CN106052847A - 对具有旋转的机器组件的机器的监控 - Google Patents
对具有旋转的机器组件的机器的监控 Download PDFInfo
- Publication number
- CN106052847A CN106052847A CN201610230777.6A CN201610230777A CN106052847A CN 106052847 A CN106052847 A CN 106052847A CN 201610230777 A CN201610230777 A CN 201610230777A CN 106052847 A CN106052847 A CN 106052847A
- Authority
- CN
- China
- Prior art keywords
- power density
- time
- measurement time
- machine
- frequency range
- 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
- 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
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
- G01H1/006—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines of the rotor of turbo machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种用于自动化地监控具有旋转的机器组件的机器的方法。其中,在彼此跟随的测量时间检测机器的运行参数的参数值,并且在预设的测量时长上分别检测机器的振动。对于每个测量时长确定在测量时长期间检测到的振动的振动频谱。从振动频谱中对于多个频率范围分别确定振动频谱的平均功率密度。在学习阶段期间,对于每个频率范围将用于平均的功率密度的模型函数确定为运行参数的函数。在监控阶段期间,对于每个测量时间和每个频率范围而言,期望的平均功率密度从在学习阶段中对于频率范围确定的模型函数中进行确定,并且与从检测到的振动中确定的平均功率密度进行比较。
Description
技术领域
本发明涉及一种用于监控具有旋转的机器组件的机器的方法。
背景技术
在工业领域中,具有旋转的机器组件的机器的组件,例如像装入到驱动系中的传动装置的传动装置轴承,在多数不可预设的时间之后经常具有异常情况,其或者通过自然的磨损或者通过零散出现的材料或系统错误来限定。及时地识别这种类型的缺陷在许多应用领域中都具有高的优先级,因为确定的部件的替代是缓慢的,运行故障是成本高昂的或者其他方面的损害是有问题的。由于该原因,经常与所谓的“维护服务”的服务商签订合同,其委托服务商及时地识别异常情况并且实施可能的维护措施。这种类型的服务(维护服务)现在极少是自动化的,并且因此以相对高的人工成本来实施。
发明内容
本发明的目的在于提出一种用于监控具有旋转的机器组件的机器的改进的方法。
该目的根据本发明通过权利要求1的特征实现。
本发明的优选的设计方案是从属权利要求的内容。
在用于监控具有旋转的机器组件的机器的根据本发明的自动化的方法中,在彼此跟随的测量时间检测机器的运行参数的参数值,并且在预设的测量时长上分别检测机器的振动。对于每个测量时长而言,取决于在测量时长期间检测到的振动的检测振动频率地确定振动振幅的振动频谱。从振动频谱中,对于多个频率范围分别确定振动频谱的平均功率密度。在包括多个测量时间的学习阶段期间,从对于这些测量时间确定的平均功率密度和检测到的参数值中,对于每个频率范围而言,将用于期望的在频率范围上平均的功率密度的模型函数确定为运行参数的函数。在监控阶段期间,对于每个测量时间和每个频率范围而言,形成用于从检测到的振动中确定的平均功率密度与期望的平均功率密度的偏差的偏差值。在此,用于测量时间和功率范围的期望的平均功率密度在通过在相应的测量时间检测到的参数值定义的位置处形成,作为在学习阶段对于功率范围确定的模型函数的函数值。
根据本发明的方法提出(至少一个)学习阶段和(至少一个)监控阶段。在学习阶段期间,重复机器的运行参数的参数值并且检测机器的振动,并且由此对于不同的频率范围分别确定模型函数,其作为运行参数的函数给出了在相应的频率范围中的振动振幅的期望的平均功率密度。在监控阶段中,同样检测机器的运行参数的参数值和机器的振动,并且根据在学习阶段中确定的模型函数对于每个频率范围单独地评估检测到的振动。
在学习阶段中确定的模型函数反映出机器的机器特定的特性,并且形成用于评估在监控阶段中检测的测量数据的基础。由此,该方法有利地普遍地、也就是对于不同的机器都适用,而不必预先获知机器特定的特性,因为这些特性在学习阶段期间已经被自动地学习了并且在学习阶段期间确定的模型函数中表现出来。
不同频率范围的单独的评估借助简单的模型函数实现了质量上良好的模型化,例如借助运行参数的线性函数,其确定仅仅需要很少的测量数据。由此有利地获得了短的学习阶段,其也能够没有问题地并且没有大的时间损失地重复,例如考虑机器的和/或周边环境的基本变化。
总体上,该方法实现了对普通类型的机器的自动化监控,并由此降低了尤其是对于监控机器所必要的人工成本,并且降低了监控的由此导致的易错性。
本发明的一个设计方案提出,该机器是传动装置。
本发明的该设计方案考虑到,直的传动装置容易受到取决于磨损和系统的异常情况的出现的影响,并且能够通过对振动频谱的根据本发明的评估有效地进行监控。
本发明的另外的设计方案提出,转矩和/或转速和/或机器的旋转的机器组件的温度作为运行参数使用。
该设计方案有利地充分利用的是,转矩、转速和旋转的机器组件的温度通常对在这些机器组件处检测到的振动频谱有特别强烈的影响,并且因此作为用于评估振动频谱的运行参数是特别重要的并且是合适的。
本发明的另一个设计方案提出,频率范围的宽度随着增大的振动频率单调地增大。
当振动频谱的对于监控机器来说重要的信息容量随着增大的振动频率而减少时,如经常出现的那样,频率范围的宽度随着增大的振动频率而增大是特别有利的。
本发明的另一个设计方案提出,对于每个频率范围而言,通过如下的方式将模型函数确定为运行参数的线性函数,即训练用于评估模型函数的线性多元回归模型。
运行参数的线性函数可以有利地特别简单和快速地、也就是由较少的测量数据确定。如上已经实施的那样,根据本发明的方法实现了运行参数的线性函数的有意义的应用,以便基于振动频谱的根据本发明的频率范围特定的评估来对期望的功率密度进行模型化。
本发明的另一个设计方案提出,形成在从检测到的振动中确定的平均功率密度和期望的平均功率密度之间的、在标准正态分布上标准化的功率密度差,作为用于每个测量时间和每个频率范围的偏差值。
在标准正态分布上标准化的偏差值有利地实现了对偏差值的简单和易懂的解释和评估。
在此,用于测量时间和频率范围的标准化的功率密度差优选地根据公式由在从在测量时间检测到的振动中确定到的平均功率密度和用于该测量时间的期望的平均功率密度之间的功率密度差用于在该测量时间之前的测量时间的功率密度差的平滑的期望值和用于在该测量时间之前的测量时间的功率密度差的平滑的标准偏差形成。在此,t是时间指数,其根据测量时间的时间上的顺序对测量时间进行编号,并且i是频率范围指数,其对频率范围进行编号。
由此,功率密度差分别标准化成标准正态分布的功率密度差其分别说明到其自身的分布的距离。另外表达的是,功率密度差由此转换成统计的参量,其尤其实现了对标准正态分布的通常的置信区间的使用,以便对功率密度差进行解释和评估。
在此优选地,取决于用于该测量时间的功率密度差和用于在该测量时间之前的测量时间的平滑的期望值地,根据公式形成用于测量时间的平滑的期望值其中λ是平滑参数。
此外,取决于用于该测量时间的功率密度差和平滑的期望值和用于在该测量时间之前的测量时间的平滑的标准偏差地,根据公式形成用于测量时间的平滑的标准偏差其中λ是平滑参数。
本发明的前述的设计方案有利地实现的是,为了计算标准化的功率密度差而使用的分布参数和由于其递归的上述定义而运行的滑移的更新。
根据公式在分布参数和的上述定义中出现的平滑参数λ由能预设的时间常数τ和机器的振动的检测的采样率fS形成。
由此实现了具有能预设的时间常数τ的分布参数和的指数上的平滑。这尤其实现的是,可能产生的例如通过自然磨损引起并且仅仅缓慢进展的趋势信号分量(Trendsignalkomponenten)通过预设足够大的时间常数τ来消除或者抑制。在时间上对此相对快速产生的异常情况的信号由此不受影响。
本发明的另一个设计方案提出,预设用于偏差值的公差范围,并且对于每个测量时间和每个频率范围而言,确定该偏差值是否处于预设的公差范围内。
用于偏差值的公差范围有利地提供了定量的和能够自动化地使用的标准,以便频率范围特定地评估用于每个测量时间的平均功率密度。
附图说明
本发明的上述特性、特征和优点以及实现这些的方法和方式联系到联系附图做进一步说明的实施例的以下描述而变得清晰和易懂。在此示出:
图1示出用于监控机器的方法的学习阶段的流程图,
图2示出振动频率的频率范围,
图3示出用于监控机器的方法的监控阶段的流程图,
图4示出用于测量时间的、从检测到的振动中确定的平均功率密度和取决于频率范围的期望的平均功率密度,
图5示出用于频率范围的、在对于测量时间从检测到的振动中确定的平均功率密度和用于测量时间的期望的平均功率密度之间的功率密度差以及取决于测量时间的功率密度差的平滑的期望值,
图6示出用于频率范围的、取决于测量时间的功率密度差的平滑的标准偏差,
图7示出用于频率范围的、取决于测量时间的标准化的功率密度差。
具体实施方式
彼此相应的部分在所有附图中具有相同的参考标号。
根据本发明的用于监控具有至少一个旋转的机器组件的、例如是传动装置的机器的方法包括(至少一个)学习阶段和(至少一个)监控阶段。
图1示出了该方法的学习阶段的流程图。
在学习阶段期间,在方法步骤S1中,在彼此跟随的测量时间检测机器的运行参数P的参数值Pt,并且在预设的测量时长上分别检测机器的振动(在多个运行参数的情况中Pt表示测量值的元组)。在此t是时间指数,其根据测量时间的时间上的顺序对测量时间进行编号。例如转矩和/或转速和/或相应的旋转机器组件的温度作为运行参数P使用,其参数值Pt借助相应的传感器进行检测。振动借助至少一个振动传感器进行检测。当待监控的机器是例如具有一个或者多个传动装置轴承的传动装置时,例如为每个传动装置轴承在相应的转动装置轴承处或者在其附近布置振动传感器。
接下来为了简化描述和记录而假定,仅仅存在一个振动传感器。在存在多个振动传感器的情况中,接下来描述的方法步骤为每个振动传感器单独地执行。
在方法步骤S2中,取决于在测量时长期间检测的振动的振动频率f的振动振幅Y的离散的振动频谱Yt(f)对于每个测量时长通过相应的振动传感器的传感器信号的傅里叶转换、优选地通过快速傅里叶转换(Fast Fourier Transform)进行确定。
在方法步骤S3中,例如在数据库中存储对于各个测量时间确定的参数值Pt和振动频谱Yt(f)。
在方法步骤S4中,从每个振动频谱Yt(f)中形成N个子频谱,其分别包含频率范围的振动振幅。
图2示例性地示出了在0Hz和12000Hz之间的振动频率f在利用频率范围指数i编号的频率范围(i=1,…,N)上的分布,该频率范围的宽度随着增大的振动频率f单调地增大。在图2中示出的频率范围的宽度随着增大的振动频率f的增大是有利的,当振动频谱的对于监控机器来说重要的信息容量随着增大的振动频率f而减少时,如经常出现的情况一样。在另外的不是这种情况的实施例中,频率范围也可以具有另外分布的、例如相应相同的宽度和/或彼此重叠。
在方法步骤S5.1至S5.N中,相应地对于每个振动频谱Yt(f)的N个子频谱根据公式
计算出平均功率密度其中,i是频率范围指数,t是时间指数,l是频率指数,其对第i个子频谱的振动频率f、也就是离散的振动频谱Yt(f)的包含在第i个频率范围中的振动频率f进行编号,L(i)是第i个子频谱的振动频率f的数量,并且Yt(fl)是对于具有时间指数t的测量时间和具有第i个子频谱的频率指数l的振动频率f确定的振动振幅。
在方法步骤S6.1至S6.N中,对于每个频率范围从用于该频率范围的在方法步骤S5.1至S5.N中确定的平均功率密度和检测的参数值Pt中,将用于期望的在频率范围上平均的功率密度的模型函数至确定为运行参数P的函数。例如为此对于每个频率范围训练线性多元回归模型,其作为模型函数至提供具有系数的运行参数P(模型参数)的线性函数,其在学习阶段的方法步骤S6.1至S6.N中确定。代替线性多元回归模型,也可以训练复杂的模型,其也描述了运行参数P的模型函数至的非线性相关性。
对于不同的频率范围确定的模型函数至分别进行存储,以便在监控阶段中对其进行使用。
图3示出了该方法的监控阶段的流程图。
在监控阶段期间,如在学习阶段中一样地执行方法步骤S1至S5.N,其中,在监控阶段的彼此跟随的测量时间、例如周期性地检测机器的运行参数P的参数值Pt,并且在预设的测量时长上分别检测机器的振动,并且由此对于每个测量时间和对于如在学习阶段中一样的相同的频率范围分别根据公式(1)确定平均功率密度
此外,在方法步骤S7.1至S7.N中,对于每个测量时间和每个频率范围而言,期望的平均功率密度在通过在相应的测量时间检测到的参数值Pt定义的位置处形成为在学习阶段中对于相应的功率范围确定的模型函数至的函数值。
在方法步骤S8.1至S8.N中,对于每个测量时间和每个频率范围形成用于从检测到的振动中确定的平均功率密度与期望的平均功率密度的偏差的偏差值。
在此,例如相应在标准正态分布上标准化的功率密度差根据公式
形成为偏差值。在此表示根据公式
形成的、在从检测到的振动中确定的平均功率密度和期望的平均功率密度之间的功率密度差,表示平滑的期望值,其对于测量时间取决于用于该测量时间的功率密度差用于在该测量时间之前的测量时间的平滑的期望值和平滑参数λ地根据公式
形成,并且表示平滑的标准偏差,其对于测量时间取决于用于该测量时间的功率密度差和平滑的期望值以及用于在该测量时间之前的测量时间的平滑的标准偏差地并且根据平滑参数λ地根据公式
形成。在此,平滑参数λ根据公式
由能预设的时间常数τ和机器的振动的检测的采样率fS(也就是两个彼此跟随的测量时间的差的倒数fS)形成。用于平滑的期望值的起始值和平滑的标准偏差例如由在学习阶段期间确定的平均功率密度确定。
公式(1)将功率密度差分别标准化到标准正态分布的标准化的功率密度差上,其分别说明到其自身的分布的距离。另外表达的是,功率密度差由此转换成统计的参量,从而为了进行解释而能够使用标准正态分布的通常的置信区间。为计算标准化的功率密度差而使用的分布参数和借助递归的指数上的平滑根据公式(4)至(6)连续适应性地确定。
除了不同频率范围的标准化的功率密度差的清楚的统计上的可解释性,该方法有利地实现了所谓的消除趋势(Detrending),以便消除长期趋势对结果的不希望的作用。例如,可能产生的例如通过自然磨损引起并且仅仅缓慢进展的趋势信号分量能够通过从功率密度差中减去滑移的平滑的期望值在公式(1)中借助预设足够大的时间常数τ来消除。在时间上对此相对快速地产生的异常情况的信号由此不受影响。
图4示例性地示出了用于具有时间指数t的测量时间的、从检测到的振动中确定的平均功率密度和取决于频率范围的期望的平均功率密度其中,和根据适当选择的对数标度s1示出。
图5和6示例性地示出用于具有频率范围指数i的频率范围的功率密度差和相应的平滑的期望值(图5)以及取决于在适当选择的刻度s2上的测量时间的时间指数t的相应的平滑的标准偏差(图6)。
在方法步骤S9中评估在方法步骤S8.1至S8.N中形成的偏差值。
为此,例如预设用于在方法步骤S8.1至S8.N中形成的偏差值的公差范围T,并且对于每个测量时间和每个频率范围确定相应的偏差值是否处于预设的公差范围T内。
在偏差值分别形成为根据公式(2)至(6)标准化的功率密度差的情况中,将合适的标准正态分布的置信区间、例如3σ置信区间预设为公差范围T,并且在方法步骤S9中对于每个测量时间和每个频率间隔产生二进制的输出信号其值设为零,当相应标准化的功率密度差处于预设的公差范围内时,并且否则其值设为一。在公差范围T预设为3σ置信区间的情况中,二进制的输出信号对于具有时间指数t的测量时间和具有频率范围指数i的频率间隔来说根据公式
形成,其中σ是标准正态分布的标准偏差。
由此,通过用于每个振动传感器的测量时间产生N个二进制的输出信号其能够为了监控机器而进行评估,例如通过由二进制输出信号形成总输出信号的方式和/或以合适的方式对其进行可视化。
图7示例性地示出了用于具有频率范围指数i的频率范围的、以取决于测量时间的时间指数t的标准正态分布的标准偏差σ为单位的标准化的功率密度差例如,标准化正态分布的3σ置信区间还作为公差范围T示出。在示出的实例中,标准化的功率密度在示出的时间间隔中在公差范围T内运行。
尽管本发明在细节上通过优选的实施例进一步进行了说明和描述,但是本发明并不受公开的实例限制并且本领域技术人员能够由此推导出另外的变体方案,而不脱离本发明的保护范围。
Claims (11)
1.一种用于监控具有旋转的机器组件的机器的方法,其中,自动化地在彼此跟随的测量时间检测所述机器的运行参数的参数值(Pt),并且在预设的测量时长上分别检测所述机器的振动,
对于每个所述测量时长而言,取决于在所述测量时长期间检测到的所述振动的振动频率(f)地确定振动振幅的振动频谱(Yt(f)),
从所述振动频谱(Yt(f))中,对于多个频率范围分别确定所述振动频谱(Yt(f))的平均功率密度
在包括多个所述测量时间的学习阶段期间,对于每个所述频率范围而言,从对于所述测量时间确定的平均功率密度和检测到的所述参数值(Pt)中,将用于期望的在所述频率范围上平均的功率密度的模型函数(至)确定为所述运行参数的函数,
并且在监控阶段期间,对于每个所述测量时间和每个所述频率范围而言,形成用于从检测到的所述振动中确定的平均功率密度与期望的平均功率密度的偏差的偏差值,
其中,用于测量时间和功率范围的所述期望的平均功率密度在通过在相应的测量时间检测到的所述参数值(Pt)定义的位置处形成,作为在所述学习阶段对于所述功率范围确定的模型函数(至)的函数值。
2.根据权利要求1所述的方法,其特征在于,所述机器是传动装置。
3.根据前述权利要求中任一项所述的方法,其特征在于,转矩和/或转速和/或所述机器的所述旋转的机器组件的温度作为所述运行参数使用。
4.根据前述权利要求中任一项所述的方法,其特征在于,所述频率范围的宽度随着增大的所述振动频率(f)单调地增大。
5.根据前述权利要求中任一项所述的方法,其特征在于,对于每个所述频率范围而言,通过如下的方式将所述模型函数(至)确定为所述运行参数的线性函数,即训练用于评估所述模型函数(至)的线性多元回归模型。
6.根据前述权利要求中任一项所述的方法,其特征在于,形成在从检测到的所述振动中确定的平均功率密度和所述期望的平均功率密度之间的、在标准正态分布上标准化的功率密度差作为用于每个所述测量时间和每个所述频率范围的偏差值。
7.根据权利要求6所述的方法,其特征在于,用于测量时间和频率范围的所述标准化的功率密度差根据公式由在从在所述测量时间检测到的所述振动中确定的平均功率密度和用于所述测量时间的所述期望的平均功率密度之间的功率密度差所述功率密度差的用于在所述测量时间之前的测量时间的平滑的期望值和所述功率密度差的用于在所述测量时间之前的测量时间的平滑的标准偏差形成。
8.根据权利要求7所述的方法,其特征在于,取决于用于所述测量时间的所述功率密度差和用于在所述测量时间之前的测量时间的平滑的期望值地根据公式形成用于测量时间的平滑的期望值其中λ是平滑参数。
9.根据权利要求7或8所述的方法,其特征在于,取决于用于所述测量时间的所述功率密度差和所述平滑的期望值和用于在所述测量时间之前的测量时间的平滑的标准偏差地根据公式形成用于测量时间的平滑的标准偏差其中λ是平滑参数。
10.根据权利要求8或9中任一项所述的方法,其特征在于,根据公式所述平滑参数由能预设的时间常数τ和所述机器的所述振动的检测的采样率fS形成。
11.根据前述权利要求中任一项所述的方法,其特征在于,预设用于所述偏差值的公差范围(T),并且对于每个所述测量时间和每个所述频率范围而言,确定所述偏差值是否处于预设的所述公差范围(T)内。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15163653.7A EP3081914B1 (de) | 2015-04-15 | 2015-04-15 | Überwachung einer maschine mit einer rotierenden maschinenkomponente |
EP15163653.7 | 2015-04-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106052847A true CN106052847A (zh) | 2016-10-26 |
CN106052847B CN106052847B (zh) | 2019-12-31 |
Family
ID=53039710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610230777.6A Active CN106052847B (zh) | 2015-04-15 | 2016-04-14 | 对具有旋转的机器组件的机器的监控 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10330567B2 (zh) |
EP (1) | EP3081914B1 (zh) |
CN (1) | CN106052847B (zh) |
ES (1) | ES2690077T3 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110770561A (zh) * | 2017-06-12 | 2020-02-07 | 利乐拉瓦尔集团及财务有限公司 | 周期性运动的机器部件的故障预测方法 |
CN113168173A (zh) * | 2018-11-27 | 2021-07-23 | 利乐拉瓦尔集团及财务有限公司 | 用于循环运动式机器部件的状态监测的方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020133684A1 (de) | 2020-12-16 | 2022-06-23 | Voith Patent Gmbh | Zustandsüberwachung für einen Antriebsstrang |
DE102021119985A1 (de) * | 2021-08-02 | 2023-02-02 | Prüftechnik Dieter Busch GmbH | Überwachungsvorrichtung und Überwachungsverfahren zur Erfassung eines Diagnosezustands |
DE102021209957A1 (de) * | 2021-09-09 | 2023-03-09 | Aktiebolaget Skf | Vorrichtung zum Identifizieren eines Defekts einer rotierenden Komponente |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602761A (en) * | 1993-12-30 | 1997-02-11 | Caterpillar Inc. | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme |
EP1014054A2 (de) * | 1998-12-24 | 2000-06-28 | SCHENCK VIBRO GmbH | Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierenden Maschinen |
US20050119840A1 (en) * | 2003-01-10 | 2005-06-02 | Rolls-Royce Plc | Bearing anomaly detection and location |
CN103245500A (zh) * | 2012-02-13 | 2013-08-14 | 霍尼韦尔国际公司 | 用于旋转机器的盲缺陷检测系统和方法 |
CN103608739A (zh) * | 2011-06-15 | 2014-02-26 | 诺迈士科技有限公司 | 振动监测 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6484109B1 (en) * | 1998-05-20 | 2002-11-19 | Dli Engineering Coporation | Diagnostic vibration data collector and analyzer |
FR2803036B1 (fr) * | 1999-12-23 | 2002-10-11 | Snecma | Detection de l'endommagement de pieces d'un moteur |
JP3609982B2 (ja) * | 2000-04-20 | 2005-01-12 | リオン株式会社 | 故障診断方法及びその装置 |
FR2900745B1 (fr) * | 2006-05-05 | 2008-10-10 | Eurocopter France | Procede et dispositif de diagnostic d'un mecanisme |
DK2370801T3 (en) * | 2008-12-22 | 2018-01-22 | Spm Instr Ab | Analysesystem |
FR2941049B1 (fr) * | 2009-01-13 | 2011-02-11 | Snecma | Procede et systeme de surveillance de phenomenes vibratoires survenant dans un moteur a turbine a gaz d'aeronef en fonctionnement |
US9091588B2 (en) * | 2010-05-28 | 2015-07-28 | Prognost Systems Gmbh | System and method of mechanical fault detection based on signature detection |
EP2518456A1 (en) * | 2011-04-29 | 2012-10-31 | ABB Technology AG | Method for monitoring demagnetization |
US9772219B2 (en) * | 2012-09-11 | 2017-09-26 | S.P.M. Instrument Ab | Apparatus for monitoring the condition of a machine |
US20150122037A1 (en) * | 2013-10-30 | 2015-05-07 | Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project | Method for diagnosing faults in slurry pump impellers |
-
2015
- 2015-04-15 EP EP15163653.7A patent/EP3081914B1/de active Active
- 2015-04-15 ES ES15163653.7T patent/ES2690077T3/es active Active
-
2016
- 2016-04-14 CN CN201610230777.6A patent/CN106052847B/zh active Active
- 2016-04-14 US US15/098,664 patent/US10330567B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602761A (en) * | 1993-12-30 | 1997-02-11 | Caterpillar Inc. | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme |
EP1014054A2 (de) * | 1998-12-24 | 2000-06-28 | SCHENCK VIBRO GmbH | Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierenden Maschinen |
US20050119840A1 (en) * | 2003-01-10 | 2005-06-02 | Rolls-Royce Plc | Bearing anomaly detection and location |
CN103608739A (zh) * | 2011-06-15 | 2014-02-26 | 诺迈士科技有限公司 | 振动监测 |
CN103245500A (zh) * | 2012-02-13 | 2013-08-14 | 霍尼韦尔国际公司 | 用于旋转机器的盲缺陷检测系统和方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110770561A (zh) * | 2017-06-12 | 2020-02-07 | 利乐拉瓦尔集团及财务有限公司 | 周期性运动的机器部件的故障预测方法 |
CN113168173A (zh) * | 2018-11-27 | 2021-07-23 | 利乐拉瓦尔集团及财务有限公司 | 用于循环运动式机器部件的状态监测的方法 |
Also Published As
Publication number | Publication date |
---|---|
US10330567B2 (en) | 2019-06-25 |
US20160305844A1 (en) | 2016-10-20 |
EP3081914A1 (de) | 2016-10-19 |
EP3081914B1 (de) | 2018-07-04 |
ES2690077T3 (es) | 2018-11-19 |
CN106052847B (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106052847A (zh) | 对具有旋转的机器组件的机器的监控 | |
US10430531B2 (en) | Model based system monitoring | |
JP5096358B2 (ja) | プロセス工場向け自己診断プロセス制御ループ | |
CN108496123B (zh) | 对机器进行振动诊断监测的方法以及装置 | |
KR20180048218A (ko) | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 | |
DE102017003165A1 (de) | Maschinelle Lernvorrichtung und maschinelles Lernverfahren zum Lernen der Fehlervorhersage einer Hauptwelle oder eines Motors, der die Hauptwelle antreibt, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem umfassend eine maschinelle Lernvorrichtung | |
CN109073506A (zh) | 用于监视车轴并用于在多个轴故障模式间区分的传感器系统 | |
JP2018119924A (ja) | 診断装置 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
Cipollini et al. | Unsupervised deep learning for induction motor bearings monitoring | |
EP3644184A1 (en) | System and method for anomaly characterization based on joint historical and time-series analysis | |
RU2018116275A (ru) | Способ и система для диагностирования промышленного объекта | |
JP2018120407A (ja) | 状態監視方法および状態監視装置 | |
JP5565357B2 (ja) | 設備診断装置、設備診断方法、設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体 | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
DE102011075231A1 (de) | Verfahren und Vorrichtung zum Betrieb einer Anlage | |
FR2862793A1 (fr) | Procede de surveillance d'un systeme technique | |
CN113168173B (zh) | 用于循环运动式机器部件的状态监测的方法 | |
CN112668727A (zh) | 检测设备故障的方法和装置 | |
CN116415129A (zh) | 用于评估造纸机的刮刀的健康状态的方法、装置和计算设备 | |
TW202232005A (zh) | 機械學習裝置、滑動面診斷裝置、推論裝置、機械學習方法、機械學習程式、滑動面診斷方法、滑動面診斷程式、推論方法、及推論程式 | |
CN113283076A (zh) | 用电异常的研究方法、装置与计算机可读存储介质 | |
SE1551114A1 (sv) | Reducing product variations via variance partition analysis | |
DE102013100411B4 (de) | Verfahren und Vorrichtung zur Zustandsüberwachung einer Kälteanlage | |
CN109632308A (zh) | 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统 |
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 |