CN103939325B - 一种在低速运转下的消防水泵的故障诊断方法 - Google Patents
一种在低速运转下的消防水泵的故障诊断方法 Download PDFInfo
- Publication number
- CN103939325B CN103939325B CN201410186083.8A CN201410186083A CN103939325B CN 103939325 B CN103939325 B CN 103939325B CN 201410186083 A CN201410186083 A CN 201410186083A CN 103939325 B CN103939325 B CN 103939325B
- Authority
- CN
- China
- Prior art keywords
- signal
- fire pump
- hilbert
- fault
- high frequency
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims description 3
- 230000009022 nonlinear effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 3
- 238000012407 engineering method Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种在低速运转下的消防水泵的故障诊断方法,旨在解决在非消防状态下低速运转的消防水泵的故障诊断问题。具体方法步骤是:以高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集低转速运行下的消防水泵的含有噪声的高频应力波混合信号;对其采用FastICA算法进行处理,得到源信号的估计;然后对该估计信号进行希尔伯特‑黄变换,得到其故障信号的n阶固有模态函数分量和希尔伯特谱作为判断水泵状态并进行故障识别的特征向量;最后利用支持向量机进行故障分类。本发明适于处理低速情况下的非线性非平稳信号,能够获取更加完整的故障特征,故障诊断的效果更加良好。
Description
技术领域
本发明涉及一种低速运转下的消防水泵的故障诊断方法。
背景技术
消防水泵是消防设备中最重要的部件,其性能的好坏对整套消防设备的可靠性有着直接的影响。消防水泵一旦发生故障,轻则振动噪声增加,加速其设备的损耗,降低工作效率;重则使整个楼宇消防设施停止工作,甚至造成严重事故,确保消防水泵在全生命期的完好可用,是有效保障对火情及时控制的重要手段,因此消防水泵的性能检测及故障诊断在工业应用中具有重大意义。由于流体的不可压缩性、泵源与水泵回路的流固耦合作用及消防水泵本身具有大幅度的固有机械振动,使得消防水泵的故障机理复杂,故障特征信号微弱,利用常规的信号处理方法难以提取故障信息,并进行有效的故障诊断。
消防水泵的故障诊断主要包括水泵振动信号采集,故障特征提取和故障诊断三个步骤,其核心步骤的就是故障特征提取。目前水泵故障诊断方法主要有基于信号处理的方法、基于解析模型的方法和基于知识的方法。用于水泵故障诊断中基于信号处理的方法主要有频谱分析、功率谱估计和小波分析等,他们都是利用信号的数学模型,直接分析监测信号,提取方差、幅值、频率等故障特征参数,然后实现水泵的故障诊断,这类方法的局限性在于故障容易误判,随机性较大,且不适合非平稳信号。
基于解析模型的方法需要建立被诊断对象的较为精确的数学模型,具体又可以分为状态估计方法、等价空间方法和参数估计方法。这类方法虽然具有一定的优点,但是在实际情况中,常常无法获得对象的精确数学模型,而且故障引起系统模型结构和参数变化的形式是不确定的,这就大大限制了基于解析模型诊断方法的使用范围和效果。
随着人工智能及计算机技术的飞速发展,基于知识的方法在故障诊断中的应用也越来越广泛,目前应用到水泵故障诊断中基于知识的方法主要有:粗糙集理论、专家系统、人工神经网络和支持向量机等。这些方法有着推理逻辑严密、可靠性高,有自学习、自组织、容错能力和善于处理不确定信息等优点,但也有一些局限性,如知识难以有效表达、获取困难、推理复杂和诊断推理过程不清晰,诊断解释不直观等等。
消防水泵故障振动信号是非平稳信号,其故障诊断的关键是从非平稳信号中提取特征向量。但是对于在低速转动下的水泵来说故障检测难度更大,并且传统的振动测量方法将失效,因为振动方法可能检测不到水泵的故障特征频率,而且当低速旋转机械有组件失效时对振动信号的影响也不大。鉴于此类局限性问题,传统的水泵故障诊断方法很难对水泵的工作状态做出较为准确的评价。
发明内容
鉴于此,本发明的目的是提供铸件打磨设备,能够对铸件进行自动打磨。
本发明的目的是通过这样的技术方案实现的,铸件打磨设备,其特征在于:包括建模部分、电控系统、底座、机械臂、打磨头和与底座配合的导轨;所述打磨头与机械臂连接,用于对铸件实施打磨;所述建模部分根据打磨对象完成三维建模并将三维模型的表面坐标以电信号的形式传输给电控系统;所述电控系统包括运动控制器,所述运动控制器根据表面坐标规划出打磨路径并根据打磨路径控制底座、机械臂和导轨的运动。
有鉴于此,本发明为了更加准确地对消防水泵的工作状态做出有效的评价,提出了一种低速运转下的消防水泵的故障诊断方法。该方法以高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集低转速运行下的消防水泵的含有噪声的高频应力波混合信号,能够有效解决振动和声发射信号在低转速情况下的局限性问题,提出了采用FastICA算法和希尔伯特-黄变换对信号进行处理,能够实现信号特征的优化提取,更加准确的进行故障诊断,实现故障分类,具体包括以下步骤:
步骤一:以高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集低转速运行下的消防水泵的含有噪声的高频应力波混合信号;
步骤二:对含有噪声的高频应力波混合信号采用FastICA算法进行处理,得到有效的源信号的估计;
步骤三:对其源信号的估计进行希尔伯特-黄变换,得到其故障信号的n阶固有模态函数分量(IMF)和希尔伯特谱作为判断水泵状态并进行故障识别的特征向量;
步骤四:根据处理完毕的特征信号,利用支持向量机的方法进行故障分类,完成故障诊断。
进一步,在步骤一中采用高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集高频应力波混合信号。
进一步,在步骤二中具体包括以下步骤:2.1:对采集到的信号去均值,并球化预处理;2.2:任意选择具有单位方差的初始分离矩阵W,要求||W||2=1;2.3:计算WP,直到收敛,求得源信号的估计Z(t)。
进一步,在步骤三中具体包括以下步骤:3.1:对估计信号Z(t)作EMD分解使成为若干基本模式分量和一个余项的和。
式(1)
3.2:对EMD分解得到的各阶固有模态函数IMF进行希尔伯特变换,可以得到(省略残量rn(t),Re表示取实部。)
式(2)
3.3:展开式(2)即为水泵特征信号的称为希尔伯特谱(Hilbert spectrum),记作
式(3)
得到各阶固有模态函数的瞬时频率和幅值。
进一步,在步骤四中采用支持向量机的方法进行故障分类。
本发明的优点与积极效果在于:以高频应力波信号作为特征参量,采集消防水泵低转速运行下的故障信号,解决了振动和声发射信号在低速情况下的局限性问题;采用FastICA与希尔伯特-黄变换相结合的算法处理特征信号,具有较强的处理非稳态、非线性信号的能力,同时,希尔伯特谱能够清楚、准确地反映出消防水泵所处的物理状态,直接就能判断出水泵发生的故障类型。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明所述在在低速运转下的消防水泵的故障诊断方法的流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程图,本方法包括以下步骤:
步骤一:以高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集低转速运行下的消防水泵的含有噪声的高频应力波混合信号;
步骤二:对含有噪声的高频应力波混合信号采用FastICA算法进行处理,得到有效的源信号的估计;
步骤三:对其源信号的估计进行希尔伯特-黄变换,得到其故障信号的n阶固有模态函数分量(IMF)和希尔伯特谱作为判断水泵状态并进行故障识别的特征向量;
步骤四:根据处理完毕的特征信号,利用支持向量机的方法进行故障分类,完成故障诊断。
进一步,在步骤一中采用高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集高频应力波混合信号。
进一步,在步骤二中具体包括以下步骤:2.1:对采集到的信号去均值,并球化预处理;2.2:任意选择具有单位方差的初始分离矩阵W,要求||W||2=1;2.3:计算WP,直到收敛,求得源信号的估计Z(t)。
进一步,在步骤三中具体包括以下步骤:3.1:对估计信号Z(t)作EMD分解使成为若干基本模式分量和一个余项的和。
式(1)
3.2:对EMD分解得到的各阶固有模态函数IMF进行希尔伯特变换,可以得到(省略残量rn(t),Re表示取实部。)
式(2)
3.3:展开式(2)即为水泵特征信号的称为希尔伯特谱(Hilbert spectrum),记作
式(3)
得到各阶固有模态函数的瞬时频率和幅值。
进一步,在步骤四中采用支持向量机的方法进行故障分类。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种在低速运转下的消防水泵的故障诊断方法,其特征在于:包括以下步骤:
步骤一:以高频应力波传感器对处于巡检状态下的消防水泵进行信号检测,采集低转速运行下的消防水泵的含有噪声的高频应力波混合信号;
步骤二:对含有噪声的高频应力波混合信号采用FastICA算法进行处理,得到有效的源信号的估计;
步骤三:对其源信号的估计进行希尔伯特-黄变换,得到其故障信号的n阶固有模态函数分量(IMF)和希尔伯特谱,n阶固有模态函数分量(IMF)作为判断水泵状态并进行故障识别的特征向量,希尔伯特谱能够清楚准确地反映出消防水泵所处的物理状态,直接就能判断出水泵发生的故障类型;
采用FastICA算法和希尔伯特-黄变换相结合的算法处理特征信号,具有较强的处理非稳态、非线性信号的能力;
步骤四:根据处理完毕的特征信号,利用支持向量机的方法进行故障分类,完成故障诊断。
2.根据权利要求1所述的一种在低速运转下的消防水泵的故障诊断方法,其特征在于:在步骤二中具体包括以下步骤:2.1:对采集到的信号去均值,并球化预处理;2.2:任意选择具有单位方差的初始分离矩阵W,要求||W||2=1;2.3:计算WP,直到收敛,求得源信号的估计Z(t)。
3.根据权利要求1所述的一种在低速运转下的消防水泵的故障诊断方法,其特征在于:在步骤三中具体包括以下步骤:
3.1:对估计信号Z(t)作EMD分解使成为若干基本模式分量和一个余项的和
3.2:对EMD分解得到的各阶固有模态函数IMF进行希尔伯特变换,省略残量rn(t),Re表示取实部,可以得到:
3.3:展开式(2)即为水泵特征信号的称为希尔伯特谱(Hilbert spectrum),记作
得到各阶固有模态函数的瞬时频率和幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186083.8A CN103939325B (zh) | 2014-05-05 | 2014-05-05 | 一种在低速运转下的消防水泵的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186083.8A CN103939325B (zh) | 2014-05-05 | 2014-05-05 | 一种在低速运转下的消防水泵的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103939325A CN103939325A (zh) | 2014-07-23 |
CN103939325B true CN103939325B (zh) | 2017-04-05 |
Family
ID=51187156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410186083.8A Expired - Fee Related CN103939325B (zh) | 2014-05-05 | 2014-05-05 | 一种在低速运转下的消防水泵的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103939325B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819145B (zh) * | 2015-05-20 | 2017-05-31 | 重庆大学 | 一种基于声发射信号的消防水泵的故障诊断方法 |
CN104888396A (zh) * | 2015-05-20 | 2015-09-09 | 重庆大学 | 一种检测消防水泵在快速启动过程中瞬态故障的方法 |
CN105372075B (zh) * | 2015-11-13 | 2018-06-08 | 武汉理工大学 | 具有故障诊断功能的无刷直流电子水泵控制器及诊断方法 |
CN107725350B (zh) * | 2017-10-09 | 2020-04-07 | 湖南银河电气有限公司 | 具有机泵在线能效评测的状态监测装置 |
CN109058089A (zh) * | 2018-06-13 | 2018-12-21 | 天津大学 | 一种基于声发射信号的真空泵过载故障检测的方法 |
CN109026647B (zh) * | 2018-08-14 | 2020-03-24 | 东华大学 | 一种液压泵故障检测方法及系统 |
CN110333077B (zh) * | 2019-07-08 | 2021-06-15 | 重庆大学 | 一种基于近似支持向量的滚动轴承故障诊断方法 |
CN112486096A (zh) * | 2020-12-09 | 2021-03-12 | 中国兵器装备集团自动化研究所 | 一种机床运行状态的监控方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4090969B2 (ja) * | 2003-09-03 | 2008-05-28 | 独立行政法人科学技術振興機構 | 信号分離方法、信号分離プログラム及びそのプログラムを記録した記録媒体 |
CN1776390A (zh) * | 2005-11-30 | 2006-05-24 | 沈阳工业大学 | 一种低速重载旋转机械故障诊断方法 |
CN101750210B (zh) * | 2009-12-24 | 2012-05-30 | 重庆大学 | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 |
CN101869477B (zh) * | 2010-05-14 | 2011-09-14 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
CN102086784A (zh) * | 2010-12-16 | 2011-06-08 | 浙江大学 | 大型汽轮发电机组分布式远程振动监测与故障诊断系统 |
CN102835955B (zh) * | 2012-09-08 | 2014-02-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
CN102855408A (zh) * | 2012-09-18 | 2013-01-02 | 福州大学 | 基于ica的改进emd过程中imf判定方法 |
-
2014
- 2014-05-05 CN CN201410186083.8A patent/CN103939325B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103939325A (zh) | 2014-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103939325B (zh) | 一种在低速运转下的消防水泵的故障诊断方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
Saufi et al. | Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals | |
Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
Zhou et al. | Vibration-based fault diagnosis of the natural gas compressor using adaptive stochastic resonance realized by Generative Adversarial Networks | |
CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
CN113742855B (zh) | 一种故障预测方法、系统、电子设备与可读存储介质 | |
Xu et al. | Dually attentive multiscale networks for health state recognition of rotating machinery | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN106704080A (zh) | 基于在线数据的水轮发电机组推力头松动故障的诊断方法 | |
CN116733758A (zh) | 一种基于专家系统的陶瓷渣浆泵故障诊断方法 | |
Huang et al. | A novel multi-scale competitive network for fault diagnosis in rotating machinery | |
CN104819145B (zh) | 一种基于声发射信号的消防水泵的故障诊断方法 | |
Kalmuk et al. | Detection of abrupt changes in autonomous system fault analysis using spatial adaptive estimation of nonparametric regression | |
Martí et al. | YASA: yet another time series segmentation algorithm for anomaly detection in big data problems | |
Duhaney et al. | Applying feature selection to short time wavelet transformed vibration data for reliability analysis of an ocean turbine | |
Wu et al. | Machine learning approach for shaft crack detection through acoustical emission signals | |
Sun et al. | Research on early fault warning methods for key transmission components of wind turbines | |
Hoffmann et al. | Embedding anomaly detection autoencoders for wind turbines | |
CN113933035B (zh) | 基于相关性分析的旋转机械装备故障诊断方法和系统 | |
Dehghanabandaki et al. | Fault Detection of Wind Turbine System Based on Deep Learning and System Identification | |
CN109977726A (zh) | 信号包络线提取方法、装置、风电机组的状态监测方法 | |
TWI781850B (zh) | 智慧聯網風力發電故障診斷檢測系統及其檢測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 |
|
CF01 | Termination of patent right due to non-payment of annual fee |