CN107992801B - 一种振动设备的故障诊断方法及系统 - Google Patents
一种振动设备的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN107992801B CN107992801B CN201711104780.4A CN201711104780A CN107992801B CN 107992801 B CN107992801 B CN 107992801B CN 201711104780 A CN201711104780 A CN 201711104780A CN 107992801 B CN107992801 B CN 107992801B
- Authority
- CN
- China
- Prior art keywords
- vibration
- characteristic
- equipment
- sensors
- fault diagnosis
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Abstract
本发明公开了一种振动设备的故障诊断方法及系统,振动设备非周期振动和/或外形非对称,涉及设备故障诊断领域。本方法包括:在质心平面两侧的振动设备外壳上各布置一组振动传感器,每组振动传感器均包括多个振动传感器,每个振动传感器采集设备的动态振动信号,质心平面平行于振动设备基座所在平面;对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成振动设备的轮廓特征信号;基于非线性流形学习方法对轮廓特征信号进行降维处理,获得振动设备的低维特征描述;采用分类器对低维特征描述进行分类,得到故障诊断结果。本发明有效降低原始振动数据中的次要和干扰信息,获得稳定准确的故障诊断结果。
Description
技术领域
本发明涉及设备故障诊断领域,具体是涉及一种振动设备的故障诊断方法及系统。
背景技术
故障诊断技术被广泛应用于机械振动设备的运行状态分析和健康管理,目前用于机械振动设备的故障诊断方法,多是针对旋转振动设备、冲击振动设备、往复振动设备等,这些设备的原始振动信息具有明显的周期性或变化特性,故障诊断也多是在频域对振动信号进行分析,如傅里叶变换、小波分析等,或是采用神经网络等方法,部分诊断方法也会结合时域信息,进行特征级融合或决策级融合。
对于某些外形不对称且振动信号非周期的振动设备,现有的设备振动故障诊断方法效果并不理想。例如,船舶的机械振动设备众多且结构复杂,故障诊断困难,目前对于船用非对称非周期振动设备的故障诊断相关研究较少,多是着眼于对原始振动信息的特征选择和特征变换,难以获得准确的故障诊断结果,其主要难点在于:船舶机械振动设备的故障诊断基于设备运行的大量参数信息,通常通过放置的各类振动传感器采集大量原始振动数据,而这些原始数据不仅包含大量冗余信息和干扰信息,而且这些原始数据包括起关键作用的主要特征信息和起辅助作用的次要特征信息,大量冗余和次要信息的存在严重干扰对设备本身固有特征的判断,导致难以获得对船用非对称非周期振动设备振动特征的合适描述,从而影响最终的故障诊断准确率。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种故障诊断方法及系统,针对外形非对称和/或非周期振动设备的特点布置振动传感器,并对采集的原始振动数据进行分析获得特征加权信号及设备的轮廓特征信号,采用非线性流形学习方法对轮廓特征信号降维处理,能够有效降低原始振动数据中的次要信息、冗余信息和干扰信息,从而获得更加稳定、准确的故障诊断结果。
本发明提供一种振动设备的故障诊断方法,所述振动设备非周期振动和/或外形非对称,所述方法包括:
在质心平面两侧的所述振动设备外壳上各布置一组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,所述垂直轴穿过质心且垂直于所述质心平面,每个振动传感器采集设备的动态振动信号,所述质心平面平行于所述振动设备基座所在平面;
对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成所述振动设备的轮廓特征信号;
基于非线性流形学习方法对轮廓特征信号进行降维处理,获得所述振动设备的低维特征描述;
采用分类器对低维特征描述进行分类,得到故障诊断结果。
在上述技术方案的基础上,所述动态振动信号包括瞬时位移、速度和加速度。
在上述技术方案的基础上,对每个振动传感器所采集的瞬时位移、速度、加速度、以及每个振动传感器与所述振动设备质心的距离进行非线性多重加权组合,得到每个振动传感器的特征加权信号。
在上述技术方案的基础上,第g个振动传感器的特征加权信号V(t)g为:
其中,t为时间,(xc,yc,zc)为所述振动设备质心的坐标,g=1,...,P,一组振动传感器的数量为P个,(xg,yg,zg)为第g个振动传感器的坐标,和分别为第g个振动传感器的瞬时位移、速度和加速度,α、β和γ分别为瞬时位移、速度和加速度的一次加权系数,κ1和κ2分别为速度和加速度的二次加权系数。
在上述技术方案的基础上,根据所有特征加权信号生成所述振动设备的轮廓特征信号包括:
在一段时间内对每个振动传感器的特征加权信号采样N次,两组振动传感器在第i次采样时的所有特征加权信号分别构成第i个样本点和其中,i=1,...,N,两组振动传感器分别包括D和M个振动传感器,在每组振动传感器中,V(i)g为第g个振动传感器在第i次采样时的特征加权信号,和构成所述轮廓特征信号。
在上述技术方案的基础上,基于局部切空间排列算法对轮廓特征信号进行降维处理,降维处理包括:
在每组振动传感器中,建立每个所述样本点的邻域,并基于邻域构造所述样本点的仿射子空间,得到所述样本点在仿射子空间中的局部坐标;对所有所述样本点的局部坐标进行最优求解得到所有所述样本点的低维全局坐标。
在上述技术方案的基础上,在每组振动传感器中,第i个样本点si在d维仿射子空间中的局部坐标Θi为:
其中,为第i个样本点si的邻域矩阵,邻域矩阵Si由k个邻域点组成,k个邻域点包括第i个样本点si以及第i个样本点si的最近邻样本点,为邻域矩阵Si的中心点,矩阵Q可通过中心化邻域矩阵的奇异值分解得到。
则所有N个所述样本点的降维后的d维最优全局坐标T=[τ1,...,τN]∈Rd×N使得误差E(T)最小,即:
在上述技术方案的基础上,所述故障诊断结果为:ψ=ρDψD+ρMψM,
其中,ψM和ψD为分别从两组振动传感器得到的故障诊断结果,ρD和ρM为权重系数。
本发明还提供一种振动设备的故障诊断系统,所述振动设备非周期振动和/或外形非对称,所述系统包括:
采集模块,其包括分别布置在质心平面两侧的所述振动设备外壳上的两组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,所述垂直轴穿过质心且垂直于所述质心平面,每个振动传感器用于采集所述振动设备的动态振动信号,所述质心平面平行于所述振动设备基座所在平面;
轮廓特征分析模块,其用于对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成所述振动设备的轮廓特征信号;
降维分析模块,其用于基于非线性流形学习方法对轮廓特征信号进行降维处理,获得所述振动设备的低维特征描述;
故障诊断模块,其用于采用分类器对低维特征描述进行分类,并在决策级进行加权融合,得到故障诊断结果。
与现有技术相比,本发明的优点如下:
(1)针对外形非对称和/或非周期振动设备的特点布置振动传感器,并对采集的原始振动数据进行分析获得特征加权信号及设备的轮廓特征信号,采用非线性流形学习方法对轮廓特征信号降维处理,能够有效降低原始振动数据中的次要信息、冗余信息和干扰信息,从而获得更加稳定、准确的故障诊断结果。
(2)采用非线性多重加权组合方法得到每个振动传感器的特征加权信号,能够准确描述外形非对称且非周期振动的振动设备时域特征。
(3)针对两组振动传感器的不同效果,最终的故障诊断结果来自设备的低维特征描述的决策级融合,进一步提高了故障诊断的准确率。
附图说明
图1本发明实施例振动设备的故障诊断方法流程图;
图2是布置在船舶卧式振动设备上的两组振动传感器;
图3是根据一组振动传感器收集的动态振动信息分析得到的轮廓特征信号;
图4a和4b分别是基于局部切空间排列算法进行降维处理前后的轮廓特征信号;
图5是本发明实施例振动设备的故障诊断系统示意图。
附图标记:
采集模块1,轮廓特征分析模块2,降维分析模块3,故障诊断模块4。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,本发明提供一种振动设备的故障诊断方法,振动设备非周期振动和/或外形非对称,本故障诊断方法可用于非周期振动的设备、外形非对称的设备以及非周期振动且外形非对称的设备,本故障诊断方法包括:
S1.在质心平面两侧的振动设备外壳上各布置一组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,垂直轴穿过质心且垂直于质心平面,每个振动传感器采集振动设备的动态振动信号,质心平面平行于振动设备基座所在平面。动态振动信号包括瞬时位移、速度和加速度。
质心平面一侧的振动传感器紧贴振动设备基座布置。质心平面另一侧的振动传感器紧贴设备表面布置,可与质心平面等高或者略高于质心平面。通常振动设备的质心平面两侧的振动信号相似,当质心平面一侧的振动信号传递到基座后,其分布会发生较大变化,因此,质心平面上方和下方的振动传感器提供两组有差异性的振动设备轮廓样本描述。
S2.对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成振动设备的轮廓特征信号。
对每个振动传感器所采集的瞬时位移、速度、加速度、以及每个振动传感器与振动设备质心的距离进行非线性多重加权组合,得到每个振动传感器的特征加权信号。
其中,第g个振动传感器的特征加权信号V(t)g为:
其中,t为时间,X、Y和Z为振动设备质心坐标系的三个方向,(xc,yc,zc)为振动设备质心的坐标,g=1,...,P,一组振动传感器的数量为P个,(xg,yg,zg)为第g个振动传感器的坐标, 和分别为第g个振动传感器的瞬时位移、速度和加速度,α、β和γ分别为瞬时位移、速度和加速度的一次加权系数,κ1和κ2分别为速度和加速度的二次加权系数,||H||2表示变量H的2范数,例如,表示速度的2范数。
本实施例采用二重非线性加权组合,首先考虑了第g个振动传感器Ug的空间位置信息,对位移、速度和加速度进行一次加权,其中,考虑到加速度的特性,瞬时位移、速度和加速度的一次加权为非线性。
采用非线性双重加权组合方法得到每个振动传感器的特征加权信号,能够准确描述外形非对称且非周期振动的振动设备时域特征。
在一段时间内对每个振动传感器的特征加权信号采样N次,两组振动传感器在第i次采样时的所有特征加权信号分别构成第i个样本点和其中,i=1,...,N,两组振动传感器分别包括D和M个振动传感器,在每组振动传感器中,V(i)g为第g个振动传感器在第i次采样时的特征加权信号,和构成所述轮廓特征信号。
S3.基于非线性流形学习方法对轮廓特征信号进行降维处理,获得振动设备的低维特征描述。
具体的,基于局部切空间排列算法对轮廓特征信号进行降维处理,降维处理包括:在每组振动传感器中,建立每个样本点的邻域,并基于邻域构造所述样本点的仿射子空间,得到所述样本点在仿射子空间中的局部坐标;对所有样本点的局部坐标进行最优求解得到描述所有样本点的低维全局坐标。
每组振动传感器的第i次采样,构成描述振动设备某一时刻状态的第i个样本点si,第i个样本点si的邻域矩阵Si在d维仿射子空间中的局部坐标Θi为:
其中,为第i个样本点si的邻域矩阵,邻域矩阵Si由k个邻域点组成,k个邻域点包括第i个样本点si以及第i个样本点si的最近邻样本点,为邻域矩阵Si的中心点,矩阵Q可通过中心化邻域矩阵的奇异值分解得到。
则描述所有N个样本点的降维后的d维最优全局坐标T=[τ1,...,τN]∈Rd×N使得误差E(T)最小,即:
针对外形非对称设备非周期振动的特点布置振动传感器,并对采集的原始振动数据进行分析获得特征加权信号及设备的轮廓特征信号,采用非线性流形学习方法对轮廓特征信号降维处理,能够有效降低原始振动数据中的次要信息、冗余信息和干扰信息,从而获得更加稳定、准确的故障诊断结果。
S4.采用分类器对低维特征描述进行分类,得到故障诊断结果。
故障诊断结果为:ψ=ρDψD+ρMψM,其中,ψM和ψD为分别从两组振动传感器得到的故障诊断结果,ρD和ρM为权重系数。
针对两组振动传感器的不同效果,最终的故障诊断结果来自设备的低维特征描述的决策级融合,进一步提高了故障诊断的准确率。
下面以船舶振动设备为例,对本方法进行详细说明:
对于船用振动机械设备,设备结构组成更加复杂,同时船用设备的特点使其传感器的布放和采集的原始振动数据有其自有特点。面对日益迫切的针对某型船用旋转振动设备的运行状态监控的需求,目前还缺少针对该型设备特点的从传感器布置。
船舶振动机械设备通常体积巨大,典型的船用非对称、非周期振动设备如图2所示。对于不同的振动机械设备,为了获得优秀的振动监测数据,振动传感器的布放是有特别要求,且根据设备不同特点具有不同差异。通常船用非对称非周期振动设备为卧式安装运行,以设备的水平质心平面为分割,振动传感器主要分为两组环绕式布置。其中,振动机械设备的质心位置表示为(xc,yc,zc),小圆柱表示用于监测的振动传感器,振动传感器的布置主要分两组,一组布置于振动设备质心平面的中上部外壳四周共D个,另一组布置于振动设备的下部基座四周共M个,振动传感器总数为C=D+M,布置的振动传感器集合可以表示为(Uh,h=1,...,C)。对于振动传感器Uh,其位置坐标为(xh,yh,zh)。
每组振动传感器均环绕过质心点的垂直轴布置,其中,质心平面上方的振动传感器紧贴设备表面布置,可与质心平面等高或者略高于质心平面。质心平面下方的振动传感器紧贴振动设备基座布置。通常振动设备的质心平面上方和下方的振动信号相似,当质心平面上方的振动信号传递到基座后,其分布会发生较大变化,因此,质心平面上方和下方的振动传感器提供两组有差异性的振动设备轮廓样本描述。
从对振动机械设备的状态监测效果来看,两部分传感器的侧重和效果是不同的,应赋予不同的权重。本方法将这两组环绕式布置的振动传感器,看成可以分别独立描述船用非对称非周期振动设备振动信息的两个特征轮廓,通过对单个振动传感器所采集的动态振动信号的加权处理,提出双边加权轮廓特征描述子。不失一般性,先对水平质心平面一边的加权轮廓特征描述子进行介绍。
以振动设备水平质心平面中上方的D个振动传感器为例,相对于振动设备的质心,第g个振动传感器的相对坐标位置为:
pg=(xg-xc,yg-yc,zg-zc) (1),
其中,g=1,...,D。
对于该船用振动机械设备,每一个振动传感器检测的信号为空间中相对于其安装平面的三个方向的瞬时位移、速度、加速度信息。根据每一个振动传感器位置坐标系与整体设备的位置坐标系的不同,最初的振动传感器信息需要进行坐标系转换等预处理,将经过预处理后的原始传感器信息,表示为其中,表示预处理后的第g个振动传感器在振动设备质心坐标系X、Y和Z三个方向的瞬时位移,表示预处理后的第g个振动传感器在振动设备质心坐标系X、Y和Z三个方向的瞬时速度,分别为第g个振动传感器在振动设备质心坐标系X、Y和Z三个方向的瞬时加速度。
第g个振动传感器Ug某一时刻获得的信息是对振动机械设备其对应监测位置振动状态的描述,则在时刻t振动传感器Ug的特征信息描述为:
其中,g=1,...,D。
该特征信息包含了振动传感器预处理后的原始位移、速度、加速度信息,同时也包含了振动传感器的空间位置信息。该点振动原始信息是多维向量形式,为简化计算和减少数据冗余,将此原始描述转为数值结果。此处考虑到位移、速度和加速度的不同特点,对位移、速度和加速度进行加权组合,于是得到:
此处αD,βD,γD分别为位移、速度和加速度的一次加权系数,同时考虑了第g个振动传感器Ug的空间位置信息。
对振动监测过程进行采样离散化后获得N个样本点,对于第i个采样时刻,D个振动传感器得到设备振动状态的整体特征描述该特征描述即为双边振动传感器中的一边振动传感器对振动设备的加权轮廓特征描述子,其特征描述形式如图3所示,图3中每一个轮廓点代表中一个振动传感器的特征加权信号V(i)g,整个轮廓序列表示的D个分量。同理可得另一边的加权轮廓特征描述子可表示为
仍对水平质心平面上边的加权轮廓特征描述进行讨论,某一时刻,设备振动状态的整体特征描述D个振动传感器信息构成了该整体特征描述的原始维数D,每个振动传感器每秒采集多次,则一段时间内形成特征描述集合N为特征描述样本数。
实际获得的振动监测数据为高维特征信息,可以认为原始高维特征信息混合了较多的冗余信息和次要特征信息,关键特征并不显著。直接对原始高维数据进行分析,既增加计算复杂度,也不易对振动设备本质特性的把握和理解,需要对原始高维特征信息进行数据降维。
局部切空间排列算法(Local Tangent Space Alignment,LTSA)作为一种优秀的流形学习方法可用于高维数据的降维。局部切空间排列算法的基本思想是利用样本点邻域的切空间来表示局部几何性质,利用这些局部切空间排列来构造流形的全局坐标。为有效进行船用振动机械设备故障诊断,选取一段样本数N=800的运行过程,其中包含600个正常运行样本和200个故障运行样本为例进行说明。
对高维特征样本采用局部切空间排列算法,该降维算法首先寻找每个样本点的邻域,定义Si=[si1,si2,...,sik]为样本点si包括自身在内的最近邻k个邻域点构成的矩阵,于是局部切空间排列算法构造一个d维的仿射子空间来逼近Si中的点:
其中局部坐标Θ=[θ1,...,θk]∈Rd×k,Q的列数为d,定义邻域矩阵Si的中心点为:
可求解得到使公式(5)最小的局部坐标Θ,
其表示了某一样本点在局部几何空间的降维后局部坐标,维数为d维,其中Q可通过中心化邻域矩阵的奇异值分解得到。
对于每个振动特征样本点,均能得到描述其的对应的局部坐标。定义T=[τ1,...,τN]∈Rd×N为可描述所有N个样本点的降维后的d维全局坐标。则邻域样本Si可以用全局坐标表示为Ti=[τi1,...,τik],且可以假设Ti与Θi间是存在变换关系,可以进行推导变换的,满足:
最优的样本点全局坐标T是使得误差E(T)最小的情况,即:
通过求解最小化E(T),可以得到原始高维样本集合的流形降维后结果T∈Rd×N。
当船用非对称非周期振动设备的原始振动监测信息通过双边加权轮廓特征描述及降维处理后,原始数据的次要信息、冗余信息、干扰信息得到有效降低,对故障诊断具有重要作用的主要特征信息被有效保留。
为直观反映多重加权描述及数据降维前后特征信息的不同,通过仿真实验,选取600个正常运行和200个故障情况下的样本点,将正常运行信息及故障运行信息综合在一起,分别给出原始数据与加权降维后数据的比较情况,如图4所示,原始数据(参见图4a)采用前3维,降维后数据T=[τ1,...,τN]∈Rd×N(参见图4b)采用前2维表示,主要表现的是振动信号数据在降维前后的可分性的变化。可见通过多重加权描述及数据降维后,原始数据的几何结构发生变化,正常运行和故障情况的数据具有较好的可分性。
因此,对于通过双边加权轮廓特征描述及降维处理后的振动特征数据,采用常见的分类器如最近邻分类器或者支持向量机等,可获得初步故障诊断结果ψD。
注意前述过程针对的是双边加权轮廓特征描述的其中一边轮廓。对于布置于振动设备的下部基座四周的M个振动传感器描述的特征轮廓,采用同样的方法可得到初步诊断结果ψM。
最终的故障诊断结果,来自双边轮廓的决策级融合,针对两部分传感器的侧重和效果的不同,分别赋予不同的权重ρD,ρM,则最终诊断结果为:
ψ=ρDψD+ρMψM (11)。
因此,采用双边加权轮廓特征描述实现了对船用非对称非周期振动设备的合理特征描述,综合采用数据降维和决策级融合,最终获得令人满意的故障诊断结果。
参见图5所示,本发明实施例还提供一种振动设备的故障诊断系统,振动设备非周期振动和/或外形非对称,振动设备包括非周期振动的设备、外形非对称的设备以及非周期振动且外形非对称的设备,故障诊断系统包括采集模块1、轮廓特征分析模块2、降维分析模块3和故障诊断模块4。
采集模块1包括分别布置在质心平面两侧的振动设备外壳上的两组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,垂直轴穿过质心且垂直于质心平面,每个振动传感器用于采集设备的动态振动信号,质心平面平行于振动设备基座所在平面。
轮廓特征分析模块2用于对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成振动设备的轮廓特征信号。
降维分析模块3用于基于非线性流形学习方法对轮廓特征信号进行降维处理,获得振动设备的低维特征描述。
故障诊断模块4用于采用分类器对低维特征描述进行分类,并在决策级进行融合,得到故障诊断结果。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种振动设备的故障诊断方法,所述振动设备非周期振动和/或外形非对称,其特征在于,所述方法包括:
在质心平面两侧的所述振动设备外壳上各布置一组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,所述垂直轴穿过质心且垂直于所述质心平面,每个振动传感器采集设备的动态振动信号,所述质心平面平行于所述振动设备基座所在平面;
对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成所述振动设备的轮廓特征信号;
基于非线性流形学习方法对轮廓特征信号进行降维处理,获得所述振动设备的低维特征描述;
采用分类器对低维特征描述进行分类,得到故障诊断结果;
根据所有特征加权信号生成所述振动设备的轮廓特征信号包括:
2.如权利要求1所述的振动设备的故障诊断方法,其特征在于:所述动态振动信号包括瞬时位移、速度和加速度。
3.如权利要求2所述的振动设备的故障诊断方法,其特征在于:对每个振动传感器所采集的瞬时位移、速度、加速度、以及每个振动传感器与所述振动设备质心的距离进行非线性多重加权组合,得到每个振动传感器的特征加权信号。
5.如权利要求1所述的振动设备的故障诊断方法,其特征在于:基于局部切空间排列算法对轮廓特征信号进行降维处理,降维处理包括:
在每组振动传感器中,建立每个所述样本点的邻域,并基于邻域构造所述样本点的仿射子空间,得到所述样本点在仿射子空间中的局部坐标;对所有所述样本点的局部坐标进行最优求解得到所有所述样本点的低维全局坐标。
8.如权利要求1所述的振动设备的故障诊断方法,其特征在于:
所述故障诊断结果为:ψ=ρDψD+ρMψM,
其中,ψM和ψD为分别从两组振动传感器得到的故障诊断结果,ρD和ρM为权重系数。
9.一种振动设备的故障诊断系统,所述振动设备非周期振动和/或外形非对称,其特征在于,所述系统包括:
采集模块,其包括分别布置在质心平面两侧的所述振动设备外壳上的两组振动传感器,每组振动传感器均包括多个振动传感器,每组振动传感器环绕垂直轴布置,所述垂直轴穿过质心且垂直于所述质心平面,每个振动传感器用于采集所述振动设备的动态振动信号,所述质心平面平行于所述振动设备基座所在平面;
轮廓特征分析模块,其用于对每个振动传感器所采集的动态振动信号进行分析后,获得特征加权信号,根据所有特征加权信号生成所述振动设备的轮廓特征信号;
降维分析模块,其用于基于非线性流形学习方法对轮廓特征信号进行降维处理,获得所述振动设备的低维特征描述;
故障诊断模块,其用于采用分类器对低维特征描述进行分类,并在决策级进行融合,得到故障诊断结果;
根据所有特征加权信号生成所述振动设备的轮廓特征信号包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104780.4A CN107992801B (zh) | 2017-11-10 | 2017-11-10 | 一种振动设备的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104780.4A CN107992801B (zh) | 2017-11-10 | 2017-11-10 | 一种振动设备的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992801A CN107992801A (zh) | 2018-05-04 |
CN107992801B true CN107992801B (zh) | 2021-11-30 |
Family
ID=62030735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711104780.4A Active CN107992801B (zh) | 2017-11-10 | 2017-11-10 | 一种振动设备的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992801B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110541794B (zh) * | 2018-05-29 | 2020-07-31 | 北京金风慧能技术有限公司 | 叶片异常的预警方法、装置、设备、介质及风力发电机组 |
CN110907112A (zh) * | 2019-12-13 | 2020-03-24 | 湖南镭目科技有限公司 | 一种非正弦振动台设备故障诊断方法和系统 |
CN111678678B (zh) * | 2020-04-30 | 2022-07-08 | 河南工业大学 | 基于多传感器融合的循环双谱切片轴系设备故障诊断方法及装置 |
CN111931827B (zh) * | 2020-07-22 | 2023-07-18 | 上海交通大学 | 基于多传感器信息融合的液压泵健康状况检测系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430247B (zh) * | 2008-11-28 | 2011-02-09 | 华北电力大学 | 汽轮发电机组随机振动故障实时诊断方法 |
CN103559392A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于多传感信息融合的机组状态评估方法 |
CN103823150B (zh) * | 2013-12-11 | 2017-01-11 | 贵州电力试验研究院 | 多传感器联合的汽轮发电机转子匝间短路故障诊断方法 |
CN103776654B (zh) * | 2014-02-21 | 2016-08-31 | 黑龙江省科学院自动化研究所 | 多传感器信息融合的故障诊断方法 |
DE102015207134A1 (de) * | 2015-04-20 | 2016-10-20 | Prüftechnik Dieter Busch AG | Verfahren zum Erfassen von Vibrationen einer Vorrichtung und Vibrationserfassungssystem |
CN107014607A (zh) * | 2017-04-18 | 2017-08-04 | 西安工业大学 | 一种摩擦振动测试装置及其测试方法 |
-
2017
- 2017-11-10 CN CN201711104780.4A patent/CN107992801B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107992801A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992801B (zh) | 一种振动设备的故障诊断方法及系统 | |
CN103020478B (zh) | 一种海洋水色遥感产品真实性检验的方法 | |
CN106951669B (zh) | 一种基于视觉认知的滚动轴承变工况故障诊断方法 | |
CN102105771B (zh) | 数据频率分析的方法 | |
CN105678343B (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
WO2005031502B1 (en) | Methods for monitoring structural health conditions | |
CN108414240A (zh) | 一种检测机器异常振动的方法与装置 | |
CN105469359A (zh) | 基于局部约束低秩表示的人脸超分辨率重建方法 | |
CN111241904B (zh) | 一种基于盲源分离技术的欠定情况下运行模态识别方法 | |
CN111735523B (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
CN104021558B (zh) | 一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法 | |
CN112990259B (zh) | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 | |
CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
Yang et al. | Casing vibration fault diagnosis based on variational mode decomposition, local linear embedding, and support vector machine | |
CN112629786A (zh) | 一种工作模态参数识别方法及设备故障诊断方法 | |
CN104303209B (zh) | 指纹脊线图像合成系统及指纹脊线图像合成方法 | |
CN114120974A (zh) | 一种基于深度学习的风机叶片故障诊断方法 | |
He et al. | Structural damage detection with wavelet support vector machine: introduction and applications | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
Meng et al. | Bearing Fault Diagnosis under Multi-sensor Fusion Based on Modal Analysis and Graph Attention Network | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
CN111582355B (zh) | 基于最优宽带波束形成的大型电抗器故障检测方法及系统 | |
Boente et al. | Robust smoothed canonical correlation analysis for functional data | |
Sadhu | Decentralized ambient system identification of structures |
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 |