專(zhuān)利名稱(chēng)：一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種化工設(shè)備故障診斷方法，特別是涉及一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法。
背景技術(shù)：
冷卻塔是建筑、冶金、制藥、化工等行業(yè)常用的設(shè)備之一，它隨著室外溫濕度的變化會(huì)不斷改變自身狀態(tài)，在運(yùn)行過(guò)程中存在著極其復(fù)雜的動(dòng)態(tài)擾動(dòng)，成為具有強(qiáng)烈動(dòng)態(tài)特點(diǎn)的非線性系統(tǒng)。當(dāng)聲波與固體或直接作用在流體上產(chǎn)生振動(dòng)時(shí)，不僅會(huì)影響周?chē)h(huán)境，還可能與振動(dòng)一起對(duì)設(shè)備產(chǎn)生巨大破壞，長(zhǎng)期帶故障運(yùn)行的設(shè)備所輻射的噪聲和振動(dòng)耦合后形成了巨大的激振力。由此可見(jiàn)，研究冷卻塔聲學(xué)特性以及了解噪聲來(lái)源與故障類(lèi)型之間的聯(lián)系對(duì)于系統(tǒng)的安全運(yùn)行至關(guān)重要。
以往對(duì)于耦合誘發(fā)聲輻射問(wèn)題的研究，只有在描述耦合系統(tǒng)方程得到圓滿(mǎn)解決的情況下，才能更系統(tǒng)、更直觀地研究結(jié)構(gòu)及其周?chē)h(huán)境聲場(chǎng)情況，但是實(shí)際往往缺乏各種求解條件，因此無(wú)法認(rèn)識(shí)影響聲輻射的主要因素。發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，本發(fā)明是基于非線性混合模型從觀測(cè)信號(hào)中提取獨(dú)立的聲源信號(hào)，同時(shí)消除干擾成分，在實(shí)驗(yàn)臺(tái)上分析風(fēng)機(jī)輻射噪聲的特點(diǎn)和大空間輻射聲的混合模型通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型，為大型機(jī)器設(shè)備的聲學(xué)診斷提供強(qiáng)有力的保證。
本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的: 一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，所述方法包括以下過(guò)程:首先在非線性混合模型基礎(chǔ)上研究通過(guò)最大化輸出熵訓(xùn)練網(wǎng)絡(luò)算法，然后在實(shí)驗(yàn)臺(tái)上分析不同轉(zhuǎn)速對(duì)盲分離結(jié)果的影響，認(rèn)為高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)可靠，風(fēng)機(jī)噪聲診斷不適合卷積混合模型；著在對(duì)某小區(qū)冷卻塔進(jìn)行實(shí)地診斷，當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。
所述的一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，所述盲分離為大空間背景環(huán)境中設(shè)備群振動(dòng)噪聲信號(hào)混合交叉的盲分離，并驗(yàn)證算法的穩(wěn)定性，將無(wú)用信號(hào)認(rèn)為是干擾噪聲分離出來(lái)，只提取期望的隨機(jī)信號(hào)，根據(jù)獨(dú)立性測(cè)度關(guān)系依次提取最顯著的故障特征。
所述的一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，所述熵訓(xùn)練網(wǎng)絡(luò)算法，經(jīng)過(guò)改進(jìn)后的卷積算法仍滿(mǎn)足正交約束，應(yīng)用卷積算法提取不對(duì)中和碰磨故障振動(dòng)信號(hào)特征，實(shí)現(xiàn)了大空間設(shè)備群的振聲診斷。
本發(fā)明的優(yōu)點(diǎn)與效果是: 在冷卻塔不斷普及的今天，國(guó)內(nèi)企業(yè)對(duì)冷卻塔噪聲的監(jiān)測(cè)還沒(méi)有成熟的產(chǎn)品，主要依賴(lài)進(jìn)口，國(guó)內(nèi)部分軟件和測(cè)量?jī)x器與國(guó)外相比還存在較大差距。同時(shí)，國(guó)外產(chǎn)品的設(shè)計(jì)環(huán)境與國(guó)內(nèi)不同，無(wú)法提高冷卻塔在特定環(huán)境中的運(yùn)行可靠性。本發(fā)明能夠快速準(zhǔn)確地檢測(cè)冷卻塔的噪聲來(lái)源和故障類(lèi)型，保證冷卻塔運(yùn)行的安全性和高效性，延長(zhǎng)冷卻塔的使用壽命、減少其維護(hù)成本。同時(shí)本發(fā)明對(duì)大型的機(jī)器設(shè)備的噪聲故障檢測(cè)同樣有效，特別適合于汽輪機(jī)、風(fēng)力機(jī)、鼓風(fēng)機(jī)等大型設(shè)備噪聲的故障檢測(cè)，可大大降低設(shè)備的故障率，經(jīng)濟(jì)效益明顯。


圖1為本發(fā)明背景噪聲示意圖； 圖2(a)、(b)為有、無(wú)故障的信號(hào)比較示意圖； 圖3轉(zhuǎn)速為500rpm的數(shù)據(jù)曲線圖； 圖4轉(zhuǎn)速為IOOOrpm的數(shù)據(jù)曲線圖； 圖5轉(zhuǎn)速為1500rpm的數(shù)據(jù)曲線圖； 圖6 (a)、(b)為分離的聲信號(hào)比較圖。
注:本發(fā)明的附圖為功能效果示意圖，(僅供參考)，圖中的文字或數(shù)字不清晰并不影響對(duì)本發(fā)明技術(shù)方案的理解。
具體實(shí)施方式
下面結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。
本發(fā)明冷卻塔聲學(xué)診斷方法是在非線性混合模型基礎(chǔ)上研究通過(guò)實(shí)驗(yàn)臺(tái)分析了不同轉(zhuǎn)速對(duì)盲分離結(jié)果的影響，認(rèn)為高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)可靠，風(fēng)機(jī)噪聲診斷不適合卷積混合模型。接著在對(duì)某小區(qū)冷卻塔進(jìn)行實(shí)地診斷，當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。本發(fā)明研究復(fù)雜的大空間背景環(huán)境中設(shè)備群振動(dòng)噪聲信號(hào)混合交叉的盲分離，驗(yàn)證算法的穩(wěn)定性，將無(wú)用信號(hào)認(rèn)為是干擾噪聲分離出來(lái)，只提取期望的隨機(jī)信號(hào)，再根據(jù)獨(dú)立性測(cè)度關(guān)系依次提取最顯著的故障特征，大大簡(jiǎn)化了計(jì)算過(guò)程。本發(fā)明經(jīng)過(guò)改進(jìn)后的卷積算法仍滿(mǎn)足正交約束，應(yīng)用卷積算法提取不對(duì)中和碰磨故障振動(dòng)信號(hào)特征，實(shí)現(xiàn)了大空間設(shè)備群的振聲診斷。因此該方法可操作性強(qiáng)、診斷快速、精度高。
首先在非線性混合模型基礎(chǔ)上研究通過(guò)最大化輸出熵訓(xùn)練網(wǎng)絡(luò)算法，然后在實(shí)驗(yàn)臺(tái)上分析了不同轉(zhuǎn)速對(duì)盲分離結(jié)果的影響，認(rèn)為高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)可靠，風(fēng)機(jī)噪聲診斷不適合卷積混合模型。接著在對(duì)某小區(qū)冷卻塔進(jìn)行實(shí)地診斷，當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。
實(shí)施例: 電機(jī)未啟動(dòng)前，兩只B&K2610全指向性聲級(jí)計(jì)分別放置在電機(jī)和風(fēng)機(jī)前方0.5m處測(cè)量實(shí)驗(yàn)室的背景噪聲，如圖1所示。為了驗(yàn)證寬帶噪聲及風(fēng)機(jī)噪聲預(yù)測(cè)的有效性，實(shí)驗(yàn)之前先測(cè)試該類(lèi)型的實(shí)際風(fēng)扇在背景噪聲環(huán)境下在自由場(chǎng)中的平均噪聲為54dB(A);啟動(dòng)電機(jī)，風(fēng)機(jī)正常運(yùn)行至IOOOrpm，兩臺(tái)聲級(jí)儀分別接至DASP數(shù)據(jù)采集系統(tǒng)的兩個(gè)通道中，采樣頻率取2196Hz，信號(hào)的最大頻率為1000Hz，采樣時(shí)間取0.3s，麥克風(fēng)測(cè)量所得為電機(jī)和風(fēng)機(jī)的聲輻射信號(hào)與實(shí)驗(yàn)室內(nèi)干擾噪聲的混合信號(hào)，即待分離的對(duì)象(觀測(cè)信號(hào))，如圖2(a)所示，時(shí)域特征表示了不同工作時(shí)段的特征；在風(fēng)機(jī)一個(gè)葉片上焊鉛塊制造質(zhì)量不平衡故障，質(zhì)量不平衡率為0.2%，風(fēng)機(jī)帶故障運(yùn)行至額定轉(zhuǎn)速3000rpm，測(cè)試系統(tǒng)風(fēng)機(jī)側(cè)的麥克風(fēng)測(cè)量結(jié)果如圖2(b)所示；改變風(fēng)機(jī)轉(zhuǎn)速，重復(fù)上述步驟，通過(guò)INV-DASP6.53分析軟件將時(shí)域圖轉(zhuǎn)化為頻域圖。為直觀比較故障風(fēng)機(jī)聲信號(hào)頻帶改變的特性，將整個(gè)觀測(cè)數(shù)據(jù)平均勻分割為8個(gè)數(shù)據(jù)段，提取正常風(fēng)機(jī)和故障風(fēng)機(jī)的頻率成分和歸一化振幅，得到圖3、圖4和圖5;如前分析，考慮到振動(dòng)特性、頻率特性和聲輻射特性之間的非線性耦合，將風(fēng)機(jī)制造故障后測(cè)量的聲學(xué)信號(hào)，應(yīng)用第二章研究的非線性盲分離算法對(duì)該混疊信號(hào)進(jìn)行分離運(yùn)算，學(xué)習(xí)率取0.3，最大迭代次數(shù)設(shè)為2000次，經(jīng)過(guò)迭代最終得到分離信號(hào)，結(jié)果如圖6 (a)、(b)所示。圖2 (a)中可以看出，在45、120、195和270ms時(shí)出現(xiàn)四個(gè)明顯的峰值，時(shí)間間隔為75ms，圖2(b)中保留了四個(gè)間隔相等的較大峰值，同時(shí)出現(xiàn)更多諧波，而且有故障時(shí)的聲信號(hào)幅值與無(wú)故障時(shí)的幅值差別不大，說(shuō)明采聲級(jí)計(jì)對(duì)于測(cè)量聲信號(hào)特征效果不好，如果不進(jìn)行信號(hào)處理很難辨識(shí)故障的信號(hào)特征。如圖所示，轉(zhuǎn)速增大后，故障風(fēng)機(jī)振幅與正常風(fēng)機(jī)振幅的差異有增大的趨勢(shì)，特別是當(dāng)轉(zhuǎn)速為1500rpm后，這種差異變得非常明顯。而且，轉(zhuǎn)速越大，負(fù)載越大，低頻部分的幅值差異就越明顯，而在高頻區(qū)這種故障產(chǎn)生的輻射聲信號(hào)幅值變化并不顯著。這說(shuō)明，對(duì)于高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)比較容易，而低速旋轉(zhuǎn)設(shè)備的聲信號(hào)診斷方法可能并不可靠。大多數(shù)機(jī)組的機(jī)械旋轉(zhuǎn)構(gòu)件都屬于高速設(shè)備，因此聲信號(hào)中蘊(yùn)藏的故障信號(hào)特征是可靠的。
如圖6 (a)所示，使用非線性盲分離算法分離圖2(b)的信號(hào)出現(xiàn)明顯沖擊特性，峰值頻率分別為600Hz，1200Hz，1800Hz和2400Hz，呈現(xiàn)等間隔的周期性分布規(guī)律。風(fēng)機(jī)噪聲源包括有空氣動(dòng)力性噪聲、管道輻射噪聲、電動(dòng)機(jī)和機(jī)殼噪聲，其中空氣動(dòng)力性噪聲有明顯的周期性特征，其余的都表現(xiàn)為寬頻特征[1°]。調(diào)查研究發(fā)現(xiàn)，一般風(fēng)機(jī)的空氣動(dòng)力性噪聲比風(fēng)機(jī)其它噪聲要高出10 20dB(A)。由以上分析結(jié)果可知，實(shí)驗(yàn)裝置中風(fēng)機(jī)噪聲的主要成分是空氣動(dòng)力性噪聲，它由寬帶噪聲和周期噪聲兩部分組成。研究周期性噪聲發(fā)現(xiàn)，周期性噪聲中除了葉片周期性與周?chē)劫|(zhì)相互作用的旋轉(zhuǎn)噪聲外，還存在因葉片與周?chē)鷼怏w耦合引起聲輻射成分。風(fēng)機(jī)葉片運(yùn)動(dòng)，在流體(空氣)中產(chǎn)生壓力擾動(dòng)，形成空氣動(dòng)力性噪聲。風(fēng)機(jī)的空氣動(dòng)力性噪聲是風(fēng)機(jī)葉片表面所有點(diǎn)輻射的聲波在空間疊加的結(jié)果。在觀測(cè)點(diǎn)處所感受的聲壓是所有聲源在各自不同的時(shí)刻所發(fā)射的，卻在同一時(shí)刻到達(dá)同一觀測(cè)點(diǎn)的全部壓力波的總和。所以在風(fēng)機(jī)葉片噪聲模型中，需要求解葉片表面在同一時(shí)刻傳到。那么，對(duì)于卷積混合模型而言就不適合。
如圖6(b)所示是對(duì)圖2(b)所示的測(cè)量結(jié)果采用小波除噪方法重建信號(hào)的聲壓譜，峰值與圖6(a)大致相同，但是仍有許多諧波未被消除，背景噪聲的幅值比風(fēng)機(jī)聲信號(hào)的更為明顯，說(shuō)明源信號(hào)特征沒(méi)有提取出來(lái)。分離信號(hào)與源信號(hào)絕對(duì)幅值存在一個(gè)比例因子，這驗(yàn)證了盲分離結(jié)果的不確定性。當(dāng)故障表面的機(jī)械強(qiáng)度下降時(shí)，信號(hào)幅值的大小并不代表故障損傷程度，因?yàn)榉档淖兓c聲級(jí)計(jì)距離故障點(diǎn)的距離有關(guān)，所以這種無(wú)法進(jìn)行故障點(diǎn)定位。若想提高診斷自動(dòng)化程度，應(yīng)考慮通過(guò)信號(hào)幅值和傳感器位置進(jìn)一步確定故障點(diǎn)。但就相對(duì)特征而言，分離后的聲信號(hào)干擾成分明顯降低，就主要特征波形提取而言，整個(gè)分離結(jié)果是成功的。當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。
權(quán)利要求
1.一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，其特征在于，所述方法包括以下過(guò)程:首先在非線性混合模型基礎(chǔ)上研究通過(guò)最大化輸出熵訓(xùn)練網(wǎng)絡(luò)算法，然后在實(shí)驗(yàn)臺(tái)上分析不同轉(zhuǎn)速對(duì)盲分離結(jié)果的影響，認(rèn)為高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)可靠，風(fēng)機(jī)噪聲診斷不適合卷積混合模型；著在對(duì)某小區(qū)冷卻塔進(jìn)行實(shí)地診斷，當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。
2..根據(jù)權(quán)利要求1所述的一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，其特征在于，所述盲分離為大空間背景環(huán)境中設(shè)備群振動(dòng)噪聲信號(hào)混合交叉的盲分離，并驗(yàn)證算法的穩(wěn)定性，將無(wú)用信號(hào)認(rèn)為是干擾噪聲分離出來(lái)，只提取期望的隨機(jī)信號(hào)，根據(jù)獨(dú)立性測(cè)度關(guān)系依次提取最顯著的故障特征。
3.根據(jù)權(quán)利要求1所述的一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，其特征在于，所述熵訓(xùn)練網(wǎng)絡(luò)算法，經(jīng)過(guò)改進(jìn)后的卷積算法仍滿(mǎn)足正交約束，應(yīng)用卷積算法提取不對(duì)中和碰磨故障振動(dòng)信號(hào)特征，實(shí)現(xiàn)了大空間設(shè)備群的振聲診斷。
全文摘要
一種基于非線性混合模型的冷卻塔聲學(xué)診斷方法，涉及一種化工設(shè)備故障診斷方法，所述方法包括以下過(guò)程首先在非線性混合模型基礎(chǔ)上研究通過(guò)最大化輸出熵訓(xùn)練網(wǎng)絡(luò)算法，然后在實(shí)驗(yàn)臺(tái)上分析不同轉(zhuǎn)速對(duì)盲分離結(jié)果的影響，認(rèn)為高速旋轉(zhuǎn)設(shè)備在低頻區(qū)域提取故障信號(hào)特征相對(duì)可靠，風(fēng)機(jī)噪聲診斷不適合卷積混合模型；著在對(duì)某小區(qū)冷卻塔進(jìn)行實(shí)地診斷，當(dāng)冷卻塔運(yùn)行參數(shù)發(fā)生微小變化后，信號(hào)處理系統(tǒng)能夠自適應(yīng)學(xué)習(xí)更新分離參數(shù)，通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型。本發(fā)明在實(shí)驗(yàn)臺(tái)上分析風(fēng)機(jī)輻射噪聲的特點(diǎn)和大空間輻射聲的混合模型通過(guò)聲信號(hào)的頻率特征識(shí)別冷卻塔故障類(lèi)型，為大型機(jī)器設(shè)備的聲學(xué)診斷提供強(qiáng)有力的保證。
文檔編號(hào)G01H17/00GK103149047SQ20131007462
公開(kāi)日2013年6月12日 申請(qǐng)日期2013年3月8日 優(yōu)先權(quán)日2013年3月8日
發(fā)明者劉歡, 王健, 王慶輝, 李金鳳, 郭爍, 張琳琳 申請(qǐng)人:沈陽(yáng)化工大學(xué)