CN108731921A - 一种设备连接件故障监测方法及系统 - Google Patents
一种设备连接件故障监测方法及系统 Download PDFInfo
- Publication number
- CN108731921A CN108731921A CN201711431417.3A CN201711431417A CN108731921A CN 108731921 A CN108731921 A CN 108731921A CN 201711431417 A CN201711431417 A CN 201711431417A CN 108731921 A CN108731921 A CN 108731921A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- equipment connector
- connector
- characteristic value
- operating mode
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009434 installation Methods 0.000 claims abstract description 54
- 230000007257 malfunction Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 abstract description 14
- 208000037656 Respiratory Sounds Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种设备连接件故障监测方法及系统，其中，该方法包括分别采集连接件上的至少一个安装零件上的振动信号和/或应力信号，根据该振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个，根据该特征值得到设备连接件的工况。本发明提供的设备连接件故障监测方法，通过实时采集连接件上的安装零件的振动信号和/或应力信号，由于该安装零件贯穿该连接件，通过该信号的频域特征能够反映设备连接件的内部工况，该设备连接件例如是大型设备中的法兰或回转轴承，从而监测出该设备连接件的故障位置及故障等级，解决了现有的法兰或回转轴承故障监测系统，不能在法兰工作过程中实时监测其工况的问题。
Description
技术领域
本发明涉及零件故障监测技术领域，具体涉及一种设备连接件故障监测方法及系统。
背景技术
现在大型设备中使用大型回转轴承或大型法兰连接的越来越多，法兰和回转轴承是大型结构中连接动力系统与载荷结构的关键部件，承担着固定载荷设备、传递扭矩的作用。在大型设备运转工作过程中，由于载荷自重或者外部环境的影响，法兰或回转轴承等大型连接件将产生疲劳损伤，损伤达到一定程度后会有裂纹产生，如果裂纹没有被及时发现，将会逐步加深加长，最终导致法兰或回转轴承断裂，一方面严重威胁大型设备的安全，另一方面回转轴承或法兰出现断裂损毁会带来远大于自身价值的损失。因此类似于法兰或回转轴承等大型设备连接件的裂纹监测就显得非常重要。
为了解决上述技术问题，中国专利文献CN106115488A公开了一种门座式起重机法兰裂纹的视觉监测系统，该系统包括中央处理单元，及与中央处理单元连接的应力监测单元、图像采集单元、图像处理单元、触发单元、存储单元、预警单元、照明单元以及显示单元，其中中央处理单元包括智能控制器、应力处理单元和图像处理单元，应力监测单元监测门机转台和转柱连接处的法兰盘应力值，当达到应力的许用应力值时，智能控制器打开图像采集器和照明设备，计算出裂纹的长度并显示，当监测到的裂纹尺寸超过预设值时驱动报警装置，从而有助于实现监测门座式起重机法兰盘裂纹的目标，以达到减少事故发生率的目的。但是该专利文献中需要先通过应力监测单元检测法兰应力值，再通过图像采集器采集裂纹长度，当裂纹长度超过预设值时才驱动报警装置，不能在法兰工作过程中实时监测其是否要出现故障及故障位置等工况。
发明内容
有鉴于此，本发明实施例提供了一种设备连接件故障监测方法及系统，以解决现有的法兰或回转轴承故障监测系统，不能在法兰工作过程中实时监测其工况的问题。
为此，本发明实施例提供了如下技术方案：
本发明实施例提供了一种设备连接件故障监测方法，包括分别采集所述连接件上的至少一个安装零件上的振动信号和/或应力信号；根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；根据所述特征值得到所述设备连接件的工况。
可选地，所述根据所述特征值得到所述设备连接件的工况的步骤，包括：根据所述特征值分别得到所述至少一个安装零件的特征图，所述特征图的X轴表示频率，Y轴表示所述特征值；将所得到的所述至少一个安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；根据所述总特征图得到所述设备连接件的工况。
可选地，所述根据所述特征值分别得到所述至少一个安装零件的特征图的步骤，包括：通过偏最小二乘法筛选所述特征值，得到与所述设备连接件的工况相关性大的特征值；利用所述相关性大的特征值分别得到所述至少一个安装零件的特征图。
可选地，所述根据所述总特征图得到所述设备连接件的工况的步骤，包括：通过故障监测预警模型，根据所述总特征图得到所述设备连接件的工况，其中所述故障监测模型通过如下步骤训练得到：分别采集正常工况下和非正常工况下所述连接件上的多个安装零件上的振动信号和/或应力信号；根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；通过偏最小二乘法筛选所述特征值，得到与所述设备连接件的工况相关性大的特征值；利用所述相关性大的特征值分别得到每个所述安装零件的特征图；所述特征图的X轴表示频率，Y轴表示所述特征值；将所得到的每个所述安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；利用正常工况和非正常工况对应的所述总特征图对初始神经网络模型进行训练，得到所述故障监测预警模型。
可选地，在所述利用正常工况和非正常工况对应的所述总特征图对初始神经网络模型进行训练，得到所述故障监测预警模型的步骤之后，还包括：将所述与所述设备连接件的工况相关性大的特征值、所述总特征图及所述故障监测预警模型存储在训练数据库中；所述训练数据库中还包括预定特征图；将得到的所述设备连接件的工况对应的总特征图与所述训练数据库中的预定特征图进行比较，判断所述总特征图是否在所述训练数据库中；当所述设备连接件的工况对应的总特征图不在所述训练数据库中时，将所述设备连接件的工况及其对应的所述特征值和所述总特征图存储在所述训练数据库中，得到更新后的训练数据库；利用更新后的训练数据库中的所述总特征图和其对应的工况训练所述故障监测预警模型。
可选地，所述频域特征值包括以下至少之一：算数平均频谱：其中，N表示频域特征的总数，An表示第n个频率段的幅值；几何平均频谱：匹配滤波方均根：其中，Ai表示第i个频率段的幅值，表示第n个频率段中的参考频谱；事件频谱与参考频谱差值的方均根：其中，Pn表示以dB为单位的事件幅值，代表参考频谱的dB幅值。
本发明实施例还提供了一种设备连接件故障监测系统，该系统包括：信号采集装置，用于分别采集所述连接件上的至少一个安装零件上的振动信号和/或应力信号；特征值提取装置，用于根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；故障监测装置，用于根据所述特征值得到所述设备连接件的工况。
可选地，所述故障监测装置包括：第一处理模块，用于根据所述特征值分别得到所述至少一个安装零件的特征图，所述特征图的X轴表示频率，Y轴表示所述特征值；第二处理模块，用于将所得到的所述至少一个安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；第三处理模块，用于根据所述总特征图得到所述设备连接件的工况。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的设备连接件故障监测方法。
本发明实施例还提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述设备连接件故障监测方法。
本发明实施例技术方案，具有如下优点：
本发明实施例提供了一种设备连接件故障监测方法，该方法包括分别采集连接件上的至少一个安装零件上的振动信号和/或应力信号，根据该振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个，根据该特征值得到设备连接件的工况。本发明提供的设备连接件故障监测方法，通过实时采集连接件上的安装零件的振动信号和/或应力信号，由于该安装零件贯穿该连接件，通过该信号的频域特征能够反映设备连接件的内部工况，将采集到的实际运行过程中设备连接件上安装零件的特征值与数据库中各种工况下的连接件上安装零件的特征值进行比对分析，其中各种工况包括了连接件出现故障的严重性等级和出现故障的位置，例如连接件上某一安装零件位置上出现轻微裂纹与严重断裂时，其特征值会呈现与正常工况下安装零件的特征值不同的差异，判断出连接件的该安装零件位置处出现了故障，根据该差异的比对，例如该特征值与正常工况下特征值的差异在第一预定阈值范围内时，设定故障等级为一级，当该特征值与正常工况下特征值的差异在第二预定阈值范围内时，设定故障等级为二级，从而监测出该设备连接件的故障严重性等级，解决了现有的法兰或回转轴承故障监测系统，在回转轴承或法兰表面测得的振动信号往往无法反映其内部变化，不能在法兰工作过程中实时监测其工况的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的设备连接件故障监测方法的流程图；
图2是根据本发明实施例的设备连接件的示意图；
图3是根据本发明实施例的设备连接件故障监测方法的总特征图的示意图；
图4是根据本发明实施例的设备连接件故障监测方法的一个示意图；
图5是根据本发明实施例的设备连接件故障监测系统的一个结构框图；
图6是根据本发明实施的设备连接件故障监测系统的另一个结构框图；
图7是根据本发明实施例的设备连接件故障监测方法的计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
在本发明实施例中提供了一种设备连接件故障监测方法，如图1所示，该设备连接件故障监测方法包括如下步骤：
步骤S101：分别采集连接件上的至少一个安装零件上的振动信号和/或应力信号；具体地，如图2所示，采集法兰上的每个安装零件(螺栓)上的振动信号和/或应力信号，具体通过在螺栓的螺母上安装传感器，采集振动信号和/或应力信号，由于该螺栓贯穿连接件，因此其上的振动信号和/或应力信号可以更好地反映连接件内部的工况，在本发明实施例中，可以只采集其振动信号或应力信号，也可以同时采集这两种信号。
步骤S102：根据该振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；具体地，根据采集到的振动信号和/或应力信号，将其进行数据标准化，例如对采集到的信号进行加窗滤波及信号的初始项、趋势项、直流项等干扰项的消除，对标准化的信号通过快速傅里叶变换(FFT)，提取能概括原始信号特点的特征值。
步骤S103：根据该特征值得到设备连接件的工况。具体地，经过FFT变换计算出的特征值，分析其频域变化特征与可以得到设备连接件的工况，将其与正常工况下的频域变化特征进行比较，从而可以实时监测设备连接件是否出现故障及其故障位置。
通过上述步骤，分别采集连接件上的安装零件上的振动信号和/或应力信号，根据该振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个，根据该特征值得到设备连接件的工况，通过实时采集连接件上的安装零件的振动信号和/或应力信号，由于该安装零件贯穿该连接件，通过该信号的频域特征能够反映设备连接件的内部工况，将采集到的实际运行过程中设备连接件上安装零件的特征值与数据库中各种工况下的连接件上安装零件的特征值进行比对分析，其中各种工况包括了连接件出现故障的严重性等级和出现故障的位置，例如连接件上某一安装零件位置上出现轻微裂纹与严重断裂时，其特征值会呈现与正常工况下安装零件的特征值不同的差异，判断出连接件的该安装零件位置处出现了故障，根据该差异的比对，例如该特征值与正常工况下特征值的差异在第一预定阈值范围内时，设定故障等级为一级，当该特征值与正常工况下特征值的差异在第二预定阈值范围内时，设定故障等级为二级，从而监测出该设备连接件的故障严重性等级，解决了现有的法兰或回转轴承故障监测系统，在回转轴承或法兰表面测得的振动信号往往无法反映其内部变化，不能在法兰工作过程中实时监测其工况的问题。
步骤S103涉及到根据该特征值得到设备连接件的工况，具体地，该步骤包括根据该特征值分别得到至少一个安装零件的特征图，该特征图的X轴表示频率，Y轴表示特征值。具体实施时，通过偏最小二乘法筛选特征值，得到与设备连接件的工况相关性大的特征值，利用相关性大的特征值分别得到至少一个安装零件的特征图，具体地，经过FFT变换计算出的频域特征值包括以下四种：
算数平均频谱：
其中，N表示频域特征的总数，An表示第n个频率段的幅值；
几何平均频谱：
匹配滤波方均根：
其中，Ai表示第i个频率段的幅值，表示第n个频率段中的参考频谱；
事件频谱与参考频谱差值的方均根：
其中，Pn表示以dB为单位的事件幅值，代表参考频谱的dB幅值。
其他本领域技术人员可以得到的频域特征值也在本发明实施例的保护范围之内。
然后将上述四种频域特征值经过偏最小二乘法PLS进行筛选，PLS方法现将提取出的特征值进行多元投影变换，分解出其内部主元系数，这是建立在主元分析法PCA上的一种处理数据相关性的统计分析技术，其基本思想是将高位数据空间投影到低维特征空间，特征空间中的主元变量保留原始变量的特征信息而消除冗余信息，这样既保留了数据中与输出变量相关性大的参数又减少了数据输入量，设X为训练输入变量，Y为输出变量，这里的X为各种特征值，Y为设备连接件的各种工况。
其中，ti和ui分别是X和Y的主元变量，E和F为X和Y的误差项，经过PLS数据相关性分析，得到与设备连接件的各种工况相关性大的特征值，然后利用每个安装零件的筛选后的特征值得到其特征图。
然后将所得到的每个安装零件的特征图按相同频率段叠加，以得到总特征图，总特征图的X轴和Y轴表示特征值，根据总特征图得到设备连接件的工况。在本发明实施例中，为了从整体上反映设备连接件上的安装零件的信号频域情况，先得到每个安装零件的频谱图，即特征图，然后将所有安装零件的频谱图按相同频率段叠加，得到总特征图，该总特征图的X轴和Y轴都表示相同的参数，该参数为上述特征值中的一种或几种的加权组合，该总特征图的示意图如图3所示，其X轴与Y轴分别表示正交位置(如图2中的a、b与c、d)上的振动信号的幅值。
上述具体实施方式中的总特征图更能直观地反映出连接件上安装零件的特征值是否正常，例如当某一频率段上的该总特征图不规则时，如某一点处幅值明显超出预定范围，则表明在该频率段上的设备连接件的该点处安装零件出现了非正常工况，即判断出故障位置，然后将该总特征图与数据库中的预定特征图中该点的幅值(或其他特征值)进行比较分析，根据幅值的变化范围，如该点处幅值与正常工况下的幅值相比，变化范围在第一预设范围内，则定义为第一等级预警，若该变化范围在第二预设范围内，则定义为第二等级预警。
上述具体实施方式中，具体通过故障监测预警模型，根据该总特征图得到设备连接件的工况，该故障监测模型通过如下步骤训练得到：如图4所示，实线表示训练模型的过程，数据采集：分别采集正常工况下和非正常工况下连接件上的多个安装零件上的振动信号和/或应力信号；数据标注化：对采集到的信号进行加窗滤波及信号的初始项、趋势项、直流项等干扰项的消除；特征提取和选择：根据该振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个，通过偏最小二乘法筛选上述特征值，得到与所述设备连接件的工况相关性大的特征值，利用该相关性大的特征值分别得到每个安装零件的特征图，该特征图的X轴表示频率，Y轴表示特征值，将所得到的每个安装零件的特征图按相同频率段叠加，以得到总特征图，总特征图的X轴和Y轴表示特征值；模式分类训练：利用正常工况和非正常工况对应的总特征图对初始神经网络模型进行训练，得到故障监测预警模型；模式识别模式训练数据库：将与设备连接件的工况相关性大的特征值、总特征图及故障监测预警模型存储在训练数据库中，该训练数据库中还包括预定特征图；模式验证模块：将故障监测预警模型输出的分类结果通过模式验证模块与存储在训练数据库中的基于专家规则的预定特征图进行比较验证，判断该分类结果是否在已有的训练数据库中，如果不在，则需要在训练数据库中添加新的工况分类。
利用总特征图通过故障监测预警模型得到设备连接件的工况，由于该模型是通过大量正常工况下和非正常工况下采集的设备连接件上的振动信号和/或应力信号训练得到的，所以通过该故障监测预警模型更能准确方便地预测出设备连接件的工况。
在得到故障监测预警模型之后，在进行实际设备连接件故障监测时，还需要对该故障监测预警模型进行校验，如图4所示，虚线表示实际监测过程中的数据处理过程，先通过数据采集，数据标准化，特征提取和选择，得到四种频域特征值和总特征图，然后进入模式分类监测模块，模式分类监测模块将实际检测过程中提取的特征值输入预先训练好的故障监测预警模型中，得到设备连接件工况分类结果，然后将该分类结果通过模式验证模块，与模式识别模式训练数据库中存储的基于预定特征图进行比较，如果判断出新分类结果不在已有的数据库内，需要在数据库内添加新的分类，或者扩充或缩减原有分类的分类条件，即得到更新后的训练数据库，利用利用更新后的训练数据库中的总特征图和其对应的工况训练故障监测预警模型，这样保证了模型的准确性，使其输出结果更能准确的反映设备连接件的工况。
在上述训练故障监测预警模型的过程中，采用偏最小二乘法和径向基函数人工神经网络相结合的方法对总特征图进行训练，先采用偏最小二乘法PLS对特征值进行筛选，然后将筛选后的特征值通过人工神经网络模型进行训练，这种算法不仅减少了训练数据输入量，而且提高了模式识别的分类精度。
在将总特征图输入故障监测预警模型后，该模型预测出某点的振动信号或压力信号出现异常，根据异常的严重性进行一级、二级报警等分等级的报警，当同时采集振动信号和应力信号时，当模型预测出的某点的振动信号和应力信号同时出现报警，或应力信号超过最高预定阈值时，发出最高等级报警，必要时需停止设备运行，保证设备安全。
实施例2
在本发明实施例中还提供了一种设备连接件故障监测系统，该系统用于实现上述发明实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“装置”、“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下发明实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例提供一种设备连接件故障监测系统，如图5所示，该设备连接件故障监测系统包括信号采集装置51，用于分别采集连接件上的至少一个安装零件上的振动信号和/或应力信号，特征值提取装置52，用于根据振动信号和/或应力信号提取特征值，该特征值包括频域特征值、多个频率段的幅值及相位中的至少一个，故障监测装置53，用于根据该特征值得到设备连接件的工况。
通过该设备连接件故障监测系统，信号采集装置51能够实时采集连接件上安装零件的振动信号和/或应力信号，由于该安装零件贯穿连接件，通过其上信号的频域特征能够反映连接件的内部工况，特征值提取装置52，根据振动信号和/或应力信号提取特征值，故障监测装置53根据该特征值得到设备连接件的工况，该设备连接件例如是大型设备中的法兰或回转轴承，将采集到的实际运行过程中设备连接件上安装零件的特征值与数据库中各种工况下的连接件上安装零件的特征值进行比对分析，其中各种工况包括了连接件出现故障的严重性等级和出现故障的位置，例如连接件上某一安装零件位置上出现轻微裂纹与严重断裂时，其特征值会呈现与正常工况下安装零件的特征值不同的差异，判断出连接件的该安装零件位置处出现了故障，根据该差异的比对，例如该特征值与正常工况下特征值的差异在第一预定阈值范围内时，设定故障等级为一级，当该特征值与正常工况下特征值的差异在第二预定阈值范围内时，设定故障等级为二级，从而监测出该设备连接件的故障严重性等级，解决了现有的法兰或回转轴承故障监测系统，在回转轴承或法兰表面测得的振动信号往往无法反映其内部变化，不能在法兰工作过程中实时监测其工况的问题。
如图6所示，该故障监测装置53包括第一处理模块531，用于根据特征值分别得到至少一个安装零件的特征图，该特征图的X轴表示频率，Y轴表示特征值；第二处理模块532，用于将所得到的至少一个安装零件的特征图按相同频率段叠加，以得到总特征图，该总特征图的X轴和Y轴表示特征值，第三处理模块533，用于根据总特征图得到设备连接件的工况。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
实施例3
本发明实施例还提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的设备连接件故障监测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
实施例4
图7是根据本发明实施例的设备连接件故障监测方法的计算机设备的硬件结构示意图，如图7所示，该设备包括一个或多个处理器710以及存储器720，图7中以一个处理器710为例。
执行设备连接件故障监测方法的设备还可以包括：输入装置730和输出装置740。
处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器710可以为中央处理器(Central Processing Unit，CPU)。处理器710还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器720作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的设备连接件故障监测方法对应的程序指令/模块。处理器710通过运行存储在存储器720中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的设备连接件故障监测方法。
存储器720可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储设备连接件故障监测系统的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器720可选包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至设备连接件故障监测的处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可接收输入的数字或字符信息，以及产生与设备连接件故障监测的处理装置的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器720中，当被所述一个或者多个处理器710执行时，执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果以及未在本发明实施例中详尽描述的技术细节，具体可参见如图1至图6所示的实施例中的相关描述。
显然，上述发明实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种设备连接件故障监测方法，其特征在于，包括：
分别采集所述连接件上的至少一个安装零件上的振动信号和/或应力信号；
根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；
根据所述特征值得到所述设备连接件的工况。
2.根据权利要求1所述的设备连接件故障监测方法，其特征在于，所述根据所述特征值得到所述设备连接件的工况的步骤，包括：
根据所述特征值分别得到所述至少一个安装零件的特征图，所述特征图的X轴表示频率，Y轴表示所述特征值；
将所得到的所述至少一个安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；
根据所述总特征图得到所述设备连接件的工况。
3.根据权利要求2所述的设备连接件故障监测方法，其特征在于，所述根据所述特征值分别得到所述至少一个安装零件的特征图的步骤，包括：
通过偏最小二乘法筛选所述特征值，得到与所述设备连接件的工况相关性大的特征值；
利用所述相关性大的特征值分别得到所述至少一个安装零件的特征图。
4.根据权利要求3所述的设备连接件故障监测方法，其特征在于，所述根据所述总特征图得到所述设备连接件的工况的步骤，包括：
通过故障监测预警模型，根据所述总特征图得到所述设备连接件的工况，其中所述故障监测模型通过如下步骤训练得到：
分别采集正常工况下和非正常工况下所述连接件上的多个安装零件上的振动信号和/或应力信号；
根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；
通过偏最小二乘法筛选所述特征值，得到与所述设备连接件的工况相关性大的特征值；
利用所述相关性大的特征值分别得到每个所述安装零件的特征图；所述特征图的X轴表示频率，Y轴表示所述特征值；
将所得到的每个所述安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；
利用正常工况和非正常工况对应的所述总特征图对初始神经网络模型进行训练，得到所述故障监测预警模型。
5.根据权利要求4所述的设备连接件故障监测方法，其特征在于，在所述利用正常工况和非正常工况对应的所述总特征图对初始神经网络模型进行训练，得到所述故障监测预警模型的步骤之后，还包括：
将所述与所述设备连接件的工况相关性大的特征值、所述总特征图及所述故障监测预警模型存储在训练数据库中；所述训练数据库中还包括预定特征图；
将得到的所述设备连接件的工况对应的总特征图与所述训练数据库中的预定特征图进行比较，判断所述总特征图是否在所述训练数据库中；
当所述设备连接件的工况对应的总特征图不在所述训练数据库中时，将所述设备连接件的工况及其对应的所述特征值和所述总特征图存储在所述训练数据库中，得到更新后的训练数据库；
利用更新后的训练数据库中的所述总特征图和其对应的工况训练所述故障监测预警模型。
6.根据权利要求1所述的设备连接件故障监测方法，其特征在于，所述频域特征值包括以下至少之一：
算数平均频谱：
其中，N表示频域特征的总数，An表示第n个频率段的幅值；
几何平均频谱：
匹配滤波方均根：
其中，Ai表示第i个频率段的幅值，表示第n个频率段中的参考频谱；
事件频谱与参考频谱差值的方均根：
其中，Pn表示以dB为单位的事件幅值，代表参考频谱的dB幅值。
7.一种设备连接件故障监测系统，其特征在于，该系统包括：
信号采集装置，用于分别采集所述连接件上的至少一个安装零件上的振动信号和/或应力信号；
特征值提取装置，用于根据所述振动信号和/或应力信号提取特征值，所述特征值包括频域特征值、多个频率段的幅值及相位中的至少一个；
故障监测装置，用于根据所述特征值得到所述设备连接件的工况。
8.根据权利要求7所述的设备连接件故障监测系统，其特征在于，所述故障监测装置包括：
第一处理模块，用于根据所述特征值分别得到所述至少一个安装零件的特征图，所述特征图的X轴表示频率，Y轴表示所述特征值；
第二处理模块，用于将所得到的所述至少一个安装零件的特征图按相同频率段叠加，以得到总特征图，所述总特征图的X轴和Y轴表示所述特征值；
第三处理模块，用于根据所述总特征图得到所述设备连接件的工况。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的设备连接件故障监测方法。
10.一种计算机设备，其特征在于，包括：至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至6中任一项所述的设备连接件故障监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711431417.3A CN108731921B (zh) | 2017-12-26 | 2017-12-26 | 一种设备连接件故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711431417.3A CN108731921B (zh) | 2017-12-26 | 2017-12-26 | 一种设备连接件故障监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108731921A true CN108731921A (zh) | 2018-11-02 |
| CN108731921B CN108731921B (zh) | 2020-09-01 |
Family
ID=63940375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711431417.3A Active CN108731921B (zh) | 2017-12-26 | 2017-12-26 | 一种设备连接件故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108731921B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110553807A (zh) * | 2019-07-17 | 2019-12-10 | 哈尔滨工程大学 | 船体结构应力监测系统传感器开路故障诊断算法 |
| CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| CN111024347A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种电抗器健康状态评估方法 |
| CN111811819A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于机器学习的轴承故障诊断方法及装置 |
| CN111983649A (zh) * | 2020-07-21 | 2020-11-24 | 上海万位科技有限公司 | 一种基于自动化分析的车辆gps设备离线表现预测方法 |
| CN112179638A (zh) * | 2020-09-28 | 2021-01-05 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
| CN113252331A (zh) * | 2021-05-24 | 2021-08-13 | 中国飞机强度研究所 | 一种飞机部件结构强度试验安全保护方法 |
| CN114061922A (zh) * | 2020-07-30 | 2022-02-18 | 宝山钢铁股份有限公司 | 基于振动数据的圆盘剪异常状况预警方法 |
| CN115113104A (zh) * | 2022-06-13 | 2022-09-27 | 云南电网有限责任公司电力科学研究院 | 电连接结构故障检测方法、存储介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1050442A (zh) * | 1990-10-15 | 1991-04-03 | 航空航天工业部第六○八研究所 | 多传感器共振解调故障检测技术 |
| JP2004347401A (ja) * | 2003-05-21 | 2004-12-09 | Nsk Ltd | 転がり軸受の診断方法及び診断装置 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
| CN104048825A (zh) * | 2014-05-28 | 2014-09-17 | 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 |
| CN104236911A (zh) * | 2014-09-28 | 2014-12-24 | 江苏润仪仪表有限公司 | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 |
| CN104833894A (zh) * | 2015-06-05 | 2015-08-12 | 国家电网公司 | 一种电气设备的故障监测系统及故障监测方法 |
| CN105424364A (zh) * | 2015-11-09 | 2016-03-23 | 北京交通大学 | 列车轴承故障的诊断方法和装置 |
| CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
-
2017
- 2017-12-26 CN CN201711431417.3A patent/CN108731921B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1050442A (zh) * | 1990-10-15 | 1991-04-03 | 航空航天工业部第六○八研究所 | 多传感器共振解调故障检测技术 |
| JP2004347401A (ja) * | 2003-05-21 | 2004-12-09 | Nsk Ltd | 転がり軸受の診断方法及び診断装置 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
| CN104048825A (zh) * | 2014-05-28 | 2014-09-17 | 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 |
| CN104236911A (zh) * | 2014-09-28 | 2014-12-24 | 江苏润仪仪表有限公司 | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 |
| CN104833894A (zh) * | 2015-06-05 | 2015-08-12 | 国家电网公司 | 一种电气设备的故障监测系统及故障监测方法 |
| CN105424364A (zh) * | 2015-11-09 | 2016-03-23 | 北京交通大学 | 列车轴承故障的诊断方法和装置 |
| CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕蓓蓓: "偏最小二乘法与神经网络耦合的大坝监测模型", 《人民黄河》 * |
| 江帆: "基于 RBF 神经网络的转子-轴承系统故障诊断", 《轴承》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110553807A (zh) * | 2019-07-17 | 2019-12-10 | 哈尔滨工程大学 | 船体结构应力监测系统传感器开路故障诊断算法 |
| CN110672326B (zh) * | 2019-09-29 | 2021-12-21 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| CN114414245B (zh) * | 2019-09-29 | 2024-09-27 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| CN111024347A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种电抗器健康状态评估方法 |
| CN111811819A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于机器学习的轴承故障诊断方法及装置 |
| CN111983649A (zh) * | 2020-07-21 | 2020-11-24 | 上海万位科技有限公司 | 一种基于自动化分析的车辆gps设备离线表现预测方法 |
| CN114061922A (zh) * | 2020-07-30 | 2022-02-18 | 宝山钢铁股份有限公司 | 基于振动数据的圆盘剪异常状况预警方法 |
| CN112179638B (zh) * | 2020-09-28 | 2021-09-17 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
| CN112179638A (zh) * | 2020-09-28 | 2021-01-05 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
| CN113252331A (zh) * | 2021-05-24 | 2021-08-13 | 中国飞机强度研究所 | 一种飞机部件结构强度试验安全保护方法 |
| CN113252331B (zh) * | 2021-05-24 | 2024-06-18 | 中国飞机强度研究所 | 一种飞机部件结构强度试验安全保护方法 |
| CN115113104A (zh) * | 2022-06-13 | 2022-09-27 | 云南电网有限责任公司电力科学研究院 | 电连接结构故障检测方法、存储介质及设备 |
| CN115113104B (zh) * | 2022-06-13 | 2024-08-20 | 云南电网有限责任公司电力科学研究院 | 电连接结构故障检测方法、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108731921B (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108731921A (zh) | 一种设备连接件故障监测方法及系统 | |
| US20220205956A1 (en) | Detection of structural anomalies in a pipeline network | |
| US9996405B2 (en) | Embedded prognostics on PLC platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction | |
| US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
| US20140055274A1 (en) | Change detection system using frequency analysis and method | |
| US20120310597A1 (en) | Failure cause diagnosis system and method | |
| WO2011125130A1 (ja) | プラントの診断装置、診断方法、及び診断プログラム | |
| KR20130065621A (ko) | 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램 | |
| KR102301201B1 (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
| CN112985578B (zh) | 一种风电机组共振诊断方法及装置 | |
| EP2672164B1 (en) | System and method for detecting spall initiation and defining end of life in engine components | |
| WO2014168937A2 (en) | Reciprocating machinery monitoring system and method | |
| CN116758656A (zh) | 用于车辆监管的车载终端、系统及方法 | |
| US20140058615A1 (en) | Fleet anomaly detection system and method | |
| US20180131560A1 (en) | Content-aware anomaly detection and diagnosis | |
| KR20140072331A (ko) | 이상진단 사전감시 방법 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN103999316A (zh) | 用于产生说明在供电网中的摆动的信号的方法 | |
| Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
| JP2003029818A (ja) | 故障診断システム及び故障診断プログラム | |
| JP6869156B2 (ja) | 状態監視装置および状態監視方法 | |
| KR101248232B1 (ko) | 병렬 부대설비의 이상 진단 방법 및 시스템 | |
| JP7095443B2 (ja) | 異常検知プログラム、異常検知方法及び異常検知装置 | |
| KR102195266B1 (ko) | 음향신호를 이용한 플랜트 설비의 결함 진단 방법 | |
| Pipe | Measuring the Performance of a HUM System-the Features that Count |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240709 Address after: Unit 401, Building 40, Workers' New Village, Shengli South Lane, Jingxiu District, Baoding City, Hebei Province, China 071051 Patentee after: Zhou Yandai Country or region after: China Address before: Room 1217, Building 4, Future Stone, No. 1999 Qiyi East Road, Lianchi District, Baoding City, Hebei Province, China 071000 Patentee before: BAODING FENGYING NEW ENERGY TECHNOLOGY SERVICES CO.,LTD. Country or region before: China |