专利名称：一种基于非线性混合模型的冷却塔声学诊断方法
技术领域：
本发明涉及一种化工设备故障诊断方法，特别是涉及一种基于非线性混合模型的冷却塔声学诊断方法。
背景技术：
冷却塔是建筑、冶金、制药、化工等行业常用的设备之一，它随着室外温湿度的变化会不断改变自身状态，在运行过程中存在着极其复杂的动态扰动，成为具有强烈动态特点的非线性系统。当声波与固体或直接作用在流体上产生振动时，不仅会影响周围环境，还可能与振动一起对设备产生巨大破坏，长期带故障运行的设备所辐射的噪声和振动耦合后形成了巨大的激振力。由此可见，研究冷却塔声学特性以及了解噪声来源与故障类型之间的联系对于系统的安全运行至关重要。
以往对于耦合诱发声辐射问题的研究，只有在描述耦合系统方程得到圆满解决的情况下，才能更系统、更直观地研究结构及其周围环境声场情况，但是实际往往缺乏各种求解条件，因此无法认识影响声辐射的主要因素。发明内容
本发明的目的在于提供一种基于非线性混合模型的冷却塔声学诊断方法，本发明是基于非线性混合模型从观测信号中提取独立的声源信号，同时消除干扰成分，在实验台上分析风机辐射噪声的特点和大空间辐射声的混合模型通过声信号的频率特征识别冷却塔故障类型，为大型机器设备的声学诊断提供强有力的保证。
本发明的目的是通过以下技术方案实现的: 一种基于非线性混合模型的冷却塔声学诊断方法，所述方法包括以下过程:首先在非线性混合模型基础上研究通过最大化输出熵训练网络算法，然后在实验台上分析不同转速对盲分离结果的影响，认为高速旋转设备在低频区域提取故障信号特征相对可靠，风机噪声诊断不适合卷积混合模型；着在对某小区冷却塔进行实地诊断，当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。
所述的一种基于非线性混合模型的冷却塔声学诊断方法，所述盲分离为大空间背景环境中设备群振动噪声信号混合交叉的盲分离，并验证算法的稳定性，将无用信号认为是干扰噪声分离出来，只提取期望的随机信号，根据独立性测度关系依次提取最显著的故障特征。
所述的一种基于非线性混合模型的冷却塔声学诊断方法，所述熵训练网络算法，经过改进后的卷积算法仍满足正交约束，应用卷积算法提取不对中和碰磨故障振动信号特征，实现了大空间设备群的振声诊断。
本发明的优点与效果是: 在冷却塔不断普及的今天，国内企业对冷却塔噪声的监测还没有成熟的产品，主要依赖进口，国内部分软件和测量仪器与国外相比还存在较大差距。同时，国外产品的设计环境与国内不同，无法提高冷却塔在特定环境中的运行可靠性。本发明能够快速准确地检测冷却塔的噪声来源和故障类型，保证冷却塔运行的安全性和高效性，延长冷却塔的使用寿命、减少其维护成本。同时本发明对大型的机器设备的噪声故障检测同样有效，特别适合于汽轮机、风力机、鼓风机等大型设备噪声的故障检测，可大大降低设备的故障率，经济效益明显。
图1为本发明背景噪声示意图； 图2(a)、(b)为有、无故障的信号比较示意图； 图3转速为500rpm的数据曲线图； 图4转速为IOOOrpm的数据曲线图； 图5转速为1500rpm的数据曲线图； 图6 (a)、(b)为分离的声信号比较图。
注:本发明的附图为功能效果示意图，(仅供参考)，图中的文字或数字不清晰并不影响对本发明技术方案的理解。
具体实施方式
下面结合实施例对本发明进行详细说明。
本发明冷却塔声学诊断方法是在非线性混合模型基础上研究通过实验台分析了不同转速对盲分离结果的影响，认为高速旋转设备在低频区域提取故障信号特征相对可靠，风机噪声诊断不适合卷积混合模型。接着在对某小区冷却塔进行实地诊断，当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。本发明研究复杂的大空间背景环境中设备群振动噪声信号混合交叉的盲分离，验证算法的稳定性，将无用信号认为是干扰噪声分离出来，只提取期望的随机信号，再根据独立性测度关系依次提取最显著的故障特征，大大简化了计算过程。本发明经过改进后的卷积算法仍满足正交约束，应用卷积算法提取不对中和碰磨故障振动信号特征，实现了大空间设备群的振声诊断。因此该方法可操作性强、诊断快速、精度高。
首先在非线性混合模型基础上研究通过最大化输出熵训练网络算法，然后在实验台上分析了不同转速对盲分离结果的影响，认为高速旋转设备在低频区域提取故障信号特征相对可靠，风机噪声诊断不适合卷积混合模型。接着在对某小区冷却塔进行实地诊断，当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。
实施例: 电机未启动前，两只B&K2610全指向性声级计分别放置在电机和风机前方0.5m处测量实验室的背景噪声，如图1所示。为了验证宽带噪声及风机噪声预测的有效性，实验之前先测试该类型的实际风扇在背景噪声环境下在自由场中的平均噪声为54dB(A);启动电机，风机正常运行至IOOOrpm，两台声级仪分别接至DASP数据采集系统的两个通道中，采样频率取2196Hz，信号的最大频率为1000Hz，采样时间取0.3s，麦克风测量所得为电机和风机的声辐射信号与实验室内干扰噪声的混合信号，即待分离的对象(观测信号)，如图2(a)所示，时域特征表示了不同工作时段的特征；在风机一个叶片上焊铅块制造质量不平衡故障，质量不平衡率为0.2%，风机带故障运行至额定转速3000rpm，测试系统风机侧的麦克风测量结果如图2(b)所示；改变风机转速，重复上述步骤，通过INV-DASP6.53分析软件将时域图转化为频域图。为直观比较故障风机声信号频带改变的特性，将整个观测数据平均匀分割为8个数据段，提取正常风机和故障风机的频率成分和归一化振幅，得到图3、图4和图5;如前分析，考虑到振动特性、频率特性和声辐射特性之间的非线性耦合，将风机制造故障后测量的声学信号，应用第二章研究的非线性盲分离算法对该混叠信号进行分离运算，学习率取0.3，最大迭代次数设为2000次，经过迭代最终得到分离信号，结果如图6 (a)、(b)所示。图2 (a)中可以看出，在45、120、195和270ms时出现四个明显的峰值，时间间隔为75ms，图2(b)中保留了四个间隔相等的较大峰值，同时出现更多谐波，而且有故障时的声信号幅值与无故障时的幅值差别不大，说明采声级计对于测量声信号特征效果不好，如果不进行信号处理很难辨识故障的信号特征。如图所示，转速增大后，故障风机振幅与正常风机振幅的差异有增大的趋势，特别是当转速为1500rpm后，这种差异变得非常明显。而且，转速越大，负载越大，低频部分的幅值差异就越明显，而在高频区这种故障产生的辐射声信号幅值变化并不显著。这说明，对于高速旋转设备在低频区域提取故障信号特征相对比较容易，而低速旋转设备的声信号诊断方法可能并不可靠。大多数机组的机械旋转构件都属于高速设备，因此声信号中蕴藏的故障信号特征是可靠的。
如图6 (a)所示，使用非线性盲分离算法分离图2(b)的信号出现明显冲击特性，峰值频率分别为600Hz，1200Hz，1800Hz和2400Hz，呈现等间隔的周期性分布规律。风机噪声源包括有空气动力性噪声、管道辐射噪声、电动机和机壳噪声，其中空气动力性噪声有明显的周期性特征，其余的都表现为宽频特征[1°]。调查研究发现，一般风机的空气动力性噪声比风机其它噪声要高出10 20dB(A)。由以上分析结果可知，实验装置中风机噪声的主要成分是空气动力性噪声，它由宽带噪声和周期噪声两部分组成。研究周期性噪声发现，周期性噪声中除了叶片周期性与周围媒质相互作用的旋转噪声外，还存在因叶片与周围气体耦合引起声辐射成分。风机叶片运动，在流体(空气)中产生压力扰动，形成空气动力性噪声。风机的空气动力性噪声是风机叶片表面所有点辐射的声波在空间叠加的结果。在观测点处所感受的声压是所有声源在各自不同的时刻所发射的，却在同一时刻到达同一观测点的全部压力波的总和。所以在风机叶片噪声模型中，需要求解叶片表面在同一时刻传到。那么，对于卷积混合模型而言就不适合。
如图6(b)所示是对图2(b)所示的测量结果采用小波除噪方法重建信号的声压谱，峰值与图6(a)大致相同，但是仍有许多谐波未被消除，背景噪声的幅值比风机声信号的更为明显，说明源信号特征没有提取出来。分离信号与源信号绝对幅值存在一个比例因子，这验证了盲分离结果的不确定性。当故障表面的机械强度下降时，信号幅值的大小并不代表故障损伤程度，因为幅值的变化与声级计距离故障点的距离有关，所以这种无法进行故障点定位。若想提高诊断自动化程度，应考虑通过信号幅值和传感器位置进一步确定故障点。但就相对特征而言，分离后的声信号干扰成分明显降低，就主要特征波形提取而言，整个分离结果是成功的。当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。
权利要求
1.一种基于非线性混合模型的冷却塔声学诊断方法，其特征在于，所述方法包括以下过程:首先在非线性混合模型基础上研究通过最大化输出熵训练网络算法，然后在实验台上分析不同转速对盲分离结果的影响，认为高速旋转设备在低频区域提取故障信号特征相对可靠，风机噪声诊断不适合卷积混合模型；着在对某小区冷却塔进行实地诊断，当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。
2..根据权利要求1所述的一种基于非线性混合模型的冷却塔声学诊断方法，其特征在于，所述盲分离为大空间背景环境中设备群振动噪声信号混合交叉的盲分离，并验证算法的稳定性，将无用信号认为是干扰噪声分离出来，只提取期望的随机信号，根据独立性测度关系依次提取最显著的故障特征。
3.根据权利要求1所述的一种基于非线性混合模型的冷却塔声学诊断方法，其特征在于，所述熵训练网络算法，经过改进后的卷积算法仍满足正交约束，应用卷积算法提取不对中和碰磨故障振动信号特征，实现了大空间设备群的振声诊断。
全文摘要
一种基于非线性混合模型的冷却塔声学诊断方法，涉及一种化工设备故障诊断方法，所述方法包括以下过程首先在非线性混合模型基础上研究通过最大化输出熵训练网络算法，然后在实验台上分析不同转速对盲分离结果的影响，认为高速旋转设备在低频区域提取故障信号特征相对可靠，风机噪声诊断不适合卷积混合模型；着在对某小区冷却塔进行实地诊断，当冷却塔运行参数发生微小变化后，信号处理系统能够自适应学习更新分离参数，通过声信号的频率特征识别冷却塔故障类型。本发明在实验台上分析风机辐射噪声的特点和大空间辐射声的混合模型通过声信号的频率特征识别冷却塔故障类型，为大型机器设备的声学诊断提供强有力的保证。
文档编号G01H17/00GK103149047SQ20131007462
公开日2013年6月12日 申请日期2013年3月8日 优先权日2013年3月8日
发明者刘欢, 王健, 王庆辉, 李金凤, 郭烁, 张琳琳 申请人:沈阳化工大学