雷达传动机构在线检测系统设计与实现

孙永江，刘军，杨永枫，金华松，于建成

（中国卫星海上测控部，江苏 江阴 214400）

1 概述

随着传感器技术、电子测量技术、信号处理技术、软件技术、振动分析技术以及人工智能技术的发展，传动机构在线监测及故障诊断技术由离线监测到在线监测、由现场诊断到远程诊断是现代化生产和技术发展的必然趋势。本文利用Labview 软件在线采集雷达传动机构振动、温度、电机电枢电压、电枢电流及测速反馈电压等数据，并传输到数据库中进行存储。数据库对所有测点的历史数据进行查询、报表输出、数据转存等功能。可以通过手动方式将Labview 在线采集的数据导入数据库中，也可以通过Labview 在线方式实时采集数据，自动存储到数据库中［1］。

2 硬件设计

2.1 总体设计［2］

在线电机故障诊断采用无线的方式，将检测结果 通过网络传给检测中心的数据库中，并按要求生成报告。系统组成如图1 所示。

图1 电机故障诊断网络系统组成Fig.1 The fault diagnosis network system of Motor

2.2 硬件选型

2.2.1 传感器选型［3］

振动传感器：因为要设计的系统能要具备故障诊

断的功能，根据现有的理论，可以根据电机外壳的振动情况来判断电机工作状况。根据现场情况，选择振动传感器YD84D-V，分辨率为100 mV/g，量程为50 g。

温度传感器：电机工作是可能出现温度过高的现象，所以有必要对电机温度进行实时监测。根据现场情况，选择温度传感器LM35，该传感器有很高的工作精度和较宽的线性工作范围，分辨率为10 mV/℃。

电压传感器：根据现场情况，需要采集电枢电压和测速反馈电压，电枢电压的范围是0～280 V，测速反馈电压的范围是0～50 V，而且还要满足便携的要求，所以选择电压传感器RS-1221-34D1，该传感器具有双路输入的功能，量程分别为0～500 V和0～100 V。

电流传感器：根据现场情况，电枢电流也可以作为故障诊断的指标，因为当电机出现负载过大等情况时电枢电流会急剧升高，而且为了使用方便，选择传感器KCE-IJ03—A0-3-D24-K，该传感器为钳式电流传感器，使用时不用拆线，只要将传感器夹在电线上就行，量程为0～150 A。

2.2.2 采集卡选择［4］

振动信号采集：振动传感器YD84D-V 是射频设备，所以必须经过一个特殊的模拟信号转数字信号模块，才能将采集到的信号传入计算机，选择采集卡MPS060602。

温度信号采集：由于温度传感器LM35 输出的是模拟电压值（0～5 V），所以传感器和计算机之间需要一个模拟信号转数字信号模块，选择信号采集卡MPS150102。

电压与电流信号采集：由于电压传感器RS-1221-34D1 输出的两路模拟信号范围是0～5 V，电流传感器KCE-IJ03—A0-3-D24-K 输出的模拟信号范围是0～5 V，因此选择信号采集卡USB5935。在线检测系统接线框图如图2a 所示。系统实物图如图2b 所示。

图2 系统图Fig.2 System diagram

3 软件设计

3.1 数据采集

软件部分首先要能实现数据实时采集的功能，并且根据实时采集到的数据进行分析，判断电机工作状况，而且具有故障报警的功能（如温度过高，电枢电流过大等）。主要包括在线采集和离线采集2 个部分。

在线检测软件界面见图3，主要用来检测天线筒里的传动机构的工作状态。

图 3 在线电机测试软件界面Fig.3 Online motor testing software interface

1）分别在温度阈值和电枢电流阈值数字框内输入温度阈值和电枢电流阈值。

2）电机开始按钮，开始采集振动信号、温度、电枢电压、测速反馈电压和电枢电流，并且当温度高于温度阈值、电枢电流大于电枢电流阈值时相应的指示灯会亮，起到故障报警功能。

3）单击记录FFT 序列、记录温度、记录电枢电压、记录测速反馈电压、记录电枢电流按钮，软件会把相应的物理量保存在d：zbp 文件夹中。

4）单击停止按钮，系统停止数据采集。

5）单击退出按钮，退出该软件。

3.2 故障诊断功能的实现［5］

利用BP算法进行故障诊断，要先根据故障特征提取出有用信号，经处理后转化成神经网络的输入信号，从而由网络进行判断。对振动信号进行快速傅里叶变化（FFT）得到信号的频谱图。然后提取的特征值为电机振动频率的基频（一倍频）幅值、二倍频幅值、三倍频幅值和四倍频和五倍频幅值。输出以为向量，故障时输出“0”，正常时输出“1”，使用Matlab建立故障诊断的具体方法是：

1）应用newff（ ）函数建立BP 网络结构。隐层神经元数目NodeNum1、NodeNum2，输出层有一个神经元TypeNum。选择隐层和输出层神经元传递函数均为 tansig 函数，网络训练的算法采用Levenberg-Marquardt 算法trainlm。

Levenberg-Marquardt 算法是牛顿法的变形，专门用于误差平方和最小化的方法。该算法可不必计算Hessian 矩阵而接近Hessian 矩阵的训练速度。

LM 算法为［6］

当μk很大时，上式就变成了步长很小的梯度下降法：

当μk为0 时，就变成了近似Hessian 的牛顿法。算法开始时μk取较小值，如果某一步不能减少E（w）值，则将μk乘以一个因子θ＞1 后再重复这一步。如果某一步产生了更小的E（w），则μk在下一步被除以θ，这样算法就接近于牛顿法。该算法提供了牛顿法的速度和保证收敛的梯度下降法之间的一个折衷，其收敛的迭代次数比梯度下降法要少[7]。

程序如下：

2）设置网络训练参数，应用train（）函数对网络进行训练。训练采取60 组样本，其中38 组为正常信号，另外22 组为故障信号。程序如下：

训练结果和性能如图4 所示。经过18 次迭代后网络收敛，达到预设目标。

图4 BP 神经网络训练结果 Fig.4 The BP neural network training results

3）使用sim（ ）函数对网络进行仿真，根据已训练好的网络，对测试数据进行仿真计算，本例中使用的是训练样本对网络进行测试，最后输出误差变化图。测试结果如图5 所示，误差变化图如图6 所示。

程序和结果如下：

图5 测试结果Fig.5 The test results

图6 误差变化图Fig.6 The error variation diagram

3.3 在labview 中实现故障诊断［8］

LabVIEW提供了Matlab Script节点，包括Matlab命令，Matlab的神经网络工具箱等，使Matlab的矩阵运算功能得到很好的应用，两者的结合大大简化工作流程，降低了工作者的难度。

用Matlab编程实现BP神经网络的设计后，将训练结果保存后可直接在Labview中调用，具体的，在BP网络的Matlab程序的最后加上语句“save（'d：p'，'net'）”，生成bp.mat文件，然后利用Matlab Script脚本节点调入Matlab BP神经网络程序实现LabVIEW与Matiab 的混合编程，程序框图如7所示。

图 7 LabVIEW 界面程序中Matlab 脚本Fig.7 The Matlab script in LabVIEW interface program

labview程序设计流程如图3～图7所示。运行labview程序时，振动的前5个FFT分量通过“Build Array”数组传到Matlab Script脚本节点，然后Matlab Script脚本节点后自动调用前面保存的训练完成的神经网络“bp.mat”文件实现故障诊断，然后将神经网络的输出传到“Index Array”中，经过阈值判断将诊断信息传到程序的显示端，前面显示端有2个布尔型指示灯，分别对应正常和故障，当神经网络输出大于0.9时，正常的灯亮，小于0.1时故障的灯会亮起，同时报警，从而实现对故障的判断与显示。

4 系统测试

点击进入界面上的“查看电压-电流变化曲线”，可进入下面的界面查看电枢电压-电枢电流/测速反馈电压的变化曲线。如图8 所示。

图 8 电压-电流变化曲线查看界面Fig 8 The curves of voltage -current view the interface

通过对“电机编号”“检测时间”“转向”的选择，可以查看测试时的电枢电压-电枢电流变化曲线和电枢电压-测速反馈电压变化曲线。

用Matlab 编程实现BP 神经网络的设计后，将训练结果保存生成bp.mat 文件，然后利用Matlab Script 脚本节点调入Matlab bp 神经网络程序实现故障诊断。测试时振动的前5 个FFT 分量会实时的进入Matlab Script 脚本节点，经bp.mat 的模拟输出诊断结果，经过阈值判断将诊断信息传到程序的显示端，前面显示端有2 个布尔型指示灯，分别对应正常和故障，当神经网络输出大于0.9 时，正常的灯亮，小于0.1 时故障的灯会亮起，同时报警，从而实现对故障的判断与显示。

5 结论

本文提出的多传感器融合在线监测系统，有效地解决了测量船测控雷达传动机构无法进行在线监测的难题。可以对单个或多个雷达传动机构进行数据实时采集与故障诊断，然后通过网络传输到控制中心的服务器里，把每个天线筒里的数据集中到服务器的数据库中，从而实现在服务器上同时观测多个天线传动机构的工作状况。基于B/S 和C/S 自由切换的网络中心模式，实现了在线监测系统的快捷方便，并且可以与离线检测系统协同工作。

[1]肖林.基于虚拟仪器的电机自动测试系统的研究［D］.沈阳：沈阳工业大学硕士学位论文，2006.

[2]陈忠，许上明.微特电机测试技术[M].上海：上海科学技术出版社，1986.

[3]张重雄．虚拟仪器技术分析与设计[M]北京：电子工业出版社，2008．

[4]曹玲芝.现代测试技术及虚拟仪器[M].北京：北京航空空航天大学出版，2004.

[5]王伯雄.测试技术基础[M].北京：清华大学出版，2003.

[6]史凤娟.基于DSP 的电机噪声在线检测系统［D］.南昌：南昌大学，2007.

[7]William R.Finley.An Analytical Approach to Solving Motor Vibration Problems[J].IEEE Transaction on Industry Application，2000，36（5）：1467-1479.

[8]刘晔，夏建生.Matlab 下神经网络工具箱的开发与应用微型机与应用［J］.微型机与应用，2000（4）：17-19.