CN105571638A - 一种机械设备故障组合预测系统及方法 - Google Patents
一种机械设备故障组合预测系统及方法 Download PDFInfo
- Publication number
- CN105571638A CN105571638A CN201510969521.2A CN201510969521A CN105571638A CN 105571638 A CN105571638 A CN 105571638A CN 201510969521 A CN201510969521 A CN 201510969521A CN 105571638 A CN105571638 A CN 105571638A
- Authority
- CN
- China
- Prior art keywords
- prediction
- signal
- fault
- machinery device
- analysis
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种稳定可靠、可提前预警并且预报精度高的机械设备故障组合预测系统及方法，实现对设备的科学规划与健康管理。通过在机械设备合适的测点安装传感器采集设备的振动频率、幅度、机轴及轴瓦的温度等参数信息，将采集的信号进行调理和放大，经A/D转换变换成适当的数字信号送至上位机进行处理。在上位机中，通过Labviw软件建立人机交互界面，对数据进行采集、处理和存储，并融合多项式回归预测、小波灰色预测、小波神经网络预测以及粒子群优化支持向量机的预测方法进行组合预测，不仅可以为分析、预报机体故障提供切实可行的方法，对提高旋转机械设备的监控分析功能和故障诊断的准确率、对故障预测理论的丰富和发展，都将具有重要的理论意义和应用价值。
Description
技术领域
本发明属于机械设备的故障诊断技术领域，具体涉及一种机械设备故障组合预测系统及方法，在设备发生故障前，提前对设备故障发出预警，避免人员伤亡和企业巨大的经济损失。
背景技术
机械设备是现代工矿企业中大量使用的关键设备，在企业生产中起到重要的作用。一旦这些设备出现故障，不仅会造成设备自身的损坏，而且可能会导致生产中断，引起严重的安全事故。此外，机械设备关键部件的维修费用也比较高，这些因素都直接或间接的给企业造成巨大的经济损失。
多年来，机械设备机轴的振动及温度问题，一直是日常维护和检修的重点与难点，理论分析与实际机体故障表明，机械发生故障之前都会出现振动异常与温升异常等前兆。因此，及时的发现并预测机轴及轴瓦的异常振动及异常温升，是将隐患消除于萌芽之中的关键所在。
由于机械设备结构复杂，具有强耦合、参数时变等严重非线性特征，其数学模型难以建立，任何单一的方法都不可能很好的解决问题。本发明通过组合预测的方法，融合多项式回归预测、小波灰色预测、小波神经网络预测以及小波支持向量机的预测方法，不仅可以为分析、预报机体故障提供切实可行的方法，对提高旋转机械设备的监控分析功能和故障诊断的准确率、对故障预测理论的丰富和发展，都将具有重要的理论意义和应用价值。
本发明的机械设备故障组合预测系统及方法可到达以下目的：
(1)检测机体振动频率、幅度等振动特征参数并实时显示；
(2)检测机轴及轴瓦的温度并实时显示；
(3)将采集信号进行处理和组合分析预测，进行异常报警，实现系统预报时间误差小、预报精确度高、误报率低和漏报率低等故障预测性能指标。
(4)建立基于Labview的可视化平台，为数据的存储、处理和软件的实现提供可靠的支撑平台。
发明内容
本发明所要解决的技术问题是提供一种稳定可靠、可提前预警并且预报精度高的机械设备故障组合预测系统及方法，实现对设备的科学规划与健康管理。
本发明所述的机械设备故障预测系统主要由数据采集系统和人机交互系统组成，系统硬件结构示意图见图1。
1)数据采集系统
数据采集系统主要由传感器模块、信号调理模块以及A/D转换模块组成。
传感器模块：传感器包括测振传感器(又称拾振器)和温度传感器。测振传感器安装在支撑端轴瓦X方向和Y方向的测振点上，通过传感器选择合适的测点，能实现机械信号到电信号的转变；机轴和定子各安装一个温度传感器进行温度测量。
信号调理模块：当测振传感器的输出信号比较微弱，掺杂较大噪声或输出阻抗较大时，则需要对信号进行前置放大、微积分、调制与解调、滤波、阻抗匹配等转换和处理，信号调理电路就是为了实现这一转换而设置的。其中多路模拟开关可以进行多路模拟量采集和分时转换；程控放大器通过调节倍数来使采样信号满足实际要求。
A/D转换模块：该模块实现模拟信号转换为数字信号，在完成模数转换时，转换器需要使输入的模拟信号在一段时间内保持不变，这就需要采样和保持器来完成这个工作。
2)人机交互系统
主要是把数据采集系统采集的信号经过A/D转换后送至工控机进行分析处理。上位机主要采用工控机，将现场的信号储存下来，并利用组合预测的分析方法对采集到的信号进行去噪和分析，对机械设备的下一个运行周期进行预测，准确地确定目前风机的健康状态。
本发明所述的机械设备故障预测方法是：通过采集机体振动及轴瓦温度信号，结合传感器融合技术、信号处理技术以及组合故障预测技术，进行数据预处理、数据传输、特征提取、数据融合以及状态监测，快速地把握设备的运行状态。具体预测流程见图2。
1)特征向量提取
机械设备故障预测中的突发信号往往带有重要的信息特征，与设备正常运转时的信号相比有很大的不同，这些点就是信号的突变点或者是奇异点，其信号的能量与正常信号的能量也不同。故障振动信号和温度变化信号的信息就存在于突变信号的某个频段里。
采用特征向量值提取的主要思想为：
(1)信号消噪。实际工程中，噪声主要表现为高频信号，而有用的信号通常是低频信号或者较为平稳的信号。对采集的信号进行小波分解，得到各层高频的分解系数，使用Matlab中的“wthresh”函数对得到的高频系数做阈值处理和小波消噪。
(2)信号重构。对小波处理过的分解系数进行信号重构，得到各频带的信号，从而在含有噪声的信号中恢复出真实信号。
(3)计算能量。求出各个频带信号的能量。Ei为第i层高频小波分解系数di的能量，则式中i为di中离散点的数目。
(4)建立特征向量。根据各个频带内的能量构建特征向量，通常情况下，如果能量比较大Ei也会很大，这样增加了数据分析的复杂程度。为了解决这个问题，对特征向量进行归一化处理，这样就能够提取出故障信息的特征值并作为下一步支持向量机预测模型的输入向量。
2)主分量分析预处理
分析数据组合之前，应用主分量技术对个单项方法的结果进行预处理。通过坐标变换，使样本分解为互相独立的主分量，从而最大程度地保存了原来样本的有效信息，突出了，突出了各样本之间的差异。一方面可以提高参与组合预测序列的信息含量和信息的有效性；另一方面由于各分量之间相互独立，避免了冗余信息的存在；最后主分量分析预处理可以通过选择适当的主分量来避免噪声干扰成分参与组合预测。对于现场条件复杂的风机的预测，主分量分析对于提高组合预测的精度是十分有益的。
对多项式回归、灰色模型、粒子群算法以及SVM预测每种方法所得预测值，通过主分量分析进行处理，处理后的结果作为最后的支持向量机的训练样本。最终通过训练好的组合预测模型预测风机未来状态及未来发生故障的时间与故障类型。
本发明所述的机械设备故障组合预测系统方法的软件平台的实现：利用虚拟器(Labview)将应用程序软件、硬件和计算机结合起来，用户根据自己的需要对人机交互界面进行操作来实现对被测信号的采集、分析、判断和存储等。软件系统框图见图3。主要包括进入程序和主程序两个部分。
进入程序：主要是给用户提供密码验证模块和清晰界面，此目的是为了保护系统的安全，防止非法操作者进入篡改或盗取系统数据。
主程序设计：主程序是整个软件系统的核心部分，主要包括数据采集卡驱动模块、数据处理模块以及数据处理模块，其中数据处理模块由小波去噪模块、小波分解重构和组合预测及结果显示模块组成。
附图说明
图1是机械设备故障组合预测系统结构示意图。主要包括数据采集系统和人机交互系统。
图2是机械设备故障组合预测方法实现过程示意图。主要是通过训练好的组合预测模型预测设备未来状态及可能发生故障的时间与故障类型。
图3是机械设备故障组合预测方法软件平台实现的示意图。主要是为用户提供操作，实现对被测信号的采集、分析、判断和存储等。
具体实施方式
按照图1所示的机械设备故障组合预测系统结构，将各类型传感器分别安装在被监控设备的适当测试点，这些传感器输出的信号是4mA～20mA或者0V～5V的模拟信号，用屏蔽电缆将传感器的输出信号与数据采集系统对应输入端连接，实现被测参数的采集。将采集的信号进行A/D转换，选择合适的采样频率和精度，根据传输的数据量和传输距离，选择现场总线、无线或以太网等网络传输形式，将数据传送到上位工控机中。
在上位机中，将采集到的信号按照图2所示流程，利用图3所示人机交互平台中的软件进行小波分解消噪和重构，得到原始信号，对原始信号进行特征向量提取，在matlab中构建系统模型，然后编写程序，根据采集到的样本信号进行计算机仿真对比，采用粒子群对支持向量机的参数进行寻优，最终得到终点参数预报值，同时实现滚动预测。
Claims (3)
1.一种机械设备故障组合预测系统及方法，包括数据采集系统和人机交互系统。数据采集系统包含传感器模块、信号调理模块以及A/D转换模块；人机交互系统实现数据的存储、分析、处理和预测。
2.通过检测机体检测机体振动频率、幅度等振动特征参数以及机轴、轴瓦的温度，采集信号进行处理和组合分析预测，并实时显示，进行异常报警。
3.建立基于Labview的可视化平台，对机体振动等信号的波形，采用小波分解进行去噪和重构，利用小波变换求得特征向量，建立系统模型，对多项式回归、灰色模型、粒子群算法以及SVM预测每种方法所得预测值，通过主分量分析进行处理，处理后的结果作为最后的支持向量机的训练样本。最终通过训练好的组合预测模型预测风机未来状态及未来发生故障的时间与故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510969521.2A CN105571638A (zh) | 2015-12-17 | 2015-12-17 | 一种机械设备故障组合预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510969521.2A CN105571638A (zh) | 2015-12-17 | 2015-12-17 | 一种机械设备故障组合预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105571638A true CN105571638A (zh) | 2016-05-11 |
Family
ID=55882036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510969521.2A Pending CN105571638A (zh) | 2015-12-17 | 2015-12-17 | 一种机械设备故障组合预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105571638A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021888A (zh) * | 2016-05-13 | 2016-10-12 | 福建师范大学 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
| CN110609213A (zh) * | 2019-10-21 | 2019-12-24 | 福州大学 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
| CN110823273A (zh) * | 2018-08-14 | 2020-02-21 | 大陆汽车电子（连云港）有限公司 | 传感器监控系统及方法 |
| US10678232B2 (en) | 2017-01-20 | 2020-06-09 | Industrial Technology Research Institute | Prognostic method and apparatus for a processing apparatus |
| CN111412977A (zh) * | 2020-03-09 | 2020-07-14 | 华南理工大学 | 一种机械设备振动感知数据的预处理方法 |
| WO2021051332A1 (zh) * | 2019-09-19 | 2021-03-25 | 深圳市桥博设计研究院有限公司 | 基于小波神经网络和支持向量机桥梁地震损伤监控方法 |
| TWI771620B (zh) * | 2018-10-30 | 2022-07-21 | 台灣積體電路製造股份有限公司 | 化學機械拋光設備與不規律機械運動預測系統及方法 |
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| US11651458B2 (en) | 2018-10-31 | 2023-05-16 | Advanced New Technologies Co., Ltd. | Method for generating target contract and terminal device |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006097654A (ja) * | 2004-09-30 | 2006-04-13 | Hitachi Ltd | 往復動圧縮機 |
| CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
| CN102343427A (zh) * | 2011-09-29 | 2012-02-08 | 天津理工大学 | 基于拉坯阻力的板坯连铸结晶器漏钢预报方法 |
| CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
| CN103616635A (zh) * | 2013-12-05 | 2014-03-05 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置及方法 |
| CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
| CN105117593A (zh) * | 2015-08-18 | 2015-12-02 | 河海大学 | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 |
-
2015
- 2015-12-17 CN CN201510969521.2A patent/CN105571638A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006097654A (ja) * | 2004-09-30 | 2006-04-13 | Hitachi Ltd | 往復動圧縮機 |
| CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
| CN102343427A (zh) * | 2011-09-29 | 2012-02-08 | 天津理工大学 | 基于拉坯阻力的板坯连铸结晶器漏钢预报方法 |
| CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
| CN103616635A (zh) * | 2013-12-05 | 2014-03-05 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置及方法 |
| CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
| CN105117593A (zh) * | 2015-08-18 | 2015-12-02 | 河海大学 | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱大奇等: "基于小波灰色预测理论的旋转机械故障预测分析仪", 《仪器仪表学报》 * |
| 王贺: "基于主分量分析的挤压机故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021888B (zh) * | 2016-05-13 | 2018-08-17 | 福建师范大学 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
| CN106021888A (zh) * | 2016-05-13 | 2016-10-12 | 福建师范大学 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
| US10678232B2 (en) | 2017-01-20 | 2020-06-09 | Industrial Technology Research Institute | Prognostic method and apparatus for a processing apparatus |
| CN110823273A (zh) * | 2018-08-14 | 2020-02-21 | 大陆汽车电子（连云港）有限公司 | 传感器监控系统及方法 |
| TWI771620B (zh) * | 2018-10-30 | 2022-07-21 | 台灣積體電路製造股份有限公司 | 化學機械拋光設備與不規律機械運動預測系統及方法 |
| US11731232B2 (en) | 2018-10-30 | 2023-08-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Irregular mechanical motion detection systems and method |
| US11651458B2 (en) | 2018-10-31 | 2023-05-16 | Advanced New Technologies Co., Ltd. | Method for generating target contract and terminal device |
| WO2021051332A1 (zh) * | 2019-09-19 | 2021-03-25 | 深圳市桥博设计研究院有限公司 | 基于小波神经网络和支持向量机桥梁地震损伤监控方法 |
| CN110609213B (zh) * | 2019-10-21 | 2022-04-12 | 福州大学 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
| CN110609213A (zh) * | 2019-10-21 | 2019-12-24 | 福州大学 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
| CN111412977A (zh) * | 2020-03-09 | 2020-07-14 | 华南理工大学 | 一种机械设备振动感知数据的预处理方法 |
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN114781762B (zh) * | 2022-06-21 | 2022-09-23 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
| CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
| CN108255649B (zh) | 一种基于建模仿真协同分析的诊断策略设计方法 | |
| EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
| CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CN102736546B (zh) | 一种流程工业复杂机电系统的状态监测装置及方法 | |
| CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CN101364109B (zh) | 基于实测的机网动态安全评估系统及方法 | |
| CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
| CN103914044A (zh) | 一种智能在线监控保护装置 | |
| CN101887407B (zh) | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 | |
| CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
| CN111322082B (zh) | 一种tbm滚刀状态监测及故障诊断方法、系统 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN105527910A (zh) | 一种基于opc ua的远程监控系统及故障排除方法 | |
| CN113112038B (zh) | 智能监测与诊断分析系统、装置、电子设备及存储介质 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN106769053A (zh) | 一种基于声发射信号的水轮机故障诊断系统及方法 | |
| CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| CN105930255A (zh) | 一种系统健康度预测方法及装置 |
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: 20160511 |
|
| WD01 | Invention patent application deemed withdrawn after publication |