的o ? j 。 硕士学位论文 1 1 2 设备状态监测与诊断技术所面临的挑战 随着信息技术、网络技术和通信技术的发展，企业对大型设备的管理已经从 常规的管理模式提升为基于现代高科技系统管理模式，极大地提高了对设备管理 的有效性。将预防性定期维修逐步过渡到“状态维修 己经成为提高生产率的一 条重要的途径，也是现代设备管理的需要【l0 1 。事实证明，设备状态监测与诊断技 术向着信息化、网络化、智能化和集成化的方向发展，使状态监测与诊断技术逐 步从单一企业的个体行为向着社会化和中心化的方向转移。监测对象也由单一的 机组逐步发展成为多机组多设备。设备状态监测作为实施“状态维修”的基本支 撑技术，它服从并服务于企业的生产经营。设备的日益复杂化、大型化和高速化， 从而使得设备状态监测与故障诊断面临如下几个方面的挑战l ： 1 、设备状态监测系统要能适应生产设备的改造和扩容。企业的生产规划是随 着市场变化而变化的，相应的其设备构成和装置规模也是一个动态的变化过程， 设备状态监测技术( 包括监测方案和系统体系结构) 要能够适应这种变化； 2 、设备精密性、复杂性的增加使得其故障诊断需要更多的智能手段【l 引，状 态监测技术也必须适应上述要求。为了降低复杂设备状态评估和故障诊断的技术 门槛，有必要为其提供柔性化、智能化的辅助分析工具； 3 、设备状态监测要具有更高的性价比。对设备进行状态监测是比较昂贵的， 如何降低单位设备的状态监测实施成本是状态监测研究的重要问题，它对提升设 备状态监测技术的实用性意义重大。 应对设备状态监测技术所面临的挑战决定了设备状态监测技术和分析诊断系 统的当前发展趋势，也成为当前状态监测改进研究的重点。 1 1 3 群监测模式的提出 随着现代企业自动化生产的不断发展，企业由单一机组工作逐步发展成为机 组群联合生产【l3 1 。为了保证大型机组群稳定的运行，企业需要建立基于网络的状 态监测与故障诊断系统，如何将计算机网络技术与企业的设备监测与故障诊断结 合起来，推进企业设备管理技术的进步，已经成为机械状态监测与故障诊断技术 发展的一个方向。 设备群监测是指采用网络技术对地域分布的设备机组群进行集成监测，利用 设备机组群在结构特性、运行工况和技术参数等方面的相似性提升设备监测的准 确性和经济性，相对于一般的设备状态监测，群监测有分布式、智能化、可扩展 和低成本四个技术特性【h j 。 1 、群监测的体系结构具有分布式的特点。由于企业设备在地域上是分散的， 所以必须借助网络技术实现设备状态数据的远程传输，因而群监测系统的网络拓 扑都具有分布式的特点；群监测往往是现场监测( 面向设备现场的操作人员) 和远 硕士学位论文 组实际运行情况设置多级报警阈值。这种方法虽然简单，但是容易产生漏报错报， 因为很多轻微故障机组的振动特征值并没有超限制，但进入报警状态时故障往往 比较严重了。因此可以采用人工智能领域的一些研究成果，探索更加有效的早期 状态评估技术。这一问题可以采用异常检测技术，该技术的基本思想是将那些频 繁出现的模式视为正常模式，表示设备运行状况正常，而那些极少出现的模式视 为异常模式，表示设备状况发生了改变，通过对异常模式的检测来辨识设备当前 运行状况【l 引。 机组智能状态评估面临的一个难题是故障特征知识的发现闯题，在机组不解 体、实时诊断的情况下，获取大量的故障样本学习比较困难。而基于免疫机理发 展而来的人工免疫系统通过学习自然防御机理的技术，可提供噪声忍耐、无教师 学习、自组织、不需要故障特征实例，能清晰地表达学习的知识、分布式并行处 理和鲁棒性等很多优点。从状态评估角度分析，生物免疫系统的主要功能就是在 线检测、识别和清除来自生物体内和体外称为抗原的非己物质( 如病毒、癌细胞等 致病因子) ，其实质是生物体内的在线状态监测系统。生物免疫系统在缺乏先验知 识的情况下，能准确识别和记忆各种非己物质，在自主学习过程中不断提高免疫 功能，对肌体进行在线自主故障诊断和健康监测。 在群监测系统中采用基于否定选择算法的机组状态评估方法，能在机组故障 信息样本获取困难的情况下对机组群状态实现有效的监测。 2 、监测系统的组态化重构 “组态”的概念是伴随着集散型控制系统( d i s t r i b u t e dc o n t r o ls y s t e m ，简称d c s ) 的出现才开始被广大的生产过程自动化技术人员所熟知的。组态的含义是使用软 件工具对计算机及软件的各种资源进行配置，达到计算机软件按照预先配置，自 动执行任务，满足使用者要求的目的【1 8 】。由于每一套d c s 都是比较通用的控制 系统，可以应用到很多领域中。为了使用户在不需要编写代码程序的情况下便可 生成适合自己需求的应用系统，每个d c s 厂商在d c s 中都预装了系统软件和应 用软件，而其中的应用软件实际上就是组态软件。但一直没有入给出明确定义， 业界将使用这种应用软件设计生成目标应用系统的过程称为“组态( c o n 行g u r e ) 或“做组态”【l 引。 传统组态软件偏重于控制功能，所以以监测缓变量为主，其监测数据量相对 较少，对数据的诊断分析功能也少。状态监测与故障诊断软件的目的除了要采集 数据并显示外，更重要的是保存大量的机组日常数据、启停数据、故障数据以支 持设备的状态评估和故障诊断，因而两者在功能定位上有本质区别。监测与诊断 系统的组态是指用系统配置而不是编程方式来实现系统对监测对象适应，同时提 供良好的用户界面和简洁的使用方法，其预设的各软件模块可以灵活地组合以实 现用户期望的各种功能，同时确保对多种工业标准的支持( 即实现对不同厂商的硬 机组群监测技术及其系统研究 件设备的全面支持) ，并通过与网络环境的结合实现分布式的系统集成【2 。 组态化软件给工控软件的“柔性化”提供了很好的基础，为软件的设计开发 以及应用系统的柔性组合和升级带来很大的便利【2 2 1 ，因此，本文借鉴组态化思想 开发群监测与诊断分析系统具备了下述一些技术特性： ( 1 ) 实时多任务：即将数据采集与输出、数据处理与算法实现、图形显示及 人机对话、实时数据的存储、检索管理和实时通信等多个任务集成在同一台计算 机上运行； ( 2 ) 高可靠性：即利用冗余技术构成双机乃至多机备用系统，从而获得很高 的可靠性技术指标； ( 3 ) 延续性和可扩充性：即强调当现场( 包括硬件设备或系统结构) 或用户需求 发生改变时，不需作很多修改而方便地完成软件的更新和升级； ( 4 ) 通用性：即用户根据工程实际情况，利用监测软件提供的底层设备( 智能 仪表、智能模块等) 的i o 驱动、开放式的数据库和画面制作工具，就能完成一个 具有动画效果、实时数据处理、历史数据和曲线并存、具有多媒体功能和网络功 能的工程，在某一领域内使用不受限制。 1 。2 本文研究的意义和目的 1 2 1 研究意义 二十世纪初以来，随着信息化工业大生产和科学技术的不断发展，现代设备 日益大型化、复杂化、自动化和连续化【2 3 1 。企业的设备群一旦发生故障，轻则会 降低生产质量或停产，重则会造成严重甚至是灾难性的事故，产生严重的社会影 响。生产过程中发生的设备故障会导致设备停机或机器损坏，进而导致生产中断， 因而在制造业尤其是流程制造业中保障生产装置( 设备) 的运行可靠性是企业经营 的一项重要内容，而设备状态监测则是满足企业上述需求的关键技术。设备状态 监测技术通过了解和掌握设备在使用过程中的状态，确定设备( 装置) 的整体或局 部是正常或异常，以便早期发现故障及其原因和预报故障发展的趋势。 设备状态监测的价值辨识可以从两个层面进行，一是从企业经营的角度全面 分析设备状态监测对实现企业生产经营目标的贡献；二是从社会发展的角度分析 设备状态监测对社会进步的推动作用。基于上述认识，设备状态监测的价值可以 归结为如下三个方面： 1 、设备状态监测能及时准确地对各种异常状态或故障状态做出诊断，进而指 导设备的运行维护，降低企业的设备维护成本； 2 、设备状态监测有利于设备发挥其最大的设计能力，通过制定合理的维护方 案，设备的服役期限和使用寿命能够得到有效延长，其全寿命周期费用也能得到 机组群监测技术及其系统研究 了系统的开发和维护费用；另一方面，利用人工免疫技术进行故障诊断分析，在 没有先验知识的情况下通过对机组正常状态样本的学习记忆，可以对机组运行的 实时状态做出智能化评估，有效的弥补了人工设置报警数据导致误报警而跳车的 缺陷，提高了群监测与诊断系统的智能性。本系统使用v s n e t 平台和面向对 象技术完成群监测与诊断系统的程序实现，使用s q ls e r v e r2 0 0 5 作为数据库管 理系统实现对企业实时数据、历史数据的管理，为实现故障诊断提供数据支持。 1 3 2 整体框架 全文共分为六章： 第l 章阐述了本课题提出的背景、研究意义和研究内容。提出了群监测模式， 并对其特点和发展概况进行了综述。 第2 章首先介绍了状态监测与故障诊断方法的基本原理，详细分析了机组振 动信号在幅域、时域、频域的故障特征提取方法，然后探讨了群监测与诊断分析 系统的总体结构设计方法，并给出了群监测系统硬件和软件实现方案。 第3 章概述了生物免疫系统及在此基础上发展的出的人工免疫算法，提出了 利用改进的否定选择算法进行设备在线状态评估方法，并验证了评估方法的可行 性。 第4 章研究了面向群监测的组态化设计技术，并以其为指导设计开发机组群 监测组态系统平台，实现了群监测系统软件柔性化设计开发的目标。 第5 章研究了背景企业机组群监测的需求与软件实现。 最后一部分是结束语，对全文进行了总结展望。 1 4 小- 结 本章首先从企业经营和社会可持续发展两个方面阐明了设备状态监测的重要 性，分析了机组状态监测与故障诊断系统在先进制造模式下所面临的挑战；提出 了组态化的群状态监测系统体系结构；最后介绍了论文的研究内容和各章节安排。 硕士学位论文 第2 章机组群监测系统结构与故障诊断技术 2 1 引言 一般而言，设备故障是指设备性能指标的降低或丧失。对设备进行故障诊断， 目的是为了了解设备在运行中的状态，并预测其发展变化，及时发现存在的隐患， 对故障部位、原因、严重程度、发展趋势以及故障性质等作出识别判断，提出维 修建议与决策意见。随着企业现代化、信息化的不断发展，机组状态监测与故障 诊断系统的发展趋势是建立通用型模块化、集成化、智能化的具备自学习训练与 自适应调整功能的多传感器、多参数、多模型智能系统【2 4 1 ，克服传统的分离式监 测或单功能单机组以及局部监测与诊断的弊端，使硬件软件达到真正的融合集成。 设备状态监测与故障诊断是通过掌握设备过去和现在运行中的状态量，判断有关 异常或故障的原因，找出必要的对策技术。它在动态情况下，利用机械设备劣化 进程中产生的信息( 如振动、噪声、压力、温度、流量、润滑状态及其他指标等) 来进行状态分析和故障诊断，涉及传感器及测试技术、电子学、信号处理、模式 识别、计算机技术以及人工智能、专家系统等多种基础学科和技术学科，是对这 些理论的综合利用。机械设备状态监测与故障诊断的基本过程如图2 1 所示。 图2 1 机械设备状态监测与故障诊断过程 故障诊断施的方式有简易与精密、离线与在线、人工诊断与智能化诊断等区 分，具体方式要视诊断对象、诊断要求、 机组在企业生产中具有举足轻重的地位， 2 2 机组故障诊断技术 人员素质与仪器手段等具体情况而定。 一般均实施在线监测和精密诊断方式。 机组群监测系统通过对机组参数长期监测，结合设备参数运行的各种历史趋 势图，评估出设备运行状态是否正常，若异常，通过智能诊断分 x 机组群监测技术及其系统研究 2 2 1 状态监测量的选取 机组的健康状况能够通过机械振动、噪声、某些零部件的位移和温度这些外 部特征反映出来，通过这些故障征兆的有无可以判断出机组状态的好坏。在所有 机组状况相关的故障特征中，由于机械振动同时包含幅值、相位和频率的信息并 且易于测量，本文以机组轴振动信号作为反映机组运行状态的主要监测量。当然 对于生产过程中的工艺参数( 如压力、温度、流量) 也按照机组需求进行实时监测。 这些工艺参数不仅能表明特定时刻设备所处的工作状态，而且能对振动特征分析 起辅助和补充作用。 2 2 2 机组故障机理分析 大型机组主要功能是由旋转动作完成的，转子是其最主要的部件。因此，了 解与掌握转子系统在故障状态下的振动机理，对于监测机器的运行状态和提高故 障诊断的准确度具有重要的理论意义和实际的工程价值。机组转子系统故障主要 有转子不平衡故障，转子不对中故障，转子油膜涡动故障和转子横向裂纹故障这 几种2 6 1 。 1 、转子不平衡故障机理 转子不平衡故障是旋转机组最常见的故障。转子不平衡故障包括转子的质量 偏心及转子部件出现缺损。转子质量偏心是由于转子的制造误差、装配误差、材 质不均匀等原因造成的，称此为初始不平衡。转子部件缺损是指转子在运行中由 于腐蚀、磨损、介质结垢以及转子受疲劳力的作用，使转子的零部件( 如叶轮、 叶片等) 局部损坏、脱落，碎块飞出等，造成的新的转子不平衡。所有的转子不 平衡都可以视为转子的质量偏心引起的。 转子质量不平衡的振动特点为：振动频率与转速一致，波形为正弦波，以一 倍频振幅为主，其他谐波振幅较小，轴心轨迹为椭圆形。 2 、转子不对中故障机理 机组各转子之间由联轴器联接构成轴系，传递运动和转矩，由于机器的安装 误差、承载后的变形以及机器基础的沉降不均等，造成机器工作状态时各转子轴 线之间产生轴线平行位移、轴线角度位移或综合位移等对中变化误差，统称为转 子不对中，转子系统机械故障的6 0 是由不对中引起的。具有不对中故障的转子 系统在其运转过程中将产生一系列有害于设备的动态效应，如引起机器联轴器偏 转、轴承早期损坏、轴的挠曲变形和机器发生异常振动等，危害极大。转子不对 中可分为联轴器不对中和轴承不对中两种情况。 机组发生转子不对中故障时的主要振动特征表现为： ( 1 ) 转子径向振动出现二倍频，以一倍频和二倍频分量为主，不对中越严重， 二倍频所占比例越大； 硕士学位论文 ( 2 ) 振动的轴心轨迹为香蕉形； ( 3 ) 联轴器不对中时轴向振动较大，振动频率为一倍频，轴承不对中时径向 振动较大，有可能出现高次谐波； ( 4 ) 振动对负荷变化敏感，当负荷改变时，联轴器扭矩发生改变，如果联轴 器不对中，则振动状态也立刻发生变化。 3 、转子油膜涡动故障 油膜涡动是由滑动轴承油膜力学特性引起的自激振动。如果转子轴颈主要是 由于油膜力的激励作用而引起涡动，则轴颈的涡动角速度将接近转速的一半，故 有时也称之为“半速涡动”。其运动的机理如下： 轴颈在轴承中作偏心旋转时，形成一个进口断面大于出口断面的油楔，如果 进口处的油液流速并不马上下降( 例如，对于高速轻载转子，轴颈表面线速度很高 而载荷又很小，油楔力大于轴颈载荷，此时油楔压力的升高不足以把收敛形油楔 中的流油速度降得较低) ，则轴颈从油楔间隙大的地方带入的油量大于从间隙小的 地方带出的油量，由于液体的不可压缩性，多余的油就要把轴颈推向前进，形成 了与转子旋转方向相同的涡动运动，涡动速度就是油楔本身的前进速度。 油膜涡动故障的主要振动特征是：随着工作转速的升高，涡动频率不断增加， 半频谐波的振幅不断增大，转子振动加剧；其轴心轨迹是基频与半频叠加构成的 较为稳定的双椭圆。 4 、转子裂纹故障 转轴上出现裂纹，相当于破坏了转轴界面的对称性，在圆周方向就存在最大 和最小两个抗弯刚度。转子旋转一周，动挠度变化两次，故引起两倍于转速频率 的振动，裂纹越大，两倍频的振动分量也越大。根据这一特征，反映在升降速过 程中的l 2 临界转速l ，会出现一个明显的振动峰值。此外，由于带裂纹的转子 刚度减小，除产生两倍频的振动分量外，在通过一阶临界转速时，一倍频的振动 峰值也会增大，同时转子系统运行时的实际临界转速也会相应降低。在实际测试 转轴裂纹时有时还有许多更复杂的特征，如三倍频振动分量的出现等。转轴裂纹 故障的振动特点为： ( 1 ) l x 、2 x 倍频分量的变化，其中对2 x 倍频在升降速过程中变化与扩展趋 势的监测对裂纹故障的及时发现是相当重要的； ( 2 ) 机器开机或停机，工作转速通过半临界转速时，振幅响应有共振峰值； ( 3 ) 轴上出现裂纹时，初期扩展速度很慢，径向振幅的增长也很慢，但裂纹 的扩展会随着裂纹深度的增大而加速，相应的也会出现l x 及2 x 振幅迅速增加， 同时l x 和2 x 的相位角也出现异常的波动。 硕士学位论文 最小值：x 血= m i n k 哗哗值：义p 一，2 义麟一叉m i n 均方根值：k 2 专善# 方差：皿= 专与喜( 一一动2 方根雌t = 瞧倜 2 平均幅值：冈= 专喜i 墨i 歪度( s k e w n e s s ) ：口2 专善x ，3 峭度( k u r t o s i s ) ：卢2 专善t 4 ( 2 3 ) ( 2 4 ) ( 2 5 ) ( 2 6 ) ( 2 7 ) ( 2 8 ) ( 2 9 ) ( 2 1 0 ) 有量纲幅域诊断参数的值常因负载、转速等条件的变化而变化，实际中很难 加以区分。改善的办法是引入量纲为一的幅域参数，常用的量纲为一的幅域参数 有： 波形指标( s h a p e f a c t o r ) ：量2 督 ( 2 1 1 ) 峰值指标( c r e s tf a c t o r ) ：c ，= 专等( 2 1 2 ) n 瑚， 脉冲指标( i m p u l s ef a c t o r ) ：o 。督2 _ 3 ) 裕度指标( c l e a r a n c ef a c t o r ) ：c z ，= 三尹 ( 2 1 4 ) 一，l - 峭度指标( k u r t 。s i sv a l u e ) ：k ：鲁 ( 2 1 5 ) a m s 由上述各参数定义可见，这些参数的分子都是振动的最大值或振动的高次方， 突出了大振幅的作用，实质上是对大振幅的提升。同时通过选用与机组运行工况 基本适应的比较稳定的振值作为基准值，以此来消除工况振动对参数的影响，经 过如此处理，故障敏感性就好多了。这些参数中，峭度指标、裕度指标和脉冲指 标对于冲击脉冲类故障比较敏感，特别是当故障早期发生时，它们有明显增加。 但上升到一定程度后，随故障的逐渐发展，反而会下降，表明它们对早期故障有 较高的敏感性，但稳定性不好。一般说，均方根值的稳定性较好，但对早期故障 信号不敏感。所以，为了取得较好的效果，常将它们同时应用，以兼顾敏感性和 稳定性。 机组群监测技术及其系统研究 3 、时域分析法 机组振动信号在时域一般是以时间波形的形式表示。时域分析的重要特点是 信号的时间顺序，即数据产生的先后顺序。在幅域分析中，各幅域参数是以时间 样本来计算的，但参数值与时间顺序无关。在机械设备运行过程中，一般把复杂 系统抽象为简单的物理模型，只能对其做一般规律分析，很难就机组状态作出结 论。时间波形具有直观、易于理解等特点，由于是最原始的信号，所以包含的信 息量大。缺点是不太容易看出所含信息与故障的联系。 ( 1 ) 自相关分析 自相关函数( 疋0 ) ) 信号或数据x ( f ) 的自相关函数疋0 ) 是描述一个时刻的取 值与另一个时刻的取值之间的依赖关系。若信号x ) 为采样所获得的一组离散数 据，而，矗，则自相关函数的离散化数据计算公式为： 友( 以) 2 万三善x ( ，) 茗p + 功”= o ，1 ，2 ，材必s a r ( 2 16 ) 式中： 一采样点数。 ，一时间序列。 开一时延序列。 ( 2 ) 互相关分析 互相关函数( k ( r ) ) 是表示两组数据之间依赖关系的相关统计量，互相关函数 表示为： 曩砂( 力) = l i m 素i x ) 少 + f ) 防 ( 2 1 7 ) f ， o 若信号x ( r ) 为采样所获得的一组离散数据，矗，则互相关函数的离散化 数据计算公式为： 砌) 2 忐善m m 斛，) ( 2 1 8 ) 式中： 一采样点数； ，一时间序列； ，2 一时延序列。 4 、频域分析法 对于机组故障诊断而言，时域分析所能提供的信息量十分有限。现有的时域 分析法只能粗略地回答设备有无故障，有时也能得到故障严重程度的信息，但不 能判断故障的发生部位，故一般只能用作设备的简易诊断。故障诊断更重要的任 务是要判断设备哪一部分发生了故障，以便有针对性地采取措旋。一种常用的对 硕士学位论文 故障进行定位的方法就是进行频域分析。频域分析法就是把以时间为横坐标的时 域信号通过傅立叶( f l o u r i e r ) 变换分解为以频率为横坐标的频域信号，从而求得关 于原时域信号频率成分的幅值与相位信息的一种变换方法。通过对各频率成分的 分析，对照设备各部件运行时的特征频率，以便查找出故障源。频域分析法具体 包括幅值谱分析法、倒频谱分析法、包络谱分析法等，它们己经成为旋转机械故 障诊断的主要分析方法。 ( 1 ) 傅里叶( f f t ) 频谱分析 傅里叶变换是进行频率结构分析的重要工具，它可以辨别或区分组成任意波 形的一些不同频率的正弦波和它们各自的振幅。对于一个时域信号x ( f ) ，其傅里 叶正变换为： m x ( 厂) = ix o 弘1 功衍 ( 2 1 9 ) 傅里叶变换是从时域到频域进行信号转换，并无信息丢失，所不同的只是其表示 方法。对振动的时域波形进行傅里叶变换，傅氏频谱分别清晰地提取出了各阶谐 频处的幅值，为判别故障提供了依据。 ( 2 ) 倒频谱分析 倒频谱分析也称为二次频谱分析，其定义就是信号的双边功率谱对数加权再 取傅里叶变换的结果，倒频谱可以用来检测复杂频谱上的周期性结构。对时域信 号x ( ，) 经过变换后，可得到功率谱密度函数q ( 厂) ，对功率谱密度函数取对数后， 再对其进行傅里叶变换并取平方，则可以得到功率谱倒频谱函数g ( g ) 。对于机 械故障信号在频谱图上出现难以识别的同族或异族谱以及多成分边频时，采用倒 谱分析技术可以分解和识别故障频率，分析和诊断产生故障的原因和部位。对于 一个时域信号x ( f ) 的功率谱倒谱表示为： g ( g ) = i f l o g q ( 厂) ) r ( 2 2 0 ) 式中，f 为傅立叶变换符号，q ( ) 是功率谱密度函数。上式将对数功率谱作 傅立叶变换，然后取其模的平方，所以功率倒频谱又称为“对数功率谱的功率谱”。 ( 3 ) 包络谱分析 包络谱是对信号的包络线进行傅立叶变换，对于滚动轴承故障信号包络线包 含着丰富的故障特征信息，可以有效地识别出故障频率。 对于一个时域信号x ( f ) ，作h i l b e r t 变换得到 ；( f ) ：三f ”掣d f ( 2 2 1 ) 机组群监测技术及其系统研究 构造x o ) 的解析信号 于是得到幅值函数 z o ) = x o ) + j f ；o ) = 口o ) p 埘( f ) ( 2 2 2 ) 口( ，) ：扛鬲丽( 2 2 3 ) 幅值口( ) 便是x o ) 的包络，对口( f ) 进行傅立叶变换即可得到信号包络谱。 b ( 厂) = i 口 弘1 功西 ( 2 2 4 ) ，5 、瞬态信号分析法 机组工艺参数和运行参数的变化过程对于分析设备的稳定性，进行故障诊断 及参数识别具有重要价值。例如机组在旋转过程中的响应就是一组过程信号。通 过对一组过程信号的分析，可以分析转子的振动特性，查询幅值和相位变化的原 因，获得机组实际运行的临界转速等关键参数，确定转子的不平衡响应，研究结 构和元件的共振等，是故障诊断的重要依据之一。 ( 1 ) 轴心轨迹 轴心轨迹是轴心相对于轴承座的运动轨迹，它反映了转子瞬时的涡动状况。 对轴心轨迹的观察有利于了解和掌握转子的运动状况。例如，在某时刻轴心轨迹 在轮廓上接近椭圆，说明主要振动成分为基频，如果振幅不高，表明机组工作状 态比较稳定。 ( 2 ) 波德图 波德图是描述某一频带下振幅和相位随过程的变化而变化的两组曲线。频带 可以是1 x ，2 x 或其它谐波，这些谐波的幅值、相位计算可以用f f t 法，也可以 用滤波法等简易方法。当过程的变化参数为转速时，波德图是机组随激振频率不 同而幅值和相位变化的幅频响应和相频响应。 ( 3 ) 极坐标图 极坐标图实质上就是振动矢量图。振动向量可以是1 x ，2 x 或其它谐波的振 动分量。极坐标图可以看成是波德图在极坐标上的综合曲线，它对于说明不平衡 质量的部位，判断临界转速以及进行故障分析是十分有用的。和波德图相比，极 坐标图在表现旋转机组的动态特性方面更为清楚和方便，其应用也越来越广泛。 2 3 群监测系统结构设计 一般监测系统按照当前被监测对象的硬件通讯协议不断的读取设备运行时的 状态数据，然后对这些数据进行处理，通过一定的方式显示给用户，给用户提供 设备的实时运行状态。由于监测系统与监测设备之间的通讯协议是固定的，所以 传输设备状态数据不能按照设备需求变化而改变，其人机交互界面也在软件开发 硕士学位论文 的过程中固定了，人机交互界面上的每个元素对应于设备的某个测点状态数据的 显示格式也不容易改变。因此，系统可移植性、可重用性、资源共享方面比较困 难，造成大量的人力和财力的浪费。 群监测与诊断系统功能上应具备设备与过程的运行状态数据动态采集，信号 处理及监测特征提取，机组综合状态评估，自动报警及突发报警自动保护，智能 故障推理诊断等功能【25 1 。为了充分利用现代不断发展的网络系统，借助企业网络 资源，满足机组设备地域分布差异要求，群监测与故障诊断系统在结构上采用分 布式系统结构，采集数据集中上传到服务器进行分析、诊断和管理，通过企业网 络实现远程多机组群集中监测和故障诊断。这样企业设备管理者可以实时的了解 机组的运行状况，有利于企业设备生产任务的动态调度。 2 3 1 监测系统硬件构成 机组群监测与故障诊断系统网络拓扑结构如图2 2 所示。 图2 2 机组群监测与智能故障诊断系统物理结构图 根据系统各组成部分在物理连接和功能上的不同，可以将硬件系统分为数据 采集层和数据通讯存储两层。 1 、数据采集层 采集层主要由传感器前置器、传感器、信号电缆及接线端子、信号调理器、 工控机、数据采集卡等部分组成。在设计采集通讯层时应注意测点的选择、传感 器的选择、数据采集卡的选择。 ( 1 ) 测点的选择 机组振动信号是机组异常和故障信息的载体。对测点进行正确合理的选择是 保障获得有效故障信息的重要条件。一般情况下，监测点数量及方向的确定应该 考虑的总原则是能对设备振动状态作全面描述，尽可能选择机器振动的敏感点， 离机器核心部位最近的关键点和容易产生裂化现象的易损点。监测点的选择还要 机组群监测技术及其系统研究 考虑环境因素，应避免选择高温、高湿度、出风口和温度变化剧烈的地方为监测 点，以保证监测的有效性。从信号频段角度来考虑，由于低频信号的方向性强， 而高频信号对方向不敏感，对于低频段的确定性振动需同时测量径向的水平和垂 直两个方向，有条件时还应增加轴向测量点。而对于高频的随机振动和冲击振动 可以只确定一个方向作为测量点。对于监测点选择原则是以最少的传感器，最灵 敏地测出整个机组的运行状态，确定必不可少的监测点。这就需要对被监测的对 象的结构特性作一个全面了解和分析。 ( 2 ) 传感器的选择 传感器是将测试中的振动、温度、压力等具有不同物理特性的信号转换为电 信号的仪器。其输出的电信号分为两类：一类是电压、电荷及电流，另一类是电 阻、电容和电感等电参数。这些点信号通常比较微弱，不适合直接分析处理。因 此传感器往往与配套的前置放大器连接组成专用测量电路，最终输出幅值适当、 便于分析处理的电压信号。传感器选择根据监测信号来确定，保证其动态范围大 于机组参数的变化范围并考虑一定的安全系数。机组轴振信号和转速相位信号采 用非接触式电涡流位移传感器来测量。 ( 3 ) 采集卡的选择 从信号调理模块出来的是模拟信号，必须采用数据采集卡经过a d 转换，才 能被计算机识别。本系统数据采集卡核心是p c i 6 2 2 4 a d 转换芯片。它的主要技 术指标如下：单端3 2 通道；分辨率1 2 位；最大输入量程l o v ；最高 采样频率2 5 0 k h z 。此数据采集卡满足机组群监测数据采集要求。 2 、数据通讯存储层 数据通讯存储层主要由企业局域网、监测客户端、数据服务器组成。负责将 采集层采集的状态数据传送到监测中心数据服务器，保证机组日常状态监测和诊 断分析的实现，为机组管理人员查看分析机组历史运行状态提供使能。数据库服 务器是其中的核心部件，由于该数据库服务器不仅要保存机组运行的所有历史数 据，还要为企业管理者查询机组的管理信息提供服务，所以该服务器选用了部门 级的服务器，基本配置为双至强2 8 g 处理器、w i n d o w s2 0 0 3s e r v e r 、1 g bd d r 一2 内存、双7 3 g bs c s i 硬盘( 带r a i d l ) 和双千兆网卡。 2 3 2 监测系统软件结构 机组群监测与诊断系统软件主要分两个部分：在线监测和故障分析诊断。系 统的软件结构如图2 3 所示。 硕士学位论文 图2 3 组态式群监测与诊断分析系统软件结构 组态主要针对在线监测这一部分，通过组态配置生成整个系统参数并存入系 统数据库；智能分析诊断通过调用系统数据库的配置数据和设备数据库的具体数 据记录按照用户要求进行分析诊断，整个系统以数据库为核心进行数据交换。 2 4 小结 本章首先介绍了状态监测与故障诊断方法的基本原理，详细分析了机组设备 的故障机理以及振动信号在幅域、时域、 群监测与诊断分析系统的总体结构设计， 现方案。 频域的故障特征提取方法，最后探讨了 并给出了群监测系统硬件和软件初步实 蓘詟 从信息处理角度来讲，生物免疫系统具备强大的识别、学习和记忆能力及 布式、自组织和多样雾弱越鸶鲜明醪驰研犯髓而耋薹萋啦尺；l 垂。蚕量i 鞣薹霎埕确囊霉扣搠鸶 裁髹菱群篓耋猗嘲皑j 谢浔管莉神终雨轻匮胃卑嵩单衡翳 三皇；岔至囊黔以 生的 程，将需要检测的设备异常状况设定为抗原，系统根据免疫算法原理产生抗体 对抗原进行识别【3 叭。其中，模仿生物体以区分“自我”和“非我”而提出的否 选择算法得到了广泛关注，并成功应用到计算机系统网络安全监测等领域【3 。 种异常检测方法与统计方法相比，不需要预先估计数据的统计特性，适应于各 分布情况，能够提高检测的准确度 基于生物免疫机理建立的故障检测方法与神经网络等故障检测和诊断方法 比，其主要特点是不需要设备运行状态的故障数据样本【3 4 】；通过对正常数据样 的训练，就可以得到设备的异常状态空间，实现异常监测。这种故障诊断方法 合考虑了设备参数之间的相关变化，能够识别设备潜在的趋势变化特征，便于 障的早期发现，将故障消灭在萌芽状态 在机组群监测与诊断分析系统应用中，状态监测是智能故障诊断的基础， 是提高诊断效率，实现实时诊断的必要条件，对背景企业关键机组的异常状态 行早期监测、预警，是设备故障诊断需要解决的问题。这里面主要的问题是， 大型机组设备故障样本难以获得的情况下，如何建立一种有效的异常状态评估 法。本章将基于人工免疫机制的否定选择算法用到机组群监测与诊断系统中。 种算法在识别“自我 和“非我 的基础上，能够通过“自我 空间生成抗体库 将待检测数据与抗体库中的抗体进行匹配，由匹配结果来判断待测数据是否为 常。本章借鉴生物免疫系统的免疫识别、免疫记忆和克隆选择机理，采用否定 硕士学位论文 3 、免疫记忆 当免疫系统初次遇到一种抗原时，淋巴细胞需要一定的时间进行学习以便更 好的识别抗原，并在识别结束后以最优抗体的形式保留对该抗原的记忆信息。当 免疫系统再次遇到相同或者结构相似的抗原时，在联想记忆的作用下，其应答速 度大大提高。 4 、克隆选择 自从b e m e t 提出克隆选择学说后，克隆选择理论已经成为免疫学界普遍接受 的基本理论。其主要内容为：淋巴细胞实现对抗原的识别后，b 细胞被激活并增 殖产生b 细胞克隆，经过变异过程，产生具有对抗原具有特异性的抗体。克隆选 择理论描述了获得性免疫的基本特性，并且只有成功识别抗原的免疫细胞才得以 增殖。经过变异后的免疫细胞分化为效应细胞( 抗体) 和记忆细胞两种。克隆选 择原理是通过采用交叉、变异等遗传算子和相应的群体控制机制实现的。d e c a s t r o 根据克隆选择算法原理提出了克隆选择算法模型，并在模式识别、组合优 化和多峰函数优化中得到了验证【3 3 1 。 5 、免疫反馈 抗体产生后，可不断与抗原结合消灭抗原。当所有入侵抗原被清除后，免疫 应答终止。抗体对免疫应答有反馈调节作用，抗体是免疫应答的产物，抗体产生 后又可以抑制其后抗体的产生。在免疫应答后期，效应细胞抑制免疫应答，这对 于维护免疫系统的稳定性具有重要作用。 3 3 基本人工免疫算法 人工免疫算法是在借鉴生物免疫系统原理和机制的基础上，为解决各种具体 问题而提出的不同免疫算法，主要有用于异常检测的否定、肯定选择算法，用于 二进制字符识别、多峰函数优化、组合优化及著名的旅行商问题的克隆选择算法、 免疫进化算法和免疫网络算法等。下面讨论几种典型的免疫算法。 3 3 1 克隆选择算法 以亲和度为比例的繁殖和变异是克隆选择学说的两个重要特性，但标准的遗 传算法不能很好的刻画这两个重要特性。2 0 0 0 年，d ec a s t r o 和v o n z u b e n 提出了 克隆选择算法命名为c l o a l g 【39 1 。该算法能产生具有高亲和度的个体，并从中选 择出改进后的后代，这意味具有贪婪搜索能力，即通过搜索周边的空间，单个个 体可以实现局部的优化，并且新生的个体也是对搜索空间一个更加广泛的搜索。 这种特性使得算法很快被广泛应用于优化问题，尤其适合解决多模态优化问题。 硕士学位论文 的。算法的基本过程包括【4 0 】：( 1 ) 定义自身为长度为l 的有限字符串集s ，s 可以 是一个程序，数据文件或者一般的特征模式也就是要保护的对象；( 2 ) 产生一个检 测器集r ，r 中的每个检测器与s 中的字符串都不匹配，所谓匹配不是完全相等， 而是部分相同，只要有连续的r 位相同可以称为匹配，r 是可以选择的参数；( 3 ) 通过与检测器r 匹配情况监视s 的变化，如果与任何一个检测器匹配，则表示自 身产生了改变和偏移。阴性选择算法的关键在于异常检测器的产生。这些随机产 生的检测器将能够识别所有可能的“非我( n o n s e l f ) 模式。 3 4 2 评估模型系统结构 由于企业大型机组生产运行过程中故障样本获取比较困难，而基于否定选择 算法的故障诊断模型的主要特点是不需要设备的故障状态数据，只需要对设备正 常运行的状态参数进行特征提取，通过对正常状态数据样本进行训练得到故障检 测器，在机组群监测系统的运行过程中可以实现设备的故障智能检测，因此具有 一定的可行性。基于否定选择算法的状态评估系统结构如图3 2 。 检测器产生 故障检测与诊断 正常设备数据 检测数据输入 一r 上 特征提取 特征提取 上 上 产生检测器 异常检测 上 进化学习报告异常 j 故障诊断 图3 2 状态评估系统模型 3 4 3 设备状态评估知识表示 针对设备状态评估的问题，设备状态可以分为正常模式和异常模式两类，其 中正常模式可以对应为免疫系统的“自我( s e l f ) ”，异常模式对应为免疫系统的“非 我( n o n s e l f ) 。基于免疫机理的状态评估模型的主要功能是识别设备状态，检测 出异常模式，检测结果可以用于设备故障智能诊断。 在上述否定选择算法中用长度为l 的二进制字符串定义自我集合，这种方式 很难确切的描述设备状态，因为设备状态参数一般可以用振动频谱特征，功率谱 特征等等描述，而且这种描述方法更加直接有效。 机组群监测技术及其系统研究 如果采用n 维特征向量s = ( x 小x 出x 。) 来表示设备状态，这样就构成了一 个n 维特征向量空间，个设备状态可以视为n 维特征向量空间中的一个点；反 之，特征向量空间中的一个点对应一个设备状态。设备状态之间的相似性可以通 过相对应的特征向量之间的相似性来度量。距离越小，相似度越大，反之一样。 特征向量之间的距离有多种定义方式，这里用欧氏距离来描述两个状态向量之间 的亲合度。 3 4 4 检测器生成算法 1 、数据预处理与编码 对正常机组的振动响应提取特征，对特征数据进行线形归一化处理后，采用 振动特征值的实值向量作为样本。建立样本体集合s = ( x 妒x m ) ， x “= 矗l ，t f 2 ，h 。) ，z 为特征向量维数。采用式( 3 1 ) 计算s 中某元素与其它 元素的最小距离a 。，参照a 。确定本体集合的匹配半径匕。 九= r n j n d ( x 鲋，x “) ( 3 1 ) 2 、匹配原则 本文采用欧几里德距离匹配原则：若x 对应的特征向量x = ( 为，而，毛) ，设备 状态对应的某一特征向量y = ( m ，耽，儿) ，两者间的欧几里得距离公式( 3 2 ) 计算 为： 1 几一 以五力2 击善 叫) 2 ( 3 2 ) 3 、产生检测器 在【o ，1 】区间随机产生均匀分布的珂维候选检测器x 。，经过如图3 3 所示的否 定选择算法生成正式检测器，建立抗体集合髟= x 扪x 招) 及相应的检测器半径 b = 屹。，屹：，) ，其中珞为检测器x 讲到本体集合元素的最近距离。 图3 3 检测器生成算法 2 6 _ 硕士学位论文 上述检测器生成算法在“非我”空间随机产生的候选检测器可能存在相交、 重叠、包含等现象，这种现象会导致检测器覆盖的范围无法达到最大化。如何在 检测器数目一定的情况下，使检测器覆盖范围的交集减小，异常检测的漏检率降 低，是应用否定选择算法需要解决的问题之一。针对否定选择算法中由于检测器 之间的相交使得检测器在“非我”空间覆盖范围减少的情况，人们提出用改进的 否定选择算法来生成检测器【4 。改进否定选择算法生成的检测器不仅要与“自我” 空间的本体模式匹配，而且还要与抗体集合中的检测器匹配，如果与任一正式检 测器匹配，则要将其删除。这样，每一个检测器与其它检测器都不存在交集，当 检测器数目一定时，在“非我”空间所覆盖的范围能达到最大。改进的检测器生 成算法如图3 4 所示。 图3 4 改进检测器生成算法 4 、异常检测 从待测振动信号中提取特征后归一化处理，得到待测特征向量 以= x 。，x 。：， 。计算l 中每个元素与抗体集合中所有元素之间的距离，如果 对某元素x 。，存在x 讲满足e ( x x 讲) 通道信息组态 i彳f 系 实 统 机组信息组态 时 实时数据处理内核 报 卜 数 警 采集参数组态 据 卜、 库 之乡 显 系 数据库组态 统 机组数据库 不 实时显示组态 之乡 多 公司管理组态 历史趋势显示 诊断分析 u 图4 1 监测组态平台体系结构 1 、组态开发环境 它是工程师为了实施其监测方案，在组态平台支持下进行应用程序系统生成 所必须依赖的工作环境。组态开发环境主要包括监测画面组态、通道信息组态、 机组信息组态、采集参数组态、数据库组态、实时显示组态、公司管理组态几个 部分。通过组态配置向导配置相关数据表，生成最终的图形目标应用系统，供系 统运行环境运行时使用【5 9 1 。 2 、系统运行环境 实时运行系统用于显示监视画面