[发明专利]涡旋压缩机在线振动、噪声监测及故障诊断系统

权利要求书

1.一种涡旋压缩机在线振动、噪声监测及故障诊断系统，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系统；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系统是在信号分析(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系统，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；系统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)：

σa2=N-nN(XΦ)TXΦ---(2)]]>

式中

X=xn+1,xn,...,x1xn+2,xn+1,...,x2......xN,xN-1,...,xN-n]]>

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(t)=Σi=1nCi(t)+Rn(t)---(3)]]>

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：

DKL2(pRT,pR)=∫pRT(at)lnpRT(at)pR(at)dat---(4)]]>

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：

pRT(at)=12πσTexp(-σRT22σT2)]]>

pR(at)=12πσRexp(-(xt-μ)22σR2)]]>

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：

DKL2=12(lnσR2σT2+σRT2σR2-1)]]>

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)：

DKL2=lnσR2σT2+σRT2σR2-1---(5)]]>

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系统状态，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系统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，从而实现系统的实时监测功能；

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。