论文部分内容阅读
摘要：目前矿山工程施工中对关键的大型机组都拥有完备的状态监测和诊断系统，然而对于现场的一些中小型关键运转设备（如机泵、压缩机、小型风机、小型电机等）由于其工作的特殊性：转速较低，设备维修更换费用低等，仍然没有理想的在线监测方案和设备，多数企业还停留在离线监测或人工巡检和定期维修的设备维护阶段。但是这些设备运转的好坏直接关系企业的生产，有可能影响到大型机组的运行，对企业经济效益产生直接的影响。提出了基于嵌入式系统和网络信息化平台的分布式在线监测系统，该系统针对中小型关键机械设备监测的特点，综合了先进的现场总线网络、Ethernet局域网络和Internet互联网络等技术，开创性的利用无线现场采集模块，实现了分布式的数据采集。
关键词：机械设备;故障诊断;状态监测
引言：在矿山机械设备的工作状况管理过程中，常常由于无法准确获知设备的位置和实时运行状况，使得业务开展时效率低下。由于不能实时收集矿山机械设备的工作状况，进行运营成本的数据分析，使得企业无法实现精益管理。机械设备状态监测与故障诊断在工业生产中的地位举足轻重，越来越复杂的测试条件、高度自动化的工业化大生产迫切需要功能更强大、成本更低廉、系统更灵活的新一代测试仪器。网络化、虚拟仪器是未来测试与仪器技术发展的主要标志，这一切都离不开先进的测试与仪器软件开发平台，本论文研究了设备状态监测与故障诊断中振动信号的测量方法以及振动信号故障特征提取时应用的信号处理方法，并最终设计出一套软件硬件结合设备状态监测与故障诊断系统。
1.中小型关键机械设备的实时在线监测实施方案
将嵌入式系统和无线通讯技术应用于中小型关键机械设备的实时在线监测，有效的解决了中小型关键机械设备监测难的问题，极大的提高了设备的管理和维护效率。
电路原理图：
如图所示，采用文氏电桥、仪表运算放大器、带通滤波电路、交直流变换电路、滤波电路、低通滤波电路、第一放大电路、第一积分电路、第二放大电路、第二积分电路、第三放大电路、单片机、编码电路，单片机分别与滤波電路、第一放大电路、第二放大电路、第三放大电路、仪表运算放大器、编码电路相连，仪表运算放大器与文氏电桥相连，滤波电路、交直流变换电路、带通滤波电路、低通滤波电路、第一放大电路、第一积分电路、第二放大电路、第二积分电路、第三放大电路依次相连。采用PIC单片机与Hac-up模块相连，无线现场采集系统主要由三部分组成：模拟电路部分、数字电路部分及无线数据发送接收模块。模拟电路由四个相同的信号处理卡组成，可以同时处理8路有效信号。模拟电路主要负责现场信号的采集和处理，其中包括差分处理及放大，滤波性放大，积分等过程。数字电路由可编程微型处理芯片组成，又称为MCU控制模块，主要负责A/D采样，电路控制及数据压缩。本系统设计4块信号处理卡，每张卡可同时处理单路振动传感器和温度传感器信号，由MCU控制其开关工作。
2.一种工程机械设备工作状况监测记录仪
通过实时的GPS定位信息，有效提升工程机械设备的防盗安全性能;通过对收集数据的分析能准确掌握工程机械设备的工作状况，计算出精确的运行成本数据，为管理者的精益管理奠定基础，提高管理效益;能与管理者的业务管理软件配合，使对工程机械设备的管理和监测更加智能化，并能实现对重点设备的管理。
工程机械设备工作状况监测记录仪示意图：
如图2所示，该工程机械设备工作状况监测记录仪包括MCU模块、GPS模块、移动通讯模块、AD采集模块，存储模块[1]，电源管理模块、I/O模块，其特征在于：所述GPS模块、AD采集模块、存储模块、电源管理模块，均与MCU模块相连接，由MCU模块控制采集数据的间隔时间、数据文件的存储管理以及数据传输的控制，用以控制和管理整个仪器的运转，所述存储模块连接有移动通讯模块和I/O模块，存储模块可将各模块收集的数据信息按照指定格式进行形成文件并存储。
3.智能故障诊断
智能故障诊断依靠机器学习方法能够自动识别机械装备的健康状态，减少了传统故障诊断过程中对诊断经验与专业知识的过分依赖。传统的智能故障诊断过程主要由两部分组成。（1）故障特征提取及优选。基于信号处理方法或数据统计手段，提取机械设备监测信号的故障特征，再结合距离估计、主分量分析等技术从多特征集中优选故障敏感特征。（2）故障类型识别。以优选的故障敏感特征训练人工神经网络、支持向量机或决策树等数据分类模型，实现故障类型的自动识别。尽管传统智能故障诊断方法能够实现机械装备健康状态的自动识别，但其故障特征提取及优选阶段仍需依靠人为先验知识，制约了机械装备智能故障诊断方法的推广与应用。基于稀疏自编码网络的智能故障诊断方法通过样本训练模型，可建立机械监测信号与健康状态之间的非线性映射，达到自动提取机械故障特征、识别健康状态的目的。选择传统智能故障诊断方法-支持向量机与本发明的诊断效果进行对比。人为提取每个健康状态样本的诊断特征[2]，包括：FM0、FM4、能量比、Sidebandindex、Sidebandlevelfactor、方均根值、能量算子、偏度、峭度和峰值等10种常用的齿轮箱诊断特征及4种小波能量比，再以这种诊断特征所组成的训练集为输入，利用支持向量机识别两级行星齿轮箱的健康状态。该方法的训练精度达到97.14%，测试精度达到95.54%，低于的测试精度，说明避免了智能诊断过程中的人为干预，且提高了行星齿轮箱的健康状态识别精度。
结论：
简而言之，随着社会经济发展和装备科技含量提高，矿山工程施工机械设备的状态监测作为预测维修的科学方法得到广泛推广，但在设备在运行中，受到许多不利因素的影响，使设备电路不可避免地出现各种各样的故障。本文提出可提高设备维护管理效率的在线监测系统，对机械设备状态实施科学的管理和及时的维护。
参考文献：
[1]李爱厚.状态监测在设备预测维修中的应用[J].中国矿山工程，2018，37（1）：32-34.
[2]胡顺发.矿山工程机械电器系统故障诊断与维修[J].黑龙江科技信息，2019，（32）：6-6.
关键词：机械设备;故障诊断;状态监测
引言：在矿山机械设备的工作状况管理过程中，常常由于无法准确获知设备的位置和实时运行状况，使得业务开展时效率低下。由于不能实时收集矿山机械设备的工作状况，进行运营成本的数据分析，使得企业无法实现精益管理。机械设备状态监测与故障诊断在工业生产中的地位举足轻重，越来越复杂的测试条件、高度自动化的工业化大生产迫切需要功能更强大、成本更低廉、系统更灵活的新一代测试仪器。网络化、虚拟仪器是未来测试与仪器技术发展的主要标志，这一切都离不开先进的测试与仪器软件开发平台，本论文研究了设备状态监测与故障诊断中振动信号的测量方法以及振动信号故障特征提取时应用的信号处理方法，并最终设计出一套软件硬件结合设备状态监测与故障诊断系统。
1.中小型关键机械设备的实时在线监测实施方案
将嵌入式系统和无线通讯技术应用于中小型关键机械设备的实时在线监测，有效的解决了中小型关键机械设备监测难的问题，极大的提高了设备的管理和维护效率。
电路原理图：
如图所示，采用文氏电桥、仪表运算放大器、带通滤波电路、交直流变换电路、滤波电路、低通滤波电路、第一放大电路、第一积分电路、第二放大电路、第二积分电路、第三放大电路、单片机、编码电路，单片机分别与滤波電路、第一放大电路、第二放大电路、第三放大电路、仪表运算放大器、编码电路相连，仪表运算放大器与文氏电桥相连，滤波电路、交直流变换电路、带通滤波电路、低通滤波电路、第一放大电路、第一积分电路、第二放大电路、第二积分电路、第三放大电路依次相连。采用PIC单片机与Hac-up模块相连，无线现场采集系统主要由三部分组成：模拟电路部分、数字电路部分及无线数据发送接收模块。模拟电路由四个相同的信号处理卡组成，可以同时处理8路有效信号。模拟电路主要负责现场信号的采集和处理，其中包括差分处理及放大，滤波性放大，积分等过程。数字电路由可编程微型处理芯片组成，又称为MCU控制模块，主要负责A/D采样，电路控制及数据压缩。本系统设计4块信号处理卡，每张卡可同时处理单路振动传感器和温度传感器信号，由MCU控制其开关工作。
2.一种工程机械设备工作状况监测记录仪
通过实时的GPS定位信息，有效提升工程机械设备的防盗安全性能;通过对收集数据的分析能准确掌握工程机械设备的工作状况，计算出精确的运行成本数据，为管理者的精益管理奠定基础，提高管理效益;能与管理者的业务管理软件配合，使对工程机械设备的管理和监测更加智能化，并能实现对重点设备的管理。
工程机械设备工作状况监测记录仪示意图：
如图2所示，该工程机械设备工作状况监测记录仪包括MCU模块、GPS模块、移动通讯模块、AD采集模块，存储模块[1]，电源管理模块、I/O模块，其特征在于：所述GPS模块、AD采集模块、存储模块、电源管理模块，均与MCU模块相连接，由MCU模块控制采集数据的间隔时间、数据文件的存储管理以及数据传输的控制，用以控制和管理整个仪器的运转，所述存储模块连接有移动通讯模块和I/O模块，存储模块可将各模块收集的数据信息按照指定格式进行形成文件并存储。
3.智能故障诊断
智能故障诊断依靠机器学习方法能够自动识别机械装备的健康状态，减少了传统故障诊断过程中对诊断经验与专业知识的过分依赖。传统的智能故障诊断过程主要由两部分组成。（1）故障特征提取及优选。基于信号处理方法或数据统计手段，提取机械设备监测信号的故障特征，再结合距离估计、主分量分析等技术从多特征集中优选故障敏感特征。（2）故障类型识别。以优选的故障敏感特征训练人工神经网络、支持向量机或决策树等数据分类模型，实现故障类型的自动识别。尽管传统智能故障诊断方法能够实现机械装备健康状态的自动识别，但其故障特征提取及优选阶段仍需依靠人为先验知识，制约了机械装备智能故障诊断方法的推广与应用。基于稀疏自编码网络的智能故障诊断方法通过样本训练模型，可建立机械监测信号与健康状态之间的非线性映射，达到自动提取机械故障特征、识别健康状态的目的。选择传统智能故障诊断方法-支持向量机与本发明的诊断效果进行对比。人为提取每个健康状态样本的诊断特征[2]，包括：FM0、FM4、能量比、Sidebandindex、Sidebandlevelfactor、方均根值、能量算子、偏度、峭度和峰值等10种常用的齿轮箱诊断特征及4种小波能量比，再以这种诊断特征所组成的训练集为输入，利用支持向量机识别两级行星齿轮箱的健康状态。该方法的训练精度达到97.14%，测试精度达到95.54%，低于的测试精度，说明避免了智能诊断过程中的人为干预，且提高了行星齿轮箱的健康状态识别精度。
结论：
简而言之，随着社会经济发展和装备科技含量提高，矿山工程施工机械设备的状态监测作为预测维修的科学方法得到广泛推广，但在设备在运行中，受到许多不利因素的影响，使设备电路不可避免地出现各种各样的故障。本文提出可提高设备维护管理效率的在线监测系统，对机械设备状态实施科学的管理和及时的维护。
参考文献：
[1]李爱厚.状态监测在设备预测维修中的应用[J].中国矿山工程，2018，37（1）：32-34.
[2]胡顺发.矿山工程机械电器系统故障诊断与维修[J].黑龙江科技信息，2019，（32）：6-6.