基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法

470 编辑：中冶有色技术网来源：杭州哲达科技股份有限公司

2023-12-05 14:52:01

权利要求书： 1.一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，其特征在于，包括以下步骤：S1：构建高炉鼓风机和TRT机组系统的三维模型；

S2：通过采集现场实时数据和计算虚拟数据，搭建高炉鼓风机和TRT机组数字孪生系统；

S3：基于数字孪生系统对数据进行异常数据剔除；

S4：利用改进的振动频谱占比提取方法进行时频域特征提取；

S5：根据时频域特征以及设备的运行参数构建基于Adam算法的神经网络故障诊断算法；

S6：神经网络输出结果保存在数字孪生系统，形成设备故障部件的故障信息的三维动态展示，生成诊断报告，并推送给现场管理人员；

步骤S4所述的改进的振动频谱占比提取方法，具体包括如下步骤：S41：获取设备的振动时域波形信号x(n)＝[x1,x2,x3…xN]，其中xN为振动加速度值，N为采样点数；

S42：对振动时域波形信号进行快速傅里叶变换FFT，根据傅里叶变换公式：其中0≤k≤N?1,n为第n个采样数据，k为频域上的第k个数据，WN?j*2*π/N r

＝e 是旋转因子，设N＝2 ，将x(n)分为前后各一半，得到两个长为N/2的序列，经整合计算得到：S43：得到FFT后的振动信号频域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN为FFT后的频率值，|X(1)|,|X(2)|,…,,|X(N)|为对应频率下频率幅值；

S44：计算设备的特征频率，分别为0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、

3.5倍频、4倍频、高倍频，记为：[f0.5X,f1x,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，倍频为基频的倍数，基频等于1倍频；

其中，fnX为高倍频的频率，即大于4倍频的频率，其中f1X为1倍频的频率，r为设备的转速，得到设备的特征频率为：此处n为高倍频，表示大于4倍频的所有频率；

S45：计算特征频率的频谱占比：

①fi为第i个频率值，如果则选取所有的fi对应幅值综合作为0.5倍频的幅值，得到0.5倍频的幅值占比为：

②同理，如果 fj为第j个频率值，得到1倍频的幅值占比为：③同理，如果 fa为第a个频率值，得到1.5倍频的幅值占比为：④同理，如果 fb为第b个频率值，得到2倍频的幅值占比为：⑤同理，如果 fc为第c个频率值，得到2.5倍频的幅值占比为：⑥同理，如果 fd为第d个频率值，得到3倍频的幅值占比为：⑦同理，如果 fg为第g个频率值，得到3.5倍频的幅值占比为：⑧同理，如果 fe为第e个频率值，得到4倍频的幅值占比为：⑨最后，如果 fn为第n个频率值，得到高倍频的幅值占比为：其中，sum(|X(n)|)为中前t个最大值幅值的总和，t＝e/8。

2.根据权利要求1所述的一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，其特征在于，所述的步骤S1中，基于Unity3D进行三维建模，包括高炉鼓风机和TRT机组整条生产线的三维建模，复现现场的设备实景，与现场工艺流程一致。

3.根据权利要求1所述的一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，其特征在于，步骤S2所述的高炉鼓风机和TRT机组数字孪生系统用于进行现场实时数据的采集以及数据建模虚拟数据的预测，实现与现场同步运行的实时系统和当现场停机时继续运行的虚拟孪生系统两种场景，并对每种场景的故障数据进行标记。

4.根据权利要求1所述的一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，其特征在于，步骤S3中，通过滑动平均算法剔除异常数据，具体方法如下：剔除异常数据后t时刻的运行参数变量X记为Xt，θt为剔除异常数据前运行参数变量X在t时刻的取值，β为滑动平均系数，β∈[0,1)，在β＝0时，不使用滑动平均，Xt＝θt；使用滑动平均后：Xt＝β*Xt?1+(1?β)*θt。

5.根据权利要求1所述的一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，其特征在于，步骤S5所述的构建基于Adam算法的神经网络故障诊断算法包括以下步骤：S51：确定神经网络的输入和输出，其中输入为设备的运行参数变量和振动时频域数据，包括电流、电压、功率、温度、流量、三轴向振动有效值、三轴向振动时域指标、三轴向频域指标；输出为设备的故障类型，包括设备转子磨损、不平衡、不对中、基座松动、轴承内圈故障、轴承外圈故障、动静件摩擦故障；

S52：确定该神经网络的参数：输入层节点数目为8，输出层节点数目为1，隐含层有1个，且每个隐含层的节点数为26个，网络学习率为0.21，动量系数为0.01；

S53：利用Adam算法优化神经网络权重，具体方法为：在带动量的梯度下降法的基础上，引入平方梯度，并对速率进行偏差纠正；

S54：构建完整的正向和反向计算神经网络模型，读取数字孪生系统中有故障标记的数据，进行训练和测试；

S55：读取实时运行数据进行故障诊断和输出。

说明书：基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法技术领域[0001] 本发明涉及数字孪生系统、故障诊断等领域，特别涉及一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法。背景技术[0002] 高炉鼓风和TRT系统是高炉炼铁的重要工艺流程，不但能利用高炉煤气的余压进行高效发电，而且还有效地解决了减压阀组产生的噪声污染和管道振动，也为高炉顶压稳定控制有着重要作用。实践证明TRT发电量约为高炉鼓风机所耗电量的40％左右，因此高炉鼓风机和TRT机组的健康情况及其运行的状态直接影响着炼铁的产量和安全性，对其进行故障诊断极其重要。但是在高炉炼铁过程中，高炉鼓风机和TRT机组往往处于工况恶劣、不稳定、功率大、负载重且连续运行状态，由于运行故障导致的恶性事故屡见不鲜。[0003] 随着各种智能算法的研究和深入，运用于故障诊断的算法越来越多，但是由于高炉鼓风机和TRT机组运行工况复杂多变，运行参数繁多，故障特征提取也成为故障诊断领域的一大难点。发明内容[0004] 本发明克服了高炉鼓风机和TRT机组运行工况复杂多变，运行参数繁多，故障特征提取困难的问题，提出了一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法。[0005] 为了实现上述目的，本发明提供了以下解决方案：[0006] 一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法，首先构建高炉鼓风机和TRT机组系统的三维模型；通过采集现场实时数据和计算虚拟数据，搭建高炉鼓风机和TRT机组数字孪生系统；基于数字孪生系统对数据进行异常数据剔除；利用改进的振动频谱占比提取方法，进行时频域特征提取；根据时频域特征以及其他的运行参数构建基于Adam算法的神经网络故障诊断算法；最后神经网络输出结果保存在数字孪生系统，形成设备故障部件的故障信息的三维动态展示，生成诊断报告，并推送给现场管理人员。[0007] 上述技术方案中，优选地，所述的步骤S1中，基于Unity3D进行三维建模，包括高炉鼓风机和TRT机组整条生产线的三维建模，复现现场的设备实景，与现场工艺流程一致。[0008] 优选地，所述的高炉鼓风机和TRT机组数字孪生系统可进行现场实时数据的采集以及数据建模虚拟数据的预测，实现与现场同步运行的实时系统和当现场停机时也能运行的虚拟孪生系统两种场景，并对每种场景的故障数据进行标记。[0009] 优选地，所述的异常数据剔除，为通过滑动平均算法剔除传输异常的数据或因环境中偶然变动因素引起的异常数据，以免影响故障诊断的精确性。具体方法如下：[0010] 剔除异常数据后t时刻的运行参数变量X记为Xt，θt为剔除异常数据前运行参数变量X在t时刻的取值，β为滑动平均系数，β∈[0,1)，在β＝0时，不使用滑动平均，Xt＝θt；使用滑动平均后：[0011] Xt＝β*Xt?1+(1?β)*θt[0012] 优选地，步骤S4中所述的改进的振动频谱占比提取方法，包括如下步骤：[0013] (1)获取设备的振动时域波形信号x(n)＝[x1,x2,x3…xN]，其中xN为振动加速度值，N为采样点数；[0014] (2)对振动时域波形信号进行快速傅里叶变换FFT，根据傅里叶变换公式：?j*2*π/N

其中0≤k≤N?1,n为第n个数据，k为频域上第k个值，WN＝e

r

是旋转因子，设N＝2，将x(n)分为前后各一半，得到两个长为N/2的序列，经整合计算得到：

[0015][0016] (3)得到FFT后的振动信号频域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN为FFT后的频率值，|X(1)|,|X(2)|,…,,|X(N)|为对应频率下频率幅值；[0017] (4)计算设备的特征频率，分别为0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、3.5倍频、4倍频、高倍频，记为：[f0.5X,f1X,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，倍频为基频的倍数，基频等于1倍频；[0018] 其中，fnX为高倍频的频率，即大于4倍频的频率，其中f1X为1倍频的频率，r为设备的转速，得到设备的特征频率为：[0019][0020] 此处n为高倍频，表示大于4倍频的所有频率；[0021] (5)计算特征频率的频谱占比：[0022] ①如果 fi为第i个频率值，则选取所有的fi对应幅值综合作为0.5倍频的幅值，得到0.5倍频的幅值占比为：(i为第i个频率，或第i个频率对应的幅值)

[0023][0024] ②同理，如果 fj为第j个频率值，得到1倍频的幅值占比为：[0025][0026] ③同理，如果 fa为第a个频率值，得到1.5倍频的幅值占比为：[0027][0028] ④同理，如果 fb为第b个频率值，得到2倍频的幅值占比为：[0029][0030] ⑤同理，如果 fc为第c个频率值，得到2.5倍频的幅值占比为：[0031][0032] ⑥同理，如果 fd为第d个频率值，得到3倍频的幅值占比为：[0033][0034] ⑦同理，如果 fg为第g个频率值，得到3.5倍频的幅值占比为：[0035][0036] ⑧同理，如果 fe为第e个频率值，得到4倍频的幅值占比为：[0037][0038] ⑨最后，如果 fn为第n个频率值，得到高倍频的幅值占比为：[0039][0040] 其中，sum(|X(n)|)为( |X(N)|)中前t个最大值幅值的总和，t＝e/8。[0041] 优选地，所述的构建基于Adam算法的神经网络故障诊断算法包括以下步骤：[0042] (1)确定神经网络的输入和输出，其中输入为设备的运行参数变量和振动时频域数据，包括电流、电压、功率、温度、流量、三轴向振动有效值、三轴向振动时域指标、三轴向频域指标；输出为设备的故障类型，包括设备转子磨损、不平衡、不对中、基座松动、轴承内圈故障、轴承外圈故障、动静件摩擦故障。[0043] (2)确定该神经网络的下述参数：输入层节点数目为8，输出层节点数目为1，隐含层有1个，且每个隐含层的节点数为26个，网络学习率为0.21，动量系数为0.01；[0044] (3)利用加速梯度算法(Adam算法)优化神经网络权重，具体方法为：在带动量的梯度下降法的基础上，引入平方梯度，并对速率进行偏差纠正；[0045] (4)构建完整的正向和反向计算神经网络模型，读取数字孪生系统中有故障标识的数据，进行训练和测试；[0046] (5)读取实时运行数据进行故障诊断和输出。[0047] 本发明的有益效果为：[0048] 本发明构建了鼓风机和TRT三维模型，利用改进的频谱占比方法构建鼓风机和TRT神经网络故障诊断算法，可以实现鼓风机和TRT的实时监测和故障诊断，并以三维直观的形式展现，因此可有效解决高炉鼓风机和TRT机组运行工况复杂多变，运行参数繁多，故障特征难以提取这一问题。本发明方法可有效的实现高炉鼓风机和TRT机组的故障诊断和健康分析，并通过与数字孪生系统结合，直观展现设备的故障三维信息，对现场操作进行指导，从而保证了现场设备的安全高效运行，具有很高的实际生产价值。附图说明[0049] 图1为本发明一种基于数字孪生系统的高炉鼓风机和TRT机组故障诊断方法流程图。[0050] 图2为本发明高炉鼓风机和TRT数字孪生系统结构框架图。[0051] 图3为本发明神经网络输入输出结构示意图。具体实施方式[0052] 如图1所示，本发明提供一种基于数字孪生系统的高炉鼓风及和TRT机组故障诊断方法，首先构建高炉鼓风机和TRT机组系统的三维模型；通过采集现场实时数据和计算虚拟数据，搭建高炉鼓风机和TRT机组数字孪生系统；基于数字孪生系统对数据进行异常数据剔除；利用改进的振动频谱占比提取方法，进行时频域特征提取；根据时频域特征以及其他的运行参数构建基于Adam算法的神经网络故障诊断算法；最后神经网络输出结果保存在数字孪生系统，形成设备故障部件的故障信息的三维动态展示，生成诊断报告，并推送给现场管理人员。[0053] 其中，高炉鼓风机和TRT机组三维模型构建是基于Unity3D进行三维建模，包括高炉鼓风机和TRT机组整条生产线的三维建模，复现现场的设备实景，与现场工艺流程一致。[0054] 其中，高炉鼓风机和TRT机组数字孪生系统如图2所示，包括三维模型实时场景漫游、三维模型虚拟场景漫游、实时运行数据采集和保存、虚拟数据实时预测和保存、故障前数据标记和分类、故障结果保存和报警推送等功能，实现与现场同步运行的实时系统和当现场停机时也能运行的虚拟孪生系统两种场景。[0055] 高炉鼓风机和TRT机组数字孪生系统包括运行和仿真两大模块，运行模块主要通过智能传感器和现场数据库的通讯实现现场实时数据的采集，具体包括高炉顶压和鼓风机的控制性能评估模块、鼓风机和高炉顶压的控制参数优化模块、鼓风机喘振辨识模块、机组能效分析模块、机组能流模块、透平机叶片积灰模块、机组健康诊断模块，来实现高炉鼓风机和TRT机组实时监测和状态分析；仿真模块通过设定相关的现场的工况条件，实现鼓风机控制仿真模块、高炉顶压控制仿真模块、鼓风机防喘振控制仿真模块、TRT启机流程控制仿真模块、TRT停机流程控制仿真模块、TRT紧急停机流程控制仿真模块的建立。[0056] 本发明通过滑动平均算法剔除传输异常的数据或因环境中偶然变动因素引起的异常数据，以免影响故障诊断的精确性。具体方法如下：[0057] 剔除异常数据后t时刻的运行参数变量X记为Xt，θt为剔除异常数据前运行参数变量X在t时刻的取值，β为滑动平均系数，β∈[0,1)，在β＝0时，不使用滑动平均，Xt＝θt；使用滑动平均后：[0058] Xt＝β*Xt?1+(1?β)*θt[0059] 其中，改进的振动频谱占比提取方法，包括如下步骤：[0060] (1)获取设备的振动时域波形信号x(n)＝[x1,x2,x3…xN]，其中，xN为振动加速度值，N为采样点数；[0061] (2)对振动时域波形信号进行快速傅里叶变换FFT，根据傅里叶变换公式：?j*2*π/N

其中0≤k≤N?1,n为第n个数据，k为频域上第k个值，WN＝e

r

是旋转因子，设N＝2，将x(n)分为前后各一半，得到两个长为N/2的序列，经整合计算得到：

[0062][0063] (3)最后得到FFT后的振动信号频域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN为FFT后的频率值，|X(1)|,|X(2)|,…,,|X(N)|为对应频率下频率幅值；[0064] (4)计算设备的特征频率，分别为0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、3.5倍频、4倍频、高倍频(大于4倍频的频率统称为高倍频)，记为：[f0.5X,f1X,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，[0065] 其中，fnX为高倍频的频率，即大于4倍频的频率，其中f1X为1倍频的频率，r为设备的转速，得到设备的特征频率为：[0066][0067] 此处n为高倍频，表示大于4倍频的所有频率；[0068] (5)计算特征频率的频谱占比：[0069] ①如果 fi为第i个频率值，则选取所有的fi对应幅值综合作为0.5倍频的幅值，得到0.5倍频的幅值占比为：(i为第i个频率，或第i个频率对应的幅值)

[0070][0071] ②同理，如果 fj为第j个频率值，得到1倍频的幅值占比为：[0072][0073] ③同理，如果 fa为第a个频率值，得到1.5倍频的幅值占比为：[0074][0075] ④同理，如果 fb为第b个频率值，得到2倍频的幅值占比为：[0076][0077] ⑤同理，如果 fc为第c个频率值，得到2.5倍频的幅值占比为：[0078][0079] ⑥同理，如果 fs为第d个频率值，得到3倍频的幅值占比为：[0080][0081] ⑦同理，如果 fg为第g个频率值，得到3.5倍频的幅值占比为：[0082][0083] ⑧同理，如果 fe为第e个频率值，得到4倍频的幅值占比为：[0084][0085] ⑨最后，如果 fn为第n个频率值，得到高倍频的幅值占比为：[0086][0087] 其中，sum(|X(n)|)为( |X(N)|)中前t个最大值幅值的总和，t＝e/8。[0088] 其中，构建基于Adam算法的神经网络故障诊断算法包括以下步骤：[0089] (1)确定神经网络的输入和输出，如图3所示，其中输入为设备的运行参数变量和振动时频域数据，包括电流、电压、功率、温度、流量、三轴向振动有效值、三轴向振动时域指标、三轴向频域指标；输出为设备的故障类型，包括设备转子磨损、不平衡、不对中、基座松动、轴承内圈故障、轴承外圈故障、动静件摩擦故障。[0090] 其中，时域指标包括峰值指标、峭度指标、歪度指标、裕度指标、脉冲指标；频域指标包括0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、3.5倍频、4倍频、高倍频(大于4倍频的频率统称为高倍频)。[0091] (2)确定该神经网络的下述参数：输入层节点数目为8，输出层节点数目为1，隐含层有1个，且每个隐含层的节点数为26个，网络学习率为0.21，动量系数为0.01；[0092] (3)利用加速梯度算法(Adam算法)优化神经网络权重，具体方法为在带动量的梯度下降法的基础上，引入平方梯度，并对速率进行偏差纠正；[0093] (4)构建完整的正向和反向计算神经网络模型，读取数字孪生系统中有故障标识的数据，进行训练和测试；[0094] (5)读取实时运行数据进行故障诊断，并输出保存在数字孪生系统相应模块。