一种风机盘管的质量检测方法与流程

1.本发明涉及数据识别领域，具体涉及一种风机盘管的质量检测方法。


背景技术：

2.风机盘管是中央空调理想的末端产品，其工作原理是机组内不断的再循环所在房间的空气，使空气通过冷水（热水）盘管后被冷却（加热），以保持房间温度的恒定。当前风机盘管被广泛应用于宾馆、办公楼、医院、商住、科研机构，新风被新风机组处理后通过送风管送入室内各个区域，以满足大型场所的通风需求。
3.风机盘管的电机是整台机器的唯一运动部件，是风机盘管作业唯一驱动元部件。电机运转工作带动风机旋转，强制性把室内空气通过风机吹向风机盘管内部换热器。电机的质量直接影响风机盘管系统的性能好坏，电机运转时会产生振动信号，异常的振动信号往往会加速电机轴承磨损，从而大大缩短了轴承的正常使用寿命，且在工作时会发出很大的噪声，还会使绕组绝缘下降。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种风机盘管的质量检测方法，所采用的技术方案具体如下：本发明提供的一种风机盘管的质量检测方法，包括以下步骤：采集电机的振动信号，提取振动信号中的所有异常信号，记为异常信号集合；根据异常信号集合的局部离群因子区分噪声信号和故障信号，然后经过降噪处理得到故障信号，包括：（1）根据异常信号集合构建离群距离参数；（2）根据异常信号集合的混乱度确定邻域范围k；（3）根据离群距离参数和邻域范围k计算可达密度，得到异常信号集合中每个异常信号的局部离群因子；（4）当获取的异常信号集合中某一个异常信号的局部离群因子大于设定阈值，则认为该异常信号为噪声信号，反之，该异常信号为故障信号；根据所有的故障信号进行电机质量评估。
5.优选的，所述提取振动信号中的所有异常信号的方法为：将振动信号与标准模板信号进行对比，得到所有异常信号，其中标准模板信号为：上式f代表信号幅值，代表任意一个信号周期，t代表时间序列上的时间值，i代表振动信号图像上任意一个信号，z代表每个信号周期的中轴点，代表第个信号周期中中
轴点对应的幅值，表示任意一个信号周期内最大时间值，表示任意一个信号周期内最小时间值。
6.优选的，所述根据异常信号集合构建离群距离参数的方法为:上式表示异常信号集合中任意异常信号在任意周期上的离群距离参数，f代表每个异常信号的幅值，v代表异常信号集合中任意一个异常信号，代表任意一个信号周期，t代表时间序列上的时间值。
7.优选的，所述根据异常信号集合的混乱度确定邻域范围k的具体过程为：根据每个信号周期内异常信号集合的混乱度来确定邻域范围k：的混乱度来确定邻域范围k：上式v代表异常信号集合中任意一个异常信号，代表任意一个振动信号周期，t代表一个振动信号周期的时间长度，代表异常信号集合中第v个异常信号的异常程度，代表异常信号集合中第v个异常信号的异常程度在该集合中出现的概率，代表取整符号, 表示的混乱度，表示以自然常数为底的指数函数。
8.优选的，所述局部离群因子为：其中，代表异常信号集合中第v个异常信号邻域点r的局部可达密度与第v个异常信号的局部可达密度之比的平均数，即，表示异常信号集合中第v个异常信号的局部离群因子，代表对于第v个异常信号来说，以其为中心长度范围内所有可达的邻域异常信号数量。
9.优选的，所述的局部可达密度获取方法为：
上式v代表异常信号集合中任意一个异常信号，代表任意一个振动信号周期，代表第个信号周期的邻域距离，r代表中任意一个，则代表第周期内第v个异常信号与其相邻信号的距离值，表示第v个异常信号的局部可达密度。
10.优选的，进行电机质量评估的具体过程为：计算得到故障信号的密度以及电机故障信号幅度；故障信号的密度计算为：上式g代表故障信号的数量，代表第个信号周期内的故障信号数量，采样长度为h个振动周期；电机故障信号幅度计算为：上式a代表任意一个故障信号，为去除噪声信号后，剩余故障信号中任意一个的幅值，代表第个信号周期内的故障信号数量；计算故障信号的密度以及电机故障信号幅度，得到电机故障的评估指标；当评估指标越大，则电机质量越差。
11.本发明的有益效果：本发明通过异常信号的离群距离参数和邻域范围，计算异常信号的局部离散因子，通过异常信号的局部离散因子对故障信号进行判断，当噪声信号随机产生和故障信号的持续时间不确定的情况下，能够根据每个周期内的异常信号的局部离散程度对故障信号进行识别，具有较好的鲁邦性和准确性。在保留正常的机械振动信号和故障信号的前提下有效减少无用的高频噪声信号成分，对电机的质量检测结果更为准确。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1是本发明的一种风机盘管的质量检测方法的流程图；图2是一个完整周期的电机振动信号的波形图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的
技术人员通常理解的含义相同。
16.本发明所针对的情景为：风机盘管的电机是整台机器的唯一运动部件，是风机盘管作业唯一驱动元部件。电机运转工作带动风机旋转，强制性把室内空气通过风机吹向风机盘管内部换热器。电机的质量直接影响风机盘管系统的性能好坏，电机运转时会产生振动信号，异常的振动信号往往会加速电机轴承磨损，从而大大缩短了轴承的正常使用寿命，且在工作时会发出很大的噪声，还会使绕组绝缘下降。因此通过检测电机运转时的异常振动信号可以直接评估风机盘管的质量。
17.具体地，本发明提出一种风机盘管的质量检测方法的实施例，请参阅图1所示，包括以下步骤：步骤1，采集电机的振动信号。
18.在机器设备的检测和诊断中，振动信号检测是常用的检测方法。本发明在风机盘管电机表面安装振动信号传感器，启动电机，等待电机运行稳定后，采集电机的振动信号。
19.步骤2，提取振动信号中的异常信号，根据每个异常信号的局部离群性区分噪声信号和故障信号，然后经过降噪处理得到故障信号。
20.电机旋转传动部件在运行过程中会产生振动信号，而电机运转异常信息会直接体现在振动信号异常上，因此可通过分析振动信号，对电机进行性能检测和故障诊断。然而，现有的设备异常诊断方法容易受到周围环境振动带来的噪声干扰，难以准确地检测出设备振动异常信息。因此区分噪声信号和异常信号对电机振动异常的检测十分重要。为了获得准确的电机异常振动信号，需要在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分。
21.同时，振动是电机在运转过程中随时间在平衡位置附近来回往复的运动，每经过一定的时间间隔，振动物体的位移、速度和加速度都恢复原来的大小和方向，因此振动信号一般呈现周期性的变化，物体每做完一次完整的振动，这个时间间隔称为振动的周期，如图2所示。
22.本实施例中，获取异常信号的具体方法为：将振动信号与标准模板信号进行对比，得到所有异常信号。具体地，一个完整的振动信号是随着振动的增强和衰减呈现一个高斯正态分布的变化趋势，电机的正常振动信号稳定在一个固定的幅值范围，通过大数据获取电机正常振动信号模型，已知每个振动周期t，根据模型信号的每个振动周期，两侧端点以及中心点的幅值拟合高斯曲线得到标准模板信号。
23.其中拟合的高斯曲线为：上式f代表信号幅值，代表任意一个信号周期，t代表时间序列上的时间值，i代表振动信号图像上任意一个信号，z代表每个信号周期的中轴点，代表第个信号周期中中轴点对应的幅值，代表标准模板振动信号上第个信号周期中任意一个单位振动信
号的t值与中轴点对应的t值相差，为半周期长度。为标准模板振动信号的高斯拟合函数。
24.需要说明的是，上述方案由于电机振动信号的影响因素太过复杂，不同条件下测得的标准模板信号都会存在差异，上述中获取标准模板信号后进行高斯拟合的目的是为了消除不同条件所得的多个标准模板信号之间存在的微小差异，直接利用高斯拟合函数代替所有可能的标准模板信号。
25.由于标准模板信号是理论数据，电机实际运转过程中异常信号和噪声信号是同时存在的，且相互叠加，本实施例中利用拟合的高斯曲线与实际电机振动每一个周期的振动信号进行重叠差分，当所有幅值高出高斯曲线的单位信号，则认为是噪声或者异常信号。
26.其中，代表实际电机运转的振动信号与拟合的高斯曲线在时间序列上进行差值绝对值，差值绝对值为实际振动信号与理论信号的差异值，差异值的大小代表每单位振动信号相对于标准模板信号高斯曲线的异常程度，获取每个周期信号中所有值为正数的异常信号集合。
27.本实施例中根据每个异常信号的局部离群性区分噪声信号和故障信号的具体过程为：（1）构建离群距离参数。
28.由于电机运转时，电机本身存在的缺陷和故障对电机运转的影响是持续累加的，不可能瞬间出现又消失，也就是说故障信号对时间序列上正常振动信号的影响会持续短时间，而噪声信号则是随机累加在正常振动信号上的，因此本发明通过异常信号集合中的单位信号离群性来消除容易和故障信号混淆的高频噪声信号，具体如下：确定衡量信号之间离散性的距离参数:上式f代表每个单位信号的幅值，v代表异常信号集合中任意一个单位信号，代表任意一个信号周期，t代表时间序列上的时间值。代表异常信号集合中相邻两个异常信号的幅值差异，代表异常信号集合中相邻两个异常信号的时间差异，则是对于第v个异常信号而言与相邻异常信号的距离值，每一个异常信号都具有各自与相邻信号的距离值。
29.（2）确定邻域范围k。
30.计算每个信号周期内信号的离群性，需要确定每个信号的对比范围，即该信号与邻近多少个信号进行对比计算其局部离群性。
31.由于缺陷、故障对振动信号具有持续累加的影响特征，噪声具有随机累加的影响特征，因此在每个振动周期内信号与标准模板高斯曲线相差所得的异常程度值，其混乱度越高，代表异常信号持续性越差，随机性越高，混乱度越低代表异常信号的持续性较好，随机性较低。而前者随机性较高，信号和信号之间的关联性较差，因此每个信号的对比范围需要缩小；后者随机性较低，每个信号的对比范围可以增大。
32.因此，本实施例中引入lof离群因子算法，根据每个信号周期内异常信号集合的混乱度来确定第k距离邻近值：上式v代表异常信号集合中任意一个单位信号，代表任意一个振动信号周期，t代表一个振动信号周期的时间长度，代表异常信号集合中第v个单位信号的异常程度，代表异常信号集合中第v个单位信号的异常程度在该集合中出现的概率，代表取整符号。计算该信号周期内的异常信号混乱度，即计算异常信号的异常程度信息熵：；然后通过指数函数进行归一化，原式应为，负负取正相消后，为。由于指数函数在0-1之间取值，满足熵值越大，在0-1之间越小，熵值越小，则在0-1之间越大，以为每个振动信号周期内根据异常信号的混乱度所自适应的第k距离邻近值调节系数。默认每个信号周期内原本单位信号的最大对比范围就是该信号周期时间长度，那么就是该信号周期内自适应的k值，即。
33.（3）计算可达密度，得到局部离群因子。
34.以作为每个单位异常信号的离群特征，并根据已得，计算每个单位振动信号的局部可达密度:
上式v代表异常信号集合中任意一个单位异常信号，代表任意一个振动信号周期，代表第个信号周期的邻域距离，代表对于第v个异常信号来说，以其为中心长度范围内所有可达的邻域异常信号数量，r代表中任意一个，则代表第周期内第v个异常信号与其相邻信号的距离值。则是将第v个异常信号长度范围内所有可达邻域异常信号的值累加求均，然后求倒数，即得到代表关于第v个异常信号的局部可达密度。
35.然后得到每个异常信号的局部离群因子：：上式代表第v个异常信号邻域点r的局部可达密度与v局部可达密度之比的平均数；当越接近1，则代表第v个信号的离群度较小；越偏离1，则代表第v个信号的离群度较大，代表与1的偏离程度。
36.（4）当获取的某一个异常信号的局部离群因子大于设定阈值，则认为该信号局部离散，极可能是噪声信号，其余为故障信号。
37.本实施例中的设定阈值为0.3。
38.步骤3，根据降噪后剩余的故障信号进行电机质量评估。
39.本实施例中的降噪后的电机振动信号所得的故障信号，在采样检测长度内，其密度越大、幅度较大，则代表电机质量较差，反之则较好。其中采样长度为h个振动周期。
40.其中，故障信号的密度计算为：上式g代表故障信号的数量，代表第个信号周期内的故障信号数量，为第
个信号周期内的故障信号密度，为整个采样长度内所有信号周期故障信号密度加和求均。
41.其中，电机故障信号幅度计算为：上式a代表任意一个故障信号，为去除噪声信号后，剩余故障信号中任意一个的幅值。代表第个信号周期内的故障信号数量，为第个信号周期内的故障信号的幅值之和，为采样长度上所有信号周期的故障信号幅值之和，为加和求均。
42.本实施例中，根据故障信号的密度以及电机故障信号幅度，得到电机故障的评估指标：上式利用双曲正切函数将、归一化求均，得到评估电机运转质量的评估函数，j在0-1之间取值，取值越大，电机质量越差。
43.本发明的方案与现有技术相比，现有的故障信号检测算法都会收到噪声信号干扰，单纯进行阈值降噪，也会连带故障信号一起处理掉，本发明通过噪声信号和故障信号的特征，计算单位信号的局部离散性，在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分，对电机的质量检测结果更为准确。
44.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。