離心泵運行狀態在線監測與故障診斷裝置研制與應用

劉起超，周云龍，梁 超，楊 美，黃 娜

?

離心泵運行狀態在線監測與故障診斷裝置研制與應用

劉起超，周云龍，梁 超，楊 美，黃 娜

（東北電力大學能源與動力工程學院，吉林 吉林 132012）

為了準確監測離心泵的運行狀態，建立了狀態在線監測和故障診斷數學模型，研制了一種離心泵運行狀態在線監測與故障診斷裝置。該裝置運行狀態在線監測功能可以對離心泵的體積流量、入口壓力、出口壓力、揚程、功率、效率、軸向位移和徑向位移進行在線監測并能夠以曲線圖、柱狀圖和數據表的形式顯示。故障診斷功能包括初步診斷和精確診斷，初步診斷采用閾值對比法對汽蝕、基礎松動、轉子不對中和轉子不平衡4種故障進行識別；精確診斷根據經驗模態分解（EMD）能量熵將故障的嚴重程度劃分為輕度、中度和重度。實際應用結果表明，該裝置能夠準確地對離心泵的運行狀態進行在線監測和故障診斷。

離心泵；運行狀態；在線監測；閾值對比；EMD能量熵；故障診斷

離心泵作為工業中經常使用的一種機械設備，在火力發電廠等工業企業中占有重要的地位。離心泵的使用環境通常比較惡劣，并且一般需長時間連續運行，這對其穩定運行提出了較高的要求[1-2]。目前在工業生產中主要依靠定期檢測來評估離心泵的運行狀態，但這無法及時發現離心泵的故障并及時進行處理。因此，亟需對離心泵進行運行狀態的在線監測和故障診斷[3]。目前，學者們主要借助支持向量機（SVM）[4]、后向傳播[5]、小波包樣本熵和SVM[6]等算法對離心泵進行故障診斷，但這些研究停留在理論層面，且較少涉及離心泵運行狀態在線故障診斷。對此，本文研制了一種大型離心泵運行狀態在線監測與故障診斷裝置，能夠有效地對離心泵的運行狀態進行在線監測，并且能夠準確地對離心泵出現的故障進行診斷和報警，對于離心泵的安全穩定運行有重要的作用。

1 裝置結構

離心泵運行狀態在線監測與故障診斷裝置結構如圖1所示。該裝置主要分為數據測量模塊、數據采集模塊、在線監測模塊和故障診斷模塊。數據測量模塊測量裝置所需要的物理信號。數據采集模塊采集測量信號，作為運行狀態和故障診斷的原始數據。在線監測模塊一方面直接將原始數據存儲到數據庫中以供故障診斷模塊使用，另一方面將原始信號進行數據處理，將電壓信號轉換成對應的體積流量、入口壓力、出口壓力、轉速等運行參數，并且能夠以曲線圖、柱狀圖和數據表的形式顯示。故障診斷模塊對數據庫中的數據進行進一步處理，求出故障診斷所需要的特征參數，然后通過診斷 推理，判斷離心泵發生的故障類型以及嚴重程度。故障診斷模塊主要對離心泵經常出現的汽蝕、基礎松動、轉子不對中和轉子不平衡4種故障做出 診斷。

圖1 離心泵運行狀態在線監測與故障診斷裝置結構

2 裝置研發

2.1 測點布置

該裝置包含壓力變送器、溫度變送器、流量傳感器、位移傳感器、轉速傳感器、電流表、電壓表以及數據采集卡等硬件。考慮到離心泵參數計算的要求，傳感器的測點布置如圖2所示。

1—體積流量測點；2—入口壓力測點；3—出口壓力測點；4—溫度測點；5—轉速測點；6—電流測點；7—電壓測點；8—軸向位移測點；9—徑向位移測點。

2.2 模型建立

2.2.1 狀態在線監測數學模型

在線監測模塊需要監測離心泵的體積流量、揚程、溫度、轉速、有效功率、軸功率、效率和有效汽蝕余量。其中，體積流量、溫度、轉速可以直接采用傳感器測量，其他參數則需要通過計算求得。

1）揚程 離心泵的揚程和進出口的壓力以及流速有關[7]，如式(1)所示：

式中：out和in為出口和進口壓力，Pa；out和in為出口和進口流速，m/s；為工質密度，kg/m3；為重力加速度，取9.8 m/s2。

out和in可以直接用壓力傳感器測得，out和in用式(2)和式(3)求得：

式中：為體積流量，m3/h；out和in為離心泵出口和進口直徑，m。

2）有效功率 離心泵的有效功率e即離心泵對工質水做的功，用式(4)表示：

3）軸功率 離心泵的軸功率與電機的功率以及離心泵傳動系數等有關，用式(5)表示：

式中：cos為電機功率因數；為電機效率；tm為傳動效率，根據離心泵和電機類型指定；為電機單相電壓，V；為電機單相電流，A。

4）效率 離心泵的效率可以用有效功率和軸功率計算，如式(6)所示：

5）有效汽蝕余量 有效汽蝕余量NPSHa計算式為

式中v為飽和蒸汽壓力，Pa。

2.2.2 故障診斷數學模型

1）初步故障診斷

研究表明，小波分析[8-9]、對稱點模式和圖像匹配分析[10]、小波包和復雜度分析[11]、相空間重構和支持向量機分析[12-13]、神經網絡[14]等多種現代數學分析方法都能夠有效地對故障進行診斷。但是這些現代數學方法編程復雜，不利于工程實際應用。

不同故障類型對應不同特征值和閾值。本文針對不同故障選擇適用的閾值類型，在初步診斷模塊中將4種故障對應的特征值、閾值進行對比，建立初步故障診斷模型（表1），以此判斷是否出現故障，計算速度快，編程簡單，能夠實現在線診斷。

表1 初步故障診斷模型

Tab.1 The model of preliminary fault diagnosis

2）精確故障診斷

經過初步故障診斷得出離心泵發生的故障類型，然后根據所處的故障類型采用不同方法進行精確故障診斷，得出離心泵發生故障的嚴重程度。

① 汽蝕故障 根據離心泵汽蝕的嚴重程度將離心泵所處的汽蝕狀態分為輕度汽蝕、中度汽蝕和重度汽蝕3個階段。采用經驗模態分解（EMD）能量熵分析的方法對離心泵入口壓力信號進行分析，得出入口壓力信號對應的EMD能量熵E。隨著離心泵汽蝕程度的加重，E逐漸減小。離心泵發生輕度、中度、重度汽蝕的EMD能量熵臨界值分別為E1、E2、E3。據此建立的判斷離心泵汽蝕嚴重程度診斷模型見表2。

表2 離心泵汽蝕故障精確診斷模型

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

② 振動類故障 根據離心泵轉軸的振動嚴重程度將振動類故障分為輕度、中度和重度3類。采用幅域分析法對離心泵的振動類故障進行精確故障診斷。在幅域分析法的參數指標中，峭度指標v對沖擊脈沖類故障比較敏感，特別當故障早期發生時，v明顯增加；均方根值rms穩定性較好，但對早期故障不太敏感。本裝置將振動類故障的特征值對應的峭度指標v和均方根值rms相結合，建立診斷模型（表3），對離心泵發生的振動類故障進行精確診斷。

2.3 軟件研發

裝置軟件部分基于C語言和SQL數據庫編寫。

2.3.1 軟件結構和功能

圖3為該裝置的軟件流程框圖。軟件部分主要包括數據采集、數據處理、運行狀態在線顯示、數據庫和故障診斷五大模塊。各模塊及功能如下。

1）數據采集 該模塊對現場的流量、入口壓力、出口壓力、溫度、轉速、電流、電壓、離心泵軸向位移和徑向位移等信號進行采集，通過數據采集軟件傳輸到計算機中進行處理。

2）數據處理 數據處理模塊將數據采集模塊采集的標準模擬電信號轉換成原始的物理信號。

3）運行狀態在線顯示 該模塊將數據處理模塊中得到的結果以列表、曲線圖和柱狀體的形式在界面中顯示，供運行人員實時查看。

4）數據庫 處理后的原始數據存入數據庫中，供故障診斷模塊調用。

5）故障診斷 包含初步故障診斷和精確故障診斷。初步故障診斷對汽蝕、基礎松動、轉子不對中和轉子不平衡4種故障進行識別和報警。精確故障診斷對離心泵所處的故障的嚴重程度進行計算，并將嚴重程度劃分為輕度、中度和重度。

表3 離心泵振動故障精確診斷模型

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

圖3 軟件流程框圖

2.3.2 軟件界面

裝置軟件界面主要包括主界面和實時顯示界面、歷史數據界面、故障診斷界面、參數設置界面和設置界面等子界面。

1）主界面 進入軟件后直接進入主界面，主界面可以進入各個子界面，完成系統的所有操作。

2）實時顯示界面 主要包括主界面、柱狀圖、曲線圖和數據表4個界面，用戶可以根據需要選擇顯示方式。曲線圖和柱狀圖顯示界面如圖4所示。

3）歷史數據界面 包含通道數據和故障歷史 2個界面。用戶可以從通道數據中查看各個通道的歷史數據，從故障歷史界面中查看出現的故障歷史，以便于報表的制作等。

4）故障診斷界面 當用戶發現裝置故障報警后，可在此界面查看壓力、位移信號的波形圖、頻譜圖和軸心軌跡圖，據此對故障進行精確診斷。

5）參數設置界面 主要包括采集參數設置、通道參數設置、電機參數設置和故障參數設置。

6）設置界面 主要功能是對電流電壓進行切換。由于部分使用場所需要在離心泵上加裝變頻器，而變頻器將會改變電流電壓的波形，使得離心泵的電流電壓不可測。為了保證該系統的通用性，在此界面添加切換電流電壓選項，用戶可以在此選擇是否測量電流電壓。

圖4 參數顯示界面

3 實際應用

采用該裝置對LS50-32-125-ZHT型離心泵進行運行狀態在線監測與故障診斷。圖5為正常狀態和基礎松動狀態下離心泵轉軸的位移波動曲線。由圖5可見，正常狀態下轉軸的位移均值較小，而當出現基礎松動故障時，轉軸的位移均值明顯增大。

圖5 轉軸位移波動

此時轉軸的軸心軌跡如圖6所示。從圖6可以看出轉軸的軸心軌跡呈現不規則的形狀，由此判斷出此時離心泵發生了基礎松動故障。同時，裝置本身也在運行狀態欄中進行了基礎松動故障的報警。經過對該離心泵進行檢查，發現其確實存在基礎松動故障。此外，該裝置的準確性已經通過了中國計量認證檢測機構認證。

圖6 基礎松動軸心軌跡

以上結果表明，該裝置可以準確地對離心泵的運行故障做出診斷，并且能夠用于實際應用。

4 結 語

本文研制的離心泵運行狀態在線監測與故障診斷裝置界面友好，簡潔美觀，功能齊全，可以用多種方式顯示離心泵的運行狀態，并且能夠對故障進行初步和精確診斷，能準確實現離心泵的運行狀態在線監測和故障診斷，可以實際應用于帶有離心泵的工業生產中以保證離心泵的安全穩定運行。

［1］ 史軍杰, 王美霞. 基于模型的離心泵故障診斷設計[J]. 自動化與儀器儀表, 2014(12): 68-70.

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

［2］ 喬鳳杰, 白晶. 電廠水泵故障分析及整治方法研究[J]. 東北電力大學學報, 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, 姜偉, 朱紅波, 等. 故障診斷技術在離心泵中的應用分析[J]. 化工機械, 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. 基于支持向量機的煤礦井下水泵故障診斷研究[J]. 煤炭技術, 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］ 李洪濤. 基于改進BP算法的水泵機組故障診斷的網絡模型[J]. 機械工程與自動化, 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］ 陳英強, 陳煜敏, 蔣勁, 等. 基于小波包樣本熵和SVM的水泵機組振動故障診斷[J]. 中國農村水利水電, 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］ 楊詩成, 王喜魁. 泵與風機[M]. 北京: 中國電力出版社, 2007: 23-24.

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

［8］ 黃忠富. 小波分析在離心泵汽蝕故障診斷中的應用研究[D]. 南京: 江蘇大學, 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］ 許小剛, 王松嶺, 劉海嘯. 基于SDP與圖像匹配的離心風機失速實時檢測[J]. 動力工程學報, 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］ 周云龍, 趙鵬, 孫斌. 基于提升小波包的離心泵故障診斷方法[J]. 熱能動力工程, 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, 杜寶祥, 等. 基于相空間RVM的軸承故障檢測方法[J]. 振動與沖擊, 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的汽輪機轉子故障診斷方法[J]. 熱力發電, 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］ 周云龍, 洪君, 張學清, 等. HHT與Elman神經網絡在離心泵故障振動信號處理中的應用[J]. 流體機械, 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)

劉起超(1991—)，男，碩士，助教，主要研究方向為信號模式識別及故障診斷，lqcliuqichao@126.com。

TK288

A

10.19666/j.rlfd.201809122

劉起超, 周云龍, 梁超, 等. 離心泵運行狀態在線監測與故障診斷裝置研制與應用[J]. 熱力發電, 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

吉林省科技發展計劃資助項目(20130206008GX)

周云龍(1960—)，男，博士，教授，主要研究方向為兩相流及火電廠設備故障診斷，neduzyl@163.com。

（責任編輯 劉永強）