大型离心风机在线状态监测中的混沌控制方法

具体实施方式：

请参阅附图1、2、3、4所示，本发明由电机、轴承座、联轴器、风机、传感器、磁带机、数据采集器及A/D转换板等部件组成，其电机(2)的一侧与电机自由侧轴承座(1)相连接，其另一侧与电机负荷侧轴承座(3)相连接，风机(6)的一侧与风机负荷侧轴承座(5)相连接，其另一侧与风机自由侧轴承座(7)相连接，电机负荷侧轴承座(3)与风机负荷侧轴承座(5)之间由联轴器(4)相连接；

数据采集器传感器(8)的一端安装在电机自由侧轴承座(1)上，其另一端与数据采集器(9)模块的输入端相连接，数据采集器(9)模块的输出端与磁带机(10)的输入端相连接，磁带机(10)的输出端与A/D转换板(11)的输入端相连接，A/D转换板(11)的输出端与PC机(12)的输入端相连接；

各测试点分别位于对应的电机(2)和风机(6)两侧的轴承座测点。

一种大型离心风机在线状态监测中的混沌控制方法，该控制方法包括：

通过选择动力学系统延时常数τ的方法，基于时间序列信息维数大于关联维数的特点，选取信息维数与关联维数的差ΔD作为衡量指标，取极小值对应的τ作为系统的延时常数，实现风机(6)振动信号的最大李雅普诺夫指数计算的延时嵌入法；

通过大型离心风机在运行过程中混沌现象的在线监测方法，采用非线性监测方法，实现准确预报风机(6)混沌状态的发生；

通过PC机的信号处理，对监测风机(6)振动的李雅普诺夫指数的测试方法，识别运行状态的混沌特征，正的李雅普诺夫指数表明风机(6)系统发生了混沌，实现克服混沌现象；

通过调整风机(6)流量调节阀、压力或者机速参数，改变风机系统的输入，实现消除混沌产生的高振动值及抑制混沌现象的产生。

所述的大型离心风机在线状态监测中的混沌控制方法的延时嵌入法算法的具体工作步骤是：

步骤1.从时间序列{Xi}中获得状态向量Yi

获得一个m维状态向量

对于风机(6)振动信号的时间序列{Xi，i＝1，2，.，n}是一个n维系统中的某一状态输出。给定整数m＞1，τ＞0，得到一个m维状态向量

Yi＝[Xi，Xi+τ，.，Xi+(m-1)τ]                        (1)

式中i＝1，2，.，k，k＝N-(m-1)τ为重构向量的个数；m为嵌入维数；τ为延时常数，它是一个正整数，表示为相邻两次采样间隔的倍数；

步骤2.选取信息维数与关联维数的差作为衡量指标，取极小值对应的τ作为系统的延时常数，m作为嵌入维数

$>>I>>(>q>,>e>)>>=>>1>>1>->q>>>log>\{>>\Sigma >>m>=>1>>>N>>(>e>)>>>>p>>>(>m>,>e>)>>q>>\}>->->->>(>2>)>>>s>$

式中P(m，e)^q是小盒子e的度量尺度，N(e)是盒子的数目；

动力学系统维数D的定义为：

$>>D>>(>q>)>>=>>>I>>(>q>,>e>)>>>>log>>(>e>)>>>>->->->>(>3>)>>>s>$

其中q＝0，1，2，D(q)分别对应于容量维数，信息维数和关联维数，显然，D(0)＞D(1)＞D(2)；

步骤3.采用衡量指标ΔD极小化确定系统的延时常数τ和嵌入维数m

ΔD＝D(1)-D(2)                                   (4)

步骤4.李雅普诺夫指数计算方法

a.首先找出距离初始点Y0最近的点，用C0表示这两点的距离，ti时刻，Ci演化为C′i，ti+1时刻，Ci+1演化为C′i+1，按照C′i与Ci夹角和距离最小的原则搜索新的数据点；

b.完成所有数据点的比较

c.最大李雅普诺夫指数计算Lyapunov指数λ的计算方法为：

$>>\lambda >=>>1>>>t>N>>->>t>0>>>>>\Sigma >>i>=>1>>N>>>log>2>>>>>C>\prime >>>(>>t>i>>)>>>>C>>(>>t>i>>)>>>>->->->>(>5>)>>>s>$

所述的大型离心风机在线状态监测中的混沌控制方法的PC机的信号处理，对监测风机(6)振动的李雅普诺夫指数的测试方法是：首先读取振动信号，通过判别指标ΔD极小化确定系统的延时常数τ和嵌入维数m，根据τ和m重构动力学系统的时间序列模型，再计算最大李雅普诺夫指数λ，包括：测试方法和PC机的信号处理方法；

其中：

测试方法的具体工作步骤是：

步骤1.数据采集

将振动测量仪配置的传感器分别放置在轴承座电机自由侧轴承座(1)、电机负荷侧轴承座(3)、风机负荷侧轴承座(5)和风机自由侧轴承座(7)上，使用振动测量仪依次测得电机测点①和测点②，风机两侧测点③和测点④的振动值，并加以记录；

步骤2.振动信号录制

将磁带机(10)接到振动测量仪的信号输出端上，依次录制设备的振动波形；

步骤3.模拟信号转换成数字信号

利用磁带机(10)的附件A/D转换板(11)，将磁带机(10)录制的模拟信号转化为数字信号；

步骤4.数据处理

将振动数字信号加载到PC机(12)的混沌分析应用程序中，对风机设备的状态进行识别；其中：

PC机的信号处理方法的具体工作步骤是：

步骤1.开始(21)

按启动键使计算机程序进入运行状态；

步骤2.读取数据(22)

进入开始(21)模块后，则进入读取数据(22)模块；

步骤3.通过ΔD计算延时τ和嵌入维数m(23)

读取数据(22)模块的输出信号，进入到通过ΔD计算延时τ和嵌入维数m(23)模块；

步骤4.根据延时τ和嵌入维数m重构动力学系统(24)

通过ΔD计算延时τ和嵌入维数m(23)模块的输出信号，进入到根据延时τ和嵌入维数m重构动力学系统(24)模块；

步骤5.判断计算最大李雅普诺夫指数λ＞0(25)？

根据延时τ和嵌入维数m重构动力学系统(24)模块的输出信号，进入到计算最大李雅普诺夫指数λ＞0(25)的判断模块；

如果λ＞0，则进入系统存在混沌现象(27)模块；如果λ≤0，则进入系统不存在混沌现象(26)模块；

步骤6.显示判断结果及处理建议(28)

系统不存在混沌现象(26)模块的输出信号，进入到显示判断结果及处理建议(28)模块；

系统存在混沌现象(27)模块的输出信号，也进入到显示判断结果及处理建议(28)模块；

步骤7.结束(29)

显示判断结果及处理建议(28)模块的输出信号，进入到结束(29)模块；

本发明的技术原理和必要图表及计算公式：

大型离心风机在线监测中的混沌控制选用李雅普诺夫(Lyapunov)指数分析方法，1985年，Wolf等人在总结前人研究成果的基础上，提出了计算最大李雅普诺夫(Lyapunov)指数的方法。

本技术提出了一种基于时间序列信息维数与关联维数差极小原则确定动力学系统延时常数的方法，利用Matlab6.5实现了风机振动信号的最大李雅普诺夫指数的计算。

具体算法如下：对于风机振动信号的时间序列{Xi，i＝1，2，.，n}是一个n维系统中的某一状态输出。给定整数m＞1，τ＞0，可得到一个m维状态向量。

Yi＝[Xi，Xi+τ，.，Xi+(m-1)τ]                     (1)

式中i＝1，2，.，k，k＝N-(m-1)τ为重构向量的个数；m为嵌入维数；τ为延时常数，它是一个正整数，可表示为相邻两次采样间隔的倍数。这种从时间序列{Xi}中获得状态向量Yi的方法称为延时嵌入法。

相空间重建要解决的首要问题是延迟步长τ与嵌入相空间维数d的选取。在分析系统的动力学特性时延迟时间τ的选择要适当，太小则两相邻状态空间向量的相关取值会偏大；而当τ太大时，由于确定性混沌对初始条件的敏感性，会使相邻状态空间向量间的确定性关系丢失。在τ的选取方法上，被人们大量引用的是时间序列自相关系数的过零点来确定τ的方法，对于高维嵌入(m≥3)此方法不能保证给出的延迟步长是最佳的。

本文利用时间序列信息维数大于关联维数的特点，选取信息维数与关联维数的差作为衡量指标，取极小值对应的τ作为系统的延时常数，m作为嵌入维数。

$>>I>>(>q>,>e>)>>=>>1>>1>->q>>>log>\{>>\Sigma >>m>=>1>>>N>>(>e>)>>>>p>>>(>m>,>e>)>>q>>\}>->->->>(>2>)>>>s>$

式中P(m，e)^q是小盒子e的度量尺度，N(e)是盒子的数目；

动力学系统维数D的定义为：

$>>D>>(>q>)>>=>>>I>>(>q>,>e>)>>>>log>>(>e>)>>>>->->->>(>3>)>>>s>$

其中q＝0，1，2，D(q)分别对应于容量维数，信息维数和关联维数。很显然，D(0)＞D(1)＞D(2)。

采用衡量指标ΔD极小化确定系统的延时常数τ和嵌入维数m。

ΔD＝D(1)-D(2)                                    (4)

首先找出距离初始点Y0最近的点，用C0表示这两点的距离，ti时刻，Ci演化为C′i，ti+1时刻，Ci+1演化为C′i+1，按照C′i与Ci夹角和距离最小的原则搜索新的数据点，完成所有数据点的比较。最大Lyapunov指数λ的计算方法为：

$>>\lambda >=>>1>>>t>N>>->>t>0>>>>>\Sigma >>i>=>1>>N>>>log>2>>>>>C>\prime >>>(>>t>i>>)>>>>C>>(>>t>i>>)>>>>->->->>(>5>)>>>s>$

本发明的关键技术和创造点

通过研究大型离心风机状态监测中的非线性行为，基于时间序列信息维数大于关联维数的特点，提出了利用信息维数与关联维数的差作为衡量指标，取极小值对应的τ作为系统的延时常数的方法；提出了利用李雅普诺夫(Lyapunov)指数分析可以有效识别大型离心风机设备运行中的混沌特征，正的李雅普诺夫(Lyapunov)指数表明风机系统发生了混沌。现场应用表明风机系统发生混沌现象时，主要体现在操作或工艺参数匹配不当，通过调整工作压力、风量或者机速等参数改变风机系统的输入，可以较好地消除混沌状态下的高振动值，该方法对于避免大型风机因振动值超标引发的连锁停机具有重要意义。

2004年11月22日一台大型离心风机机组的电机负荷侧垂直方向振动值加剧并出现报警，图1是在线系统振动监测历史纪录，该风机电机功率9300KW，支撑为油膜轴承，采用双斜带式点火保温炉，送入保温炉第二段的空气流量最大可达80000Nm3/h，有两个流量调节阀可在0～100％范围内调整，流量容易控制。该机组安装了Bently3300在线监测保护系统，主要对风机和电机的振动以及温度进行在线监测，图1是该风机振动测点布置及连接关系示意图。

测试仪器还包括：

振动测试仪VM3324(含传感器)，SONY磁带记录仪及A/D采样板，PC机等；

本发明的具体测试方法：

数据采集：将振动测量仪配置的传感器分别放置在轴承座1、3、5和7上，使用振动测量仪VM3324依次测得电机测点①和测点②，风机两侧测点③和测点④的振动值，并加以记录；

振动信号录制：将Sony磁带机(10)接到振动测量仪VM3324的信号输出端上，依次录制设备的振动波形；

模拟信号转换成数字信号：利用Sony磁带机的附件A/D采集板(11)将磁带机录制的模拟信号转化为数字信号；

数据处理：将振动数字信号加载到PC机(12)的混沌分析应用程序中，对风机设备的状态进行识别。

PC机信号处理流程如图2所示，首先读取振动信号，通过判别指标ΔD极小化确定系统的延时常数τ和嵌入维数m，根据τ和m重构动力学系统的时间序列模型，再计算最大李雅普诺夫(Lyapunov)指数λ。如果λ＞0，表明系统进入混沌状态，通过在线调整系统的输入参数，可有效防止混沌产生的危害；如果λ≤0，表明系统未进入混沌状态，程序结束。

在数据采集时，如果风机配备有在线监测保护系统，比如Bently3300或3500系统等，可以直接利用在线系统已有的传感器，通过Bently等二次仪表的信号输出端子采集振动信号。需要注意的是必需采用电容与二次仪表输出端子连接，避免因外接阻抗不匹配诱发的在线系统连锁跳机。

通过大量原始数据积累，利用CF-920频谱分析仪对风机历史数据加以筛选，选取风机典型故障模下的振动信号进行分析，研究风机在不同故障模式下的非线性特征，表1是采用衡量指标ΔD极小化确定风机系统不同故障模式下的延时常数τ一览表。

表1 不同故障模式下风机振动信号的延时常数一览表

现场实测数据研究：着重研究机组出现的典型故障模式下的非线性行为：喘振(SUR)、裂纹(CRK)、油膜涡动(WHP)和不对中(MISALN)。表2给出了风机在喘振、裂纹、油膜涡动和不对中四种故障模式下的李雅普诺夫(Lyapunov)指数计算结果和伪相图(Poincare界面)。

通过对风机在典型故障模式下的振动信号分析，风机在不平衡、裂纹等状态下呈现周期运行，在不对中、碰磨和油膜涡动等状态下呈现倍周期运动，李雅普诺夫(Lyapunov)指数小于零；风机机组在喘振状态下，风机振动的伪相图出现喘振吸引子，Lyapunov指数大于零，表明风机系统跨越李雅普诺夫(Lyapunov)指数的零点出现分叉后进入混沌状态。通过调整风机入口的压力或流量，机组运行脱离喘振区域后，机组振动值恢复正常。

将2004年11月22日8:00至9:00风机轴承座测得的振动信号进行李雅普诺夫(Lyapunov)指数分析，其最大李雅普诺夫指数为0.0056，表明风机运行存在强烈的非线性行为，呈现混沌状态，将烧结机垂直烧结速度从20mm/min降至16mm/min，电机负荷侧水平方向振动由200μm下降到50μm，风机振动值明显下降，有效了避免因振动超标导致的连锁停机。

本发明的创造点：

提出了基于ΔD极小化(信息维数与关联维数的差)作为衡量指标，取极小值对应的τ作为系统的延时常数和嵌入维数m的方法；通过大型离心风机在运行过程中振动加剧时的非线性行为研究，发现了机械系统存在的一种混沌现象；本技术提出了预报混沌现象的在线监测方法；

通过监测风机振动的李雅普诺夫(Lyapunov)指数，可以有效识别运行状态的混沌特征，正的李雅普诺夫(Lyapunov)指数表明风机系统发生了混沌；

提出了大型离心风机的混沌控制方法，现场应用表明大型离心风机发生混沌现象时，主要体现在操作或工艺参数匹配不当，通过调整风机流量调节阀、压力或者机速(风机垂直烧结速度)等参数改变风机系统的输入，可以较好地消除混沌产生的高振动值，有效抑制混沌产生的危害，满足设备正常生产的要求。

(下接18页)

本发明成果特点和水准(要有比较)

本发明的应用范围

该技术可广泛应用于钢铁、化工、电力、造纸等行业的大型离心风机的在线监测和状态管理。