The present invention provides a method and device for fault diagnosis of main sintering fan, including the method of fault diagnosis of the main sintering fan vibration signal acquisition: the main ventilation sintering machine; the vibration signal is decomposed by wavelet packet, the test sample and the fault information extraction using extreme learning machine model to obtain the main sintering fan. Wavelet packet analysis method can effectively extract and decomposition of high frequency and low frequency components, to ensure smooth, non holding information integrity and with the deepening of the degree of fault can also reflect the characteristics of the short signal, can effectively adapt to the main sintering fan working conditions and harmonic characteristics of vibration signal. At the same time, the extreme learning machine has strong classification ability, and can adapt to the various types of fault of the main exhaust fan. Therefore, the fault diagnosis method of the main exhaust fan provided by the invention can solve the technical problems that the accuracy of the fault diagnosis is not high in the prior art.
【技术实现步骤摘要】
一种烧结主抽风机的故障诊断方法及装置
本专利技术涉及一种旋转机械的故障诊断方法,尤其涉及一种烧结主抽风机的故障诊断方法及装置。
技术介绍
炼铁厂炼铁的原材料主要由烧结厂提供,烧结主抽风机是烧结厂的核心设备之一,承担着为烧结机通风的重要任务。烧结主抽风机通过烟道抽出烧结机中的空气,产生负压,使烧结料中的固体燃料从下至上充分燃烧;同时将烧结过程中产生的气体和灰尘经烟道、除尘器净化后由烟囱排出。烧结主抽风机风量和负压的选择和调整直接关系着烧结质量,一旦烧结主抽风机出现系统故障且得不到及时准确的维修,则烧结机必须进行停机处理,整个烧结工艺也随之暂停,对烧结厂造成巨大的经济损失,甚至带来不可弥补的后果。烧结主抽风机在运转过程中常常由于各种原因引起振动现象,严重时可能影响烧结主抽风机的安全运转,进而影响整个烧结工序。产生振动的原因非常复杂,主要包括烧结主抽风机自身机械原因引起的振动以及与烧结主抽风机相连的同步电机引起的振动。烧结主抽风机主要由机壳(定子)、叶轮组(转子)、轴承组以及联轴器等部件构成。烧结主抽风机自身机械原因引起的振动主要包括:①转子本身不平衡引起的振动:叶轮的重心偏离回转轴的中心线时,产生叶轮轴在运转时的振动。②风机轴与电机轴不同心:由于安装和检修时中心未找好,造成风机轴与电机轴不同心,产生附加不平衡,从而引起烧结主抽风机振动。③风机转子叶轮急剧磨损:由于除尘设备维护不当,未达到正常使用要求,放灰不正常等引起风机叶轮急剧不均匀磨损④轴瓦与轴承座之间缺少预紧力:轴瓦在轴承座内呈自由状态,振动加重。此外,由于同步电机本身特点,也会引起烧结主抽风机振动。例如 ...
【技术保护点】
一种烧结主抽风机的故障诊断方法,其特征在于,所述烧结主抽风机的故障诊断方法包括:采集烧结主抽风机的振动信号,所述振动信号为风机驱动侧水平振动信号、风机驱动侧垂直振动信号、电机驱动侧水平振动信号或电机驱动侧垂直振动信号;将所述振动信号进行小波包分解,提取与所述振动信号对应的包括待测能量特征向量的测试样本;将所述测试样本输入至预先经过训练得到的极限学习机模型中,根据所述极限学习机模型输出的目标输出向量,获取烧结主抽风机的故障信息。
【技术特征摘要】
1.一种烧结主抽风机的故障诊断方法,其特征在于,所述烧结主抽风机的故障诊断方法包括:采集烧结主抽风机的振动信号,所述振动信号为风机驱动侧水平振动信号、风机驱动侧垂直振动信号、电机驱动侧水平振动信号或电机驱动侧垂直振动信号;将所述振动信号进行小波包分解,提取与所述振动信号对应的包括待测能量特征向量的测试样本;将所述测试样本输入至预先经过训练得到的极限学习机模型中,根据所述极限学习机模型输出的目标输出向量,获取烧结主抽风机的故障信息。2.根据权利要求1所述的烧结主抽风机的故障诊断方法,其特征在于,所述将所述振动信号进行小波包分解,提取与所述振动信号对应的包括待测能量特征向量的测试样本包括:将所述振动信号进行小波包分解,提取振动信号相应频段的小波包分解系数Sij,其中i为小波包分解层数,j为小波包分解的节点数;重构所述小波包分解系数Sij,提取相应频段的信号能量Eij;根据所述信号能量Eij构造能量特征向量,并将所述能量特征向量标准化,获取标准能量特征向量;将所述标准能量特征向量确定为与所述振动信号对应的测试样本。3.根据权利要求2所述的烧结主抽风机的故障诊断方法,其特征在于,所述将所述振动信号进行小波包分解,提取与所述振动信号对应的能量特征向量还包括:对所述小波包分解系数Sij的去噪处理。4.根据权利要求1所述的烧结主抽风机的故障诊断方法,其特征在于,所述烧结主抽风机的故障诊断方法还包括:利用已知状态类型的训练样本初始化极限学习机模型,其中,所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量;获取测试样本采集时间点之前,且与所述测试样本最近的预设时间间隔内的学习样本,其中,所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量;利用所述学习样本在线贯序更新所述极限学习机模型,获取更新后的极限学习机模型;将所述测试样本输入至更新后的极限学习机模型中,根据所述更新后的极限学习机模型输出的目标输出向量,获取烧结主抽风机的故障信息。5.根据权利要求4所述的烧结主抽风机的故障诊断方法,其特征在于,所述获取测试样本采集时间点之前,且与所述测试样本最近的预设时间间隔内的学习样本包括:获取测试样本采集时间点之前,且与所述测试样本最近的预设时间间隔内的历史测试样本;获取与所述历史测试样本相对应的期望输出向量。6.根据权利要求4所述的烧结主抽风机的故障诊断方法,其特征在于,所述利用已知状态类型的训练样本初始化极限学习机模型包括:获取N个独立的训练样本X=[xi1,xi1,…xin,yi]T,xi∈Rn,yi∈Rm,其中,n和m分别为输入和输出神经元的个数;获取极限学习机模型中隐含层个数L;随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi,其中i=1…L;根据极限学习机模型H0β0=Y0其中,获取初始输出层权值矩阵β0,其中,矩阵H0为初始隐含层输出矩阵,Y0为初始期望输出矩阵。7.根据权利要求4所述的烧结主抽风机的故障诊断方法,其特征在于,所述利用所述学习样本在线贯序更新所述极限学习机模型,获取更新后的极限学习机模型包括:利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y;根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。8.一种烧结主抽风机的故障...
【专利技术属性】
技术研发人员:李宗平,王全,孙英,曾辉,
申请(专利权)人:中冶长天国际工程有限责任公司,
类型:发明
国别省市:湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。