基于LabVIEW的旋转设备状态在线监测系统设计

阳 震，严保康，路鹏程，陆翔宇

(武汉科技大学信息科学与工程学院，湖北武汉 430081)

0 引言

电机、水泵等大型旋转设备广泛应用于冶金、采矿、电力等行业，它们以转子及滚动轴承部件构成设备核心，是旋转机械的关键部分[1]。其长期工作在极其恶劣的环境中，且易受到现场各种复杂因素的影响，从而导致旋转设备发生故障，影响生产效率以及造成经济财产的损失。因此，对电机、水泵运行状态监测以及故障数据处理非常关键。

近年来，科研工作者利用虚拟仪器LabVIEW软件开发了一些机械故障诊断的系统。严展鸿等[2]利用LabVIEW软件开发了一套大型转子监测与故障诊断系统，并结合转子特性提供了一种小波包分解方案；喻洋洋等[3]结合小波分解、希尔伯特变换以及数学形态学分析算法，利用LabVIEW软件开发了滚动轴承故障诊断系统，并利用旋转机械故障实验平台验证了该系统的适用性；于波等[4]依靠BP神经网络，基于LabVIEW软件平台对旋转机械故障诊断进行了研究。

本文基于LabVIEW开发了针对大型旋转设备的数据监测与故障诊断系统，实现了旋转设备的在线监测、预警和实时诊断。通过模拟故障振动信号，首先对其进行EMD分解去除趋势项，然后进行Hilbert包络谱分析与Teager能量算子分析，该方法对于早期故障振动信号的信噪比提升具有显著的作用。

1 监测软件总体设计

旋转设备状态监测系统结构如图1所示。主要包括设备管理模块、标准管理模块、监控视图模块、异常视图模块、趋势分析模块、振动分析模块、维护检修意见模块等，其中趋势分析模块及振动分析模块尤为重要，是监测系统的核心功能模块，是完成故障诊断与维护检修意见的基础。

旋转设备状态在线监测系统界面如图2所示。

1.1 标准管理模块

标准管理模块的功能是制定被监测系统状态的判定依据。该模块可设定各测点的标准值，包括压力指标、电流指标、温度指标的异常上下限以及振动指标倍频强度的超标阈值。通过该模块设定的标准值，可以针对实时监测数据进行异常报警。但是，对标准值范围内的数据存在的潜在异常难以发现，例如，渐进类故障的早期指标值尽管没有超标，但是会出现递增或递减的趋势，因此，为了更好地达到早期故障预测的目的，增加了动态趋势的判异准则。该功能模块的判异准则如下：

(1)当连续有6个时刻的点递增或递减，该项指标可能出现异常，设备可能出现磨损，应持续重点监测，适当时，可停机检查；

(2)当某一时刻点越过了标准阈值，则可判断该项指标出现异常，应将设备停止运行并检修。

动态趋势分析流程图如图3所示。

1.2 视图显示模块

视图显示模块包括监控视图与异常视图，其中监控视图显示所有测点的实时数据，异常视图显示报警测点的异常数据。

监控视图中，由于监测测点数达到几百个，更新频率快，数据量比较大，因此，为保证显示数据的时效性以及程序运行的效率，利用“数组子集”控件和“下拉列表”控件将数据分为N(N≥1)页显示，每页只加载1 000行数据。该模块还具备数据筛选功能，可以筛选出指定测点的所有监测数据，便于测点的历史数据分析。

异常视图中，增加了对历史数据的追溯功能，因为在出现异常后，操作人员往往需要对比前后运行的数据。该视图中，可以直接跳转至某一项异常指标的历史数据，进而对该项指标进行趋势分析或振动分析，同时，系统会针对具体的单个测点给出异常现象、异常原因以及维修意见指导操作人员进行维修。实际工作中，设备常出现的异常状况以及维修处理意见如表1所示。

表1 设备异常现象原因及维修意见表

1.3 趋势分析模块

趋势分析模块的功能是完成电机电流、排气压力和温度、油温以及轴承温度等非振动项的变化趋势分析，趋势分析图x轴表示时间，y轴表示幅值，并有垂直于y轴的两条平行线分别是标准上限和标准下限。当对某个设备的测量参数进行趋势分析时，只需要从系统界面左侧的设备下拉列表中拖曳出该项指标进趋势分析图即可。

1.4 振动分析模块

在振动分析模块中，主要参考时域图、频谱图、均方根趋势图以及倍频强度趋势图，结合一系列算法，从时域到频域对采集的振动信号进行分析。当电机轴承出现故障时，信号时域图中将出现周期性的冲击信号[5]，频谱图中与特征频率相关的1倍频、2倍频、3倍频等成分能量明显上升，均方根值、倍频强度呈现不断增大的趋势，一旦超过设定的阈值后，系统会进行预警，并给出诊断意见。当需要对某一振动测点进行分析，只需从系统界面左侧的设备下拉列表中拖曳出振动指标进振动分析图即可。振动分析模块程序流程图如图4所示。

2 系统算法分析

本系统对振动数据的分析主要包括时域分析和频域分析。其中用到的算法有经验模态分解(empirical mode decomposition，EMD)、Hilbert包络谱和Teager能量算子等。

2.1 经验模态分解

由于实际采集的振动信号都是带有噪声的非平稳信号，且振动信号的趋势项一般都是变化缓慢的低频成分[6]，因此可以根据EMD将各IMF分量由高频到低频逐次提取出来的特点，去除信号中的趋势项。

EMD分解是由Nordene.Huang博士提出的一种处理非平稳信号的方法，其依据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，将信号分解为有限个本征模态函数(intrinsic mode function，IMF)和一个余项。其中IMF分量必须满足2个条件[7]：

(1)极值点个数和过零点个数相等或最多差1个；

(2)上下包络的均值为0。

设某信号为s(t)，经过EMD分解，信号s(t)被分解为n个IMF分量，即ci(t),i=1,2，…，n和一个余量rn(t)，即：

(1)

2.2 希尔伯特包络谱

包络谱分析对于旋转设备早期故障和信噪比低的振动信号具有很强的识别能力[8]。当设备出现早期故障时，故障信号并不突出，往往会附载在高频振动信号上，使用希尔伯特包络谱分析方法能有效弥补FFT频谱分析方法的不足。

Hilbert变换[9]可以简单定义为

(2)

设某信号x(t)=A(t)cos[ωt+θ(t)]，构造解析信号：

z(t)=x(t)+jH[x(t)]

=A(t)cos[ω(t)+θ(t)]+jA(t)sin[ωt+θ(t)]

=A(t)ejωtejθ(t)

(3)

其中|H[x(t)]|=|A(t)ejθ(t)|=|A(t)|即为包络信号。

Hilbert包络谱是对包络信号进行FFT变换后得到。当电机轴承发生故障时，会激发一系列周期性冲击信号，这些信号将与高频固有振动发生调制。Hilbert包络谱分析能够有效地将这种低频冲击信号进行解调提取。

2.3 Teager能量算子

Teager能量算子(Teager energy operator，TEO)是由美国科学家H.M.Teager提出的一种简单的信号分析算法，是非线性算子，能够跟踪信号的瞬时能量[10]。其简单定义如下：

农药在喷施过程中的雾滴飘移是造成环境污染、农药流失和农药有效利用率低的重要原因。常规喷雾方式下，减小雾滴直径可以提供良好的覆盖率，却增大了飘移；而粗雾滴降低飘移的同时，也降低了雾滴的附着率。风助式喷雾是一种利用专用设施产生定向气流辅助的喷雾方式，能够在雾滴直径较小的情况下提高雾滴在靶标上的沉积率，减少雾滴飘移。风助式喷雾技术的应用提高了农药的生物效果、拓宽了喷雾设备的应用条件，有利于提高农药有效利用率，减少化学污染[1-3]。

设有任意信号x(t)，Teager能量算子记作ψ，则有：

(4)

对一个作无衰减自由振动的线性振子的振动位移x(t)=Acos(ωt+θ)，有：

ψ[x(t)]=ψ[Acos(ωt+θ)]=A2ω2

(5)

3 仿真信号分析

本系统振动分析是对旋转设备中滚动轴承的振动信号进行的，可以将故障滚动轴承产生的冲击振动信号模拟为

(6)

式中：s(t)为周期性冲击信号；n(t)为高斯白噪声；h(t)是阻尼指数正弦信号；A为冲击信号的振幅；g为阻尼特征系数；fn为轴承的固有频率。

在仿真信号中，取A=1，g=0.1，fn=500 Hz，采样频率fs=2 kHz，周期T=25 ms。实际测得的信号往往存在噪声的干扰，故在信号中加入了高斯白噪声，以达到仿真效果。

给出了无噪声以及信噪比分别为1 dB和-5 dB的3组信号进行对比分析。对这3组信号进行EMD分解去除趋势项后，分别绘制其功率谱、Hilbert包络谱和Teager能量谱。轴承故障仿真信号时域波形图如图5所示，FFT频谱图如图6所示，Hilbert包络谱如图7所示，Teager能量谱如图8所示。

4 结束语

基于LabVIEW程序开发设计的大型旋转设备在线监测和故障诊断系统，可以实现对诸如电机及水泵等旋转设备运行状态参数的监测、异常数据实时预警、波形分析和显示、故障原因及维修处理意见等功能。利用Hilbert包络谱、Teager能量算子、FFT分析对电机轴承振动信号进行振动分析，达到故障精密诊断的效果。经过实际测试，该系统功能完善、界面友好、工作稳定，可将其运用在冶金、电力、采矿等工程的设备监测中。