加热炉鼓风机在线监测系统设计

2013-03-25李远慧傅连东陈新元

机械工程师 2013年1期

李远慧，傅连东，陈新元

（武汉科技大学机械自动化学院，武汉430081）

1 引言

加热炉鼓风机是钢材生产线的关键设备之一，作用是给加热炉供燃烧所需的空气，设备工作状态是24h连续工作，用于设备停转进行检修的时间短。如果鼓风机出现故障，会影响整个生产线的正常工作。加热炉鼓风机现场使用表现的故障点有：鼓风机整体振动，工作噪音大，叶轮出现掉片、疲劳裂纹、磨损，工作中转子运动不平衡、转子发生弯曲、出现裂纹，支撑结构件松动，等。利用在线监测系统对设备的实时监测，依据监测信号判断设备的工作状态，对非正常工作状态进行警示，使设备维检人员能及时了解并及时处理设备问题，才能避免设备出现大的故障，保障整个生产线的工作。

图1 在线检测诊断系统工作框图

2 在线监测与诊断系统设计

要实现有效故障诊断，监测参数选择、测量点位置、数量、方向的确定都非常重要。测点数量及方向的设定应能近全面地对设备的工作状态进行描述；测量点位置的确定应方便传感器安装、拆卸、引入干扰最小。为了实现对鼓风机运行的有效监控，我们在鼓风机上设置相应的传感器，用于获取鼓风机的工作参数。传感器的采样信号包括振动信号、温度、电流、电压等参数信号。鼓风机的每个轴承上布置3个振动检测传感器：分别监测轴向、水平径向、垂直径向的振动；对鼓风机的输入轴、输出轴，我们在每个轴上各取一个断面，在每个断面的左右水平位置点、上下垂直位置点各布置一个检测振动参数的传感器。此外，鼓风机及其驱动电机轴承所在位置各设置2个温度传感器，检测轴承的温度，鼓风机的驱动电机上还安置检测电流和电压的传感器。

在线监测与诊断系统的主要结构框架分在线监测和故障诊断两部分，共包含有五个主模块。这五个模块分别进行数据采集、读取、数据分析、数据管理、故障诊断工作。系统工作流程框架如图1所示。

2.1 数据监测与管理系统设计

数据采样模块负责各监测点数据的采集工作，所有信号都通过光电隔离后由数据采集卡采样，信号转换后通过数据采集、软件滤波等预处理保存于数据库，每隔100ms向系统的数据库中的当前表中更新一次数据。

系统通过数据监测模块读取数据库中的数据，并实现数据的显示。在用户的显示界面上，所获取的鼓风机的实时工作参数以曲线和数字的形式显示出来。设备维护人员、操作人员通过所显示的数据参数以及系统预设置的设备安全工作数据的对比，及时了解鼓风机的实时工作状况。在用户界面，曲线图上绘制有鼓风机各运行参数的安全极限曲线，当实时测得的鼓风机运行参数超出该安全极限曲线，参数的实时变化曲线颜色发生改变，同时，监测模块控制系统发出报警信号。

数据管理模块分为两个子模块：（1）子模块一：对用户进行管理，不同等级的用户授权不同，如：普通的检查人员只能查阅现在设备的状态数据，而责任工程师则可以利用数据对现场设备进行实时诊断，并可以修正报警极限值等；（2）子模块二：负责管理设备的实时和历史数据，并包含对诊断模块中的样本数据库的更新和丰富。

2.2 故障诊断系统开发设计

故障诊断系统用于辅助现场设备维检人员对设备的故障进行在线诊断，用户可通过数据分析结果和故障诊断数据库进行鼓风机的故障诊断。其中，数据分析模块主要功能是对设备的工作状态数据进行分析比较，将读到的数据与数据库中的报警极限数据进行对比，并将读取的数据以波形图或模拟数字表的形式显示用户对话框中，便于用户进行数据分析；而故障诊断模块则帮助用户对鼓风机工作状态做出诊断。

在故障诊断模块中，样本数据库的建立非常重要。我们通过多条途径建立数据库：（1）将已有的各类故障数据整理到数据库中；（2）利用仿真软件建立鼓风机工作的模型，通过计算机改变该模型的相关工作参数，模拟鼓风机的工作状态，获取不同工况下的鼓风机的工作数据，充实系统的样本数据库；（3）在实验室搭建小型鼓风机的实体模型，通过实体模型的工作，获取鼓风机的相应工作参数，补充系统样本数据库；（4）利用计算机搭建智能诊断模式，使系统具有在线自学功能，利用在线监测数据自动充实系统的样本数据库。

智能诊断模式主要是利用模糊神经网络建立。模糊理论主要依赖模糊规则和模糊变量的隶属度函数，不需要精确的数学模型，是解决具有不确定性系统控制的有效方法。神经网络是一种不依赖模型的自适应函数估计器，具有自适应能力和学习能力。首先根据鼓风机的工作信息建立相应的故障判断征兆及原因集合，对所获取的鼓风机工作信息进行模糊化，确定隶属度函数，进行故障模糊综合评判；同时，以前馈神经网络作为基础，建立一个含有输入层、输出层以及中间层的三级诊断网络。首先将实验和仿真所获得的样本数据输入神经网络进行训练，通过训练获取合适的权值和阈值。在设备投入使用前，将训练所获取的权值和阈值作为初始值加载到诊断系统中。神经网络的自学习能力，使诊断系统可以通过监测系统获取的设备运行参数的实时数据自动生成设备工作状态的新样本，自主进行自我训练学习，丰富系统的样本数据库，提高诊断系统进行故障判断的准确性。