多传感器数据采集的大型旋转机械设备状态监测系统

多传感器数据采集的大型旋转机械设备状态监测系统

李锶宇

贵州航天天马机电科技有限公司

摘要：传统的以采集设备振动信号来分析轴承的状态，达到实时监测设备状态的目的，单一振动信号对轴承设备故障的表征不够全面，为此提出基于多传感器数据融合的实时监测设备运行状态。首先通过多传感器装置采集设备的不同类型数据，并结合多传感器设备的应用特征，并增设多个传感器的指数显示模块与监控画面显示模块，实现系统的可视化设计；然后经过数据的融合处理判断当前环境的运行状态，最终通过启动报警控制机制，实现大型旋转机械设备的实时监测功能。

关键词：大型旋转机械设备；传感器；数据融合；状态监测

1.引言

鉴于工厂加工机械设备实际运用过程中，需要长时间不间断工作，即使不需要加工生产，重要的机械设备也需持续运转。对于旋转机械而言，轴承的工作状态直接影响到整个设备的工作状态。特殊的，故障发生不仅会影响到公司的效益，带来经济损失，严重故障可能导致整个机械设备损坏且危及到生命安全[1]，因此，实时对轴承的状态监测并及时更换轴承相关部件以保障设备安全运行具有重要作用。

目前对于大型旋转机械设备轴承的状态检测，大部分以采集到轴承的振动信号并输出对应的时域曲线，对时域曲线进行频谱分析后，提取轴承的频域特性，实时对轴承状态进行监测。但是，将时域转换为频域进行分析，提取的特征会有丢失，且提取的单一特征可能对轴承的状态表征不全，故障初期的故障特征提取较为困难，单一的振动信号采集处理可能会对早期故障的轴承特征不明显[2]。

目前对于轴承状态的监测，常用的指标参数有振动信号、声音信号、温度状态以及润滑油颗粒度[3]；这些物理参数均可以用来作为监测轴承状态的重要指标，为更有效且全面的表征轴承的状态信息，用多种类型传感器采集这些物理指标，数据融合[4]处理后更全面表征轴承状态信息，并设计相关采集、处理、分析来实现轴承状态的监测。

针对传统的仅仅采集振动信号来对轴承的状态进行表征，单一特征可能会对轴承状态的表征不够全面，对于轴承出现故障的初期，可能表征不够明显，为了更有效的对轴承状态进行有效表征，能够更具实效的监测到轴承的异常状态，提出采用不同类型的传感器对轴承的状态进行采集并处理后反馈给上位机，及时反馈轴承的状态信息，达到实时监测的效果。并将数据显示，系统可视化，启动报警控制机制，实现大型旋转机械设备的实时监测功能。

2.实时状态监测系统设计

设计的实时状态监测系统具备以下功能：实时采集轴承振动、温度、润滑、声音等相关指标；实时显示采集数据，绘制对应曲线并处理后表征轴承的不同参数显示，实现系统的可视化设计；控制层能够将信息处理好后，将多源数据融合处理后，表征出不同轴承的状态，将轴承状态的全生命周期通过指示灯状态反馈出轴承对应的不用的状态特征。（正常状态：绿色；疲劳期：橙色；故障：红色）（疲劳期时，设备仍能正常工作，只是设备寿命处于下降阶段；故障发生：此时设备已出现异常状态，故障已发生及时鉴别出早期的故障及时更换相关部件以避免对其他组件的影响。）分别从硬件、软件、数据库和界面等多个部分实现系统的设计。

2.1硬件设计

系统硬件部分主要包括传感器，多通道采集卡，工业控制计算机等组成。

2.1.1 传感器

在实时监控的硬件系统中，需要安装振动、温度、声压、以及监测润滑油污染度等多种类型的传感器，不同传感器的选择如表1所示。

表1.传感器选型及相关参数

2.1.2 多通道数据采集卡

多通道数据采集卡主要是将传感器采集的相关数据输出的模拟量信号进行A/D转换为计算机能够识别并且能够有效存储的电信号，具体参数见表2。

表2.PS PXI-3342型8通道数据采集卡相关参数

2.1.3 工业控制计算机

鉴于实际需要，系统采用PS PXIe-9108型工业控制计算机；该机箱提供1个PXIe总线系统插槽、1个PXIe系统定时插槽及6个PXIe混合插槽，每插槽高达2gb/s的专用带宽，适用于测试测量领域的各种高带宽处理需求。

2.2软件设计

基于C#与Matlab的混合编程完成大型旋转机械设备中轴承状态监测与故障诊断系统，系统可实时监测轴承的运行状态，并对系统的运行状态进行识别和报警。软件系统的功能结构如图2所示，系统包括数据采集控制、状态监测、诊断分析等主要功能模块。

数据采集模块：根据需求设置数据采集参数，并完成数据采集的控制、传输、存储等；系统采集的数据既可进行实时在线分析，也可将数据直接存入硬盘供后续离线分析使用。

状态监测：该模块对各通道信号进行实时监测，可实时显示采集到轴承的振动曲线，温度曲线，润滑脂颗粒曲线以及声音曲线，对于采集到的振动信号时波形及实时趋势分析等。分为如下几个子模块：

1）实时趋势图：以趋势图的形式显示各监测参数的幅值走向，并显示报警线、实时值等，用以实现可视化功能。

2）实时波形图；时域波形、频谱的形式显示各通道振动信号的实时波形。（第1通道采集振动信号实时波形；第2通道采集温度信息；第3通道采集声音信号；第4通道采集润滑油污染度）

诊断分析：该模块主要是将采集到的多传感器数据进行融合分析，并将分析后的状态进行区域划分以实现轴承不同状态的表现（绿色、橙色、红色）。

3.信息融合主要算法

信息融合利用多个传感器所获取的关于对象和环境全面、完整信息，主要体现在融合算法上。其核心就是融合算法的选择，多传感器系统采集的信息具有多样性和复杂性，因此需要具有一定鲁棒性和并行处理能力。目前许多成熟有效的融合方法，多传感器数据融合常用方法基本上可概括为随机和人工智能两大类，随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估算法、证据推理等，人工智能类有神经网络、模糊逻辑理论、粗集理论等，且各有优缺点。

寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。其运算速度较慢，对于本系统而言，故障出现为早期故障就显示红色状态，此时设备处于故障初期，对设备的危害不明显，在其发生明显故障时间较长，足以满足数据状态的分析，因此选用神经元网络融合算法适合于本系统。

4结论

本文主要是针对大型旋转机械设备的核心部件—轴承的实时状态监测系统设计，通过监测轴承的状态信息反馈大型旋转机械设备的状态信息，及时监测系统状态。主要通过各类传感器采集轴承不同种类的信息，更好的对轴承的状态信息进行表征，并设计实时监测系统，并增设多个传感器的指数显示模块与监控画面显示模块，实现系统的可视化设计；然后通过神经元网络融合处理表征当前环境的运行状态，最终通过指示灯状态表征设备状态（正常状态：绿色；疲劳期：黄色；故障：红色），实现大型旋转机械设备的实时监测功能。

参考文献

[1] 李艳妮. 旋转机械故障机理与故障特征提取技术研究[D]. 北京：北京化工大学，2007.5.

[2] 陈超.旋转机械转子早期故障诊断方法的研究[D].北京：华北电力大学，2006.5.

[3] 滚动轴承故障诊断的几种监测方法的分析[J].城市建设理论研究(电子版)，2013(7):1-4.

[4] 李荣伟.基于无线传感器网络的数据融合方法研究[J].山东工业技术，2017(5):129-131.