CN110242588B - 一种离心泵诊断信号采集系统及故障诊断方法 - Google Patents
一种离心泵诊断信号采集系统及故障诊断方法 Download PDFInfo
- Publication number
- CN110242588B CN110242588B CN201910475944.7A CN201910475944A CN110242588B CN 110242588 B CN110242588 B CN 110242588B CN 201910475944 A CN201910475944 A CN 201910475944A CN 110242588 B CN110242588 B CN 110242588B
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- fault
- fault diagnosis
- signal
- frequency band
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims abstract description 9
- 230000010349 pulsation Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
该发明公开了一种离心泵诊断信号采集系统及故障诊断方法，属于离心泵故障诊断研究的技术领域。本发明核心在于将采集信号各频段能量百分比代替传统的频段能量作为特征向量，在一定程度上削弱信号频段能量绝对值大小造成的地位不平等；对于神经网络的隐含层神经元个数和函数分布密度都加入遍历算法进行优化，使得在遍历范围内总可以自动找到最佳参数设置点，可以使得该方法更广泛适用于不同型号的离心泵。所以本发明的离心泵故障诊断信号采集系统装置结构简单，加速度信号和压力脉动信号采集全面，系统性能可靠、准确有效。
Description
技术领域
本发明属于离心泵故障诊断研究的技术领域，涉及一种离心泵故障诊断方法以及故障诊断信号采集系统。
背景技术
离心泵广泛应用于各种工业领域中，依靠叶轮旋转时产生的离心力来输送液体。在工业生产中，离心泵与其他设备之间的联系也越来越紧密，其结构复杂，再加上各种随机因素的影响，离心泵容易发生各式各样的故障，使得其功能降低。
在对离心泵进行故障诊断时，目前往往是采用振动信号来进行判断，比如位移信号、速度信号以及加速度信号，这是因为正常运行以及发生故障的离心泵会使设备产生不同振动，而不同振动信号能很好地反映出离心泵运行时机械部件的状况，该类信号中包含了丰富的泵体运行状态信息。但另一方面来说，振动信号却很难反应出离心泵发生初期汽蚀或是汽蚀程度不严重时的故障情况，这种情况下单单采用振动信号将导致无法及时地获取到离心泵运行时的汽蚀状况，进而可能造成更严重的故障。并且在实际工程中，离心泵型号多种多样，运用完全相同的故障诊断方法，倘若参数全部固定，那么可能出现对于不同型号离心泵，诊断效果出现很大差异的情况。这样一来，离心泵故障诊断的准确性就降低了。
现有技术中公开了”Fault diagnosis of pumps based on wavelet analysisand BP neural network”Jiang Dan，Yu Jian，Ren Cong，Hao Xiaohong，本文章公开的基于小波分析和BP 神经网络的水泵故障诊断方法，只采集了离心机的一处加速度信号，采用小波能量分析提取加速度信号的能量，再采用训练好的BP神经网络实时对提取的能量进行判断，通过神经网络的输出，最终判断是否故障，也不能判断具体的故障类型。
发明内容
本发明针对背景技术中提取信号种类少，不能判断故障种类的缺陷，提出了一种能够有效、准确诊断离心泵故障的方法，并提供上述方法所需要的，结构简单且信号采集全面，真实有效的离心泵振动信号采集系统。
解决其技术问题所采用的技术方案是：一种基于神经网络的离心泵故障诊断方法。其特殊之处在于同时采集压力脉动信号和加速度信号作为离心泵故障诊断信号，离心泵故障诊断特征量的确定方式以及在神经网络中加入网络隐含层神经元个数和函数分布密度的遍历算法进行网络优化这三个方面。搭建的离心泵故障诊断系统如图1所示，其加速度传感器的安装位置如图2所示，整体故障诊断技术路线流程图如图3所示。因而本发明技术方案为一种离心泵故障诊断方法，该方法包括：
步骤1：分别采集离心泵泵轴位置的加速度信号、离心泵联轴器位置的加速度信号、离心泵基座位置的加速度信号、离心泵入口压力脉动信号和离心泵出口压力脉动信号；
步骤2：采用下式对步骤1采集到的5种信号分别进行去噪处理；
其中：Wj(a,b)表示去噪后的信号，Xj(t)表示步骤1中采样得到的信号，j表示5种采集信号的编号取值为1、2、3、4或5，a为伸缩因子，b是平移因子，ψ(t)是去噪函数，
是ψ(t)的复共轭；ψ(t)可表示为：
步骤3：对步骤2去噪后的信号进行分频段能量提取；
步骤3.1：分为4个频段，这4个频段的编号分别用下标j,1，j,2，j,3，j,4表示，j表示5种采集信号的编号取值为1、2、3、4或5，，最低频段fj,1的范围是(0，f/23]，fj,2的范围是(f/23，f/22]，fj,3的范围是(f/22，f/2]，最高频段fj,4的范围是(f/2，f]，f表示信号采样频率；
步骤3.2：采用下式在各频段内进行能量提取：
其中：Ej,1、Ej,2、Ej,3、Ej,4分别表示提取的各频段内的能量，
分别表示各频段内分解系数序列的第i个元素，N表示分解系数序列元素的总个数；
步骤3.3：计算诊断特征量Tj：
Tj＝[Ej,1/E,Ej,2/E,Ej,3/E,Ej,4/E]＝[ej,1,ej,2,ej,3,ej,4]
其中E＝Ej,1+Ej,2+Ej,3+Ej,4；最终得到故障诊断的特征集可表达为：
T＝[T1，T2，T3，T4，T5]；
步骤4：对步骤3得到的故障诊断的特征集进行归一化处理；
步骤5：建立一个具有20个输入1个输出的三层神经网络故障诊断模型，输入为：步骤4 计算得到的归一化后数据
输出为：离心泵正常、初期汽蚀故障、质量不平衡故障、转子不对中故障或基础松动故障所代表的数值；
步骤6：采用进步骤1-步骤4处理的带有离心泵正常、初期汽蚀故障、质量不平衡故障、转子不对中故障或基础松动故障标签的样本数据对步骤5建立的神经网络故障诊断模型进行训练，直到训练收敛；然后采用训练好的神经网络故障诊断模型对实时获取的数据进行实时检测。
进一步的，所述步骤4的具体方法为：步骤3中最终得到故障诊断的特征集可表达为：
T＝[T1，T2，T3，T4，T5]，其中Tj＝[ej,1,ej,2,ej,3,ej,4]；
分别当s＝1,2,3或4时，在数据ej,s内找出最小值e(j,s)min和最大值e(j,s)max，再采用下面公式对ej,s进行间距平均处理；
其中：
表示间距平均后的值，其中s＝1,2,3,4，j＝1,2,3,4,5；
进一步的，所述步骤5中建立的神经网络故障诊断模型为：20个输入1个输出的三层全连接神经网络故障诊断模型,输入为：数据
输出为：离心泵正常表示为1、初期汽蚀故障表示为2、质量不平衡故障表示为3、转子不对中故障表示为4或基础松动故障表示为5；其中每个神经元的输出表达式为:
A＝f(||W-P||·B)
其中:A表示单个神经元的输出,W表示权值向量,P为输入,
B为阈值， B＝(b1,b2,..bn..,bN-1,bN)，其中b1＝b2＝,..bn..,＝bN-1＝bN，N为神经网络隐含层的神经元个数；
m表示f(x)的分布密度。
一种离心泵故障诊断信号采集系统，该系统包括：检测装置、PLC变频控制系统和数据采集系统；其中检测装置包括：水箱、支撑架和管路系统，所述支撑架用于固定检测装置，所述管路系统中包括：连接水箱与离心泵进水口的进水管，连接水箱与离心泵出水口的出水管，进水管上设置有流量计和阀1，出水管上设置有阀2；所述PLC变频控制系统控制离心泵工作启停和调节泵运行频率；所述数据采集系统包括：安装于离心泵泵轴位置的加速度传感器、安装于离心泵联轴器位置的加速度传感器、安装于离心泵基座位置的加速度传感器、安装于离心泵入口压力传感器、安装于离心泵出口压力传感器、为各传感器提供电压的电源、收集各传感器数据的数据采集卡，计算机；所述计算机用于处理数据采集卡采集到得数据。
本发明的离心泵故障诊断方法的优点在于：将采集信号各频段能量百分比代替传统的频段能量作为特征向量，在一定程度上削弱信号频段能量绝对值大小造成的地位不平等；对于神经网络的隐含层神经元个数和函数分布密度都加入遍历算法进行优化，使得在遍历范围内总可以自动找到最佳参数设置点，可以使得该方法更广泛适用于不同型号的离心泵。所以本发明的离心泵故障诊断信号采集系统装置结构简单，加速度信号和压力脉动信号采集全面，系统性能可靠、准确有效。
附图说明
图1为离心泵故障诊断的信号采集系统示意图。
图2为离心泵故障诊断系统的加速度信号采集示意图。
图3为离心泵故障诊断技术路线流程图。
图4为本发明去噪原理框图。
具体实施方式
下面利用附图对离心泵故障诊断信号采集系统作详细说明。
参照图1和图2，离心泵故障诊断信号采集系统包括实验装置、PLC变频控制系统和数据采集系统。其中实验装置结构是上游水箱、支撑架和管路系统；该系统包括：检测装置、PLC 变频控制系统和数据采集系统；其中检测装置包括：水箱、支撑架和管路系统，所述支撑架用于固定检测装置，所述管路系统中包括：连接水箱与离心泵进水口的进水管，连接水箱与离心泵出水口的出水管，进水管上设置有流量计和阀1，出水管上设置有阀2；所述PLC变频控制系统控制离心泵工作启停和调节泵运行频率；所述数据采集系统包括：安装于离心泵泵轴位置的加速度传感器、安装于离心泵联轴器位置的加速度传感器、安装于离心泵基座位置的加速度传感器、安装于离心泵入口压力传感器、安装于离心泵出口压力传感器、为各传感器提供电压的电源、收集各传感器数据的数据采集卡，计算机；所述计算机用于处理数据采集卡采集到得数据。
上游水箱为PVC材质的储水罐，容积为50升，与离心泵吸水管路连通，其作用是保持上游压力恒定。在水箱上部有防尘盖，可以保证实验内水的清洁。
实验台支撑架由三角钢搭建而成，长×宽×高为6070mm×76mm×56mm。用来支撑整个实验管路系统。
管路系统主要由自吸式离心水泵，2个手动二位二通球阀、输水管路和流量计等主要设备、元器件组成。实验管路是由长度为4.105m，内径为16mm，外径为22mm的紫铜管搭建而成。紫铜不易生锈，化学稳定性良好，可满足实验的压力强度要求。
其中：自吸式离心水泵采用水泵AMS70/0.75型号，额定流量是4m3/h，额定扬程为25m，最大扬程为30m。离心泵通过三相交流电机驱动，电机额定功率是0.75kW，额定转速为2850r/min。自吸式离心泵为不锈钢材质，不易生锈，因此不会污染试验纯水。离心泵通过螺纹连接的方式固定在支撑架上。2个手动二位二通球阀可以开通或关闭关输水管路并通过设置阀门开度大小来调节管路内水流大小。
PLC变频控制系统主要由PLC、变频器、传感器、控制按钮、继电器、蜂鸣器组成，主要来控制电机启停、调速，急停报警等。电机的开关、转速可通过变频器来调节控制，可以在0～50Hz内调节驱动电机转动的三相交流电的频率。但是，为了防止电机由于低转速过热，一般实验过程中的电流频率控制在25～50Hz内调节。
数据采集系统由加速度传感器、压力传感器、数据采集卡和计算机组成，用来记录实验过程中离心泵工作中故障诊断信号的变化。
压电式加速度传感器采用江苏联能CA-YD-186(CN)，量程为50g，采用配套的恒流电源转换器YE3822A供电+12～+24VDC，最大输出信号(峰值)为6V。加速度传感器通过磁铁吸附的方式安装于离心泵靠近泵轴(测试点1)、靠近联轴器(测试点2)以及靠近基座(测试点3) 的径向上。压力传感器选用小型、带M10螺纹的压阻式压力传感器，测量的压力范围是0～1.7MPa。通过螺纹和测压接头连接，实现对水泵管路的压力测量。压力传感器安装在离心泵靠近入口端 (测试点4)和出口端(测试点5)的管路上，参考图2。
数据采集卡采用研华PCI-1718，总采样频率最高可达100KHz，采集电压范围是0～5V，具有12位的分辨率。数据采集卡信号输入端与传感器连接，信号输出端通过PCI总线与计算机PCI接口进行连接，并与计算机LabVIEW软件配合使用，完成对数据采集卡的驱动、监控、数据保存工作。
对离心泵进行实验时，首先通过PLC变频控制系统开启离心泵，将阀1开到最大角度，将阀2调节至合理开度，模拟出带负载情况。调节PLC变频控制器上电机频率按钮至所需要的离心泵工作频率。通过计算机上的LabView软件设置采样点数和采样频率，点击采集开始按钮驱动数据采集卡读取传感器数据，并将数据保存到计算机中。将采集得到的加速度信号和压力信号数据通过本发明提出的离心泵故障诊断方法进行故障诊断，得出的诊断结果真实有效，可以很好地对离心泵故障进行模式分类，提高故障诊断的准确率。
Claims (3)
1.一种离心泵故障诊断方法，该方法包括：
步骤1：分别采集离心泵泵轴位置的加速度信号、离心泵联轴器位置的加速度信号、离心泵基座位置的加速度信号、离心泵入口压力脉动信号和离心泵出口压力脉动信号；
步骤2：采用下式对步骤1采集到的5种信号分别进行去噪处理；
其中：Wj(a,b)表示去噪后的信号，Xj(t)表示步骤1中采样得到的信号，j表示5种采集信号的编号取值为1、2、3、4或5，a为伸缩因子，b是平移因子，ψ(t)是去噪函数，
是ψ(t)的复共轭；ψ(t)可表示为：
步骤3：对步骤2去噪后的信号进行分频段能量提取；
步骤3.1：分为4个频段，这4个频段的编号分别用下标j,1，j,2，j,3，j,4表示，j表示5种采集信号的编号取值为1、2、3、4或5，最低频段fj,1的范围是(0，f/23]，fj,2的范围是(f/23，f/22]，fj,3的范围是(f/22，f/2]，最高频段fj,4的范围是(f/2，f]，f表示信号采样频率；
步骤3.2：采用下式在各频段内进行能量提取：
其中：Ej,1、Ej,2、Ej,3、Ej,4分别表示提取的各频段内的能量，
分别表示各频段内分解系数序列的第i个元素，N表示分解系数序列元素的总个数；
步骤3.3：计算诊断特征量Tj：
Tj＝[Ej,1/E,Ej,2/E,Ej,3/E,Ej,4/E]＝[ej,1,ej,2,ej,3,ej,4]
其中E＝Ej,1+Ej,2+Ej,3+Ej,4；最终得到故障诊断的特征集可表达为：
T＝[T1，T2，T3，T4，T5]；
步骤4：对步骤3得到的故障诊断的特征集进行归一化处理；
步骤5：建立一个具有20个输入1个输出的三层神经网络故障诊断模型，输入为：步骤4计算得到的归一化后数据
输出为：离心泵正常、初期汽蚀故障、质量不平衡故障、转子不对中故障或基础松动故障所代表的数值；
建立的神经网络故障诊断模型为：20个输入1个输出的三层全连接神经网络故障诊断模型,输入为：数据
输出为：离心泵正常表示为1、初期汽蚀故障表示为2、质量不平衡故障表示为3、转子不对中故障表示为4或基础松动故障表示为5；其中每个神经元的输出表达式为:
A＝f(||W-P||·B)
其中:A表示单个神经元的输出,W表示权值向量,P为输入,
B为阈值，B＝(b1,b2,..bn..,bN-1,bN)，其中b1＝b2＝,..bn..,＝bN-1＝bN，N为神经网络隐含层的神经元个数；
m表示f(x)的分布密度；
步骤6：采用步骤1-步骤4处理的带有离心泵正常、初期汽蚀故障、质量不平衡故障、转子不对中故障或基础松动故障标签的样本数据对步骤5建立的神经网络故障诊断模型进行训练，直到训练收敛；然后采用训练好的神经网络故障诊断模型对实时获取的数据进行实时检测。
2.如权利要求1所述的一种离心泵故障诊断方法，其特征在于所述步骤4的具体方法为：步骤3中最终得到故障诊断的特征集可表达为：
T＝[T1，T2，T3，T4，T5]，其中Tj＝[ej,1,ej,2,ej,3,ej,4]；
分别当s＝1,2,3或4时，在数据ej,s内找出最小值e(j,s)min和最大值e(j,s)max，再采用下面公式对ej,s进行间距平均处理；
其中：
表示间距平均后的值，其中s＝1,2,3,4，j＝1,2,3,4,5。
3.一种采用权利要求1所述的一种离心泵故障诊断方法的故障诊断信号采集系统，该系统包括：检测装置、PLC变频控制系统和数据采集系统；其中检测装置包括：水箱、支撑架和管路系统，所述支撑架用于固定检测装置，所述管路系统中包括：连接水箱与离心泵进水口的进水管，连接水箱与离心泵出水口的出水管，进水管上设置有流量计和阀1，出水管上设置有阀2；所述PLC变频控制系统控制离心泵工作启停和调节泵运行频率；所述数据采集系统包括：安装于离心泵泵轴位置的加速度传感器、安装于离心泵联轴器位置的加速度传感器、安装于离心泵基座位置的加速度传感器、安装于离心泵入口压力传感器、安装于离心泵出口压力传感器、为各传感器提供电压的电源、收集各传感器数据的数据采集卡，计算机；所述计算机用于处理数据采集卡采集到得数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475944.7A CN110242588B (zh) | 2019-06-03 | 2019-06-03 | 一种离心泵诊断信号采集系统及故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475944.7A CN110242588B (zh) | 2019-06-03 | 2019-06-03 | 一种离心泵诊断信号采集系统及故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110242588A CN110242588A (zh) | 2019-09-17 |
| CN110242588B true CN110242588B (zh) | 2020-11-17 |
Family
ID=67885903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910475944.7A Expired - Fee Related CN110242588B (zh) | 2019-06-03 | 2019-06-03 | 一种离心泵诊断信号采集系统及故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110242588B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
| CN113864208B (zh) * | 2020-06-30 | 2023-11-17 | 宝武装备智能科技有限公司 | 脱硫浆液循环泵运行状态智能监测诊断方法 |
| CN113486707B (zh) * | 2021-05-24 | 2023-09-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
| CN113530850B (zh) * | 2021-08-26 | 2022-10-18 | 江苏科技大学 | 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法 |
| CN114091528A (zh) | 2021-11-11 | 2022-02-25 | 烟台杰瑞石油服务集团股份有限公司 | 故障诊断方法、诊断模型构建方法、装置、设备和介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6449102B2 (ja) * | 2015-05-29 | 2019-01-09 | 三菱重工業株式会社 | 油圧機械の診断方法及び診断装置、並びに再生エネルギー型発電装置及びその診断方法 |
| CN106015028B (zh) * | 2016-05-04 | 2018-11-06 | 江苏大学 | 一种基于物联网的水泵泵组智能监控与故障预警方法 |
| CN108757502A (zh) * | 2018-05-15 | 2018-11-06 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN109139499A (zh) * | 2018-08-22 | 2019-01-04 | 西安航空职业技术学院 | 一种变频水泵状态监测与故障诊断系统及方法 |
| CN109236684A (zh) * | 2018-10-10 | 2019-01-18 | 江苏大学 | 一种水泵汽蚀状态监测装置及方法 |
-
2019
- 2019-06-03 CN CN201910475944.7A patent/CN110242588B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN110242588A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110242588B (zh) | 一种离心泵诊断信号采集系统及故障诊断方法 | |
| CN106015028B (zh) | 一种基于物联网的水泵泵组智能监控与故障预警方法 | |
| CN105649978B (zh) | 单螺杆泵故障诊断和性能测试装置及方法 | |
| CN109190166B (zh) | 一种叶片泵空化判定及状态评估方法及其系统 | |
| CN107202028B (zh) | 一种涡轮增压器离心压气机喘振识别方法 | |
| CN103511396A (zh) | 基于功率回收技术的液压泵及液压马达可靠性试验装置 | |
| CN106089754A (zh) | 基于“互联网+”的潜水泵实时故障诊断与维修方法 | |
| WO2021056126A1 (zh) | 便携式液压系统泄漏信号采集装置及其采集方法 | |
| CN112329357B (zh) | 一种清水离心泵振动故障的简易诊断方法及诊断系统 | |
| CN102937104A (zh) | 一种透平压缩机测试系统 | |
| Jami et al. | Impeller fault detection under variable flow conditions based on three feature extraction methods and artificial neural networks | |
| CN117708574B (zh) | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 | |
| CN112709690B (zh) | 电驱压气机系统的故障检测方法、装置、设备及介质 | |
| CN109114012A (zh) | 一种叶片泵自动测试装置及方法 | |
| CN116928112A (zh) | 一种潜水离心泵的故障监测系统和方法 | |
| CN110296087B (zh) | 泵水力试验系统及试验方法 | |
| CN211478167U (zh) | 故障诊断装置和故障诊断系统 | |
| CN110530430A (zh) | 一种电动闸阀定期检测实验台及检测方法 | |
| CN110146267B (zh) | 一种全封闭制冷压缩机阀片颤振的检测方法 | |
| CN219956881U (zh) | 一种离心水泵、阀门性能测试的联合试验装置 | |
| CN209247249U (zh) | 轴承密封性检测试验机 | |
| CN203670182U (zh) | 基于声发射技术检测离心泵小流量工况不稳定流动的装置 | |
| CN108019344B (zh) | 一种电动给水泵组效率测试方法 | |
| CN116593144B (zh) | 一种用于强制密封球阀寿命试验台的检测方法 | |
| Aoki et al. | Comparison of acoustical features for abnormal sound detection by OCSVM |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201117 |