CN102840991A - 用于旋转机械的基于规则的诊断设备和方法 - Google Patents
用于旋转机械的基于规则的诊断设备和方法 Download PDFInfo
- Publication number
- CN102840991A CN102840991A CN201210280729XA CN201210280729A CN102840991A CN 102840991 A CN102840991 A CN 102840991A CN 201210280729X A CN201210280729X A CN 201210280729XA CN 201210280729 A CN201210280729 A CN 201210280729A CN 102840991 A CN102840991 A CN 102840991A
- Authority
- CN
- China
- Prior art keywords
- place
- analyzer
- designator
- parts
- machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及用于旋转机械的基于规则的诊断设备和方法。一种方法,包括获得(202)与具有一个或多个部件的机器(104)相关联的信息,其中所述信息包括与该一个或多个部件相关联的多个规则(108)。该方法还包括接收(206)该机器的振动水平的测量,并基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成(208)一个或多个特征值。该方法进一步包括基于该一个或多个特征值和所述规则来为该一个或多个部件确定(210)部件相关的状况。此外,该方法包括提供(212)识别了部件相关的状况的指示符。
Description
技术领域
本公开一般地涉及控制系统。更特别地,本公开涉及用于旋转机械的基于规则的诊断设备和方法。
背景技术
执行某种类型物理工作的机械通常生成作为它的操作的函数的物理振动。例如,由于电动马达的轴的较小水平的不平衡、电动马达的轴相对于其负载的未对准、或由磨损所引起的过量的轴承间隙,电动马达可生成振动。甚至可以生成马达的电枢相对于马达的励磁绕组的径向变化。在很多情况下,希望马达或其它旋转机械在其正常操作期间生成一定水平的振动。然而,由于各种原因,例如由于长期使用引起它的部件中的一个或多个其部件的故障或磨损,能经受增加的振动水平。
用于监测旋转机器的健康的传统技术已经包括振动监测、声音或噪音特征分析、马达电流特征分析、和油分析。然而,机器可明显彼此不同地起作用,即使是那些具有相同构造、型号和制造时间的机器。这可归因于多种因素,例如制造、安装或测量误差以及操作条件上的差异。因而,用于监测旋转机器的健康的传统技术通常已经是不够的。
发明内容
本公开提供一种用于旋转机械的基于规则的诊断设备和方法。
在第一实施例中,一种方法包括获得与具有一个或多个部件的机器相关联的信息,其中所述信息包括与该一个或多个部件相关联的多个规则。该方法还包括接收该机器的振动水平的测量,并基于所述测量,来为与一个或多个部件相关联的一个或多个特征生成一个或多个特征值。该方法进一步包括基于该一个或多个特征值和所述规则来为该一个或多个部件确定部件相关的状况。此外,该方法包括提供识别了部件相关的状况的指示符。
在第二实施例中,一种设备包括至少一个存储器单元,所述存储器单元被配置成存储与具有一个或多个部件的机器相关联的信息,其中所述信息包括与机器的部件相关联的多个规则。该设备还包括至少一个处理单元,所述处理单元被配置成接收该机器的振动水平的测量。该至少一个处理单元还被配置成基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成一个或多个特征值。该至少一个处理单元被进一步配置成基于该一个或多个特征值和所述规则来为该一个或多个部件确定部件相关的状况。此外,该至少一个处理单元被配置成提供识别了部件相关的状况的指示符。
在第三实施例中,一种计算机可读介质体现了计算机程序。该计算机程序包括用于获得与具有一个或多个部件的机器相关联的信息的计算机可读程序代码,其中所述信息包括与该一个或多个部件相关联的多个规则。该计算机程序还包括用于接收该机器的振动水平的测量,并基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成一个或多个特征值的计算机可读程序代码。该计算机程序进一步包括用于基于该一个或多个特征值和所述规则来为该一个或多个部件确定部件相关的状况的计算机可读程序代码。此外,该计算机程序包括用于提供识别了部件相关的状况的指示符的计算机可读程序代码。
根据以下附图、描述和权利要求,其它技术特征对于本领域技术人员可以是容易明白的。
附图说明
为了更完整地理解本公开,现在结合附图对以下说明进行参考,其中:
图1说明了依据本公开的示例基于规则的诊断系统(RBDS);
图2说明了依据本公开的用于使用一个或多个规则来进行振动分析的示例过程;
图3到图8说明了依据本公开的用于在不同类型的旋转机械的情况下识别特定类型的故障的示例过程;以及
图9到图11说明了依据本公开的用于不同类型的旋转机械的示例健康指示符。
具体实施方式
下面所讨论的图1到图11,以及用于描述本专利文献中的本发明的原理的各种实施例仅是为了说明,并且不应当以任何方式被解释为限制本发明的范围。本领域技术人员将理解的是,可以以任何类型的合适布置的装置或系统来实现本发明的原理。
图1说明了依据本公开的示例基于规则的诊断系统(RBDS)100。如图1中所示出的,RBDS 100包括基于规则的诊断分析器102,其分析表示机器104在其操作期间的物理振动的信号。例如,分析器102可以接收来自与机器104物理耦合或以其它方式相关联的一个或多个振动换能器106的信号,并分析所接收的信号,以确定机器104的健康或操作状态。作为特定的例子,分析器102可以测量由机器104的一个或多个部件所生成的振动水平,依据各种规则108来为至少一个部件确定部件相关的状况,并输出任何被识别的部件相关的状况。
几乎全部机器都包括一起起作用来执行机器的预期目的的多个部件。例如,离心泵可以包括一个或多个轴、用于在框架或外壳中支持轴的轴承、用于向要被抽吸的材料提供原动力的叶轮、以及用于向该泵传递功率的齿轮箱。这些部件中的每一个部件可具有由于各种因素而减小的操作寿命,各种因素比如是操作参数上的改变或与其它机器的交互。任何部件中的故障可导致该部件可靠性的损失。如果该故障不被维修,则它可潜在地对机器中的其它部件,以及对耦合至该机器的其它机器的部件引起二次损坏。如果不以及时的方式进行检测和校正,则可导致机械的灾难性故障。因此,机器104的各个部件中的故障校正可对于减小由机器104在其操作期间所引起的损坏的水平和程度是有用的。
可以测量机器104的振动水平,以确定机器104的状况或健康。然而,由机器所生成的振动水平的传统分析可能是相对复杂的。例如,机器可以包括许多部件,每一个部件可贡献由机器在其操作期间所生成的总振动水平的一小部分。因此,尽管特定的部件可能对于机器的操作是关键的,但该特定部件中的故障可贡献由机器在其操作期间所生成的总振动水平中的相对小的部分。作为另一个例子,依据机器自身外部的各种因素、机器的振动特征可显著地变化,该各种因素比如是机器正操作的环境、由机器所驱动的负载的类型、或者驱动该机器的电源。
在许多情况下,传统的振动分析技术可受限于它们所提供的信息的质量。例如,传统的振动分析技术可以试图识别未相对于基线信号测量被标准化的特征。同样地,传统的技术基于绝对值和阈值,并且不必须基于机器可能遇到的特定因素。因此,传统的技术通常不生成关于机器的任何故障已如何进展的信息。它们通常仅在超过某些阈值时生成信息。而且,这些传统的技术通常使用对于对振动分析不熟练的用户难以理解的规则。此外,许多传统的技术不提供可容易配置的规则或阈值。另外,传统技术常常不提供部件相关的状况指示符,比如涉及机器的特定部件的那些指示符。
依据本公开,RBDS 100提供了可配置的规则,该可配置规则依据它们的各个部件来隔离由机器所生成的振动信号。RBDS 100还依据与每个部件相关联的一个或多个特征,为机器104的部件确定部件相关的状况。因此,不是传统机器分析技术上的专家的RBDS 100的操作者可以降至机器的部件级来识别机器104中的潜在故障。而且,机器诊断技术上有见识的其他人可以配置、改编、或改变RBDS 100的规则108,以便为了与各种类型和类别的机器一起使用而修整它的操作。
机器104表示可能期望振动分析的任何装置。机器104的例子可以包括在其操作期间可以生成物理振动的电动涡轮机、燃气涡轮机、或蒸汽涡轮机、风扇、泵、发电机、叶轮或任何其它装置。机器104可以包括一起起作用来提供由机器104所提供的功能的多个部件。例如,电动马达可以包括其上安装了电枢的轴、用于容纳一个或多个励磁绕组的外壳、以及在相对外壳的相对固定的位置上保持该轴的轴承。这些部件中的每一个部件在操作期间可以生成其自身的各个振动特征。因此,对于被分析器102所分析的每一个机器104,可以生成隶属函数或其它函数,以便为每一个部件至少部分地隔离振动能量,以便在子系统基础上分析机器104的健康。
每个振动换能器106表示将振动能量转换成表示振动能量的信号的任何类型的装置。在一些实施例中,振动换能器106可以包括沿着一个或多个正交方向测量振动能量的一个或多个加速度计。例如,加速度计可以包括用于将振动能量转换成电信号的电磁或压电元件。
RBDS 100可以包括接收和处理与机器104相关联的其它或附加类型的信息的其它或附加类型的传感器。例子可以包括测量由机器104所生成和使用的电功率的电压或电流传感器,以及测量由机器104所发射的可见光或其它光的光学传感器。作为特定的例子,RBDS 100可以包括生成表示机器104中的轴的旋转速度的信号的转速计。使用由转速计或其它合适的速度测量装置所提供的信息,RBDS 100可以将所接收的振动信号与轴的速度相关联,以确定轴相关的故障,比如轴不平衡、轴未对准、和/或松动。在名称为“SEVERITY ANALAYSISAPPAR ATUSAND METHOD FOR SHAFTS OF ROTATING MACHINERY”(代理号为H0027864-0103)、编号为_/_、_的美国专利申请中描述了用于使用由机器所生成的振动能量的测量和其一个或多个轴的速度来识别轴相关的故障的过程的例子,其通过引用被结合于此。
在一些实施例中,分析器102通过使用在时间上的更早的点处所获取的基线特征测量,来确定在机器104中部件的部件相关的状况。例如,当机器正在正确操作时,分析器102可以从机器104接收振动信号,并且这些信号可以被用于形成存储在存储器中的基线特征测量。稍后,振动测量可针对所存储的基线特征测量来被再次接收和处理。这允许基于基线特征测量中相对当前测量的改变,来识别部件相关的状况。在名称为“VIBRATION SEVERITY ANALAYSISAPPARATUS AND METHOD FOR ROTATING MACHINERY”(代理号为H0028020-0103)、编号为_/_、_美国专利申请中描述了用于针对基线振动信号来处理所接收的振动信号的这种过程的例子,其通过引用被结合于此。通过使用基线测量,由分析器102所处理的振动能量可以以任何合适的形式(比如振幅的范数、标准偏差、或均方根)。因为基线信息是已知的,由分析器102所处理的振动能量的形式可被简单地计算为当前测量相对基线测量的比率。
RBDS 100因此可以提供用于确定一个或多个机器104的各种部件的部件相关的状况的用户友好平台。RBDS 100可以包括与机器104的特定部件相关联的规则108,特定部件比如是它的轴、叶轮叶片、或轴承。也可以向RBDS 100提供用于某些类型和类别的部件的一组默认的规则108。例如,可向RBDS 100提供用于像轴、轴承、齿轮、和叶轮的常用部件的一组默认的规则108。用户可修改该一组默认的规则108,或可增加附加的规则108来改编RBDS 100,以确定用于机器104的其它部件的部件相关的状况。
由RBDS 100所识别的部件相关的状况可以表示任何合适的状况。例如,状况可以包括机器部件的特定故障模式。离心泵的故障模式可以包括轴承磨损、轴承点源缺陷、轴不平衡、轴松动、以及轴未对准。齿轮箱的故障模式可以包括齿轮(gear)/小齿轮(pinion)磨损、齿轮裂缝、以及小齿轮裂缝。叶轮的故障模式可以包括叶轮磨损、叶轮裂缝、以及气蚀故障(cavitation fault)。
RBDS 100也可以根据与部件相关的故障模式的类型来提供用于规则108的默认的一组阈值或限度109。RBDS 100可允许用户依据他们的专业水平,来配置这些规则108和任何相关联的阈值109。例如,依据RBDS 100的用户的登记对话或其它访问技术,他们可以具有针对规则108和阈值109的配置的不同访问级别。因此,可仅向某些用户提供使用具有现有规则配置的RBDS 100的能力,而其它用户可被授予许可来在按需要的基础上配置和以其它方式修改、添加、或删除规则和阈值。
规则108可以包括依据机器的相关故障模式特性而选择的特征。例如,诸如具有齿轮裂缝故障模式的嵌齿之类的部件,可以使用可测量的特征,像齿轮啮合频率(GMF)及其谐波中的能量,以及GMF的边带及其谐波中的能量。依据这些特征各自的基线特征可以对这些特征进行分类,以便可以跟踪来自正常操作的故障模式的进展。在一些实施例中,依据故障模式对特征进行分类和针对基线特征测量处理所接收的振动信号可以使规则108更通用。因此,相同的一组规则108和阈值109可被应用于具有不同能力和处于不同环境中的机器。
可以包括在规则108中的特征的例子包括以下:轴承族RMS、轴承族峰度、以及轴承族的频率中的噪声基底。其它特征可以包括:轴总能量、轴松动能量、轴的基频(1X)处的能量、以及轴的基频的谐波(比如2X、3X和0.5X)能量。附加的特征可以包括GMF及其谐波中的齿轮能量、GMF周围的齿轮轴速的边带及其谐波中的齿轮能量、GMF周围的小齿轮轴速的边带及其谐波中的小齿轮能量、GMF周围的噪声基底及其谐波、以及齿轮和小齿轮边带。此外,特征可以包括叶片通过频率(VPF)及其谐波中的叶轮能量、VPF周围的轴速的边带及其谐波中的叶轮能量、VPF周围的噪声基底及其谐波、以及它们的轴边带。
这些特征可以取决于机器104的配置和组成。例如,齿轮级的数量,以及齿轮中齿的数量和每一级的小齿轮中齿的数量可以影响齿轮配置。轴承数量或轴承几何形状可以影响轴承配置,轴承数量或轴承几何形状比如是滚珠的数量、滚珠直径、以及节距圆直径。叶轮级的数量和每个叶轮中叶片的数量可以影响叶轮配置。
这些特征可以在无缺陷(正常)机器104的操作期间被保存为基线特征。如果存在关于基线测量的可重复性的任何怀疑,则可以在时间段上平均多个基线特征。各个基线特征可以划分最初未作为基线特征被存储的其它特征,以便确认本可能出现的故障的任何进展。例如,如果轴承能量已变成其各个基线值以上的1.25的因数,其可被解释为表示存在在能量上从其正常工作增加25%的意思。
RBDS 100可以以任何合适方式提供识别部件相关的状况的指示符。在一些实施例中,RBDS 100可以在用户接口118上显示指示符,以用于由用户回顾。而且,当超过某些阈值时,RBDS 100也可以产生可听的和/或视觉的警报。在一些实施例中,指示符可作为使用像“正常(Normal)”,“警告(Warning)”和“警报(Alarm)”的词语的索引值,或通过使用比如0-1,0-10或0-100的范围中的数值来被提供,其中由RBDS 100所生成的值取决于故障的严重水平。
分析器102包括用于接收和分析振动信号的任何合适的结构。例如,可通过使用仅硬件或硬件和软件/固件指令的组合来实现分析器102。在该例子中,通过使用包括至少一个存储器单元112、至少一个处理单元114、以及至少一个网络接口116的计算系统110来实现分析器102。该至少一个存储器单元112包括任何合适的易失性和/或非易失性储存器和一个或多个检索装置,比如硬盘、光存储盘、RAM或ROM。该至少一个处理单元114包括任何合适的一种或多种处理结构,比如微处理器、微控制器,数字信号处理器、专用集成电路、或现场可编程门阵列。该至少一个网络接口116包括用于在一个或多个网络上通信的任何合适的一种或多种结构,比如有线以太网接口或无线接口。这表示了分析器102可被实现的一种特定的方式,并且可以使用分析器102的其它实现方式。当通过使用软件和/或固件来实现时,分析器102可以包括分析一个或者多个机器104的振动的任何合适的程序指令。
用户接口118可以被用于与分析器102相交互,诸如用于发起分析和查看分析结果或警报。用户接口118包括用于提供信息给用户和从用户接收信息的任何合适的结构。例如,用户接口118可以表示显示装置。
尽管图1说明了RBDS 100的一个例子,但可以对图1进行各种改变。例如,系统100可以包括任何数量的分析器102、机器104、换能器106、规则108、阈值109、计算系统110以及用户接口118。而且,在图1中示出的功能划分仅用于说明。依图1中的各种部件可以被组合、进一步划分或省略、以及可以据特定需要,增加附加的部件。例如,计算系统110可被集成到用户接口118中。此外,机器104可以具有带有任何数量和布置的其它机器的任何合适结构。
图2说明了依据本公开的用于使用一个或多个规则的振动分析的示例过程200。为了便于解释,相对于图1的分析器102来描述过程200,尽管过程200可以与任何合适的装置或系统以及与任何合适的机械一起来使用。
在步骤202处,分析器102从存储器获得与旋转机器104的各种部件相关联的规则108。规则108可以包括描述机器104中的相关联的部件的特定操作特性的特征。例如,与叶轮相关联的一个规则可以包括定义了叶片通过频率能量和叶片通过频率能量周围的噪声基底的特征集。叶轮特征集中的每一个特征可以与叶轮的特定故障模式相关联,该特定故障模式比如是叶片裂缝或过度的气蚀水平。在一些实施例中,分析器102具有可被选择性地修改以用于不同类型机器的一组默认的规则。
在步骤204处,分析器102测量用于机器104的基线振动水平。在一些实施例中,当机器正以已知的良好状态进行操作时,基线振动水平可被测量。例如,当机器已经新近被投入服务时,可以从机器获取基线测量。作为另一例子,在机器已经经历了某些部件已经被修理或替代的维护过程之后,从机器获取基线测量。
在步骤206处,分析器102在机器104的使用期限期间的某点处测量机器104的振动水平。可通过使用生成指示了机器的振动能量的振动信号的一个或多个振动传感器来获得振动水平。在一些实施例中,分析器102可以通过使用其它辅助类型的传感器来获取机器的其它特性的测量,比如电源使用(生成),和/或轴速度。
在步骤208处,分析器102为与规则108相关的特征确定特征值。可以以任何合适的方式来确定特征值,比如通过使用机器104的所测量的振动水平。在一些实施例中,分析器102还通过使用来自辅助传感器的信号来确定特征值。例如,分析器102可以依据从转速计获得的轴的旋转速度的知识来确定各种轴相关的特征的特征值,轴相关的特征比如是轴不平衡、轴未对准,和/或轴承磨损。
在步骤210处,分析器102基于确定的特征值来为机器104的部件识别任何部件相关的状况。例如,部件相关的状况可以包括支撑轴的运动的轴承的磨损。可由分析器102所使用来确定该状况的特征值可以包括轴承RMS和峰度。这些特征测量可以以确认机器的轴承的状况的方式被组合。该步骤可以包括分析器102将各种阈值或限度109应用到特征值。
在步骤212处,分析器102提供任何所识别的部件相关的状况的指示。例如,该指示可以是在用户接口118上所呈现的视觉指示符。在一些实施例中,分析器102可以为每一个部件相关的状况提供索引值,使得用户可以至少部分地解释由分析器102所提供的结果。例如,分析器102可以提供范围从′0′至′10′的索引值,其中′0′指示故障状况的最低水平,并且′10′指示故障状况的最高水平。
尽管图2说明了用于使用一个或多个规则进行振动分析的过程200的例子,但可以对图2进行各种改变。例如,尽管被示为一系列步骤,但图2中的各种步骤可以重叠、并行发生、以不同的次序发生、或者多次发生。
图3到图8说明了依据本公开的用于识别不同类型的旋转机械的特定类型故障的示例过程。在图2的步骤210期间可以发生图3到图8中所示出的特定过程。也就是说,在步骤206处机器的振动水平测量之后和步骤208处某些特征值的确定之后,可以执行在图3到图8中所示出的过程。这些特定的过程仅用于说明目的,并且在步骤210中可以出现其它或附加的过程。在随后的描述中,故障指示符可以包括在范围内的数字索引值,该范围比如是0-1,0-10或0-100。替代地,指示符可以包括词语,比如′正常(normal)′,′警告(warning)′和′警报(alarm)′。
图3说明了依据本公开的用于为一个或多个轴承确定轴承点源缺陷(PSD)故障模式的示例过程300。点源缺陷通常暗示在内座圈、外座圈、滚珠或轴承罩处存在裂缝或剥落。
如图3中所示,在步骤302处,分析器102确定标准化的轴承均方根(RMS)值是否小于1.8。如果是,则在步骤304处,分析器102确定标准化的峰度特征是否小于值1.3。如果是这样的话,则在步骤306处,分析器102提供′正常′轴承PSD指示。否则,在步骤308处,分析器102提供′警告′轴承PSD指示。
在步骤302处,如果标准化的轴承RMS值不小于1.8,则在步骤310处,分析器102确定标准化的轴承RMS值是否小于值2.2。如果是,则在步骤312处,分析器102确定标准化的峰度特征是否小于值1.3。如果是这样的话,则在步骤314处,分析器102提供′警告′轴承PSD指示。否则,在步骤316处,分析器102提供′警报′轴承PSD指示。
在步骤310处,如果标准化的轴承RMS值不小于值2.2,则在步骤318处,分析器102确定标准化的轴承RMS值是否小于值4.0。如果不是,则在步骤320处,分析器102提供′警报′轴承PSD指示。否则,在步骤322处,分析器102确定标准化的峰度特征是否小于值1.3。如果是这样的话,则在步骤324处,分析器102提供′警告′轴承PSD指示。否则,在步骤326处,分析器102提供′警报′轴承PSD指示。
图4说明了依据本公开的用于为一个或多个轴承确定轴承磨损故障模式的示例过程400。在一些情形下,轴承磨损也可被称作广义粗糙度(generalizedroughness),并且可以使用该过程400。
如图4中所示,在步骤402处,分析器102确定标准化的轴承RMS值是否小于值1.8。如果是,则在步骤408处,分析器102发布′正常′轴承磨损指示。否则,在步骤404处,分析器102确定标准化的轴承RMS值是否小于值2.2。如果是,则在步骤406处,分析器102确定标准化的RMS噪声是否小于值6.0。如果是这样的话,则在步骤408处,分析器102发布′正常′轴承磨损指示。否则,在步骤410处,分析器102确定标准化的RMS噪声是否小于值14.0。如果是这样的话,则在步骤412处,分析器102提供′警报′轴承磨损指示。否则,在步骤414处,分析器102提供′警告′轴承磨损指示。
步骤404处,如果标准化的轴承RMS值不小于2.2,则在步骤416处,分析器102确定标准化的RMS噪声是否小于值6.0。如果是,则在步骤418处,分析器102发布′正常′轴承磨损指示。否则,在步骤420处,分析器102确定标准化的RMS噪声是否小于值14.0。如果是这样的话,则在步骤422处,分析器102提供′警告′轴承磨损指示。否则,在步骤424处,分析器102提供′警报′轴承磨损指示。
图5说明了依据本公开的用于组合一个或多个轴承的各个部件指示符来确定一个或多个轴承的总体健康的示例过程500。尤其是,图5的过程500使用来自过程300和400的指示来确定轴承的总体部件相关的状况。
如图5中所示,在步骤502处,分析器102确定(在图3中所确定的)轴承PSD指示符是否具有′正常′状态。如果是,则在步骤504处,分析器102确定(在图4中所确定的)轴承PSD指示符是否具有′正常′状态。如果是这样的话,则在步骤506处,分析器102发布′正常′轴承健康指示符。否则,在步骤508处,分析器102确定轴承磨损指示符是否具有′警告′状态。如果是这样的话,则在步骤510处,分析器102发布′警告′轴承健康指示符。否则,在步骤512处,分析器102确定轴承磨损指示符是否具有′警报′状态。如果是这样的话,则在步骤514处,分析器102发布′警报′轴承健康指示符。
在步骤502处,如果轴承PSD指示符不具有′正常′状态,则在步骤516处,分析器102确定轴承PSD指示符是否具有′警告′状态。如果是,则在步骤518处,分析器102确定轴承磨损指示符是否具有′正常′状态。如果是这样的话,则在步骤520处,分析器102发布′警告′轴承健康指示符。否则,在步骤522处,分析器102确定轴承磨损指示符是否具有′警告′状态。如果是这样的话,则在步骤524处,分析器102发布′警告′轴承健康指示符。否则,在步骤526处,分析器102确定轴承磨损指示符是否具有′警报′状态。如果是这样的话,则在步骤528处,分析器102发布′警报′轴承健康指示符。
在步骤516处,如果轴承PSD指示符不具有′警告′状态,则在步骤530处,分析器102确定轴承PSD指示符是否具有′警报′状态。如果是,则在步骤532处,分析器102确定轴承磨损指示符是否具有′正常′状态。如果是这样的话,则在步骤534处,分析器102发布′警报′轴承健康指示符。否则,在步骤536处,分析器102确定轴承磨损指示符是否具有′警告′状态。如果是这样的话,在步骤538处,分析器102发布′警报′轴承健康指示符。否则,在步骤540处,分析器102确定轴承磨损指示符是否具有′警报′状态。如果是这样的话,在步骤542处,分析器102发布′严重警报′轴承健康指示符。
图6说明了依据本公开的用于确定叶轮的总体健康的示例过程600。通常,叶轮相关的规则108可以获得由叶轮所生成的振动能量的输入,比如叶片通过频率(VPF)及其谐波、叶轮VPF的轴边带中的能量、以及叶轮相关的频率的噪声基底中的能量。分析器102可以提供各种健康指示符,比如叶轮裂缝指示符、叶轮磨损指示符、以及气蚀指示符。可以集成这些指示符来生成总体叶轮健康退化指示符。
如图6中所示,在步骤602处,分析器102确定叶轮的标准化VPF特征是否小于值0.7。如果是,则在步骤604处,分析器102确定标准化的边带特征是否小于值0.8。如果不是,则在步骤606处,分析器102确定标准化的边带特征是否小于值1.4。如果是,则在步骤608处,分析器102发布′正常′叶轮裂缝指示符。否则,在步骤610处,分析器102发布′警报′叶轮裂缝指示符。
在步骤604处,如果标准化的边带特征小于值0.8,则在步骤612处,分析器102确定标准化的噪声是否小于值3.5。如果不是,则在步骤614处,分析器102发布′正常′气蚀指示符。否则,在步骤616处,分析器102发布′警报′气蚀指示符。
在步骤602处,如果叶轮的标准化VPF特征不小于值0.7,则在步骤618处,分析器102确定标准化的VPF特征是否小于值1.4。如果使这样的话,则在步骤620处,分析器102确定标准化的边带特征是否小于值0.8。如果是这样的话,则在步骤622处,分析器102发布′警告′叶轮磨损指示符。否则,在步骤624处,分析器102确定标准化的边带特征是否小于值1.4。如果是这样的话,则在步骤626处,分析器102发布′警告′叶轮裂缝指示符。如果不是这样,则在步骤628处,分析器102发布′警报′叶轮裂缝指示符。
在步骤618处,如果叶轮的标准化VPF特征不小于值1.4,则在步骤630处,分析器102确定标准化的边带特征是否小于值0.8。如果是这样的话,则在步骤632处,分析器102发布′警报′叶轮磨损指示符。否则,在步骤634处,分析器102确定标准化的边带特征是否小于值1.4。如果是这样的话,则在步骤636处,分析器102发布′警告′叶轮磨损指示符。如果不是这样,则在步骤638处,分析器102确定标准化的噪声特征是否小于值3.5。如果不是这样,则在步骤640处,分析器102发布′严重警报′叶轮裂缝指示符和′严重警报′叶轮磨损指示符。如果是这样,则在步骤642处,分析器102发布′严重警报′叶轮裂缝指示符、′严重警报′叶轮磨损指示符和′警告′气蚀指示符。
图7说明了依据本公开的用于为轴提供故障指示符的示例过程700。可以依据任何类型的轴特征来确定轴故障指示符。在这里,依据轴的基频(1X)处的标准化的振动能量、基频的二次谐波(2X)处的标准化能量、标准化的松动能量、以及标准化的轴相关的能量来确定轴故障指示符。分析器102可以提供各种健康指示符,比如不平衡指示符,未对准指示符、以及松动指示符。
如图7中所示,在步骤702处,分析器102确定轴特征的标准化总和是否小于或等于值1.4。如果是这样的话,则在步骤704,714和724处,处理继续。在步骤704处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,则在步骤706处,分析器发布具有值′1′的不平衡指示符。否则,在步骤708处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,则在步骤710处,分析器102发布具有值′4′的不平衡指示符。否则,在步骤712处,分析器102发布具有值′7′的不平衡指示符。
在步骤714处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,在步骤716处,分析器102发布具有值′1′的未对准指示符。否则,在步骤718处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,在步骤720处,分析器102发布具有值′4′的未对准指示符。否则,在步骤722处,分析器102发布具有值′7′的未对准指示符。
在步骤724处,分析器102确定松动状况的标准化总和是否小于或等于值1.4。如果是这样的话,则在步骤726处,分析器102发布具有值′1′的松动指示符。否则,在步骤728处,分析器102确定松动状况的标准化总和是否小于或等于值2.0。如果是这样的话,则在步骤730处,分析器102发布具有值′4′的松动指示符。否则,在步骤732处,分析器102发布具有值′7′的松动指示符。
在步骤702处,如果轴特征的标准化总和大于值1.4,则在步骤734处,分析器102确定轴特征的标准化总和是否小于或等于值2.0。如果是这样的话,则在步骤736,746和756处,处理继续。如果不是这样,则在步骤766,776和786处,处理继续。
在步骤736处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,则在步骤738处,分析器102发布具有值′2′的不平衡指示符。否则,在步骤740处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,在步骤742处,分析器102发布具有值′5′的不平衡指示符。否则,在步骤744处,分析器102发布具有值′8′的不平衡指示符。
在步骤746处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,则在步骤748处,分析器102发布具有值′2′的未对准指示符。否则,在步骤750处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,则在步骤752处,分析器102发布具有值′5′的未对准指示符。否则,在步骤754处,分析器102发布具有值′8′的未对准指示符。
在步骤756处,分析器102确定松动状况的标准化总和是否小于或等于值1.4。如果是这样的话,则在步骤758处,分析器102发布具有值′2′的松动指示符。否则,在步骤760处,分析器102确定松动状况的标准化总和是否小于或等于值2.0。如果是这样的话,则在步骤762处,分析器102发布具有值′5′的松动指示符。否则,在步骤764处,分析器102发布具有值′8′的松动指示符。
在步骤766处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,则在步骤768处,分析器102发布具有值′3′的不平衡指示符。否则,在步骤770处,分析器102确定轴的基频处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,则在步骤772处,分析器102发布具有值′6′的不平衡指示符。否则,在步骤774处,分析器102发布具有值′9′的不平衡指示符。
在步骤776处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值1.4。如果是这样的话,则在步骤778处,分析器102发布具有值′3′的未对准指示符。否则,在步骤780处,分析器102确定二次谐波处的标准化振动能量特征是否小于或等于值2.0。如果是这样的话,则在步骤782处,分析器102发布具有值′6′的未对准指示符。否则,在步骤784处,分析器102发布具有值′9′的未对准指示符。
在步骤786处,分析器102确定松动状况的标准化总和是否小于或等于值1.4。如果是这样的话,则在步骤788处,分析器102发布具有值′3′的松动指示符。否则,在步骤790处,分析器102确定松动状况的标准化总和是否小于或等于值2.0。如果是这样的话,则在步骤792处,分析器102发布具有值′6′的松动指示符。否则,在步骤794处,分析器102发布具有值′9′的松动指示符。
图8说明了依据本公开的用于为齿轮箱提供故障指示符的示例过程800。可以依据任何类型的轴特征来确定齿轮箱故障指示符。在这里,依据包括齿轮啮合频率(GMF)及其谐波中的标准化能量、GMF的齿轮轴边带及其谐波中的标准化能量、GMF的小齿轮轴边带及其谐波中的标准化能量、以及齿轮相关的频率周围的噪声基底的特征来确定齿轮箱故障指示符。
如图8中所示,在步骤802处,分析器102确定标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤804处,分析器102确定齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤806处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤810处,分析器102发布′正常′主动齿轮(gear pinion)磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤808处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤810处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,在步骤828处,分析器102发布′正常′主动齿轮磨损指示符、′警报′齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
在步骤804处,如果齿轮的标准化的GMF特征不小于值0.7,则在步骤812处,分析器102确定齿轮的标准化的GMF特征是否小于值1.25。如果不是这样,则在步骤814处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤818处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′警报′齿轮裂缝指示符。否则,在步骤816处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤818处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′警报′齿轮裂缝指示符。如果不是这样,则在步骤820处,分析器102发布′正常′主动齿轮磨损指示符、′警报′小齿轮裂缝指示符、以及′警报′齿轮裂缝指示符。
在步骤812处,如果齿轮的标准化的GMF特征小于值1.25,则在步骤822处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤824处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤826处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤824处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,则在步骤828处,分析器102发布′正常′主动齿轮磨损指示符、′警报′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
在步骤802处,如果标准化的GMF特征不小于值0.7,则在步骤830处,分析器102确定标准化的GMF特征是否小于值1.2。如果是这样的话,则在步骤832处,分析器102确定齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤834处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤838处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤836处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,在步骤838处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,则在步骤854处,分析器102发布′正常′主动齿轮磨损指示符、′警告′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
在步骤832处,如果齿轮的标准化的GMF特征不小于值0.7,则在步骤840处,分析器102确定齿轮的标准化的GMF特征是否小于值1.25。如果不是这样,则在步骤842处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤846处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′警告′齿轮裂缝指示符。否则,在步骤844处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤846处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′警告′齿轮裂缝指示符。如果不是这样,在步骤847处,分析器102发布′正常′主动齿轮磨损指示符、′警告′小齿轮裂缝指示、以及′警告′齿轮裂缝指示符。
在步骤840处,如果齿轮的标准化的GMF特征小于值1.25,则在步骤848处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤852处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤850处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,在步骤852处,分析器102发布′正常′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,则在步骤854处,分析器102发布′正常′主动齿轮磨损指示符、′警告′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
在步骤830处,如果标准化的GMF特征不小于值1.2,则在步骤856处,分析器102确定齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤858处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤860处,分析器102确定标准化的主动齿轮磨损值是否大于值5.0。如果不是这样,则在步骤862处,分析器102发布′警告′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤866处,分析器102发布′警报′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。在步骤858处,如果小齿轮的标准化的GMF特征不小于值0.7,则在步骤864处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤866处,分析器102发布′警报′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,则在步骤884处,分析器102发布′警报′主动齿轮磨损指示符、′警告′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
在步骤856处,如果齿轮的标准化的GMF特征不小于值0.7,则在步骤868处,分析器102确定齿轮的标准化的GMF特征是否小于值1.25。如果不是这样,则在步骤870处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果不是这样,则在步骤872处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤874处,分析器102发布′警报′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′警告′齿轮裂缝指示符。如果不是这样,则在步骤876处,分析器102发布′警报′主动齿轮磨损指示符、′警告′小齿轮裂缝指示符、以及′警告′齿轮裂缝指示符。
在步骤868处,如果齿轮的标准化的GMF特征小于值1.25,则在步骤878处,分析器102确定小齿轮的标准化的GMF特征是否小于值0.7。如果是这样的话,则在步骤882处,分析器102发布′警报′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。否则,在步骤880处,分析器102确定小齿轮的标准化的GMF特征是否小于值1.25。如果是这样的话,则在步骤882处,分析器102发布′警报′主动齿轮磨损指示符、′正常′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。如果不是这样,则在步骤884处,分析器102发布′警报′主动齿轮磨损指示符、′警告′小齿轮裂缝指示符、以及′正常′齿轮裂缝指示符。
尽管图3到8说明了用不同类型的旋转机械识别特定类型的故障的过程的例子,但可以对图3到8进行各种改变。例如,分析器102可被配置成生成用于其它类型的部件的健康指示符,比如机器的结构支撑构件、阀或发电机的定子绕组。而且,在这里使用了特定的限度和阈值,并提供了用于健康指示符的特定值。这些仅用于说明和解释,并且不限制本公开的范围。此外,每一幅图中的各个步骤可以重叠、并行发生、以不同的次序发生、或多次发生。
图9到11说明了依据本公开的用于不同类型的旋转机械的示例健康指示符。图9说明了示例图表900,该示例图表900示出了用于冷却水泵的健康指示符。可由图1的分析器102生成图9中的健康指示符。在该例子中,健康指示符可以包括在12个月的时间段上的轴健康指示符902和叶轮健康指示符904。如图9中所示,因为轴健康指示符902和叶轮健康指示904符两者在相同的时间段期间都处于警报状况中,所以冷却水泵具有叶轮不平衡问题。
图10说明了示例曲线图1000,该示例曲线图1000示出了表示用于具有大约150个马力容量的灰斗泵的各种健康指示符的曲线。再次地,可由图1的分析器102生成健康指示符。在该例子中,图解1000包括未对准指示符曲线1002、松动指示符曲线1004、不平衡指示符曲线1006和总体轴健康指示符曲线1008。
如图10中所示,健康指示符1004-1008示出了它们各自的故障的逐步进展,通常归因于旋转机器及其相关联的部件在延长的时间段上退化和/或磨损的特性。健康指示符的该逐步进展可以与由传统的振动分析系统所提供的那些(其通常不示出故障随时间的逐步进展)形成显著的对照。
图11说明了示例图表1100,该示例图表1100示出了用于鼓风式风扇(forceddraught fan)的健康指示符。再一次地,可由图1的分析器102生成健康指示符。该特定的风扇具有大约400KW的容量和1490RPM的额定速度。可以用在发电厂中的该风扇在马达的驱动端具有两个轴承。
在图11中所示出的健康指示符包括16个月时间段期间的两个轴承健康指示符1102和1104以及轴健康指示符1106。如图11中所示,与健康指示符1102相关联的轴承进入警报状态,下沉一段时间,并接着再次重新露出平面。与健康指示符1104相关联的轴承在大多数时间处于′警告′状态。相反,与轴健康指示符相关联的轴在整个时间段处于正常状态。
尽管图9到11说明了用于不同类型的旋转机械的健康指示符的例子,可以对图9到11进行各种改变。例如,图9到11仅示出了若干示例机器,其可通过使用图1的分析器102来被分析。可分析其它类型的机器,比如燃气涡轮机/蒸汽涡轮机,其中由燃料(像汽油、柴油燃料或天然气)提供它的原动力。而且,图9到11中的结果特定于机器的特定实现方式,并且相同或相似的机器可以具有不同的分析结果。
在一些实施例中,由计算机程序来实现和支持以上所描述的各种功能,由计算机可读程序代码来形成该计算机程序,并在计算机可读介质中体现该计算机程序。短语“计算机可读程序代码”包括任何类型的计算机代码,包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够被计算机所访问的任何类型的介质,比如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、紧致盘(CD),数字视频光盘(DVD)或任何其它类型的存储器。作为例子,基于规则的诊断系统100的一些实施例可以包括被配置在嵌入式装置中的分析器102,比如传送有线或无线信号至远程配置装置的手持装置。所传送的信号可以是短消息服务(SMS)消息或电子邮件消息。所传送的消息中的信息可以包括具有索引值(比如0-10)或文本值(比如′正常′,警告′或′关键(critical)′)的警报。
阐明在本专利文献中到处使用的某些词语和短语的定义是有利的。术语“耦合”及其派生词指的是两个或更多个元件之间的任何直接或间接的通信,不管这些部件彼此是否处于物理接触。术语“包括”和“包含”,以及其派生词表示不限制地含括的意思。术语“或”是包括的,表示和/或的意思。短语“相关联”和“与此相关联”以及其派生词可以表示以下的意思:包括、被包括在内、互连、包含、被包含在内、连接到或相连、耦合至或相耦合、与其可通信、相合作、交错、并置、接近、接合到或相接合、具有、具有其属性,等等。
虽然在本公开已经描述了某些实施例和通常相关联的方法,这些实施例和方法的变更和置换对本领域技术人员是明白的。由此,示例实施例的以上描述不限定或约束本公开。在不背离如由随后的权利要求所限定的本公开的精神和范围的情况下,其它改变、替代和变更也是可能的。
Claims (10)
1.一种方法,包括:
获得(202)与具有一个或多个部件的机器(104)相关联的信息,其中所述信息包括与该一个或多个部件相关联的多个规则(108);
接收(206)该机器的振动水平的测量;
基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成(208)一个或多个特征值;
基于该一个或多个特征值和所述规则来为该一个或多个部件确定(210)部件相关的状况;以及
提供(212)识别了部件相关的状况的指示符。
2.权利要求1的方法,进一步包括:
识别与所述规则中的一个规则相关联的一个或多个阈值(109);以及
在存储器(112)中存储所述规则和该一个或多个相关联的阈值。
3.权利要求1的方法,进一步包括:
确定(204)用于该机器的基线振动水平;
其中确定部件相关的状况包括通过使用该基线振动水平来确定部件相关的状况。
4.一种设备,包括:
至少一个存储器单元(112),被配置成存储与具有一个或多个部件的机器(104)相关联的信息,其中所述信息包括与该一个或多个部件相关联的多个规则(108);以及
至少一个处理单元(114),可操作成:
接收该机器的振动水平的测量;
基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成一个或多个特征值;
基于该一个或多个特征值和所述规则来为该一个或多个部件确定部件相关的状况;以及
提供识别了部件相关的状况的指示符。
5.权利要求4的设备,其中部件相关的状况包括部件的故障模式。
6.权利要求4的设备,其中每一个规则包括一个或多个阈值(109)。
7.权利要求4的设备,其中至少一个处理单元可操作成通过使用振动水平的测量和使用来自耦合至该机器的一个或多个辅助传感器(106)的信号来生成该一个或多个特征值。
8.权利要求4的设备,其中:
该至少一个处理单元进一步可操作成确定用于该机器的基线振动水平;以及
该至少一个处理单元可操作成通过使用基线振动水平来确定部件相关的状况。
9.权利要求4的设备,其中该规则与以下至少一个相关联:轴承、叶轮、轴和齿轮箱。
10.一种体现计算机程序的计算机可读介质,该计算机程序包括计算机可读程序代码,用于:
获得(202)与具有一个或多个部件的机器(104)相关联的信息,其中所述信息包括与该一个或多个部件相关联的多个规则(108);
接收(206)该机器的振动水平的测量;
基于所述测量,来为与该一个或多个部件相关联的一个或多个特征生成(208)一个或多个特征值;
基于该一个或多个特征值和所述规则来为该一个或多个部件确定(210)部件相关的状况;以及
提供(212)识别了部件相关的状况的指示符。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/166524 | 2011-06-22 | ||
US13/166,524 US20120330614A1 (en) | 2011-06-22 | 2011-06-22 | Rule-based diagnostics apparatus and method for rotating machinery |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102840991A true CN102840991A (zh) | 2012-12-26 |
Family
ID=46851268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210280729XA Pending CN102840991A (zh) | 2011-06-22 | 2012-06-21 | 用于旋转机械的基于规则的诊断设备和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20120330614A1 (zh) |
EP (1) | EP2538184A3 (zh) |
CN (1) | CN102840991A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018155543A (ja) * | 2017-03-16 | 2018-10-04 | 高砂熱学工業株式会社 | 診断装置、診断方法、診断プログラムおよび診断システム |
CN108780315A (zh) * | 2016-03-22 | 2018-11-09 | 西门子股份公司 | 用于优化旋转设备的诊断的方法和装置 |
CN110398384A (zh) * | 2018-04-25 | 2019-11-01 | 斯凯孚公司 | 旋转机械的机器健康监测 |
CN113573980A (zh) * | 2019-03-19 | 2021-10-29 | Wing航空有限责任公司 | 使用音频数据检测即将发生的马达故障 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9618037B2 (en) | 2008-08-01 | 2017-04-11 | Honeywell International Inc. | Apparatus and method for identifying health indicators for rolling element bearings |
US20150122037A1 (en) * | 2013-10-30 | 2015-05-07 | Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project | Method for diagnosing faults in slurry pump impellers |
DE102014218096A1 (de) * | 2014-09-10 | 2016-03-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur Überwachung eines Fertigungs- und/oder Montageprozesses |
US9826338B2 (en) | 2014-11-18 | 2017-11-21 | Prophecy Sensorlytics Llc | IoT-enabled process control and predective maintenance using machine wearables |
US10481195B2 (en) | 2015-12-02 | 2019-11-19 | Machinesense, Llc | Distributed IoT based sensor analytics for power line diagnosis |
US20160245279A1 (en) | 2015-02-23 | 2016-08-25 | Biplab Pal | Real time machine learning based predictive and preventive maintenance of vacuum pump |
US20160313216A1 (en) | 2015-04-25 | 2016-10-27 | Prophecy Sensors, Llc | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning |
US10599982B2 (en) | 2015-02-23 | 2020-03-24 | Machinesense, Llc | Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs |
US20160245686A1 (en) | 2015-02-23 | 2016-08-25 | Biplab Pal | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data |
US10638295B2 (en) | 2015-01-17 | 2020-04-28 | Machinesense, Llc | System and method for turbomachinery preventive maintenance and root cause failure determination |
US10648735B2 (en) | 2015-08-23 | 2020-05-12 | Machinesense, Llc | Machine learning based predictive maintenance of a dryer |
US10613046B2 (en) | 2015-02-23 | 2020-04-07 | Machinesense, Llc | Method for accurately measuring real-time dew-point value and total moisture content of a material |
US9823289B2 (en) | 2015-06-01 | 2017-11-21 | Prophecy Sensorlytics Llc | Automated digital earth fault system |
US10921792B2 (en) | 2017-12-21 | 2021-02-16 | Machinesense Llc | Edge cloud-based resin material drying system and method |
US11821783B2 (en) | 2018-07-30 | 2023-11-21 | Metawater Co., Ltd. | Information processing system, information processing apparatus, program, and information processing method |
EP3627134B1 (en) * | 2018-09-21 | 2021-06-30 | Siemens Gamesa Renewable Energy A/S | Method for detecting an incipient damage in a bearing |
KR20200122867A (ko) * | 2019-04-19 | 2020-10-28 | 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. | 진동 정보를 이용한 인쇄 엔진의 이상여부 판단 |
US11321586B2 (en) | 2019-09-25 | 2022-05-03 | Honeywell International Inc. | Method, apparatus, and computer program product for determining burner operating state |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
US20100030492A1 (en) * | 2008-08-01 | 2010-02-04 | Honeywell International Inc. | Apparatus and method for identifying health indicators for rolling element bearings |
CN101819090A (zh) * | 2009-01-30 | 2010-09-01 | 通用电气公司 | 用于监测齿轮组件状态的系统和方法 |
CN102016736A (zh) * | 2008-04-29 | 2011-04-13 | 诺迈士科技有限公司 | 齿轮箱模型式诊断方法、工具以及计算机可读取存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963884A (en) * | 1996-09-23 | 1999-10-05 | Machine Xpert, Llc | Predictive maintenance system |
US8620622B2 (en) * | 2009-04-02 | 2013-12-31 | Honeywell International Inc. | System and method for determining health indicators for impellers |
CN101995290B (zh) * | 2009-08-28 | 2013-04-24 | 威能极公司 | 风力发电机振动监测的方法和系统 |
-
2011
- 2011-06-22 US US13/166,524 patent/US20120330614A1/en not_active Abandoned
-
2012
- 2012-06-18 EP EP12172496.7A patent/EP2538184A3/en not_active Withdrawn
- 2012-06-21 CN CN201210280729XA patent/CN102840991A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
CN102016736A (zh) * | 2008-04-29 | 2011-04-13 | 诺迈士科技有限公司 | 齿轮箱模型式诊断方法、工具以及计算机可读取存储介质 |
US20100030492A1 (en) * | 2008-08-01 | 2010-02-04 | Honeywell International Inc. | Apparatus and method for identifying health indicators for rolling element bearings |
CN101819090A (zh) * | 2009-01-30 | 2010-09-01 | 通用电气公司 | 用于监测齿轮组件状态的系统和方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780315A (zh) * | 2016-03-22 | 2018-11-09 | 西门子股份公司 | 用于优化旋转设备的诊断的方法和装置 |
CN108780315B (zh) * | 2016-03-22 | 2021-09-07 | 西门子股份公司 | 用于优化旋转设备的诊断的方法和装置 |
US11853051B2 (en) | 2016-03-22 | 2023-12-26 | Siemens Energy Global GmbH & Co. KG | Method and apparatus for optimizing diagnostics of rotating equipment |
JP2018155543A (ja) * | 2017-03-16 | 2018-10-04 | 高砂熱学工業株式会社 | 診断装置、診断方法、診断プログラムおよび診断システム |
CN110398384A (zh) * | 2018-04-25 | 2019-11-01 | 斯凯孚公司 | 旋转机械的机器健康监测 |
CN113573980A (zh) * | 2019-03-19 | 2021-10-29 | Wing航空有限责任公司 | 使用音频数据检测即将发生的马达故障 |
Also Published As
Publication number | Publication date |
---|---|
US20120330614A1 (en) | 2012-12-27 |
EP2538184A2 (en) | 2012-12-26 |
EP2538184A3 (en) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102840991A (zh) | 用于旋转机械的基于规则的诊断设备和方法 | |
US11599103B2 (en) | Method and system for data driven machine diagnostics | |
US8963733B2 (en) | System and method for blind fault detection for rotating machinery | |
CN103140672B (zh) | 在风力发电厂中执行状况监测的方法 | |
US7089154B2 (en) | Automatic machinery fault diagnostic method and apparatus | |
US8958995B2 (en) | System and method for monitoring rotating and reciprocating machinery | |
KR20110005893A (ko) | 기어박스의 모델 기반 진단을 위한 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
CN104990709A (zh) | 用于检测机车轴承故障的方法 | |
CN102840911A (zh) | 用于旋转机械的振动烈度分析装置和方法 | |
CN102854006A (zh) | 旋转机械的轴的烈度分析装置及方法 | |
CN115371992A (zh) | 用于监测基于齿轮系的系统中的部件故障的系统和方法 | |
JP6714844B2 (ja) | 異常診断方法 | |
Coats et al. | Advanced time–frequency mutual information measures for condition-based maintenance of helicopter drivetrains | |
Yang et al. | A case study of bearing condition monitoring using SPM | |
Ugechi et al. | Condition-based diagnostic approach for predicting the maintenance requirements of machinery | |
Bartelmus | Diagnostic information on gearbox condition for mechatronic systems | |
KR100296013B1 (ko) | 퍼지논리를이용한회전기계의이상진단방법 | |
CN113557420A (zh) | 基于专家知识的用于旋转机器的自动健康状态分类器 | |
CN116888450A (zh) | 一种用于监测机械装置或机械部件的健康状态的方法及装置 | |
Larder et al. | HUMS condition based maintenance credit validation | |
KR102500883B1 (ko) | 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법 | |
Djaidir et al. | Detection of vibrations defects in gas transportation plant based on input/output data analysis: Gas turbine investigations | |
Mohamedi | Application of vibration analysis for the diagnosis of rotating machines | |
Osman et al. | Vibration Signature of Roller Bearing’s Faults | |
Kumar et al. | Fault diagnosis for a booster pump unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121226 |
|
WD01 | Invention patent application deemed withdrawn after publication |