CN106571016B - 一种基于报警次数跳变触发机制的机械早期故障判别方法 - Google Patents
一种基于报警次数跳变触发机制的机械早期故障判别方法 Download PDFInfo
- Publication number
- CN106571016B CN106571016B CN201610957083.2A CN201610957083A CN106571016B CN 106571016 B CN106571016 B CN 106571016B CN 201610957083 A CN201610957083 A CN 201610957083A CN 106571016 B CN106571016 B CN 106571016B
- Authority
- CN
- China
- Prior art keywords
- initial failure
- trigger mechanism
- saltus step
- moment
- alarm
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Acoustics & Sound (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于报警次数跳变触发机制的机械早期故障判别方法,首先对采集的振动信号提取特征指标,采用自适应高斯阈值划分正常与故障状态区间,之后利用提出的连续报警次数跳变触发机制排除外界噪声等因素干扰,准确及时的判别出机械设备早期故障发生时刻,本发明利用自适应高斯阈值的优势,使报警阈值可以随着采集数据的获取不断自我调整,克服了传统固定阈值的缺陷;提出的报警次数跳变触发机制,克服了人为主观因素的干扰,提升了早期故障的诊断能力,本发明在机械设备早期故障状态监测中表现出比传统监测机制更好的诊断效果。
Description
技术领域
本发明属于机械状态监测技术领域,具体涉及一种基于报警次数跳变触发机制的机械早期故障判别方法。
背景技术
机械装备作为目前应用最为广泛的一类生产工具,在能源、冶金、航空等不同领域占据着举足轻重的地位。为了保障机械设备安全、可靠的运行,机械装备状态监测技术应运而生。机械装备的状态监测作为机械故障诊断的基础,准确地诊断出早期故障对于后续的故障分类识别以及剩余寿命预测至关重要,因此如何准确可靠地诊断出机械装备早期故障正受到国内外学者的广泛关注。
目前工程中经常采用一种连续触发机制对机械早期故障进行判别,即当连续N个特征指标超过正常状态阈值,则判别此时发生了早期故障。该触发机制往往能一定程度上避免噪声等外界因素的干扰,及时监测出早期故障发生时刻。但正常状态阈值的设定往往为固定阈值,不能随着新数据的不断获取自适应更新;且连续报警次数N选择具有人为主观性,若N值选择太小,触发机制不能有效避免外界因素的干扰,易出现误报现象的发生,若N值选择太大,触发机制延迟性太高,易出现漏报现象的发生。因此,上述缺点可能导致传统连续触发机制对早期故障发生时刻的诊断能力大打折扣,其判别精度将受到较大的影响。
发明内容
为了克服上述传统连续触发机制的缺点,本发明的目的在于提供一种基于报警次数跳变触发机制的机械早期故障判别方法,提升传统连续触发机制的早期故障诊断能力,避免传统触发机制中固定阈值的局限以及连续报警次数人为主观设定等问题,准确可靠地诊断出机械设备早期故障。
为了达到上述目的,本发明采取的技术方案为:
一种基于报警次数跳变触发机制的机械早期故障判别方法,包含以下步骤:
1)实时采集机械设备振动信号,计算提取相应的特征指标,初始化间隔报警计数器l=0和连续报警次数Al=0;
2)选择初期采集的I个历史数据,提取相应的特征指标构成原始特征指标集F=(f1,f2...,fI),计算该原始指标集的均值及标准差σI,计算初始阈值
3)在tm+1时刻新采集的振动信号数据提取特征fm+1,其中m≥I,判断fm+1是否大于上一时刻阈值Tm,若fm+1>Tm,则Tm+1=Tm,否则
4)如果特征指标fm+1>Tm+1,标记tm+1时刻报警值Sm+1=1,否则Sm+1=0;
5)采用以下公式更新间隔报警计数器l和连续报警次数Al:
6)若Al-Al-1≥2,则判定当前时刻为早期故障发生时刻;否则m=m+1,返回第3)步,继续判断直至连续报警次数满足Al-Al-1≥2为止。
本发明的有益效果为:
利用自适应高斯阈值的优势,使其阈值可以随着采集数据的获取不断自我调整,变得更加准确可靠,克服了原始固定阈值的缺陷。本发明提出的连续报警次数跳变触发机制,克服了人为主观因素的干扰,提升了早期故障的诊断能力。将提出的连续报警次数跳变触发机制应用于机械设备全寿命故障状态监测中,该触发机制能够有效抑制了噪声等外界因素的干扰,准确可靠地监测出早期故障。
附图说明
图1为本发明方法的流程图。
图2为实施例两组测试轴承监测振动信号。
图3为实施例分别采用Ginart方法与连续报警次数跳变触发机制对轴承早期故障发生时刻判别的结果对比图。
具体实施方式
下面结合附图和实施案例对本发明做进一步详细描述:
如图1所示,一种基于报警次数跳变触发机制的机械早期故障判别方法,包括以下步骤:
1)实时采集机械设备振动信号,计算提取相应的有效值指标,初始化间隔报警计数器l=0和连续报警次数Al=0;
2)选择初期采集的I个历史数据,提取相应的有效值指标构成原始特征指标集F=(f1,f2...,fI),计算该原始指标集的均值及标准差σI,计算初始阈值
3)在tm+1时刻对新采集的振动信号数据提取有效值特征fm+1,其中m≥I,判断fm+1是否大于上一时刻阈值Tm,若fm+1>Tm,则Tm+1=Tm,否则
4)比较tm+1时刻特征指标fm+1与相应阈值Tm+1大小,若fm+1>Tm+1,标记tm+1时刻报警值Sm+1=1,若fm+1≤Tm+1,则标记Sm+1=0;
5)根据tm与tm+1时刻对应的报警值Sm与Sm+1大小,采用以下公式更新间隔报警计数器l和连续报警次数Al:
6)若Al-Al-1≥2,则判定当前时刻为早期故障发生时刻;否则m=m+1,返回第3)步,继续判断直至连续报警次数满足Al-Al-1≥2为止。
实施例:为了详细阐明本发明方法提出的连续报警次数跳变触发机制,下面以一个仿真案例进行详细阐述。
表1连续报警次数跳变触发机制仿真案例
从上述仿真案例可以看出,由于A2-A1=1<2,不满足终止判定条件,此时报警值规则的跳动很可能是由于随机噪声等环境因素的干扰。随着时间的推移,直至时刻13时,累加值满足A3-A2≥2,机械设备报警值稳定于1,判定此刻机械设备发生了早期故障。
为进一步证明提出的连续报警次数跳变触发机制的有效性,采用PHM2012-PRONOSTIA滚动轴承加速寿命实验台实验数据对其进行验证。在全寿命加速寿命实验中,轴的转速为1800rmp,轴承径向载荷为4000N;加速度传感器采样频率为25.6kHz,采样时间为0.1s,采样长度25600,采样间隔是10s。选取两组实验轴承的全寿命振动信号如图2所示,轴承1为缓慢失效故障,轴承2为突然失效故障。从图中能够看出,在开始试验较长一段时间内,信号比较平稳,说明滚动轴承处于正常状态运行阶段;随着时间推移,振动信号的幅值整体趋势不断缓慢变大或者突然变大,说明滚动轴承处于故障退化阶段。
从轴承全寿命振动信号中提取有效值及峭度指标,采用本发明提出的故障监测方法对轴承早期故障发生时刻进行监测,其监测结果如图3所示。选择前50个特征指标构成原始特征指标集F=(f1,f2...,f50),计算初始阈值T50,对后续采集的数据进行判断,不断更新自适应高斯阈值集。当特征指标大于自适应阈值时,说明此时轴承状态存在异常。但轴承状态存在异常并不意味着轴承已发生了故障,也可能是由于噪声等外界因素干扰引起。为了排除随机噪声等外界因素对轴承健康状态监测带来的干扰,判断连续报警次数是否满足Al-Al-1≥2。如果满足以上条件,则表明轴承的异常状态确实由故障引起而非外界噪声等因素干扰,则判定该时刻机械设备发生了早期故障。采用传统的Ginart方法与本发明提出方法进行比较,其中t1时刻为采用本发明方法确定的故障发生时刻,t2时刻为Ginart方法确定的故障发生时刻。从图中可以看出,在轴承1缓慢退化案例中,Ginart方法确定的阈值太高,且没有排除外界环境干扰的逻辑,导致早期故障监测结果严重滞后,本发明提出的方法能有效排除因外界环境干扰产生的异常点,较为准确及时的诊断出机械设备早期故障。在轴承2突然退化案例中,Ginart方法确定的阈值明显太高,以至于在机械设备完全失效时都未能诊断出早期故障发生时刻,本发明提出的方法却在突然失效附近及时诊断出早期故障发生时刻。因此本发明通过提出的连续报警次数跳变触发机制实现了对轴承早期故障的有效诊断。
通过轴承加速寿命实验台全寿命实验数据验证了本发明在轴承早期故障状态监测中的优势。本发明采用自适应高斯阈值替代固定阈值,使其阈值可以伴随新采集的数据不断更新,变得更加准确可靠;对传统的连续触发机制改进,采用连续报警次数跳变触发机制克服了人为因素选择参数的干扰,从而提高了早期故障的诊断精度。
本发明所提出的基于报警次数跳变触发机制的机械早期故障判别方法,并不只局限于机械设备的早期故障状态监测,还可以应用于其他领域具有衰退趋势的产品早期故障状态监测中。应当指出,在不脱离本发明构思的前提下,所做的调整和变形,也应视为本发明的保护范围。
Claims (1)
1.一种基于报警次数跳变触发机制的机械早期故障判别方法,其特征在于,包括以下步骤:
1)实时采集机械设备振动信号,计算提取相应的特征指标,初始化间隔报警计数器l=0和连续报警次数Al=0;
2)选择初期采集的I个历史数据,提取相应的特征指标构成原始特征指标集F=(f1,f2...,fI),计算该原始特征指标集的均值及标准差σI,计算初始阈值
3)在tm+1时刻新采集的振动信号数据提取特征fm+1,其中m≥I,判断fm+1是否大于上一时刻阈值Tm,若fm+1>Tm,则Tm+1=Tm,否则
4)如果特征指标fm+1>Tm+1,标记tm+1时刻报警值Sm+1=1,否则Sm+1=0;
5)采用以下公式更新间隔报警计数器l和连续报警次数Al:
6)若Al-Al-1≥2,则判定当前时刻为早期故障发生时刻;否则m=m+1,返回第3)步,继续判断直至连续报警次数满足Al-Al-1≥2为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957083.2A CN106571016B (zh) | 2016-11-03 | 2016-11-03 | 一种基于报警次数跳变触发机制的机械早期故障判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957083.2A CN106571016B (zh) | 2016-11-03 | 2016-11-03 | 一种基于报警次数跳变触发机制的机械早期故障判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106571016A CN106571016A (zh) | 2017-04-19 |
CN106571016B true CN106571016B (zh) | 2018-08-07 |
Family
ID=58535467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610957083.2A Active CN106571016B (zh) | 2016-11-03 | 2016-11-03 | 一种基于报警次数跳变触发机制的机械早期故障判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106571016B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109387303B (zh) * | 2018-09-12 | 2020-09-08 | 中车青岛四方机车车辆股份有限公司 | 轴温传感器的检测方法及装置 |
CN111581762B (zh) * | 2019-02-15 | 2023-04-14 | 中国航发商用航空发动机有限责任公司 | 早期故障诊断方法及系统 |
CN113109051B (zh) * | 2021-04-14 | 2022-10-11 | 中国人民解放军海军航空大学岸防兵学院 | 基于振动数据极差序列的故障预警方法和系统 |
CN113890815A (zh) * | 2021-10-18 | 2022-01-04 | 中国电子科技集团公司第三十四研究所 | 网络设备端口频繁up/down监听告警方法及系统 |
CN115046764B (zh) * | 2022-05-05 | 2023-04-07 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
CN116203855B (zh) * | 2023-04-28 | 2023-08-29 | 深圳源川智控技术有限公司 | 换电柜仓位控制方法、装置、设备及存储介质 |
CN116206427B (zh) * | 2023-05-06 | 2023-06-30 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
CN116728159B (zh) * | 2023-08-16 | 2023-10-27 | 深圳市今日标准精密机器有限公司 | 一种数控机床的故障监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100472572C (zh) * | 2007-06-26 | 2009-03-25 | 北京必创科技有限公司 | 一种实现低功耗无线监测的装置 |
GB2476246A (en) * | 2009-12-15 | 2011-06-22 | Univ Portsmouth | Diagnosing an operation mode of a machine |
US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
US8988238B2 (en) * | 2012-08-21 | 2015-03-24 | General Electric Company | Change detection system using frequency analysis and method |
CN103323274B (zh) * | 2013-05-24 | 2015-10-14 | 上海交通大学 | 旋转机械状态监测与故障诊断系统及方法 |
CN103398843B (zh) * | 2013-07-01 | 2016-03-02 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN104680232A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 基于rvm的发动机故障检测方法 |
CN104880247B (zh) * | 2015-05-04 | 2016-01-20 | 华中科技大学 | 一种用于旋转机械在线监测系统的组合报警方法 |
CN104976139B (zh) * | 2015-06-08 | 2017-04-05 | 北京化工大学 | 一种基于高斯模型的机械设备状态诊断方法 |
-
2016
- 2016-11-03 CN CN201610957083.2A patent/CN106571016B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106571016A (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106571016B (zh) | 一种基于报警次数跳变触发机制的机械早期故障判别方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
EP2565444B1 (de) | Verfahren und Vorrichtung zur Zustandsüberwachung von Rotorblättern | |
CN105628421B (zh) | 一种水电机组分工况振摆越限监测预警方法 | |
US8988238B2 (en) | Change detection system using frequency analysis and method | |
CN105067262B (zh) | 一种滚动轴承状态监测方法 | |
CN105004523B (zh) | 基于加权相似性测度的滚动轴承状态监测方法 | |
CN106873571B (zh) | 一种基于数据和模型融合的预警方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN110687896A (zh) | 故障诊断方法、装置、设备及可读介质 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN110469462A (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN102706560B (zh) | 一种风力发电机组的状态监测方法和装置 | |
CN108573193A (zh) | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 | |
DE202013007142U1 (de) | Vorrichtung zur Zustandsüberwachung von Windenergieanlagen | |
CN109297712A (zh) | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 | |
CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN115046764B (zh) | 一种滚动轴承早期故障诊断方法 | |
CN112964470A (zh) | 一种基于轴承健康指标检测滚动轴承早期故障的方法 | |
Karadayi et al. | Fault-related Alarm Detection of a Wind Turbine SCADA System | |
CN109872511A (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN109359699A (zh) | 一种基于Alpha稳定分布的工业机组故障诊断方法 | |
CN111599033B (zh) | 一种诊断卷烟机故障的处理方法 | |
CN113487141A (zh) | 一种多源信息聚类融合的轴承状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210106 Address after: 313100 no.508 Xianqian street, Changxing Economic Development Zone, Huzhou City, Zhejiang Province Patentee after: CHANGXING SHENGYANG TECHNOLOGY Co.,Ltd. Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Patentee before: XI'AN JIAOTONG University |