CN110530623A - 一种应用于换热机组的故障诊断方法 - Google Patents
一种应用于换热机组的故障诊断方法 Download PDFInfo
- Publication number
- CN110530623A CN110530623A CN201910862468.4A CN201910862468A CN110530623A CN 110530623 A CN110530623 A CN 110530623A CN 201910862468 A CN201910862468 A CN 201910862468A CN 110530623 A CN110530623 A CN 110530623A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- entropy
- exchange unit
- wavelet packet
- heat
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种应用于换热机组的故障诊断方法,包括以下步骤:S1、故障信息采集;S2、提取出相关的振动信号,形成观测数据集;S3、识别换热机组部件间接触受力时序关系,将时序关系的组合集按照一定的映射重构方法,得到各部件的振动分离向量;S4、将连续映射得到的信号进行小波包降噪滤波,得到增强后的特征信号;S5、将S4处理后的振动信号经过小波包能量谱识别,区别不同的故障类型。在本申请实施例中,通过非接触的激光位移传感器解决现有的诊断方法不能获取有效、足够的特征数据的问题;实现在故障早期实现对故障的有效检测和隔离;小波包能量谱识别能够精确的对故障部位进行定位。
Description
技术领域
本申请涉及设备监测与故障诊断技术领域,尤其涉及一种应用于换热机组的故障诊断方法。
背景技术
换热机组是由换热器、温控阀组、疏水阀组(热媒为蒸汽时)循环泵、电控柜、底座、管路、阀门、仪表等组成,并可加装膨胀罐、水处理设备、水泵变频控制、温控阀、远程通讯控制等,从而构成一个完整的热交换站。换热机组具有标准化、模块化的设计,配置齐全,安装方便、高效节能。换热机组结构紧凑、运行可靠、操作简便直观等优点,是首选的高效节能产品。该产品适应于住宅、机关、厂矿、医院、宾馆、学校等场合的卫生热水。整体式换热机组既可用于水—水交换,也可用于汽—水交换。
现有的换热机组故障诊断中,由于换热机组中存着多个运动部件,包括电机系统、轴承系统等,设备在运动过程中发出的信号传递的时变路径及信号衰减问题导致现有的诊断方法不能获取有效、足够的特征数据;故障信号在早期特征信号相比正常的信号而言比较微弱,无法实现对故障早期的有效检测和隔离;换热机组往往存在多个运动设备,且几何特征、运动及动力学特征甚至故障特征完全相同,现有技术无法具体确定故障发生在哪个部件上。
发明内容
本申请提供一种应用于换热机组的故障诊断方法,以解决现有技术中不能获取有效、足够的特征数据;无法实现对故障早期的有效检测和隔离等问题。
本申请实施例提供一种应用于换热机组的故障诊断方法,包括以下步骤:
S1、故障信息采集;
S2、提取出相关的振动信号,形成观测数据集;
S3、识别换热机组部件间接触受力时序关系,将时序关系的组合集按照一定的映射重构方法,得到各部件的振动分离向量;
S4、将连续映射得到的信号进行小波包降噪滤波,得到增强后的特征信号;
S5、将S4处理后的振动信号经过小波包能量谱识别,区别不同的故障类型。
进一步的,所述步骤S4包括:
a、对振动信号进行小波包分解;
b、确定最优小波包基;
c、小波包分解系数的阈值量化,对于每个小波包分解系数,选择阈值对从1~N的每一高频系数进行量化处理
d、小波包重构,根据经过量化处理后的低层和高层小波包系数进行小波包重构。
进一步的,所述确定最优小波包基具体为:对于一个给定的熵标准,计算最优小波包基,得到最优小波包树,熵标准主要有Shannon熵、lp范数熵、对数能量熵、阈值熵,在小波包分解时,需要从熵标准中选定一种,由上至下分别计算下一层的熵值,然后与上一层进行比较,由最小熵标准依次判断小波包最优分解的方向,最后确定基于此熵标准的最优小波包分解基。
进一步的,所述步骤S1具体为:采用非接触方式采集处于工作状态下换热机组的振动信号。
进一步的,所述非接触方式具体为采用激光位移传感器。
在本申请实施例中,由于采用上述技术方案,通过非接触的激光位移传感器解决设备在运动过程中发出的信号传递的时变路径及信号衰减问题导致现有的诊断方法不能获取有效、足够的特征数据的问题。并且引入了非接触的方法对换热机组进行检测,避免了常规方法无法深入机组内部进行信号重构的弊端,可得到更多的连续的分离分解信号;小波包降噪滤波解决了故障信号在早期特征信号相比正常的信号而言比较微弱的问题,实现在故障早期实现对故障的有效检测和隔离;小波包能量谱识别能够精确的对故障部位进行定位;并且通过小波包和小波包能量谱方法增强故障特征,具有较强的应用价值;相比于采用的机器学习、深度神经网络、最小熵的卷积等数学方法,采用运算量更轻量的小波包能量谱方法在时间复杂度和空间复杂度上都更小,方便现场工矿使用。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下详细说明本申请各实施例提供的技术方案。
本申请提供一种应用于换热机组的故障诊断方法,包括以下步骤:
S1、故障信息采集,采用非接触方式采集处于工作状态下换热机组的振动信号;
换热机组主要由板框式换热器、泵组和驱动电机组成,换热器内部无运动部件,除发生泄漏外不存在机械故障,通过液体传感器检测管件连接处的泄漏。本申请针对泵组和驱动电机,泵组和驱动电机皆为旋转运动部件,机械故障表现形式多为扫膛、振动、轴承磨损等,皆可通过振动和噪音的形式表现出。
采用非接触方式采集处于工作状态的换热机组的多个测点的振动信号和噪声信号。
非接触方式具体为采用激光位移传感器,激光位移传感器的激光发射器通过镜头将可见红色激光射向被测物体表面,经物体反射的激光通过接收器镜头,被内部的CCD线性相机接收,根据不同的距离,CCD线性相机可以在不同的角度下接收反射的激光。根据这个角度及已知的激光和相机之间的距离,数字信号处理器就能计算出传感器和被测物体之间的距离。
S2、提取出相关的振动信号,形成观测数据集;
S3、识别换热机组部件间接触受力时序关系,将时序关系的组合集按照一定的映射重构方法,得到各部件的振动分离向量;
S4、将连续映射得到的信号进行小波包降噪滤波,得到增强后的特征信号;
401、对振动信号进行小波包分解;
选择一个小波并确定小波包分解的层次N,对信号进行N层小波包分解。
402、确定最优小波包基;
即对于一个给定的熵标准计算最优树,对于GUI方式,有一个专门的“Best Tree”按钮用于计算最佳树。
从滤波器的角度,小波包变换的实现和离散小波变换没有本质区别,只是在原有的基础上按同样的方法对细节系数进行分解,所以两者的实现方法相同。但是由于小波包分解是对近似系数和细节系数同时进行分解,使第N层的分解系数为最多的一组,这种单纯的把所有的系数都进行分解对解决问题是没有帮助的,只会增加计算量,而小波包变换的基本思想是为了让信息能量集中,也就是在细节系数中寻找有序性,把其中的规律进一步的挑出来,所以必须对重构信号的分解系数进行优化选择。小波包基库是由许多小波包基组成的,不同的小波包基具有不同的性质,能够反映信号的不同特征,所以我们希望根据不同分析信号的特征来选择一个最好的小波包基,用来表达信号特点。
选用最优基的目的是用尽量少的系数,反映尽量多的信息。对一信号进行一次小波包分解,可采用多种小波包基。小波包分析在确定最佳小波包基时所用的标准时,没有严格的理论作为保证,不同的问题所用标准不一致,我们需要跟据具体分析的要求,选择一个最佳的小波包基,即最佳基(也叫最优树)。选择最佳基的标准是熵标准。在小波包函数库建立好之后,对于一个给定的正交小波基分解,一个长度为N的信号最多有2N种不同的分解方法,我们基于最小熵标准来找到一种最优的信号分解方法。
要刻画系数的性质,首先要定义一个序列的代价函数,然后在小波包基库的所有小波包基中寻找使代价函数最小的基。对一个给定向量来说,代价最小就是最有效的表示,此基便称为最优基。代价函数可以定义为任何关于序列的实函数M,最多使用的是那些能测得集中度的可加性代价函数M。在上述意义下可以定义很多代价函数,对一个信号进行小波包分解,可以采用多种小波包基,这就要根据所分析的信号和噪声的要求,从中选择最好的一种小波包基,即对于一个给定的熵标准,计算最优小波包基,得到最优小波包树。熵标准主要有Shannon熵、lp范数熵、对数能量熵、阈值熵等,而且这些熵也可以组合成新的熵标准。在小波包分解时,需要从四种熵标准中选定一种,由上至下分别计算下一层的熵值,然后与上一层进行比较,由最小熵标准,依次判断小波包最优分解的方向,最后确定基于此熵标准的最优小波包分解基。
403、小波包分解系数的阈值量化;
对于每个小波包分解系数,选择一个适当的阈值对从1~N的每一高频系数进行量化处理。
由于噪声是一种随机的信号,其方差是未知的,实际去噪过程中必须首先对阈值进行估计,基于样本估计的阈值的选取,其原理为对信号做估计,确定一个统一的阈值,然后保留超出这个阈值的系数而截掉小于阈值的系数。通常有四种可供选择的阈值估计方法:
(1)固定阈值(sqtwolog):阈值M为信号的长度。
(2)基于斯坦(Stein)的无偏似然估计原理(SURE)的自适应阈值选择(rigrsure):对一个给定的阈值t,得到它的似然估计,再将非似然t最小化,就得到了所选的阈值。
(3)启发式阈值(heursure):前两种阈值的综合,是最优预测变量阈值选择。
(4)极大极小阈值(minimaxi):采用的也是一种固定的阈值,它产生一个最小均方误差的极值,而不是无误差。在统计学上,这种极值原理用于设计估计器。因为被消噪的信号可以看作与未知回归函数的估计式相似,这种极值估计器可以在一个给定的函数集中实现最大均方误差最小化。
对高斯白噪声作为一种信号进行去噪实验发现,选用Minimaxi和SURE阈值规则进行去噪,只将部分系数置0,保留了大约3%的系数;而选用sqtwolog和heusure规则进行去噪,所有的小波系数都被变为0,去噪比较完全。
可见Minimaxi和SURE阈值规则比较保守,当含噪声信号的高频信息有很少一部分在噪声范围内时,这两种阈值非常有用,可以将微弱的信号提取出来;而sqtwolog和heusure规则去噪比较完全,在去噪时显得更为有效,但是很容易把有用的高频信号误认为噪声而去除掉。
404、小波包重构。
根据经过量化处理后的低层和高层小波包系数进行小波包重构。
S5、将S4处理后的振动信号经过小波包能量谱识别,区别不同的故障类型。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种应用于换热机组的故障诊断方法,其特征在于,包括以下步骤:
S1、故障信息采集;
S2、提取出相关的振动信号,形成观测数据集;
S3、识别换热机组部件间接触受力时序关系,将时序关系的组合集按照一定的映射重构方法,得到各部件的振动分离向量;
S4、将连续映射得到的信号进行小波包降噪滤波,得到增强后的特征信号;
S5、将S4处理后的振动信号经过小波包能量谱识别,区别不同的故障类型。
2.根据权利要求1所述的应用于换热机组的故障诊断方法,其特征在于,所述步骤S4包括:
a、对振动信号进行小波包分解;
b、确定最优小波包基;
c、小波包分解系数的阈值量化,对于每个小波包分解系数,选择阈值对从1~N的每一高频系数进行量化处理
d、小波包重构,根据经过量化处理后的低层和高层小波包系数进行小波包重构。
3.根据权利要求2所述的应用于换热机组的故障诊断方法,其特征在于,所述确定最优小波包基具体为:对于一个给定的熵标准,计算最优小波包基,得到最优小波包树,熵标准主要有Shannon熵、lp范数熵、对数能量熵、阈值熵,在小波包分解时,需要从熵标准中选定一种,由上至下分别计算下一层的熵值,然后与上一层进行比较,由最小熵标准依次判断小波包最优分解的方向,最后确定基于此熵标准的最优小波包分解基。
4.根据权利要求1-3任一所述的应用于换热机组的故障诊断方法,其特征在于,所述步骤S1具体为:采用非接触方式采集处于工作状态下换热机组的振动信号。
5.根据权利要求4所述的应用于换热机组的故障诊断方法,其特征在于,所述非接触方式具体为采用激光位移传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862468.4A CN110530623A (zh) | 2019-09-12 | 2019-09-12 | 一种应用于换热机组的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862468.4A CN110530623A (zh) | 2019-09-12 | 2019-09-12 | 一种应用于换热机组的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110530623A true CN110530623A (zh) | 2019-12-03 |
Family
ID=68668342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910862468.4A Pending CN110530623A (zh) | 2019-09-12 | 2019-09-12 | 一种应用于换热机组的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530623A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130015878A1 (en) * | 2011-06-20 | 2013-01-17 | Erlphase Power Technologies Limited | Power system fault zone detection |
CN106017925A (zh) * | 2016-05-09 | 2016-10-12 | 北京信息科技大学 | 基于小波包分解的回转窖托轮轴承故障诊断方法 |
CN107796507A (zh) * | 2017-09-18 | 2018-03-13 | 洛阳双瑞精铸钛业有限公司 | 一种换热机组振动状态监测平台 |
CN108362492A (zh) * | 2018-01-11 | 2018-08-03 | 中国人民解放军国防科技大学 | 一种适用于低转速下行星轮系故障诊断的振动分离方法 |
CN109632295A (zh) * | 2019-01-08 | 2019-04-16 | 中国人民解放军国防科技大学 | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 |
-
2019
- 2019-09-12 CN CN201910862468.4A patent/CN110530623A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130015878A1 (en) * | 2011-06-20 | 2013-01-17 | Erlphase Power Technologies Limited | Power system fault zone detection |
CN106017925A (zh) * | 2016-05-09 | 2016-10-12 | 北京信息科技大学 | 基于小波包分解的回转窖托轮轴承故障诊断方法 |
CN107796507A (zh) * | 2017-09-18 | 2018-03-13 | 洛阳双瑞精铸钛业有限公司 | 一种换热机组振动状态监测平台 |
CN108362492A (zh) * | 2018-01-11 | 2018-08-03 | 中国人民解放军国防科技大学 | 一种适用于低转速下行星轮系故障诊断的振动分离方法 |
CN109632295A (zh) * | 2019-01-08 | 2019-04-16 | 中国人民解放军国防科技大学 | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 |
Non-Patent Citations (1)
Title |
---|
许小刚 等: "基于小波包能量分析及改进支持向量机的风机机械故障诊断", 《动力工程学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
Rana et al. | UWB localization employing supervised learning method | |
Ghazal et al. | Homogeneity localization using particle filters with application to noise estimation | |
CN106199532B (zh) | 基于混合傅立叶-小波分析的探地雷达信号降噪方法 | |
JP2015537442A (ja) | ワイヤライン通信環境においてノイズ信号を感知するための方法および装置 | |
CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN107180140B (zh) | 基于双树复小波与AdaBoost的轴系故障识别方法 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
CN108761542B (zh) | 一种基于WiFi信号的被动式目标探测方法 | |
CN111610418A (zh) | 一种基于智能特高频传感器的gis局部放电定位方法 | |
US20200220525A1 (en) | Method For Automatic Detection of Physical Modes In A Modal Analysis Model | |
CN110530623A (zh) | 一种应用于换热机组的故障诊断方法 | |
Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
Hua et al. | The methodology of modified frequency band envelope kurtosis for bearing fault diagnosis | |
CN115795295A (zh) | 一种基于最优加权包络谱的旋转机械特征频率增强提取方法 | |
CN113591760B (zh) | 基于毫米波的远场多人体的步态监测方法 | |
CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
CN108226851B (zh) | 用于测向的方法和测向器 | |
CN108898117A (zh) | 一种滑动阈值的自适应随机信号异常提取方法 | |
CN114601437A (zh) | 一种心率检测方法和装置 | |
CN114035238A (zh) | 基于双树复小波变换的超前地质预报方法 | |
Ovarlez et al. | Multivariate linear time-frequency modeling and adaptive robust target detection in highly textured monovariate sar image | |
CN115859042A (zh) | 一种电力电缆局部放电模式识别方法及装置 | |
CN117626575A (zh) | 洗衣机及其洗涤衣物的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |