馬利君，熊 鳴，吳 曄 ，羅 丹，宋 寅

(1．大唐環(huán)境產(chǎn)業(yè)集團股份有限公司 特許經(jīng)營分公司，江蘇 南京 210000 ；2．武漢理工大學 機電工程學院，湖北 武漢 430070；3.襄陽五二五泵業(yè)有限公司，湖北 襄陽 441004)

機械設(shè)備在運轉(zhuǎn)過程中往往會產(chǎn)生各種形式的振動，作為診斷設(shè)備正常運行的重要指標之一，工程師希望能夠準確獲取這些振動信號用于設(shè)備的故障分析。通常情況下，振動信號的采樣依賴于奈奎斯特采樣定理[1]，但由于現(xiàn)在制造設(shè)備越來越豐富，振動信號的頻帶也在不斷增大，隨之而來的數(shù)據(jù)量陡增[2-3]。

針對這一問題，徐敏強等[4]在分析了旋轉(zhuǎn)機械振動信號的特點和小波變換在信號奇異性檢測上的特性后，提出了一種數(shù)據(jù)壓縮方法；王楠等[5]提出了一種針對振動信號進行壓縮編碼的算法，該算法可有效壓縮振動信號，且在保留其頻域主要特征的情況下，使傳輸數(shù)據(jù)量大大減少，節(jié)省了網(wǎng)絡(luò)節(jié)點資源和上位機存儲空間；王懷光等[6]提出一種基于自適應(yīng)學習的量子神經(jīng)網(wǎng)絡(luò)振動信號壓縮方法，可提高振動信號的壓縮比, 減小重構(gòu)誤差, 縮短運行時間, 更適用于振動信號的在線傳輸；余路等[7]提出了一種基于過完備字典的缺失振動數(shù)據(jù)壓縮感知重構(gòu)算法，該算法優(yōu)于傳統(tǒng)基于離散余弦變換和離散傅里葉變換的數(shù)據(jù)修復算法, 同時具有一定的魯棒性。

上述算法大多是通過數(shù)據(jù)壓縮來減少數(shù)據(jù)文件的大小，其壓縮能力有限，難以從源頭上控制采樣數(shù)據(jù)量。與此同時，大數(shù)據(jù)技術(shù)在近些年逐漸為研究人員所關(guān)注，各方面的研究結(jié)果都顯示出大數(shù)據(jù)技術(shù)在指導數(shù)字化、智能化生產(chǎn)中的巨大潛力與優(yōu)勢。筆者將探討一種融合大數(shù)據(jù)技術(shù)的泵類產(chǎn)品振動數(shù)據(jù)采樣模式，并對該模式的系統(tǒng)組成、運行機制、特點和關(guān)鍵技術(shù)等進行了研究和闡述。

1 工業(yè)泵數(shù)據(jù)采樣模式

1.1 設(shè)備振動數(shù)據(jù)的高質(zhì)量采集與組成

不同的設(shè)備在運行過程中會存在不同的振動頻率，寬頻振動采樣提升了傳感器的采樣能力。目前在許多領(lǐng)域中大多是使用無線傳感器來完成數(shù)據(jù)采集[8-11]，在進行數(shù)據(jù)采樣的過程中若能夠使傳感器依據(jù)當前設(shè)備的振動情況自適應(yīng)調(diào)整采樣的頻率和周期，那么最終所獲得的數(shù)據(jù)將比傳統(tǒng)的定周期采樣在數(shù)據(jù)質(zhì)量和數(shù)據(jù)總量上更優(yōu)。

通常，一個傳感器的數(shù)據(jù)采集與傳輸電路結(jié)構(gòu)如圖1所示，當傳感器工作時將采集到的數(shù)據(jù)保存在存儲模塊，通過調(diào)用存儲模塊中的數(shù)據(jù)進行處理后將數(shù)據(jù)通過通信模塊發(fā)布到網(wǎng)絡(luò)中，因此對于采樣數(shù)據(jù)的處理優(yōu)化就在調(diào)用過程中。

圖1 傳感器的數(shù)據(jù)采集與傳輸電路

考慮到系統(tǒng)對實時性、可靠性以及數(shù)據(jù)處理能力的要求，采用在PXI總線標準下，以FPGA(field programmable gate array)嵌入式軟件為核心，開發(fā)并行采集處理模塊，完成多路振動與工藝過程量信號的調(diào)理、數(shù)模轉(zhuǎn)換、同步采集、故障特征提取、狀態(tài)監(jiān)測、數(shù)據(jù)通信等數(shù)據(jù)的采集技術(shù)。

1.2 寬頻振動沖擊特征值提取稀疏算法

采樣過程的自動調(diào)整主要是實時優(yōu)化采樣周期和采樣頻率，參數(shù)調(diào)整依據(jù)是當前設(shè)備的振動頻率和振動幅度，整個自適應(yīng)調(diào)整流程如圖2所示。當傳感器獲取振動信號輸入后提取其中的振動幅值數(shù)據(jù)，將所得幅值按采集順序進行對比，若對比的差值為正表示此時振動強度正在上升，設(shè)備處于非平穩(wěn)運行狀態(tài)，需要密切關(guān)注；反之若對比的差值為負表示此時振動強度正在下降，設(shè)備處于趨于平穩(wěn)運行的過程中，可適當降低關(guān)注度。

圖2 自適應(yīng)采樣調(diào)整流程框圖

因為無線傳感網(wǎng)絡(luò)節(jié)點之間具有時間相關(guān)性，而且傳感器節(jié)點之間也具有空間相關(guān)性，所以對于采樣過程采取動態(tài)采樣策略。若采取傳統(tǒng)的基于監(jiān)測對象的周期性采樣方法會產(chǎn)生許多冗余數(shù)據(jù)而且數(shù)據(jù)變化不明顯，影響數(shù)據(jù)的傳輸效率和數(shù)據(jù)獲取的精確性。根據(jù)采集數(shù)據(jù)的實際情況，通過動態(tài)的振動沖擊能量的變化來進行數(shù)據(jù)采集與判斷，可以很好地將振動故障特征值進行有效的提取，解決工業(yè)泵普遍存在的部分振動特征數(shù)據(jù)采集不準的問題，以提升傳感器節(jié)點的工作效率。

動態(tài)采樣策略工作原理是當前采樣的數(shù)據(jù)與歷史采樣數(shù)據(jù)之間的差值大于或者小于設(shè)定的數(shù)值時開始進行上傳數(shù)據(jù)，此時已經(jīng)設(shè)定的數(shù)值被稱為既定閾值△,△是需要設(shè)定的未知參數(shù)，采樣的分辨率與它有很大的關(guān)系，一般設(shè)置為零，相鄰兩次采樣值之間應(yīng)滿足式(1)：

Xn-Xn-1=△

(1)

式中：Xn-Xn-1分別為第n次和第n-1次采樣值。

通過設(shè)閾值△，傳感器節(jié)點數(shù)據(jù)上傳頻度可大幅減少。為了避免數(shù)據(jù)總是不被上傳的現(xiàn)象，設(shè)定兩次無線上傳的時間間隔內(nèi)的最大采樣次數(shù)為Nn，無論第Nn次的采樣數(shù)值與之前第Nn-1次的采樣數(shù)值之差有沒有超過閥值，則第Nn次的采樣數(shù)據(jù)都將被上傳，這是一種規(guī)避機制。

根據(jù)閾值△的大小來進行判斷其振幅差的大小，并根據(jù)其數(shù)值對采樣周期進行縮短或延長。通常情況下，當閾值△大于零，縮短采樣周期；當閾值△小于零，延長采樣周期；通過基于振動沖擊能量為對象提高采樣數(shù)據(jù)的精確與詳細。

該過程主要通過軟件的實時判斷來分辨并同步刷新到監(jiān)測振動信號界面上。稀疏特征值算法不需要狀態(tài)矩陣的顯式表達,可計算出狀態(tài)矩陣的一個或一組模值最大的特征值和相應(yīng)的特征向量。對于前一種情況,通過對矩陣不斷的收縮處理,按模值遞減的順序求出矩陣特征值和相應(yīng)特征向量的方法稱為序貫法。對于后一種情況,通過迭代求解系統(tǒng)的不變子空間和特征子集得到按模值遞減的一組特征值和相應(yīng)的特征向量,稱為子空間法。稀疏特征值算法采用了稀疏矩陣技術(shù),在系統(tǒng)規(guī)模上不受限制。

通過該寬頻振動沖擊稀疏算法，可以實現(xiàn)在振動沖擊變大時進行高密度數(shù)據(jù)采集、在振動平穩(wěn)時進行低密度數(shù)據(jù)采集，主要是基于對振動沖擊能量的變化而不是基于對監(jiān)測對象的采樣參數(shù)的精準組態(tài)設(shè)置，并且能實現(xiàn)振動故障特征值的有效提?。豢梢越鉀Q關(guān)鍵機泵當前普遍存在的部分振動特征數(shù)據(jù)采集不準的致命問題，并解決數(shù)據(jù)存儲量與有效性之間的矛盾問題；從而為后續(xù)數(shù)據(jù)遠程傳輸、智能健康可靠性評估、智能診斷分析、大數(shù)據(jù)挖掘應(yīng)用等提供高質(zhì)量數(shù)據(jù)基礎(chǔ)。

在數(shù)據(jù)采集過程中，傳感器采集設(shè)備振動中的振幅數(shù)據(jù)，從測量數(shù)據(jù)中可以獲取當前采集周期內(nèi)的波峰值A(chǔ)Z和波谷值A(chǔ)F以及對應(yīng)的數(shù)據(jù)量nZ和nF，假設(shè)初始的采樣頻率和采樣周期為fa和Ta且滿足香農(nóng)采樣定理要求。

1.3 采樣策略對比

新老算法在不同濾波處理下、包絡(luò)解調(diào)后的波形數(shù)據(jù)測試對比結(jié)果如圖3所示。新算法處理后的包絡(luò)線測試結(jié)果如圖4所示。

圖3 新老算法波形數(shù)據(jù)對比圖

圖4 新算法包絡(luò)線圖

包絡(luò)線幅度的大小直接反映了原始沖擊的大小，也反映了故障缺陷的嚴重程度，包絡(luò)線幅度越準確，越能定量判斷故障的嚴重等級，才能作為故障自動預(yù)警的量化依據(jù)。

2 采樣數(shù)據(jù)多維融合技術(shù)

數(shù)據(jù)融合(data fusion)是一種集信息處理技術(shù)、概率統(tǒng)計、人工智能、模式識別和網(wǎng)絡(luò)通信技術(shù)等多種技術(shù)于一體的復合型技術(shù)[12]。信息融合的處理過程包括對數(shù)據(jù)的多屬性進行多層次、多方面的綜合檢測，從而準確完整地實現(xiàn)對數(shù)據(jù)狀態(tài)的評估。

數(shù)據(jù)融合技術(shù)利用終端節(jié)點的數(shù)據(jù)和一定算法完成對同類數(shù)據(jù)的聚合處理，獲得更精簡的數(shù)據(jù)量和更精確的數(shù)據(jù)值，一般過程如圖5所示。

圖5 數(shù)據(jù)融合的流程圖

利用數(shù)據(jù)融合可以有效減少數(shù)據(jù)傳輸量，降低數(shù)據(jù)沖突，綜合考慮信號的相關(guān)性，從而有效地對數(shù)據(jù)特征進行提取，起到精確而更高效的作用。

按照系統(tǒng)的統(tǒng)一數(shù)據(jù)標準與統(tǒng)一界面風格設(shè)計，并通過JSON(Java script object notation)技術(shù)、HTML5(hyper text markup language)技術(shù)和關(guān)系型數(shù)據(jù)庫技術(shù)實現(xiàn)數(shù)據(jù)與界面的多維融合,對某公司的工業(yè)泵數(shù)據(jù)進行采集分析。

數(shù)據(jù)多維融合后，單套機泵的動態(tài)數(shù)據(jù)，可以從原先的溫度、壓力、流量、功率、液位等10多維生產(chǎn)工藝數(shù)據(jù)提升到包括總振值、有效值、1倍頻、2倍頻、軸承故障頻率、葉片通過頻率等多個故障特征分頻值在內(nèi)約近百維健康綜合數(shù)據(jù)，機泵健康分析界面從原先幾個簡單劣化趨勢提升到包括豐富波形頻譜圖和報表在內(nèi)的10多個智能診斷圖譜。

界面融合后的效果如圖6和圖7所示。

圖6 在數(shù)據(jù)平臺中的振動趨勢圖

圖7 在數(shù)據(jù)平臺中的振動波形頻譜圖

3 總結(jié)

首先深入了解傳統(tǒng)包絡(luò)解調(diào)算法存在的問題，提出了新的振動特征值不隨分析頻率變化而變化的算法，并通過現(xiàn)場數(shù)據(jù)的采集和與以往傳統(tǒng)算法的比較，解決了以往數(shù)據(jù)獲取不準確的問題。并通過數(shù)據(jù)融合在大數(shù)據(jù)平臺中實現(xiàn)了振動分頻、相位、波形、轉(zhuǎn)速、溫度、壓力、流量、液位、功率等多維有價值數(shù)據(jù)的統(tǒng)一存儲與融合，實現(xiàn)了大數(shù)據(jù)平臺的多維融合。研究成果對后續(xù)研究大數(shù)據(jù)平臺智能診斷模塊的研發(fā)與應(yīng)用提供理論基礎(chǔ)和高質(zhì)量的數(shù)據(jù)基礎(chǔ)。