CN107831024B - 基于多点振动信号特征值的风机振动故障状态诊断方法 - Google Patents

基于多点振动信号特征值的风机振动故障状态诊断方法 Download PDF

Info

Publication number
CN107831024B
CN107831024B CN201710234507.7A CN201710234507A CN107831024B CN 107831024 B CN107831024 B CN 107831024B CN 201710234507 A CN201710234507 A CN 201710234507A CN 107831024 B CN107831024 B CN 107831024B
Authority
CN
China
Prior art keywords
vibration
fan
fault
fan vibration
value
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
Application number
CN201710234507.7A
Other languages
English (en)
Other versions
CN107831024A (zh
Inventor
肖伯乐
杨平
夏飞
范佳卿
许姗姗
张强
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.)
Shanghai Power Equipment Research Institute Co Ltd
Original Assignee
Shanghai Power Equipment Research Institute Co Ltd
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 Shanghai Power Equipment Research Institute Co Ltd filed Critical Shanghai Power Equipment Research Institute Co Ltd
Priority to CN201710234507.7A priority Critical patent/CN107831024B/zh
Publication of CN107831024A publication Critical patent/CN107831024A/zh
Application granted granted Critical
Publication of CN107831024B publication Critical patent/CN107831024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M99/004—Testing the effects of speed or acceleration

Abstract

风机振动故障的检测和诊断研究一直是多年来的研究热点，在振动信号的自动检测上已有较成熟的方法和技术，但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平，缺少实用的和在线的方法和技术。为了解决上述问题，本发明提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法，包括以下步骤：建立模型；得到多振动特征值平均值；判定不同测点是否发生振动故障；用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量。本发明所依据的特征值可以是振动信号的时域特征值，如烈度、歪度、峭度、加速度有效值、加速度峰值等，也可以是振动信号的频域特征值，如1倍频、3倍频、6倍频等。

Description

基于多点振动信号特征值的风机振动故障状态诊断方法
技术领域
本发明涉及一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。
背景技术
现代工业设备中，风机是一种典型的旋转机械设备。风机设备在长期运行后，由于磨损、变形、松动、材料疲劳等原因，发生振动故障的概率大为增加。从保障生产安全的要求出发，非常需要对风机运行进行严密监视，并及时预测和诊断出振动故障的类型，以便开展针对性维修。因此，风机振动故障的检测和诊断研究一直是多年来的研究热点，并且已经出现不少有实用价值的研究成果。
然而目前的研究现状仍然是：在振动信号的自动检测上已有较成熟的方法和技术，但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平，缺少实用的和在线的方法和技术。
发明内容
本发明的目的是提供一种风机振动信号故障的在线自动诊断方法。
为了达到上述目的，本发明的技术方案是提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法，其特征在于，包括以下步骤：
步骤1、建立多种风机振动常见故障类型的特征值样板区模型，在特征值样板区模型中，为不同振动测点及所对应的不同特征值设立发生风机常见振动故障时的上限值及下限值；
步骤2、对于某风机设备自动检测得到多点振动加速度信号，多点振动加速度信号被提取为多个特征值，各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值；
步骤3、根据各特征值平均值，依据某风机设备及相应工况所匹配的特征值样板区模型，判定不同测点是否发生振动故障，以及所发生的振动故障对应的风机振动故障类型，不同风机振动故障类型对应不同的风机振动故障类型序号；
步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据，用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量；
步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障；
步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
本发明的优点是：提出了一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。本发明所依据的特征值可以是振动信号的时域特征值，如烈度、歪度、峭度、加速度有效值、加速度峰值等，也可以是振动信号的频域特征值，如1倍频、3倍频、6倍频等。
具体实施方式
为使本发明更明显易懂，兹以优选实施例作详细说明如下。
本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法应用的前提条件是基于以下几点：
(1)对于某风机设备已自动检测得到多点振动加速度信号；
(2)已检测得到多点振动加速度信号被提取为个数为N的特征值；
(3)各特征值的采样序列被提取为移动数据窗预定时长的特征值平均值，记为E(i，j)。假设各特征值平均值用两个数字编序，设i为特征值序号，j为振动测点序号。
(4)根据机理分析知识、试验建模模型和专家经验预先建立对应某类风机设备及相应工况的风机振动常见故障的特征值样板区模型库，该样板区模型可用特征值上边界值Eup(i，j，k，g)和下边界值Edown(i，j，k，g)表示，其中k为风机振动故障分类序号，g为风机振动故障模型库的匹配序号。
在本实施例中，已建的风机振动故障类型的特征值样板区模型示例如下表1及表2所示：
表1特征值样板区下边界值模型Edown(i，j，k，g)示例
j＝1 j＝2 j＝3
i＝1 2277 3828 986
i＝2 343 492 170
i＝3 285 409 104
i＝4 93 276 131
i＝5 497 1632 519
i＝6 0.521 2.09 0.82401
i＝7 5.945 7.36 5.60
i＝8 3.01 5.71 3.84
i＝9 -2.55 -0.101 -0.391
i＝10 -0.693 4.20 0.168
表2特征值样板区上边界值模型Eup(i，j，k，g)示例
j＝1 j＝2 j＝3
i＝1 4096 8419 1833
i＝2 426 561 208
i＝3 338 435 111
i＝4 209 324 159
i＝5 1369 3239 943
i＝6 1.189 2.90 1.06
i＝7 10.65 15.6 10.44
i＝8 12.79 10.41 6.75
i＝9 0.006 0.31 -0.176
i＝10 14.3 9.49 0.694
基于以上几点，本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法，包括以下步骤：
步骤1、根据以上第(1)点至第(3)点获得实测的各特征值的振动信号平均值，在本实施例中，如下表3所示：
表3实际特征值数据E(i，j)
Figure BDA0001267110540000031
Figure BDA0001267110540000041
步骤2、若特征值的平均值满足条件：Edown(i，j，k，g)＜E(i，j)＜Eup(i，j，k，g)，则可令针对某特征值、某测点和某风机振动故障类型的故障诊断结果变量Er(i，j，k)＝1，否则令Er(i，j，k)＝0；结果见表4。
步骤3、可用某种统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量的具体值，如利用简单的求和法可得故障诊断结果变量
Figure BDA0001267110540000042
如表5所示：
表4故障诊断结果变量Er(i，j，4)示例
j＝1 j＝2 j＝3
i＝1 0 1 1
i＝2 1 1 1
i＝3 1 1 1
i＝4 1 1 1
i＝5 1 1 1
i＝6 1 1 1
i＝7 1 1 1
i＝8 1 1 1
i＝9 1 1 1
i＝10 1 1 1
表5故障诊断结果变量Eri(j，k)示例
k＝1 k＝2 k＝3 k＝4
j＝1 3 0 0 9
j＝2 0 2 0 10
j＝3 0 4 0 10
步骤4、用最优化算法算出针对某测点的故障诊断结果变量Eri(j，k)的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量Eri(j，k)的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障。如果始终有Eri(j，k)＝0，那么可诊断为发生与所用风机振动故障模型库不匹配的其他未知故障。
步骤5、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
针对某测点的第一可能的风机振动故障类型序号kmax(j)举例(表6)和第二可能的风机振动故障类型序号kmax1(j)举例(表7)。于是有针对某风机的第一可能的风机振动故障类型序号kmaxj＝4和第二可能的风机振动故障类型序号kmax1j＝2。所以，最后的故障诊断结论是针对某风机的第一可能发生类型序号为4的风机振动故障和第二可能发生类型序号为2的风机振动故障。
表6风机振动故障类型序号kmax(j)举例
kmax(j)
j＝1 4
j＝2 4
j＝3 4
表7风机振动故障类型序号kmax1(j)举例
Figure BDA0001267110540000051
Figure BDA0001267110540000061

Claims (1)

1.一种基于多点振动信号特征值的风机振动故障状态自动诊断方法，其特征在于，包括以下步骤：
步骤1、建立多种风机振动常见故障类型的特征值样板区模型，在特征值样板区模型中，为不同振动测点及所对应的不同特征值设立发生风机振动常见故障时的上限值及下限值；
步骤2、对于某风机设备自动检测得到多点振动加速度信号，多点振动加速度信号被提取为多个特征值，各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值；
步骤3、根据各特征值平均值，依据某风机设备及相应工况所匹配的特征值样板区模型，判定不同测点是否发生振动故障，以及所发生的振动故障对应的风机振动故障类型，不同风机振动故障类型对应不同的风机振动故障类型序号；
步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据，用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量；
步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障，j表示振动测点序号；
步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
CN201710234507.7A 2017-04-11 2017-04-11 基于多点振动信号特征值的风机振动故障状态诊断方法 Active CN107831024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710234507.7A CN107831024B (zh) 2017-04-11 2017-04-11 基于多点振动信号特征值的风机振动故障状态诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710234507.7A CN107831024B (zh) 2017-04-11 2017-04-11 基于多点振动信号特征值的风机振动故障状态诊断方法

Publications (2)

Publication Number Publication Date
CN107831024A CN107831024A (zh) 2018-03-23
CN107831024B true CN107831024B (zh) 2020-06-16

Family

ID=61643108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710234507.7A Active CN107831024B (zh) 2017-04-11 2017-04-11 基于多点振动信号特征值的风机振动故障状态诊断方法

Country Status (1)

Country Link
CN (1) CN107831024B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108800954B (zh) * 2018-05-31 2019-12-31 中冶华天工程技术有限公司 基于音源特征的环冷机风量控制方法及系统
CN110790105B (zh) * 2019-11-20 2021-11-16 上海电气集团股份有限公司 电梯门系统诊断、衰退时间的预测方法及诊断预测系统
CN111319787B (zh) * 2020-02-24 2021-09-28 北京安达维尔航空设备有限公司 一种直升机动部件振动监测数据有效性评估方法
CN111594893B (zh) * 2020-05-13 2021-05-18 宁波方太厨具有限公司 一种吸油烟机抖动故障诊断方法
CN111855178B (zh) * 2020-07-23 2022-04-19 贵州永红航空机械有限责任公司 一种旋转类产品运行状态的诊断方法
CN113482945B (zh) * 2021-06-29 2023-02-10 中电华创电力技术研究有限公司 基于振动特征值的风机振动故障诊断方法及装置
CN113623194A (zh) * 2021-09-02 2021-11-09 安徽德通智联科技有限公司 一种机泵设备的快速故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101995290A (zh) * 2009-08-28 2011-03-30 西门子公司 风力发电机振动监测的方法和系统
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN104634566A (zh) * 2015-01-21 2015-05-20 北京信息科技大学 一种风机传动系统故障特征提取方法
CN105158002A (zh) * 2015-08-28 2015-12-16 华南理工大学 一种基于振动信号的循环水换热器的故障诊断方法
CN105277852A (zh) * 2015-11-09 2016-01-27 广州航海学院 配电网线路工况分类识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048825B (zh) * 2014-05-28 2016-05-25 北京航空航天大学 一种多传感器融合的风电机组齿轮箱故障定位方法
CN104408322B (zh) * 2014-12-08 2017-05-10 杭州电子科技大学 综合多源故障概率似然信度的旋转机械设备故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101995290A (zh) * 2009-08-28 2011-03-30 西门子公司 风力发电机振动监测的方法和系统
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN104634566A (zh) * 2015-01-21 2015-05-20 北京信息科技大学 一种风机传动系统故障特征提取方法
CN105158002A (zh) * 2015-08-28 2015-12-16 华南理工大学 一种基于振动信号的循环水换热器的故障诊断方法
CN105277852A (zh) * 2015-11-09 2016-01-27 广州航海学院 配电网线路工况分类识别方法

Also Published As

Publication number Publication date
CN107831024A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107831024B (zh) 基于多点振动信号特征值的风机振动故障状态诊断方法
CN106528975B (zh) 一种应用于电路与系统的故障预测与健康管理方法
JP5091604B2 (ja) 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN109613428A (zh) 一种能像系统及其在电机设备故障检测方法中的应用
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN106897509B (zh) 一种动态非高斯结构监测数据异常识别方法
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
CN105302123B (zh) 在线测量数据的监控方法
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
CN116839682B (zh) 一种基于物联网的电缆加工制造实时监控系统
CN116308300B (zh) 一种电力设备状态监测评价与指挥方法及系统
CN116678552B (zh) 一种变温度环境下光纤应力传感器异常监测方法
CN111721834A (zh) 一种电缆局部放电在线监测缺陷辨识方法
CN115307896A (zh) 一种基于机器学习的设备健康状态检测方法
CN110108474B (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN109598309B (zh) 一种金属包装冲压机的检测系统及其监测方法
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN109255201B (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
CN117113135A (zh) 一种可对异常数据整理分类的碳排放异常监测分析系统
CN115265635B (zh) 一种基于数据分析的工业机器视觉检测管理系统
CN115170476B (zh) 基于图像处理的印制线路板缺陷检测方法
CN107798149B (zh) 一种飞机维修性评估方法
CN110532512B (zh) 基于大数据分析的设备失效模式诊断特征参量分析方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 200240 Shanghai city Minhang District Jianchuan Road No. 1115

Patentee after: SHANGHAI POWER EQUIPMENT Research Institute

Address before: 200240 Shanghai city Minhang District Jianchuan Road No. 1115

Patentee before: SHANGHAI POWER EQUIPMENT Research Institute