旋轉機械狀態監測研究論文

導語：旋轉機械狀態監測研究論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

1概述

隨著工業的日益發展，大型機組的功率越來越大，工作轉還越赤越高，許多大型的機組需要在超臨界轉速下運行，而由于種種原因國內外大型機組的故障時有發生，造成世大的經濟損失。例如1987年山西大同發電廠200MW機組轉子斷裂，1988年秦嶺電廠5號機組主軸斷裂，兩次事故經濟損失均達億元以上。研究并應用先進的狀態監測與故障診斷技術不僅可以早期發現故障，避免惡性事故的發生，還可以從根本上解決目前設備定期維修中維修不足和維修過剩的問題。據文獻[1]介紹，如果我國電力部門全面推廣設備診斷技術，僅維修費用每年可節約3.5億元。為了避免和減少大型機組故障的發生，各國都投入大量的人力物力進行故障機理和故障診斷技術的研究。在這些研究成果的基礎上，各研究單位針對不同的應用開發了一些故障診斷系統，有些診斷系統已經推廣應用于工業生產并取得了很好的經濟效益，如美國的BentlyNevada公司的3300系統、TDM、DDM系統，WestinghouseElectricCorporation的TurbinAID、GenAID、ChemAID系統[2]，國內的哈爾濱工業大學，清華大學、西安交通大學、浙江大學、華中理工大學等單位分別研制的故障診斷系統。這些系統在工業現場的應用成為工業企業有效地減少和避免大型機組故障發生的主要手段。

機械故障診斷有兩個方面的要求：一是發現故障，即判定故障發生與否；二是識別故障發生的部位、類型、性質、嚴重程度。因此，故障診斷系統相對這兩面三刀個要求也應具備狀態監測與故障診斷兩個方面的功能，是這兩個功能的有機結合體。目前國內外研究開發的故障診斷系統（包括已推向市場的產品）從功能來分，可以分為以基于信號處理和數據分析為主的監測型系統，如BentlyNevada公司的3300系統、Atlanta公司的M6000，和基于知識的智能診斷型系統，如WestinghouseElectricCorporation的TurbinAID、GenAID、ChemAID系統和IRD公司的501系統。但目前對故障診斷系統的開發過程進行較為全面的分析，并建立模型的文獻并不多見，因此針對故障診斷系統的這兩個方面的要求，充分考慮監測與診斷兩個功能，采用面向對象技術，對故障診斷系統進行充分系統的分析，建立故障診斷系統的信息模型、動態模型和功能模型，為大型機組故障診斷系統的開發提供理論依據。

2面向對象分析法

面向對象分析方法(Object-OrientedAnalysis，簡稱OOA)綜合了功能分解方法、數據流分析法和信息造型法三種方法的一些優點，并用面向對象概念統一了這些優點之后發展起來的一種新的分析方法。是人們將面向對象方法應用于系統分析而產生的一種新的方法論。OOA的概念是Shlaer,S.和Mellor,S.于1988年提出[4]，目前正處于研究和發展階段[5,6]。

面向對象分析方法是建立在人類自己的思維組織模式之上的一種分析方法。在傳統的分析方法中，從問題空間到分析結果(即系統模型)的映射是間接的，原因之一就是分析人員所采用的思維模式與設計人員所采用的思維模式存在一定的距離。從根本上統一思維模式的方法就是在系統開發的各個環節中都采用人類原有的思維組織模式。面向對象分析方法是建立在人類自己思維模式的基礎上，客觀地、自然地應用客觀世界本來的規律來開發應用系統的一種分析方法。

面向對象分析方法可以用下面式子表示：

面向對象分析方法＝對象＋分類＋繼承性＋基于消息的通信

其中，對象是被封裝的一組屬性和專有服務，它是問題空間中某種事物的一個抽象，同時也包含問題空間中這種事物的若干實例。

面向對象分析方法在80年代末被提出后，得到了快速的發展?，F在面向對象分析方法主要有兩種，一是Shlaer和Mellor提出的面向對象分析方法[4]，這種方法主要是構造三個形式化模型，即信息模型(InformationModel)、動態模型(StateModel)和功能模型(ProcessModel)。另一種是Coad和Yourdon提出的面向對象分析方法[3]，組合了傳統的分析方法和面向對象的特征，主要由5個步驟組成：對象的認定；結構的認定；主題的認定；屬性和實例關聯的定義；服務和消息關聯的定義。

3故障診斷系統的面向對象分析與建模

3.1故障診斷系統需求

分析的故障診斷系統是一個面向化工行業高速大型旋轉機械的在線狀態監測和故障診斷系統(簡稱M&D)。該系統需要對汽壓機組的12路振動信號及其峰峰值、17路軸瓦溫度信號、17路壓力及流量等工藝參數和24路開關量信號進行在線實時采集、存貯、顯示、分析并進行故障診斷。為了提高故障診斷的準確性，還特別要求系統能對12路振動信號實現動態信號的整周期采樣并進行實時頻譜；為了實現系統的事故追憶功能，系統還須具有“黑匣子”功能。為了實現這些功能，系統采用上下位計算機機同步工作的方式進行工作。下位計算機主要負責機組信號的采集、靜態信號的顯示和一部分報警功能（監測）；上位計算機則負責故障診斷系統的數據的存貯、信號分析、故障診斷等工作。上、下位計算機通過網絡進行消息通訊和數據傳輸。我們用Shlaer和Mellor提出的面向對象分析方法[4]對上位機的故障診斷系統進行分析，建立系統的信息模型、動態模型和功能模型。

3.2系統的信息模型

信息模型描述了系統中對象的表態結構及對象間的關系。信息模型以圖表形式提供一個研究問題概念實體的全局概況(視圖)。圖形表達中每一個方框都與一個對象相關聯。對象用研究領域的名詞命名，并給以任意的標號。每個對象屬性用一個星號或其它類似的區別符號標識。對象之間的關系在模型圖中用線來描述。每一個關系用一個動詞短語表示，為了便于記錄每一個關系也用一個標號來標。對象模型因為對象的層次關系也具有一定的層次關系。隨著對象分類程度的不同，對象模型所表達的信息也不一樣。本文中僅給出系統的元對象模型，這是系統的主要核心。隨著對象層次的逐漸分解，對象信息含量逐漸豐富，系統的象模型也越來越具體，直到一個可以計算機語言實現的系統對象模型為止。大型旋轉機械狀態監測與故障智能診斷系統的信息模型，如圖1示。

無論靜態數據，還是動態數據，都是表征大型旋轉機械運行狀態的物理量，按時間順序存放在數據庫內，便于分析和診斷故障成因。數據庫分日庫、周庫、月庫、黑匣子數據庫、趨勢文件庫和特征數據庫6個子庫。由于廠方的特殊要求，在日庫、周庫、月庫、黑匣子數據庫中存放原始的波形數據，在趨勢文件庫和特征數據庫中存放趨勢數據和特征數據。日庫、周庫、月庫中的數據按一定的原則進行稀化。數據稀化的原則為：日庫中所有數據每4秒鐘保存一組數據；周庫中每2分鐘保存一組數據；月庫中則每15分保存一組數據。黑匣子庫保存在故障發生時刻前后各100組數據。趨勢文件庫中存放所有靜態信號和動態信號的特殊頻率的趨勢數據；而特征數據庫存放主要頻率的幅值和相位信息。

圖1中常規信號分析的方法主要包括條形圖、頻譜圖、級聯圖、瀑布圖、波特圖、極坐標圖、軌跡圖、時基圖、軌跡圖和趨勢圖。

狀態報警是系統用多層感知器神經網絡對機組在正常時候的所有靜態和動態信號進行學習，然后網絡利用學到的知識來判斷當前時刻機組的運行狀態是否正常。

常規故障診斷原理與狀態報警基本上一樣。這里典型故障是指多發的、常見的故障。根據廠里的情況，這類故障主要包括：不平衡、轉子軸向碰摩、不對中、油膜渦動、亞諧共振、軸承與封瓦松動、推力軸承損壞、蒸汽渦動、軸承松動和不等軸承剛度等。神經網絡對這些故障的實際數據和前人總結的診斷知識進行學習，將學習得到的診斷知識貯存在權矩陣中，并利用這些知識對機組的當前狀態進行診斷。

智能故障診斷是利用知識庫中的知識對機組的運行狀態進行診斷。知識庫中的診斷知識以對象的形式組織。知識對象中包含故障診斷所需要的知識(產生式規則、神經網絡、基因碼規則)、獲取故障特征所必要的分析方法和推理控制及故障的處理方法。故障智能診斷從故障的根節點開始，根據對象中的推理控制一層一層向終節點(最終能細分的故障)進行。最終能到達的節點就是診斷出來的結論(故障)。

診斷系統必須具有診斷知識自動獲取功能(機器學習)才能在實際應用中實現自我完善。本系統中診斷知識的自動獲取主要由兩個部分組成：一是通過神經網絡對系統提供的樣本進行學習，另一部分是利用基因算法對系統樣本的學習。

3.3系統的動態模型

系統的狀態模型描述了不斷變化的系統中的各種因素。狀態模型用來指明和實現系統的控制因素。狀態模型以狀態圖表示，如圖2示。圖中以結點表示狀態，并以數字標識，以弧表示由事件觸發的狀態之間的變化，箭頭方向表示事件觸發的方向。

面向對象的分析假設所有的對象都有一個生命周期。一個生命周期由幾個階段組成。在特定的階段都要指定對象實例行為的自然準則。生命周期包含對象在不同生命時期的不同狀態。在開發的狀態監測與故障診斷系統中，程序自動運行時的對象生命周期由下列幾個階段組成：1.采集狀態數據；2.寫入網絡緩沖區；3.讀取網絡采集數據；4.進行數據常規分析；5.進行故障報警分析；6.進行典型故障診斷；7.顯示分析結果；8.寫入數據庫。這是系統一般運行時監測功能的生命周期。

另外，由于Windows環境下程序是一個多進程、多用戶的系統，下列的對象可通過用戶界面由用戶手動激活或由系統根據狀態分析診斷結果激活：數據庫查詢、事故追憶；趨勢分析；升降速分析；進行智能故障診斷；知識庫管理；診斷知識機器學習；系統聲光報警；各種圖表打印輸出；人機交互界面。

上面所描述的對象的生命周期可以繼續細分，直至不能再分為止。圖2是根據上述的分析所建立起來的大型旋轉機械狀態監測與故障診斷系統的狀態模型。該模型給出了系統中主要對象的生命周期。圖中每個框圖表示對象生命周期的一個階段，而一條帶箭頭的弧線代表對象發出的一個事件及消息的傳遞途徑。所謂的事件(Event)是當一個對象的一個實例從一個階段向另一個階段發展時或向另外一個對象轉移時發出的信號。

3.4系統的功能模型

系統過程模型用來說明值是如何計算的，而并不考慮動作序列，策略或對象模型。過程模型表明了值之間的依賴關系及相關的函數(功能)。過程模型是在構造信息模型與狀態模型之后才構造的。在面向對象分析建模中可以用數據流程圖(DFD)來表示系統功能模型。數據流程圖(DFD)有助于表示功能依賴關系。功能可以用各種方式來描述：如自然語言，數學式子和偽碼等。

過程模型的構造按以下步驟執行：明確輸入、輸出值；建立體現函數依賴性的DFD圖；描述函數；明確約束條件；確定優化標準。

數據流程圖是用來說明輸出值是怎樣從輸入值得來的。DFD通常按層次組織。最頂層可能由單個過程組成，也可能由收集輸入、計算值、生成結果(輸出)的一個綜合過程構成。在各層的DFD層次中，可以從輸出值遞推出它的功能。如果對操作的輸入也是整個圖的輸入，就可以實行遞推法。否則，有些操作是中間值，必須反過來跟蹤。

將頂層的DFD中的過程擴展成更低層次的DFD圖。如果第二層次圖中的過程仍包含一些可細化的過程，它們還可以遞推擴展。圖3表示了大型旋轉機械在線狀態監測與智能故障診斷系統的頂層數據流圖，提供了系統的輸入、輸出值。根據圖1的對象模型和圖2的動態模型可以將頂層數據流圖擴展為更低層次的DFD，因篇幅所限在此不作展開。

4M&D系統實現

M&D系統是按三個面向對象模型建立起來的一個面向化工行業高速大型旋轉機械的在線狀態監測和診斷系統，除了計算機的正常配置外，下位機硬件還包括1塊前置信號處理卡、1塊智能鑒相卡、1塊PCL-1800采集卡、2塊PCL-813卡和1塊開關信號監控卡；上位機還內置一塊以美國Texas公司TMS320C25數字信號處理卡為核心的并行處理系統(ATD-C25AT-C)，該系統每秒能執行1千萬條指令，可使IBM-PC/AT達到超級小型機的運算速度。自行開發的智能鑒相板，根據鑒相信號的脈沖頻率，經過32倍頻后控制采樣頻率高達330K的PCL-1800高速采集板，對12路振動信號實現整周期采樣；2塊采樣頻率為25K的PCL-813采集板對12路振動信號的峰-峰值、17路溫度信號和17路壓力、流量等工藝參數進行采集；24路開關時量信號則由開關監控板(自行研制)進行監控。上位機中的數字信號處理系統負責診斷系統所需的數據分析。上、下位計算機通過NWlite點對點式的網絡進行消息通訊和數據傳輸。下位機為了提高狀態監測的實時性，利用PC機中斷技術，采用在DOS環境下的BorlandC++語言和TurboAssembler匯編語言編寫；上位機為了實現多任務處理，和分析圖形顯示的美觀等要求，采用在Windows環境下用VisualC++語言進行編寫，上位機中的數字信號處理板(DSP)接口程序由TMS320C25匯編語言編寫。