基于LabVIEW的机电设备状态虚拟检测系统设计

1、第7卷第1期2009年2月福建工程学院学报JournalofFujianUniversityofTechnology文章编号:1672-4348(2009)01-0100-03基于LabVIEW的机电设备状态虚拟检测系统设计马莹,刘建成1,2(1.中南大学信息科学与工程学院,湖南 长沙 410083 2.福建工程学院电子信息与电气工程系,福建 福州 350108)摘要:应用NI的LabVIEW开发了一套机电设备状态虚拟检测系统,给出了系统的构成,并在数据预处理中采用了小波分析方法,能够实现在线状态监测和故障诊断。经通过实验室仿真测试,此系统具有较好的动态性、适应性,能满足不同特点的机电设备及测

2、试信号的处理要求。关键词:虚拟检测;故障诊断;在线监测;LabVIEW中图分类号:TP311.52:TH文献标识码:ADesignofLabVIEW-basedstatevirtualdetectionsystemforelectromechanicalequipmentMaYing,LiuJiancheng1,2(1.CollegeofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083,China;2.ElectronicInformationandElectricalEngineeringDepart

3、ment,FujianUniversityofTechnology,Fuzhou350108,China)thedemandsofdifferen-tfeaturedelectromechanicalequipmentandtheprocessingofdiversifiedtestingsignals.Keywords:virtualdetection;faultdiagnosis;on-linemonitoring;LabVIEW 传统的机电设备监测仪存在着功能相对简单、数据存储量小、人机交互性差等缺点,为了解决这些问题,本文结合故障诊断技术和虚拟仪器技术,开发了一种基于LabVIEW的机

4、电设备状态虚拟检测系统。该系统以LabVIEW为平台,通过compactDAQ采集来自传感器的电信号,在PC中进行电气信号的在线实时监测和分析诊断。通过实验室的仿真测试,该系统可对机电设备的电量和绝大部分非电量进行测试及数据智能分析处理,形成设备运行状态检测结果1机及LabVIEW软件组成。其在线状态监测与诊断包括以下基本过程:信号检测、数据采集、数据处理及诊断。基本步骤如下:通过各种传感器(如光、电、温度、振动、流量、化学等)检测出设备的状态信号,并使其可被传输、转换、采集、处理,然后由数据采集单元采集并存储于存储器中。其中数据采集可以采用3种方式:采集信号波形、采集信号峰值或记录峰值超过阀

5、值的脉冲。进行数据处理时,主要为抑制干扰,保留或增强有用信号,提炼信号特征。依据所得的特征信号,采用各种诊断方法,如小波分析、模糊逻辑、人工神经网络、专家系统等得出诊断结果。系统结构见图1。系统的主要功能均在PC机上由软件完成,软。1 系统总体设计方案系统主要由数据采集模块、信号调理模块、PC收稿日期:2008-10-14基金项目:福建工程学院科研发展基金资助项目(GY-Z0755):女(汉),.第1期马莹,等:基于LabVIEW的机电设备状态虚拟检测系统设计101波形具有 衰减性 和 波动性 ,即其振幅具有正负相间的振荡;从频谱上看, ( )集中在一个 小 的频带内,具有 带通性 。由式(1

6、)可见,小波变换是一种时频分析方法,可以作为行波故障特征刻画和提取的数学工具。通过对电流、电压采样信号的小波变换进行多分辨分析,可以快速、准确地将信号分解到不同的尺度上,分析不同尺度上呈现出的故障特征,可图1 系统结构图Fig.1 Systemstructure以为故障诊断提供有力判据。一个被测信号通过小波变换,表示为具有不同频率的谐波函数的线性叠加,能以多重分辨能力刻画信号的局部特征,适用于探测正常信号中夹带的反常现象,并展示其成分,这在机电设备的状态监测及故障初期的特征提取中具有重要意义3-6件部分承担着数据处理、状态显示及故障诊断等任务。为了缩短开发周期及提高系统性能,软件部分采用Lab

7、VIEW8.20简体中文版软件。,如图2。2 数据预处理方法研究在许多机电设备故障诊断分析装置中,仅设置信号的低通抗混滤波器,对滤波器的输出进行采样,再对采样数据进行快速FFT运算,这种方法侧重于稳态信号分析,对时变非平稳信号,一般只有基于短时傅里叶分析的功率谱阵手段。这样的分析方法只能作简单的一般诊断,而不易作出精确诊断。对机电设备故障的诊断,一个很重要的信息是看机电设备运行过程中有无突变信号产生,突变信号往往反映了设备的故障。小波变换是一个平方可积函数f(t)与一个在时频域上均具有良好局部性质的小波函数 (t)的内积Wf(a,b)=<f, a,b>=*f(t) ()d(t)+

8、a(1)式中,a>0为尺度因子;b为位移因子; a,b(t)称为小波。() a,b(t)=aa(2)本文选择仿真的SS8主变流器输出电压作为虚拟状态检测系统的输入信号,验证上述基于小波变换的故障状态检测方法的有效性。图2 变流器故障时的仿真输出电压波形Fig.2 Simulationoutputvoltagewaveformofcer-tainfaultyconvertor通过小波分析VI将仿真电压信号小波分解(J=6),如图3所示。从图3中明显看出尺度d主要反映了电压信号的基本特征,其他尺度下的分解系数是电压信号中不同频带噪声,电压信号的各尺度小波系数反映了变流器状态。6+3 故障诊断

9、方法研究设计选取小波与三层BP神经网络相结合的方法实现故障诊断:故障信号经信号预处理后利用小波分解,并求得相应特征能量值;综合各种常见故障后,得出数据信息作为神经网络训练样本;经多次训练,选择收敛误差最小的网络结构和权值。此系统利用了BP神经网络统一的内部知识表示形式、方便的知识库组织与管理、通用性强、知识容量大、便于实现知识的自动获取、能够自适应环境的变化等优点。实验室仿真过程中,建立改变a值,对函数 a,b(t)具有伸展(a>1)或收缩(a<1)的作用;改变b值,则会影响函数f(t)围绕b点的分析结果。 (t)称为母小波, (t)必须满足容许性条件-(t)dt=0或-+ +d

10、=C <| |(3),),(102福建工程学院学报第7卷图4 神经网络仿真结构图Fig.4 SimulationstructureofNN通过多次训练,选择收敛误差最小的网络结构和权值。网络的训练过程如图5所示。图3 电压信号小波分析尺度图Fig.3 Waveletdecompositionofvoltagesignals了SS8主变流器的仿真模型,并将其故障情况分为7大类。第1大类(000):正常运行;第2大类(001):只有一组整流管故障;第3大类(011):同一串联桥臂两组故障;第4大类(100):连接a1b1x1小桥臂输出交叉两组故障;第5大类(101):连接a2x2大桥臂输出交

11、叉两组故障;第6大类(101):a2x2大桥臂中VD3故障和连接a1b1x1小桥臂输出任一组故障;第7大类(110):a2x2大桥臂中VD4故障和连接a1b1x1小桥臂输出任一组故障;在每一大类下采用小类循环编码。对故障的大类、小类进行7位编码X7X6X5X4X3X2X1,其中Xi=0、1,第57位为大类编码,第14位为小类编码。当训练好的神经网络用于故障诊断时,对17位的输出结果进行4舍5入取整,通过这8位代码可查到对应的故障诊断结果。由于篇幅限制编码表略。经仿真实验确定输入层的节点为8个,输出层的节点7个,隐含层的节点18个,神经网络仿真结构如图4所示。图5 训练误差曲线图Fig.5 Cu

12、rveoftrainingerrors仿真结果显示,此系统故障诊断正确率为98%;若利用传统BP神经网络方法进行故障诊断,网络训练10000次以后,训练误差精度仍无法满足要求(emax 1.07e-006),其故障诊断正确率为80%。仿真实验表明,训练好的神经网络具有较好的优越性,可以进行相当正确的故障诊断。4 结语基于LabVIEW的机电设备状态虚拟检测方法,利用LabVIEW强大的图形化编程功能,融合了较先进的自动化技术、计算机技术、通讯技术和故障诊断技术,实现了机电设备的在线及离线状态参数信息检测和设备的运行状态及故障诊断。通过仿真测试,该系统测量精度、测试速度及可靠性均达到实际应用要求,具有广泛的应用前景。参考文献:3WickrhauserMV.AdaptedwaveletanalysisfromtheorytosoftwareM.Texas:Wellesley-MassPress,1994.4何正友,钱清泉.小波信息熵的计算及在故障检测中的应用J.电力自动化设备,2001,21(5):9-11.5LinST