CN107003663A - 具有活动部分的装置的监视 - Google Patents

具有活动部分的装置的监视 Download PDF

Info

Publication number
CN107003663A
CN107003663A CN201480083812.5A CN201480083812A CN107003663A CN 107003663 A CN107003663 A CN 107003663A CN 201480083812 A CN201480083812 A CN 201480083812A CN 107003663 A CN107003663 A CN 107003663A
Authority
CN
China
Prior art keywords
frequency
signal
control module
measurement
equipment
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
Application number
CN201480083812.5A
Other languages
English (en)
Other versions
CN107003663B (zh
Inventor
A.P.科齐奥诺夫
O.V.曼古托夫
I.I.莫霍夫
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN107003663A publication Critical patent/CN107003663A/zh
Application granted granted Critical
Publication of CN107003663B publication Critical patent/CN107003663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D19/00—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase
    • G05D19/02—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase characterised by the use of electric means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明涉及一种用于监视具有活动部分的装置（20）的设备，所述装置（20）尤其是旋转装置（20），所述设备包括：控制模块（10），所述控制模块（10）被配置成：接收所述装置（20）的经测量的振动信号（12），所述经测量的振动信号（12）由与所述装置（20）相连接的传感器提供；提供所述经测量的振动信号（12）的谱线（14）；对所述谱线（14）进行预处理，以便确定基频（16）和边频（18），其中，基频（16）是峰值功率对应于所述装置（20）的本征频率或故障频率的频率，并且其中，边频（18）对应于其它频率；通过对所述基频（16）和所述边频（18）分开应用单值分类（22）来处理所述基频（16）和所述边频（18）；将所述单值分类（22）的结果组合（26），由此获得表示置信度水平的分类信号（24）；以及基于所述分级信号（24）来输出决策支持信号，所述决策支持信号指示被监视的装置（20）的错误状态。

Description

具有活动部分的装置的监视
技术领域
本发明涉及一种用于监视具有活动部分的装置的设备，所述具有活动部分的装置尤其是旋转装置。此外，本发明涉及一种用于监视具有活动部分的装置的方法，所述具有活动部分的装置尤其是旋转装置。最后，本发明涉及一种计算机程序产品。
背景技术
振动分析是用于对具有活动部分的装置（诸如马达、发动机、其它可旋转装置等）进行状况监视（condition monitoring）的广泛使用的技术。振动分析被用来确定装置的错误状态以便获得关于装置对于其所确定的操作的可用性的信息。
用于旋转机械系统或装置的故障预防所最常使用的技术相应地基于温度监视、油碎屑（oil debris）监视或振动监视。振动分析相应地提供了故障预防技术或监视的广泛可能性，其允许在故障发展的早期阶段检测故障。在一些情况下，其允许识别特定问题或根本原因。
然而，如果装置的变化是由于在其机械条件方面提供了修改而出现的，则这影响装置的振动特征（vibration signature）。因此，将要提供改变以便允许进一步监视该装置。
当装置被用于尤其重要的基础设施系统（诸如在石油生产、自来水供应系统、废水清理（wasted water removal）等）中时，对装置进行监视是尤其重要的。此类装置常常在严酷条件下和/或24小时体制（24-hour-regime）中使用。因此，此类装置通常形成昂贵且体积大的部件，尤其是当它们是城市、地区等的基础设施的一部分时。此类装置的故障通常是重要的并且是成本密集型（cost-intensive）的事故。此类装置的故障可能突然发生或者伴随装置特性随时间的劣化而缓慢地发生。
发明内容
因此，本发明的目的是改善装置的错误检测。
由根据权利要求1所述的设备以及根据另一独立权利要求9所述的方法以及根据另一独立权利要求10所述的计算机程序产品来实现该目的。
在相应的从属权利要求中阐述了本发明的方面的至少一些示例性实施例的另外的方面。
根据第一设备相关的方面，尤其提出的是，所述设备包括控制模块，控制模块被配置成：接收装置的经测量的振动信号，经测量的振动信号由与装置相连接的传感器提供；提供经测量的振动信号的谱线；对谱线进行预处理，以便确定基频（base frequency）和边频（side frequency），其中，基频是峰值功率对应于装置的本征频率（eigen frequency）或故障频率的频率，并且其中，边频对应于其他频率；通过对基频和边频分开应用单值分类（one-class classification）来处理基频和边频；将单值分类的结果组合，由此获得表示置信水平的分类信号；以及基于分类信号来输出决策支持信号，该决策支持信号指示被监视的装置的错误状态。
根据第二方法相关的方面，尤其是提出的是，所述方法包括如下步骤：接收装置的经测量的振动信号，经测量的振动信号由与装置相连接的传感器提供；提供经测量的振动信号的谱线，对谱线进行预处理，以便确定基频和边频，其中，基频是峰值功率对应于装置的本征频率或故障频率的频率，并且其中，边频对应于另外的频率；通过对基频和边频分开应用单值分类来处理基频和边频；将单值分类的结果组合，由此获得表示置信水平的分类信号；以及基于分类信号来输出决策支持信号，该决策支持信号指示被监视的装置的错误状态。
根据本发明的第三方面，提供了一个或多个计算机程序产品，所述计算机程序产品包括用于处理装置的程序，所述计算机程序产品包括程序的软件代码部分以便当程序在处理装置上运行时执行根据本发明的方法的步骤。计算机程序产品还包括计算机可执行部件，计算机可执行部件当程序在计算机上运行时被配置成执行如上文提到的相应方法。上面的一个计算机程序产品/多个计算机程序产品可以具体体现为计算机可读存储介质。
考虑诊断的方法，可确定时域方法、频域方法以及时-频域方法。可以将不同的方法组合以便增强振动分析。
所述设备是如下装置，所述装置优选地包括壳体，其中，壳体包括电子硬件部件以便提供设备的所意图的操作。然而，还可以由在其上运行某一程序的处理装置（尤其是计算机）来提供所述设备，以便提供设备的所意图的操作。然而，设备可以是处理装置和硬件部件的组合。此外，设备还可以是硅片（silicon chip），硅片具有集成在其上的硬件部件和/或处理装置。
控制模块优选地是设备的一部分，其自身包括电子硬件电路和/或处理装置。优选地，控制模块与设备相集成。然而，其还可以是设备的单独部件。尤其是，控制模块可以是硅片，最优选地，其可以是提供设备的硅片的一部分。
控制模块被配置成接收经测量的振动信号，经测量的振动信号由相应的传感器供应，尤其是振动传感器，传感器与装置相连接。因此，传感器可以相应地与控制模块和/或设备通信。出于此目的，所述通信可以是有线通信线路、无线通信线路或其组合。
控制模块被配置成提供如从传感器接收的经测量的振动信号的谱线。该谱线可通过在数字信号处理的情况下提供相应计算来获得。然而，其还可通过使用适合的电路而基于模拟信号处理。优选地，通过执行傅立叶变换而得到谱线。然而，还可以应用其它适合的变换，例如拉普拉斯变换、Z变换等。优选地，所述变换适于将要检测的故障、装置、振动信号等。
控制模块还被配置成对谱线进行预处理，以便确定基频和边频。出于该目的，谱线经受一些操作，使得可确定峰值功率对应于装置的本征频率或故障频率的频率。这些频率被分配给基频。其它频率被分配给边频。
接下来，控制模块被配置成通过对基频和边频分开应用单值分类来处理基频和边频。因此，基频和边频被控制模块分开操作。单值分类可基于合适的算法，诸如支持向量机（support vector machine）等。
然后，前面所提到的单值分类的结果被控制模块组合，使得获得表示置信度水平的分类信号。基于该分类信号，控制模块被配置成输出决策支持信号，该决策支持信号指示被监视的装置的错误状态。因此，根据本发明的设备允许对装置是否有故障作出恰当决策。此外，优选地，本发明允许预测装置的故障，使得可规划对装置的维护，以便避免装置的完全关机。这对于在基础设施系统中操作的装置而言会是重要的。
在一定程度上，可以用纯波形分析来分析从传感器供应的经测量的振动信号。这绝不是完成分析的最容易方式，然而其可以在大体上完成。
此外，谱分析可基于在使用总体水平测量结果（measurement）之前的信号调节。在该情况下，仅考虑具有某一频带的测量信号中的分量。在该情况下，可在某些分量及它们的谐波的振幅和相位之间的关系中找到诊断信息。
另外地，可提供包络分析以便相应地对针对机械或装置的调查进行诊断，其中，故障对机械的特征频率具有振幅调制（modulating）效果。示例包括齿轮箱、涡轮机、感应马达（induction motor）等中的故障。包络分析是用于诊断局部故障的工具，所述局部故障诸如滚动元件轴承（rolling element bearing）中的开裂和剥落。包络检波（envelopedetection）或振幅解调是从调幅信号提取调制信号的技术。结果是随时间推移的调制信号。当该信号在时域中或者可以使其经受后续频率分析时，可以相应地研究或解读该信号。优选地，包络分析基于调制信号的快速傅立叶变换频率谱线。
并且，可提供倒谱分析（Cepstrum analysis）。来自旋转机器的谱线可能是相当复杂的，包括来自旋转部分的谐波的若干集合，并且可以是来自各种调制的边带（sideband）的若干集合。倒谱是用于检测频率谱线中的周期性的工具。倒谱分析将谱线转换回到时域特征（signature），其相对于该谱线中公共的频率间隔的周期而言具有峰值。这些峰值可以被用于在原始谱线中找到轴承磨损峰值。倒谱中的显著峰值对应于可能的基本轴承频率。
使用倒谱分析来检测围绕着一个或许多载波频率以相等间距间隔的边带。此类边带的存在在齿轮箱振动信号的分析中是令人感兴趣的，因为许多故障或错误相应趋向于导致由齿啮合引起的对振动模式的调制（modulation），并且该调制（振幅或频率调制）产生频率谱线中的边带。例如，边带聚集在齿啮合频率及其谐波周围，在调制频率的倍数处间隔，并且这些调制频率的确定可相应在故障或错误的诊断中是非常有用的。
此外，在旋转机械或装置的速度变化的情况下可相应优选地应用阶次分析（orderanalysis）。傅立叶变换过程（尤其是快速傅立叶变换过程）将时域数据变换到频域，从而创建谱线。在时域中相应是周期性或重复性的信号在频域中表现为峰值。在阶次分析中，傅立叶变换过程将转数域（revolution domain）数据变换成阶次谱线（order spectrum）。在转数域中是周期性的信号在阶次域中表现为峰值。例如，如果振动峰值在同一轴位置处每转发生两次，则在阶次谱线中的第二阶次处发生出现峰值。
此外，可提供模式识别方法。该方法旨在相应基于先验知识或从模式提取的统计信息的分类或模式。将要分类的模式通常是测量结果或观察结果的群组，在适当的多维空间中定义了点。
优选地，完整模式识别系统包括收集将要被分类或描述的观察结果的传感器、从观察结果来计算数值或符号信息的特征提取机构以及依赖于所提取的特征而进行分类或描述观察结果的实际工作的分类或描述方案（scheme）。分类或描述方案通常基于已被分类或描述的一组模式的可用性。这组模式被称为训练集（training set），并且得到的学习策略被表征为监督式学习（supervised learning）。
根据先验知识的可用性，可以考虑两个基本方法。第一，考虑如下情况：当不存在相应关于特定故障或错误的知识且相关模式不可用且只有对应于正常行为的数据是可用的。第二，当故障相关模式是已知的时候，因此可以相对于那些已知故障将系统的状况分类。在使用第一方法来识别故障的存在并在后来执行故障类型的诊断/分类的情况下，可将两个前面所提到的方法视为一个系统的一部分。
此外，根据本发明提供单侧分类（one-side classification）。单侧分类的一个思想在于：在状况监视和故障分析的领域中，可收集的真实工业数据通常对应于装置的操作的正常状况，而坏数据收集是昂贵的，并且故障建模并不始终是可用的。以作为“好”数据的真实工业数据来训练分类器，使得分类器可学习系统的行为，并且然后当检测到与此正常状态的偏差时产生警报。
另外地，可将门限（threshold）设置使用于异常行为检测。然而，门限设置同样地要求关于装置和过程性质的专家的一定知识和经验以便使得能够正确地设定门限。门限设置可通过定义用于经测量的信号或用于那些信号的特征的下限和/或上限来被应用在时域中。例如，总体振动水平不应高于门限值，这是为什么系统如果超过门限值则产生警报的原因。
此外，可使用神经云概念。将该技术应用于振动分析领域。神经模糊方法的应用是使得专家状况监视系统更加智能的尝试并且在保持监视成本合理的情况下能够面对复杂的现实世界问题。在下面提出的概念导致用于单侧分类的高效数据封装（dataencapsulating）方法。
主要思想在于：一些特定缺陷产生可以从例如作为装置的轴承或齿轮箱参数来计算的频率上的振幅的显著增加。通过监视围绕这些频率提供的频带内的振幅，专家可以决策这种情况是相应对应于装置的正常状态还是对应于故障状态或错误状态。开发了一种评估方法，其旨在在没有关于装置的内部结构及其系统环境的先验知识的情况下来相应执行对装置或旋转机械的诊断。这种评估方法能够解读例如振动数据以便将被用于它们的训练的正常情况与分配给错误状态的临界和异常情况区别开。神经模糊建模的应用能够检测从标准行为的改变。针对该特定应用，将许多谱线（尤其是针对处于正常状态的系统而测量的傅立叶谱线）用于封装表面（NC）创建。在已结束训练阶段之后，通过计算其置信度值来将前面所提到的方法用于状态的分类。
谱线的峰值可以产生取决于对应置信度水平的不同水平的警报。如果在谱线中存在重大变化，则置信度水平从100%减小至0%。借助于相应设定适当的警报水平或门限值，可估计情况是对应于不严重（良好）、严重（提醒）以及极其严重（警报状态）。其表示在估计系统剩余寿命并防止停机的任务中优选地相应支持人类操作员或专家的模型。此外，如果NC被安装为以分钟级的频率执行周期性测量的在线监视系统，则可在几周或几个月期间跟随置信度值的演进。这代表了对于实时诊断系统的概念而言的重要一步，因为开发的评估方法使得能够检测系统效果，并且还能够相应高效地诊断系统健康或装置健康。
聚类是支持模式识别任务的补充性工具。在特定实施例中，可将测量空间关于系统状态进行聚类，并且稍后通过检查新的测量点是否属于某些聚类，使得可估计系统的未知状态。
k-近邻（k-nearest neighbours）的算法（k-NN）是聚类方法。该方法允许在特征空间中基于最靠近的训练示例将对象分类。k-NN是一种类型的即时学习（instant-basedlearning）或懒惰学习（lazy learning），其中，仅仅在本地对函数进行近似，并且直到分类所有计算是不同的。
训练示例是多维特征空间中的向量，每个具有类别标签。算法的训练面仅由训练样本的类别标签和特征向量的存储组成。
在分类面中，k是用户定义常数，并且通过分配在最接近于查询点的k个训练样本之间最频繁的标签来将无标签分类。而且，可通过分配标签来将查询或测试点分类。根据一实施例，使用欧几里德距离（Euclidean distance）作为测度（metric）距离。然而，如果是诸如文本（text）分类，则相应使用诸如重叠测度或汉明距离（hamming distance）的测度。在模糊聚类中，每个点在一定程度上属于聚类（如在模糊逻辑中）而不是完全属于仅一个典型聚类。因此，聚类的边缘上的点与在该聚类中心上的点相比可以以较低的程度属于一个聚类。针对每个点x，系数给定作为k-TH聚类 UK(x)的一部分的程度。优选地，用于任何给定x的那些系数的和优选地被定义成是1。
使用聚类方法来通过基于所选过程参数（例如由RPM值）或负载特性的聚类化将装置操作的体制（regimes）分离。针对每个所选聚类、体制或参考状态的集合，训练单侧分类实例以在给定体制或操作模式下相应识别装备或装置的异常行为的出现。因此，可以以高度的准确性来实现异常行为检测。
在相应观察了机器或装置的异常行为之后，可执行对故障根本原因的更详细的分析。这可通过使用专家系统来完成，该专家系统是允许使用有效地形式化的专家知识的一组方法。基于规则的专家系统是用以检测装置（尤其是旋转装置）的故障并将其分类的方法。
通过将频域中的门限设置方法和与特定故障模式有关的专家知识进行组合，这可被用于旋转装置故障分析。
因此，本发明提供了通过使用装置的振动来对装置（尤其是旋转装置）进行容易的监视。
本发明方法是基于分析由安装在装置上的传感器提供的谱线。该谱线优选地是完整变换谱线。在正常体制中，空间频率与边频之间的依赖关系是稳定的，而在异常体制中，该依赖关系将会被打破。被打破的依赖关系可例如由本征振动的较高功率或者由边频的较高功率（其可以对应于故障行为）而导致。优选地，用神经单值分类器（尤其是神经云（NC））来近似该依赖关系。
然而，将预先学习单值分类器。可如下执行神经云的应用：
- 关于正常数据训练单值分类器
- 测试单值分类器。
根据本发明概念，该方法允许改善与装置的错误状态有关的决策。
根据示例性实施例，控制模块被配置成在预处理期间降低振动变换（vibrationtransform）的噪声水平。这增强了确定基频和边频时的准确度。
此外，根据另一示例性实施例，控制模块被配置成在预处理期间对振动变换应用门限值。这种方法进一步改善确定基频和边频的准确度。
用以改善根据另一示例性实施例的本发明的一个方法是将控制模块配置成分开确定基频和边频的各自的功率的和。这对于准备处理并提供与分类相联系的神经模糊方法的后续步骤是有用的。
根据又一示例性实施例，控制模块被配置成在处理期间考虑基频与边频之间的依赖关系。这允许增强关于分类的处理步骤的质量。
优选地，控制模块还包括神经云以便提供单值分类。因此，进行处理可基于已存在的手段，从而可容易地实现本发明。
根据另一示例性实施例，控制模块被配置成基于在无错误操作期间从振动信号接收的数据来训练单值分类。这允许容易地训练单值分类以识别装置的正常操作状态。
根据又一实施例，控制模块被配置成使用支持向量机以便提供单值分类。支持向量机是算法，其可被容易地应用以实现本发明。
附图说明
通过结合附图来考虑至少一个示例性实施例的下面的详细描述，可容易地理解本发明的教导并且将会明白至少一些附加特定细节，所述附图示意性地示出了应用于监视具有活动部分的装置的本发明。
在附图中：
图1示意性地示出了一示图，该示图绘出了在其轴承处具有内圈损坏的旋转机器的振动信号；
图2示意性地在左侧示图中示出了基于根据图1的信号的FFT的谱分析，而在右侧示图中应用了包络分析；
图3示意性地示出了三个示图，其中，上方示图示出了振动信号的谱线，中间示图示出了根据上方示图的包络谱线，而下方示图示出了在轴承没有故障的情况下的包络谱线；
图4示意性地示出了两个示图，其中，上方示图示出了振动信号的谱线，并且其中，下方示图示出了上方示图的相应谱线；
图5示意性地示出了表示轴承的时间系列（time series）的示图；
图6示意性地示出了一示图，该示图示出了根据图5的时间系列的阶次谱线；
图7示意性地示出了一示图，该示图绘出了谱线的用于提供警报和提醒的门限设置；
图8示意性地示出了两个示图，其中，左侧示图示出了谱数据密度等高线，而右侧示图示出了对应的3维表面；
图9示意性地示出了根据本发明的操作；
图10示意性地示出了磨机（mill）的谱线的基频和边频功率的示图；
图11示出了一示图，该示图示出了基于正常行为的置信度（confidence）值的根据本发明的处理的操作；以及
图12示意性地示出了一框图，该框图绘出了径向基函数（RBF）网络方法。
具体实施方式
图1示例性地示出了表示波形的示图，该波形图示出表现轴承内圈（race）损坏的振动信号12，振动信号12以轴频来调制。轴承20是在附图中未进一步绘出的将要被监视的旋转装置的一部分。检测旋转装备存在损坏所使用的信号测度和统计参数如下：
峰值水平被简单地定义为最大和最小振动水平之间的差的一半：
信号的均方根（RMS）值是信号的标准化（normalized）二阶统计矩（statisticalmoment）。对于离散信号，其被定义为：
信号的RMS通常被用于描述时变信号的稳态（steady-state）。测量宽频带上的总体振动水平是最基本的振动监视技术。经测量的振动水平随时间被趋势化以相应地作为机器状况或装置状况的指标。通常，考虑总体振动水平峰值或RMS值，不过，在考虑总体振动水平峰值或RMS值时，RMS值在一些情况下是更优选的，以便避免例如统计上不显著的噪声（insignificant noise）的影响。应提到的是，总体振动水平的分析对于相对简单的机器而言可以指示故障，但是总体振动水平的分析将不会提供任何诊断信息。此外，将只有在故障引起总体振动水平的显著增加之后才会检测到该故障，并且因此对于复杂的机器故障而言可能检测不到。考虑特定故障类型，可看到的是，信号的形状可以是比总体振动水平更好的损坏指标。例如，产生短期脉冲的故障（诸如轴承故障或局部齿轮齿（gear tooth）故障）或许将不会显著地影响总体振动水平，但是可导致信号的形状的显著变化。波峰因数（crestfactor）和峰度（kurtosis）常常被用作信号波形的形状的无量纲度量（measure）。
波峰因数被定义为信号的峰值和RMS值的比：
使用波峰因数作为信号的脉冲（impulsiveness）性质的度量。其在存在未频繁到足以影响RMS水平的离散脉冲的情况下将会增加。偏斜度（skewness）和峰度分别是信号的3阶和4阶统计矩
其中，μ3是关于均值的三阶矩，δ是标准差（standard deviation），x是样本均值。
1
，其中，μ4是关于均值的四阶矩，δ是标准差。
那些度量被用于有效地检测信号统计分布的变化。应提到的是，独立于振动水平的实际量值的参数提供已发生显著变化的早期指示，该显著变化通常在缺陷发展的初始阶段出现。
通过使用测量数据的在先滤波，可显著地改善使用上面所提到的参数中的一些的频带分析。借助于数据滤波，可将振动信号12划分成若干频带。这种方法背后的思想在于：在一些情况下，故障可能不导致总体振动信号12的显著变化，例如由具有较高能量的非故障相关的振动占主导，但是其可以在未受到那些非故障振动如此多的影响的频带内变得能够识别。
在疲劳分析中可采用循环计数法。循环计数可以被用于通过提供各种大小的循环发生的次数来概括无规律的负载相对于时间的历史。循环的定义随循环计数的方法而改变。这些实践覆盖用于通过各种方法获得循环计数的过程，包括穿级计数（level-crossingcounting）、峰值计数（peak counting）、简单-范围计数（simple-range counting）、程对计数（range-pair counting）以及雨流计数（rainflow counting）。可针对力、应力、应变、转矩、加速度、挠度或感兴趣的其它负载参数的时间历史进行循环计数。
时域分析方法的优点在于使用和实施的简单性。它们可用作用于监视相对简单的机器部件的有成本效益的方法，所述相对简单的机器部件是相对廉价且能够容易地替换的，诸如小型泵或发电机。可使用时域信号度量来检测这些部件的即使故障（imminentfailure），从而允许在部件或完整机器发生总体损坏之前执行所需要的维护过程。然而，对于更加昂贵或更复杂的机器而言，在早期阶段检测损坏并更精确地识别故障的根本原因是更加重要的。
图2示出了基于在先信号调节的谱分析。在该情况下，仅考虑在某一频带内的测量信号12中的分量。这里，可在某些分量及它们的谐波的振幅与面（face）之间的关系中找到诊断信息。
离散傅立叶变换（DFT）将值的序列分解成不同频率的分量。
并且快速傅立叶变换（FFT）是用以计算DFT及其逆的高效算法。FFT允许计算信号谱线并将谱线的形状与例如针对新机器在先记录的形状或已知缺陷相关的形状相比较。频率分析技术可被用在机器的状况监视和诊断两者中并且也可被用于停机保护。
图3示出了关于包络分析的示图。其可被用于进行振幅解调，也就是说，进行对调制信号的谱和时间表达的检波，并可被用于识别旋转机械20中的脉冲事件的发生。
这种方法的优点在于如下事实：感兴趣的信号的特征优选地只有在缺陷或错误相应出现的情况下才出现，因此不需要系统适于通过作出且比较若干周期性测量来检测可能的缺陷。通过不是绝对值而是相对值的单个振动测量来检测感兴趣的信号特征，因此本方法对测量精度的敏感性小。其允许覆盖例如对于滚动元件轴承的安装和操作的约10个不同缺陷类型、轴颈轴承（journal bearing）、齿轮、泵叶轮以及具有摩擦元件的许多其它单元的许多类型的缺陷的检测和识别，并且可对它们中的每个提供长期状况预测。
图4示意性地示出了关于倒谱分析（Cepstrum analysis）的两个示图。例如，边带（sideband）聚集在齿轮箱的齿啮合频率及其谐波周围，在调制频率的倍数处间隔，并且这些调制频率的确定可在故障的诊断中是非常有用的。
从数学观点来看，倒谱通常被定义为功率谱线（power spectrum）的对数的功率谱线。因为绝对标定是次要的（假如一致性得以维持）且因为通常将会用dB来表示对数功率谱线，所以在本文中将倒谱的振幅的单位取为（dB）2。然而，有时，还可以将术语倒谱应用于振幅谱线（amplitude spectrum），例如功率谱线的平方根，并且这将通过具有单位dB来进行区别。
图5示意性地示出了关于进一步提供阶次分析的时间系列。阶次分析被用于解决旋转机器的速度变化的问题。FFT过程将时域数据变换到频域，从而创建谱线。在时域中是周期性或重复性的信号相应在频域中表现为峰值。在阶次分析中，FFT将转数域数据变换成阶次谱线。在转数域中是周期性的信号在阶次域（order domain）中表现为峰值。例如，如果振动峰值在相同轴位置处每转发生两次，则在阶次谱线中的第二阶次处出现峰值。
例如，存在由齿轮箱中的雾齿（mist tooth）导致的冲击。这导致根据图6的示图。齿轮箱输出轴上的齿的数目是27。第27、第54和第81阶次具有高振幅（参见图6）。它们对应于啮合频率及其二阶和三阶谐波。为了计算对于在以可变速度旋转的机器处收集的测量时间系列的阶次谱线，优选地要求转速器（tacho）或键相位（key phasor）信号。在原始信号的再采样（其目标是对于每转获得相等数目的数据样本）之后，可计算阶次谱线。对于恒定的旋转速度，阶次谱线将会类似于具有对应于旋转频率的第1阶次的频率谱线。
图7示意性地示出了一示图，其中，绘出了基于谱线14的用于警报32和提醒34的门限设置。门限设置32、34通过定义用于经测量的信号的或用于那些信号的特征的下限和/或上限而应用在时域中。例如总体振动水平不能高于给定门限值，并且系统如果检测到此类情况则产生警报。这种方法还可通过定义在图7中所示的用于预定义频带的门限的集合而被用于频域分析。
图8示意性地在左侧示图中示出了数据密度等高线36并在右侧示图中示出了对应的3维表面38。谱线14的峰值产生不同水平的警报，其取决于对应的置信度水平。如果在谱线14中存在重大变化，则置信度水平从100%减小至0%。借助于设置适当的警报水平，系统可以估计情况是对应于不严重（良好）、严重（提醒）还是极其严重（警报）。其表示用以在估计系统的剩余寿命和预防停机的任务中支持人类专家的模型。此外，如果NC被安装为以分钟级的频率执行周期性测量的在线监视系统，则可在几周或几个月期间跟随置信度值的演进。这代表了对于真实寿命诊断系统的概念而言的重要一步，因为所开发的评估方法使得能够检测系统缺陷并还能够高效地诊断系统健康。
图9-11示出了本发明的设备的操作。将如图3中绘出的滚动元件轴承20视为示例。在轴承20中的局部故障之上相应滚动的滚子或滚珠产生一系列力冲击。如果圈的旋转速度是恒定的，则冲击的重复率仅仅由轴承20的几何结构确定。将重复率表示为轴承频率并且它们如下：
- BPFO，外圈故障频率（Ball Passing Frequency Outer Race），局部故障在外圈上
- BPFI，内圈故障频率（Ball Passing Frequency inner Race），局部故障在内圈上
- BFF，滚珠故障频率（Ball Fault Frequency）= 2 * BSF，滚珠自转频率（Ball SpinFrequency），局部故障在滚动元件上
- FTF，保持器缺陷频率（Fundamental Train Frequency），故障在保持架（cage）上或机械松动；
在包括故障轴承20的机器上测量的振动12的谱线14包括轴承频率中的一个或多个。可使用上面所提到的方法来提取关于这些频率处的峰值的信息。并且该信息将会是用于专家系统的输入。专家系统的规则库包括对于特定轴承所计算的频率与对应的故障42之间的联系。例如，规则可以看起来像“如果在BPFO处存在峰值，则故障42是外圈的磨损”。对于特定装备，关键频率可基于该装备的部分的几何结构而预先计算。
图9示出了由本发明的设备提供的任务。所述设备（尤其是控制模块10）接收滚动元件轴承20的经测量的振动信号12，振动信号12由与轴承20相连接的相应的传感器来提供。振动信号12源自于磨机（未示出）。所述设备的控制模块10通过应用振动信号12的快速傅立叶变换将振动信号12变换成谱线14。然后，所接收的谱线14被预处理以便确定基频16和边频18。基频16是峰值功率对应于装置20的本征频率（eigen frequency）或故障频率的频率。边频18对应于另外的频率。
在本实施例中，控制模块10提供降噪并应用门限，其中，超过门限的频率相关值被识别为基频16。所有另外的频率被确定为边频18。接下来，将单值分类（one-classclassification）22的结果组合由此获得表示置信度水平的分类信号24。这是通过使用神经模糊方法（neutal-fuzzy approach）实现的。如在图9中可看到的，在这点上，3维高斯钟（Gaussian bell）40，其中，定位在钟40内的分类信号24表示无错误状态，其中，在钟40外的分类信号24表示装置20的错误状态（图9）。控制模块10然后基于分类信号24而输出决策支持信号，该信号指示所监视的装置20的错误状态。决策支持在图9的右侧部分中，具有0与1之间的置信度值。
图10示出了从遭受FFT的磨机的振动信号12接收的谱线14的基频16和边频18的功率。图11示意性地示出了正常行为的置信度值的示图。在左侧部分中，指示有训练阶段44，其中，中间和右侧部分指的是测试阶段46。如可从图11看到的，识别出两个警报情况48、50，其中，第三部分52尚未被决策，因为需要更多信息。
关于图12进一步详述了单值分类22的操作。目前，使用神经云30分类算法作为支持向量机（support vector machine）。隶属函数的估计优选地由两个步骤组成：第一，由高级K均值（AKM）聚类算法（clustering algorithm）进行聚类，并且第二，由径向基函数（RBF）网络方法对聚类进行近似（参见图12）。AKM是对K均值算法的修改，AKM具有对于给定最大数目的聚类（质心（centroid））的聚类最优数目的适应性计算。
AKM本身优选地由以下步骤组成：
• 设定K质心的初始数目以及最大限和最小限
• 调用k均值算法以对K质心进行定位
• 根据下面的前提插入或擦除质心：
• 如果数据的距离超过与最近质心的某一距离，则生成新的质心
• 如果任何聚类由小于某一数目的数据组成，则去除对应的质心
• 如果一些质心之间的距离小于某一值，则将那些聚类组合成一个
• 循环至步骤2，除非达到了计数（epoch）的某一的数目，或者质心数目及它们的坐标已变得稳定。
AKM算法的输出是聚类的中心，聚类的中心表示与正常行为有关的历史数据。这被用作训练集合（training set）。最终，已经从输入数据提取出聚类的中心，使用超曲面（隶属函数）来封装数据。出于此目的，使用高斯分布（高斯钟）56
其中，m是高斯钟56的中心，σ是高斯钟56的宽度，x是输入数据。
中心AKM聚类被分配给对应高斯钟56的中心，如从图12关于LI可看到的。计算所有高斯钟56的和以便获得隶属函数。在这些钟56重叠的情况下，高斯钟56的和优选地应为一个单位（unit）。接下来，应用标准化54以使得由神经云30计算的置信度值PC在0至1之间的界限中（参见图12）。
神经云30封装用于给定训练时段的所选参数的所有先前历史。在训练之后，神经云30计算用于轴承20的每个新状态的置信度值，从而描述正常行为的置信度值。
根据本发明，一维神经云30构造用于热机械疲劳（TF）模拟的模型误差的隶属函数，并且提供在0与1之间的置信度值的模糊输出。
如果期望的话，本文中所讨论的不同功能和实施例可以按照不同或偏离的顺序和/或当前相互以各种方式来执行。此外，如果期望的话，上面所描述的功能和/或实施例中的一个或多个可以是可选的或者可以被组合，优选地以任意方式。
虽然在独立权利要求中阐述了本发明的各种方面，但本发明的其它方面包括来自所描述的实施例和/或从属权利要求的特征与独立权利要求的特征的其它组合，而不仅仅包括在权利要求中明确地阐述的组合。
在本文中还注意到的是，虽然上面描述了本发明的示例性实施例，但不应将此描述视为对范围进行限制。相反地，在不偏离如在所附权利要求中定义的本发明的范围的情况下可以作出若干改变和修改。

Claims (10)

1.一种用于监视具有活动部分的装置（20）的设备，所述装置（20）尤其是旋转装置（20），所述设备包括：
控制模块（10），所述控制模块（10）被配置成
接收所述装置（20）的经测量的振动信号（12），所述经测量的振动信号（12）由与所述装置（20）相连接的传感器提供，
提供所述经测量的振动信号（12）的谱线（14），
对所述谱线（14）进行预处理，以便确定基频（16）和边频（18），其中，基频（16）是峰值功率对应于所述装置（20）的本征频率或故障频率的频率，并且其中，边频（18）对应于其它频率，
通过对所述基频（16）和所述边频（18）分开应用单值分类（22）来处理所述基频（16）和所述边频（18），
将所述单值分类（22）的结果组合（26），由此获得表示置信度水平的分类信号（24），以及
基于所述分级信号（24）来输出决策支持信号，所述决策支持信号指示被监视的装置（20）的错误状态。
2.如权利要求1所述的设备，其特征在于，所述控制模块（10）被配置成在预处理期间降低所述振动变换（28）的噪声水平。
3.如权利要求1或2所述的设备，其特征在于，所述控制模块（10）被配置成在预处理期间对所述振动变换应用门限值。
4.如权利要求1-3中的任一项所述的设备，其特征在于，所述控制模块（10）被配置成分开确定所述基频（16）和所述边频（18）的各自的功率的和。
5.如权利要求1-4中的任一项所述的设备，其特征在于，所述控制模块（10）被配置成在处理期间考虑所述基频（16）与所述边频（18）之间的依赖关系。
6.如权利要求1-5中的任一项所述的设备，其特征在于，所述控制模块（10）包括神经云（30）以便提供单值分类（22）。
7.如权利要求1-6中的任一项所述的设备，其特征在于，所述控制模块（10）被配置成基于在无错误操作期间从所述振动信号（12）接收的数据来训练单值分类（22）。
8.如权利要求1-7中的任一项所述的设备，其特征在于，所述控制模块（10）被配置成使用支持向量机以便提供单值分类（22）。
9.一种用于监视具有活动部分的装置（20）的方法，所述装置（20）尤其是旋转装置，所述方法包括如下步骤：
接收所述装置（20）的经测量的振动信号（12），所述经测量的振动信号（12）由与所述装置（20）相连接的传感器提供，
提供所述经测量的振动信号（12）的谱线（14），
对谱线（14）进行预处理，以便确定基频（16）和边频（18），其中，基频（16）是峰值功率对应于所述装置（20）的本征频率或故障频率的频率，并且其中，边频（18）对应于其它频率，
通过对所述基频（16）和所述边频（18）分开应用单值分类（22）来处理所述基频（16）和所述边频（18），
将所述单值分类（22）的结果组合，由此获得表示置信度水平的分类信号（24），以及
基于所述分级信号（24）来输出决策支持信号，所述决策支持信号指示被监视的装置（20）的错误状态。
10.一种计算机程序产品，所述计算机程序产品包括用于处理装置的程序，所述计算机程序产品包括程序的软件代码部分以便当所述程序在所述处理装置上运行时执行如权利要求9所述的方法的步骤。
CN201480083812.5A 2014-12-02 2014-12-02 具有活动部分的装置的监视 Active CN107003663B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2014/000902 WO2016089238A1 (en) 2014-12-02 2014-12-02 Monitoring of a device having a movable part

Publications (2)

Publication Number Publication Date
CN107003663A true CN107003663A (zh) 2017-08-01
CN107003663B CN107003663B (zh) 2019-10-25

Family

ID=53484116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480083812.5A Active CN107003663B (zh) 2014-12-02 2014-12-02 具有活动部分的装置的监视

Country Status (6)

Country Link
US (1) US10725439B2 (zh)
EP (1) EP3186598B1 (zh)
CN (1) CN107003663B (zh)
CA (1) CA2969414C (zh)
ES (1) ES2689027T3 (zh)
WO (1) WO2016089238A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113383215A (zh) * 2018-04-30 2021-09-10 通用电气公司 用于模式匹配轴承振动诊断的系统和过程
CN114126971A (zh) * 2019-08-13 2022-03-01 利乐拉瓦尔集团及财务有限公司 用于液体食品的包装机器中的状态监测

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101764540B1 (ko) 2016-06-21 2017-08-02 두산중공업 주식회사 풍력발전기 진동 상태감시 및 진단 시스템
JP6595416B2 (ja) * 2016-08-09 2019-10-23 ファナック株式会社 サーボ制御装置、サーボ制御装置を用いた主軸故障検出方法及びコンピュータプログラム
US9997047B2 (en) 2016-10-03 2018-06-12 General Electric Company System and method for detecting lubricated bearing condition
US11853529B2 (en) 2016-11-07 2023-12-26 Tableau Software, Inc. User interface to prepare and curate data for subsequent analysis
US10885057B2 (en) 2016-11-07 2021-01-05 Tableau Software, Inc. Correlated incremental loading of multiple data sets for an interactive data prep application
US10242079B2 (en) 2016-11-07 2019-03-26 Tableau Software, Inc. Optimizing execution of data transformation flows
EP3327419B1 (en) 2016-11-29 2020-09-09 STS Intellimon Limited Engine health diagnostic apparatus and method
EP3330493B1 (en) * 2016-12-02 2019-05-01 Rolls-Royce Deutschland Ltd & Co KG Control system and method for a gas turbine engine
US10677943B2 (en) * 2016-12-16 2020-06-09 Smiths Detection, Llc System and method for monitoring a computed tomography imaging system
GB201708467D0 (en) * 2017-05-26 2017-07-12 Microface Ltd Methods and systems for noise vibration harshness testing
US10655607B2 (en) * 2017-06-02 2020-05-19 General Electric Company Systems and methods for detecting damage in wind turbine bearings
WO2018229836A1 (ja) * 2017-06-12 2018-12-20 株式会社日立製作所 軸受診断装置
US10394691B1 (en) 2017-10-05 2019-08-27 Tableau Software, Inc. Resolution of data flow errors using the lineage of detected error conditions
EP3701338B1 (en) * 2017-10-23 2024-02-14 Johnson Controls Tyco IP Holdings LLP Building management system with automated vibration data analysis
PL235633B1 (pl) * 2017-11-07 2020-09-21 Instytut Transp Samochodowego Sposób pomiaru częstotliwości drgań
US11105712B2 (en) * 2018-04-06 2021-08-31 Raytheon Technologies Corporation Integrated vibe/ODM fusion and trending analysis for prognostic health management of engine bearing
JP2019203753A (ja) * 2018-05-22 2019-11-28 株式会社ジェイテクト 転がり軸受の診断方法、及び転がり軸受の診断装置
DE102018210470A1 (de) * 2018-06-27 2020-01-02 Robert Bosch Gmbh Verfahren zur Schadensfrüherkennung, sowie Programm und Steuergerät zum Ausführen des Verfahrens
EP3627134B1 (en) * 2018-09-21 2021-06-30 Siemens Gamesa Renewable Energy A/S Method for detecting an incipient damage in a bearing
US11250032B1 (en) 2018-10-22 2022-02-15 Tableau Software, Inc. Data preparation user interface with conditional remapping of data values
US10691304B1 (en) 2018-10-22 2020-06-23 Tableau Software, Inc. Data preparation user interface with conglomerate heterogeneous process flow elements
EP3660613B1 (en) * 2018-11-27 2021-07-21 Tetra Laval Holdings & Finance S.A. A method for condition monitoring of a cyclically moving machine component
US11402470B2 (en) * 2018-12-05 2022-08-02 Tata Consultancy Services Limited Method and system for monitoring machine health using radar based segregation for induced machine vibrations
EP3708991A1 (en) * 2019-03-14 2020-09-16 Siemens Aktiengesellschaft Automated health state classifier for rotating machines based on expert knowledge
EP3757539A1 (en) * 2019-06-26 2020-12-30 Siemens Aktiengesellschaft System, apparatus and method of determining condition of a bearing
EP3772411A1 (en) * 2019-08-06 2021-02-10 Siemens Aktiengesellschaft Separation of states of mechanical presses by analysing trained patterns in a neural network
FR3102554B1 (fr) * 2019-10-23 2021-11-19 Alstom Transp Tech Procédé et système pour estimer l’usure d’une machine tournante comportant un roulement
US11100097B1 (en) 2019-11-12 2021-08-24 Tableau Software, Inc. Visually defining multi-row table calculations in a data preparation application
DE102020200936A1 (de) 2020-01-27 2021-07-29 MTU Aero Engines AG Verfahren, Vorrichtung und graphische Benutzeroberfläche zur Analyse eines mechanischen Objektes
CN112632762B (zh) * 2020-12-15 2024-04-12 国网电子商务有限公司 光伏电站故障监测方法及装置
WO2022167853A1 (ru) 2021-02-04 2022-08-11 Закрытое Акционерное Общество "Нейротекнолоджийос" Способ и устройство для виброакустического анализа промышленного оборудования
DE102021203932B3 (de) * 2021-04-20 2022-07-14 Ziehl-Abegg Se Verfahren zum Bewerten eines Schwingungsverhaltens eines Elektromotors sowie entsprechender Elektromotor und Ventilator
DE102021119985A1 (de) 2021-08-02 2023-02-02 Prüftechnik Dieter Busch GmbH Überwachungsvorrichtung und Überwachungsverfahren zur Erfassung eines Diagnosezustands
CN115200689B (zh) * 2022-09-15 2022-12-06 苏州英特模汽车科技有限公司 一种振动分析方法及装置
CN115326398B (zh) * 2022-10-17 2023-01-24 华东交通大学 一种基于模糊宽度学习模型的轴承故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004059399A3 (en) * 2002-12-30 2004-09-02 Rsl Electronics Ltd Method and system for diagnostics and prognostics of a mechanical system
CN101216436A (zh) * 2008-01-03 2008-07-09 东华大学 一种基于支持向量数据描述理论的织物瑕疵自动检测方法
EP2208981A1 (en) * 2009-01-14 2010-07-21 Lucent Technologies Inc. Monitoring of rotating machines
US20110259093A1 (en) * 2010-02-18 2011-10-27 Snecma Method for detecting resonance in a rotor shaft of a turbine engine
CN102713539A (zh) * 2009-11-30 2012-10-03 斯奈克玛 用于监测涡轮发动机旋转轴扭转振动的方法和装置
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
AUPQ152499A0 (en) 1999-07-09 1999-08-05 Commonwealth Scientific And Industrial Research Organisation A system for monitoring acoustic emissions from a moving machine
DE10065314B4 (de) 2000-12-30 2007-08-16 Igus - Innovative Technische Systeme Gmbh Verfahren und Einrichtung zur Überwachung des Zustandes von Rotorblättern an Windkraftanlagen
US9091588B2 (en) * 2010-05-28 2015-07-28 Prognost Systems Gmbh System and method of mechanical fault detection based on signature detection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004059399A3 (en) * 2002-12-30 2004-09-02 Rsl Electronics Ltd Method and system for diagnostics and prognostics of a mechanical system
CN101216436A (zh) * 2008-01-03 2008-07-09 东华大学 一种基于支持向量数据描述理论的织物瑕疵自动检测方法
EP2208981A1 (en) * 2009-01-14 2010-07-21 Lucent Technologies Inc. Monitoring of rotating machines
CN102713539A (zh) * 2009-11-30 2012-10-03 斯奈克玛 用于监测涡轮发动机旋转轴扭转振动的方法和装置
US20110259093A1 (en) * 2010-02-18 2011-10-27 Snecma Method for detecting resonance in a rotor shaft of a turbine engine
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113383215A (zh) * 2018-04-30 2021-09-10 通用电气公司 用于模式匹配轴承振动诊断的系统和过程
CN114126971A (zh) * 2019-08-13 2022-03-01 利乐拉瓦尔集团及财务有限公司 用于液体食品的包装机器中的状态监测

Also Published As

Publication number Publication date
EP3186598A1 (en) 2017-07-05
ES2689027T3 (es) 2018-11-08
CA2969414A1 (en) 2016-06-09
WO2016089238A1 (en) 2016-06-09
CA2969414C (en) 2018-11-06
CN107003663B (zh) 2019-10-25
US20170315516A1 (en) 2017-11-02
EP3186598B1 (en) 2018-06-27
US10725439B2 (en) 2020-07-28

Similar Documents

Publication Publication Date Title
CN107003663B (zh) 具有活动部分的装置的监视
Purarjomandlangrudi et al. A data mining approach for fault diagnosis: An application of anomaly detection algorithm
CA2875071C (en) Method and system for testing operational integrity of a drilling rig
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Soualhi et al. Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing
Elforjani Diagnosis and prognosis of real world wind turbine gears
Liu et al. Technology development and commercial applications of industrial fault diagnosis system: a review
Medjaher et al. Feature extraction and evaluation for Health Assessment and Failure prognostics.
Strączkiewicz et al. Supervised and unsupervised learning process in damage classification of rolling element bearings
Saeki et al. Visual explanation of neural network based rotation machinery anomaly detection system
Khan et al. System design for early fault diagnosis of machines using vibration features
Zhang et al. A novel intelligent method for bearing fault diagnosis based on Hermitian scale-energy spectrum
Daniyan et al. Development of a diagnostic and prognostic tool for predictive maintenance in the railcar industry
Mishra et al. Performance evaluation of support vector machine for system level multi-fault diagnosis
KR20210006832A (ko) 기계고장 진단 방법 및 장치
Koukoura et al. Wind turbine intelligent gear fault identification
CN116499742A (zh) 一种基于集成学习的旋转机械故障监测方法
Lin Condition monitoring of wind turbine gearboxes using vibration-based methods
Srilakshmi et al. A Review on Fault Detection, Diagnosis and Prognosis, in Vibration Measurement through Wavelets on Machine Elements
HINES et al. A Novel Method for Monitoring Single Variable Systems for Fault Detection, Diagnostics and Prognostics
Tang et al. Application of vibration signals for the quantitative analysis of the optimal threshold of bearing failure
Latuny A sensitivity comparison of Neuro-fuzzy feature extraction methods from bearing failure signals
Senanayaka Online Condition Monitoring of Electric Powertrains using Machine Learning and Data Fusion
Liu A Systematic Framework for Unsupervised Feature Mining and Fault Detection for Wind Turbine Drivetrain Systems
BHANDARI MECHANICAL FAULT ANALYSIS AND DETECTION USING NON STATIONARY DECOMPOSITION FOR VIBRATION SIGNALS

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