一种适用于机械设备异常状态多参数监测装置及方法与流程

本发明属于测控技术领域，涉及一种适用于机械设备异常状态多参数监测的装置；本发明还涉及一种用该装置监测机械设备异常状态的方法。

背景技术：

随着科学技术和社会经济的发展，复杂机械设备被广泛的应用于各行各业中，如：大型发电汽轮机组、高速自动化加工中心、高速动车组等。一些大型设备往往包含许多功能模块，各个模块相互协调、相互作用，任一个模块出现异常都可能会造成无法估量的后果。因此，有效的故障监测和诊断，对保证机械设备的正常运行意义重大。

目前，许多机械设备仍然主要依靠人工进行定期的异常状态监测。然而，人工监测往往存在漏检率和误检率高而监测效率低的问题。特别地，许多机械设备所处的环境恶劣，这也给人工监测带来很大挑战。机械设备运行状态的自动、有效、快速、远程监测，可为机械设备维修部门提供科学依据，从而缩短检修周期和降低维护费用。

美国早在1967年就在设备故障监测和诊断技术方面开展研究，此后，世界各国研究人员都在机械设备运行状态监测、信号处理方法、智能诊断等领域进行探索和研究。20世纪90年代后，测试技术以及计算机技术的进步，带动了机械故障监测技术的飞速发展，各种更先进的故障诊断技术和系统纷纷出现。近年来，国内在此领域也进行了大量研究并取得了一定成果，如华中科技大学研发的发电机组状态监测与故障诊断系统、北京英华电力电子公司就建立了一套自己的水电诊断系统等。国内的研究也经历了从一般到智能，从单机到网络的过程。然而，与某些发达国家先比，国内目前的机械设备故障检测与诊断技术仍处于滞后阶段，对其在许多恶劣环境下不方便进行人工监测的实际应用也并未达到普及状态，大部分对设备振动的监测以及发生故障时对设备的实时检测都停留在最原始的定期检测状态。

技术实现要素：

本发明的目的是提供一种适用于机械设备异常状态多参数监测装置，能够实现各种环境下机械设备的异常状态监测。

本发明的另一个目的是提供一种用上述监测装置对机械设备异常状态进行多参数监测的方法。

为实现上述目的，本发明所采用的技术方案是：一种适用于机械设备异常状态多参数监测装置，包括数据分析和故障诊断服务器，数据分析和故障诊断服务器通过通信网络分别与多个预警监控终端信号连接，数据分析和故障诊断服务器与至少两个数据信息采集终端信号连接；数据信息采集终端包括微控制器，微控制器分别与湿度传感器、温度传感器和加速度传感器相连，微控制器与数据分析和故障诊断服务器信号连接。

本发明所采用的另一个技术方案是：一种用上述设备对机械设备异常状态多参数监测的方法，具体按以下步骤进行：

步骤1：将加速度传感器和温度传感器附着在被监测机械设备的外壳上，将湿度传感器布设于机械设备所处周围环境空间中；机械设备运转后，加速度传感器采集被监测机械设备的振动物理量，温度传感器采集机械设备的表面温度，湿度传感器采集机械设备所处环境的湿度信息，所有传感器将采集到的物理量转换为电信号，并将该电信号传输给相应的微控制器；

步骤2：微控制器接收到传感器传输的电信号后，将接收的电信号通过传送给数据分析和故障诊断服务器，数据分析和故障诊断服务器进行：

1）读取各种传感数据；

2）对读取的各种传感数据进行预处理；

3）对预处理后振动数据进行异常振动分析及机械故障诊断：

a.对预处理后的振动数据进行ceemdan分解：

step1：利用eemd算法分解预处理后的振动数据，得到第1个模态分量imf1，

（1）式中，imf1表示第1个模态分量；imf1i表示第i次添加白噪声信号后进行emd分解所得的第1个模态分量；i=1,2,3…i；

step2：去除待处理的振动信号x(t)中的模态分量imf1，得到第1个残余量信号r1(t)，

r1(t)=x(t)－imf1（2）

（2）式中，x(t)表示振动信号；

step3:构造信号r1(t)+ε1e1(noi(t)),(i=1,2,…i)，并对其进行分解，则第2个模态分量可通过式(3)计算得到

（3）式中，noi(t)为高斯白噪声；ε1为控制添加噪声信号的幅值；为经emd分解给定信号第1个模态分量的算子；

step4:对于k=2,3,...,k，第k个残余量rk(t)和第k+1个模态分量imfk+1可按式(4)和式(5)计算得到

（4）式中，imfk表示分解所得的模态分量，其计算方法与eemd分解算法中imf1的计算方法相同；（5）式中，noi(t)为高斯白噪声，εk为控制添加噪声信号的幅值；经emd分解给定信号第k个模态分量的算子；

step5：当残余量rk(t)的极点小于3时将不会再被分解，算法终止，最终的残余量满足式(6)，

b.当机械设备发生异常振动时，振动信号不同频率的能量幅值分布都会发生相应的变化，将振动信号的ceemdan能量熵和振动信号的均方根值作为振动信号特征向量；

ceemdan能量熵的定义如式(7)所示：

（7）式中，he为ceemdan能量熵，pk表示第k个模态分量的能量占总能量的比重，即pk=ek/esum，ek为第k个模态分量的能量，esum为全部模态分量的总能量。

振动信号的均方根值xrms表示如式(8)所示：

（8）式中，x(t)为振动信号；t为x(t)的周期；

c.采用支持向量机(svm)作为故障诊断识别模型；故障诊断模式识别模型的输入是步骤b中构建的振动信号特征向量；采用故障诊断识别模型得到机械设备异常振动分析及机械故障诊断结果；

4）采用模糊推理机制，以预处理后的温度数据及其变化量和预处理后的湿度数据及其变化量为输入，并结合异常振动分析及机械故障诊断结果，根据模糊推理规则知识库，对机械设备运行状态进行模糊推理，得到传感数据融合估计结果；

步骤3：根据步骤2得到的传感数据融合估计的结果，输出机械设备总体运行状态的结果。

本发明多参数监测装置中的数据信息采集终端将各种传感器采集的设备或环境状态信息经短距无线通信网络传送至数据分析和故障诊断服务器。在数据分析与故障诊断服务器中采用多数据融合的机械设备异常状态分析诊断方法识别机械设备运行状态，首先从短距无线通信网络数据接收设备端口读取各种传感数据，包括振动数据、温度数据、湿度数据，并对这些数据进行预处理；其次采用异常振动分析及机械故障诊断方法判别异常振动种类；然后采用模糊推理机制以温湿度数据及其变化量为输入，并结合异常振动分析及机械故障诊断结果，根据模糊推理规则知识库，对机械设备运行状态进行模糊推理，以实现对机械设备总体运行状态的评估。最后，根据模糊推理决策输出机械设备总体运行状态的结果，如可以根据机械设备运行温度数据、机械设备所处环境湿度数据，在异常振动分析的基础上，综合判断机械设备所处的优、良、中、差等状态级别。异常振动分析及机械故障诊断采用自适应完备集合经验模态分解(ceemdan,completeensembleempiricalmodedecompositionwithadaptivenoise)算法对振动信号进行分解得到各个模态分量，然后构造振动信号的特征向量：均方根值和ceemdan能量熵，并依据振动信号特征向量判别异常振动种类。由于绝大部分机械设备工作现场一般工况复杂，为了实现多设备的长期在线无人值守异常状态监测及故障预警，管理人员可通过远程预警监控终端接收机械设备的运行状态数据和故障信息。

附图说明

图1是本发明多参数监测装置一种实施例的结构图。

图2为本发明机械设备总体运行状态评估方法流程图。

图3为本发明异常振动分析及机械故障诊断方法流程图。

图中：1.第一远程预警监控终端，2.第二远程预警监控终端，3.通信网络，4.数据分析和故障诊断服务器，5.数据信息采集终端，6.湿度传感器，7.温度传感器，8.加速度传感器，9.微控制器。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明多参数监测装置的一种实施例，包括数据分析和故障诊断服务器4，数据分析和故障诊断服务器4通过通信网络3分别与第一预警监控终端1和第二远程预警监控终端2信号连接，数据分析和故障诊断服务器4通过短距无线通信网络与至少两个数据信息采集终端5信号连接；数据信息采集终端5包括微控制器9，微控制器9分别与湿度传感器6、温度传感器7和加速度传感器8相连，微控制器9通过短距无线通信网络与数据分析和故障诊断服务器4信号连接。

短距无线通信网络可采用zigbee网络。

数据信息采集终端5中传感器的种类可根据需要监测的项目进行增减，但是必须保证最基本的加速度传感器8、温度传感器7和湿度传感器6；且所有的传感器都分别与微控制器9相连。

远程监控终端可根据需要选择计算机服务器或个人手持设备，通信网络3为远距通信网络，可根据具体环境选择有线网络（如光纤以太网）或无线网络（4g、5g等）。

本发明还提供了一种用上述监测装置监测设备异常状态的方法，具体按以下步骤进行：

步骤1：将所用的加速度传感器8和温度传感器7经耦合剂附着在被监测机械设备的外壳上，将湿度传感器6布设于机械设备所处周围环境空间中；机械设备运转后，加速度传感器8采集被监测机械设备的振动物理量，温度传感器7采集机械设备的表面温度，湿度传感器6采集机械设备所处环境的湿度信息，所有传感器将采集到的物理量转换为电信号，并将该电信号传输给相应的微控制器9；

步骤2：评估机械设备总体运行状态：

微控制器9接收到传感器传输的电信号后，将接收的电信号通过短距无线网络传送给数据分析和故障诊断服务器4，数据分析和故障诊断服务器4对接收到的电信号进行分析，同时，进行机械设备异常振动分析和机械故障诊断，给出机械设备总体运行状态（优、良、中、差）评估结果，实现对机械设备工作状态的分析和工作环境信息的监测；

数据分析和故障诊断服务器4评估机械设备总体运行状态的流程图，如图2，该评估流程具体为：

1）读取各种传感数据，包括振动数据、温度数据、湿度数据；

2）对读取的各种传感数据（振动数据、温度数据、湿度数据）进行预处理，即对各种传感数据进行清理、规范化等，并计算温度数据和湿度数据的变化量；

数据清理包括去除或修改内容错误的数据以及去除有缺失的数据两个方面。数据采用min-max规范化方法进行处理，即规范化后的新数值=(原数值-极小值)/(极大值-极小值)。

温度/湿度数据的变化量为当前时刻的温度/湿度数据值减去前一时刻的温度/湿度数据值。

3）对预处理后振动数据进行异常振动分析及机械故障诊断，具体的异常振动分析及机械故障诊断过程，如图3所示；

a.对预处理后的振动数据进行ceemdan分解；

目前对振动信号的分解方法有很多种，经验模态分解(empiricalmodedecomposition,emd)是一种有效的时频分析方法，能很好的处理非平稳信号，但其在分解过程中会出现模态混叠现象且伴有虚假分量的产生。集合经验模态分解(ensembleempiricalmodedecomposition,eemd)算法在此基础上对其进行了改进，但eemd对每一个构造信号的分解都是独立的，没有从根本上解决模态混叠的问题。ceemdan在此基础上作了进一步的改进，该算法更好抑制了模态混叠的问题，可消除固有模态函数(imf,intrinsicmodefunction)分量中的噪声，自适应获取集成平均次数和噪声幅值。ceemdan分解方法降低了重构误差，并克服了其他分解方法分解效率低的问题。ceemdan分解的步骤如下：

step1：利用eemd算法分解预处理后的振动数据，得到第1个模态分量imf1，eemd方法的核心思想是通过在信号中添加均值为零的白噪声信号来减少冲击信号和间歇性信号对分解的影响，采取多次添加白噪声信号，进行多次emd分解，经过平均运算后噪声信号将相互抵消。

（1）式中，imf1表示第1个模态分量；imf1i表示第i次添加白噪声信号后进行emd分解所得的第1个模态分量；i=1,2,3…i；

step2：去除待处理的振动信号x(t)中的模态分量imf1，得到第1个残余量信号r1(t)，

r1(t)=x(t)－imf1（2）

（2）式中，x(t)表示振动信号；

step3:构造信号r1(t)+ε1e1(noi(t)),(i=1,2,…i)，并对其进行分解，则第2个模态分量可通过式(3)计算得到，

（3）式中，noi(t)为高斯白噪声；ε1为控制添加噪声信号的幅值；为经emd分解给定信号第1个模态分量的算子；

step4:对于k=2,3,...,k，第k个残余量rk(t)和第k+1个模态分量imfk+1可按式(4)和式(5)计算得到

（4）式中，imfk表示分解所得的模态分量，其计算方法与eemd分解算法中的计算方法相同；（5）式中，noi(t)为高斯白噪声，εk为控制添加噪声信号的幅值；经emd分解给定信号第k个模态分量的算子；

step5：当残余量rk(t)的极点小于3时将不会再被分解，算法终止，最终的残余量满足式(6)，

b.构造振动信号特征向量。当机械设备发生异常振动时，振动信号不同频率的能量幅值分布都会发生相应的变化，能量熵能够很好的描述这种变化。本发明将振动信号的ceemdan能量熵和振动信号的均方根值作为振动信号特征向量，即振动信号特征向量由振动信号的ceemdan能量熵和振动信号的均方根值组成；

ceemdan能量熵的定义如式(7)所示：

（7）式中，he为ceemdan能量熵，pk表示第k个模态分量的能量占总能量的比重，即pk=ek/esum，ek为第k个模态分量的能量，esum为全部模态分量的总能量。

振动信号的均方根值xrms表示如式(8)所示：

（8）式中，x(t)为振动信号；t为x(t)的周期；

c.故障诊断模式识别。采用支持向量机(svm)作为故障诊断识别模型；故障诊断模式识别模型的输入是步骤b中构建的振动信号特征向量；采用故障诊断识别模型得到机械设备异常振动分析及机械故障诊断结果；

4）采用模糊推理机制，以预处理后的温度数据及其变化量和预处理后的湿度数据及其变化量为输入，并结合异常振动分析及机械故障诊断结果，根据模糊推理规则知识库，对机械设备运行状态进行模糊推理，得到传感数据融合估计结果；

模糊推理规则知识库依赖于机械设备应用行业背景，不同应用目的的机械设备进行模糊推理的规则知识库并不相同。因此，为不失一般性，在本发明实施例中对模糊推理规则知识库将不再详细描述。

步骤3：决策输出。根据步骤2得到的传感数据融合估计结果，输出机械设备总体运行状态的结果，如可以根据机械设备运行温度数据、机械设备所处环境湿度数据，在异常振动分析的基础上，综合判断机械设备所处的优、良、中、差等状态级别。

设备的运行状态（优、良、中、差等）可根据机械设备的技术产品手册所规定的参数标准进行判断，不同的机械设备的优、良、中、差等状态的判断标准不同。

数据分析和故障诊断服务器4执行传感数据分析及机械故障诊断程序，实现对机械设备工作状态的分析和工作环境信息的监测，并及时给出机械设备异常故常的诊断信息。同时，数据分析和故障诊断服务器4也可存储设备工作状态和环境数据信息、并通过通信网络与远程预警监控终端进行通信。数据分析和故障诊断服务器4给出的机械设备总运行状态评估结果通过通信网络3传输给第一远程预警监控终端1和第二远程预警监控终端2，以实现对远端机械设备运行状况的查询或故障报警。

通信网络3负责数据分析和故障诊断服务器4与远程预警监控终端之间通信时的数据传输。可根据具体机械设备的工作环境，选择有线通信网络（如光纤以太网）或无线网络（4g、5g等）。第二远程预警监控终端2采用移动终端，可实现对远端机械设备运行状况的查询或故障报警。

本发明多参数监测装置通过短距无线通信网络和远距通信网络实现对多个远端机械设备的在线无人值守异常状态多参数监测及故障预警。

本发明异常状态多参数监测装置能够实现机械设备工作状态和工作环境信息数据的采集、分析处理，及时给出机械设备异常状态的诊断信息、并将设备的状态参数和最终诊断结果及时传给远程终端。

本发明异常状态多参数监测装置可同时拥有多个数据信息采集终端，每个数据信息采集终端又可包含多个/种传感器，可通过通信网络实现对多个远端机械设备异常状态的多参数在线无人值守监测及故障预警。

本发明监测方法在数据分析与故障诊断服务器4中采用多数据融合估计的机械设备异常状态分析诊断方法识别机械设备运行状态，首先从短距无线通信网络数据接收设备端口读取各种传感数据，包括振动数据、温度数据、湿度数据，并对上述数据进行预处理；其次采用异常振动分析及机械故障诊断方法判别异常振动种类；然后采用模糊推理机制以温湿度数据及其变化量为输入，并结合异常振动分析及故障诊断结果，根据模糊推理规则知识库，对机械设备运行状态进行模糊推理，以实现对机械设备总体运行状态的评估。最后，根据模糊推理决策输出机械设备总体运行状态的结果，如可以根据机械设备运行温度数据、机械设备所处环境湿度数据，在异常振动分析的基础上，综合判断机械设备所处的优、良、中、差等状态级别。异常振动分析及机械故障诊断采用ceemdan算法对振动信号进行分解得到各个模态分量，然后构造振动信号的特征向量：均方根值和ceemdan能量熵，并依据振动信号特征向量判别异常振动种类。由于绝大部分机械设备工作现场一般工况复杂，为了实现多设备的长期在线无人值守异常状态监测及故障预警，管理人员可通过远程预警监控终端接收机械设备的运行状态数据和故障信息。