CN105445004A - 设备零部件的振动曲线归一化平均寿命预测办法 - Google Patents
设备零部件的振动曲线归一化平均寿命预测办法 Download PDFInfo
- Publication number
- CN105445004A CN105445004A CN201510783557.1A CN201510783557A CN105445004A CN 105445004 A CN105445004 A CN 105445004A CN 201510783557 A CN201510783557 A CN 201510783557A CN 105445004 A CN105445004 A CN 105445004A
- Authority
- CN
- China
- Prior art keywords
- curve
- parameter
- normalized
- equipment
- parts
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的目的在于提供设备零部件的振动曲线归一化平均寿命预测办法,负载归一化,综合考虑加载力,环境温度,湿度,润滑等精确的分析出设备零部件的使用状态以及预期的使用时间。为了实现所述目的,本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法,包括获取趋势曲线以及计算该零件的平均曲线,比较趋势曲线和该零部件的平均曲线,通过特定时间点上两者的距离D判断精确的部件寿命信息。通过这样的设置,本发明提可以通过工作状态和环境参数对振动曲线的影响因子的大小,分析获得零部件故障发生的根本原因。
Description
技术领域
本发明涉及一种设备寿命预测方法,尤其涉及设备零部件的振动曲线归一化平均寿命预测办法。
背景技术
在机械设备维护监测当中,很多情况下用到振动信号分析,但是由于现场设备的工作状态和环境千差万别,所以在实际单个现场采集到的信号和诊断经验很难应用到其他的现场设备当中,因此对于同源近似设备零部件的使用寿命预测没有太多的帮助。如现有技术中申请号为201310429075.7的发明专利《基于振动信号分析的传动系统齿轮故障诊断方法》就涉及一种基于振动信号分析的传动系统齿轮故障诊断方法,其步骤:1)将原始振动信号x(t)进行n阶微分求导,;2)将xn(t)进行一阶EMD分解,得到第一个IMF,;其中rn1(t)为一阶EMD分解后的残余分量;3)对IMFn1(t)进行一次积分,;4)对b(n‐1)1t进行一阶EMD分解,得到,若n‐1>0,则n=n‐1,继续进行步骤3、4);5)若n‐1=0,则得到原始振动信号x(t)经DEMD分解后的第一个IMF1;6)令x2(t)=x(t)‐IMF1,再进行步骤1)-5),得到第二个IMF2;以此进行循环,得到x(t)经n阶DEMD分解后的IMF1~IMF(i‐1),xi(t)为残余分量。
但是现有技术针对环境变化频繁的场合,无法做出准确的预计。而且对于零部件一旦没有检测出故障,也无法获得其还能继续使用多长时间的预估。
发明内容
本发明的目的在于提供设备零部件的振动曲线归一化平均寿命预测办法,负载归一化,综合考虑加载力,环境温度,湿度,润滑等精确的分析出设备零部件的使用状态以及预期的使用时间。
为了实现所述目的,本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法,包括如下步骤:
步骤1:检测设备零部件振动信号,记录下检测的时间信息,对实际振动信号进行模数转换获得数字信号序列;
步骤2:从数字信号序列中抽取特征参数P;所述特征参数的获得方法为:对获得的数字信号序列进行时域或频域的变换,然后在变换结果中根据检测对象寻找对应的参数数值;
步骤3:对设备零件状况获取设备参数,所述设备参数包括工作参数A、环境参数B和其他参数C;
步骤4:将步骤2所获得的特征参数和步骤3中获得的设备参数进行归一化处理,获得归一化参数;
步骤5,通过步骤4获得的归一化参数结合实际的振动信号曲线获得设备零部件的归一化曲线;具体为在每个时间点上的实际振动信号特征参数值乘以归一化参数,获得归一化值,多个归一化值形成的曲线即为归一化曲线;
步骤6,获取相同时间长度内的多个相同设备的零部件的归一化曲线,平均后获得该零部件的平均曲线;
步骤7,比较趋势曲线和该零部件的平均曲线,通过特定时间点上两者的距离D判断精确的零部件寿命信息。
优选的,所述步骤4中归一化参数的获取方式为:获取零部件的设备参数范围:工作参数A:(Amin,Amax),环境参数B:(Bmin,Bmax),其他参数C(Cmin,Cmax);则在特定时刻T各个参数的归一化公式为:
计算总系数
N为参与评估的参数个数,
在T时刻的归一化参数则为:
这里仅仅是提供了一种归一化参数的获取方法。
优选的,所述设备的趋势曲线和平均曲线的距离D的计算方法为:
其中T–为趋势曲线的计时长度,
T0–为信号开始记录时间,
Te–为信号停止记录时间或故障发生停机时间,
F(t)–为该设备的趋势曲线,
–为归一化后多设备平均曲线,
优选的,所述工作参数包括且不限于工作转速,径向负载力,润滑程度。
优选的,所述环境参数包括且不限于环境温度,环境湿度,整体振动。
优选的,所述每个步骤中获得的数据,均存储到数据库中。多个数据样本能给后期分析带来大量的便利。
通过这样的设置,本发明提出了一种将现场振动信号根据工作状态和环境参数归一化的办法,既使得各个现场采集的信号可以统一加入振动参数曲线的统计数据库,从而获得精确的零部件寿命预测;也可以通过工作状态和环境参数对振动曲线的影响因子的大小,分析获得零部件故障发生的根本原因。
附图说明
图1是本发明设备零部件的振动曲线归一化平均寿命预测办法的现场设备1的振动参数的趋势曲线。
图2是本发明设备零部件的振动曲线归一化平均寿命预测办法的现场设备2的振动参数的趋势曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰明白,下面结合同类含轴承两台现场设备的轴承进行分析比较,对本发明的实施方式进行详细说明。
如图1图2所示,首先,根据本发明的方法对两个轴承部件进行处理,处理包括如下步骤:
步骤1:检测设备零部件振动信号,记录下检测的时间信息,对实际振动信号进行模数转换获得数字信号序列;
步骤2:从数字信号序列中抽取特征参数P;在本实施方式中,是将振动信号进行模数转换后再进行快速傅里叶变换后在获得的频谱中寻找一阶的转速频率(即10赫兹的频率中)的赋值P。
步骤3:对设备零件状况获取设备参数,所述设备参数包括工作参数A、环境参数B和其他参数C;
步骤4:将步骤2所获得的特征参数和步骤3中获得的设备参数进行归一化处理,获得归一化参数;
步骤5,通过步骤4获得的归一化参数结合实际的振动信号曲线获得设备零部件的归一化曲线;具体为在每个时间点上的实际振动信号值乘以归一化参数,获得归一化值,多个归一化值形成的曲线即为归一化曲线;
步骤6,获取相同时间长度内的多个相同设备的零部件的归一化曲线,平均后获得该零部件的平均曲线;
步骤7,比较趋势曲线和该零部件的平均曲线,通过特定时间点上两者的距离D判断精确的部件寿命信息。
获取轴承的设备参数范围:工作参数A:(Amin,Amax),环境参数B:(Bmin,Bmax),其他参数C(Cmin,Cmax);则在特定时刻T各个参数的归一化公式为:
计算总系数
N为参与评估的参数个数,
在T时刻的归一化参数则为:
其中T–为趋势曲线的计时长度,
T0–为信号开始记录时间,
Te–为信号停止记录时间或故障发生停机时间,
F(t)–为该设备的趋势曲线,
–为归一化后多设备平均曲线,
其中需要注意的是:图中的故障报警参数来自于行业中的标准。
1)运行时间为横轴的情况下,去掉停机的时间,只考虑设备运行时间段;
2)虽然本实施例中仅仅对两台设备上的轴承进行对比,但是平均曲线是来自于现场多台相同设备的归一化曲线做平均后获得的。平均曲线作为对照曲线。
3)图中的阴影面积/参与计算时间为设备实际运行状况的特征参数;
4)从图中可以看到现场设备1的运行状况明显比现场设备2的运行状况要差,进入报警范围更早,因此部件寿命要显著低于现场设备2。
两张图中实线为现场实际提取的振动参数形成的趋势曲线。因为各种原因会较早到达故障幅值报警线,报警限制是现有技术中的标准实际停机在归一化并平均之后,曲线能够真实反映零部件在标准负载和环境下的运行寿命。
零部件运行状况采集:如果没有传感器数据,则由系统用户检查零部件的实际状况,以归类零部件状态及各个参数,然后和数据一起纳入知识库当中;
从各个现场取得归一化后数据并平均后,标准化曲线加上现场负载及环境参数可以用于后续现场零部件寿命的精确预测。
以上所述仅为本发明的较佳实施实例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (6)
1.设备零部件的振动曲线归一化平均寿命预测办法,其特征在于:包括如下步骤:
步骤1:检测设备零部件振动信号,记录下检测的时间记录下检测的时间信息,对实际振动信号进行模数转换获得数字信号序列;
步骤2:从从数字信号序列中中抽取特征参数P;所述特征参数的获得方法为:采集的信号模数转换并进行时域或频域的变换,获得一个频谱,在这个范围中根据检测对象寻找某个频率阶段的对应参数;
步骤3:对设备零件状况获取设备参数,所述设备参数包括工作参数A、环境参数B和其他参数C;
步骤4:将步骤2所获得的特征参数和步骤3中获得的设备参数进行归一化处理,获得归一化参数;
步骤5,通过步骤4获得的归一化参数结合实际的振动信号曲线获得设备零部件的归一化曲线;具体为在每个时间点上的实际振动信号值乘以归一化参数,获得归一化值,多个归一化值形成的曲线即为归一化曲线;
步骤6,获取相同时间长度内的多个相同设备的零部件的归一化曲线,平均后获得该零部件的平均曲线;
步骤7,比较趋势曲线和该零部件的平均曲线,通过特定时间点上两者的距离D判断精确的部件寿命信息。
2.根据权利要求1所述设备零部件的振动曲线归一化平均寿命预测办法,其特征在于,所述步骤4中归一化参数的获取方式为:获取零部件的设备参数范围:工作参数A:(Amin,Amax),环境参数B:(Bmin,Bmax),其他参数C(Cmin,Cmax);则在特定时刻T各个参数的归一化公式为:
计算总系数
N为参与评估的参数个数,
在T时刻的归一化参数则为:
3.据权利要求1所述设备零部件的振动曲线归一化平均寿命预测办法,其特征在于,所述设备的趋势曲线和平均曲线的距离D的计算方法为:
其中T–为趋势曲线的计时长度,
T0–为信号开始记录时间,
Te–为信号停止记录时间或故障发生停机时间,
F(t)–为该设备的趋势曲线,
–为归一化后多设备平均曲线,
4.据权利要求2所述设备零部件的振动曲线归一化平均寿命预测办法,其特征在于,所述工作参数包括且不限于工作转速,径向负载力,润滑程度。
5.根据权利要求2所述设备零部件的振动曲线归一化平均寿命预测办法,其特征在于,所述环境参数包括且不限于环境温度,环境湿度,整体振动。
6.根据权利要求1所述设备零部件的振动曲线归一化平均寿命预测办法,其特征在于,所述每个步骤中获得的数据,均存储到数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783557.1A CN105445004B (zh) | 2015-11-15 | 2015-11-15 | 设备零部件的振动曲线归一化平均寿命预测办法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783557.1A CN105445004B (zh) | 2015-11-15 | 2015-11-15 | 设备零部件的振动曲线归一化平均寿命预测办法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105445004A true CN105445004A (zh) | 2016-03-30 |
CN105445004B CN105445004B (zh) | 2018-11-30 |
Family
ID=55555464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510783557.1A Active CN105445004B (zh) | 2015-11-15 | 2015-11-15 | 设备零部件的振动曲线归一化平均寿命预测办法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105445004B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597149A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于加速灵敏度的振荡器剩余寿命估计方法 |
WO2020103761A1 (zh) * | 2018-11-22 | 2020-05-28 | 湖南工程学院 | 一种轴承维修时机获取方法 |
US11106190B2 (en) | 2016-12-13 | 2021-08-31 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60195426A (ja) * | 1984-03-16 | 1985-10-03 | Komatsu Ltd | 回転機構の故障診断方法 |
CN1625500A (zh) * | 2002-03-28 | 2005-06-08 | 倍耐力轮胎公司 | 用于监测一种轮胎在机动车行驶期间状态的方法和系统 |
CN102510125A (zh) * | 2011-09-28 | 2012-06-20 | 天津科林电气有限公司 | 电力一次设备运行工况监测方法及装置 |
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
-
2015
- 2015-11-15 CN CN201510783557.1A patent/CN105445004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60195426A (ja) * | 1984-03-16 | 1985-10-03 | Komatsu Ltd | 回転機構の故障診断方法 |
CN1625500A (zh) * | 2002-03-28 | 2005-06-08 | 倍耐力轮胎公司 | 用于监测一种轮胎在机动车行驶期间状态的方法和系统 |
CN102510125A (zh) * | 2011-09-28 | 2012-06-20 | 天津科林电气有限公司 | 电力一次设备运行工况监测方法及装置 |
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
Non-Patent Citations (1)
Title |
---|
范立莉: "汽轮机转子振动故障非线性诊断研究", 《水利电力机械》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597149A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于加速灵敏度的振荡器剩余寿命估计方法 |
US11106190B2 (en) | 2016-12-13 | 2021-08-31 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
WO2020103761A1 (zh) * | 2018-11-22 | 2020-05-28 | 湖南工程学院 | 一种轴承维修时机获取方法 |
US11796420B2 (en) | 2018-11-22 | 2023-10-24 | Hunan Institute Of Engineering | Bearing maintenance timing acquisition method |
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105445004B (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
Ali et al. | Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals | |
Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
El-Thalji et al. | A summary of fault modelling and predictive health monitoring of rolling element bearings | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
US9465387B2 (en) | Anomaly diagnosis system and anomaly diagnosis method | |
He et al. | Health monitoring of cooling fan bearings based on wavelet filter | |
Wu et al. | Fault gear identification using vibration signal with discrete wavelet transform technique and fuzzy–logic inference | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
Park et al. | Frequency energy shift method for bearing fault prognosis using microphone sensor | |
Boškoski et al. | Detection of lubrication starved bearings in electrical motors by means of vibration analysis | |
Popescu et al. | Fault detection of rolling element bearings using optimal segmentation of vibrating signals | |
CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
Klausen et al. | Multi-band identification for enhancing bearing fault detection in variable speed conditions | |
Attoui et al. | Vibration-based bearing fault diagnosis by an integrated DWT-FFT approach and an adaptive neuro-fuzzy inference system | |
CN105445004A (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
Zhan et al. | Robust detection of gearbox deterioration using compromised autoregressive modeling and Kolmogorov–Smirnov test statistic—Part I: Compromised autoregressive modeling with the aid of hypothesis tests and simulation analysis | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
Sassi et al. | Tracking surface degradation of ball bearings by means of new time domain scalar indicators | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
Kecik et al. | Diagnosis of angular contact ball bearing defects based on recurrence diagrams and quantification analysis of vibration signals | |
Buzzoni et al. | Development of an indicator for the assessment of damage level in rolling element bearings based on blind deconvolution methods | |
Zhang et al. | Removing environmental influences in health monitoring for steel bridges through copula approaches |
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 |