CN110470383A

CN110470383A - 一种基于声波监测和机器学习的机械构件运行状态的检测方法

Info

Publication number: CN110470383A
Application number: CN201910882984.3A
Authority: CN
Inventors: 李桦楠
Original assignee: Individual
Current assignee: Individual
Priority date: 2019-09-18
Filing date: 2019-09-18
Publication date: 2019-11-19

Abstract

本发明公开了一种基于声波监测和机器学习的机械构件运行状态的检测方法，其包括以下步骤：S1、将声纹监测仪安装到设备。S2、建立数学模型。S3、修正数学模型。S4、建立模型库。S5、实施安装。S6、监测仪监测和模型库优化。本发明利用机械构件在运行时不同的声纹曲线来判断该构件的运行是否存在异常情况。同时利用机器学习实现数学模型的快速积累，进而实现越来越多的机械构件的运行检测。本发明可以快速判断机械构件的运行正常与否，可以辅助维修人员快速判断故障，可广泛应用于发动机检修、传动轴检修、电机检修、风机检修、水泵检修等多个场景。

Description

一种基于声波监测和机器学习的机械构件运行状态的检测方法

技术领域

本发明涉及一种基于声波监测和机器学习的机械构件运行状态的检测方法。

背景技术

机械产品一般都由较多的零部件组成，零部件在空间位置上层叠交错，加之一般是非透明外壳封装，内部构件状态非直观可见，因此对机械构件运行状态进行有效的检测颇为困难。常规的检测方法是采用人工抽样检验或破坏性试验。这些方法不仅费用高、耗时费力，而且属于事后分析，不能提前实施故障诊断，导致机械设备事故的发生，并且由于人为因素造成的漏检或误判会大大降低检测识别的准确率，难以满足实时生产的需要。每种机械构件在运行时都有其特定的声纹曲线，因而可以利用机械构件在运行时不同的声纹曲线来判断该构件的运行是否存在异常情况。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于声波监测和机器学习的机械构件运行状态的检测方法，可以快速判断机械构件的运行正常与否。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明公开了一种基于声波监测和机器学习的机械构件运行状态的检测方法，其包括以下步骤：

S1、将声纹监测仪分别安装到停机状态的设备、正常运行状态的设备、低负荷运行状态的设备、高负荷运行状态的设备、磨损严重状态的设备，各种异常运行的设备，并存储监测到的声纹数据；

S2、分析存储下来的的声纹数据，与行业专家确认，并将运行的声纹数据与设备状态对应建立数学模型；

S3、反复试验、测试、修正声纹数据与设备运行状态关系模型，直到监测准确率达到90％以上；

S4、建立模型库，将修正后的数学模型加入模型库；

S5、对工业现场需要进行机械构件运行状态检测的设备安装声纹监测仪；并在上位分析软件中选择该设备模型库中的模型；

S6、通过声纹监测仪监测仪正常监测设备的运行状态，采用类比判定对运行的各个状态进行判断。

进一步地，所述的声纹监测仪包括测振传感器、信号调理器、信号记录仪、信号分析与处理设备、通讯设备和上位分析软件；所述测振传感器将机械振动量转换为适于电测的电参量，经所述的信号调理器进行放大、滤波、阻抗变换后，经所述的信号记录仪将所测振动信号记录并存储下来或者直接输入到所述的信号分析与处理设备。

进一步地，步骤S5中，安装时对测振传感器需要分别进行水平安装、垂直安装和轴向安装；并在上位分析软件中选择该设备模型库中的模型，选择设备工况、选择频带，以便将监测仪、设备类型、设备工况、设备模型相对应。

进一步地，还包括步骤S7，如果发生监测仪误报的情况，则通过神经网络算法进行机器学习，优化调整该设备的数学模型。

进一步地，步骤S7具体为：输入大量的声纹信息，如果结果不是想要的结果，则进行调整，在此基础上，利用声波传感器采集被测构件的运行声纹曲线，将该曲线与正常运行的曲线模型比对，进而判断其的运行状态正常与否。

本发明所达到的有益效果是：

本发明利用机械构件在运行时不同的声纹曲线来判断该构件的运行是否存在异常情况。同时利用机器学习实现数学模型的快速积累，进而实现越来越多的机械构件的运行检测。本发明可以快速判断机械构件的运行正常与否，可以辅助维修人员快速判断故障，可广泛应用于发动机检修、传动轴检修、电机检修、风机检修、水泵检修等多个场景。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明建立的数学模型图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于声波监测和机器学习的机械构件运行状态的检测方法，其包括以下步骤：

S1、将声纹监测仪安装到设备：将声纹监测仪分别安装到停机状态的设备、正常运行状态的设备、低负荷运行状态的设备、高负荷运行状态的设备、磨损严重状态的设备，各种异常运行的设备，并存储监测到的声纹数据。

S2、建立数学模型：分析存储下来的的声纹数据。与行业专家确认，并将运行的声纹数据与设备状态对应建立数学模型。数学模型如图1所示，其中，数学函数(备注：f为频率)：

加速度a(m/s)；

速度v＝a/2πf(mm/s)；

位移d＝a/4π²f²(mm)；

S3、修正数学模型：反复试验、测试、修正声纹数据与设备运行状态关系模型，直到监测准确率达到90％以上。

S4、建立模型库：建立模型库，将修正后的数学模型加入模型库。对新的需要监测的设备重复上述S1～S4步骤。

S5、实施安装:对工业现场需要进行机械构件运行状态检测的设备安装声纹监测仪，安装时对测振传感器需要分别进行水平安装(测不平衡)、垂直安装(测基础松动)、轴向安装。并在上位分析软件中选择该设备模型库中的模型，选择设备工况、选择频带(传感器附着方式)，以便将监测仪、设备类型、设备工况、设备模型等相对应。

S6、监测仪监测和模型库优化：至此监测仪可以正常监测设备的运行状态。对运行的各个状态的判断，主要采用类比判定。即如果设备相同、测点相同、参数相同、方向相同、工况相同、基准相同(指标)、频带相同(传感器附着方式)，则模型曲线应该有相互比较的意义，一旦实际监测的声纹数据符合模型库中某个模型，则可以判断机械设备的运行状态。

其中，所述的声纹监测仪包括测振传感器、信号调理器、信号记录仪、信号分析与处理设备,通讯设备、上位分析软件等。传感器将机械振动量转换为适于电测的电参量，经信号调理器进行放大、滤波、阻抗变换后，可用信号记录仪将所测振动信号记录、存储下来，也可直接输入到信号分析与处理设备。

声纹监测指标参数包括：

位移：是指一个物体离开其平衡位置(参考位置)的最大距离或位置，用d表示(单位：m,mm,μm)。

速度：是指物体在单位时间里，离开其平衡位置，作往复运动的快慢程度，用v表示(单位：m/s,cm/s,mm/s)。

加速度：是指物体在单位时间里震动速度的变化程度，用a表示(单位：m/s²,cm/s²,mm/s²)。

如果发生监测仪误报的情况，则通过神经网络算法进行机器学习，优化调整该设备的数学模型。具体神经网络机器自主学习方法为：用一个数学单元模拟神经元，这个神经元有输入，有输出，输入和输出之间通过一个公式来表示，输入根据重要程度不同(权重)，影响着输出。将n个神经元通过像一张神经网络一样连接在一起，n这个数字可以很大，所有的神经元可以分成很多列，每一列很多个排列起来，每个神经元的对于输入的权重可以都不相同，从而每个神经元的公式也不相同。当我们从这张网络中输入一个东西的时候，希望输出一个正确的结果。要保证这个结果，需要训练和学习。学习的过程就是，输入大量的声纹信息，如果结果不是想要的结果，则进行调整。从而导致每个神经元的每个权重都向目标进行微调，由于神经元和权重实在是太多了，所以整张网络产生的结果很难表现出非此即彼的结果，而是向着结果微微的进步，最终能够达到目标结果。在此基础上，利用声波传感器采集被测构件的运行声纹曲线，将该曲线与正常运行的曲线模型比对，进而判断其的运行状态正常与否。将该判断方法以机器学习的思想转换成软件程序，可以利用机器学习实现数学模型的快速积累，进而实现越来越多的机械构件的运行检测。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于声波监测和机器学习的机械构件运行状态的检测方法，其特征在于，包括以下步骤：

S4、建立模型库，将修正后的数学模型加入模型库；

2.根据权利要求1所述的检测方法，其特征在于，所述的声纹监测仪包括测振传感器、信号调理器、信号记录仪、信号分析与处理设备、通讯设备和上位分析软件；所述测振传感器将机械振动量转换为适于电测的电参量，经所述的信号调理器进行放大、滤波、阻抗变换后，经所述的信号记录仪将所测振动信号记录并存储下来或者直接输入到所述的信号分析与处理设备。

3.根据权利要求1所述的检测方法，其特征在于，步骤S5中，安装时对测振传感器需要分别进行水平安装、垂直安装和轴向安装；并在上位分析软件中选择该设备模型库中的模型，选择设备工况、选择频带，以便将监测仪、设备类型、设备工况、设备模型相对应。

4.根据权利要求1所述的检测方法，其特征在于，还包括步骤S7，如果发生监测仪误报的情况，则通过神经网络算法进行机器学习，优化调整该设备的数学模型。

5.根据权利要求4所述的检测方法，其特征在于，步骤S7具体为：输入大量的声纹信息，如果结果不是想要的结果，则进行调整，在此基础上，利用声波传感器采集被测构件的运行声纹曲线，将该曲线与正常运行的曲线模型比对，进而判断其的运行状态正常与否。