CN106872199A - 一种机电设备非线性故障预测方法 - Google Patents

一种机电设备非线性故障预测方法 Download PDF

Info

Publication number
CN106872199A
CN106872199A CN201710073526.6A CN201710073526A CN106872199A CN 106872199 A CN106872199 A CN 106872199A CN 201710073526 A CN201710073526 A CN 201710073526A CN 106872199 A CN106872199 A CN 106872199A
Authority
CN
China
Prior art keywords
signal
prediction method
failure prediction
electromechanical device
resonance
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
Application number
CN201710073526.6A
Other languages
English (en)
Inventor
杨志波
李凯强
王静
崔沛
胡军臣
李涛涛
刘石安
明平美
刘爱菊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201710073526.6A priority Critical patent/CN106872199A/zh
Publication of CN106872199A publication Critical patent/CN106872199A/zh
Pending legal-status Critical Current

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
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了机电设备故障检测技术领域的一种机电设备非线性故障预测方法，该机电设备非线性故障预测方法的具体步骤如下：S1：利用多台计算机监测仪器和传感器对机电设备的运行状态采集状态信号；S2：对振动信号利用随机共振数学模型使其降噪；S3：实现检测信号的并联随机共振检测；S4：对并联随机共振输出的信号进行检测；S5：实现检测信号的自动识别，本发明通过将不同结构的随机共振的输出结果进行并联随机共振输出，将检测信号中的高频部分向低频部分输出，减小了检测信号的噪声，以达到系统参数的最优输出，同时利用混沌振子能够提前对检测信号即将出现的故障进行预警，本发明算法简单，实用性强。

Description

一种机电设备非线性故障预测方法
技术领域
本发明涉及机电设备故障检测技术领域，具体为一种机电设备非线性故障预测方法。
背景技术
现代化生产中机械设备的故障诊断技术越来越受到重视，人们投入大量的精力进行研究，机电设备故障诊断技术取得了很大的进展，探索出一系列新的理论方法与技术应用于实际，增加了机电设备故障诊断的效率，奠定了对机电设备实施故障诊断分析与修复的坚实基础，产生了明显的经济效益和社会效益。机电设备早期故障的微弱信号检测一直是故障诊断领域的研究热点。目前机电设备的检测方法主要集中在两个方面：一是利用现代信号处理方法对噪声进行抑制或消除，当噪声频率与信号频率相等或接近时，该类方法在抑制噪声的同时，亦不可避免的损伤到有用信号，极大的影响了微弱信号检测的效果；二是利用一些非线性系统的自身特性对信号进行检测，常用的非线性方法有随机共振、混沌振子和差分振子等。随机共振系统结构参数严重影响着输出结果，如何自适应选择系统参数以达到最优输出，始终是困扰各种随机共振算法的难题，为此，我们提出了一种机电设备非线性故障预测方法投入使用，以解决上述问题。
发明内容
本发明的目的在于提供一种机电设备非线性故障预测方法，以解决上述背景技术中提出的随机共振系统结构参数严重影响着输出结果和传统的方法抑制噪声的同时，亦不可避免的损伤到有用信号，极大的影响了微弱信号检测的效果的问题。
为实现上述目的，本发明提供如下技术方案：一种机电设备非线性故障预测方法，该机电设备非线性故障预测方法的具体步骤如下：
S1：利用多台计算机监测仪器和传感器对机电设备的运行状态采集状态信号，并建立分析诊断中心；
S2：对步骤S1中采集的振动信号利用随机共振数学模型使其降噪；
S3：提取两个不同随机共振输出的结果中的相同信号频率成分，实现检测信号的并联随机共振检测；
S4：利用混沌振子系统对噪声的免疫特性，对并联随机共振输出的信号进行检测；
S5：利用混沌振子相图的定量刻画使检测信号的客观、自动检测，利用不变矩定量识别混沌振子相图的状态，实现检测信号的自动识别。
优选的，所述步骤S1中，传感器布置在机电设备的待监测的关键节点上。
优选的，所述步骤S2中，振动信号为低频振动信号，利用随机共振数学模型将振动信号中的高频部分的能量转移到低频部分，使其降噪。
优选的，所述步骤S2中，在随机共振数学模型中采用对称双势阱函数V(x)表示，式中a，b为非线性系统的机构参数，对称双势阱的位置为势垒高度ΔV＝a2/(4b)，u(t)＝A sin(2πf0t)为周期正弦信号，A为幅值，n(t)为白噪声，且满足E[n(t)]＝0，E[n(t)n(t-τ)]＝2Dδ(τ)，D表示其噪声强度。
优选的，所述步骤S4中，使用混沌振子检测器对信号进行检测，其中检测器表示为x″(t)+cx′(t)-x(t)+x3(t)＝f cos(ωt)，式中c为阻尼比，-x(t)+x3(t)为非线性恢复力，fcos(ωt)为周期驱动力。
优选的，所述步骤S5中，混沌振子相图的自动识别对于二值图像，在R2平面上任意正整数p和q的p+q阶矩为式中f(x,y)为图像在点(x,y)上的灰度，mpq依赖于该图像在坐标系中的位置，不具备平移不变性，而p+q阶的中心距μpq满足平移不变性，其定义为式中为图像的质心。
与现有技术相比，本发明的有益效果是：本发明通过将不同结构的随机共振的输出结果进行并联随机共振输出，将检测信号中的高频部分向低频部分输出，减小了检测信号的噪声，以达到系统参数的最优输出，同时利用混沌振子能够提前对检测信号即将出现的故障进行预警，本发明算法简单，实用性强。
附图说明
图1为本发明工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种机电设备非线性故障预测方法，该机电设备非线性故障预测方法的具体步骤如下：
S1：利用多台计算机监测仪器和传感器对机电设备的运行状态采集状态信号，并建立分析诊断中心，传感器布置在机电设备的待监测的关键节点上；
S2：对步骤S1中采集的振动信号利用随机共振数学模型使其降噪，振动信号为低频振动信号，利用随机共振数学模型将振动信号中的高频部分的能量转移到低频部分，使其降噪，在随机共振数学模型中采用对称双势阱函数V(x)表示，式中a，b为非线性系统的机构参数，对称双势阱的位置为势垒高度ΔV＝a2/(4b)，u(t)＝A sin(2πf0t)为周期正弦信号，A为幅值，n(t)为白噪声，且满足E[n(t)]＝0，E[n(t)n(t-τ)]＝2Dδ(τ)，D表示其噪声强度；
S3：提取两个不同随机共振输出的结果中的相同信号频率成分，实现检测信号的并联随机共振检测；
S4：利用混沌振子系统对噪声的免疫特性，对并联随机共振输出的信号进行检测，使用混沌振子检测器对信号进行检测，其中检测器表示为x″(t)+cx′(t)-x(t)+x3(t)＝fcos(ωt)，式中c为阻尼比，-x(t)+x3(t)为非线性恢复力，f cos(ωt)为周期驱动力；
S5：利用混沌振子相图的定量刻画使检测信号的客观、自动检测，利用不变矩定量识别混沌振子相图的状态，实现检测信号的自动识别，混沌振子相图的自动识别对于二值图像，在R2平面上任意正整数p和q的p+q阶矩为式中f(x,y)为图像在点(x,y)上的灰度，mpq依赖于该图像在坐标系中的位置，不具备平移不变性，而p+q阶的中心距μpq满足平移不变性，其定义为式中为图像的质心。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种机电设备非线性故障预测方法，其特征在于：该机电设备非线性故障预测方法的具体步骤如下：
S1：利用多台计算机监测仪器和传感器对机电设备的运行状态采集状态信号，并建立分析诊断中心；
S2：对步骤S1中采集的振动信号利用随机共振数学模型使其降噪；
S3：提取两个不同随机共振输出的结果中的相同信号频率成分，实现检测信号的并联随机共振检测；
S4：利用混沌振子系统对噪声的免疫特性，对并联随机共振输出的信号进行检测；
S5：利用混沌振子相图的定量刻画使检测信号的客观、自动检测，利用不变矩定量识别混沌振子相图的状态，实现检测信号的自动识别。
2.根据权利要求1所述的一种机电设备非线性故障预测方法，其特征在于：所述步骤S1中，传感器布置在机电设备的待监测的关键节点上。
3.根据权利要求1所述的一种机电设备非线性故障预测方法，其特征在于：所述步骤S2中，振动信号为低频振动信号，利用随机共振数学模型将振动信号中的高频部分的能量转移到低频部分，使其降噪。
4.根据权利要求1所述的一种机电设备非线性故障预测方法，其特征在于：所述步骤S2中，在随机共振数学模型中采用对称双势阱函数V(x)表示，式中a，b为非线性系统的机构参数，对称双势阱的位置为势垒高度ΔV＝a2/(4b)，u(t)＝Asin(2πf0t)为周期正弦信号，A为幅值，n(t)为白噪声，且满足E[n(t)]＝0，E[n(t)n(t-τ)]＝2Dδ(τ)，D表示其噪声强度。
5.根据权利要求1所述的一种机电设备非线性故障预测方法，其特征在于：所述步骤S4中，使用混沌振子检测器对信号进行检测，其中检测器表示为x″(t)+cx′(t)-x(t)+x3(t)＝fcos(ωt)，式中c为阻尼比，-x(t)+x3(t)为非线性恢复力，fcos(ωt)为周期驱动力。
6.根据权利要求1所述的一种机电设备非线性故障预测方法，其特征在于：所述步骤S5中，混沌振子相图的自动识别对于二值图像，在R2平面上任意正整数p和q的p+q阶矩为式中f(x,y)为图像在点(x,y)上的灰度，mpq依赖于该图像在坐标系中的位置，不具备平移不变性，而p+q阶的中心距μpq满足平移不变性，其定义为式中为图像的质心。
CN201710073526.6A 2017-02-10 2017-02-10 一种机电设备非线性故障预测方法 Pending CN106872199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710073526.6A CN106872199A (zh) 2017-02-10 2017-02-10 一种机电设备非线性故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710073526.6A CN106872199A (zh) 2017-02-10 2017-02-10 一种机电设备非线性故障预测方法

Publications (1)

Publication Number Publication Date
CN106872199A true CN106872199A (zh) 2017-06-20

Family

ID=59166792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710073526.6A Pending CN106872199A (zh) 2017-02-10 2017-02-10 一种机电设备非线性故障预测方法

Country Status (1)

Country Link
CN (1) CN106872199A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658954A (zh) * 2018-12-27 2019-04-19 广州势必可赢网络科技有限公司 一种用于机电设备的故障检测方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101532920A (zh) * 2009-04-22 2009-09-16 北京工业大学 一种基于混沌的低速重载设备微弱信号检测方法
CN101539472A (zh) * 2009-04-30 2009-09-23 北京工业大学 一种低速重载设备微弱故障并联随机共振检测方法
CN101561314A (zh) * 2009-05-12 2009-10-21 中国人民解放军国防科学技术大学 随机共振-混沌微弱信号检测方法
CN101799368A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备非线性故障预测方法
JP2012163439A (ja) * 2011-02-07 2012-08-30 Toshiba Corp 回転機振動監視システムおよび監視方法
CN102778356A (zh) * 2012-08-06 2012-11-14 西安交通大学 增强随机共振系统以及基于该系统的机械故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101532920A (zh) * 2009-04-22 2009-09-16 北京工业大学 一种基于混沌的低速重载设备微弱信号检测方法
CN101539472A (zh) * 2009-04-30 2009-09-23 北京工业大学 一种低速重载设备微弱故障并联随机共振检测方法
CN101561314A (zh) * 2009-05-12 2009-10-21 中国人民解放军国防科学技术大学 随机共振-混沌微弱信号检测方法
CN101799368A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备非线性故障预测方法
JP2012163439A (ja) * 2011-02-07 2012-08-30 Toshiba Corp 回転機振動監視システムおよび監視方法
CN102778356A (zh) * 2012-08-06 2012-11-14 西安交通大学 增强随机共振系统以及基于该系统的机械故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658954A (zh) * 2018-12-27 2019-04-19 广州势必可赢网络科技有限公司 一种用于机电设备的故障检测方法、装置及系统

Similar Documents

Publication Publication Date Title
CN105372087B (zh) 基于多传感器信号分析的故障诊断方法
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
CN106443297A (zh) 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
CN105286853A (zh) 基于可穿戴设备的疾病检测方法及装置、可穿戴设备
CN103473530A (zh) 基于多视图和多模态特征的自适应动作识别方法
CN103398769A (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN107993488A (zh) 一种基于鱼眼相机的车位识别方法、系统及介质
CN106006344A (zh) 扶梯故障在线预警系统及故障诊断方法
CN106778923A (zh) 一种电能质量扰动信号分类方法及装置
CN107341470A (zh) 一种基于航拍图像的输电线检测方法
CN107290041A (zh) 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法
CN109147279A (zh) 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统
CN109470957B (zh) 一种基于弗雷歇距离的非侵入式电器识别方法
CN108710771A (zh) 基于深度特征集成提取的机械装备服役可靠性评估方法
CN102880870B (zh) 人脸特征的提取方法及系统
CN106291162A (zh) 一种光伏二极管箝位式三电平逆变器的故障诊断方法
CN114881956A (zh) 基于霍夫变换的电池板栅线自适应提取方法及系统
CN106872199A (zh) 一种机电设备非线性故障预测方法
CN104280253B (zh) 一种基于免疫检测器的故障诊断方法及系统
CN106846815A (zh) 一种高效的智能交通管理大数据分析系统
CN106707118A (zh) 局部放电模式识别方法和装置
CN108536825A (zh) 一种识别房源数据是否重复的方法
Chen et al. An adversarial learning framework for zero-shot fault recognition of mechanical systems
CN108548669A (zh) 一种工程装备传动系统故障诊断方法及系统
CN104462683A (zh) 由出错-认知到信息特征映射的信息交互界面优化方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170620