CN105675321A - 一种设备性能退化雷达图确定方法 - Google Patents
一种设备性能退化雷达图确定方法 Download PDFInfo
- Publication number
- CN105675321A CN105675321A CN201610008688.7A CN201610008688A CN105675321A CN 105675321 A CN105675321 A CN 105675321A CN 201610008688 A CN201610008688 A CN 201610008688A CN 105675321 A CN105675321 A CN 105675321A
- Authority
- CN
- China
- Prior art keywords
- radar map
- parameter
- performance
- equipment
- parameters
- 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
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
一种设备性能退化雷达图确定方法,包括以下步骤:(1)、对欲测的参数进行数据预处理;(2)、针对不同情况对预处理后的性能参数归一化处理;(3)、根据不同情况选择合适的非线性函数对性能参数进行显化处理;(4)、将不同的参量数据分别标示于雷达图对应的坐标轴上并用线段连接各点,即得到设备的性能退化雷达图。本发明的核心思想是利用非线性数学处理提高缓慢变化参数的可显性。本发明利用非线性函数对缓慢变化的参数进行数学处理,克服了传统性能雷达图对所有参数的线性处理方法,结合雷达图提高了对微弱故障特征的识别能力,有利于故障专家决策系统的用户下移和可视化决策。
Description
技术领域
本发明属于信号处理和决策可视化技术领域,具体涉及一种设备性能退化雷达图确定方法。
背景技术
随着全球范围内的制造业升级以及“互联网+”等战略的提出,基于状态检测的设备健康评价、维护及趋势预报正在加速渗透到航空、航天、交通、工农业生产甚至于我们的日常生活中。未来的设备会更加智能和人性化,更加注重用户的体验。设备状态监测专家系统的用户对象也会从高层用户逐步向一般用户(包括一般的技术人员甚至消费者或操作工)下移。因此,如何使机器设备的状态监测信息正确、可靠地传递给用户并使该信息易于被理解,从而帮助用户做出正确的决策,这是设备状态检测、故障诊断和预报技术走向企业应用和普通消费者用户的关键技术之一。也是预测和设备健康管理(PHM)的重要内容。而故障诊断决策信息的可视化工具可以有效地完成这一任务。
雷达图在设备状态检测与故障诊断中可以同时比较监控设备多个零部件的性能退化情况。传统的性能退化雷达图由于是参量的线性变化,它对设备的早期性能衰退信息难以体现。
发明内容
本发明为了解决现有技术中的不足之处,提供一种设备性能退化雷达图确定方法,该算法在保留雷达图的图形化比较显示的优点外,还可以对设备早期性能退化特征(微弱故障特征)进行提取,从而为设备的早期故障预报提供决策信息和手段。
为解决上述技术问题,本发明采用如下技术方案:一种设备性能退化雷达图确定方法,包括以下步骤:
(1)、对欲测的参数进行数据预处理;
(2)、针对不同情况对预处理后的性能参数归一化处理;
(3)、根据不同情况选择合适的非线性函数对性能参数进行显化处理;
(4)、将不同的参量数据分别标示于雷达图对应的坐标轴上并用线段连接各点,即得到设备的性能退化雷达图。
步骤(1)的具体处理采用以下计算公式:
其中,为数据的第k个点,m为预测变量,m=1,2,3…,N为每次移动的步长,k=1,2,3…。
步骤(2)的具体方法为:如果参数的实测值是随时间的延长而增加的,令,则;如果参数的实测值是随时间的延长而减少的;即性能退化越严重,参数的实测值越低,则令;其中,为某个参数在正常工况或稳定工作状态下的预处理后的平均值,t时刻后的第n次测量为。
选步骤(3)的具体方法为:令用非线性函数代替线性函数可以提高参数的敏感性,不同的非线性函数对应不同的参量敏感性。
步骤(4)的具体方法为:将第n个参量的值标于雷达图对应的第n个坐标轴上,连接各个坐标轴上对应的值,即得到设备的性能退化雷达图。
采用上述技术方案,本发明具有以下技术效果:
1、对欲测的参数进行数据预处理可以实现平均数(准确度趋势)和标准差(精密度趋势)的统一。
2、针对不同情况对性能参数归一化处理过程中:情况1:参数的实测值是随时间的延长而增大的情况(性能退化越严重,参数的实测值越高,如机械设备振动的位移峰峰值);令,则QUOTE 。情况2:参数的实测值是随时间的延长而减少的(性能退化越严重,参数的实测值越低,如直流电机的角速度随负载的增大而降低),则令QUOTE 。其中,QUOTE 某个参数在正常工况或稳定工作状态下的预处理后的平均值,t时刻后的第n次测量为QUOTE ,QUOTE 。
3、选择合适的非线性函数对数据进行显化处理的方法。用非线性函数代替线性函数可以提高参数的敏感性,不同的非线性函数对应不同的参量敏感性。
4、通过得到设备的性能雷达图可以方便清楚地判断设备的薄弱环节,从而有利于对设备的未来故障做出快速判断。
本发明的核心思想是利用非线性数学处理提高缓慢变化参数的可显性。本发明利用非线性函数对缓慢变化的参数进行数学处理,克服了传统性能雷达图对所有参数的线性处理方法,结合雷达图提高了对微弱故障特征的识别能力,有利于故障专家决策系统的用户下移和可视化决策。
附图说明
图1为本发明的流程图;
图2为数据采集的传感器布置示意图;
图3为数据预处理后信号图;
图4为传统的性能雷达图;
图5为设备的性能退化雷达图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1、2、3、5所示,本发明的一种设备性能退化雷达图确定方法,下面以滚动轴承的性能退化雷达图为例,其具体步骤如下:
把六个型号为GB6307的滚动轴承安装在ABLT-1A型轴承试验机上同时做加速寿命试验。试验台由试验头、试验头座、传动系统、加载系统、润滑系统、计算机控制系统、数据采集与分析系统组成。该实验在一根轴上同时安装了6个滚动轴承,转轴通过皮带由交流电机驱动。用于测试振动信号的六个加速度传感器的安装示于图2。试验加载11kN,稳定转速为3000RPM。采样频率为25.6kHz,每一分钟采集一组数据,每组数据块的大小为201480个点。试验选用PCB公司的加速度传感器,其型号为348A,灵敏度为100mv/g。
步骤1:对待分析的信号进行数据预处理。进行数据预处理的方法是:对传感器过来的时域信号求其有效值(RMS),如图3中的实线所示。然后按下述方法进行数据预处理:
其中,为数据的第k个点,m为预测变量,m=1,2,3…,N为每次移动的步长,k=1,2,3…。数据预处理后的信号为图3中的虚线所示。所有通道(对应各个轴承加速度信号)都按此处理。
步骤2:数据的归一化处理。
本例中的加速度信号的幅值会随着时间的增长而不断增大(对应轴承性能的劣化)。因此对上述数据应用公式,则QUOTE ,其中,QUOTE 某个参数在正常工况或稳定工作状态下的预处理后的平均值,t时刻后的第n次测量为QUOTE ,QUOTE 。
步骤3:选择合适的非线性函数对数据进行显化处理。
这里我们选择QUOTE 函数对步骤2中各通道的数据进行处理,其中通道1(对应轴承1)的QUOTE 如图3中的虚线所示。
步骤4:将各通道t时刻的QUOTE 分别标示于雷达图对应的坐标轴上并用线段连接各点,即得到t时刻的轴承性能退化雷达图(如图5所示,该图对应第4608分钟的轴承性能退化雷达图)。雷达图中的数值表示置信水平,数值越大,表明设备的性能越好。该图与传统的雷达图(如图4所示)相比较。具有对微弱故障特征进行辨别的能力。
以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述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:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种设备性能退化雷达图确定方法,其特征在于:包括以下步骤:
(1)、对欲测的参数进行数据预处理;
(2)、针对不同情况对预处理后的性能参数归一化处理;
(3)、根据不同情况选择合适的非线性函数对性能参数进行显化处理;
(4)、将不同的参量数据分别标示于雷达图对应的坐标轴上并用线段连接各点,即得到设备的性能退化雷达图。
2.根据权利要求1所述的一种设备性能退化雷达图确定方法,其特征在于:步骤(1)的具体处理采用以下计算公式:
其中,为数据的第k个点,m为预测变量,m=1,2,3…,N为每次移动的步长,k=1,2,3…。
3.根据权利要求1或2所述的一种设备性能退化雷达图确定方法,其特征在于:步骤(2)的具体方法为:如果参数的实测值是随时间的延长而增加的,令,则;如果参数的实测值是随时间的延长而减少的;即性能退化越严重,参数的实测值越低,则令;其中,为某个参数在正常工况或稳定工作状态下的预处理后的平均值,t时刻后的第n次测量为。
4.根据权利要求1所述的一种设备性能退化雷达图确定方法,其特征在于:选步骤(3)的具体方法为:令用非线性函数代替线性函数可以提高参数的敏感性,不同的非线性函数对应不同的参量敏感性。
5.根据权利要求1所述的一种设备性能退化雷达图确定方法,其特征在于:步骤(4)的具体方法为:将第n个参量的值标于雷达图对应的第n个坐标轴上,连接各个坐标轴上对应的值,即得到设备的性能退化雷达图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008688.7A CN105675321B (zh) | 2016-01-08 | 2016-01-08 | 一种设备性能退化雷达图确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008688.7A CN105675321B (zh) | 2016-01-08 | 2016-01-08 | 一种设备性能退化雷达图确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105675321A true CN105675321A (zh) | 2016-06-15 |
CN105675321B CN105675321B (zh) | 2018-03-23 |
Family
ID=56299253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008688.7A Expired - Fee Related CN105675321B (zh) | 2016-01-08 | 2016-01-08 | 一种设备性能退化雷达图确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675321B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271222A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及数据处理设备 |
CN109271221A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及数据处理设备 |
CN116228045A (zh) * | 2023-05-09 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006171184A (ja) * | 2004-12-14 | 2006-06-29 | Toshiba Corp | 技能評価システムおよび技能評価方法 |
CN102324066A (zh) * | 2011-08-26 | 2012-01-18 | 积成电子股份有限公司 | 一种电力系统预警与评估指标的雷达图表示方法 |
CN102467684A (zh) * | 2010-11-15 | 2012-05-23 | 中国人民解放军63928部队 | 基于改进雷达图的综合性能评估系统和方法 |
CN102682408A (zh) * | 2012-04-26 | 2012-09-19 | 中国人民解放军海军工程大学 | 基于改进雷达图的电能质量综合评估方法 |
CN104156605A (zh) * | 2014-08-18 | 2014-11-19 | 浙江群力电气有限公司 | 机动车状态综合评估体系的建立方法及装置 |
CN104281985A (zh) * | 2014-10-24 | 2015-01-14 | 国家电网公司 | 一种基于雷达图的火电机组节能减排综合绩效评价方法 |
-
2016
- 2016-01-08 CN CN201610008688.7A patent/CN105675321B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006171184A (ja) * | 2004-12-14 | 2006-06-29 | Toshiba Corp | 技能評価システムおよび技能評価方法 |
CN102467684A (zh) * | 2010-11-15 | 2012-05-23 | 中国人民解放军63928部队 | 基于改进雷达图的综合性能评估系统和方法 |
CN102324066A (zh) * | 2011-08-26 | 2012-01-18 | 积成电子股份有限公司 | 一种电力系统预警与评估指标的雷达图表示方法 |
CN102682408A (zh) * | 2012-04-26 | 2012-09-19 | 中国人民解放军海军工程大学 | 基于改进雷达图的电能质量综合评估方法 |
CN104156605A (zh) * | 2014-08-18 | 2014-11-19 | 浙江群力电气有限公司 | 机动车状态综合评估体系的建立方法及装置 |
CN104281985A (zh) * | 2014-10-24 | 2015-01-14 | 国家电网公司 | 一种基于雷达图的火电机组节能减排综合绩效评价方法 |
Non-Patent Citations (3)
Title |
---|
李国栋 等: "基于雷达图法的电能质量综合评估模型", 《电力系统自动化》 * |
李海英 等: "基于雷达图法的矿用高压电缆安全预警模型", 《煤炭学报》 * |
陈勇 等: "改进雷达图评价方法在汽车综合性能评价中的应用", 《吉林大学学报(工学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271222A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及数据处理设备 |
CN109271221A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及数据处理设备 |
CN116228045A (zh) * | 2023-05-09 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 |
CN116228045B (zh) * | 2023-05-09 | 2023-09-01 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105675321B (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
de Azevedo et al. | A review of wind turbine bearing condition monitoring: State of the art and challenges | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
Wegerich | Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
CN102393299A (zh) | 一种定量计算滚动轴承运行可靠性的方法 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN105675321A (zh) | 一种设备性能退化雷达图确定方法 | |
Shi et al. | Generalized variable-step multiscale Lempel-Ziv complexity: a feature extraction tool for bearing fault diagnosis | |
CN112665852A (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN108685158A (zh) | 基于自动光学检测技术的切丝机智能维护方法和系统 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
Xia et al. | An improved underdamped asymmetric bistable stochastic resonance method and its application for spindle bearing fault diagnosis | |
Åsnes et al. | Predictive maintenance and life cycle estimation for hydro power plants with real-time analytics | |
Wu et al. | A quantum multi-agent based neural network model for failure prediction | |
Al Tobi et al. | Experimental set-up for investigation of fault diagnosis of a centrifugal pump | |
Stefaniak et al. | Diagnostic features modeling for decision boundaries calculation for maintenance of gearboxes used in belt conveyor system | |
CN116360384A (zh) | 用于诊断和监控信息物理系统中的异常的系统和方法 | |
Lal et al. | Gearbox fault detection using exponentially weighted moving average control charts | |
Salgueiro et al. | On-line detection of incipient trend changes in lubricant parameters | |
Gholap et al. | Vibration signature analysis of two stage gearbox using kurtosis, skewness and crest factor | |
HINES et al. | A Novel Method for Monitoring Single Variable Systems for Fault Detection, Diagnostics and Prognostics | |
Manjunath et al. | In-process monitoring of the ultraprecision machining process with convolution neural networks |
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: 20180323 Termination date: 20210108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |