CN102072144A - 涡旋压缩机在线振动、噪声监测及故障诊断*** - Google Patents

Abstract

本发明包括涡旋压缩机在线振动、噪声监测装置和涡旋压缩机故障诊断***。涡旋压缩机在线振动、噪声监测装置是由涡旋压缩机、压电式加速度计、声麦克、前置放大器、适配器信号调理模块、A/D转换、信号分析、结果显示所组成。压电式加速度计固定在涡旋压缩机外壳上，声麦克放置在涡旋压缩机近旁，压电式加速度计和声麦克分别对涡旋压缩机的振动量和噪声量进行采集，然后通过前置放大器、适配器、信号调理模块和A/D转换将模拟信号放大并转换成数字信号送给计算机，由计算机软件进行信号分析，并对分析进行结果显示。涡旋压缩机故障诊断***是在信号分析对振动量以及噪声量进行分析并通过结果显示对涡旋压缩机装置的运转平稳性及故障进行判断。

Description

涡旋压缩机在线振动、噪声监测及故障诊断***

技术领域

本发明所述的涡旋压缩机在线振动、噪声监测及故障诊断***涉及一种检测诊断***，具体地说是涡旋压缩机在线振动、噪声监测及故障诊断***。

背景技术

目前，全封闭制冷涡旋压缩机多使用于空调器、电冰箱、冰柜等家用电器中，而这些电器在人们日常生活中起着非常重要的作用，故其性能的优劣直接影响着人们的生活质量。随着科学技术的发展和人类对生存环境要求的不断提高，其噪声越来越受到人们的重视。那么，涡旋压缩机作为该类家用电器的心脏，必然成为主要噪声源，也是对该类家电减振降噪的主要对象。因此，对于涡旋压缩机振动噪声控制及其相关技术的研究，无论从压缩机本身性能，还是从电冰箱及空调器总体性能来说，都有极其重要的意义。

由于涡旋压缩机较其它类型的压缩机(尤其是往复式压缩机)而言，振动和噪声较小，故振动、噪声的研究一直没有引起人们的足够重视。然而随着涡旋压缩机技术的飞速发展，作为涡旋压缩机性能的重要指标之一的振动和噪声，越来越受到厂家和客户的关注。目前对于涡旋压缩机振动、噪声的测试与控制技术研究严重不足，生产厂家也仅限于出厂前的抽检，且测试参数一般局限于壳体表面的振动幅值和半消声室内涡旋压缩机工作时的A计权声级和线性声级，而没有对其振动和噪声进行深层次分析处理。如通过振动和噪声信号来分析其频率特性、空间分布特征、振源和声源位置等，很显然这不利于涡旋压缩机技术的全面发展。另外，涡旋压缩机作为全封闭式机械，很难对各主要零部件的振动和噪声进行单独测量，这也是限制测试和控制技术发展的主要因素之一。

纵然对于涡旋压缩机振动和噪声特性的研究较少，一些学者做了探索性研究。Young Man Cho先生等利用状态空间理论对压缩机声源进行了辨识。刘振全教授通过振动信号的谱分析讨论了引起涡旋压缩机振动主要原因。Wang Zhen博士等通过振动和噪声信号的分析论证了它们之间的相关性。Zhang Tieshan及Yang Xiaofeng等人也是通过相关实验及简单的谱分析技术，对涡旋压缩机噪声源进行了辨识。姜国清等人对冰箱用压缩机噪声进行了功率谱分析并提出了简单的降噪措施。不过从这些文献可以看出，对于涡旋压缩机振动和噪声的测试仅限于表面信号，而没有深入对涡旋压缩机内部振动和噪声信号进行检测。对于分析方法目前大部分都采用传统的谱分析技术却很少应用现代信号分析方法，如时频分析、神经网络等。针对上述现有技术中所存在的问题，研究设计一种新型的涡旋压缩机在线振动、噪声监测及故障诊断***，从而克服现有技术中所存在的问题是十分必要的。

发明内容

鉴于上述现有技术中所存在的问题，本发明的目的是研究设计一种新型的涡旋压缩机在线振动、噪声监测及故障诊断***，从而解决随着涡旋压缩机技术的飞速发展，作为涡旋压缩机性能的重要指标之一的振动和噪声，越来越受到厂家和客户的关注。目前对于涡旋压缩机振动、噪声的测试与控制技术研究严重不足，生产厂家也仅限于出厂前的抽检，且测试参数一般局限于壳体表面的振动幅值和半消声室内涡旋压缩机工作时的A计权声级和线性声级，而没有对其振动和噪声进行深层次分析处理。对于分析方法目前大部分都采用传统的谱分析技术，却很少应用现代信号分析方法等问题。

本发明所述的涡旋压缩机在线振动、噪声监测及故障诊断***包括涡旋压缩机在线振动、噪声监测装置和涡旋压缩机故障诊断***。所述的涡旋压缩机在线振动、噪声监测装置是由涡旋压缩机、压电式加速度计、声麦克、前置放大器、适配器信号调理模块、A/D转换、信号分析、结果显示所组成。所述的压电式加速度计固定在涡旋压缩机的外壳上，声麦克放置在涡旋压缩机的近旁，压电式加速度计和声麦克分别测试涡旋压缩机的振动量和噪声量进行采集，然后通过前置放大器、适配器、信号调理模块和A/D转换将模拟信号放大并转换成数字信号送给计算机，由计算机软件进行信号分析，并对分析进行结果显示。所述的涡旋压缩机故障诊断***是在信号分析对振动量以及噪声量进行分析并通过结果显示对涡旋压缩机装置的运转平稳性及故障进行判断。

本发明所述的信号分析和结果显示内设置有：

用于分析和显示涡旋压缩机表面振动信号的软件模块；

用于分析和显示涡旋压缩机噪声信号的软件模块；

用于对涡旋压缩机故障诊断的分析软件模块；

(一)、其中涡旋压缩机表面振动信号分析的软件模块有：

1)对涡旋压缩机表面振动所采样的信号进行时域分析并显示其波形图；

2)采样得到的信号进行幅值谱、功率谱、倒谱、共振解调谱分析并显示各分析波形图，得到振动信号的频率信息和相位信息；

(二)、涡旋压缩机噪声信号分析的软件模块有：

1)对采样得到的涡旋压缩机噪声信号进行时域分析并进行波形图显示。

2)对噪声信号进行进一步的分析，有功率谱、细化谱、共振解调谱、1/3倍频程分析并显示各分析波形图；并显示出A计权下的声压级、声功率级或声强级。

3)报表的生成；***的实验报表要求同时打印压缩机参数信息和实验得到的倍频程数据信息，数据表格和图形共同显示。

(三)、用于对涡旋压缩机故障诊断的分析软件模块其主要内容：该模块的故障诊断方法为局域波自回归谱分析、局域波K-L信息量分析及局域波神经网络分析方法：

1)局域波自回归谱分析方法：

式(1)为AR(n)模型的自谱函数：

式中

为残差方差，Δt为采样间隔。

在正确建立AR模型后，可利用下面方法求解残差方差：设时序长度为N，模型阶数为n，模型参数为φ₁，φ₂，…，φ_n，则模型的残差方差

可表示为式(2)：

${\mathrm{\σ}}_a^2=\frac{N-n}{N}{\left(\mathrm{X\Φ}\right)}^T\mathrm{X\Φ}---\left(2\right)$

式中

$X=\left[\begin{array}{c}{x}_{n+1},x_n,...,x_1\\ x_{n+2},x_{n+1},...,x_2\\ ......\\ x_N,x_{N-1},...,x_{N-n}\end{array}\right]$

式中T为矩阵转置标志。

对于实测数据序列X(t)局域波分解后可表示为多个基本模式分量之和，

如式(3)所示：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i\left(t\right)+R_n\left(t\right)---\left(3\right)$

式中C_i(t)为第I个基本模式分量，把每个基本模式分量作为一个数据序列或只对感兴趣的分量由式(1)求其AR谱，并对其进行分析。

2)基于局域波及K-L信息量的故障诊断方法：

对于数据长度相同两个时间序列：{x_t}_R为参考时序，{x_t}_T为待检时序，分别建立适当的AR(m_R)模型和AR(m_T)模型，于是可得到它们对应的残差分别为：

和

然后把待检时序{x_t}_T通过参考序列的AR(m_R)模型检验，输出的残差序列记为{a_t}_RT；那么当参考时序状态与待检时序状态相同或相近时，存在

为白噪声序列，且有

当两个序列状态不属于同一状态，则存在{a_t}_RT不是白噪声，且

对于参考时序和待检时序所对应的残差方差和

可根据各自模型参数和时序由式(2)直接求得，而对于残差方差是根据参考时序的模型参数和待检时序由式(2)求得；K-L信息距离函数为：

$D_{\mathrm{KL}}^2(p_{\mathrm{RT}},p_R)=\∫p_{\mathrm{RT}}\left(a_t\right)\ln \frac{p_{\mathrm{RT}}\left(a_t\right)}{p_R\left(a_t\right)}{\mathrm{da}}_t---\left(4\right)$

式中p_RT和p_R分别为残差{a_t}_RT和{a_t}_R的概率密度函数：

$p_{\mathrm{RT}}\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_T}\exp (-\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{2{\mathrm{\σ}}_T^2})$

$p_R\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}\exp (-\frac{{(x_t-\mathrm{\μ})}^2}{2{\mathrm{\σ}}_R^2})$

在一维情况下，考虑到{a_t}_RT和{a_t}_R的均值为零，并把式(4)积分换成离散求和可得：

$D_{\mathrm{KL}}^2=\frac{1}{2}(\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1)$

考虑常数1/2不影响按距离分类的结果，故K-L信息量可简单的表示成式(5)：

$D_{\mathrm{KL}}^2=\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1---\left(5\right)$

首先，对参考样本和待检样本进行局域波分解，并把分解后的多个基本模式分量作为参考序列和待检序列建立不同的AR模型，从而获得各内蕴模式分量的K-L信息量

然后根据

的值来判断***状态，它的值越小，则表示待验状态与参考状态就越接近，它的值越大则表示待检状态偏离参考状态程度越大。这样就可根据参考状态的选择来判断***故障类型和故障程度。另外也可以预先设置报警阈值δ_i，当时，实施报警，从而实现***的实时监测功能。

3)局域波神经网络故障诊断方法

该方法的具体实现步骤如下：

第一步：建立网络。根据实际需要搭建神经网络。确定输入层参数个数、中间层结构及输出层。

第二步：构造训练样本。对典型故障的涡旋压缩机振动和噪声信号进行局域波分解，从而得到多个基本模式分量，提取出各个基本模式分量有关特征参数，如能量、频率的幅值、各时域特征参数。输出层为表征特定典型故障类型空间表示。

第三步：训练并修正网络。根据实际情况调节网络结构，使之达到需求精度。

第四步：利用建立好的神经网络模型进行故障类型的识别。

本发明所述的涡旋压缩机在线振动、噪声监测及故障诊断***，在公转型涡旋压缩机结构特征和工作原理的基础上，利用锤击法对涡旋压缩机的各主要组成零部件进行了测试，得到了各主要零部件的有频率，为涡旋压缩机振源和声源的辨识、产品改进奠定了基础，并在此基础上提出来了几点涡旋压缩机减振降噪措施。

本发明通过实验获取了涡旋压缩机表面振动与近声噪声特性之间的关系及其振动、噪声的空间分布，证明了对于全封闭涡旋压缩机来说，其噪声主要来源于壳体表面的振动，并根据涡旋压缩机振动、噪声特点，提出了适用于涡旋压缩机故障诊断的几种新的方法，有效推进了故障诊断技术的发展。

本发明针对压缩机噪声检测的需要，研制开发了四通道涡旋压缩机噪声在线检测与分析***，该***能够对四个方向的噪声信号的时域、频域、倍频程及各种计权和响应下的声压级实时显示，同时也具有声源识别功能和测试报表输出功能，实际应用表明，该***满足了噪声测试要求，具有一定的实用价值。

本发明所述的涡旋压缩机在线振动、噪声监测及故障诊断***的显著效果是：多通道对涡旋压缩机壳体进行在线振动、噪声测量，得出近声场的噪声和压缩机表面振动加速度的信号关系密切，通过对其特性的研究，掌握引起涡旋压缩机振动和噪声的原因，以便在性能改进中予以优先考虑，并制定出有效的减振降噪措施，且可以为客户提供适当的安装方式，以降低空调或冰箱的振动和噪声。

附图说明

本发明共有六幅附图，其中：

附图1是涡旋压缩机在线振动、噪声监测及故障诊断***原理图；

附图2是涡旋压缩机在线振动、噪声监测及故障诊断***传播路径简图；

附图3是涡旋压缩机在线振动、噪声监测及故障诊断***结构受力示意图；

附图4是涡旋压缩机在线振动、噪声监测及故障诊断***基于局域波法和K-L信息量的故障诊断策略结构图；

附图5是涡旋压缩机在线振动、噪声监测及故障诊断***技术路线简图；

附图6是涡旋压缩机在线振动、噪声监测及故障诊断***倍频程算法流程图。

附图中：1、涡旋压缩机，2、压电式加速度计，3、声麦克，4、前置放大器，5、适配器，6信号调理模块、，7、A/D转换，8、信号分析，9、结果显示，10、振动量，11、噪声量。

具体实施方式

本发明的具体实施例如附图所示，附图1所示为涡旋压缩机在线振动、噪声监测及故障诊断***原理图，所述的涡旋压缩机在线振动、噪声监测及故障诊断***包括涡旋压缩机在线振动、噪声监测装置和涡旋压缩机故障诊断***。所述的涡旋压缩机在线振动、噪声监测装置是由涡旋压缩机1、压电式加速度计2、声麦克3、前置放大器4、适配器5信号调理模块6、A/D转换7、信号分析8、结果显示9所组成。所述的压电式加速度计2固定在涡旋压缩机1的外壳上，声麦克3放置在涡旋压缩机1的近旁，压电式加速度计2和声麦克3分别测试涡旋压缩机的振动量10和噪声量11进行采集，然后通过前置放大器4、适配器5、信号调理模块6和A/D转换7将模拟信号放大并转换成数字信号送给计算机，由计算机软件进行信号分析8，并对分析进行结果显示9。所述的涡旋压缩机故障诊断***是在信号分析8对振动量10以及噪声量11进行分析并通过结果显示9对涡旋压缩机装置的运转平稳性及故障进行判断。

其中信号分析8和结果显示9内设置有：

用于分析和显示涡旋压缩机表面振动信号的软件模块；

用于分析和显示涡旋压缩机噪声信号的软件模块；

用于对涡旋压缩机故障诊断的分析软件模块；

(一)、涡旋压缩机表面振动信号分析的软件模块：

1)对涡旋压缩机表面振动所采样的信号进行时域分析并显示其波形图；

2)采样得到的信号进行幅值谱、功率谱、倒谱、共振解调谱分析并显示各分析波形图，得到振动信号的频率信息和相位信息。

涡旋压缩机的运转是由电机带动的，因此该机械振动产生的动力传输和振动传递路径关系简单表示为附图2所示。从涡旋压缩机结构来看，不管动力怎样传输，也不管振动传播路径怎样，最最终对壳体的影响是我们研究振动最关心的问题。涡旋压缩机工作时，各运动零部件工作在较为复杂的环境中。附图3所示给出了运转零件的受力简图，存在的作用力主要有气流体脉动或高压对构件作用力Fg，各种连接器的支反力FR，主、副轴承及动涡旋对主轴的支反力，主、副平衡块及主轴各部分的离心力，另外还有各接触面形成摩擦副的摩擦力。机构运转时在以上各力的作用下处于动态平衡状态，各零件之间的相互交变作用形成振动，并按一定的路径向外传递。

又因为振动测试的目的是判断涡旋压缩机装置的运转是否平稳，分析和解决与振动有关的故障等，因此，压缩机出厂前实验室抽检时都要对其相关振动量进行测试。采用的测量技术，如附图1所示，可测试的振动量有振动加速度速度及位移。本模块对涡旋压缩机表面振动所采样的信号进行时域分析并显示其波形图；并且对采样得到的信号进行幅值谱、功率谱、倒谱、共振解调谱分析并显示各分析波形图。

(二)、涡旋压缩机噪声信号分析的软件模块：

为了完成涡旋压缩机噪声特性的分析、噪声大小的评价、声源的识别及检测结果的备案，结合公司现有测量环境，特制定图5所示的技术路线。

根据***的需求分析，对软件***需完成的功能进行归纳，将该压缩机噪声在线监测***软件部分划分为以下几个模块：采样模块；数字信号处理模块；在线分析模块；离线分析模块；报表显示打印模块等。其中采样模块负责向采样硬件***发出采样或停止采样指令、控制采样参数，长度等；数字信号处理模块负责将采样的数字信号进行后续处理，得到真实可信的信号；在线分析模块用于控制***的界面效果；离线分析模块负责采样信号的离线分析，包括：时域分析、频域分析、共振解调、倍频分析等。报表显示模块负责生成噪声实验报表并打印存档。

采样模块的主要功能：向采样硬件***发出采样或停止采样指令；调节控制采样参数，并输出到硬件；通过串口与硬件设备通讯，采集信号数据。

数字信号处理模块是该***的一个比较重要的模块，对微弱信号的特性的分析，采取相应的数字信号处理技术和数字信号滤波技术对微弱信号处理，直接影响到***的成功和失败。

在线分析模块实现了以下功能：1、信号时域显示；2、信号的频域显示；3、信号的1/3倍频程1/1倍频程显示。根据前面所讲1/3倍频程的详细算法结合数字滤波器原理，把1/3倍频程的详细算法的封装在动态连接库dll文件中。函数的基本流程如附图6所示。

离线分析模块借用原有PDM2000故障诊断软件***中的功能模块，其主要可实现了以下功能：1、信号时域分析；2、信号的频域分析；3、故障诊断。在主界面下选择离线分析下的分析模块子菜单即可进入离线分析模块。该功能模块首先取得来自于历史样本数据库中保存的历史样本；在时、频分析软件对象中能够对该样本进行各种时域和频域分析，包括积分、微分、自相关、互相关、滤波、统计分析、轴心轨迹、自功率谱、互功率谱、共振解调、倒谱分析、细化谱分析、相干分析、传函分析、倍频程等分析方法。在故障诊断软件中，利用在“时、频分析”软件中的分析方法，对压缩机的状态进行评估；最后输入诊断结论，形成诊断报表。

根据用户要求，报表显示打印模块应实现多种数据以多种方式显示出来，本***使用水晶报表Report Designer Component(RDC)和Visual Basic 6.0共同进行报表模块的开发。水晶报表使报表开发十分强大和快捷的开发工具，正是因为水晶报表的成熟技术，Report Designer Component(RDC)嵌入VisualBasic 6.0，使得报表的编程工作变得简单，而VB和VC之间又可以有多种的调用方式，使得***的报表开发时间大大减少了。

(三)、用于对涡旋压缩机故障诊断的分析软件模块其主要内容：该模块的故障诊断方法为局域波自回归谱分析、局域波K-L信息量分析及局域波神经网络分析等多种方法。

1)局域波自回归谱分析方法

式(1)为AR(n)模型的自谱函数：

式中

为残差方差，Δt为采样间隔。

在正确建立AR模型后，可利用下面方法求解残差方差：设时序长度为N，模型阶数为n，模型参数为φ₁，φ₂，…，φ_n，则模型的残差方差

可表示为式(2)：

${\mathrm{\σ}}_a^2=\frac{N-n}{N}{\left(\mathrm{X\Φ}\right)}^T\mathrm{X\Φ}---\left(2\right)$

式中

$X=\left[\begin{array}{c}{x}_{n+1},x_n,...,x_1\\ x_{n+2},x_{n+1},...,x_2\\ ......\\ x_N,x_{N-1},...,x_{N-n}\end{array}\right]$

式中T为矩阵转置标志。

对于实测数据序列X(t)局域波分解后可表示为多个基本模式分量之和，如式(8)所示：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i\left(t\right)+R_n\left(t\right)---\left(3\right)$

式中C_i(t)为第I个基本模式分量，把每个基本模式分量作为一个数据序列或只对感兴趣的分量由式(1)求其AR谱，并对其进行分析。

2)基于局域波及K-L信息量的故障诊断方法

对于数据长度相同两个时间序列：{x_t}_R为参考时序，{x_t}_T为待检时序，分别建立适当的AR(m_R)模型和AR(m_T)模型，于是可得到它们对应的残差分别为：和

然后把待检时序{x_t}_T通过参考序列的AR(m_R)模型检验，输出的残差序列记为{a_t}_RT。那么当参考时序状态与待检时序状态相同或相近时，存在

为白噪声序列，且有当两个序列状态不属于同一状态，则存在{a_t}_RT不是白噪声，且

对于参考时序和待检时序所对应的残差方差

和可根据各自模型参数和时序由式(2)直接求得，而对于残差方差是根据参考时序的模型参数和待检时序由式(2)求得。

K-L信息距离函数为：

$D_{\mathrm{KL}}^2(p_{\mathrm{RT}},p_R)=\∫p_{\mathrm{RT}}\left(a_t\right)\ln \frac{p_{\mathrm{RT}}\left(a_t\right)}{p_R\left(a_t\right)}{\mathrm{da}}_t---\left(4\right)$

式中p_RT和p_R分别为残差{a_t}_RT和{a_t}_R的概率密度函数：

$p_{\mathrm{RT}}\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_T}\exp (-\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{2{\mathrm{\σ}}_T^2})$

$p_R\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}\exp (-\frac{{(x_t-\mathrm{\μ})}^2}{2{\mathrm{\σ}}_R^2})$

在一维情况下，考虑到{a_t}_RT和{a_t}_R的均值为零，并把式(4)积分换成离散求和可得：

$D_{\mathrm{KL}}^2=\frac{1}{2}(\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1)$

考虑常数1/2不影响按距离分类的结果，故K-L信息量可简单的表示成式(5)：

$D_{\mathrm{KL}}^2=\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1---\left(5\right)$

首先，对参考样本和待检样本进行局域波分解，并把分解后的多个基本模式分量作为参考序列和待检序列建立不同的AR模型，从而获得各内蕴模式分量的K-L信息量

然后根据

的值来判断***状态，它的值越小，则表示待验状态与参考状态就越接近，它的值越大则表示待检状态偏离参考状态程度越大。这样就可根据参考状态的选择来判断***故障类型和故障程度。另外也可以预先设置报警阈值δ_i，当

时，实施报警，从而实现***的实时监测功能。采用的故障诊断策略如图4所示。

3)局域波神经网络故障诊断方法：

该方法的具体实现步骤如下：

第一步：建立网络。根据实际需要搭建神经网络。确定输入层参数个数、中间层结构及输出层(代表故障类型)。

第二步：构造训练样本。对典型故障的涡旋压缩机振动和噪声信号进行局域波分解，从而得到多个基本模式分量，提取出各个基本模式分量有关特征参数，如能量、某一频率的幅值、各时域特征参数等。输出层为表征特定典型故障类型空间表示。

第三步：训练并修正网络。根据实际情况调节网络结构，使之达到需求精度。

第四步：利用建立好的神经网络模型进行故障类型的识别。

Claims (2)

1.一种涡旋压缩机在线振动、噪声监测及故障诊断***，其特征在于包括涡旋压缩机在线振动、噪声监测装置和涡旋压缩机故障诊断***；所述的涡旋压缩机在线振动、噪声监测装置是由涡旋压缩机(1)、压电式加速度计(2)、声麦克(3)、前置放大器(4)、适配器(5)信号调理模块(6)、A/D转换(7)、信号分析(8)、结果显示(9)所组成；所述的压电式加速度计(2)固定在涡旋压缩机(1)的外壳上，声麦克(3)放置在涡旋压缩机(1)的近旁，压电式加速度计(2)和声麦克(3)分别测试涡旋压缩机的振动量(10)和噪声量(11)进行采集，然后通过前置放大器(4)、适配器(5)、信号调理模块(6)和A/D转换(7)将模拟信号放大并转换成数字信号送给计算机，由计算机软件进行信号分析(8)，并对分析进行结果显示(9)；所述的涡旋压缩机故障诊断***是在信号分析(8)对振动量(10)以及噪声量(11)进行分析并通过结果显示(9)对涡旋压缩机装置的运转平稳性及故障进行判断。

2.根据权利要求1所述的涡旋压缩机在线振动、噪声监测及故障诊断***，其特征在于所述的信号分析(8)和结果显示(9)内设置有：

用于分析和显示涡旋压缩机表面振动信号的软件模块；

用于分析和显示涡旋压缩机噪声信号的软件模块；

用于对涡旋压缩机故障诊断的分析软件模块；

(一)、其中涡旋压缩机表面振动信号分析的软件模块有：

1)对涡旋压缩机表面振动所采样的信号进行时域分析并显示其波形图；

2)采样得到的信号进行幅值谱、功率谱、倒谱、共振解调谱分析并显示各分析波形图，得到振动信号的频率信息和相位信息；

(二)、涡旋压缩机噪声信号分析的软件模块有：

1)对采样得到的涡旋压缩机噪声信号进行时域分析并进行波形图显示；

2)对噪声信号进行进一步的分析，有功率谱、细化谱、共振解调谱、1/3倍频程分析并显示各分析波形图；并显示出A计权下的声压级、声功率级或声强级；

3)报表的生成；***的实验报表要求同时打印压缩机参数信息和实验得到的倍频程数据信息，数据表格和图形共同显示；

(三)、用于对涡旋压缩机故障诊断的分析软件模块其主要内容：该模块的故障诊断方法为局域波自回归谱分析、局域波K-L信息量分析及局域波神经网络分析方法：

1)局域波自回归谱分析方法

式(1)为AR(n)模型的自谱函数：

式中

为残差方差，Δt为采样间隔；

在正确建立AR模型后，可利用下面方法求解残差方差：设时序长度为N，模型阶数为n，模型参数为φ₁，φ₂，…，φ_n，则模型的残差方差可表示为式(2)：

${\mathrm{\σ}}_a^2=\frac{N-n}{N}{\left(\mathrm{X\Φ}\right)}^T\mathrm{X\Φ}---\left(2\right)$

式中

$X=\left[\begin{array}{c}{x}_{n+1},x_n,...,x_1\\ x_{n+2},x_{n+1},...,x_2\\ ......\\ x_N,x_{N-1},...,x_{N-n}\end{array}\right]$

式中T为矩阵转置标志；

对于实测数据序列X(t)局域波分解后可表示为多个基本模式分量之和，

如式(3)所示：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i\left(t\right)+R_n\left(t\right)---\left(3\right)$

式中C_i(t)为第I个基本模式分量，把每个基本模式分量作为一个数据序列或只对感兴趣的分量由式(1)求其AR谱，并对其进行分析；

2)基于局域波及K-L信息量的故障诊断方法：

对于数据长度相同两个时间序列：{x_t}_R为参考时序，{x_t}_T为待检时序，分别建立适当的AR(m_R)模型和AR(m_T)模型，于是可得到它们对应的残差分别为：

和

然后把待检时序{x_t}_T通过参考序列的AR(m_R)模型检验，输出的残差序列记为{a_t}_RT；那么当参考时序状态与待检时序状态相同或相近时，存在

为白噪声序列，且有

当两个序列状态不属于同一状态，则存在{a_t}_TR不是白噪声，且对于参考时序和待检时序所对应的残差方差

和

可根据各自模型参数和时序由式(2)直接求得，而对于残差方差

是根据参考时序的模型参数和待检时序由式(2)求得；

K-L信息距离函数为：

$D_{\mathrm{KL}}^2(p_{\mathrm{RT}},p_R)=\∫p_{\mathrm{RT}}\left(a_t\right)\ln \frac{p_{\mathrm{RT}}\left(a_t\right)}{p_R\left(a_t\right)}{\mathrm{da}}_t---\left(4\right)$

式中p_RT和p_R分别为残差{a_t}_RT和{a_t}_R的概率密度函数：

$p_{\mathrm{RT}}\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_T}\exp (-\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{2{\mathrm{\σ}}_T^2})$

$p_R\left(a_t\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_R}\exp (-\frac{{(x_t-\mathrm{\μ})}^2}{2{\mathrm{\σ}}_R^2})$

在一维情况下，考虑到{a_t}_RT和{a_t}_R的均值为零，并把式(4)积分换成离散求和可得：

$D_{\mathrm{KL}}^2=\frac{1}{2}(\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1)$

考虑常数1/2不影响按距离分类的结果，故K-L信息量可简单的表示成式(5)：

$D_{\mathrm{KL}}^2=\ln \frac{{\mathrm{\σ}}_R^2}{{\mathrm{\σ}}_T^2}+\frac{{\mathrm{\σ}}_{\mathrm{RT}}^2}{{\mathrm{\σ}}_R^2}-1---\left(5\right)$

首先，对参考样本和待检样本进行局域波分解，并把分解后的多个基本模式分量作为参考序列和待检序列建立不同的AR模型，从而获得各内蕴模式分量的K-L信息量

然后根据

的值来判断***状态，它的值越小，则表示待验状态与参考状态就越接近，它的值越大则表示待检状态偏离参考状态程度越大；这样就可根据参考状态的选择来判断***故障类型和故障程度；另外也可以预先设置报警阈值δ_i，当

时，实施报警，从而实现***的实时监测功能；

3)局域波神经网络故障诊断方法

该方法的具体实现步骤如下：

第一步：建立网络。根据实际需要搭建神经网络。确定输入层参数个数、中间层结构及输出层；

第二步：构造训练样本。对典型故障的涡旋压缩机振动和噪声信号进行局域波分解，从而得到多个基本模式分量，提取出各个基本模式分量有关特征参数，如能量、频率的幅值、各时域特征参数。输出层为表征特定典型故障类型空间表示；

第三步：训练并修正网络。根据实际情况调节网络结构，使之达到需求精度；

第四步：利用建立好的神经网络模型进行故障类型的识别。

Images