CN107607342B - 空调机房设备群的健康能效检测方法 - Google Patents

Abstract

本发明公开了一种空调机房设备群的健康能效检测方法，首先在机房内安装振动传感器，并将接收到的振动信号传递给数据采集***，采集出设备的振动信号；然后通过自然梯度下互信息的高阶积累量盲源分离算法计算出分离模型W₁、W₂。利用计算出的分离模型对多源混合信号进行盲源分离，从而提取出设备故障信号的时频特征；然后根据这些特征参数和传感器的位置进行信号特征识别，判定故障类型和设备工作状态，根据分析出的状态信息及时做出相应处理，从而达到设备健康检测和提高设备运行效率的目的。本发明能够在多种设备共同运行情况下提取单个设备运行时振动信号特征，从而正确判断设备的健康状态并提高运行效率。

Description

空调机房设备群的健康能效检测方法

技术领域

本发明属于设备故障诊断技术领域，具体地是涉及一种空调机房设备群的健康能效检测方法。

背景技术

在设备复杂化、规模化的趋势下，空调机房为了节省空间资源和便于维护管理，常将不同类型的机组经常集中安装在同一空间内。目前国内空调***能效比平均值为2.5左右，最低值仅为1.7，远远落低于单台空调机组的效率值。与国外相比，我国在设备能效利用方面一直处于劣势，国外的设备能效利用率可以达到75％以上，但国内只有30％左右。造成这种局面的主要原因是机房内各类设备振动传递，噪声引起的二次振动使设备运行效率下降，机械故障频发，从而降低了机组的能效。因此对空调机房内设备群进行振动监测，及时发现单台设备的早期故障，是保证空调机组健康、高效运行的有力保障。

设备状态监测***通过分析各类状态特征信息，从而获知设备的运行状态，尽量减少设备的损坏，从而避免不必要的能效浪费和财力损失。因此，高效、准确的设备健康能效监测***不仅可以保证空调机房的正常运行，还可以提高设备运行效率，减少停机维护费用。但是，由于传感器的状态监测方法只能对单台设备进行监测，对于多种设备互相干扰，机组运行效率变化等因素带来的影响无法准确、实时地诊断。因此，在对多振动源信号未知，且空调机组输出功率动态变化的情况下，能够提取单机组故障源信号特征成为关键技术难题。

发明内容

本发明的目的就在于克服现有技术存在的上述不足，针对多个振源的混合信号难以快速准确识别设备运行状态的难题，提出了一种新的多源混合信号故障识别技术的空调机房设备群的健康能效检测方法，既对微弱早期故障信号敏感、又能识别多种故障特征；本发明能够在多种设备共同运行情况下提取单个设备运行时振动信号特征，从而正确判断设备的健康状态并提高运行效率。而且本发明提出的方法改进了盲分离算法的性能，提高了振动信号分离精度，使实际应用中分离性能更加稳定、可靠、准确和高效，从而能够准确有效及时地判断机组的健康和能效状态，达到早期发现设备故障，准确识别故障类型和能效水平的目的。

为实现上述目的，本发明采用如下技术方案。

本发明一种空调机房设备群的健康能效检测方法，其特征在于包括以下步骤：

步骤1：首先，在机房内空调机组的压缩机、联轴器等关键部位布置振动测点，使用振动频谱分析仪测量机组各部件的轴向、垂直向和水平的振动频谱，最后将信号传递给数据采集***；

步骤2：然后，将采集储存的振动信号作为输入信号X(t)，用三阶积累量

和四阶积累量

表示输出信号y(t)、边缘熵H(y_i)，并将三阶积累量

和四阶积累量

用Edgeworth级数展开获得边缘熵H(y_i)的显示表达式，利用自然梯度法分别对互信息表达式中的W₁、W₂求导，由此计算出分离矩阵W₁和W₂，最后在非线性多源信号盲分离模型的基础上，利用求解出的分离矩阵分离出振动源信号y(t)；

步骤3：最后，将分离出的源信号进行特征分析，从而确定机房的主要故障源并根据分离的振源信号特征识别运行状态，并将设备运行状态信息及时反馈给健康能效监测***，从而达到实时监测健康和能效状态的目的。

作为本发明的一种优选方案，所述步骤1中在设备机房内所布置的振动测点为振动传感器。

作为本发明的另一种优选方案，所述步骤2中计算分离矩阵W₁、W₂分为以下步骤：

(1).根据空调机组关键部位确定振动传感器最佳安装位置，利用数据采集***进行空调机组振动数据采集，通过布置在空调机组上压缩机、联轴器等关键部位的振动传感器采集空调机组的振动信号X_j(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；

(2).根据本发明的盲源分离算法对采集的空调机组振动信号X_j(t)进行盲源分离，从而得到原始振动信号源s_j(t)的近似信号源y_j(t)，其中，j＝1，2，...，n；

(3).将y_i的边缘熵用三阶积累量

和四阶积累量

表示并将其用Edgeworth级数展开：

其中

分别为y_i的三阶和四阶积累量；

(4).根据信息论中互信息的定义，将输出y的用分离参数表示为互信息：

(5).定义矢量函数f(y)为非线性激励函数，并根据sigmoid函数计算出矢量函数：

(6).利用最小互信息的梯度下降算法，分别对公式(b)中W₁和W₂求导：

其中D(u)＝diag[P′_y1(y₁)，…，P′_yn(y_n)]，diag[·]是将矢量化为对角矩阵，对角元素为矢量的对应分量，η为学习步长；

(7).最后将公式(c)带入公式(d)和(e)中，求解出分离矩阵W₁和W₂：

W₁(k+1)＝W₁(k)+η(I－f(y)y^T)W₁(k) (f)，

W₂(k+1)＝W₂(k)+η(I－f(y)y^T－W₁(k)^T f(y)y^T)W₂(k) (g)，

其中η为自适应学习步长；

(8).利用分离矩阵分离采集信号X(t)求解出源信号y(t)；

(9).绘图；

(10).根据分离出源信号y(t)进行特征分析；

(11).结束。

作为本发明的另一种优选方案，所述步骤1中的振动频谱分析仪采用CSI2310振动频谱分析仪。

本发明中选取地下一层的空调机房，其中包括两台热泵机组、三台循环水泵和各类管道作为计算实例。由于本发明的多源振动分离方法具有良好时频聚集性和抗干扰性，因此能够最大限度地分离多源混合信号，根据分离出信号的能量分布、频率组成和脉冲时隔即可判断出故障的类型，从而确定机房中设备的运行状态。

在工程应用本发明时，一般都在空调机房内安装设备振动采集***长期检测设备的运行状态，根据实际采集到的振动信号，通过本发明的信号处理方法，分离出故障信号的时频特征，即可判断出设备的工作状态，从而达到设备健康能效监测的目的。

本发明通过在设备上安装振动传感器并传递给数据采集***，对采集的多源混合信号基于自然梯度的高阶积累量互信息盲源分离算法进行信号盲源分离处理。这种信号处理方法可以准确地反映出设备故障信号的时频特征，为监测设备工作状态和设备故障预警提供有效手段。

本发明中采用高阶累积量的方法，可减少估计误差对分离结果的影响，改善了盲分离算法的性能，提高了计算精度，通过处理后信号的时频特征参数即可判断出故障类型及设备工作状态，避免了常规故障诊断方法难以准确分离多源信号的难题，因此该方法可操作性强、诊断快速、精度高。

与现有技术相比较，本发明有益效果是：在机械设备不断大型化、多元化、群落化的今天，国内企业对设备群检测***没有成熟的产品，主要依赖进口，国内部分软件与国外相比还存在较大差距；此外，国外的整套设备健康监测***售价昂贵，且与国内设备运行状态多不相符，使其不能发挥良好的作用。同时，国外产品的设计环境与国内设备的工作环境不同，无法提高设备在恶劣环境中的运行可靠性。本发明能够快速准确地分析出设备的工作状态，保证设备的安全性和高效性，提高设备不健康状态预警效果、减少维护成本。同时本发明对机房、设备群等复杂空间环境下的故障检测同样有效，特别适合于水源热泵、水泵机房、空调箱、风力机、鼓风机等设备的故障检测，可大大降低各类设备的检测和维护成本，改进设备检修方式，提高设备运行的安全可靠性和高效性，因此带来的经济效益显著。

附图说明

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

图1是本发明一种空调机房设备群的健康能效检测方法的多源信号盲分离示意图。

图2是本发明3号测点径向振动混合信号图。

图3是本发明3号测点轴向振动混合信号图。

图4是本发明3号测点径向振动混合信号分离图。

图5是本发明3号测点轴向振动混合信号分离图。

图6是本发明一种空调机房设备群的健康能效检测方法的信号处理程序计算框图。

图7是本发明一种空调机房设备群的健康能效检测方法的设备健康监测技术路线图。

具体实施方式

本发明一种空调机房设备群的健康能效检测方法，首先在机房内安装振动传感器，并将接收到的振动信号传递给数据采集***，采集出设备的振动信号；然后通过自然梯度下互信息的高阶积累量盲源分离算法计算出分离模型W₁、W₂。利用计算出的分离模型对多源混合信号进行盲源分离，从而提取出设备故障信号的时频特征；然后根据这些特征参数和传感器的位置进行信号特征识别，判定故障类型和设备工作状态，根据分析出的状态信息及时做出相应处理，从而达到设备健康检测和提高设备运行效率的目的。

本发明的具体步骤为：

1).多源混合信号的盲源分离

由于设备工作环境的复杂和设备数量、种类众多，因此经典的信号盲源分离并不适用这种复杂、恶劣的工作环境。盲源分离的目标就是通过观测信号x(t)来寻求一个合适的非线性函数g(x)，使得通过它恢复出源信号s(t)，即：

s(t)＝[y₁(t),y₂(t),…y_m(t)]＝g[(x(t))] (1)

式中，y(t)称为s(t)的估计矢量。

本发明考虑到多源混合信号对故障信号特征识别的干扰，采用的分离***的模型为：

y(t)＝W₁g(W₂X(t))＝s(t) (2)

这里g(u)作为一个标量函数作用于矢量u的每个分量，即g(u)＝{g(u₁),g(u₂),…,g(u_n)}^T；W₁、W₂为分离矩阵，即都是可逆的。

式(2)说明在混合信号条件下，盲分离可直接利用接收到的未知混合信号，在无先验知识情况下从观测数据中恢复源信号，常作为一种信噪分离方法；如图1所示，X(t)是传感器所采集的信号矢量，S(t)是源信号矢量，A是未知混合矩阵，输出Y(t)是S(t)的估计矢量。

2).设备振动信号采集

以地下一层设备机房，包括两台热泵机组、三台循环水泵和各类管道，机组强烈的振动通过建筑物传递到楼上；机房内，采用CSI2310振动频谱分析仪测量1号热泵机组各部件的轴向、垂直向和水平的振动频谱；数据采集***由振动传感器、数据采集卡、数字信号模拟器和计算机构成，振动信号经过数据采集卡转换后，由数据采集卡将传感器输出的信号传送到显示器中并存储。

3).非线性盲分离算法中最小互信息法

非线性盲信号分离方法主要包括最大熵法和最小互信息法，当混和模型是线性的时候，最大熵法与最小互信息是等价的；当混和模型是非线性时，这两种算法性能上有较大的差异；基于最小互信息的盲分离算法可用较少的传感器分离多个信号源，适合于多设备且故障数量未知的实际情况；根据信息论中互信息的定义，可得输出y的用分离参数表示的互信息如下：

其中G＝WA为全局矩阵，且H(y)＝-E[log(P_y(y))]为分离***输出信号的边缘熵，因此公式(3)可以写成：

随着源个数的增加，该算法的计算量过大，有难以收敛，稳定性不好的缺陷；因此寻找有效的估计方法对于改善算法性能非常重要。

4).分离矩阵计算方法

为了在故障源数量未知且可能大于传感器数量的情况下，根据信息源之间的独立性测度关系依次提取最显著的特征值，本发明在最小互信息自然梯度算法的基础上，利用源信号的随机特征改进其算法。

分离***输出信号y(t)与观测信号x(t)的概率密度表达式为：

其中P_y(y)是Y的概率密度函数，由于输出信号的概率密度函数属于未知量，因此首先需要计算出边缘熵H(y_i)，否则无法得到互信息量的显式表达式。

因此将公式(b)中y_i的边缘熵项用三阶积累量

和四阶积累量

表示并将其用Edgeworth级数展开：

其中

分别为y_i的三阶和四阶积累量。

然后在自然梯度下分别对式(b)中W₁和W₂求导数得:

式(e)中矢量函数f(y)为非线性激励函数，并根据sigmoid函数计算出矢量函数：

其中D(u)＝diag(P′_y1(y₁)，…，P′_yn(y_n))，diag[·]是将矢量化为对角矩阵，对角元素为矢量的对应分量，η为自适应学习步长。

最后，将公式(c)非线性激励函数带入公式(e)中，便得到基于自然梯度的互信息的高阶积累量盲分离算法：

W₁(k+1)＝W₁(k)+η(I－f(y)y^T)W₁(k) (f)，

W₂(k+1)＝W₂(k)+η(I－f(y)y^T－W₁(k)^Tf(y)y^T)W₂(k) (g)，

其中η为自适应学习步长。

利用高阶积累量计算互信息中边缘熵，最后通过自然梯度法计算分离模型的信号处理程序计算框图如图6所示，该计算程序有以下步骤：

①.将采集的机组上某测点的振动信号作为观测信号X(t)；

②.按照式(b)将输出y用分离参数表示为互信息形式；

③.按照式(a)用三阶和四阶积累量计算输出y_i的边缘熵，并用Edgeworth级数展开；

④.按照式(d)和(e),利用最小互信息的自然梯度算法，分别对W₁、W₂求导；

⑤.根据sigmoid函数求解出矢量函数f(y)

⑥.将公式(c)带入式(e)计算出分离模型W₁，W₂；

⑦.将分离矩阵W₁、W₂带入公式(2)求解出源信号；

⑧.绘图

⑨.结束。

5).分离信号特征分析

用优化后高阶积累量重新计算分离模型，在盲分离理论的基础上，利用新的分离模型，从而消除故障信号识别中的干扰，挖掘出故障信号特征参数，最后根据分离出的故障信号识别出故障类型和设备工作状态，分别如图4、图5所示。如图4所示，从整个频谱来看，振值最大出现在4倍频(200Hz)，而其他的频率分量振动速度几乎可忽略不计，由于阳转子数为4，一个转动周期会碰磨4次，相当于1倍频大，说明齿轮加工制造装配造成的转子啮合不良；如图5所示，在150-250Hz频率带中出现谐波，而且在4倍频处有最大峰值，两边对称幅值递减，经测试发现，机组在停机时的固有频率为203Hz，而运行时的频谱在4倍频有峰值，说明机组运行时频率接近了固有频率，因而发生共振。设备共振会引起内部结构的变形与应力不均，尤其是对动平衡要求较高的转子部件，这种受迫振动会影响机组的健康水平，从而导致机组工作效率下降。

6).设备健康状态监测与提高设备运行效率

根据信号分离***分离出的设备信号，进行详细分析后，将分析的设备运行状态信号传递给设备运行状态评估区，如图7所示。根据评估区内的状态信息，一方面可以做出相应的状态跟踪与维修建议，使工作人员及时发现设备不健康状态，并根据***建议采取合理的维修措施。另一方面还可以做出维护提醒与保养指导，达到设备健康预测与管理的效果，根据保养指导定期合理的进行设备维护。此外，将分析到的设备运行数据、故障信息数据、算法数据及时保存在相应的数据库中，以便快速便捷的对设备的运行状态做出及时反映。根据以上方法，我们可以将设备运行状态随时调整到最佳状态，减少设备亚健康状态，从而提高设备运行能效。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (3)

1.空调机房设备群的健康能效检测方法，其特征在于，包括以下步骤：

步骤1：首先，在机房内空调机组的压缩机、联轴器关键部位布置振动测点，使用振动频谱分析仪测量机组各部件的轴向、垂直向和水平的振动频谱，最后将信号传递给数据采集***；

步骤2：然后，将采集储存的振动信号作为输入信号X(t)，用三阶积累量

和四阶积累量

表示输出信号y(t)、边缘熵H(y_i)，并将三阶积累量

和四阶积累量

用Edgeworth级数展开获得边缘熵H(y_i)的显示表达式，利用自然梯度法分别对互信息表达式中的W₁、W₂求导，由此计算出分离矩阵W₁和W₂，最后在非线性多源信号盲分离模型的基础上，利用求解出的分离矩阵分离出振动源信号y(t)；

步骤3：最后，将分离出的源信号进行特征分析，从而确定机房的主要故障源并根据分离的振源信号特征识别运行状态，并将设备运行状态信息及时反馈给健康能效监测***，从而达到实时监测健康和能效状态的目的；

所述步骤2中计算分离矩阵W₁、W₂分为以下步骤：

(1).根据空调机组关键部位确定振动传感器最佳安装位置，利用数据采集***进行空调机组振动数据采集，通过布置在空调机组上压缩机、联轴器关键部位的振动传感器采集空调机组的振动信号X_j(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；

(2).根据盲源分离算法对采集的空调机组振动信号X_j(t)进行盲源分离，从而得到原始振动信号源s_j(t)的近似信号源y_j(t)，其中，j＝1，2，...，n；

(3).将y_i的边缘熵用三阶积累量

和四阶积累量

表示并将其用Edgeworth级数展开：

其中

分别为y_i的三阶和四阶积累量；

(4).根据信息论中互信息的定义，将输出y用分离参数表示为互信息：

(5).定义矢量函数f(y)为非线性激励函数，并根据sigmoid函数计算出矢量函数：

(6).利用最小互信息的梯度下降算法，分别对公式(b)中W₁和W₂求导：

其中D(u)＝diag[P′_y1(y₁)，…，P′_yn(y_n)]，diag[·]是将矢量化为对角矩阵，对角元素为矢量的对应分量，η为学习步长；

(7).最后将公式(c)带入公式(d)和(e)中，求解出分离矩阵W₁和W₂：

W₁(k+1)＝W₁(k)+η(I－f(y)y^T)W₁(k) (f)，

W₂(k+1)＝W₂(k)+η(I－f(y)y^T－W₁(k)^Tf(y)y^T)W₂(k) (g)，

其中η为自适应学习步长；

(8).利用分离矩阵分离采集信号X(t)求解出源信号y(t)；

(9).绘图；

(10).根据分离出源信号y(t)进行特征分析；

(11).结束。

2.根据权利要求1所述的空调机房设备群的健康能效检测方法，其特征在于，所述步骤1中在设备机房内所布置的振动测点为振动传感器。

3.根据权利要求1所述的空调机房设备群的健康能效检测方法，其特征在于：所述步骤1中的振动频谱分析仪采用CSI2310振动频谱分析仪。

Images