CN110646204A - 用于损坏早期识别的方法，以及用于执行该方法的程序和控制装置 - Google Patents

Abstract

用于损坏早期识别的方法，以及用于执行该方法的程序和控制装置公开了一种用于损坏早期识别的方法，其中，将频率变换的、清除了主导激励的信号供应至比较的损坏早期识别。

Description

用于损坏早期识别的方法，以及用于执行该方法的程序和控 制装置

技术领域

本发明涉及一种根据权利要求1的前序部分的、用于机器的损坏早期识别的方法。

背景技术

DE 196 25 947 C1构成了最接近的现有技术。它公开了一种用于流体压出机的故障早期识别的方法。布置在压力侧或者输出侧的压力传感器输出压力信号，所述压力信号被供应至带通滤波器。带通滤波器具有至少一个通带，所述通带包括压力脉动，所述压力脉动低于基本频率和/或在该基本频率或者其谐波中的一个和下一更高的谐波之间，所述基本频率在正常运行中由各个压出器的、偏移的行程频率形成。为了在剧烈变化的转速时确定转速相关的基本频率，能够设置探测器。在时间的变化过程中示出所滤波的信号，或者，产生故障信号，一旦压力波动的或者在压力的最大值和压力的最小值之间的差的量超过了阈值。

根据DE 196 25 947 C1的方法是受限的。一方面，需要有效负荷来实现压力脉动，如所建议的，所述有效负荷必要时借助于压力侧的节流阀来预先给定，从而不能够节能地使用该方法。另一方面，所述方法基于在正常运行中彼此重叠的压力脉动或者体积流量脉动，所述体积流量脉动通常能够较昂贵且较模糊地被测量出，使得方法的使用一方面限于多压出器-流体机器并且另一方面限于检测发生在至少一个定义工作空间的构件（压出器、阀、密封件等）处出现的损坏。最后，压力脉动的测量使检测一方面限制于能够在压力变化过程中检测出的故障并且另一方面限制于压力脉动的一个或者多个数量级。最终，已知方法的应用限于少量的损坏图像。

另外的技术现状

DE 10 2008 035 954 A1公开了一种用于监控压出机的方法，其中，系统压力作为压出器位置的函数被检测并且与预期的、压出器位置相关的系统压力变化过程进行比较。因此，对DE 196 25 947 C1所做的观察相应地适用。

2017年11月10日从www.rhf.de下载的产品目录“eol ANALYSER v2”作为产品广告显示，在变速器或者内燃机处借助于激光器来接收固体声，并且，借助于自学习算法从频域中辨别出有制造缺陷的产品。

Ofer Tchernichovski等在“Anmial Behaviour，2000，59”中发表的文章“用于歌曲相似性的自动测量的过程（A procedure for an automated measurement of songsimilarity）”描述了，确定歌曲的相似性，其方式为对这些歌曲进行取样（分成部段）和傅立叶-变换，以便然后确定要比较的特征值。在此，通过处理由多个样本或者部段构成的间隔来应对在频域中的、主导的相似性的问题。然后，与在自然过程中不同地，就技术过程而言随着时间的推移不能够考虑到主导激励的消逝。

DE 10 2010 005 049 A1公开了一种用于在液压压出机中的故障识别的方法，其中，在频域中能够形成在侧频带上的至少一个总和，所述侧频带即紧密围绕相应的载波频率、多个所选择的频率（如活塞频率或者活塞频率的整数倍）的频带。

发明内容

相比之下，本发明的任务是：使在工作机器、尤其是流体机器处的任意损坏或者甚至预损坏能够被检测出。在此，优选适用于系列应用，尤其是在静止流体技术和/或移动流体技术的领域中的系列应用。

“预损坏”能够被理解为：部件或者设备的性能变化，所述性能变化尚不代表功能损害、但是根据经验能够发展成功能损害。例如，爆发（Ausbruch）通常跟随着灰色斑点（专业术语“点蚀”）。

该任务根据权利要求1的特征得到解决。通过在滤波步骤之前将信号变换到频域中，一方面有利于数字信号处理，因为数学运算变得更简单并且为此的花费变得更小。另一方面，在时域中幅度叠加的振动分量在图像区域中被细分成单个的频率（严格地说：采样频域），由此能够区分开它们。各个损坏机制（例如，滚动轴承损坏）通常不直接影响要监控的机器的主导激励，使得其幅度不变化。由于主导激励的根据值的主导，通过信号值或者特征值仅能够从中不可靠地求得恰好早期的损坏阶段和/或预损坏。然而，通过至少在量方面减少主导激励，这些主导激励不再主导信号值/特征值。对应地，同样适用于激励和/或信号值和/或特征值和/或至少一个信号。

概念“值”（如在“信号值”和“比较值”中）能够在此被赋予广泛的意义。除了在数学上狭义的实际数值之外，例如特征和/或值的组合和/或模样也能够适于监控。

换言之：通过从针对状态变化要检测的信号中滤出主导的激励幅度（在专业术语上也称为“激励阶次”），能够提取出特征值，所述特征值本身检测微小变化，例如在就磨损现象中所出现的频率线和/或频率带中的微小变化，所述频率线和/或频率带已经由早期的损坏机制导致。利用根据本发明的方法能够改善机器状态的识别率、损坏诊断和剩余使用寿命预测。通过滤波的通过特性取决于至少一个运行参数（如转速、输送压力、摆动角度或者类似量），更可靠地避免了假阳性的识别，即无（预）损坏的信号被识别成损坏的。

根据本发明的方法及其改型方案特别适用于机器（例如发声机器和/或例如至少也周期性激励的机器）的状态监控（专业术语：condition monitoring）。这些机器包括电机、内燃机、机械机器（如变速器和/或滚动轴承）、流体机器、尤其是在工业和/或移动应用中的流体静态压出机和/或流体动态机器（如风扇、叶轮等）和/或其组合和/或与其的组合。

本发明的、有利的改型方案是从属权利要求的对象。

优选声音检测以用于振动检测。在使用现有的压力传感器时，流体声检测能够是成本有利的。空气声检测能够在结构空间上是有利的和/或能够避免从传感器到试样的反馈。固体声检测既能够是稳健的，也能够是无阻尼的。此外，作为振动检测优选是旋转振动检测或者电信号（尤其是电振动）的检测。

概念“振动检测”并非意味着如此严格，使得所述方法仅能够用于周期性的振动或者周期性的振动的叠加，而是也能够包含在信号中的、单一的事件和随机的或者随机出现的变化过程。周期性元素在整个信号中的份额越高，则信号通常能够更好地被处理、尤其是在滤波和/或在识别中。

振动检测能够附加地包含在时域中的滤波。为此，能够使用至少一个（在时间上）同时运行的和/或基于阶次的带阻滤波器。在时间上同时运行的滤波能够是直到当前的测量信号的、关于固定或者可变周期的滤波。由此，能够检测在信号中基于时间的特征，例如：平均值（如与周期相关的算术平均值，中位数平均值和/或均方根）、标准偏差、峰值因数（专业术语：波峰值Crest-Wert）、拱顶（专业术语：峰度Kurtosis），偏度（技术语言：Skewness）、变化宽度、（专业术语：峰值到峰值peak2peak和/或跨度span）和/或类似物和/或其组合。

由于低的花费以及计算机能够处理的、频率分类的图像区域，最优选的是快速傅立叶变换。然而，离散的傅立叶变换（离散的傅立叶变换例如通过在之前连接“蝴蝶式”-算法而变成快速的傅立叶变换）、一般的傅立叶变换和/或其他的积分变换也提供了处理特定的优点，所述其他的积分变换是拉普拉斯变换，z-变换（拉普拉斯变换的离散对应变换）和/或希尔伯特变换。

运行量能够一次性地、例如也能够仅基于公式地被检测或者计算出，例如在静态运行的机器中。恰好就仅不定期执行的损坏早期识别方面和/或机器的、仅不定期的运行而言，不定期的检测是有利的。恰好就基于计算机的方法执行而言，尤其是就动态运行的机器或者具有频繁变化的转速的机器而言，周期性的和/或持续的检测是合适的（专业术语：在线检测或者实时检测）。为此，能够进一步检测单独的传感器信号。附加地作为微调或者可替代地，在图像区域中的分析能够得到主导的激励。例如，能够从谐波中求得精确的激励位置，所述谐波在等距的频率栅格（Frequenzraster）时能够在图像区域中被更精确地确定。

有利地，根据至少一个主导激励将频谱标准化到阶次频谱中。阶次的位置能够借助于至少一个运行值如前所述地来求得。恰好就可变的激励位置而言，结果是非常有利的，如果多个在时间上相继的信号部分进一步地分别首先被频谱标准化并且然后频谱标准化的部分被进一步处理成总和或者平均值。

此外，主导激励和/或阶次的位置也能够通过结构尺寸（如：例如流体静态或者流体动态机器中的压出器数量或者叶片数量、例如电机中的绕组数目、例如内燃机中的点火顺序）和/或类似物来求得。这种想法能够应用于所有具有由结构决定的周期性的机器，作为示例地提及变频器。这种想法能够多次应用于具有多个由结构决定的、不同的周期性的机器，作为示例地提及具有可变传动器的发动机。

如果能够过滤出多个主导激励（如不同的基本振动和/或一个基本振动及其谐波振和/或多个谐波），则能够使用多个简单的滤波器，和/或，能够使用一个复杂的滤波器。通常更有效的是，创建一个复杂的滤波器并且至少一次地使用它。具有不同的基本振动的示例应用包含流体静态紧凑型变速器、机器单元，所述紧凑型变速器例如具有可变的传动比、包括至少一个马达和至少一个泵，所述机器单元例如包括至少一个液压机和是少一个电机和/或例如包括至少一个变速器和/或例如包括至少一个变频器，例如用于所谓的E轴。

滤波包括至少一个高通滤波器、低通滤波器、带通滤波器或者至少一个带阻滤波器。滤波能够包括子方法，其中，至少一个主导值（如在量方面超过绝对极限值或者相对极限值的值）由至少一个功能确定的值（如平均值、尤其是RMS-值）或者由至少一个外推值（如多项式近似值）替代。在此，数字滤波能够是高效的。

有利地，最晚在减少主导激励的滤波之后的、另外的滤波（即，在减少主导激励的滤波之后的、集成到减少主导激励的滤波中的和/或在减少主导激励的滤波之前、优选在变换之前、更优选地也在振动检测之前的另外的滤波）能够被用于信号改善。在此，低通滤波器改善了信号质量。减少主导激励的滤波器优选是数字滤波器，同时另外的滤波器（尤其是当它在变换和/或振动检测之前时）优选是模拟滤波器。

在可评估性方面的信号改善能够通过整流来实现，所述整流最晚在滤波之后，即在滤波或者另外的滤波之后，集成到滤波或者另外的滤波中和/或在滤波或者另外的滤波、变换或者振动检测之前。优选地，整流在滤波之前，因为在整流信号中能够特别好地识别出主导激励。同样优选地，整流在滤波之后，以便定性地改善后续的识别步骤。作为整流信号优选输出或者传递信号的包络曲线。包络曲线能够以各种方式来确定，例如借助于在时域或者图像区域中的量求取，借助于希尔伯特变换作为到图像区域的变换、作为在图像空间中使用的希尔伯特滤波器和/或作为偶数数字FIR-滤波器或者模拟FIR-滤波器，所述FIR-滤波器至少类似于希尔伯特滤波器。

一方面能够实现信号的改善并且另一方面能够实现计算花费的降低，其方式为：将信号分成至少两个频带的划分最晚在识别的之前。例如，频带能够是倍频带、三分之一倍频带、六分之一频带、十二分之一倍频带等。此外有利的是，使具有高阶次的频带变得更宽。加宽部能够对数地（如就倍频-倍频-频谱或者倍频-三分-频谱而言）或者根据规则（如斐波那契数列或者几何增长）来确定。频带细分在图像区域中就频率频谱和阶次频谱而言都是有利的。例如，不同的损坏机制分别影响在至少一个旁频带中的信号特性，使得通过将信号划分成至少两个频带能够更可靠地识别或者检测出例如至少一个附加的脉冲激励、至少一个速度变化（如压力形成速度变化）和/或至少两个非相关的激励布置。将频谱综合成频率带和/或阶次带，这能够更有效地利用以下方法中的任一种来处理识别。

识别基于信号值与比较值的比较。识别能够包含幅度调制识别和/或频率调制识别。例如，能够从标准值或者标准值序列中减去信号值或者信号值序列。识别能够包含和/或基于机器学习。比较值能够包含和/或基于模样识别方法，尤其地，信号值和/或比较值能够分别是和/或包含值模样。

例如，从信号值或者信号值序列中能够求得特征值。在下文中，根据典型关系来表示优选的特征值的组。算术平均值能够是总和除以数量的商。均方根（专业术语：root meansquare或者RMS）能够是平方和除以数量的商的根。中位值能够是分类的（如根据量分类的）序列的中间值。频谱中心（专业术语：spectral centroid）能够是加权的、例如量加权和频率加权的值。最大值的频率能够是具有局部或者全局最大幅度的频率。这能够包括能够被过滤出的主导激励的位置。频谱平坦度（专业术语：spectrum flatness或者Wienerentropy）能够是均方根和算术平均值的商。音调能够是用于各个频率的主导的量度，例如频谱平坦度的反面或者倒数。失谐度能够是用于频率相关的分布不规则性的量度。方差能够是信号的各个值与信号的平均值的均方差，并且，标准偏差能够是方差的根。梅尔频率倒谱系数（专业术语：mel frequency cepstral coefficients，MFCC）的计算能够在滤波之后，例如包含以下子步骤：量的形成、对数化（logarithmieren）、减少和去相关。拱顶（专业术语：峰度，Kurtosis）作为统计特征值能够是四阶中心矩。偏度（专业术语：skewness）作为统计特征值能够是三阶中心矩。变化宽度（专业术语：峰值到峰值和/或跨度）能够是极端量之间的差。频谱通量（专业术语：spectral flux）能够是量和频率的各个乘积的总和。响度能够例如根据Zwicker（如在DIN45631中所描述的）来计算。以上特征值-求得方法的至少一部分的组合能够协同地改进效率和/或可靠性。所提到的特征值相对于大多数窄带的边界固化识别器（Grenzkurenerkennern）具有这种优点：也能够检测出小的频谱变化。于是，当出现具有大幅度的音调噪声分量时，这些优点尤其变得重要。

优选地，利用相同的特征值-求得方法来求得用于特征值的比较值。比较值能够是额定值，所述额定值已经借助于公式或者制造商侧的检验被求得。比较值能够是外推值，相应过去的特征值的至少一部分流入所述外推值中。此外，在机器的生命周期开始时，它们的组合是有利的。特征值识别是有利的，因为未知的机器部件也能够可靠地得到监控。因而，利用相应的花费来了解每个机器部件或者每个滚动轴承的确切类型，并且，在无损坏的状态下并且在（预）损坏的情况下将信号输出存储成参考，以及监控由此得到的时间信号、频率和/或阶次线（例如，滚动轴承的滚动频率），都是可能的，但是仅仅状态变化的自动化识别是成本更有利的。

有利地，能够使用模样识别方法、在此优选机器学习或者自动化学习或者基于算法的学习（专业术语：machine learning），以便检测仅从多个特征的组合中得出的变化。

识别能够包含和/或基于学习、尤其是自动学习。恰好就具有个体非常不同应用的机器（如移动液压系统的机器在行业常规的个体不同的移动机器中的应用）而言，学习能够是可靠的。学习阶段例如能够被定义地预先给定为无（预）损坏的（专业术语：良好状态），所述学习阶段例如能够持续至10小时或者至100小时。附加地或者可替代地，为了学习，能够预先给定操纵列表。附加地或者可替代地，能够使用至少一个无故障的机器作为参考机器，以求得和/或学习识别模样。基于学习的识别、基于参考机器的识别和/或其组合和/或与其的组合都应用相关地、能够选择地实现了简单的并且成本有效的调试。

优选周期性地执行根据本发明的方法，以便可靠地对应于监控时间模样。恰好就短暂运行的机器而言，如其例如在移动液压系统中常见的那样，受控于事件的方法执行或者启动能够导致类似的框架条件以及更精细分级的比较结果。通过重叠的方法执行能够实现无中断的监控。为了例如连续的检测和/或识别，至少并行的方法执行能够是有利的。

本发明也涉及独立要求保护的、用于执行前述方法的程序。在此，所述程序能够包含各个方法步骤直接或者间接作为操控程序部分。

本发明也包括独立要求保护的设备，所述设备被配置用于执行前述的方法或者程序。所述设备也能够被配置用于分别直接或者受操控地间接执行各个方法步骤。所述设备能够是单个装置（如传感器或者传感器控制装置）、机器的控制装置（如燃烧控制装置）、所监控的机器的下级控制装置（如燃烧控制装置的扩展）或者上级控制装置（如燃烧控制装置的上级的车辆控制装置）或者中央控制装置（如监控多个机器的服务器）或者类似物和/或其组合。所述设备能够是集成设备（如具有传感器控制装置的传感器）或者分布式设备（如至少一个传感器和至少一个控制装置或者多个控制装置）。

附图说明

在下文中，根据示意性附图详细地阐述了本发明的优选实施例。附图示出：

图1示出了具有主导激励的频谱；

图2在放大图中示出了具有主导激励的频谱；

图3示出了图2的频谱，其中，主导激励被过滤出；

图4示出了在图2和图3中以IV标记的区域的比较；

图5示出了具有主导激励的频谱和相对于图1的频谱的、附加的激励；

图6示出了图5的、无主导激励的频谱；

图7在频域中示出了图1、图5和图6的信号，其中，分别以具有和无主导激励对比地在图表7a和7d中示出了频谱、在图表7b和7e中示出了区段的均方根并且在图表7c和7f中示出了区段的频谱平坦度；

图8在阶次范围中示出了图1、图5、图6和图7的信号，其中，分别以具有和无主导激励对比地在图表7a和7d中示出了频谱、在图表7b和7e中示出了区段的均方根并且在图表7c和7f中示出了区段的频谱平坦度；以及

图9以流程图示出了根据本发明的方法。

具体实施方式

根据本发明的方法在实施方式中具有在图9中所示出的步骤S1至S6。在方法流程开始之后，在S1中检测信号，其中，在子步骤S1a中，例如利用在静液压泵处的固体声传感器来接收信号并且在子步骤S1b中进行A/D-转换。同时，在步骤S2中，例如通过CAN-总线来检测泵的输出轴的转速传感器信号。在S3中，借助于快速傅立叶变换将来自S1的信号变换到频域中。

在S3中产生的频谱作为在频率f上的幅度A例如在图1、图2、图5和图7a中示出。

随后在S4中，借助于来自S2的转速信号，利用已知的结构尺寸（如泵的压出器的数目）来确定要过滤出频率的主导激励，并且，过滤出这些主导激励。

在S4中产生的频谱例如在图3、图6和图7d中示出。图4示出了在图2和图3的步骤的事件之间的详细比较，其中，当前为了简单起见，作为滤波器，主导激励已经由相邻值的算术平均值替换。

在S5中,所滤波的信号在子步骤S5a至S5c中经受损坏识别。在此，在S5a中加载比较值（例如由部段的均方根值和区段的频谱平坦度值组成的特征值集），在S5b中计算对应的信号值并与比较值进行比较（例如，根据相同的规则形成的特征值集），并且，在S5c中，新形成的特征值集与所加载的比较值一起换算成新的比较值并且存储该新的比较值。

为了说明，图表7b和7e示出了多个在上升地变宽的频域部分上形成的均方根（RMS），其中，图表7b基于图表7a的、具有主导激励的频谱，并且，图表7e基于图表7d的、无所述主导激励的频谱。此外，图表7c和7f示出了多个在上升地变宽的频域部分上形成的平坦度值，其中，又分别基于图表7a或者7d的频谱。

如果比较显示没有（预）损坏，则能够结束所述方法。如果比较显示（预）损坏，或者如果例如总是要求一个结果，则在S6中能够执行相应的评估（如通知或者计算剩余使用寿命或者精确的（预）损坏分析），而并非结束所述方法。

如果例如为了在（未示出的）中间步骤中锐化具有稍微可变频率的信号，根据所述实施方式的改型方案形成了阶次频谱，则图8的、具有在阶次O上的幅度A的图示示例性地出现在图7的图示的位置处。

根据未示出的替代方案，识别能够是模样识别，所述模样识别基于借助于机器学习的特征组合。这例如包括变化或者趋势的追踪，例如包括以下子步骤：加载先前的比较值（专业术语：历史值和/或历史），计算新的值或者模样，确定偏差并且比较所计算的偏差与历史偏差或者历史值和/或初始值。在此，从趋势的变化中能够指示能够在此识别出的状态变化。

因而，公开了一种用于损坏早期识别的方法，其中，频率变换的、清除了主导激励的信号被供应至比较的损坏早期识别。

附图标记

S1 ... S6 步骤

f 频率

A 幅度

O 阶次

Claims (13)

1.用于机器的损坏早期识别的方法，该方法具有：

- 至少一个振动检测（S1），其中，检测机器的至少一个振动信号，

- 在所述振动检测（S1）之后的至少一个滤波（S4），其中，至少一个主导激励至少在量方面减少，所述主导激励根据至少一个运行量来确定，

以及

- 在所述滤波（S4）之后的至少一个识别（S5），其中，至少一个信号值与比较值进行比较，

其特征在于，至少一个变换（S3）插入在所述振动检测（S1）和所述滤波（S4）之间，其中，信号从时域变换到图像区域。

2.根据前述权利要求所述的方法，其中，所检测的、所述机器的振动信号选自下述组中，所述组包括摆动角度、流体声、空气声、固体声和/或其组合。

3.根据前述权利要求中任一项所述的方法，其中，在所述变换（S3）中对所述信号进行积分-变换、尤其是傅立叶-变换、优选离散的傅立叶-变换、更优选地快速傅立叶-变换。

4.根据前述权利要求中任一项所述的方法，该方法此外具有至少一个运行检测（S2），所述运行检测在所述滤波（S3）之前，其中，一次性地、不定期地、周期性地或者持续地检测至少一个运行量。

5.根据前述权利要求中任一项所述的方法，其中，阶次标准化在所述变换（S3）之后，其中，根据至少一个主导激励将频谱标准化到阶次频谱中。

6.根据前述权利要求中任一项所述的方法，该方法此外具有至少一个另外的滤波，所述另外的滤波在所述滤波（S4）之后、集成到所述滤波（S4）中和/或在所述滤波（S4）之前、优选在所述变换（S3）之前、也优选在所述振动检测（S1）之前。

7.根据前述权利要求中任一项所述的方法，该方法此外具有至少一个整流，所述整流在所述滤波（S4）或者另外的滤波之后、集成到所述滤波（S4）或者另外的滤波中和/或在所述滤波（S4）或者另外的滤波、变换（S3）或者振动检测（S1）之前，其中，输出所述信号的包络曲线。

8.根据前述权利要求中任一项所述的方法，该方法此外具有至少一个划分，所述划分至少在所述识别（S5）之前，其中，将所述信号分成至少两个频带。

9. 根据前述权利要求中任一项所述的方法，其中，基于所述信号值，使用选自以下组中的至少一个特征值用于比较：算术平均值、均方根（root mean square）、中位值、频谱中心（spectral centroid）、最大值的频率（最大幅度、幅度的最大总和）、频谱平坦度（均方根和算术平均值的商，维纳熵或者说韦纳熵 ）、失谐度、标准偏差、梅尔频率倒谱系数（MFCC）、方差、峰度（拱顶）、偏度（skewness）、变化宽度、响度、频谱通量、音调、变化宽度（峰值到峰值和/或跨度）和/或其组合。

10.根据前述权利要求中任一项所述的方法，其中，所述比较值选自下述组：额定值、外推值和/或其组合。

11.根据前述权利要求中任一项所述的方法，其中，周期性地和/或受控于事件地和/或重叠地和/或至少部分并行地执行所述步骤。

12.用于执行根据前述权利要求中任一项所述的方法的程序。

13.用于执行根据权利要求1至11中任一项所述方法和/或用于执行根据权利要求12所述的程序的控制装置。

Images