在柴油机发电厂中，润滑油、重油系统都装有分离机，用于分离油中杂质和水分，提高机组燃烧效率和保护运动部件。它对电厂能否经济、安全地运行起着举足轻重的作用。经过长时间的探索，我们针对广州发电厂FOPX613型重油分离机设计了一套故障诊断系统。下面从系统分析和系统设计两部分论述。
1 系统分析
原FOPX613型重油分离机的控制系统（EPC400）简单，监测信号量少，没有追忆功能，不能很好反映机组状态。当故障出现时要作准确判断，只能取决于运行人员的经验及其能否幸运地捕捉到故障征兆。而实际上，EPC400上提供了RS232串行接口，要实现远距离监测、诊断，只需对原系统作少量改动。
1．1 分离机振动特点
在机械故障诊断中，相对于运行参数变化，振动信号更能迅速、直接地反映设备的运行状态。据统计，70％以上的故障是以振动形式表现出来的［1］。分离机结构复杂，形成振动的原因多，但归根结底，分离机的关键运动部件是马达转轴、立轴和分离碟［2］。因此，通过监测它们的振动变化就能判断分离机的状态。
分离机振动故障主要是由于不平衡、不对中、齿轮故障、动静摩擦以及运行参数异常等原因所造成。分离机启动或停机期间，振动的均值和方差随时间变化，这种振动是随机振动；投入分离程序后，其振动信号均值不变，方差随时间变化，此时为稳态振动。当齿轮损伤或齿面载荷波动，振动具有调幅特点：齿轮或分离筒出现偏心时，则可能出现调频现象。另外，分离机转速高达5400r/min，载荷的变化也会对转速和振动状态产生影响。据此，软件着重于对处理转速、振幅和频率变化的设计。
1．2 知识库的选择
分离机振动既有一般性也有其特殊性。为了提高软件分析的可靠性，以美国德克萨斯州Mosanto石油化工公司C．Jackson和J．S．Sohre的研究结果作为本软件的分析知识库，库中数字表示特征占用百分比［3］。
1．3 状态识别算法的选择
状态识别大多建立在模型识别的基础上，这些方法用于工况监视比较有效，但其复杂性随着分析对象复杂性的增加而提高，不能满足实时、在线的要求。神经网络方法是解决的有效方法之一。人工神经网络在故障诊断领域的应用主要集中于三个方面：一是从模式识别角度，应用神经网络作为分类器进行故障诊断；二是从预测角度，应用神经网络作为动态预测模型进行故障预测；三是从知识处理角度建立基于神经网络的专家诊断系统。本系统侧重于对故障分类而进行诊断，属于第一类应用，对于预测和知识处理将留给以后实现。
比较几种成熟的网络算法［3］可知，学习向量化（LVQ）神经网络是在监督状态下对竞争层进行训练的一种学习算法，竞争层将自动学习对输入向量进行分类。这种分类的结果仅仅依赖于输入向量之间的距离，如果两个输入向量特别相近，竞争层就把它们归在同一类，还可通过学习，将输入向量中与目标向量相近的向量分离出来。由此可见，LVQ网络适用于对振动状态的分类。
2 系统设计
由于系统较大，下面只对原型结构和两个关键问题作论述。
2．1 运行模块组成
软件包括1个主程序和2个客户程序。主程序负责管理文档，分析数据，运行参数超限报警，系统初始化；一个客户程序负责实时监测运行参数和存储，另一个客户程序负责实时监测分离机振动信号和存储。它们通过C＋＋Builder提供的自动服务器技术（Out－of－Process方式）进行通信［4］。
分析模块（见图1）相当于推理机，是诊断系统的核心，它定期对存储的数据进行分析。相关系数计算反映运行参数变化对振动故障的影响程度，平均值反映振动变化趋势，方差计算是为了观察振动幅值的离散程度，定点状态分析通过LVQ算法对异常振动点分类，然后从知识库读取，诊断出可能的原因。
2．2 MATLAB与C＋＋BUILDER的连接
因数值分析软件MATLAB提供了丰富的矩阵运算功能和各种工具箱，故本设计把MATLAB作为算术引擎。C＋＋Builder与MATLAB的连接以及LVQ网络训练能否成功是软件成败的关键。MATLAB的Libeng库中包含了操纵引擎的函数。编程时首先使用engOpen以ActiveX方式打开MATLAB；然后用engEvalString向MATLAB输送命令和数据；关闭引擎用engClose函数。至于MATLAB动态连接库的函数调用，Windows提供的GetProAddress（）［5］函数返回的指针为FARPROC型，不能直接调用函数参数。经试验，可按照原函数形式定义函数模板。例如打开引擎的原函数为：
Engine＊engOpen（const char＊cmd）；
则定义函数模板为：
typedef Engine＊engO（constchar＊startcmd）；
当获得FARPROC类型的函数指针后，用函数模板改变函数指针类型，就可使用DLL库函数的参数，MATLAB动态连接库中提供的所有函数都可用这样的方法调用。
2．3 振动状态分类的神经网络实现方法
分析Mosanto公司的振动特征表，主要的振动类型有20多种，以其中6种为例组织训练数据。数据分类特征见表1。
在MATLAB的网络工具中，对LVQ训练用trainlvq，初始化用initlvq，对输入信号诊断分类用simulvq。以下是神经网络训练的部分数据（目标数据对应表1的目标代码）。训练数据越多效果越好，越能逼近实际。数据用MATLAB的．m文件格式存储，系统在使用过程中可以不断加以修改。
第一点数据：v1＝［3．0 67．0 －1．0 2 62．0 15．0 15．0］；
第二点数据：v2＝［1．20 70．0 －94．0 7 73．0 10．0 31．0］；
第三点数据：v3＝［－3．0 76．0 －7．0 －320．0 5．0 32．0］；
目标数据：o＝［1 2 4 4 6 3 5］。
当输入为vl（i），v2（i）和v3（i）的振动数据时，该振动状态就属于o（i）的振动类型。C＋＋用如下方法实现训练网络：
engEString（″tp＝［20 1000 0．05；″］）；
显示训练轨迹间隔，训练次数，训练密度；
engEString（″u＝［v1；v2；v3］；″）；
三点训练数据组成矩阵；
engEString（″oo＝ind2vec（o）″）；
转换目标矩阵；
engEString（″［w1，w2］＝initlvq（u，4，oo）；″）；
初始化网络；
engEString（″［w1，w2］＝trainlvq（w1，w2，u，oo，tp）″）；
训练；
engEString（″saved：＼＼sda＼＼dw w1 w2″）；
将W1和W2保存权值到dw.mat;
en″gEstring(″clear all″)
清除引擎工作区变量。
取样后，用下面的方法进行振动状态分类：
engEString（″loadd：＼＼sda＼＼dw．mat；″）；
调用网络权值；
engEString（″t＝［d（1）；d（2）；d（3）］；″）；
数组组成矩阵，d（1），d（2）和d（3）是取样数据，准备分析类型；
engEString（″ak＝simulvq（t，w1，w2）；″）；
判断振动状态；
engEString（″an＝full（ak）；″）；
将结果（稀疏矩阵存储）变成一般矩阵存储。
3 结束语
世界上生产离心式分离机的主要有瑞典的阿法拉伐公司和德国的韦斯伐利亚公司，我国的南京绿洲机器厂也有产品。由于分离机有出色的分离效果（重油分离最大密度为1 010 kg／m3），其应用越来越广，目前已不限于在船舶及电力行业应用了。
由于软件充分利用了MATLAB和C＋＋Builder的特点，分析的可靠性得到了保证。然而在实际应用中，旋转机械的故障十分复杂，有些疑难故障需要多专家的共同诊断，所以知识库要不断地积累更新，才能逼近不同设备的实际情况。
致谢：中山大学计算机科学系欧贵文教授、华南理工大学王子欣、清华大学欧志丹和广州发电厂李越光高工在软件设计、定稿过程中给予热诚的帮助，在此表示谢意！
参考文献
［1］钟秉林，黄仁．机械故障诊断学［M］．北京：机械工业出版社，1997
［2］吴恒，李浩基．阿法拉伐现代技术：分油机分册［M］．大连：大连海事大学出版社，1995
［3］楼顺天，施阳．基于MATLAB的系统分析与设计［M］．西安：西安电子科技大学出版社，1998
［4］徐新华．C＋＋Builder 3核心编程技术［M］．北京：北京希望电脑公司，1998
［5］Maruzzi S．The Microsoft Windo ws 95开发人员指南［M］．北京：机械工业出版社，1997
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
