离心泵运行状态在线监测与故障诊断装置研制与应用

刘起超，周云龙，梁 超，杨 美，黄 娜



离心泵运行状态在线监测与故障诊断装置研制与应用

刘起超，周云龙，梁 超，杨 美，黄 娜

（东北电力大学能源与动力工程学院，吉林 吉林 132012）

为了准确监测离心泵的运行状态，建立了状态在线监测和故障诊断数学模型，研制了一种离心泵运行状态在线监测与故障诊断装置。该装置运行状态在线监测功能可以对离心泵的体积流量、入口压力、出口压力、扬程、功率、效率、轴向位移和径向位移进行在线监测并能够以曲线图、柱状图和数据表的形式显示。故障诊断功能包括初步诊断和精确诊断，初步诊断采用阈值对比法对汽蚀、基础松动、转子不对中和转子不平衡4种故障进行识别；精确诊断根据经验模态分解（EMD）能量熵将故障的严重程度划分为轻度、中度和重度。实际应用结果表明，该装置能够准确地对离心泵的运行状态进行在线监测和故障诊断。

离心泵；运行状态；在线监测；阈值对比；EMD能量熵；故障诊断

离心泵作为工业中经常使用的一种机械设备，在火力发电厂等工业企业中占有重要的地位。离心泵的使用环境通常比较恶劣，并且一般需长时间连续运行，这对其稳定运行提出了较高的要求[1-2]。目前在工业生产中主要依靠定期检测来评估离心泵的运行状态，但这无法及时发现离心泵的故障并及时进行处理。因此，亟需对离心泵进行运行状态的在线监测和故障诊断[3]。目前，学者们主要借助支持向量机（SVM）[4]、后向传播[5]、小波包样本熵和SVM[6]等算法对离心泵进行故障诊断，但这些研究停留在理论层面，且较少涉及离心泵运行状态在线故障诊断。对此，本文研制了一种大型离心泵运行状态在线监测与故障诊断装置，能够有效地对离心泵的运行状态进行在线监测，并且能够准确地对离心泵出现的故障进行诊断和报警，对于离心泵的安全稳定运行有重要的作用。

1 装置结构

离心泵运行状态在线监测与故障诊断装置结构如图1所示。该装置主要分为数据测量模块、数据采集模块、在线监测模块和故障诊断模块。数据测量模块测量装置所需要的物理信号。数据采集模块采集测量信号，作为运行状态和故障诊断的原始数据。在线监测模块一方面直接将原始数据存储到数据库中以供故障诊断模块使用，另一方面将原始信号进行数据处理，将电压信号转换成对应的体积流量、入口压力、出口压力、转速等运行参数，并且能够以曲线图、柱状图和数据表的形式显示。故障诊断模块对数据库中的数据进行进一步处理，求出故障诊断所需要的特征参数，然后通过诊断 推理，判断离心泵发生的故障类型以及严重程度。故障诊断模块主要对离心泵经常出现的汽蚀、基础松动、转子不对中和转子不平衡4种故障做出 诊断。

图1 离心泵运行状态在线监测与故障诊断装置结构

2 装置研发

2.1 测点布置

该装置包含压力变送器、温度变送器、流量传感器、位移传感器、转速传感器、电流表、电压表以及数据采集卡等硬件。考虑到离心泵参数计算的要求，传感器的测点布置如图2所示。

1—体积流量测点；2—入口压力测点；3—出口压力测点；4—温度测点；5—转速测点；6—电流测点；7—电压测点；8—轴向位移测点；9—径向位移测点。

2.2 模型建立

2.2.1 状态在线监测数学模型

在线监测模块需要监测离心泵的体积流量、扬程、温度、转速、有效功率、轴功率、效率和有效汽蚀余量。其中，体积流量、温度、转速可以直接采用传感器测量，其他参数则需要通过计算求得。

1）扬程 离心泵的扬程和进出口的压力以及流速有关[7]，如式(1)所示：

式中：out和in为出口和进口压力，Pa；out和in为出口和进口流速，m/s；为工质密度，kg/m3；为重力加速度，取9.8 m/s2。

out和in可以直接用压力传感器测得，out和in用式(2)和式(3)求得：

式中：为体积流量，m3/h；out和in为离心泵出口和进口直径，m。

2）有效功率 离心泵的有效功率e即离心泵对工质水做的功，用式(4)表示：

3）轴功率 离心泵的轴功率与电机的功率以及离心泵传动系数等有关，用式(5)表示：

式中：cos为电机功率因数；为电机效率；tm为传动效率，根据离心泵和电机类型指定；为电机单相电压，V；为电机单相电流，A。

4）效率 离心泵的效率可以用有效功率和轴功率计算，如式(6)所示：

5）有效汽蚀余量 有效汽蚀余量NPSHa计算式为

式中v为饱和蒸汽压力，Pa。

2.2.2 故障诊断数学模型

1）初步故障诊断

研究表明，小波分析[8-9]、对称点模式和图像匹配分析[10]、小波包和复杂度分析[11]、相空间重构和支持向量机分析[12-13]、神经网络[14]等多种现代数学分析方法都能够有效地对故障进行诊断。但是这些现代数学方法编程复杂，不利于工程实际应用。

不同故障类型对应不同特征值和阈值。本文针对不同故障选择适用的阈值类型，在初步诊断模块中将4种故障对应的特征值、阈值进行对比，建立初步故障诊断模型（表1），以此判断是否出现故障，计算速度快，编程简单，能够实现在线诊断。

表1 初步故障诊断模型

Tab.1 The model of preliminary fault diagnosis

2）精确故障诊断

经过初步故障诊断得出离心泵发生的故障类型，然后根据所处的故障类型采用不同方法进行精确故障诊断，得出离心泵发生故障的严重程度。

① 汽蚀故障 根据离心泵汽蚀的严重程度将离心泵所处的汽蚀状态分为轻度汽蚀、中度汽蚀和重度汽蚀3个阶段。采用经验模态分解（EMD）能量熵分析的方法对离心泵入口压力信号进行分析，得出入口压力信号对应的EMD能量熵E。随着离心泵汽蚀程度的加重，E逐渐减小。离心泵发生轻度、中度、重度汽蚀的EMD能量熵临界值分别为E1、E2、E3。据此建立的判断离心泵汽蚀严重程度诊断模型见表2。

表2 离心泵汽蚀故障精确诊断模型

Tab.2 The accurate diagnosis model of cavitation failure for centrifugal pumps

② 振动类故障 根据离心泵转轴的振动严重程度将振动类故障分为轻度、中度和重度3类。采用幅域分析法对离心泵的振动类故障进行精确故障诊断。在幅域分析法的参数指标中，峭度指标v对冲击脉冲类故障比较敏感，特别当故障早期发生时，v明显增加；均方根值rms稳定性较好，但对早期故障不太敏感。本装置将振动类故障的特征值对应的峭度指标v和均方根值rms相结合，建立诊断模型（表3），对离心泵发生的振动类故障进行精确诊断。

2.3 软件研发

装置软件部分基于C语言和SQL数据库编写。

2.3.1 软件结构和功能

图3为该装置的软件流程框图。软件部分主要包括数据采集、数据处理、运行状态在线显示、数据库和故障诊断五大模块。各模块及功能如下。

1）数据采集 该模块对现场的流量、入口压力、出口压力、温度、转速、电流、电压、离心泵轴向位移和径向位移等信号进行采集，通过数据采集软件传输到计算机中进行处理。

2）数据处理 数据处理模块将数据采集模块采集的标准模拟电信号转换成原始的物理信号。

3）运行状态在线显示 该模块将数据处理模块中得到的结果以列表、曲线图和柱状体的形式在界面中显示，供运行人员实时查看。

4）数据库 处理后的原始数据存入数据库中，供故障诊断模块调用。

5）故障诊断 包含初步故障诊断和精确故障诊断。初步故障诊断对汽蚀、基础松动、转子不对中和转子不平衡4种故障进行识别和报警。精确故障诊断对离心泵所处的故障的严重程度进行计算，并将严重程度划分为轻度、中度和重度。

表3 离心泵振动故障精确诊断模型

Tab.3 The accurate diagnosis model of vibration fault for centrifugal pumps

图3 软件流程框图

2.3.2 软件界面

装置软件界面主要包括主界面和实时显示界面、历史数据界面、故障诊断界面、参数设置界面和设置界面等子界面。

1）主界面 进入软件后直接进入主界面，主界面可以进入各个子界面，完成系统的所有操作。

2）实时显示界面 主要包括主界面、柱状图、曲线图和数据表4个界面，用户可以根据需要选择显示方式。曲线图和柱状图显示界面如图4所示。

3）历史数据界面 包含通道数据和故障历史 2个界面。用户可以从通道数据中查看各个通道的历史数据，从故障历史界面中查看出现的故障历史，以便于报表的制作等。

4）故障诊断界面 当用户发现装置故障报警后，可在此界面查看压力、位移信号的波形图、频谱图和轴心轨迹图，据此对故障进行精确诊断。

5）参数设置界面 主要包括采集参数设置、通道参数设置、电机参数设置和故障参数设置。

6）设置界面 主要功能是对电流电压进行切换。由于部分使用场所需要在离心泵上加装变频器，而变频器将会改变电流电压的波形，使得离心泵的电流电压不可测。为了保证该系统的通用性，在此界面添加切换电流电压选项，用户可以在此选择是否测量电流电压。

图4 参数显示界面

3 实际应用

采用该装置对LS50-32-125-ZHT型离心泵进行运行状态在线监测与故障诊断。图5为正常状态和基础松动状态下离心泵转轴的位移波动曲线。由图5可见，正常状态下转轴的位移均值较小，而当出现基础松动故障时，转轴的位移均值明显增大。

图5 转轴位移波动

此时转轴的轴心轨迹如图6所示。从图6可以看出转轴的轴心轨迹呈现不规则的形状，由此判断出此时离心泵发生了基础松动故障。同时，装置本身也在运行状态栏中进行了基础松动故障的报警。经过对该离心泵进行检查，发现其确实存在基础松动故障。此外，该装置的准确性已经通过了中国计量认证检测机构认证。

图6 基础松动轴心轨迹

以上结果表明，该装置可以准确地对离心泵的运行故障做出诊断，并且能够用于实际应用。

4 结 语

本文研制的离心泵运行状态在线监测与故障诊断装置界面友好，简洁美观，功能齐全，可以用多种方式显示离心泵的运行状态，并且能够对故障进行初步和精确诊断，能准确实现离心泵的运行状态在线监测和故障诊断，可以实际应用于带有离心泵的工业生产中以保证离心泵的安全稳定运行。

［1］ 史军杰, 王美霞. 基于模型的离心泵故障诊断设计[J]. 自动化与仪器仪表, 2014(12): 68-70.

SHI Junjie, WANG Meixia. Troubleshooting centrifugal model-based design[J]. Automation & Instrumentation, 2014(12): 68-70.

［2］ 乔凤杰, 白晶. 电厂水泵故障分析及整治方法研究[J]. 东北电力大学学报, 2015, 35(5): 51-55.

QIAO Fengjie, BAI Jing. The failure analysis of thermal power generator set and research on improvement[J]. Journal of Northeast Electric Power University, 2015, 35(5): 51-55.

［3］ 王迪, 姜伟, 朱红波, 等. 故障诊断技术在离心泵中的应用分析[J]. 化工机械, 2014, 41(2): 262-264.

WANG Di, JIANG Wei, ZHU Hongbo, et al. Application analysis of fault diagnosis technology in centrifugal pump[J]. Chemical Engineering & Machinery, 2014, 41(2): 262-264.

［4］ 臧薇. 基于支持向量机的煤矿井下水泵故障诊断研究[J]. 煤炭技术, 2017, 36(5): 258-260.

ZANG Wei. Research on fault diagnosis of coal mine water pump based on support vector machine[J]. Coal Technology, 2017, 36(5): 258-260.

［5］ 李洪涛. 基于改进BP算法的水泵机组故障诊断的网络模型[J]. 机械工程与自动化, 2017(1): 161-163.

LI Hongtao. Pump unit fault diagnosis network model based on improved BP algorithm[J]. Mechanical Engi- neering & Automation, 2017(1): 161-163.

［6］ 陈英强, 陈煜敏, 蒋劲, 等. 基于小波包样本熵和SVM的水泵机组振动故障诊断[J]. 中国农村水利水电, 2017(3): 165-168.

CHEN Yingqiang, CHEN Yumin, JIANG Jin, et al. Vibration analysis and fault diagnosis of water pump unit based on wavelet packet sample entropy and SVM[J]. China Rural Water and Hydropower, 2017(3): 165-168.

［7］ 杨诗成, 王喜魁. 泵与风机[M]. 北京: 中国电力出版社, 2007: 23-24.

YANG Shicheng, WANG Xikui. Pump and fan[M]. Beijing: China Electric Power Press, 2007: 23-24.

［8］ 黄忠富. 小波分析在离心泵汽蚀故障诊断中的应用研究[D]. 南京: 江苏大学, 2005: 26-42.

HUANG Zhongfu. Research on the applications of wavelet analysis in cavitation fault diagnosis for centrifu- gal pumps[D]. Nanjing: Jiangsu University, 2005: 26-42.

［9］ WANG D, ZHAO Y, YI C, et al. Sparsity guided empirical wavelet transform for fault diagnosis of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2018, 101: 292-308.

［10］ 许小刚, 王松岭, 刘海啸. 基于SDP与图像匹配的离心风机失速实时检测[J]. 动力工程学报, 2015, 35(11): 906-911.

XU Xiaogang, WANG Songling, LIU Haixiao. Real-time stall detection of centrifugal fans based on SDP analysis and image matching[J]. Journal of Chinese Society of Power Engineering, 2015, 35(11): 906-911.

［11］ 周云龙, 赵鹏, 孙斌. 基于提升小波包的离心泵故障诊断方法[J]. 热能动力工程, 2011, 26(6): 738-742.

ZHOU Yunlong, ZHAO Peng, SUN Bin. Method for diagnosing the fault of a centrifugal pump based on a lifting wavelet package[J]. Journal of Engineering for Thermal Energy and Power, 2011, 26(6): 738-742.

［12］ 陶新民, 徐晶, 杜宝祥, 等. 基于相空间RVM的轴承故障检测方法[J]. 振动与冲击, 2008, 27(10): 6-9.

TAO Xinmin, XU Jing, DU Baoxiang, et al. Bearing fault detection based on RVM using phase space[J]. Journal of Vibration and Shock, 2008, 27(10): 6-9.

［13］ 田松峰, 胥佳瑞, 王美俊, 等. 基于EEMD云模型和SVM的汽轮机转子故障诊断方法[J]. 热力发电, 2017, 46(4): 111-114.

TIAN Songfeng, XU Jiarui, WANG Meijun, et al. A rotor fault diagnosis method based on EEMD cloud model and SVM[J]. Thermal Power Generation, 2017, 46(4): 111-114.

［14］ 周云龙, 洪君, 张学清, 等. HHT与Elman神经网络在离心泵故障振动信号处理中的应用[J]. 流体机械, 2007, 35(5): 21-24.

ZHOU Yunlong, HONG Jun, ZHANG Xueqing, et al. Application of Hibert-huang transform and Elman neural network in vibration signals processing for centrifugal pump failure[J]. Fluid Machinery, 2007, 35(5): 21-24.

Development and application of on-line monitoring and fault diagnosis device for operation state of centrifugal pumps

LIU Qichao, ZHOU Yunlong, LIANG Chao, YANG Mei, HUANG Na

(College of Energy and Power Engineering, Northeast Electric Power University, Jilin 132012, China)

In order to accurately monitor the operation state of centrifugal pumps, mathematic model for online monitoring and fault diagnosis of the operation state was established, and an online monitoring and fault diagnosis device for centrifugal pumps was also developed. With the functions of running state monitoring and fault diagnosis on line, this device can monitor the volume flow, inlet pressure, outlet pressure, pump head, power, efficiency, axial displacement and radial displacement of the centrifugal pump online. Moreover, the running state can be displayed in forms of graph, histogram and table. The fault diagnosis function includes initial diagnosis and accurate diagnosis. The initial diagnosis adopts threshold contrast method to identify the four faults of cavitation, foundation looseness, rotor misalignment and rotor imbalance. The accurate diagnosis classifies the faults as mild, moderate and severe according to the empirical mode decomposition (EMD) energy entropy. The results show that this device can monitor and diagnose the operation state of the centrifugal pump accurately.

centrifugal pump, running status, online monitoring, threshold contrast, EMD energy entropy, fault diagnosis

Project of Jilin Provincial Science and Technology Development Project Fund (20130206008GX)

刘起超(1991—)，男，硕士，助教，主要研究方向为信号模式识别及故障诊断，lqcliuqichao@126.com。

TK288

A

10.19666/j.rlfd.201809122

刘起超, 周云龙, 梁超, 等. 离心泵运行状态在线监测与故障诊断装置研制与应用[J]. 热力发电, 2019, 48(1): 30-35. LIU Qichao, ZHOU Yunlong, LIANG Chao, et al. Development and application of on-line monitoring and fault diagnosis device for operation state of centrifugal pumps[J]. Thermal Power Generation, 2019, 48(1): 30-35.

2018-09-30

吉林省科技发展计划资助项目(20130206008GX)

周云龙(1960—)，男，博士，教授，主要研究方向为两相流及火电厂设备故障诊断，neduzyl@163.com。

（责任编辑 刘永强）