CN107559228A - 基于双频谱数据检测和诊断风机故障的方法 - Google Patents
基于双频谱数据检测和诊断风机故障的方法 Download PDFInfo
- Publication number
- CN107559228A CN107559228A CN201710671683.7A CN201710671683A CN107559228A CN 107559228 A CN107559228 A CN 107559228A CN 201710671683 A CN201710671683 A CN 201710671683A CN 107559228 A CN107559228 A CN 107559228A
- Authority
- CN
- China
- Prior art keywords
- signal
- bispectrum
- noise reduction
- fan trouble
- fan
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于双频谱数据检测和诊断风机故障的方法,通过降噪,得到降噪效果较好的信号;然后根据降噪的信号,进行双频谱处理,得到双频谱处理图像;最后根据已经能够建立的风机基本故障图像库,比较得到该风机故障的故障类型,并报警、提供解决方案。该方法提高了传统风机故障检测的实用性和系统性,将风机故障检测简单化、可靠化。
Description
技术领域
本专利属于风机故障检测领域,尤其涉及一种基于双频谱分析以及大量实验结果的方法。
背景技术
目前风机故障的检测技术主要是通过传感器收集风机的振动位移、振动频率、风机流量等信息,与标准量比较,若超过预定的标准值,则判定风机为故障风机,再检修或更换风机。
这种检测和诊断风机故障的方法存在很大的缺陷和不足。当风机发生故障时,往往使得振动位移、振动频率、风机流量等未达到预定标准值,而风机已经不能使用了。可靠性较高的就是通过检测风机故障带来大量的高次谐波和非线性信号,来检测和诊断风机故障类型。
双频谱在信号处理领域中逐渐成熟,双频谱对于非线性系统检测具有良好的效果。风机转子不平衡、转子不对中、轴承精度降低等风机故障产生大量高次谐波和非线性信号,使得双频谱有良好的实用性。但其中包含的噪声信号过于庞大,而且能量分布不规律。通过降噪可以提高双频谱的准确性和可靠性。
发明内容
为解决现有的风机故障检测技术缺乏实用性和系统性的缺陷,我们提出了基于双频谱处理振动加速度信号的大量基本数据检测和诊断风机故障的方法。
通过收集大量的基本风机故障的实验处理数据,建立故障图像库,将对实际故障信号进行预白化和双频谱处理得到的图像与建立的图像库进行比较,进而判断故障类型。
本发明的技术方案为:一种基于双频谱数据检测和诊断风机故障的方法,包括以下步骤:
步骤1:使用振动加速度传感器分别收集故障风机和正常风机产生的声音信号,正常风机得到的信号作为参照信号;
步骤2:对采集的振动信号进行降噪,作为待处理的信号;
步骤3:分别对原始信号、待处理信号进行FFT变换,比较得出降噪效果,若降噪效果不明显,则改变降噪参数直至得到较理想的降噪效果;
步骤4:使用双频谱处理降噪得到较好效果的信号和参照信号,比较双频谱的差异;
步骤5:根据大量实验得到的基本风机故障信号的双频谱,判断该风机故障属于哪种基本风机故障或者哪几种故障的组合;
步骤6:检测到故障后,通过网络系统报警并提供故障诊断意见和维修方案。
本发明意在大量实验结果的基础上建立基本风机故障的双频谱的图像库与实际风机故障得到的图像对比来实现。但是,实际采集信号多有噪声信号干扰,降低故障图像库的可靠性,故本发明先使用预白化进行降噪处理,再通过双频谱得到图像库以及故障信号的最终图像结果。
步骤2的具体步骤为:
步骤2-1对带有噪声的信号进行短时傅里叶变换;
步骤2-2将得到的矩阵(时间-频率-振幅)运用信号处理工具箱里面的函数进行预处理降噪操作;
步骤2-3再进行逆短时傅里叶变换或者快速独立成分分析的方法得到所需降噪信号。
在获得较好降噪效果的故障信号后即进行双频谱处理,与大量风机故障数据的双频谱处理得到的双频谱结果建立的基本风机故障所应得到的双频谱图像库对比,判断实际风机故障属于何种故障。
本发明在传统风机故障检测方法的基础上提高了风机故障检测和诊断的实用性和系统性,而且对于使用者来说方法简单、可靠,具有良好的发展前景。
附图说明
图1是实施例中双频谱用于检测信号x1:x1=cos(100πt+π/6)+cos(200π t+π/3)的仿真结果示意图;
图2是实施例中双频谱用于检测信号x2:x2=cos(100πt+π/6)+cos(140π t+π/4)+cos(240πt+π/3)的仿真结果示意图;
图3是实施例中双频谱用于检测信号x3:x3=cos(100πt+π/6)+cos(140π t+π/4)+[cos(100πt+π/6)+cos(140πt+π/4)]2的仿真结果示意图。
具体实施方式
双频谱是三阶谱,定义为:
其中E[]是期望计算,X(f)是信号x的傅里叶变换得到的函数,X*表示X的共轭复数。同时,B(f1,f2)是m(τ1,τ2)的二维傅里叶变换。
m(τ1,τ2)=E[x(t)x(t+τ1)x(t+τ2)]
对于信号当且仅当 但通过Matlab实验发现,双频谱峰值的出现和相位是否满足相对应的关系无关。同时,对于y=x+axn(x为线性组合的谐波)的整数阶非线性系统,双频谱只能检测出偶数阶的非线性系统,而这种偶数阶中会出现的系统。而且双频谱具有良好的抗高斯噪声性,高斯噪声对双频谱结果的影响几乎可以忽略。双频谱的具体性质如下表:
而风机故障,如转子不平衡、转子不对中、轴承精度降低等都会使风机的震动和噪声发生改变,产生大量高次谐波和非线性信号。这样,双频谱良好的检测两倍谐波和非线性系统以及良好的抗高斯噪声的性质给风机故障检测和诊断提供了一种很好的工具。但由于风机振动信号过于复杂,我们需要从经验上,即大量实验结果的基础上得出风机故障的原因。
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
通过振动加速度传感器分别收集正常风机和故障风机的振动信号,并将数据导入处理程序中。
在处理程序中,设置降噪参数,在适当的参数下用信号处理工具箱中的函数进行降噪处理。
将降噪处理得到的信号用傅里叶变换检查降噪效果,如此循环直至有得到有良好降噪效果的信号。
将降噪得到的信号进行双频谱处理,得到信号的双频谱处理图像。
将得到的双频谱图像与已经建立好的风机基本故障的双频谱图像库进行比较,判断相似故障或者哪几种故障的组合。
通过相关函数计算出与基本故障线性组合的相似度,变换为概率,给出诊断故障的诊断结果。
通过网络系统,将诊断出的结果传到云端进行记录并报警,给出合适的维修建议。
为突显本发明方法的优越性,本实施例将采集的正弦信号进行仿真实验,过程以及结果如下面所述。
原始信号x1:x1=cos(100πt+π/6)+cos(200πt+π/3)
经过双频谱处理后得到俯视图为对角线出现单一峰值的点,如图1所示。表明双频谱对于二次谐波有良好的检测作用。
原始信号x2:x2=cos(100πt+π/6)+cos(140πt+π/4)+cos(240πt+π/3)
经过双频谱处理后得到俯视图在对称的两个小频率的点出现峰,如图2所示。表明双频谱对于信号中存在三个频率耦合的现象有良好的检测作用。
原始信号x3:x3=cos(100πt+π/6)+cos(140πt+π/4)+[cos(100πt+π/6)+ cos(140πt+π/4)]2
经过双频谱处理后得到俯视图出现对称的较多的峰,究其本质是出现了多个谐波和频率耦合的现象,结果如图3所示。表明双频谱对于信号中存在偶数阶非线性现象有良好的检测作用。
综上,我们提出的基于双频谱处理振动加速度信号的大量基本数据检测和诊断风机故障的方法,对于检测风机故障产生的二次谐波、频率耦合以及派生的偶数阶非线性都有很好的效果,能用于实际的风机振动信号的处理,来检测和诊断风机故障。用双频谱检测二次谐波、频率耦合以偶数阶非线性来检测和诊断风机故障应该都属于本发明内容。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于双频谱数据检测和诊断风机故障的方法,包括以下步骤:
步骤1:使用振动加速度传感器分别收集故障风机和正常风机产生的振动信号,正常风机得到的信号作为参照信号;
步骤2:对采集的振动信号进行降噪,作为待处理的信号;
步骤3:分别对原始信号、待处理信号进行快速傅里叶变换,比较得出降噪效果,若降噪效果不明显,则改变降噪参数直至得到较理想的降噪效果;
步骤4:使用双频谱处理降噪得到较好效果的信号和参照信号,比较双频谱的差异;
步骤5:根据大量实验得到的基本风机故障信号的双频谱建立的故障图像库,判断该风机故障属于哪种基本风机故障或者哪几种故障的组合;
步骤6:检测到故障后,通过网络系统报警并提供故障诊断意见和维修方案。
2.如权利要求1所述的基于双频谱数据检测和诊断风机故障的方法,其特征在于,步骤2的具体步骤为:
步骤2-1对带有噪声的信号进行短时傅里叶变换;
步骤2-2将得到的矩阵(时间-频率-振幅)运用信号处理工具箱里面的函数进行预处理降噪操作;
步骤2-3再进行逆短时傅里叶变换或者快速独立成分分析的方法得到所需降噪信号。
3.如权利要求1所述的基于双频谱数据检测和诊断风机故障的方法,其特征在于,基于大量风机故障数据的双频谱处理得到的双频谱结果,建立的基本风机故障所应得到的双频谱图像库,通过这个图像库和实际故障信号的检测结果的对比,判断实际风机故障属于何种故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671683.7A CN107559228B (zh) | 2017-08-08 | 2017-08-08 | 基于双频谱数据检测和诊断风机故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671683.7A CN107559228B (zh) | 2017-08-08 | 2017-08-08 | 基于双频谱数据检测和诊断风机故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107559228A true CN107559228A (zh) | 2018-01-09 |
CN107559228B CN107559228B (zh) | 2019-11-26 |
Family
ID=60974011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710671683.7A Active CN107559228B (zh) | 2017-08-08 | 2017-08-08 | 基于双频谱数据检测和诊断风机故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107559228B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272054A (zh) * | 2018-10-15 | 2019-01-25 | 燕山大学 | 一种基于独立性的振动信号去噪方法及系统 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN116087554A (zh) * | 2023-04-07 | 2023-05-09 | 深圳汝原福永智造科技有限公司 | 风场测试方法和风场测试装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009024981A1 (de) * | 2009-06-16 | 2010-12-23 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Ermittlung und Analyse von Schäden an umlaufenden Maschinenelementen |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN104897277A (zh) * | 2015-06-02 | 2015-09-09 | 北京信息科技大学 | 一种基于双谱熵的风力发电机组故障诊断方法 |
US20160175522A1 (en) * | 2004-07-07 | 2016-06-23 | Ethicon Endo-Surgery, Inc. | Closed loop anesthetic delivery |
-
2017
- 2017-08-08 CN CN201710671683.7A patent/CN107559228B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160175522A1 (en) * | 2004-07-07 | 2016-06-23 | Ethicon Endo-Surgery, Inc. | Closed loop anesthetic delivery |
DE102009024981A1 (de) * | 2009-06-16 | 2010-12-23 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Ermittlung und Analyse von Schäden an umlaufenden Maschinenelementen |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN104897277A (zh) * | 2015-06-02 | 2015-09-09 | 北京信息科技大学 | 一种基于双谱熵的风力发电机组故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘文艺: "风电机组振动监测与故障诊断研究", 《中国博士学位论文全文数据库(电子期刊) 工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272054A (zh) * | 2018-10-15 | 2019-01-25 | 燕山大学 | 一种基于独立性的振动信号去噪方法及系统 |
CN109272054B (zh) * | 2018-10-15 | 2020-10-02 | 燕山大学 | 一种基于独立性的振动信号去噪方法及系统 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN110296095B (zh) * | 2019-05-21 | 2022-08-09 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN116087554A (zh) * | 2023-04-07 | 2023-05-09 | 深圳汝原福永智造科技有限公司 | 风场测试方法和风场测试装置 |
CN116087554B (zh) * | 2023-04-07 | 2023-06-16 | 深圳汝原福永智造科技有限公司 | 风场测试方法和风场测试装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107559228B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis | |
Bin et al. | Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network | |
CN107631877A (zh) | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN105445022B (zh) | 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法 | |
CN107559228A (zh) | 基于双频谱数据检测和诊断风机故障的方法 | |
CN104165925B (zh) | 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及系统 | |
CN105628381A (zh) | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 | |
CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
CN106762343B (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN108180152B (zh) | 一种基于振动信号循环平稳性的风机微弱故障检测方法 | |
CN108036940A (zh) | 一种轴承故障诊断方法 | |
CN108731945A (zh) | 一种航空发动机转子系统故障信号特征信息的提取方法 | |
CN103512765A (zh) | 一种血型离心机变学习速率小波bp神经网络故障检测方法 | |
CN113327632A (zh) | 一种基于字典学习的无监督异常声检测方法和装置 | |
CN106198006A (zh) | 特高压直流输电阀冷旋转设备故障诊断方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
Sousa et al. | Robust cepstral-based features for anomaly detection in ball bearings | |
CN105303033B (zh) | 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 312300 No. 1818, Renmin West Road, Dongguan Street, Shangyu District, Shaoxing City, Zhejiang Province Patentee after: Zhejiang Shangfeng high tech special wind industry Co.,Ltd. Address before: 312300 No. 1818 Renmin West Road, Shangyu District, Zhejiang, Shaoxing Patentee before: ZHEJIANG SHANGFENG HI-TECH SPECIALIZED WIND INDUSTRIAL Co.,Ltd. |