CN107271170B - 一种机械设备故障类型的自动诊断方法及系统 - Google Patents
一种机械设备故障类型的自动诊断方法及系统 Download PDFInfo
- Publication number
- CN107271170B CN107271170B CN201710566148.5A CN201710566148A CN107271170B CN 107271170 B CN107271170 B CN 107271170B CN 201710566148 A CN201710566148 A CN 201710566148A CN 107271170 B CN107271170 B CN 107271170B
- Authority
- CN
- China
- Prior art keywords
- under test
- spectrogram
- equipment
- fault
- equipment under
- 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
- 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
-
- 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
本发明公开了一种机械设备故障类型的自动诊断方法及系统。该方法包括:确定被测设备的类型;根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;根据所述设备模版计算出所述被测设备不同测量位置的特征频率;根据所述特征频率生成标准故障谱图;对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型。采用本发明的诊断方法及系统能够在测试被测设备前自动确定测量信息,简化确定测量因素流程,在测量过程中能够自动对被测设备进行故障类型的诊断,提高诊断效率。
Description
技术领域
本发明涉及机械设备故障诊断领域,特别是涉及一种机械设备故障类型的自动诊断方法及系统。
背景技术
随着现代工业的迅猛发展,各种机械设备广泛应用于各工业领域。设备的正常运转,关系着设备能否安全、高效的长期运行,也是整个企业正常生产的重要保障。因此,对设备进行检测和故障诊断有着至关重要的作用,通过设备检测及故障诊断,可以提早检查出设备问题,避免机械设备出现事故停机,从而减少停机损失,提高人员的作业安全。
传统的设备测量及诊断分析手段是:使用一款专用的振动采集器与传感器连接,通过采集设备振动信号,并进行频谱分析,确定设备的故障原因,制定对应的维修策略。但是传统的设备测量及诊断分析手段存在以下问题:
在测量前根据设备选择测量位置、确定测量(参数)定义、确定报警阈值,而这些都需要根据被测设备的不同并结合专业知识和行业标准来确定,对于普通的现场用户,往往不具备如此全面的知识,很难完成此项工作,并且测试前确定测量因素过程复杂,需要耗费很长的时间;并且频谱分析是对谱线中的频率成分进行分析,需要专业人士人为诊断设备是否异常或是何种故障类型,普通用户、现场用户不具备频谱分析能力,无法直接确定所检测的设备存在的具体故障类型。
发明内容
本发明的目的是提供一种机械设备故障类型的自动诊断方法及系统,以解决测试前确定测量因素复杂,耗时长,人为确定设备故障类型,并且普通用户现场不能直接确定故障类型的问题。
为实现上述目的,本发明提供了如下方案:
一种机械设备故障类型的自动诊断方法,包括:
确定被测设备的类型;
根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;
根据所述设备模版计算出所述被测设备不同测量位置的特征频率;
根据所述特征频率生成标准故障谱图;
对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的。
可选的,所述根据所述设备模版计算出所述被测设备不同测量位置的特征频率之后,还包括:
根据所述测量位置信息确定所述被测设备的多个测量位置;
对所述测量位置进行测量,得到所述被测设备的当前振动信号。
可选的,所述对所述测量位置进行测量,得到所述被测设备的当前振动信号之后,还包括:
判断所述当前振动信号是否超过报警阈值,得到第一判断结果;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;
若所述第一判断结果表示为所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;
若所述第一判断结果表示为所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;
若所述第一判断结果表示为所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
可选的,所述根据所述特征频率生成标准故障谱图之后,还包括:
将采集到的所述测量结果、所述特征频率同步更新至所述设备模板。
可选的,所述对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型,具体包括:
判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度,得到第二判断结果;
若所述第二判断结果表示为所述实际故障谱图与所述标准故障谱图的相似度高于预设相似度,则确定所述被测设备的故障类型。
一种机械设备故障类型的自动诊断系统,包括:
设备确定模块,用于确定被测设备的类型;
模版选择模块,用于根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;
特征频率计算模块,用于根据所述设备模版计算出所述被测设备不同测量位置的特征频率;
标准故障谱图生成模块,用于根据所述特征频率生成标准故障谱图;
对比模块,用于对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的。
可选的,所述特征频率计算模块之后,还包括:
测量位置确定单元,用于根据所述测量位置信息确定所述被测设备的多个测量位置;
振动信号测量计算单元,用于对所述测量位置进行测量,得到所述被测设备的当前振动信号。
可选的,还包括:第一判断子单元,用于所述测量结果计算单元之后,判断所述当前振动信号是否超过报警阈值,得到第一判断结果;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;
无故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;
轻微故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;
严重故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
可选的,还包括:更新单元,用于所述标准故障谱图生成模块之后,将采集到的所述测量结果、所述特征频率同步更新至所述设备模板。
可选的,所述对比模块,具体包括:
第二判断单元,用于判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度,得到第二判断结果;
故障类型确定单元,用于若所述第二判断结果表示为所述实际故障谱图与多个所述标准故障谱图的相似度高于预设相似度,则确定所述被测设备的故障类型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过根据被测设备选择相应的设备模版,在测量前能够直接确定被测设备需要测量的测量位置、应测量数据等参数信息,从而避免了在检测设备故障时传统人工测试前确定测量因素复杂,耗时长的问题;通过计算特征频率,建立标准故障谱图,将标准故障谱图与实际故障谱图进行比对,自动确定所述被测设备的故障类型,无需人工对实际故障谱图进行分析,能够直观的看到被测设备的故障类型,从而大大避免了人力资源的浪费,对于不会看故障谱图的普通用户也能直接清楚被测设备的故障类型,进而针对故障类型快速进行后续的修理流程,提高了修理故障类型的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例机械设备故障类型的自动诊断方法流程图;
图2为本发明实施例机械设备故障类型的自动诊断系统结构图;
图3为本发明实施例的远程专家协助诊断流程图;
图4为本发明实施例的知识推理系统智能诊断的流程图。
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。
本发明的目的是提供一种机械设备故障类型的自动诊断方法及系统,能够在测试被测设备前自动给确定测量信息,简化确定测量因素流程,在测量过程中能够自动对被测设备进行故障类型的诊断。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例机械设备故障类型的自动诊断方法流程图,如图1所示,一种机械设备故障类型的自动诊断方法,包括:
步骤101:确定被测设备的类型;在步骤101之前,首先获取被测设备信息,根据被测设备信息确定被测设备的类型;
步骤102:根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;在现场测量时,根据现场设备情况选择设备模版类型,输入设备信息,包括:轴承类型、设备转速,功率等参数,自动生成测量位置,测量定义及报警阈值;从而能够更精确选择设定的设备模板;
步骤103:根据所述设备模版计算出被测设备不同测量位置的特征频率
在步骤103之后,还包括:根据所述测量位置信息确定所述被测设备的多个测量位置;对所述测量位置进行测量,得到所述被测设备的当前振动信号;其中,所述对所述测量位置进行测量,得到所述被测设备的当前振动信号之后,还包括:
判断所述当前振动信号是否超过报警阈值;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;若所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;若所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;若所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
步骤104:根据所述特征频率生成标准故障谱图;在步骤104之后,还包括:将采集到的所述测量结果、所述特征频率同步更新至所述设备模板;
步骤105:对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度;若是,则确定所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的;步骤105的具体操作包括根据用户输入的设备信息,包括:转速、齿轮数、轴承型号等,自动计算出不同部件的特征频率,并生成标准故障谱图,用户可以自己根据标准故障谱图判断出实际故障谱图对应的不同故障类型,也可以根据测量频谱自动匹配出故障类型,在频谱中进行比对分析,普通用户就可以自行完成故障诊断。
在步骤103中,关于特征频率的计算方法为:
(1)动平衡故障特征频率=转速/60
其中,60是常量,用于转速(RPM,即周期/分钟)到频率(Hz,即周期/分钟)的单位转换;
(2)不对中故障特征频率=转速/60*2
其中,60是常量,用于转速(RPM,即周期/分钟)到频率(Hz,即周期/分钟)的单位转换;2是常量,因为每转动一圈,不对中引起的联轴器两端振动周期各变化一次,所以常量为2。
(3)齿轮故障特征频率=转速/60*齿数
其中,60是常量,用于转速(RPM,即周期/分钟)到频率(Hz,即周期/分钟)的单位转换;
例如:
用户输入转速为1500RPM,齿轮数为28,即可计算出所对应的特征频率:
(1)动平衡故障特征频率=1500/60=25Hz
(2)不对中故障特征频率=1500/60*2=50Hz
(3)齿轮故障特征频率=1500/60*28=700Hz。
当标准故障谱图与实际故障谱图进行对比时,无法直接确定被测设备的故障类型时,将实际故障谱图上传至云服务器,由专家远程协助确定被测设备的故障类型,或是由知识推理系统确定出被测设备的故障类型。
本发明提供了一种机械设备故障类型的自动诊断方法及系统,测量时采用选定设备模版的测量方案;用户自行诊断分析时,采用基于标准故障图谱比对分析的方式进行分析诊断;采用数据远程同步机制,对于用户不能自行分析诊断的,基于专家远程协助和知识推理系统,完成诊断分析。
本发明的数据远程同步机制将用户采集的数据、设备信息、测量定义同步至远程支撑平台;本发明的专家远程协助是当普通用户无法独立完成诊断分析时,可以借助于专家远程协助,将同步至远程支撑平台的数据分享给专家,专家远程协助用户进行分析诊断,专家可以远程制定测量定义,帮助用户完成现场测量;本发明的所述知识推理系统,包括异常判断、智能诊断、寿命预测,对普通用户无法分析出的问题,实现智能判断并给出诊断结论及建议。
本发明与现有技术相比的优点:
(1)采用基于设备模版的测量方式,用户无需专业知识,即可实现专业的测量,降低了用户使用测量仪器的门槛,减少了测量前的准备时间。
(2)用户诊断分析时,选择故障类型,在频谱中,将采集的数据频谱与标准故障图谱进行对比,使用者无需计算特征频率,也无需专业的分析诊断知识,可自行完成诊断分析,降低了用户进行故障诊断的门槛。
(3)采用远程专家系统及知识推理系统,让用户遇到疑难问题时,可以快速便捷的得到协助,得出诊断结论及建议。
图2为本发明实施例机械设备故障类型的自动诊断系统结构图,如图2所示,一种机械设备故障类型的自动诊断系统,包括:
设备确定模块201,用于确定被测设备的类型;
模版选择模块202,用于根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;
特征频率计算模块203,用于根据所述设备模版计算出所述被测设备不同测量位置的特征频率;
标准故障谱图生成模块204,用于根据所述特征频率生成标准故障谱图;
对比模块205,用于对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的。
在实际应用中,所述特征频率计算模块203,具体包括:
测量位置确定单元,用于根据所述测量位置信息确定所述被测设备的多个测量位置;
振动信号测量计算单元,用于对所述测量位置进行测量,得到所述被测设备的当前振动信号;
在实际应用中,还包括:第一判断子单元,用于所述测量结果计算单元之后,判断所述当前振动信号是否超过报警阈值,得到第一判断结果;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;
无故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;
轻微故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;
严重故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
在实际应用中,还包括:更新单元,用于所述标准故障谱图生成模块之后,将采集到的所述测量结果、所述特征频率同步更新至所述设备模板。
在实际应用中,所述对比模块,具体包括:
第二判断单元,用于判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度,得到第二判断结果;
故障类型确定单元,用于若所述第二判断结果表示为所述实际故障谱图与所述标准故障谱图的相似度高于预设相似度,则确定所述被测设备的故障类型。
无线传感器固定在机械设备(被测设备)上,可以通过磁座、胶粘底座、转接螺柱等方式固定,数据采集模块对传感器进行数据采集,采集完成的数据通过有线或者无线的通讯方式传输至客户端,客户端对传输的数据进行存储、展示,并对数据进行分析,并完成被测设备故障类型的诊断。
采用基于选择设定的设备模版的测量方案,选择设备模版,输入设备基本信息可匹配出测量位置、测量定义及报警阈值;然后进行数据采集,采集完成后,对数据进行分析诊断,根据不同的故障类型,进行频谱智能比对,实现分析诊断;对于用户不能分析诊断出的问题,可以通过求助在线专家,由专家远程协助解决现场问题;也可借助于知识推理系统进行智能诊断,完成设备故障诊断。
在现场根据测量对象的不同,选择设备模版类型,自动匹配出测量位置;输入设备基本信息(包括:轴承类型、转速、功率等),匹配出测量定义(包括:波形类型、上限频率、下线频率、波长等)和报警阈值。根据匹配的测量位置及测量定义去采集数据,根据匹配的报警阈值自动判断报警状态。
表1为本发明实施例被测设备基于设备模版生成测量位置的对应表,如表1所示,表1列举了三种设备及其测量位置。例如,现场测量时,选择设备类型为“卧式单级离心泵”,其匹配的测量位置包括:1.电机非驱动端水平,2.电机非驱动端垂直,3.电机驱动端水平,4.电机驱动端垂直,5.电机驱动端轴向,6.泵驱动端水平,7.泵驱动端垂直,8.泵驱动端轴向,9.泵非驱动端水平,10.泵非驱动端垂直。基于设备模版根据不同被测设备自动生成对应的不同测量位置,从而现场即使没有专业人士在场时,也能够在测量被测设备之前,在短时间内确定测量位置,提高了测量效率。
表1
表2为本发明实施例基于设备模版下不同轴承类型及转速下的测量定义表,如表2所示,例如,现场测量时,输入转速为“1500RPM”,轴承形式为“滚动轴承”,其匹配的测量定义为:速度波形,下限10Hz,上限1000Hz,波长2048点;本发明能够自动匹配出不同轴承类型下及转速下的测量定义,即使是非专业人士也能够清楚的了解当前被测设备的具体情况。
表2
表3为本发明实施例不同功率对应的报警阈值表,如表3所示,现场测量时输入功率“500kW”,对应的报警阈值为:一级报警阈值为7.1mm/s,二级报警阈值为11mm/s。
由表3可知,当功率在0~15kW之间时,一级报警阈值的速度为1.8mm/s,二级报警阈值的速度为4.5mm/s,当被测设备的振动值超出一级报警阈值在二级报警阈值时,确定被测设备当前存在轻微故障,还能够正常运行,当被测设备的振动值超出二级报警阈值,则确定被测设备当前存在严重故障,应及时安排检修,以免引起更大的损失。
图3为本发明实施例的远程专家协助诊断流程图,对于用户不能分析诊断的问题,可以选择远程支撑系统的在线专家请求协助,用户采集的数据、设备信息、测量定义同步至远程支撑系统,可以一键分享给专家,专家接收到数据后,可以进行分析诊断,得出诊断结论,如果采集的数据不满足专家的分析诊断需求,专家可以远程制定测量定义,将测量定义远程传输至现场用户,现场用户按照专家制定的测量定义采集数据,再将数据分享给专家,专家根据再次采集数据进行诊断分析,得出诊断结论。
图4为本发明实施例的知识推理系统智能诊断的流程图,对于现场用户不能解决的分析诊断问题,可以借助于远程支撑系统的知识推理系统,知识推理系统首先获取用户的现场数据,对现场数据进行异常判断,再通过基于规则和基于案例的智能诊断,判断设备的故障类型及严重程度,再通过寿命预测系统,判断设备的剩余寿命,从而完成诊断,后续如果现场验证后,将作为案例,输入至知识推理系统进行建模,形成闭环,进一步提高知识推理系统判断的正确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种机械设备故障类型的自动诊断方法,其特征在于,包括:
确定被测设备的类型;
根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;
根据所述设备模版计算出所述被测设备不同测量位置的特征频率;
根据所述特征频率生成标准故障谱图;
对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的。
2.根据权利要求1所述的自动诊断方法,其特征在于,所述根据所述设备模版计算出所述被测设备不同测量位置的特征频率之后,还包括:
根据所述测量位置信息确定所述被测设备的多个测量位置;
对所述测量位置进行测量,得到所述被测设备的当前振动信号。
3.根据权利要求2所述的自动诊断方法,其特征在于,所述对所述测量位置进行测量,得到所述被测设备的当前振动信号之后,还包括:
判断所述当前振动信号是否超过报警阈值,得到第一判断结果;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;
若所述第一判断结果表示为所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;
若所述第一判断结果表示为所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;
若所述第一判断结果表示为所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
4.根据权利要求1所述的自动诊断方法,其特征在于,所述根据所述特征频率生成标准故障谱图之后,还包括:
将采集到的测量结果、所述特征频率同步更新至所述设备模版。
5.根据权利要求1所述的自动诊断方法,其特征在于,所述对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型,具体包括:
判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度,得到第二判断结果;
若所述第二判断结果表示为所述实际故障谱图与所述标准故障谱图的相似度高于预设相似度,则确定所述被测设备的故障类型。
6.一种机械设备故障类型的自动诊断系统,其特征在于,包括:
设备确定模块,用于确定被测设备的类型;
模版选择模块,用于根据所述被测设备的类型选择设定的设备模版;所述设备模版包括模版信息,所述模版信息包括设备类型、测量位置信息、测量定义信息、阈值信息;
特征频率计算模块,用于根据所述设备模版计算出所述被测设备不同测量位置的特征频率;
标准故障谱图生成模块,用于根据所述特征频率生成标准故障谱图;
对比模块,用于对比所述标准故障谱图与实际故障谱图,自动分析所述被测设备的故障类型;所述实际故障谱图是根据所述测量位置信息和所述测量定义信息对所述被测设备测量生成的。
7.根据权利要求6所述的自动诊断系统,其特征在于,所述特征频率计算模块之后,还包括:
测量位置确定单元,用于根据所述测量位置信息确定所述被测设备的多个测量位置;
振动信号计算单元,用于对所述测量位置进行测量,得到所述被测设备的当前振动信号。
8.根据权利要求7所述的自动诊断系统,其特征在于,还包括:第一判断子单元,用于所述振动信号计算单元之后,判断所述当前振动信号是否超过报警阈值,得到第一判断结果;所述报警阈值包括第一报警阈值、第二报警阈值;所述第二报警阈值大于所述第一报警阈值;
无故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号小于第一报警阈值,则确定所述被测设备无故障;
轻微故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第一报警阈值并小于第二报警阈值,则确定所述被测设备的故障为第一故障等级;
严重故障确定子单元,用于若所述第一判断结果表示为所述当前振动信号超过第二报警阈值,则确定所述被测设备的故障为第二故障等级;所述第一故障等级的严重程度小于所述第二故障等级。
9.根据权利要求6所述的自动诊断系统,其特征在于,还包括:更新单元,用于所述标准故障谱图生成模块之后,将采集到的测量结果、所述特征频率同步更新至所述设备模版。
10.根据权利要求6所述的自动诊断系统,其特征在于,所述对比模块,具体包括:
第二判断单元,用于判断所述实际故障谱图与所述标准故障谱图的相似度是否高于预设相似度,得到第二判断结果;
故障类型确定单元,用于若所述第二判断结果表示为所述实际故障谱图与所述标准故障谱图的相似度高于预设相似度,则确定所述被测设备的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566148.5A CN107271170B (zh) | 2017-07-12 | 2017-07-12 | 一种机械设备故障类型的自动诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566148.5A CN107271170B (zh) | 2017-07-12 | 2017-07-12 | 一种机械设备故障类型的自动诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107271170A CN107271170A (zh) | 2017-10-20 |
CN107271170B true CN107271170B (zh) | 2019-05-31 |
Family
ID=60071769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710566148.5A Active CN107271170B (zh) | 2017-07-12 | 2017-07-12 | 一种机械设备故障类型的自动诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107271170B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111472941A (zh) * | 2019-12-31 | 2020-07-31 | 远景智能国际私人投资有限公司 | 风机状态判断方法、装置及存储介质 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106830B (zh) * | 2017-12-13 | 2019-10-29 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN110108431B (zh) * | 2019-05-22 | 2021-07-16 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN110779721A (zh) * | 2019-11-26 | 2020-02-11 | 徐州龙安电子科技有限公司 | 一种故障检测系统 |
CN111122083B (zh) * | 2019-12-16 | 2021-02-23 | 珠海格力电器股份有限公司 | 一种刀具检测方法、装置、电子设备以及可读介质 |
CN110954354B (zh) * | 2019-12-24 | 2022-04-15 | 山东微感光电子有限公司 | 设备故障诊断方法及装置 |
CN111318576B (zh) * | 2020-03-04 | 2022-01-04 | 西安因联信息科技有限公司 | 一种基于工况信号触发的咬钢冲击数据滤除方法 |
CN111059004B (zh) * | 2020-03-18 | 2020-06-09 | 浙江上风高科专风实业有限公司 | 一种适应于风机系列的状态自动监测方法及系统 |
CN111397931B (zh) * | 2020-03-24 | 2022-04-08 | 桂林鸿程矿山设备制造有限责任公司 | 一种分级机自动质检方法、系统及装置 |
CN112001589A (zh) * | 2020-07-17 | 2020-11-27 | 上海有间建筑科技有限公司 | 一种工程项目安全隐患排查系统及其排查方法 |
CN112326236B (zh) * | 2020-11-02 | 2023-04-18 | 北京信息科技大学 | 一种齿轮箱运行状态在线监测方法、系统及存储介质 |
CN113280910A (zh) * | 2021-04-27 | 2021-08-20 | 圣名科技(广州)有限责任公司 | 一种长材生产线设备实时监测方法及系统 |
CN116643536B (zh) * | 2023-07-27 | 2023-10-27 | 中科航迈数控软件(深圳)有限公司 | 设备工作状态的监测方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471708A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于改进粒子群的非线性ica分析的旋转机械故障诊断方法 |
CN103808405A (zh) * | 2012-11-08 | 2014-05-21 | 极晨智道信息技术(北京)有限公司 | 烟气发电机组振动故障的自动诊断方法和装置 |
EP2743669A1 (en) * | 2012-12-17 | 2014-06-18 | General Electric Company | Fault detection system and associated method |
CN103914617A (zh) * | 2014-03-25 | 2014-07-09 | 北京交通大学 | 地铁车辆转向架轴承的故障诊断方法 |
CN105203936A (zh) * | 2015-10-26 | 2015-12-30 | 云南电网有限责任公司电力科学研究院 | 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法 |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2017
- 2017-07-12 CN CN201710566148.5A patent/CN107271170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808405A (zh) * | 2012-11-08 | 2014-05-21 | 极晨智道信息技术(北京)有限公司 | 烟气发电机组振动故障的自动诊断方法和装置 |
EP2743669A1 (en) * | 2012-12-17 | 2014-06-18 | General Electric Company | Fault detection system and associated method |
CN103471708A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于改进粒子群的非线性ica分析的旋转机械故障诊断方法 |
CN103914617A (zh) * | 2014-03-25 | 2014-07-09 | 北京交通大学 | 地铁车辆转向架轴承的故障诊断方法 |
CN105203936A (zh) * | 2015-10-26 | 2015-12-30 | 云南电网有限责任公司电力科学研究院 | 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法 |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于LabVIEW 的矿山带式输送机故障诊断软件设计;向家伟 等;《煤矿机械》;20100131;第31卷(第01期);第244-247页 |
大型鼓风机组在线状态监测与故障诊断;董振兴 等;《流体机械》;20011231;第29卷(第10期);第31-35页 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111472941A (zh) * | 2019-12-31 | 2020-07-31 | 远景智能国际私人投资有限公司 | 风机状态判断方法、装置及存储介质 |
CN111472941B (zh) * | 2019-12-31 | 2022-06-03 | 远景智能国际私人投资有限公司 | 风机状态判断方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107271170A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107271170B (zh) | 一种机械设备故障类型的自动诊断方法及系统 | |
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
CN106006344B (zh) | 扶梯故障在线预警系统及故障诊断方法 | |
CN106586796B (zh) | 一种自动扶梯状态监测系统及方法 | |
CN105809255B (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
KR101409986B1 (ko) | 진동모니터링 결함진단장치 | |
CN110779716A (zh) | 嵌入式机械故障智能诊断设备及诊断方法 | |
KR101846195B1 (ko) | 모터 상태 모니터링 시스템 및 그 방법 | |
CN105041631B (zh) | 一种气体压缩机的驱动轴振动信号的检测方法和系统 | |
CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
CN111441864A (zh) | 发动机健康诊断方法及发动机诊断系统 | |
CN114576152B (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
CN110085006A (zh) | 船舶监测方法、装置、系统和存储介质 | |
JP2011145295A (ja) | 振動測定及び回転機械の診断の機器及び方法 | |
CN102541013A (zh) | 阳极保护设备远程监控、预警及故障诊断系统与方法 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
KR20170066099A (ko) | 회전체 진단 장치 및 방법 | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、系统及装置 | |
CN108871438A (zh) | 一种基于三轴振动的电机监测诊断方法 | |
TWI264663B (en) | High-resolution intelligent rotor machine diagnostic system and method | |
KR20170067519A (ko) | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 | |
CN109268214A (zh) | 一种风力发电机联轴器对中状态智能监测系统及方法 |
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 |