CN107977679B - 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 - Google Patents
基于频响函数和运行响应特征诊断复杂装置早期故障的方法 Download PDFInfo
- Publication number
- CN107977679B CN107977679B CN201711279458.5A CN201711279458A CN107977679B CN 107977679 B CN107977679 B CN 107977679B CN 201711279458 A CN201711279458 A CN 201711279458A CN 107977679 B CN107977679 B CN 107977679B
- Authority
- CN
- China
- Prior art keywords
- frequency
- response
- frequency response
- complex device
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于频响函数和运行响应特征诊断复杂装置早期故障的方法,涉及复杂机电系统故障诊断领域,具体步骤为:初选各频响函数的激励和响应测试点;测试典型复杂装置多个频响函数,找出故障特征变化,优化最佳测试点;根据力锤激励的有效频率范围设置信号采样频率,分别实施现场频响函数和运行状态响应特征的测试并进行关联,在频域内完成相关性分析,给出时频域特征参数;做相对熵与深度学习网络相结合的早期故障分类识别;本发明可以在复杂装置安装过程级运行中进行质量性能监测和调整,及早发现质量性能问题和故障隐患,提高诊断精度;可广泛用于复杂装置主要构件由于性能劣化引起早期故障的在线诊断。
Description
技术领域
本发明涉及复杂机电系统故障诊断技术领域,尤其涉及一种基于频响函数和运行响应特征诊断复杂装置早期故障的方法。
背景技术
工程实际中有很多种类的复杂机电一体化装置,包括飞机、舰船和坦克车辆中的动力与传动装置,火炮等武器发射的自动供输弹系统,高空无人侦察机系统,卫星自动展开系统,石化、电力、核动力与化工生产中的压缩机、泵阀系统,钢铁制造中的型材自动轧制系统,在复杂机电系统中,既有电(液)动力驱动装置,也有完成具体任务的执行机构,中间还有复杂传动装置。其共同特征是在复杂装置中包含有众多的构件,经过多种装配形式组合到一起进而在恶劣环境下完成特定的复杂运动,不但有复杂构件相互运动,还有检测元件反馈运行状态信息,并有计算机软硬件实现自动控制。
各构件在执行任务过程中,通常处在高冲击瞬态环境中做高速运动,具有恶劣的冲击振动产生,产生结构构件的早期磨损、松动、裂纹与卡滞性故障,它们是复杂装置性能失效的主要因素,由于系统在恶劣环境中高速自主运行,将成为风险较大的关键因素。以高速碰撞、高温高压为外激励背景对复杂机电装置进行早期故障预测研究可应对潜在的各种风险。
复杂机电一体化装置通常都是国民经济中大型复杂运行系统的心脏和主动脉,其运行安全可靠影响到系统及整条生产线的正常工作、项目完成甚至工作人员生命安全与生存,是复杂运行系统保证安全的重心,不但要满足系统自动安全运行,适应复杂环境所带来高温高压、高冲击振动的影响,还要考虑狭窄空间要求、运行性能、可靠性和可维护性等多项性能指标。
故障早期诊断技术是复杂机电一体化系统运行支持技术的一部分,故障早期诊断技术的研究对复杂装置的安全性和经济性有着特殊的意义,不但能够增强复杂装置的安全性能,也能减少操作人员误操作以及突发故障的概率。
发明内容
本发明克服了现有监测诊断技术普遍存在的指向性不足和故障不易定性定量的不足,提供了一种基于频响函数和运行响应特征诊断复杂装置早期故障的方法,解决复杂机电一体化系统性能劣化和故障早期诊断中存在的诊断精度不够高等技术问题。
为了达到上述目的,本发明是通过如下技术方案实现的:
所述的复杂装置包括诸多构件经过多种装配形式组合到一起进而在恶劣环境下完成特定复杂运动的装置,一种基于频响函数和响应特征诊断复杂装置早期故障的方法包括以下步骤。
a)在分析研究典型复杂装置主要磨损、松动、裂纹与卡滞性故障的形式和部位的基础上,将冲击激励传感器和振动响应传感器设置在可能出故障部位的两端,初选各频响函数的激励和响应测试点。激励和响应测点跨越容易出故障的部位,可感受到各构件的主要早期磨损、松动、裂纹与卡滞性故障,频响函数曲线中含有各故障产生的信息。
b)实验室条件下测试典型复杂装置多个频响函数,分析各频响函数曲线的峰值、频率、损耗因子及分布规律特征,找出主要磨损、松动、裂纹与卡滞性故障情况的特征变化,并从中优化出装置运行状态进行响应测试的最佳测试点。
c)根据力锤激励的有效频率范围设置信号采样频率,分别实施现场频响函数和运行状态响应特征的测试。
d)将现场测试的各频响函数曲线和运行状态相同响应点测试的频域曲线进行关联,在频域内完成相关性分析,给出对应主要故障的运行状态响应的时频域特征参数。
e)提取特征参数后,进行数据融合分析微小差异和变化,对于微弱的早期磨损、松动、裂纹与卡滞性故障,做相对熵与深度学习网络相结合的早期故障分类识别。
进一步的,所述分别实施现场频响函数和运行状态响应特征的测试时,两者所用的测试频率范围和频率分辨率一致。以便于后续信号处理与分类识别。
进一步的,所述的现场频响函数的测试为视情间隔监测,运行状态响应特征测试为连续监测。现场测试的各频响函数曲线需每隔一段时间重复一次,确定复杂装置的劣化进程,运行状态相同响应点测试的时频域曲线则连续监测,分别提取特征参数后,进行数据融合分析微小差异和变化,对于微弱的早期磨损、松动、裂纹与卡滞性故障,做基于相对熵与深度学习网络相结合的早期故障分类识别。
本发明将基于数学方程的物理模型法与基于数据驱动的经验模型方法相结合建立复杂装置分布式故障诊断系统,使故障诊断结果可靠,可理解性更好,诊断速度快。
本发明所述的复杂机电系统中构件组合后性能与故障的早期定量诊断的目标在于判断其是否处于正常状况,若出现异常,分析故障产生的原因、部位以及严重程度,并预测发展的趋势;通过分析在执行和驱动装置等构件上测得的振动响应的大小和变化规律,做出频率响应曲线,进一步提取信号特征、分类识别故障,探究其程度和发生的部位。零部件间连接的松紧程度和相对运动的顺畅程度不但影响各结构组成系统的固有特性,也影响整个系统的振动响应特性,成为复杂装置构件某些早期故障的诱发因素。利用多个频响函数关系,特别是当物件(料)在几个机构(装置)之间交换时的传递特性,进行复杂装置运行时的性能劣化和早期故障诊断,是充分利用装置构件与结构固有特性变化进行故障诊断的经典应用,其适用性主要是。
(1)从复杂装置实际运行来讲,由于装置结构十分复杂,零部件机构紧凑,部分密封在机箱壳体内,故障部位不易察觉,通常只能通过控制系统的监测参数变化间接反映故障结果,很难准确确定故障部位和程度,找准故障根源,因而,在复杂装置运行中分阶段测试频响函数,根据定期测试的频响函数与在线测试的响应特性进行融合诊断有重要的实际意义。
(2)从复杂装置工作原理、运行过程和零部件装配关系来看,复杂机电一体化装置结构复杂紧凑,高度集成,包括动力驱动、构件传递和机电系统检测控制几个方面,早期微弱故障隐藏在强背景噪声中难以发现,故障发展后又很快会造成安全事故和伤害。进行装置分阶段频响分析并关联运行中在线振动响应,有利于发现装置运行中的早期故障和装置性能劣化情况,可以及早发现问题,避免缺陷发展演变后出现致命故障。
(3)复杂机电装置各构件的各频响函数是系统的固有特性,复杂装置一经安装运行进入工作状态就将完全确定,准确获得并用于装置性能劣化分析非常必要。一套安装质量良好稳定运行的复杂机电装置结构固有特性可以在安装试运行时(前)完整获得,运行中可定期获得其特征参数的变化及其规律,可能出现的性能劣化能够通过前期已经获取的固有特性的差异进行描述,其特征和规律既可存储于诊断装置中,也可通过通讯接口进入复杂机电装置的振动响应测试单元中,通过融合和关联分析,提取特征做基于相对熵与深度学习网络(RE-DBN)的早期故障分类识别。诊断模型和诊断方法在复杂装置研制结束时可以事前完成,运行中根据其微弱变化不断修正并成为复杂机电一体化系统监测与诊断的一部分,在复杂装置运行中根据程序运行,即可发现复杂装置性能劣化问题以便及早排除。
本发明与现有技术相比具有如下列有益效果:本发明不但可以在复杂装置安装调试过程种进行质量性能监测和调整,也可在装置运行中作为例行安全检查,及早发现质量性能问题和故障隐患,以防止运行中出现严重磨损、松动、断裂与卡滞性故障甚至危害性故障。在安装试车后可提早在线动态获取诊断信息,并容易存储在机电一体化系统的控制软件中。
本发明在已有的多信息全自动控制的条件下,弥补现有利用外置传感器测试响应数据进行故障诊断的相关技术的不足,提供一种利用装置固有特性微量变化提前预示装置潜在故障的技术,克服了仅靠增设响应监测点针对性不强的缺陷,随时诊断故障部位,及时防止故障发生;该方法将复杂装置构件固有特性识别结果和检测诊断模型,融合到构件性能劣化分析与故障早期诊断系统中,进而更有效更快速的在早期完成对复杂装置的运行性能的诊断分析和发展趋势预测。
附图说明
图1为本发明基于频响函数和运行响应特征诊断复杂装置早期故障方法的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。下面结合实施例详细说明本发明的技术方案,但保护范围不被此限制。
如图1所示,一种复杂装置早期诊断故障的方法,按照以下步骤进行操作。
a)首先构建包括激励力传感器和振动加速度计为主要监测手段的便携式多通道数据采集与信号分析系统,根据对复杂装置不同类别的构件常见性能劣化故障或可能的潜在安全问题的分析,初步确定激励和响应测点位置,要求所形成的频响函数能够覆盖主要构件可能出现的性能劣化问题与故障。
b)然后利用试敲法,得出多个不同位置的频响曲线,从其中优化出既能覆盖复杂装置主要构件的潜在故障的激励-响应对,又能覆盖较多的相对运动和连接环节,并让这些相对运动和连接环节的特性在各频响曲线中表现出来。
c)在优选了测试激励点和响应点之后,对实时采集的复杂装置主要构件的激励信号和振动响应信号,做出主要构件的多个频响曲线。分析构件各频响曲线中的峰值、频率、损耗因子及其变化规律,提取各频响特性曲线的主要特征参数,定量描述磨损、松动、裂纹与卡滞性故障特性,试验确定各故障及其位置对各特征参数的影响。针对微弱的轻度磨损、松动、裂纹与卡滞性故障,按时间分阶段试验研究装置性能劣化进程,分别进行故障特征识别,实现复杂装置主要构件监测与故障定量分析。
d)将各阶段的频响曲线与运行状态相同响应点测试的频域曲线进行关联,在频域内完成相关性分析,给出对应主要故障的运行状态响应的时域、频域和时频域特征参数,运用小波和EEMD等分解方法进行信号能量分布描述。
e)提取相应特征参数,最终运用相对熵与深度学习网络(RE-DBN)方法进行早期故障分类识别。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (3)
1.基于频响函数和运行响应特征诊断复杂装置早期故障的方法,所述的复杂装置包括诸多构件经过多种装配形式组合到一起进而在恶劣环境下完成特定复杂运动的装置,其特征在于,包括以下步骤:
a)在分析研究典型复杂装置主要磨损、松动、裂纹与卡滞性故障的形式和部位的基础上,将冲击激励传感器和振动响应传感器设置在可能出故障部位的两端,初选各频响函数的激励和响应测试点;
b)实验室条件下测试典型复杂装置多个频响函数,分析各频响函数曲线的峰值、频率、损耗因子及分布规律特征,找出主要磨损、松动、裂纹与卡滞性故障情况的特征变化,并从中优化出装置运行状态进行响应测试的各测试点;
c)根据力锤激励的有效频率范围设置信号采样频率,分别实施现场频响函数和运行状态响应特征的测试;
d)将现场测试的各频响函数曲线和运行状态相同响应点测试的频域曲线进行关联,在频域内完成相关性分析,给出对应主要故障的运行状态响应的时频域特征参数;
e)提取特征参数后,在复杂装置运行中分阶段测试频响函数,根据定期测试的频响函数与在线测试的响应特性进行融合诊断,分析微小差异和变化;对于微弱的早期磨损、松动、裂纹与卡滞性故障,做相对熵与深度学习网络相结合的早期故障分类识别。
2.根据权利要求1所述的基于频响函数和运行响应特征诊断复杂装置早期故障的方法,其特征在于,所述分别实施现场频响函数和运行状态响应特征的测试时,两者所用的测试频率范围和频率分辨率一致。
3.根据权利要求1所述的基于频响函数和运行响应特征诊断复杂装置早期故障的方法,其特征在于,现场频响函数的测试为间隔监测,运行状态响应特征测试为连续监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711279458.5A CN107977679B (zh) | 2017-12-06 | 2017-12-06 | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711279458.5A CN107977679B (zh) | 2017-12-06 | 2017-12-06 | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977679A CN107977679A (zh) | 2018-05-01 |
CN107977679B true CN107977679B (zh) | 2021-07-30 |
Family
ID=62009357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711279458.5A Active CN107977679B (zh) | 2017-12-06 | 2017-12-06 | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977679B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444667B (zh) * | 2018-12-17 | 2021-02-19 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
CN110844109B (zh) * | 2019-10-11 | 2022-09-30 | 中国直升机设计研究所 | 一种直升机健康与使用监测系统的功能配置方法 |
CN113432816B (zh) * | 2021-06-11 | 2022-10-25 | 中北大学 | 一种航空发动机转子联接刚度不均匀度测试与控制方法 |
CN113343528B (zh) * | 2021-06-11 | 2022-07-26 | 中北大学 | 跨点频响与动态响应特征融合的轴系疲劳损伤预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804612A (zh) * | 2005-12-29 | 2006-07-19 | 西北工业大学 | 基于互相关函数幅值向量的随机振动结构损伤的检测方法 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN104880248A (zh) * | 2015-05-07 | 2015-09-02 | 中国船舶重工集团公司第七一二研究所 | 一种电机结构噪声激励源的贡献量定量识别方法 |
CN105628425A (zh) * | 2016-01-01 | 2016-06-01 | 三峡大学 | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 |
CN107024141A (zh) * | 2017-05-23 | 2017-08-08 | 中北大学 | 供输弹机构装配质量的声振监测与缺陷定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7945351B2 (en) * | 2008-12-12 | 2011-05-17 | Vestas Wind Systems A/S | Method for controlling the operation of a wind turbine based on deviation between operating and predetermined frequency response functions |
-
2017
- 2017-12-06 CN CN201711279458.5A patent/CN107977679B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804612A (zh) * | 2005-12-29 | 2006-07-19 | 西北工业大学 | 基于互相关函数幅值向量的随机振动结构损伤的检测方法 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN104880248A (zh) * | 2015-05-07 | 2015-09-02 | 中国船舶重工集团公司第七一二研究所 | 一种电机结构噪声激励源的贡献量定量识别方法 |
CN105628425A (zh) * | 2016-01-01 | 2016-06-01 | 三峡大学 | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 |
CN107024141A (zh) * | 2017-05-23 | 2017-08-08 | 中北大学 | 供输弹机构装配质量的声振监测与缺陷定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107977679A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977679B (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
EP3098681B1 (en) | Artificial intelligence based health management of host system | |
Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
Mevel et al. | Application of a subspace-based fault detection method to industrial structures | |
CN113343528B (zh) | 跨点频响与动态响应特征融合的轴系疲劳损伤预测方法 | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
CN105579922A (zh) | 信息处理装置以及分析方法 | |
JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
CN106247848B (zh) | 一种复杂自动供输弹系统的早期故障诊断方法 | |
CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
RU2551447C1 (ru) | Способ вибрационной диагностики технического состояния подшипниковой опоры ротора двухвального газотурбинного двигателя | |
KR20140072331A (ko) | 이상진단 사전감시 방법 | |
CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
D'Emilia et al. | Mechatronics applications of measurements for smart manufacturing in an industry 4.0 scenario | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
Tsai et al. | A study of function-based diagnosis strategy and testability analysis for a system | |
CN113485898A (zh) | 振动测点显示方法、装置、设备及存储介质 | |
Pecho et al. | Vibration fault detection of fuel pump using recurrence quantification analysis | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
KR101248232B1 (ko) | 병렬 부대설비의 이상 진단 방법 및 시스템 | |
Byington et al. | False alarm mitigation of vibration diagnostic systems | |
CN113168739B (zh) | 用于检查至少一台车辆的方法以及电子计算装置 | |
Bachir et al. | Application of principal component analysis approach in gas turbine defect diagnosis | |
Lee et al. | Deviation based fault detection method for shackles under variable loading | |
RU2742848C1 (ru) | Система испытаний авиационного газотурбинного двигателя в наземных условиях |
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 |