CN102928211A - 一种高速旋转器件故障诊断装置及其诊断方法 - Google Patents
一种高速旋转器件故障诊断装置及其诊断方法 Download PDFInfo
- Publication number
- CN102928211A CN102928211A CN2012104132369A CN201210413236A CN102928211A CN 102928211 A CN102928211 A CN 102928211A CN 2012104132369 A CN2012104132369 A CN 2012104132369A CN 201210413236 A CN201210413236 A CN 201210413236A CN 102928211 A CN102928211 A CN 102928211A
- Authority
- CN
- China
- Prior art keywords
- rotation speed
- high rotation
- speed device
- fault
- signal
- 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.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公布了一种高速旋转器件故障诊断装置,其特征在于:其包括轨道基、轨道、高速旋转器件和故障诊断设备。一种高速旋转器件故障诊断方法,首先定义故障模式及采集对应故障模式下高速旋转器件的特征集F{·},然后通过特定的算法对后续实时采集的高速旋转器件的特征集F{·}进行判别,实现对应故障类型的判别。相比于定期的检测维护和事故后维修,本发明可以实现高速旋转器件运动状态的实时监测,对故障进行分类预警,避免因高速旋转器件的故障造成整台机械装备的损坏。
Description
技术领域
本发明涉及一种高速旋转器件故障诊断装置及其诊断方法。
背景技术
随着科学技术的飞速发展,机械装备中高速旋转器件的应用更加广泛。高速旋转器件的使用不仅提高了机器运转效率,而且使得机器制造向复杂化、综合化等高度自动化方向发展,但大量高速旋转器件的集成也造成了机械结构设备日益复杂。因此,在机械装备中,高速旋转器件运行状况的实时监测是维护机械装备整体良好运行状况的重要保证。其中,在监测过程中,高速旋转器件运动状态故障类型的分类诊断是监测设备必备的重要功能。如果高速旋转器件一旦发生故障将影响另一部分发生故障,最终影响整台设备的性能,造成巨大的经济损失和人员伤亡。传统的定期检修和事后维修的维修成本高、效率低和缺乏事故预见能力。预报潜在的故障并采取措施,不仅能够避免机械装备故障,而且能够节省维修费用,因此对机械装备中高速旋转器件故障的实时监测诊断具有重要的意义。
发明内容
本发明目的在于提供一种高速旋转器件故障诊断装置及其诊断方法。
本发明为实现上述目的,采用如下技术方案:
一种高速旋转器件故障诊断装置,其特征在于:其包括轨道基、轨道、高速旋转器件和故障诊断设备;所述高速旋转器件沿轨道在轨道基上高速旋转,其上设置有监测点;所述故障诊断设备正对着所述监测点,固定在轨道基上;所述故障诊断设备为非接触监测装置,具有信号采集、信号脉冲特征提取和故障类型判别的功能,用于采集监测点的信号。
其进一步特征在于:所述故障诊断设备还包括声音、光电指示灯,用于准确提示故障类型。
一种高速旋转器件故障诊断方法,包括下述步骤:
(1)对故障模式进行定义,A1模式:高速旋转器件脱离轨道;A2模式:高速旋转器件静止不动;A3模式:高速旋转器件间歇旋转;A4模式:高速旋转器件速度偏低;A5模式:高速旋转器件严重磨损,速度正常,脉冲信号占空比变小;
(2)故障诊断设备采用非接触方式采集高速旋转器件的时频信号,所述信号为一维信号或者二维信号,采集信号后,对高速旋转器件对应的时频信号进行稀疏表示;
(3)通过时频信号进行稀疏表示的方法提取高速旋转器件特征,在信号特征提取时,分别提取高速旋转器件时频能量分布统计特征,时域和频域分布的能量均值、能量最大值Emax、能量最小值Emin、能量极差Ed,以及能量分布满足特殊分布函数或者谱模型时,原始时域信号的统计特征;将提取的各类特征组合为特征集F{·}用于描述步骤(1)中高速旋转器件故障模式;
(4)对故障模式进行编码,不同的特征集F{·}对应于不同的故障模式编码;
(5)对于故障诊断设备后续实时采集的高速旋转器件的特征集F{·}通过如人工神经网络方法、支持向量机、随机森林、Bagging算法和Boosting算法的模式判别的方法,与事先定义的故障模式特征集F{·}进行判别,构建特征集合特征集F{·}与故障模式编码之间的线性或非线性映射关系,实现对应故障类型的判别。
其进一步特征在于:所述步骤(2)中时频信号进行稀疏表示的方法为如Gabor变换,小波变换的线性时频分析法;如Wigner-Ville 分布谱分析的双线性时频分析法;如基于基函数分解表示的投影追踪算法和匹配追踪算法的自适应信号分解方法;以及应用Hilbert-Huang时频分析法与线性、双线性时频分析方法和自适应分解方法的组合。
本发明首先定义故障模式及采集对应故障模式下高速旋转器件的特征集F{·},然后通过特定的算法对后续实时采集的高速旋转器件的特征集F{·}进行判别,实现对应故障类型的判别。相比于定期的检测维护和事故后维修,本发明可以实现高速旋转器件运动状态的实时监测,对故障进行分类预警,避免因高速旋转器件的故障造成整台机械装备的损坏。
附图说明
图 1 为本发明高速旋转器件故障诊断装置示意图。
具体实施方式
如图1所示一种高速旋转器件故障诊断装置,其包括轨道基1、轨道2、高速旋转器件3和故障诊断设备4;所述高速旋转器件3沿轨道2在轨道基1上高速旋转,其上设置有监测点;所述故障诊断设备4正对着所述监测点,固定在轨道基1上;所述故障诊断设备4为非接触监测装置,具有信号采集、信号脉冲特征提取和故障类型判别的功能,用于采集监测点的信号。
所述故障诊断设备还包括声音、光电指示灯,用于准确提示故障类型。
一种高速旋转器件故障诊断方法,包括下述步骤:
(1)对故障模式进行定义,A1模式:高速旋转器件脱离轨道;A2模式:高速旋转器件静止不动;A3模式:高速旋转器件间歇旋转;A4模式:高速旋转器件速度偏低;A5模式:高速旋转器件严重磨损,速度正常,脉冲信号占空比变小;
(2)故障诊断设备采用非接触方式采集高速旋转器件的时频信号,所述信号为一维信号或者二维信号,采集信号后,对高速旋转器件对应的时频信号进行稀疏表示;
(3)通过时频信号进行稀疏表示的方法提取高速旋转器件特征,在信号特征提取时,分别提取高速旋转器件时频能量分布统计特征,时域和频域分布的能量均值、能量最大值Emax、能量最小值Emin、能量极差Ed,以及能量分布满足特殊分布函数或者谱模型时,原始时域信号的统计特征;将提取的各类特征组合为特征集F{·}用于描述步骤(1)中高速旋转器件故障模式;
(4)对故障模式进行编码,不同的特征集F{·}对应于不同的故障模式编码;
(5)对于故障诊断设备后续实时采集的高速旋转器件的特征集F{·}通过如人工神经网络方法、支持向量机、随机森林、Bagging算法和Boosting算法的模式判别的方法,与事先定义的故障模式特征集F{·}进行判别,构建特征集合特征集F{·}与故障模式编码之间的线性或非线性映射关系,实现对应故障类型的判别。
所述步骤(2)中时频信号进行稀疏表示的方法为如Gabor变换,小波变换的线性时频分析法;如Wigner-Ville 分布谱分析的双线性时频分析法;如基于基函数分解表示的投影追踪算法和匹配追踪算法的自适应信号分解方法;以及应用Hilbert-Huang时频分析法与线性、双线性时频分析方法和自适应分解方法的组合。
下述为一实例:
当高速旋转器件质量为0.023克,其做匀速圆周运动的轨道内径为42mm时,高速运动器件从静止达到稳定速度48.4米/秒,该高速旋转器件线加速度高达10000m/s2。根据实际情况,我们定义该高速旋转器件的故障类型为:
A1模式:高速旋转器件脱离轨道;A2模式:高速旋转器件静止不动;A3模式:高速旋转器件间歇旋转;A4模式:高速旋转器件速度偏低;A5模式:高速旋转器件严重磨损,速度正常,脉冲信号占空比变小。采用自主研发的非接触式光电信号采集器采集100个高速旋转器件出现上述5种故障对应的脉冲信号,并提取各故障对应脉冲信号的占空比、周期、幅值最大值和幅值均值为特征集F{·},从而形成100个故障样本。然后采这100个故障样本对故障类型分类器进行训练,当分类器满足预设分类准确率时,停止训练。将训练完成的分类器用于故障诊断,并采用200个新样本对故障分类器进行检验,发现该方法对200个新样本对应故障的正确诊断率为100%。
Claims (4)
1.一种高速旋转器件故障诊断装置,其特征在于:其包括轨道基、轨道、高速旋转器件和故障诊断设备;所述高速旋转器件沿轨道在轨道基上高速旋转,其上设置有监测点;所述故障诊断设备正对着所述监测点,固定在轨道基上;所述故障诊断设备为非接触监测装置,具有信号采集、信号脉冲特征提取和故障类型判别的功能,用于采集监测点的信号。
2.根据权利要求1所述的高速旋转器件故障诊断装置,其特征在于:所述故障诊断设备还包括声音、光电指示灯,用于准确提示故障类型。
3.一种高速旋转器件故障诊断方法,包括下述步骤:
(1)对故障模式进行定义,A1模式:高速旋转器件脱离轨道;A2模式:高速旋转器件静止不动;A3模式:高速旋转器件间歇旋转;A4模式:高速旋转器件速度偏低;A5模式:高速旋转器件严重磨损,速度正常,脉冲信号占空比变小;
(2)故障诊断设备采用非接触方式采集高速旋转器件的时频信号,所述信号为一维信号或者二维信号,采集信号后,对高速旋转器件对应的时频信号进行稀疏表示;
(3)通过时频信号进行稀疏表示的方法提取高速旋转器件特征,在信号特征提取时,分别提取高速旋转器件时频能量分布统计特征,时域和频域分布的能量均值、能量最大值Emax、能量最小值Emin、能量极差Ed,以及能量分布满足特殊分布函数或者谱模型时,原始时域信号的统计特征;将提取的各类特征组合为特征集F{·}用于描述步骤(1)中高速旋转器件故障模式;
(4)对故障模式进行编码,不同的特征集F{·}对应于不同的故障模式编码;
(5)对于故障诊断设备后续实时采集的高速旋转器件的特征集F{·}通过如人工神经网络方法、支持向量机、随机森林、Bagging算法和Boosting算法的模式判别的方法,与事先定义的故障模式特征集F{·}进行判别,构建特征集合特征集F{·}与故障模式编码之间的线性或非线性映射关系,实现对应故障类型的判别。
4.根据权利要求3所述的高速旋转器件故障诊断方法,其特征在于:所述步骤(2)中时频信号进行稀疏表示的方法为如Gabor变换,小波变换的线性时频分析法;如Wigner-Ville 分布谱分析的双线性时频分析法;如基于基函数分解表示的投影追踪算法和匹配追踪算法的自适应信号分解方法;以及应用Hilbert-Huang时频分析法与线性、双线性时频分析方法和自适应分解方法的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210413236.9A CN102928211B (zh) | 2012-10-25 | 2012-10-25 | 一种高速旋转器件故障诊断装置及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210413236.9A CN102928211B (zh) | 2012-10-25 | 2012-10-25 | 一种高速旋转器件故障诊断装置及其诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102928211A true CN102928211A (zh) | 2013-02-13 |
CN102928211B CN102928211B (zh) | 2015-08-19 |
Family
ID=47643064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210413236.9A Active CN102928211B (zh) | 2012-10-25 | 2012-10-25 | 一种高速旋转器件故障诊断装置及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102928211B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN104132806A (zh) * | 2014-07-31 | 2014-11-05 | 西安热工研究院有限公司 | 一种识别汽轮发电机组转子裂纹故障的方法 |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
CN101832857A (zh) * | 2010-03-31 | 2010-09-15 | 桂林电子科技大学 | 电子束焊机高速闪频观察装置主轴轴承故障诊断的方法 |
-
2012
- 2012-10-25 CN CN201210413236.9A patent/CN102928211B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
CN101832857A (zh) * | 2010-03-31 | 2010-09-15 | 桂林电子科技大学 | 电子束焊机高速闪频观察装置主轴轴承故障诊断的方法 |
Non-Patent Citations (2)
Title |
---|
梅杰: "基于人工神经网络的旋转机械故障诊断专家系统", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 09, 15 September 2011 (2011-09-15) * |
程军圣: "基于Hilbert-Huang变换的旋转机械故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库 (博士)工程科技Ⅱ辑》, no. 07, 15 November 2005 (2005-11-15), pages 6 - 11 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN103954353B (zh) * | 2014-05-12 | 2016-08-24 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN104132806A (zh) * | 2014-07-31 | 2014-11-05 | 西安热工研究院有限公司 | 一种识别汽轮发电机组转子裂纹故障的方法 |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN104655425B (zh) * | 2015-03-06 | 2017-05-03 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108181107B (zh) * | 2018-01-12 | 2019-08-30 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102928211B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102928211B (zh) | 一种高速旋转器件故障诊断装置及其诊断方法 | |
CN107329079A (zh) | 一种高压断路器在线监测及故障综合诊断系统 | |
CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
CN111637964B (zh) | 钢轨波磨识别方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN103033359A (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN103901330A (zh) | 一种xlpe电缆局部放电在线监测方法 | |
CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
CN103835882A (zh) | 大型风力发电机组状态监测与故障诊断系统 | |
CN106441893A (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN111060337A (zh) | 一种基于专家系统的运转设备实时故障诊断方法 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
CN203414275U (zh) | 一种风电机组滚动轴承异常状态预警检测装置 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
CN102788696A (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
US20230347948A1 (en) | Rail corrugation recognition method and apparatus based on support vector machine, device, and medium | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN111401661B (zh) | 一种机械设备的预测性维护方法和维护系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |