CN104155133B - 一种机械故障程度的评价方法 - Google Patents
一种机械故障程度的评价方法 Download PDFInfo
- Publication number
- CN104155133B CN104155133B CN201410384028.XA CN201410384028A CN104155133B CN 104155133 B CN104155133 B CN 104155133B CN 201410384028 A CN201410384028 A CN 201410384028A CN 104155133 B CN104155133 B CN 104155133B
- Authority
- CN
- China
- Prior art keywords
- deterioration
- variance
- vibration signal
- matrix
- max
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 230000006866 deterioration Effects 0.000 claims description 44
- 238000010338 mechanical breakdown Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 230000002542 deteriorative effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract 10
- 238000006731 degradation reaction Methods 0.000 abstract 10
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Abstract
本发明涉及一种机械故障程度的评价方法,其步骤:(1)利用转子实验台模拟机械设备正常运行状态,采用振动信号;(2)利用转子实验台模拟机械设备故障的轻度故障程度、中度故障程度和重度故障程度,采集振动信号;(3)对所有振动信号进行双谱操作获得双谱值矩阵;(4)将双谱值矩阵定义为劣化演化矩阵;计算正常运行状态下的劣化演化矩阵以及故障下的劣化演化矩阵;(5)计算劣化演化矩阵的特征值、均值、方差;(6)计算机械设备正常运行状态下的均值最大值、方差最大值;(7)根据以上获得劣化区间划分图;(8)采集实际设备的振动信号得到劣化均值、劣化方差,将其绘制在劣化区间划分图中,根据坐标点所处的区域判断设备运行状态。
Description
技术领域
本发明涉及一种机械故障评价方法,特别是关于一种适用于机械故障诊断领域中的机械故障程度的评价方法。
背景技术
机械故障的发生是多种因素相互作用的最终结果,机械故障从最初的故障征兆到逐步发展,再到宏观的表现出来需要经历一个过程。在故障发展的过程中各种因素相互作用的机理较为复杂,同时,工况因素变化导致依靠理论分析进行故障诊断的方法常常不能取得良好的效果。
发明内容
针对上述问题,本发明的目的是提供一种机械故障程度的评价方法,该方法对机械故障程度进行状态评价,对机械故障的发展变化情况进行衡量,为设备的保养、维修提供参考依据。
为实现上述目的,本发明采取以下技术方案:一种机械故障程度的评价方法,其包括以下步骤:(1)利用转子实验台模拟机械设备正常运行状态,并采用现有数据采集设备采集转子实验台在正常运行状态下的振动信号xw(n)={x1,…xN},其中,N为每组数据个数;w为数据组别,w=1,…,9,即1至9组为正常运行状态;(2)利用转子实验台模拟机械设备故障的轻度故障程度、中度故障程度和重度故障程度三种故障程度,并采用现有数据采集设备采集转子实验台在三种故障下的振动信号xw(n)={x1,…xN},其中,N代表每组数据个数;w=10,11,12代表数据组别,即第10组数据代表轻度故障程度状态、第11组数据代表中度故障程度状态、第12组数据代表重度故障程度状态;(3)对所有振动信号xw(n)进行双谱操作,获得不同运行状态下的双谱值矩阵Fw(ω1,ω2);(4)将描述各个频率点双谱值增减幅度的双谱值矩阵定义为劣化演化矩阵Fpq:
式中,Fq、Fp分别表示状态q、状态p对应的双谱值矩阵,p∈w,q∈w;“*”表示分子位置处矩阵与分母位置处矩阵的相除操作为两个矩阵各个对应元素之间的相除;计算机械设备正常运行状态下的劣化演化矩阵:F1-2、F1-3、F1-4、F1-5、F1-6、F1-7、F1-8、F1-9,以及故障下的劣化演化矩阵:F1-10、F1-11、F1-12;(5)计算劣化演化矩阵Fpq的特征值,得到12组特征值,再计算每组特征值的均值、方差: 其中a表示劣化均值,b表示劣化方差;(6)计算机械设备正常运行状态下对应的均值最大值amax为: 计算机械设备正常运行状态下对应的方差最大值bmax为:
(7)以劣化均值为横坐标,以劣化方差为纵坐标,将均值最大值amax、方差最大值bmax;故障状态下的劣化均值、劣化方差的数值绘制在同一个图形中,得到劣化区间划分图;(8)采集实际设备的振动信号,对该振动信号进行步骤(3)~(6)的操作,得到对应的劣化均值、劣化方差,将其绘制在步骤(7)中的劣化区间划分图中,根据坐标点所处的区域判断设备运行状态。
所述步骤(3)中,对所有振动信号xw(n)进行双谱操作的步骤如下:(a)将所有振动信号xw(n)={x1,…xN}中每组振动信号的N个数据分为K段,每段M个数据,每段数据作为一个记录,其中w=1,…,12;(b)对每一个记录进行去均值操作,得到三阶累积量估计值(c)对三阶累积量估计值做傅里叶变换,得到所有振动信号的双谱值矩阵Fw(ω1,ω2):
式中,ω1、ω2表示频率;l、k表示时延,l<k。
所述步骤(b)中,对每一个记录进行去均值操作的步骤如下:(Ⅰ)设定是第i个记录,其中i=1,…K,h=0,1,…M-1,对第i个记录求其三阶累积量
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k表示时延,l<k;(Ⅱ)取所有三阶累积量的平均值作为整个观测值的三阶累积量估计,得到三阶累积量估计值为:
所述步骤(8)中,根据坐标点所处的区域对设备运行状态的判断为:当实际设备的振动信号位于均值最大值amax、方差最大值bmax的区间内,则实际设备为正常运行状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为轻度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为中度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为重度故障程度状态。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于利用转子实验台对机械设备不同故障程度状态进行模拟,采集转子实验台的振动信号,利用该振动信号获取劣化区间划分图。用于评价故障程度的劣化区间划分图建立在实验数据基础上,能够代表设备的真实状态,有利于该评价方法的工业应用。2、本发明由于采用劣化演化矩阵的形式对不同故障程度之间的变化进行衡量,避免了复杂的理论分析,以及多种工况因素对理论分析的干扰。本发明可以广泛在机械故障领域中应用。
附图说明
图1是本发明的整体流程示意图;
图2是本发明的劣化区间划分示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种机械故障程度的评价方法,其包括以下步骤:
(1)利用转子实验台模拟机械设备正常运行状态,并采用现有数据采集设备采集转子实验台在正常运行状态下的振动信号,记为xw(n)={x1,…xN},其中,N为每组数据个数;w为数据组别,w=1,…,9,即1至9组为正常运行状态。
(2)利用转子实验台模拟机械设备故障的三种故障程度,三种故障程度记为轻度故障程度、中度故障程度和重度故障程度,并采用现有数据采集设备采集转子实验台在三种故障下的振动信号,同样记为xw(n)={x1,…xN},其中,N代表每组数据个数;w代表数据组别,w=10,11,12,即第10组数据代表轻度故障程度状态、第11组数据代表中度故障程度状态、第12组数据代表重度故障程度状态。
(3)对所有振动信号xw(n)进行双谱操作,获得不同运行状态下的双谱值矩阵。其具体步骤如下:
(a)将所有振动信号xw(n)={x1,…xN}中每组振动信号的N个数据分为K段,每段M个数据,每段数据作为一个记录;其中,w=1,…,12;
(b)对每一个记录进行去均值操作,得到三阶累积量估计值,其步骤如下:
(Ⅰ)设定是第i(i=1,…K)个记录,其中h=0,1,…M-1,对第i个记录求其三阶累积量
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k表示时延,l<k。
(Ⅱ)取所有三阶累积量的平均值作为整个观测值的三阶累积量估计,得到三阶累积量估计值为:
(c)对三阶累积量估计值做傅里叶变换,得到所有振动信号的双谱值矩阵Fw(ω1,ω2):
式中,ω1、ω2表示频率。
(4)将描述各个频率点双谱值增减幅度的双谱值矩阵定义为劣化演化矩阵Fpq:
上式中,Fq、Fp分别表示状态q、状态p对应的双谱值矩阵,p∈w,q∈w;“*”表示分子位置处矩阵与分母位置处矩阵的相除操作为两个矩阵各个对应元素之间的相除。
计算机械设备正常运行状态下的劣化演化矩阵:F1-2、F1-3、F1-4、F1-5、F1-6、F1-7、F1-8、F1-9,以及故障下的劣化演化矩阵:F1-10、F1-11、F1-12。由于当q=1时的劣化演化矩阵F1-1无意义,故忽略不计。
(5)计算劣化演化矩阵Fpq的特征值,得到12组特征值,再计算每组特征值的均值、方差,得到:
其中a表示劣化均值,b表示劣化方差。
(6)计算机械设备正常运行状态下对应的均值最大值amax为:
计算机械设备正常运行状态下对应的方差最大值bmax为:
(7)以劣化均值为横坐标,以劣化方差为纵坐标,将均值最大值amax、方差最大值bmax;故障状态下的劣化均值、劣化方差的数值绘制在同一个图形中,得到劣化区间划分图,如图2所示。
(8)采集实际设备的振动信号,对该振动信号进行步骤(3)~(6)的操作,得到对应的劣化均值、劣化方差,将该劣化均值、劣化方差绘制在步骤(7)中的劣化区间划分图中,根据坐标点所处的区域判断设备运行状态。当实际设备的振动信号位于均值最大值amax、方差最大值bmax的区间内,则实际设备为正常运行状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为轻度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为中度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为重度故障程度状态。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (4)
1.一种机械故障程度的评价方法,其包括以下步骤:
(1)利用转子实验台模拟机械设备正常运行状态,并采用现有数据采集设备采集转子实验台在正常运行状态下的振动信号xw(n)={x1,...xN},其中,N为每组数据个数;w为数据组别,w=1,...,9,即1至9组为正常运行状态;
(2)利用转子实验台模拟机械设备故障的轻度故障程度、中度故障程度和重度故障程度三种故障程度,并采用现有数据采集设备采集转子实验台在三种故障下的振动信号xw(n)={x1,...xN},其中,N代表每组数据个数;w=10,11,12代表数据组别,即第10组数据代表轻度故障程度状态、第11组数据代表中度故障程度状态、第12组数据代表重度故障程度状态;
(3)对所有振动信号xw(n)进行双谱操作,获得不同运行状态下的双谱值矩阵Fw(ω1,ω2),ω1、ω2表示频率;
(4)将描述各个频率点双谱值增减幅度的双谱值矩阵定义为劣化演化矩阵Fpq:
式中,Fq、Fp分别表示状态q、状态p对应的双谱值矩阵,p×w,q×w;“*”表示分子位置处矩阵与分母位置处矩阵的相除操作为两个矩阵各个对应元素之间的相除;
计算机械设备正常运行状态下的劣化演化矩阵:F1-2、F1-3、F1-4、F1-5、F1-6、F1-7、F1-8、F1-9,以及故障下的劣化演化矩阵:F1-10、F1-11、F1-12;
(5)计算劣化演化矩阵Fpq的特征值,得到12组特征值,再计算每组特征值的均值、方差: 其中a表示劣化均值,b表示劣化方差;
(6)计算机械设备正常运行状态下对应的均值最大值amax为:
计算机械设备正常运行状态下对应的方差最大值bmax为:
(7)以劣化均值为横坐标,以劣化方差为纵坐标,将均值最大值amax、方差最大值bmax;故障状态下的劣化均值、劣化方差的数值绘制在同一个图形中,得到劣化区间划分图;
(8)采集实际设备的振动信号,对该振动信号进行步骤(3)~(6)的操作,得到对应的劣化均值、劣化方差,将其绘制在步骤(7)中的劣化区间划分图中,根据坐标点所处的区域判断设备运行状态。
2.如权利要求1所述的一种机械故障程度的评价方法,其特征在于:所述步骤(3)中,对所有振动信号xw(n)进行双谱操作的步骤如下:
(a)将所有振动信号xw(n)={x1,...xN}中每组振动信号的N个数据分为K段,每段M个数据,每段数据作为一个记录,其中w=1,...,12;
(b)对每一个记录进行去均值操作,得到三阶累积量估计值
(c)对三阶累积量估计值做傅里叶变换,得到所有振动信号的双谱值矩阵Fw(ω1,ω2):
式中,ω1、ω2表示频率;l、k表示时延,l<k。
3.如权利要求2所述的一种机械故障程度的评价方法,其特征在于:所述步骤(b)中,对每一个记录进行去均值操作的步骤如下:
(Ⅰ)设定是第i个记录,其中i=1,...K,h=0,1,...M-1,对第i个记录求其三阶累积量
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k表示时延,l<k;
(Ⅱ)取所有三阶累积量的平均值作为整个观测值的三阶累积量估计,得到三阶累积量估计值为:
4.如权利要求1或2或3所述的一种机械故障程度的评价方法,其特征在于:所述步骤(8)中,根据坐标点所处的区域对设备运行状态的判断为:当实际设备的振动信号位于均值最大值amax、方差最大值bmax的区间内,则实际设备为正常运行状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为轻度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为中度故障程度状态;当实际设备的振动信号位于劣化均值劣化方差区间内,则实际设备为重度故障程度状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410384028.XA CN104155133B (zh) | 2014-08-06 | 一种机械故障程度的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410384028.XA CN104155133B (zh) | 2014-08-06 | 一种机械故障程度的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104155133A CN104155133A (zh) | 2014-11-19 |
CN104155133B true CN104155133B (zh) | 2017-01-04 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040086718A (ko) * | 2003-04-03 | 2004-10-12 | 현대자동차주식회사 | 차량의 시트 평가방법 |
CN101706377A (zh) * | 2009-10-30 | 2010-05-12 | 重庆交通大学 | 基于混沌动力学理论的在役桥梁安全评估的方法 |
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
CN103245519A (zh) * | 2013-04-17 | 2013-08-14 | 华北电力大学 | 变压器油纸绝缘老化评估与寿命预测的装置及其预测方法 |
CN103245518A (zh) * | 2013-03-29 | 2013-08-14 | 燕山大学 | 基于微分局部均值分解的旋转机械故障诊断方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040086718A (ko) * | 2003-04-03 | 2004-10-12 | 현대자동차주식회사 | 차량의 시트 평가방법 |
CN101706377A (zh) * | 2009-10-30 | 2010-05-12 | 重庆交通大学 | 基于混沌动力学理论的在役桥梁安全评估的方法 |
CN103245518A (zh) * | 2013-03-29 | 2013-08-14 | 燕山大学 | 基于微分局部均值分解的旋转机械故障诊断方法 |
CN103245519A (zh) * | 2013-04-17 | 2013-08-14 | 华北电力大学 | 变压器油纸绝缘老化评估与寿命预测的装置及其预测方法 |
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
Non-Patent Citations (1)
Title |
---|
基于连续小波变换的齿轮故障诊断方法研究;郑海波等;《机械工程学报》;20020331;第38卷(第3期);69-73 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977920B (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN105092239B (zh) | 一种齿轮早期故障检测方法 | |
CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
CN104458170B (zh) | 机械装备监测振动信号的时频图处理方法及系统 | |
CN101294845B (zh) | 转子早期故障的多频率微弱信号检测方法 | |
CN104156591B (zh) | 一种马尔可夫故障趋势预测方法 | |
CN103398859B (zh) | 一种力—位移混合控制摩托车车架疲劳试验方法 | |
CN104614166B (zh) | 一种飞机发动机转子振动信号故障状态识别的方法 | |
CN108229544A (zh) | 一种npc三电平光伏逆变器开路故障诊断方法 | |
CN108489719B (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
FI3221579T3 (fi) | Tuuliturbiinin tilan valvontamenetelmä ja -järjestelmä | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN101819253A (zh) | 一种基于概率神经网络的容差电路故障诊断方法 | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN104390781A (zh) | 一种基于lmd和bp神经网络的齿轮故障诊断方法 | |
CN102488518B (zh) | 一种利用波动指数和提升训练的脑电检测方法和装置 | |
CN106226074A (zh) | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 | |
CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN104316163A (zh) | 基于内积变换和相关滤波的齿轮箱耦合调制信号分离方法 | |
CN105043766A (zh) | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 | |
CN102682180A (zh) | 旋转式机械设备性能退化的评估方法 | |
CN105021276A (zh) | 电器故障诊断方法和装置及电器 | |
CN105702305A (zh) | 核电站松动部件多目标三维动态跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |