CN109829245B - 轴承故障预警方法和装置 - Google Patents
轴承故障预警方法和装置 Download PDFInfo
- Publication number
- CN109829245B CN109829245B CN201910139428.7A CN201910139428A CN109829245B CN 109829245 B CN109829245 B CN 109829245B CN 201910139428 A CN201910139428 A CN 201910139428A CN 109829245 B CN109829245 B CN 109829245B
- Authority
- CN
- China
- Prior art keywords
- bearing
- bearing temperature
- state parameter
- working state
- temperature
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明提供一种轴承故障预警方法和装置,包括:获取轴承在最近时间段内的多个第一轴承温度、旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合,每一个第一工作状态参数组合中包括至少一个第一工作参数;对多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,第二工作状态参数组合中包括至少一个第二工作参数;采用收敛状态的回归模型对第二工作状态参数组合进行处理,输出第三轴承温度;根据第二轴承温度和第三轴承温度,确定轴承是否存在故障。本方案能够早期发现轴承的故障征兆,以能够提早进行必要的保障措施,避免更为严重的故障发生。
Description
技术领域
本发明涉及工业生产技术领域,尤其涉及一种轴承故障预警方法和装置。
背景技术
目前,旋转设备广泛应用于能源、化工等各个工业生产领域。例如,典型的旋转设备有风力发电机组的传动和能量转化系统、火力发电机组的汽轮机和发电机、大型工业过程中的泵与风机系统等等。其中,这些旋转设备中设置有轴承,而轴承是故障发生的主要部件之一。
现有技术中,由于无法早期发现轴承的故障征兆,因而只能是在轴承出现故障之后再进行相关维修。然而,轴承故障可能会造成旋转设备无法正常工作等严重问题,进而还会增加维修工期以及维修成本等等。
因此,如何早期发现轴承的故障征兆,以能够提早进行必要的保障措施,避免更为严重的故障发生,则成为当前亟需解决的问题。
发明内容
本发明提供一种轴承故障预警方法和装置,能够早期发现轴承的故障征兆,以能够提早进行必要的保障措施,避免更为严重的故障发生。
一方面,本发明提供一种轴承故障预警方法,包括:
获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数;
对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数;
采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度;
根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障。
进一步地,对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,包括:
确定所述多个第一轴承温度中的最小轴承温度和最大轴承温度;
将所述最小轴承温度和所述最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数;
确定所述至少两个第一轴承温度落在每个所述第一子区间内的第一个数;
选择所述第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数;
计算落在所述M个第一子区间内的各个第一轴承温度的第一平均值,并将所述第一平均值作为所述第二轴承温度。
进一步地,根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障,包括:
计算所述第二轴承温度和所述第三轴承温度之间的第一差值;
根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障。
进一步地,根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障,包括:
若所述第一差值小于所述第一阈值,则确定所述轴承不存在故障;
若所述第一差值大于等于所述第一阈值,则确定所述轴承存在故障。
进一步地,若所述第一差值大于等于所述第一阈值,则确定所述轴承存在故障,包括:
若所述第一差值大于等于所述第一阈值,获取所述第一差值的增长趋势信息;
若所述增长趋势信息表征所述第一差值持续增长,则确定所述轴承存在故障。
进一步地,所述方法还包括:
重复执行以下所有步骤,直至得到收敛状态的回归模型:
获取所述轴承在预设时间段内的多个第四轴承温度,并获取所述旋转设备的与每一个所述第四轴承温度对应的第三工作状态参数组合,其中,所述第三工作状态参数组合中包括至少一个第三工作参数;
对所述多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个所述第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,所述第四工作状态参数组合中包括至少一个第四工作参数;
采用预设的回归模型对所述第四工作状态参数组合进行处理,输出第六轴承温度;
计算所述第五轴承温度和所述第六轴承温度之间的第二差值;
若所述第二差值大于等于预设第二阈值,则根据所述第五轴承温度和所述第六轴承温度对所述回归模型进行深度学习训练,得到训练后的回归模型;
其中,在所述第二差值小于所述第二阈值时,得到收敛状态的回归模型。
另一方面,本发明提供了一种轴承故障预警装置,包括:
获取单元,用于获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数;
提取单元,用于对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数;
处理单元,用于采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度;
确定单元,用于根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障。
进一步地,所述提取单元,包括:
第一确定模块,用于确定所述多个第一轴承温度中的最小轴承温度和最大轴承温度;
划分模块,用于将所述最小轴承温度和所述最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数;
第二确定模块,用于确定所述至少两个第一轴承温度落在每个所述第一子区间内的第一个数;
选择模块,用于选择所述第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数;
第一计算模块,用于计算落在所述M个第一子区间内的各个第一轴承温度的第一平均值,并将所述第一平均值作为所述第二轴承温度。
进一步地,所述确定单元,包括:
第二计算模块,用于计算所述第二轴承温度和所述第三轴承温度之间的第一差值;
第三确定模块,用于根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障。
进一步地,所述第三确定模块,用于若所述第一差值小于所述第一阈值,则确定所述轴承不存在故障;若所述第一差值大于等于所述第一阈值,则确定所述轴承存在故障。
进一步地,所述第三确定模块,用于若所述第一差值大于等于所述第一阈值,获取所述第一差值的增长趋势信息;若所述增长趋势信息表征所述第一差值持续增长,则确定所述轴承存在故障。
进一步地,所述装置还包括:模型训练单元;
所述模型训练单元,包括:
获取模块,用于获取所述轴承在预设时间段内的多个第四轴承温度,并获取所述旋转设备的与每一个所述第四轴承温度对应的第三工作状态参数组合,其中,所述第三工作状态参数组合中包括至少一个第三工作参数;
提取模块,用于对所述多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个所述第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,所述第四工作状态参数组合中包括至少一个第四工作参数;
处理模块,用于采用预设的回归模型对所述第四工作状态参数组合进行处理,输出第六轴承温度;
第三计算模块,用于计算所述第五轴承温度和所述第六轴承温度之间的第二差值;
优化模块,用于若所述第二差值大于等于预设第二阈值,则根据所述第五轴承温度和所述第六轴承温度对所述回归模型进行深度学习训练,得到训练后的回归模型,并触发所述获取模块,直至得到收敛状态的回归模型;其中,在所述第二差值小于所述第二阈值时,得到收敛状态的回归模型。
本发明提供了一种轴承故障预警方法和装置,通过获取轴承在最近的时间段内的多个第一轴承温度,从而可对多个第一轴承温度进行趋势提取,以得到轴承在最近的时间段内的一个实际的趋势数据,也即第二轴承温度,以及通过获取旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合,从而可对多个第一工作状态参数组合进行趋势提取,以得到旋转设备在最近的时间段内的工作状态趋势数据,也即第二工作状态参数组合,然后将第二工作状态参数组合作为预设收敛状态的回归模型的输入,从而可获得回归模型预测出的与第二工作状态参数组合对应的第三轴承温度,那么基于预测出的趋势数据,也即第三轴承温度和实际的趋势数据,也即第二轴承温度,便可确定出该旋转设备中的轴承是否出现故障。因此,通过本方案能够早期发现轴承的故障征兆,从而能够提早进行必要的保障措施,避免更为严重的故障发生。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明实施例一提供的一种轴承故障预警方法的流程图;
图2为本发明实施例二提供的一种轴承故障预警方法的流程图;
图3为本发明实施例三提供的一种轴承故障预警装置的结构示意图;
图4为本发明实施例四提供的一种轴承故障预警装置的结构示意图;
图5为本发明实施例五提供的一种轴承故障预警设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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。
图1为本发明实施例一提供的轴承故障预警方法的流程图,如图1所示,以该实施例提供的方法应用于轴承故障预警装置来进行示例说明,该方法包括:
步骤101:获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数。
实际应用中,本实施例的执行主体可以为轴承故障预警装置,该轴承故障预警装置可以为程序软件,也可以为存储有相关计算机程序的介质,例如,U盘等;或者,该轴承故障预警装置还可以为集成或安装有相关计算机程序的实体设备,例如,芯片、智能终端、电脑、服务器等。
在本实施例中,获取数据的方式可有多种,其中一种是通过采集设备直接进行数据采集,例如,通过温度传感器直接采集轴承的第一轴承温度等等;再一种是通过网络通讯的方式从其他设备上获取到。
具体的,可按照预设的采样频率和时间区间长度获取轴承在最近的时间段内的多个第一轴承温度,以及旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合。举例来说,预设的采样频率为1次/秒、时间区间长度为5分钟,则以当前时刻为基准,获取过去5分钟内的1*60*5=300个第一轴承温度,以及获取与每一个第一轴承温度对应的第一工作状态参数组合,其中,每一个第一工作状态参数组合中包括至少一个第一工作参数,第一工作参数可为以下中的任意一项:旋转设备的转速、旋转设备向外输出的功率、轴温、油温。
步骤102:对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数。
在本实施例中,通过趋势提取的过程,能够提高对轴承故障确定的准确度。具体的,可基于核密度估计(Kernel Density Estimation,简称KDE)实现对多个第一轴承温度的趋势提取,以及对多个第一工作状态参数组合的趋势提取,本方案具体可以KDE中的直方图方法进行趋势提取,或者是采用KDE中的核函数进行趋势提取。
步骤103:采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度。
本方案可采用支持向量回归(Support Vector Regression,简称SVR)作为回归模型,也可采用神经网络作为回归模型。
在本实施例中,可预先基于历史数据对预设的回归模型进行多次深度学习训练,以得到收敛状态的回归模型,其中,历史数据可包括:轴承在过去时间段内的多个轴承温度,以及旋转设备的与每一个轴承温度对应的工作状态参数组合。
步骤104:根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障。
在本实施例中,可计算第二轴承温度和第三轴承温度之间的第一差值,然后基于该第一差值和预设第一阈值可确定轴承是否存在故障。其中一种确定方式为:若第一差值大于第一阈值,则确定轴承存在故障,该实施方式的效率较高;另一种故障确定方式为:若第一差值大于第一阈值,则继续执行步骤101至104,若最近几次计算得到的第一差值持续增长,则确定轴承存在故障征兆,该实施方式的准确度较高。
本发明实施例提供了一种轴承故障预警方法,通过获取轴承在最近的时间段内的多个第一轴承温度,从而可对多个第一轴承温度进行趋势提取,以得到轴承在最近的时间段内的一个实际的趋势数据,也即第二轴承温度,以及通过获取旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合,从而可对多个第一工作状态参数组合进行趋势提取,以得到旋转设备在最近的时间段内的工作状态趋势数据,也即第二工作状态参数组合,然后将第二工作状态参数组合作为预设收敛状态的回归模型的输入,从而可获得回归模型预测出的与第二工作状态参数组合对应的第三轴承温度,那么基于预测出的趋势数据,也即第三轴承温度和实际的趋势数据,也即第二轴承温度,便可确定出该旋转设备中的轴承是否出现故障。因此,通过本方案能够早期发现轴承的故障征兆,从而能够提早进行必要的保障措施,避免更为严重的故障发生。
图2为本发明实施例二提供的一种轴承故障预警方法的流程图,如图2所示,该方法可以包括:
步骤201:获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合,其中,每一个第一工作状态参数组合中包括至少一个第一工作参数。
步骤202:确定多个第一轴承温度中的最小轴承温度和最大轴承温度。
步骤203:将最小轴承温度和最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数。
在本实施例中,最小轴承温度x1和最大轴承温度x2所构成的区间为(x1,x2),则可将(x1,x2)等分成N个第一子区间,优选地,N=9。
步骤204:确定至少两个第一轴承温度落在每个第一子区间内的第一个数。
步骤205:选择第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数。
在本实施例中,M可根据实际需求进行设置,优选的,M=3。
步骤206:计算落在M个第一子区间内的各个第一轴承温度的第一平均值,并将第一平均值作为第二轴承温度。
步骤207:对各个第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,第二工作状态参数组合中包括至少一个第二工作参数。
具体的,该过程可通过以下步骤实现:
第一步骤,确定同类型的第一工作参数中的最小第一工作参数和最大第一工作参数;
第二步骤,将最小第一工作参数和最大第一工作参数所构成的区间划分为P个第二子区间,其中,P为大于1的正整数;
第三步骤,确定同类型的第一工作参数落在每个第二子区间内的第二个数;
第四步骤,选择第二个数排名在前Q的Q个第二子区间,其中,Q为大于1且小于等于P的正整数;
第五步骤,计算落在Q个第二子区间内的各个第一工作参数的第二平均值,并将第二平均值作为与同类型的第一工作参数对应的第二工作参数。
值得说明的是,图2所示的流程图仅是本方案存在的一种形式,步骤207可与步骤202至206同时执行。
步骤208:采用预设的收敛状态的回归模型对第二工作状态参数组合进行处理,输出第三轴承温度。
在本实施例中,为了得到收敛状态的回归模型,还可以包括以下步骤:
重复执行以下所有步骤,直至得到收敛状态的回归模型:
第一步骤,获取轴承在预设时间段内的多个第四轴承温度,并获取旋转设备的与每一个第四轴承温度对应的第三工作状态参数组合,其中,第三工作状态参数组合中包括至少一个第三工作参数;
第二步骤,对多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,第四工作状态参数组合中包括至少一个第四工作参数;
第三步骤,采用预设的回归模型对第四工作状态参数组合进行处理,输出第六轴承温度;
第四步骤,计算第五轴承温度和第六轴承温度之间的第二差值;
第五步骤,若第二差值大于等于预设的第二阈值,则根据第五轴承温度和第六轴承温度对回归模型进行深度学习训练,得到训练后的回归模型;其中,在第二差值小于第二阈值时,得到收敛状态的回归模型。
其中,第二阈值可根据实际需求进行设置,优选的,第二阈值为0.2摄氏度。
值得说明的是,每一次在执行第一步骤时,获取的是轴承在不同时间段内的多个第四轴承温度,以通过新的数据再对回归模型进行深度学习训练。另外,还可预先获取到在过去某段时间内的所有历史数据,如过去一年,然后在每一次训练时,从所有历史数据中随机选取一定数量的第一轴承温度和与每一个第一轴承温度对应的第一工作状态参数组合,然后基于随机选取的数据执行第二步骤至第五步骤。
在本实施例中,若采用神经网络作为回归模型,则在第五步骤中,具体可将第五轴承温度和第六轴承温度代入到预设的损失函数中,通过损失函数计算得到损失误差,然后根据该损失误差对回归模型进行深度优化。若采用SVR作为回归模型,则在第五步骤中,具体可根据第五轴承温度、第六轴承温度所对应的第三工作状态参数组合和当前回归模型中的支持向量对回归模型进行优化,其中,具体的优化过程可基于现有技术实现,此处不再赘述。
步骤209:计算第二轴承温度和第三轴承温度之间的第一差值。
步骤210:根据第一差值和预设第一阈值,确定轴承是否存在故障。
其中,第一阈值可根据实际需求进行设置,优先的,第一阈值为2摄氏度。另外,第一差值可理解为第二轴承温度和第三轴承温度之间相减的绝对值。
在本实施例中,若第一差值小于预设第一阈值,则确定轴承不存在故障;若第一差值大于等于预设第一阈值,则确定所述轴承存在故障。进一步地,若第一差值大于等于预设第一阈值,则确定所述轴承存在故障,包括:
若第一差值大于等于预设第一阈值,获取第一差值的增长趋势信息;
若增长趋势信息表征第一差值持续增长,则确定轴承存在故障。
具体的,若本次计算得到的第一差值大于等于第一阈值,则可重新执行步骤201至步骤210,若最近几次计算得到的第一差值呈持续增长的趋势,则确定轴承出现故障。
本发明实施例通过预先采用多个第四轴承温度和与每一个第四轴承温度对应的第三工作状态参数对预设的回归模型进行深度学习训练,得到了收敛状态的回归模型,从而接下来可利用收敛状态的回归模型对轴承进行故障判断,以早期发现轴承故障征兆,避免更为严重的问题发生,减少维修工期和维修成本;另外,通过确定最小轴承温度和最大轴承温度、划分第一子区间,确定第一个数、选取M个第一子区间以及求取平均值的过程,能够实现对多个第一轴承温度的趋势提取,以提取出轴承在最近的时间段内的实际的温度趋势,从而能够提高对轴承故障进行预警的准确度。
图3为本发明实施例三提供的一种轴承故障预警装置的结构示意图,如图3所示,包括:
获取单元301,用于获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数。
提取单元302,用于对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数。
处理单元303,用于采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度。
确定单元304,用于根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障。
在本实施例中,本实施例的轴承故障预警装置可执行本发明实施例一提供的轴承故障预警方法,其实现原理相类似,此处不再赘述。
本发明实施例通过获取轴承在最近的时间段内的多个第一轴承温度,从而可对多个第一轴承温度进行趋势提取,以得到轴承在最近的时间段内的一个实际的趋势数据,也即第二轴承温度,以及通过获取旋转设备的与每一个第一轴承温度对应的第一工作状态参数组合,从而可对多个第一工作状态参数组合进行趋势提取,以得到旋转设备在最近的时间段内的工作状态趋势数据,也即第二工作状态参数组合,然后将第二工作状态参数组合作为预设收敛状态的回归模型的输入,从而可获得回归模型预测出的与第二工作状态参数组合对应的第三轴承温度,那么基于预测出的趋势数据,也即第三轴承温度和实际的趋势数据,也即第二轴承温度,便可确定出该旋转设备中的轴承是否出现故障。因此,通过本方案能够早期发现轴承的故障征兆,从而能够提早进行必要的保障措施,避免更为严重的故障发生。
图4为本发明实施例四提供的一种轴承故障预警装置的结构示意图,在实施例三的基础上,如图4所示,
所述提取单元302,包括:
第一确定模块3021,用于确定所述多个第一轴承温度中的最小轴承温度和最大轴承温度;
划分模块3022,用于将所述最小轴承温度和所述最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数;
第二确定模块3023,用于确定所述至少两个第一轴承温度落在每个所述第一子区间内的第一个数;
选择模块3024,用于选择所述第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数;
第一计算模块3025,用于计算落在所述M个第一子区间内的各个第一轴承温度的第一平均值,并将所述第一平均值作为所述第二轴承温度。
进一步地,所述确定单元304,包括:
第二计算模块3041,用于计算所述第二轴承温度和所述第三轴承温度之间的第一差值;
第三确定模块3042,用于根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障。
进一步地,所述第三确定模块3042,用于若所述第一差值小于所述第一阈值,则确定所述轴承不存在故障;若所述第一差值大于等于所述第一阈值,则确定所述轴承存在故障。
进一步地,所述第三确定模块3042,用于若所述第一差值大于等于所述第一阈值,获取所述第一差值的增长趋势信息;若所述增长趋势信息表征所述第一差值持续增长,则确定所述轴承存在故障。
进一步地,所述装置还包括:模型训练单元401;
所述模型训练单元401,包括:
获取模块4011,用于获取所述轴承在预设时间段内的多个第四轴承温度,并获取所述旋转设备的与每一个所述第四轴承温度对应的第三工作状态参数组合,其中,所述第三工作状态参数组合中包括至少一个第三工作参数;
提取模块4012,用于对所述多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个所述第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,所述第四工作状态参数组合中包括至少一个第四工作参数;
处理模块4013,用于采用预设的回归模型对所述第四工作状态参数组合进行处理,输出第六轴承温度;
第三计算模块4014,用于计算所述第五轴承温度和所述第六轴承温度之间的第二差值;
优化模块4015,用于若所述第二差值大于等于预设第二阈值,则根据所述第五轴承温度和所述第六轴承温度对所述回归模型进行深度学习训练,得到训练后的回归模型,并触发所述获取模块,直至得到收敛状态的回归模型;其中,在所述第二差值小于所述第二阈值时,得到收敛状态的回归模型。
在本实施例中,本实施例的轴承故障预警装置可执行本发明实施例二提供的轴承故障预警方法,其实现原理相类似,此处不再赘述。
本发明实施例通过预先采用多个第四轴承温度和与每一个第四轴承温度对应的第三工作状态参数对预设的回归模型进行深度学习训练,得到了收敛状态的回归模型,从而接下来可利用收敛状态的回归模型对轴承进行故障判断,以早期发现轴承故障征兆,避免更为严重的问题发生,减少维修工期和维修成本;另外,通过确定最小轴承温度和最大轴承温度、划分第一子区间,确定第一个数、选取M个第一子区间以及求取平均值的过程,能够实现对多个第一轴承温度的趋势提取,以提取出轴承在最近的时间段内的实际的温度趋势,从而能够提高对轴承故障进行预警的准确度。
图5为本发明实施例五提供的一种轴承故障预警装置的结构示意图,包括:存储器501和处理器502。
所述存储器501,用于存储计算机程序。
其中,所述处理器502执行所述存储器501中的计算机程序,以实现任一实施例的提供的方法。
本发明实施例六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以实现任一实施例的提供的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (5)
1.一种轴承故障预警方法,其特征在于,包括:
获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数;
对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数;
采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度;
根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障;
对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,包括:
确定所述多个第一轴承温度中的最小轴承温度和最大轴承温度;
将所述最小轴承温度和所述最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数;
确定所述至少两个第一轴承温度落在每个所述第一子区间内的第一个数;
选择所述第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数;
计算落在所述M个第一子区间内的各个第一轴承温度的第一平均值,并将所述第一平均值作为所述第二轴承温度;
根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障,包括:
计算所述第二轴承温度和所述第三轴承温度之间的第一差值;
根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障;
根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障,包括:
若所述第一差值小于所述预设第一阈值,则确定所述轴承不存在故障;
若所述第一差值大于等于所述预设第一阈值,则确定所述轴承存在故障。
2.根据权利要求1所述的方法,其特征在于,若所述第一差值大于等于所述预设第一阈值,则确定所述轴承存在故障,包括:
若所述第一差值大于等于所述预设第一阈值,获取所述第一差值的增长趋势信息;
若所述增长趋势信息表征所述第一差值持续增长,则确定所述轴承存在故障。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
重复执行以下所有步骤,直至得到收敛状态的回归模型:
获取所述轴承在预设时间段内的多个第四轴承温度,并获取所述旋转设备的与每一个所述第四轴承温度对应的第三工作状态参数组合,其中,所述第三工作状态参数组合中包括至少一个第三工作参数;
对所述多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个所述第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,所述第四工作状态参数组合中包括至少一个第四工作参数;
采用预设的回归模型对所述第四工作状态参数组合进行处理,输出第六轴承温度;
计算所述第五轴承温度和所述第六轴承温度之间的第二差值;
若所述第二差值大于等于预设第二阈值,则根据所述第五轴承温度和所述第六轴承温度对所述回归模型进行深度学习训练,得到训练后的回归模型;
其中,在所述第二差值小于所述第二阈值时,得到收敛状态的回归模型。
4.一种轴承故障预警装置,其特征在于,包括:
获取单元,用于获取轴承在最近的时间段内的多个第一轴承温度,并获取旋转设备的与每一个所述第一轴承温度对应的第一工作状态参数组合,其中,每一个所述第一工作状态参数组合中包括至少一个第一工作参数;
提取单元,用于对所述多个第一轴承温度进行趋势提取,得到一个第二轴承温度,并对各个所述第一工作状态参数组合进行趋势提取,得到一个第二工作状态参数组合,其中,所述第二工作状态参数组合中包括至少一个第二工作参数;
处理单元,用于采用预设的收敛状态的回归模型对所述第二工作状态参数组合进行处理,输出第三轴承温度;
确定单元,用于根据所述第二轴承温度和所述第三轴承温度,确定所述轴承是否存在故障;
所述提取单元,包括:
第一确定模块,用于确定所述多个第一轴承温度中的最小轴承温度和最大轴承温度;
划分模块,用于将所述最小轴承温度和所述最大轴承温度所构成的区间划分为N个第一子区间,其中,N为大于1的正整数;
第二确定模块,用于确定所述至少两个第一轴承温度落在每个所述第一子区间内的第一个数;
选择模块,用于选择所述第一个数排名在前M的M个第一子区间,其中,M为大于1且小于等于N的正整数;
第一计算模块,用于计算落在所述M个第一子区间内的各个第一轴承温度的第一平均值,并将所述第一平均值作为所述第二轴承温度;
所述确定单元,包括:
第二计算模块,用于计算所述第二轴承温度和所述第三轴承温度之间的第一差值;
第三确定模块,用于根据所述第一差值和预设第一阈值,确定所述轴承是否存在故障;
所述第三确定模块,具体用于若所述第一差值小于所述预设第一阈值,则确定所述轴承不存在故障;若所述第一差值大于等于所述预设第一阈值,则确定所述轴承存在故障。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:模型训练单元;
所述模型训练单元,包括:
获取模块,用于获取所述轴承在预设时间段内的多个第四轴承温度,并获取所述旋转设备的与每一个所述第四轴承温度对应的第三工作状态参数组合,其中,所述第三工作状态参数组合中包括至少一个第三工作参数;
提取模块,用于对所述多个第四轴承温度进行趋势提取,得到第五轴承温度,并对各个所述第三工作状态参数组合进行趋势提取,得到第四工作状态参数组合,其中,所述第四工作状态参数组合中包括至少一个第四工作参数;
处理模块,用于采用预设的回归模型对所述第四工作状态参数组合进行处理,输出第六轴承温度;
第三计算模块,用于计算所述第五轴承温度和所述第六轴承温度之间的第二差值;
优化模块,用于若所述第二差值大于等于预设第二阈值,则根据所述第五轴承温度和所述第六轴承温度对所述回归模型进行深度学习训练,得到训练后的回归模型,并触发所述获取模块,直至得到收敛状态的回归模型;其中,在所述第二差值小于所述第二阈值时,得到收敛状态的回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139428.7A CN109829245B (zh) | 2019-02-25 | 2019-02-25 | 轴承故障预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139428.7A CN109829245B (zh) | 2019-02-25 | 2019-02-25 | 轴承故障预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829245A CN109829245A (zh) | 2019-05-31 |
CN109829245B true CN109829245B (zh) | 2023-05-26 |
Family
ID=66864469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139428.7A Active CN109829245B (zh) | 2019-02-25 | 2019-02-25 | 轴承故障预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829245B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501160B (zh) * | 2019-07-31 | 2021-07-02 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、系统和存储介质 |
CN113740063B (zh) * | 2021-09-26 | 2022-10-28 | 重庆大学 | 列车轴承监控预警方法及系统 |
CN117726144B (zh) * | 2024-02-07 | 2024-05-07 | 青岛国彩印刷股份有限公司 | 一种基于数据处理的智能数字印刷管理系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5561610A (en) * | 1994-06-30 | 1996-10-01 | Caterpillar Inc. | Method and apparatus for indicating a fault condition |
US20020105429A1 (en) * | 1999-01-25 | 2002-08-08 | Donner John Lawrence | Bearing condition monitoring method and apparatus |
CN102831325B (zh) * | 2012-09-04 | 2016-03-30 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
CN106407589B (zh) * | 2016-09-29 | 2020-01-21 | 北京岳能科技股份有限公司 | 一种风机状态评估与预测方法及系统 |
CN106828106B (zh) * | 2016-12-29 | 2019-07-09 | 北京交通大学 | 一种面向动车组牵引电机的故障预警方法 |
CN108269324B (zh) * | 2016-12-30 | 2021-04-27 | 中移智行网络科技有限公司 | 一种发动机的冷却液温度监测方法及车联网服务平台 |
CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
CN108051211B (zh) * | 2017-12-29 | 2019-10-18 | 湖南优利泰克自动化系统有限公司 | 一种风电机组主轴承温度预警诊断方法 |
-
2019
- 2019-02-25 CN CN201910139428.7A patent/CN109829245B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109829245A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829245B (zh) | 轴承故障预警方法和装置 | |
CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
CN108731923B (zh) | 一种旋转机械设备的故障检测方法及装置 | |
US11493911B2 (en) | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets | |
Patil et al. | Remaining useful life (RUL) prediction of rolling element bearing using random forest and gradient boosting technique | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN113048043B (zh) | 柱塞泵参数阈值设置方法、装置、电子设备和存储介质 | |
CN110705609B (zh) | 引风机运行状态诊断方法、装置及电子设备、存储介质 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN112855460B (zh) | 风电机组轴系实时疲劳寿命预测方法、系统、介质及设备 | |
Helsen et al. | Fleet-wide condition monitoring combining vibration signal processing and machine learning rolled out in a cloud-computing environment | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
Karuppusamy | Machine learning approach to predictive maintenance in manufacturing industry-a comparative study | |
CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
Pei et al. | Wind turbine condition monitoring using SCADA data and data mining method | |
Lima et al. | Wind turbine failure prediction using SCADA data | |
CN109214109B (zh) | 一种石化装备旋转机械的剩余寿命预测验证方法 | |
CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
CN114962177A (zh) | 一种用于风力发电机组的状态监测方法及系统 | |
Boukra et al. | Identifying new prognostic features for remaining useful life prediction | |
US11168669B2 (en) | Method, apparatus and system for wind converter management | |
US11726468B1 (en) | Fully automated anomaly detection system and method | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines |
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 |