数字化技术在风机螺栓健康度与故障诊断中的应用_曹晓玲.pdf

Application 创新应用262 电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月2 智能故障检测诊断技术 智能故障检测诊断技术的特点。在风机正常运行的状态下对其整个运行过程的具体情况进行全面的安全故障检测，通过不同数据的检测结果分析风机可能存在的问题，然后针对存在的问题制定有效地解决方法，降低故障存在而造成的经济损失。（1）具有较强的目的性。该技术在矿山风机运行中应用的主要目的是为了及时检测诊断出风机运行中可能存在的故障，检测出故障问题及时锁定故障目标，并对其有效地进行解决，从而保障煤矿风机的安全运行。（2）具有较高的技术复合性。该技术包含的专业知识理论较为广泛，不仅包括物理学、摩擦学和动力学等专业学科理论知识，还包括机械制造和自动化技术应用等专业内容，由此可见，该技术自身具有较强的复合性，也对工作人员提出了较高的要求，不仅要求其掌握专业的理论知识，还需要具有丰富的实践操作经验，才能将该技术的作用发挥到最大。智能故障检测诊断方法。智能故障检测诊断方法主要由基于模糊数学模型和基于人工智能两种诊断方法组成。现阶段，在人工智能诊断方法中，0 引言故障诊断技术早期主要运用于风力发电等相关行业，随着诊断技术的不管改进以及信息时代的高速发展，故障诊断技术逐步向设备的零部件故障诊断方面发展，而所有关于机械设备零部件诊断研究中，又以轴承的研究居多。1 研究背景张伟提出了一系列基于卷积神经网络的轴承故障诊断算法，该方法能够直接作用在轴承的振动信号上，实现对故障轴承的诊断，其利用离散小波变换对原始振动信号提取特征，最后利用SVM分类器完成了对故障轴承的诊断研究1；Liang等利用小波变换将数据进行维度转换，将转换后的数据输入到SSGANS模型中完成了对故障轴承的诊断2；刘嘉潆等在卷积神经网络的基础上，提出了一种基于领域对抗网络的零件故障诊断方法，该方法具有高精度的故障识别能力，而且降低了输入数据的要求3。为了更好地实现隧道风机螺栓轴承的故障研究，本文通过对轴承信号进行采取，然后对信号进行滤波处理，然后通过智能诊断手段尽可能早发现或预知轴承将要发生的故障，并以此为依据。作者简介：曹晓玲，国电联合动力技术有限公司，工程师，硕士研究生；研究方向：控制理论与控制工程。收稿日期：2022-12-15；修回日期：2023-05-12。摘要：阐述智能故障检测和诊断技术在风机故障检测中的应用，包括轴承故障诊断模型、数据样本划分和算法优化，及时发现风机中可能存在的故障，并确定故障的位置，分析其原因。关键词：智能故障检测，诊断模型，数据样本，算法优化。中图分类号：TP18，TH43文章编号：1000-0755(2023)05-0262-02文献引用格式：曹晓玲，李健，卢冠宇，数字化技术在风机螺栓健康度与故障诊断中的应用J.电子技术,2023,52(05):262-263.数字化技术在风机螺栓健康度与故障诊断中的应用曹晓玲1，李健2，卢冠宇1（1.国电联合动力技术有限公司，北京 100089；2.国能联合动力（保定）技术有限公司，河北 071051）Abstract This paper describes the application of intelligent fault detection and diagnosis technology in fan fault detection,including bearing fault diagnosis model,data sample division and algorithm optimization,so as to find possible faults in the fan in time,determine the fault location and analyze the causes.Index Terms intelligent fault detection,diagnostic model,data samples,algorithm optimization.Application of Digital Technology in Fan Bolt Health and Fault DiagnosisCAO Xiaoling1,LI Jian2,LU Guanyu1(1.Guodian United Power Technology Co.,Ltd.,Beijing 100089,China.2.Guoneng United Power(Baoding)Technology Co.,Ltd.,Hebei 071051,China.)Application 创新应用电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月 263应用最为广泛的方法是专家系统方法中的深浅知识的混合应用；而在类神经网络的诊断方法中结合案例的方法相对于其他方法来讲更加具有实用性；而基于模糊数学模型的诊断方法在应用过程中主要用来诊断风机运行中较为模糊的故障，依据故障、原因及原始故障率等数据信息建立故障树，然后根据对数据的分析进行合理的推理，该方法的应用符合逻辑思维的推理过程，为了提高故障诊断检测的效果，还可以结合其他方法进行检测，如图1所示。3 轴承故障诊断模型支持向量机分类诊断模型。本文采用支持向量机（Support vector machines，SVM）二分类模型实现对故障轴承的诊断研究。支持向量机基本原理是寻找一个最优分类超平面，直线wx+b-0是两类样本的分类线，wx+b-1和wx+b-1是与分类线平行，且分别过两类样本的中点与分类线H距离最近的直线，wx+b-1和wx+b-1之间的距离称为分类间隔，想要得到最强的泛化能力，则必须要得到最大的分类间隔，这样才能对测试样本实现最大的分类正确率。（1）输入数据处理。传统的诊断方法的输入数据通常需要进行相应的特征提取，以保证分类精度的准确，而本文通过对数据进行滤波处理，然后通过重叠采样的方法来获取大量的输入样本数据。（2）数据滤波。不同故障轴承的振动信号波形存在较明显差异，但在干扰信号的影响下，部分故障信号难以区分，所以本文首先对采集到数据进行滤波处理，将数据进行过滤处理，低通滤波的原理如Y(n)-ax(n)(1-a）Y(n-1)，其中a为滤波系数；X(n)为该次采样值；Y(n-1)为上次滤波输出值；Y(n)为本次滤波输出值。4 数据样本划分和算法优化本文研究提出的数据增强方式是重叠采样，即对于训练样本，从滤波后信号进行采集训练样本时，每一段信号与其后一段信号之间是有重叠的，采集的样本长度为2 048，偏移量为1。取训练集的样本个数为660个。对于测试样本，采集时候没有重叠，测试样本长度同样取2 048，取测试集的样本个数为50个。对于故障诊断模型来说，模型参数是决定分类精度的关键因素。所以本文采用粒子群算法来对支持向量机模型进行优化，它可以解决SVM初始精度不高、自身学习能力较弱、不适于多分类的缺点。实例验证。（1）实验数据集。本文实验数据源自美国西储大学轴承数据，振动信号使用16通道DAT记录器收集，以12 000个/s样本收集数字数据，用于驱动端轴承故障。使用扭矩传感器/编码器收集速度和马力数据，并手动记录。轴承的损伤是用电火花加工的单点损伤，驱动端轴承选用SKF6025轴承，本文选用12ksps采样频率下的驱动端轴承的滚动体故障数据来进行故障研究，滚动体总共有三种不同的故障状态，分别为故障直径为0.1778mm、0.3536mm、0.5334mm的三种不同状态的滚动体故障数据，再加上采集的正常轴承数据在内的四类轴承数据用于轴承的故障研究。（2）实验数据预处理。运用上文的滤波处理方法，对采集的轴承原始振动信号进行滤波处理。通过对比滤波处理后的正常信号和故障信号可以看出，两种信号滤波后图像更加清晰平滑，正常信号波动周期大，但振幅相对较高。故障信号振幅小，但是波动更加频繁密集。从图像可以直观感受正常轴承信号与故障轴承信号的区别。实验结果分析。（1）一般SVM的实验结果。将滤波处理完成，且进行样本划分后的数据输入到SVM故障诊断模型当中，诊断模型在测试集总体的准确率达到90%。（2）算法优化后的SVM的实验结果。将样本数据输入到输入到PSO-SVM模型中，调整好PSO的模型参数后进行训练。由预测结果可以看出，经过粒子群优化的SVM算法较一般SVM的准确率上升了4%，总体准确率达到了94%，对于不同类别的故障其准确率都有了小范围的提升，可以在一定程度上实现对故障轴承的诊断。5 结语综合上述内容的分析得知，先进的智能故障检测诊断技术在矿山风机故障检测中的应用，能够有效帮助风机维检人员及时发现风机中可能存在的故障，并确定故障存在的位置，分析其原因，并针对原因制定有效地解决方法，进而降低风机运行中因故障不明确而造成的各种损失。智能故障检测诊断技术的应用对矿山风机的安全可靠运行具有积极作用，因此需要煤矿企业高度重视智能故障检测诊断技术，同时做好故障检测技术的管理工作。参考文献1 刘瑶.基于时频分析的风机故障智能诊断方法研究D.浙江：浙江大学,2021.2 宋永兴,伍柯霖,初宁,吴大转.基于调制强度的地铁风机常见故障诊断方法的研究J.风机技术,2019,61(01):77-81.3 祁霞.基于频率切片小波变换的设备故障特征提取方法研究D.陕西：长安大学,2016.图1 智能故障诊断检测方法