CN105021334A - 基于多权值神经网络的风机能耗监测识别方法 - Google Patents

Abstract

本发明公开了一种基于多权值神经网络的风机能耗监测识别方法，获取训练样本时，通过人为制造各种类型的故障，使风机能耗增加，并采用国标规定的能效检测方法和***，测试各种故障下风机能耗的增加值，对不同故障引起的能耗增加大小进行分类，将振动特征样本和轨迹特征样本组合，作为神经网络的训练样本，构建高维空间多权值神经元网络。在全天候能耗监测中，只需在风机上加装低成本三轴加速度传感器及涡流传感器，将三维振动信号及轴心轨迹特征向量输入多权值神经网络，网络输出即是能耗增加分类。

Description

基于多权值神经网络的风机能耗监测识别方法

本申请是申请号：201410257423.1、申请日：2014.6.11、名称“风机能耗监测方法及***”的分案申请。

技术领域

本发明涉及一种风机能耗监测方法及***。

背景技术

风机、电机、水泵、压缩机被国际能源署（IEA）统称为“工业电机***”。国家***“十一五”节能规划中指出，工业电机***是中国的主要电力用户，占全部用电量的50％以上，其中风机的用电量占全国用电量的10.4%。因此，风机效率的提高，对节约电能意义十分重大。

风机***量大面广，节电潜力巨大。“通风机能效限定值及能效等级”国家标准的出台，规定了通风机的能效等级、能效限定值、节能评价值及试验方法，为我国高效风机能效工作的研究与开展提供了依据。也标志着我国高效风机能效标识工作的开始。2010年11月1日风机将正式列入中华人民共和国实行能源效率标识的产品目录（第六批），并已开始着手实施。

风机在工业生产中长期运行时候，会产生很多故障，如动态不平衡引起的振动（包括转子***制造过程剩余不平衡；风机叶片在旋转过程中，由于局部磨损或腐蚀，以及局部损坏或堵塞异物等原因；鼓风机在高温高压下工作，因热变形和热膨胀造成弯轴现象等）；不对中引起的振动（资料表明，30％～50％的设备存在不对中问题。不对中既可产生径向振动，又会产生轴向振动；既会造成临近联轴节支承处的振动，也会造成远离联轴节的自由端的振动）；机械松动（松动既可能导致机器的其它故障也可能因其它故障所引起，机械部件的磨损变形、轴系的不对中、不平衡等与松动相互影响）；油膜振荡引起的振动；气体冲击引起的振动；气体压力波动引起的振动；谐波成份引起的振动；风机驱动用电机的各种故障，此外如轴、皮带链、齿轮、轴承等传动机构故障、电机灰尘凝结造成的散热不佳、运行时间过长或污垢及水的污染造成的润滑不佳等都会引起效率降低和能耗提高。这些故障，普遍会造成电机及风机***发热、各种损耗增加，从而降低***效率，增大***能耗。因此，各种故障的存在与能效值降低(能耗值升高)存在因果关系，挖掘各种故障特征与能效降低值（能耗升高值）之间的数值关系，可作为能耗监测的依据。对于企业能效管理、及时淘汰和更换高能耗设备、有针对性的实现高能耗设备检修具有重要意义。

通风机的总效率定义为风机传递给气体的动能和静压能之和与电机所传递的能量之比。现在使用于质检部门等其他机构的风机能耗检测***，采用GB/T 1236-2000《工业通风机 用标准化风道进行性能试验》及GB-19761-2009《通风机能效限定值及能效等级》国标中有关通风机的试验方法构建测试***，需对转速、压差、流量、功率、温度、转矩等多参数进行测量，构建的***价格昂贵。且现有风机能耗检测设备针对不同类型的风机，要额外加装风筒等结构以方便流量和风压测量，且需安装差压传感器、扭矩传感器、转速传感器等多种传感器。由于风机长期运行后，各种故障会造成能耗增加，因此对风机能耗监测有利于企业能效管理、及时淘汰和更换高能耗设备、有针对性的实现高能耗设备检修。而以上能耗检测方法造成现有设备不适合于风机应用企业进行能耗监测，现有的昂贵设备更不适于为每台风机匹配实现全天候能效监测。

随着节能减排基本国策的推进，风机的各种故障引起的效率降低及能耗提高需引起各风机应用企业的重视，此外外部电网参数变化引起的能效降低和能耗增加，也可以通过风机振动信号分析出来。在设备具有高性价比的前提下，为每台大功率风机配备能耗监测装置，实现对风机能效长期实时监测、准确发现由于各种机械故障、电气故障或供电电网参数变化引起的效率降低现象，对于企业能效管理、及时淘汰和更换高能耗设备、有针对性的实现高能耗设备检修具有重要意义。

发明内容

本发明的目的在于提供一种利于企业能效管理、及时淘汰和更换高能耗设备、有针对性的实现高能耗设备故障检修的风机能耗监测方法及***。

本发明的技术解决方案是：

一种风机能耗监测方法，其特征是：包括下列步骤：

（一）首先进行离线训练样本采集：

（1） 离线训练样本采集***构建

构建能耗测试***，采用包括扭矩传感器、差压传感器、转速传感器的多种传感器，检测风机流量、通风机全压、通风机静压、容积流量、风机轴功率，最终得通风机效率，从而得知通风机能耗大小；

采用三个三轴加速度传感器，分别置于轴承座外壳、电机外壳、通风机外壳上，获取三个测试点的X、Y、Z三轴正交振动信号；通过与转轴垂直平面内的两个相互垂直的涡流传感器同时采集振动信号，并分别将所采集的数据作为横、纵坐标拟合成的图形，即为轴心轨迹；

（2） 风机无故障时训练样本离线获取

采用“信号处理及特征提取模块”进行特征提取，经过多次测量，获得多组无故障时的特征样本；将无故障时的特征样本对应的效率值定位为“能耗低”；

（3）风机有故障时训练样本离线获取

人为制造多种故障及多种故障的组合，采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、通风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”进行特征提取，对每一种故障进行多次测量，获得每一种故障下的特征样本；将不同故障情况下的效率值与无故障时的效率值进行比较，按照差值从大到小，均分为四种类型，分别定义为“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”；

（二）在线能耗监测

采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、通风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”对信号进行特征提取，得到被测样本；采用多权值神经网络作为“基于神经网络的分类识别模块”的核心算法，采用“能耗检测用训练样本离线获取模块”获取的训练样本构造高维空间中的多自由度神经网络，在完成多权值神经元网络的构建之后，获得“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”、“能耗低”五个表征不同能耗级别的多权值神经元覆盖区；计算待识别的样本与表征每类能耗级别的多权值神经元网络覆盖区之间的欧式距离，将与待识别样本的欧式距离最短的那一类能耗级别，当作待识别样本的所属的能耗级别，并将风机能耗级别分类作为多权值神经网络输出。

风机无故障时训练样本离线获取的具体方法是：

将无故障时三个三轴加速度传感器输出的时域信号，进行去噪，并采用四元数PCA进行主元分析，在保持三轴输出信号相关性的前提下，获取无故障时的振动特征向量；

风机转子无故障正常运行时，采用双涡流传感器提取轴心轨迹，无故障时涡流传感器其振动信号的时域波形为正弦曲线，将两个相互垂直的正弦信号进行合成，便得到了圆或椭圆，提取轴心轨迹图像的几何尺寸特征、或灰度直方图特征、或纹理特征作为特征参数，并与加速度传感器获取的振动特征向量结合，得到无故障时样本；采用上述方法，进行多次测试，获取多组“能耗低”时的样本。

一种风机能耗监测***，其特征是： 包括三个分别置于轴承座外壳、电机外壳、通风机外壳上的三轴加速度传感器及转轴垂直平面内的两个相互垂直的涡流传感器，三轴加速度传感器、涡流传感器与信号处理及特征提取模块连接，信号处理及特征提取模块和基于神经网络的分类识别模块连接。

本发明提出基于振动信号及轴心轨迹信号分析的风机能耗监测方法。该方法在应用中不需要加装风筒等结构，采用三个三轴加速度传感器检测通风机多点三维振动信号（检测电机外壳、轴承座外壳、通风机外壳的振动信号），采用两个涡流传感器检测通风机主轴偏心造成的位移，并得到轴心轨迹。由大量实验基础上，得到风机不同类型的故障与风机能耗增加之间的关系，并通过多权值神经网络对不同故障引起的能耗增加级别进行分类识别。

纵观国内现有的风机能耗监测方法及***，本发明所提的设计目标尚无单位实现。

本发明在于提供一种新型能耗监测***，仅仅采用三轴加速度传感器、涡流传感器，即可实现风机能耗增加程度的在线识别和监测，避免了现有能耗检测***的成本高、安装困难等问题，有利于企业实现风机日常能耗监测，从而利于企业能效管理、及时淘汰和更换高能耗设备、有针对性的实现高能耗设备故障检修。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的能耗监测***结构图。其中有三轴加速度传感器、涡流传感器、能耗检测用训练样本离线获取模块、信号处理及特征提取模块、基于神经网络的分类识别模块。“信号处理及特征提取模块”由软件实现，包括去噪、四元数PCA特征提取、轴心轨迹特征提取（几何尺寸特征，或灰度直方图特征，或纹理特征）。“基于神经网络的分类识别模块”由多权值神经网络实现能耗增加级别分类。

图2是本发明的神经网络训练样本的离线获取方法示意图。

图3是的神经网络训练样本获取的实验方法示意图。

图4是传感器的布局示意图。两个涡流传感器中心线均与风机主轴轴心线相交，两个涡流传感器中心线均垂直于风机主轴轴心线，两涡流传感器中心线相互垂直。三个加速度传感器分别固定安装在电机表面、轴承座外壳、通风机外壳。

图5是多权值神经网络识别过程示意图。

具体实施方式

一种风机能耗监测***， 包括三个分别置于轴承座外壳、电机外壳、通风机外壳上的三轴加速度传感器1及转轴垂直平面内的两个相互垂直的涡流传感器2，三轴加速度传感器、涡流传感器与信号处理及特征提取模块连接，信号处理及特征提取模块和基于神经网络的分类识别模块连接。“信号处理及特征提取模块”、“基于神经网络的分类识别模块”均依托PC机或者高性能控制器（如FPGA等）等硬件设施，由软件实现去噪、四元数PCA特征提取、轴心轨迹特征提取、基于多权值神经网络的模式识别。

1、首先进行离线训练样本采集，具体实现过程为：

该***仅仅用于神经网络训练样本的离线采集，采集完成后，该***在日常能效监测中不再使用。

1.1 离线训练样本采集***构建

依据GB/T 1236-2000《工业通风机用标准化风道进行性能试验》及GB-19761-2009《通风机能效限定值及能效等级》国家标准，构建能耗测试***，采用扭矩传感器、差压传感器、转速传感器等多种传感器，检测风机流量、通风机全压、通风机静压、容积流量、风机轴功率，最终可得通风机效率，从而得知通风机能耗大小。

按照图4所示布局方式，采用三个三轴加速度传感器，分别置于轴承座外壳、电机外壳、通风机外壳上，获取三个测试点的X、Y、Z三轴正交振动信号。通过与转轴垂直平面内的两个相互垂直的涡流传感器同时采集振动信号，并分别将所采集的数据作为横、纵坐标拟合成的图形，即为轴心轨迹。

1.2 风机无故障时训练样本离线获取

采用GB/T 1236-2000《工业通风机用标准化风道进行性能试验》及GB-19761-2009《通风机能效限定值及能效等级》 国标方法进行通风机效率检测，得到无故障时的效率值，将此状态能耗定义为“能耗低”。将无故障时三个三轴加速度传感器输出的时域信号，进行去噪，并采用四元数PCA进行主元分析，在保持三轴输出信号相关性的前提下，获取无故障时的振动特征向量。

风机转子无故障正常运行时，采用双涡流传感器提取轴心轨迹，无故障时涡流传感器其振动信号的时域波形为正弦曲线，将两个相互垂直的正弦信号进行合成，便得到了圆或椭圆，提取轴心轨迹图像的几何尺寸特征、或灰度直方图特征、或纹理特征作为特征参数，并与加速度传感器获取的振动特征向量结合，得到无故障时样本。采用上述方法，进行多次测试，获取多组“能耗低”时的样本。

1.3 风机有故障时训练样本离线获取

人为设置多种故障，如散热不佳、润滑不佳、转轴偏心、电网电压降低或频率不稳（尤其在风电等新能源供电时）、叶轮转动不平衡、传动机构故障（如皮带链、齿轮、轴承等故障）、电机油膜振荡等。出现故障时，振动信号频域会发生变化。轴心轨迹会出现芭蕉图、8字形、内环图、不规则图等情况。将提取的振动信号特征和轴心轨迹特征组合起来，可表征不同的故障或者故障组合。离线训练样本获取时，对每种故障、多种故障的组合均分别进行多次能效检测和特征提取，获取每种故障、多种故障的组合情况下的多组样本。

对每种故障、多种故障的组合，采用1.2节的方法建立通风机效率检测***，将不同故障情况下的效率值与无故障时的效率值进行比较，按照差值从大到小，均分为四种类型，分别定义为“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”。

2、在线能耗监测，具体实现方法为：

在线能耗监测时，1.2和1.3节所用“能耗检测用训练样本离线获取模块”不再使用。仅仅采用三个三轴加速度传感器、两个涡流传感器。加速度传感器和涡流传感器依然按照图4所示方法安装。

采用1.2和1.3中离线采集的训练样本构造高维空间中的多自由度神经网络。在完成多权值神经元网络的构建之后，可以获得“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低“、”能耗低”五个表征不同能耗级别的多权值神经元覆盖区。当风机运行后，采用图5所示的基于多权值神经网络的识别算法，以三轴加速度传感器和涡流传感器采集的信号，经过特征提取后的样本作为输入，计算待识别的样本与表征每类能耗级别的多权值神经元网络覆盖区之间的欧式距离，将与待识别样本的欧式距离最短的那一类能耗级别，当作待识别样本的所属的能耗级别。并将风机能耗级别分类作为多权值神经网络输出。

Claims (1)

1.一种基于多权值神经网络的风机能耗监测识别方法，其特征是：包括下列步骤：

（一）首先进行离线训练样本采集：

（1） 离线训练样本采集***构建

构建能耗测试***，采用包括扭矩传感器、差压传感器、转速传感器的多种传感器，检测风机流量、通风机全压、风机静压、容积流量、风机轴功率，最终得风机效率，从而得知风机能耗大小；

采用三个三轴加速度传感器，分别置于轴承座外壳、电机外壳、风机外壳上，获取三个测试点的X、Y、Z三轴正交振动信号；通过与转轴垂直平面内的两个相互垂直的涡流传感器同时采集振动信号，并分别将所采集的数据作为横、纵坐标拟合成的图形，即为轴心轨迹；

（2） 风机无故障时训练样本离线获取

采用“信号处理及特征提取模块”进行特征提取，经过多次测量，获得多组无故障时的特征样本；将无故障时的特征样本对应的效率值定位为“能耗低”；

（3）风机有故障时训练样本离线获取

人为制造多种故障及多种故障的组合，采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”进行特征提取，对每一种故障进行多次测量，获得每一种故障下的特征样本；将不同故障情况下的效率值与无故障时的效率值进行比较，按照差值从大到小，均分为四种类型，分别定义为“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”；

（二）在线能耗监测

采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”对信号进行特征提取，得到被测样本；采用多权值神经网络作为“基于神经网络的分类识别模块”的核心算法，采用“能耗检测用训练样本离线获取模块”获取的训练样本构造高维空间中的多自由度神经网络，在完成多权值神经元网络的构建之后，获得“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”、“能耗低”五个表征不同能耗级别的多权值神经元覆盖区；计算待识别的样本与表征每类能耗级别的多权值神经元网络覆盖区之间的欧式距离，将与待识别样本的欧式距离最短的那一类能耗级别，当作待识别样本的所属的能耗级别，并将风机能耗级别分类作为多权值神经网络输出；

风机无故障时训练样本离线获取的具体方法是：

将无故障时三个三轴加速度传感器输出的时域信号，进行去噪，并采用四元数PCA进行主元分析，在保持三轴输出信号相关性的前提下，获取无故障时的振动特征向量；

风机转子无故障正常运行时，采用双涡流传感器提取轴心轨迹，无故障时涡流传感器其振动信号的时域波形为正弦曲线，将两个相互垂直的正弦信号进行合成，便得到了圆或椭圆，提取轴心轨迹图像的几何尺寸特征、或灰度直方图特征、或纹理特征作为特征参数，并与加速度传感器获取的振动特征向量结合，得到无故障时样本；采用上述方法，进行多次测试，获取多组“能耗低”时的样本。