基于传感器阵列数据融合的结构体安全监测诊断方法

陈黎融,张怀德,王 坚,李建敏

(1.陕西高速电子工程有限公司,陕西 西安 710056;2.西北工业大学,陕西 西安 710048)

0 引言

公路隧道通风主要采用悬挂式安装的射流风机,射流风机一般都吊装在隧道的顶部、行车道的上方,一旦发生部件或整机脱落事故,将严重影响隧道行车安全。射流风机的维护检查非常困难。目前对于射流风机的维护是定期进行人工巡检,主要检查外观是否有异常,判断风机是否有异响,而对于射流风机的螺栓松动、预埋钢板焊缝开裂、电机轴承故障、叶片不平衡故障等都无法及时发现。

在学术研究方面,旋转机械故障诊断是近年来的一个热点,以往的研究往往针对落地式安装的设备,而公路隧道射流风机采用悬挂式吊装,安装方式的不同导致结构故障特性变化很大,并不能沿用落地式旋转机械设备的故障诊断方法。

文献[1]提出一种基于振动监测的射流风机的故障诊断与健康监测方法。通过采集信号提取特征指标,然后利用逻辑回归算法搭建射流风机的健康监测模型。但是没有研究各测点之间信息相对变化与结构体故障之间的内在联系,诊断结果具有片面性,无法准确定位故障点,尤其是对于复合故障基本无法识别,因为射流风机结构体故障类型相当多,仅靠单一信息难免出现误判、漏判现象。

文献[2]提出基于振动监测的地铁风机故障诊断研究方法,通过设计射流风机振动监测点、测定射流风机振动信号特征,再针对不同信号特征进行时域、频域分析,进而实现射流风机的在线监测与故障诊断,提升地铁机电设备的日常检修管理效率,降低检修工作量。该文献采用单轴加速度传感器,虽然设置了3个传感器,实际主要设置在风机本体上,无法获取结构体整体信息。

文献[3]提出了一种表征风机故障状态的指标调制强度。根据风机在线监测得到的振动信号,通过包络解调获得的特征强度能够准确地反映风机的故障程度。同时对于风机振动信号的特点,利用循环平稳解调算法准确获得的特征频率表征风机的工作状态,结合调制强度来反映风机的故障类型以及故障程度。该文献适用于落地安装的旋转机械故障程度表征,无法适应吊挂安装的射流风机的故障程度表征和故障定位。

文献[4]提出了一种基于振动分析的公路隧道悬挂射流风机基础健康性监测方法。首先将风机原始振动信号进行时域和频域特征参数提取并构造混合域高维特征集,再利用LLTSA 流行学习算法的二次特征提取特性进行维数约简使得特征具有更好的聚类特性,最后将低维特征输入最近邻分类器(KNNC)进行故障识别。该方法主要适用于预埋钢板连接螺栓的松动状况监测,需要布设12个传感器,且无法判断风机本体故障以及安装支架连接螺栓松动故障,其关注的焦点局限在预埋钢板基础健康的层面,在工程实际应用中,由于预埋钢板下面为行车道,这种测点布设方式容易出现传感器脱落到行车道的风险不能在线监测。

文献[5]以地铁轴流风机为研究对象,采用振动加速度传感器,实现对地铁风机螺栓松动与转子不平衡故障的诊断分析。利用位移信号准确获得风机轴频,利用振动的加速度信号和位移信号获得风机故障特征的频率,并结合位移信号的幅值对两类故障进行进一步地区分,最终实现风机地脚螺栓松动、转子不平衡故障工况的诊断、识别。该文献适用于落地安装的旋转机械故障识别,无法适应吊挂安装的射流风机的故障识别和定位。

以上文献关注的焦点局限在射流风机本体或者预埋钢板基础健康的层面,并没有将射流风机结构体(射流风机、支架、连接螺栓、预埋钢板焊缝等)视为一个结构整体来进行全局性研究。现有研究往往采用单一传感器信息进行工作状态推断,有的研究即使布置了多个测点,也没有研究各测点之间信息相对变化与结构体故障之间的内在联系,诊断结果具有片面性,无法准确定位故障点,尤其是对于复合故障基本无法识别,因为射流风机结构体故障类型相当多,仅靠单一信息难免出现误判、漏判现象。

针对上述问题,本文提出一种基于传感器阵列数据融合的射流风机结构安全监测诊断方法。

1 射流风机结构体传感器组阵方法

射流风机结构体传感器阵列布设如图1所示,射流风机结构体由预埋钢板(通过焊接方式连接在隧道钢结构上)、安装支架(利用支架短钢板和支架长钢板分别焊接在预埋钢板上)、风机本体吊装支架构成,安装支架与风机本体吊装支架中间加装减震橡胶垫,然后通过4个连接螺栓将安装支架和风机吊装支架连接为一个整体。

图1 射流风机结构体传感器阵列布设图Fig.1 Sensor array layout of the jet fan structure

结构体坐标系：X轴为射流风机径向(面向出风口右侧为正方向),Y轴为射流风机轴向(出风方向为正方向),射流风机上部为Z轴正方向。

阵列中各传感器均采用3轴加速度传感器。其中：B测点传感器部署在射流风机本体外筒壁,位于叶轮和电机的中部,B测点传感器获取射流风机本体振动信息;D1、D2测点传感器部署在安装支架连接平面处,D2贴近支架短钢板,D1贴近支架长钢板,获取射流风机本体振动经过连接螺栓和橡胶垫减震后传递到该处的振动信息;E1、E2测点传感器部署在钢板支架和预埋钢板的焊缝处,获取射流风机本体振动传递到该处的信息。

四个连接螺栓命名及D1、D2传感器平面布设见图1所示,E1传感器位于D1传感器正上方预埋钢板处,E2传感器位于D2传感器正上方预埋钢板处。

2 基于传感器阵列数据融合的结构体安全监测诊断方法

2.1 传感器阵列时域特征参数融合方法

时域特征在故障诊断中是非常重要的特征,按照图1采用5个三轴加速度传感器组成传感器阵列以后,所有传感器采样均为同步采样。获取阵列中各测点采样数据后,首先对采样数据进行时域处理,结构体传感器阵列时域特征参数融合流程见图2所示。

图2 时域特征参数融合流程图Fig.2 Flow chart fusion of time domain feature parameter

由于采集过程中受到环境、设备、器件、电路等因素的影响,采集的信号数据常常伴有幅值干扰和误差,同时有限时长的数字采样又会带来数据的截断误差,采集到的信号并不一定理想,分析前对信号数据进行预处理非常重要。预处理包括带通滤波、去除直流等环节[6]。

1) 滤波

采用4阶带通巴特沃斯数字滤波器,算法为

(1)

式(1)中,x(n)序列为滤波前传感器数字化采样后的信号序列,y(n)为滤波器输出序列,ak及bm为滤波器H(z)系统函数分母与分子的系统数组,且a0=1。

2) 去除直流成分

(2)

式(2)中,x(n)为包含有直流成分的信号序列,N为采样点数,x′(n)为去除直流后数据序列。

3) 时域积分

结构振动试验中的速度、位移是很难测量的,而加速度的信号则很容易精确测量。由加速度与速度、位移关系可知,加速度一次积分可获取速度,二次积分可获取位移。设振动加速度信号x(n),长度为N,对其积分采用梯形数值求积法,Δt步长为采样间隔,算法为

(3)

工程实际中速度和位移信号较难获取,本文通过加速度与速度和位移间的数学关系求得速度和位移。尽管加速度和速度、位移间的数学关系较为明确,但在求取过程中受各种因素的影响,无论采用何种积分算法误差在所难免,影响误差的因素主要有传感器自身因素(零漂)和信号采集精度等,本文忽略零漂以及速度和位移信号初值的影响。

文献[7—8]指出在采样数据长度n固定时,加速度一次积分(速度)和二次积分(位移)的平均误差和均方误差主要受采样频率影响,且采样频率越大误差越低。在采样频率一定的前提下,采样数据的长度对积分误差的影响有限。

考虑到工程实践中实时分析对资源和效率的要求,本文采用4 kHz采样率截取1 s时间长度的振动加速度数据,计算结果的精度完全满足要求。

文献[11]提出的最小二乘法波形修正方案,对于每次积分后的信号序列均采用最小二乘法进行曲线拟合,目的是消除积分运算带来的一次趋势项和二次趋势项。

4) 时域特征指标

本文对时域指标主要采用均方根值这个统计指标,均方根值用来描述一段波形振动加速度信号或位移信号的大小,它的优点就是有较好的稳定性和重复性,计算方法为

(4)

5) 结构体全局时域指标融合

以测点B三轴为基准,求取结构体各测点三轴通频位移有效值变化率,此时以B测点为信号源(将B测点视为振源),其他测点获取经过结构体传播的振源信号,计算方法为

(5)

2.2 频域特征参数提取融合方法

频域特征参数提取融合主要由结构体基波特征全局融合以及B测点三轴能量频谱分布提取两部分内容构成。结构体基波特征全局融合的目的是以B测点为信源,研究基波传递到其他测点的变化情况。B测点三轴能量频谱分布目的是检测风机内部有无转动部件故障(例如轴承、电机、叶片不平衡等故障)。

2.2.1结构体基波特征全局融合(多测点基波特征融合)

结构体基波特征全局融合指传感器阵列各测点的基波特征融合,融合流程见图3,将各测点的X、Y、Z三轴数据分别进行FFT变换,获取校准的幅值谱和相位谱以后,抽取设备实际旋转频率的特征,将基波特征用1倍频或1X表示,2倍频用2X表示,……,16倍频用16X表示[9]。

图3 结构体多测点基波特征融合流程图Fig.3 Flow chart of the fusion of multi-point fundamental features of the structure

1) FFT计算

信号为x[N],对其加长度为N的hanning窗,然后做傅里叶变换：

(6)

式(6)中,0≤n≤N-1,0≤k≤N-1,且都为整数,其中,k=k1、k2、k3、k4,依次对应低阶、1阶、2阶、3阶特征谱线,X[k]为其复数频谱序列,改写为实部与虚部即为

Xk=Rk+jIk。

(7)

对应的幅值谱和相位谱为

(8)

信号频谱分析采用变窗口长度相位差校正法校正[10]。

2) 基波特征融合

(9)

式(9)中x[D1(Ak′)]表示校准后的D1测点的X轴幅值谱,D1(αk′)表示校准后的D1测点的X轴相位谱,k为谱线号且令k=1;其他测点D2、E1、E2计算方法同式(9)。

2.2.2同测点频域特征参数融合

同一个测点,例如B点传感器,其三轴内部频域特征参数融合流程见图4,目的是获取各频段能量在总能量上的占比分布。

图4 同测点频域特征参数融合流程图Fig.4 Flowchart of fusion of frequency domain features and parameters of the same measurement point

(10)

式(10)中,Ex、Ey、Ez分别代表B测点X、Y、Z三轴的各阶倍频振幅总和(信号基波一直到16倍频,各倍频代表典型故障特征频率,例如8倍频代表叶片故障信息,各阶倍频振幅总和是我们构建的故障特征频率总体能量算子),Exk代表x轴k阶振幅在x轴振幅总和的归一化占比(百分数,代表x轴k阶振幅在能量算子上弹占比分布),Eyk代表y轴k阶振幅在y轴振幅总和的归一化占比,Ezk代表z轴k阶振幅在z轴振幅总和的归一化占比。

3 现场测试

3.1 测试软件

本文通过“隧道射流风机结构体安全监测预警软件的信号处理模块”进行数据采集和分析。图5为同测点三轴数据融合及各倍频能量占比分布。

图5 同测点三轴数据融合及各倍频能量占比分布Fig.5 The fusion of triaxial data and the distribution of the energy share of each frequency multiplier at the same measurement point

3.2 测试环境介绍

在实地搭建的隧道射流风机结构体模型平台进行测试,模型的结构尺寸完全与隧道现场一致,同时两台射流风机的安装方式也和隧道现场一致,测试传感器采用MEMS三轴加速度传感器,5个传感器按照图1的方法布设。

测试内容包括：结构体健康状态、风机支架连接螺栓单点故障、风机支架连接螺栓组合故障、焊缝开裂故障、叶片不平衡故障、叶片不平衡及连接螺栓松动组合故障、轴承故障、轴承故障+外部螺栓松动组合故障等。

3.3 故障识别与定位实验

本文对射流风机结构体的1号和2号螺栓松动故障进行实验,目的是检验传感器对结构体故障的识别和定位能力。

实验中射流风机结构体分为健康状态、1号螺栓松0.5圈、1号螺栓松1圈、2号螺栓松0.5圈、2号螺栓松1圈等几个状态。

对于每个状态,均采样100次,软件实时计算相关的特征参数,并且统计该参数的分布区间和均值,同时生成该状态的统计模型,实验结果如表1、表2所示。

表1 风机结构体健康状态与1号、2号螺栓松动故障对比表Tab.1 Calculation results of structural health status and No.1,No.2 bolt loosening fault

表2 风机结构体健康状态与1号、2号螺栓松动能量变化表Tab.2 Comparison results of structural health status and No.1, No.2 bolt loosening fault

由表1实验结果可知：

1) 1号螺栓松动

与健康状态相比,各测点Z轴均为下降趋势,可以作为外部连接部件松动主要判据;松动0.5圈：BZ通频值下降7%,D1Z下降18%,D2Z下降5.4%,E1Z下降17%,E2Z下降1%; 松动1圈：BZ通频值下降12%,D1Z下降24.5%,D2Z下降8.9%,E1Z下降22.5%,E2Z下降1.6%。

D1Z下降大于D2Z下降且E1Z下降大于E2Z下降,根据图1和图2结构体几何特征,可判断长钢板侧降幅大于短钢板侧降幅,因此可以判定1号或者2号螺栓出现松动,结合射流风机重心偏向出风侧(更接近2和2′号螺栓)的具体特点,可以明确是1号螺栓出现松动故障。

各测点1X幅值变化与通频位移变化接近,说明其他倍频点无明显变化,射流风机内部没有故障,可以判定没有出现复合故障;B测点Z轴总能量增加小于10%,1和1′松动作用小于2和2′作用。

2) 2号螺栓松动

与健康状态相比,各测点Z轴均为下降趋势,可以作为外部连接部件松动主要判据;松动0.5圈：BZ通频值下降21%为松动,D1Z下降24.3%,D2Z下降23.6%,E1Z下降29.8%,E2Z下降24.8%;松动1圈：BZ通频值下降53%,D1Z下降60.7%,D2Z下降60.2%,E1Z下降65.5%,E2Z下降59%。

D1Z下降与D2Z下降基本相同;但是E1Z下降明显大于比E2Z下降,可判断长钢板侧降幅大于短钢板侧降幅,因此可以判定1号或者2号螺栓出现松动,结合射流风机重心偏向出风侧(更接近2和2′号螺栓)的具体特点,且各测点下降量超过20%,可以明确是2号螺栓出现松动故障。

各测点1X幅值变化与通频位移变化接近,说明其他倍频点无明显变化,射流风机内部没有故障, 可以判定没有出现复合故障;Z轴总能量减小为15%～40%;1和1′松动作用小于2和2′作用,即1或1′出现松动故障的损害性低于2和2′故障的损害,或者说一旦出现松动故障,2或者2′的故障继续恶化快于1或者1′。

4 结论

本文提出基于传感器阵列数据融合的射流风机结构安全监测诊断方法。该方法通过在射流风机结构体不同几何位置组阵布设多个三轴加速度传感器,将阵列中的传感器特征数据融合成结构体全局性的三维全息融合模型,既包括了信号的频率、幅度、相位信息,同时又获取了结构体不同位置的特征比对信息。试验结果表明,该方法在结合结构体几何特征的基础上,不仅能实现对射流风机结构体故障的实时诊断,还能够准确定位故障点,既能够识别单一故障又可识别复合故障,实现了射流风机的主动预防性维护。