泵组状态监测及故障诊断平台研究

郭广跃

（上海核工程研究设计院）

泵组状态监测及故障诊断平台研究

郭广跃

（上海核工程研究设计院）

核电厂中有各类泵组设备，对泵组进行状态监测和故障诊断，可以及时有效地向运行人员提供泵组状态及可能的故障信息，以保证核电厂安全运行。现以具有典型代表性的核电厂卧式离心式设冷水泵为研究对象，开展泵组故障模式分析、设备状态监测参数确定及故障诊断算法研究，构建了泵组状态监测及故障诊断平台的架构，完成了软硬件平台建立，并通过泵组设备故障模拟试验验证了本平台设计的合理性及可用性。

泵组；状态监测；故障诊断

0 引言

目前，国外针对泵组的监测及诊断多以主泵为研究对象，而国内在此领域的研究则相对较少。为了能够更好地研究核电厂内的各类泵组设备，本文以具有典型代表性的核电厂卧式离心式设冷水泵为研究对象，开展泵组故障模式分析、设备状态监测参数确定及故障诊断算法研究，并开发泵组状态监测及故障诊断软硬件平台，最后通过泵组设备故障模拟来验证理论研究及软硬件平台的可用性。

1 泵组主要故障模式

核电站设冷水泵有多种故障模式，其中以不平衡和不对中居多。因此，本文主要针对不平衡和不对中故障模式进行研究。

1.1 泵组不平衡故障

离心泵转子不平衡故障是常见泵故障，主要是由于转子部件出现缺损或质量偏心造成的。泵组监测及故障诊断中，不平衡故障可通过位移传感器信号监测的轴心轨迹判断，也可以通过其他振动监测参数信号的阶次谱判断。

1.2 不对中故障

由于机器基础的不均匀沉降、安装误差及承载后变形等原因，泵组各转子轴线会产生不对中故障，不对中可能会造成泵组振动过大及部件寿命缩短。

2 泵组状态监测参数

本文参考标准ASME OM-S/G—2003 第14章4.2节中推荐的泵组状态监测传感器类型及安装位置，并考虑泵组的故障模式后，给出的核电厂卧式离心式设冷水泵的监测传感器位置如图1和表1所示。

图1 设冷水泵监测参数及传感器布置

3 泵组故障诊断算法

本文采用反向传播递归神经网络作为诊断算法。

3.1 反向传播递归神经网络算法

泵组故障诊断具有故障诊断实时性、高可靠性及信息多源性特点。反向传播递归神经网络是一种面向模式识别的智能算法，具有较强的多源信息处理能力，能够满足泵组故障诊断需求。

表1 设冷水泵监测参数及传感器布置类型和数量

3.2 泵组故障智能诊断算法实现

当泵组发生不平衡或不对中故障时，所产生的转轴振动特征通过轴承传递到轴承座，因此，可以通过在轴承座位置处布置XY测点的振动信息，进行转轴动不平衡等故障的监测诊断。采用反向传播递归神经网络模型进行泵组的不平衡和不对中故障诊断，所需要的输入特征量包括轴承1和轴承2测点XY方向加速度信号、基座测点加速度信号、转速测点转速信号及上述测点时域/频域的统计特征。其中，未被用于泵组故障诊断算法的监测变量，主要通过设置合适的报警阈值来监测泵组状态，故障诊断算法的主要流程见图2。

4 软硬件平台建立

4.1 硬件平台建立

硬件平台主要包括泵组转子试验台和试验机柜两个部分。

4.1.1 泵组转子试验台

图2 故障诊断算法的主要流程

泵组转子试验台采用三相鼠笼电机驱动的机械转子对泵组的工作状态进行物理仿真，可以模拟泵组的工作状态与典型故障类型。转子试验台由三相鼠笼交流感应电机、变频器、支撑转轴、轴承和基座组成，并根据图1和表1进行了传感器布置，试验台实物如图3所示。

图3 转子试验台

4.1.2 试验机柜

试验机柜内的部件包括多功能采集卡、信号处理模块、控制器、PXI机箱、工控机、液晶显示器等。不同类型的采集卡与对应的传感器配合可实现泵组状态监测参数的测量。基于PXI的泵组状态监测及故障诊断平台主机用于安装数据采集卡等数据采集设备，可实现多组被监测泵组的在线监测。

4.2 软件平台建立

软件平台的数据处理流程见图4。泵组的状态数据，经过传感器采集和软件诊断算法处理，输出泵组的状态信息。

图4 软件数据处理流程

运行在PXI上的程序负责数据采集和高速信号处理，并对分析结果进行判断预警。工控机上的程序负责把数据通过网络接口发送到LabVIEW人机接口界面。

人机接口界面如图5和图6所示。

图5 时频域分析界面

5 泵组故障诊断验证试验

图6 故障诊断界面

在线采集轴承1X、轴承1Y、轴承2X、轴承2Y测点位置的实时振动加速度信息，作为训练样本和测试样本。通过在转子台的转盘配备质量块和在轴承座底部加垫片的方式，可以分别模拟泵组不平衡和不对中的状态。诊断验证试验总共模拟了泵组的6种状态，每种状态分别有50组训练样本数据和50组验证样本数据，测试样本的诊断准确率如表2所示。

测试样本的诊断准确率均在90%以上，因此，模拟试验验证了目前泵组状态监测及故障诊断平台可以在线监测泵组的相关状态信号，判断泵组的不平衡和不对中故障模式。

6 结束语

本文针对核电厂中广泛存在的泵组设备进行监测及诊断研究，描述了泵组常见的典型故障模式，选取了泵组的状态监测参数，采用反向传播递归神经网络算法对泵组进行了故障诊断，构建了泵组状态监测及故障诊断平台的架构，并完成了平台的软硬件建立，最后通过泵组设备故障模拟试验验证了本平台设计的合理性及可用性。

本平台后续可以用于泵组的状态监测及故障诊断的试验研究工作，同时，将算法进一步完善，以提高故障判断的准确率及提高设备材料性能满足核电厂环境条件要求后，本平台将可以用于核电厂中泵组的在线监测及故障诊断，从而及时有效地向运行人员提供泵组状态及可能的故障信息，保证泵组设备及核电厂安全可靠的运行。

[1]包洪波. 泵组状态监测系统的分析[J].电站系统工程, 2012, 28(4)： 65-67.

[2]贺小明, 胡宏伟, 闫秀峰, 王俊新. 基于LabVIEW的火电厂给水泵组状态监测分析系统的开发[J].机电工程技术, 2004, 33(7)： 31-33.

[3]ASME OM-S/G PART 14, Vibration Monitoring of Rotating Equipment in Nuclear Power Plants. [S].2003.

[4]ASME OM Subsection ISTB, Inservice Testing of Pumps in Light-Water Reactor Nuclear Power Plants. [S]. 2009.

表2 故障诊断测试准确率

2017-04-20）