CN111144362B - 一种旋转设备振动故障特征库定期优化算法 - Google Patents

一种旋转设备振动故障特征库定期优化算法 Download PDF

Info

Publication number
CN111144362B
CN111144362B CN201911410292.5A CN201911410292A CN111144362B CN 111144362 B CN111144362 B CN 111144362B CN 201911410292 A CN201911410292 A CN 201911410292A CN 111144362 B CN111144362 B CN 111144362B
Authority
CN
China
Prior art keywords
frequency
equipment
fault
self
characteristic
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
Application number
CN201911410292.5A
Other languages
English (en)
Other versions
CN111144362A (zh
Inventor
池海龙
杨云飞
汤伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shushen Intelligent Technology Co ltd
Original Assignee
Shanghai Shushen Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Shushen Intelligent Technology Co ltd filed Critical Shanghai Shushen Intelligent Technology Co ltd
Priority to CN201911410292.5A priority Critical patent/CN111144362B/zh
Publication of CN111144362A publication Critical patent/CN111144362A/zh
Application granted granted Critical
Publication of CN111144362B publication Critical patent/CN111144362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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
    • G01M13/04—Bearings
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种旋转设备振动故障特征库定期优化算法，使得设备故障振动诊断所依据的设备故障智能诊断特征库（4）越来越精准、完善。旋转设备运行出现故障时往往会在振动信号上出现对应的频谱特征或幅值特征（2），其中，幅值、频谱功率谱、边频或分频的出现往往与设备的具体工况环境密切相关，因此，一般振动智能诊断系统产品在初装时，会建立设备故障诊断基础AI特征库（3），该库为通用基础库，只能对经典的旋转设备故障进行准确预测；对于复杂工况环境下的设备故障，需要根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）对设备故障诊断动态AI特征库（4）进行定期更新，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对旋转设备振动故障诊断的准确性。

Description

一种旋转设备振动故障特征库定期优化算法
技术领域
本发明涉及设备的故障智能诊断技术领域，尤其是一种旋转设备振动故障特征库定期优化算法。
背景技术
机电设备或者机械旋转设备出现故障时，往往在设备振动信号里会出现相应的频谱峰值，一般为转速或电源频率的倍频、分数频或者复合频率，设备振动故障诊断方法主要就是根据故障与峰频值的因果关系来反推故障类型，从而按设备类型建立<设备振动故障特征库>，支持人工智能诊断设备故障。但是，实际上某类故障的振幅、频谱分布、频谱功率谱、边频或分频的出现往往与设备的具体工况环境密切相关，因此，一般振动智能诊断系统产品在初装时，只能对经典的旋转设备故障进行准确预测，对于复杂工况环境下的复杂故障，需要定期根据具体采集的振动特征值和用户反馈的故障诊断偏差进行深度学习和特征发现，不断优化和完善<设备振动故障特征库>，支持动态智能诊断故障。
发明内容
为了解决上述现有技术中存在的问题，本发明提供一种旋转设备振动故障特征库定期优化算法。
本发明解决其技术问题所采用的技术方案是：一种旋转设备振动故障特征库定期优化算法，根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）定期更新设备故障诊断动态AI特征库（4），不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对动设备振动故障诊断的准确性。
本发明还具有以下附加技术特征：
作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了一种数据特征泛在自学习算法。该算法根据用户反馈诊断偏差情况（7）（6）（1）支持对所有故障特征数据的自学习优化功能。通过定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；根据定期列出的《特征偏差清单》（7）定期更新初装的设备故障诊断基础AI特征库（3）或者设备故障诊断动态AI特征库（4），算法程序如下。
数据特征泛在自学习算法程序：
Program1:持续采集设备振动特征数据，与初装的设备故障诊断基础AI特征库（3）比较，做出初步诊断。按设备类型，积累一定时期的振动特征数据和诊断结果，按求取平均值或峰值，分别从时域、频域，将幅值、频谱功率谱、边频或分频值，与初装的设备故障诊断基础AI特征库（3）比较，列出特征偏差清单；
Program2:定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；
Program3:根据定期列出的《特征偏差清单》，在初装的设备故障诊断基础AI特征库（3）的基础上，对库特征数据定期进行深度学习，持续改进形成设备故障诊断动态AI特征库（4），使得每次诊断时，采集特征与库对标特征的偏差平方和最小，从而动态持续优化设备故障智能诊断；
Program4:定期求取振动特征变化幅度，当振动幅度异常时，提出修改优化算法建议。
作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了一种瀑布图数据特征自学习算法。该算法能够根据瀑布图数据集特征，有效区分固有可靠性类型故障信息、使用可靠性类型故障信息和随机干扰信息，过滤掉随机干扰信息（工况信息）。
瀑布图数据特征自学习算法如下：
假设一段时间（瀑布图）的频谱峰值序列为如下数组：{W(i,j) , f(i,j)}，其中，f(i,j)为峰频频率；W(i,j)为该峰频频率f(i,j)的功率谱值；i=1,M，表示峰频序数，M值随j值可变动；j=1,N，表示不同的采集时间，举例如下：
{W(1,1)=20, f(1,1)=16hz}，{W(2,1)=300 , f(2,1)=33hz}，{W(3,1)=80 , f(3,1)=80hz}；
{W(1,2)=15, f(1,2)=16hz}，{W(2,2)=500 , f(2,2)=32hz}；
{W(1,3)=10, f(1,3)=24hz}，{W(2,3)=200 , f(2,3)=32hz}，{W(3,3)=30 , f(3,3)=120hz}；
{W(1,4)=30, f(1,4)=15hz}，{W(2,4)=400 , f(2,4)=33hz}，{W(3,4)=100 , f(3,4)=50hz}。
瀑布图数据特征自学习算法程序：
Program1:统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}，视为有效特征，不超过50%的视为无效特征。上例中，只有16hz、32hz为有效特征；
Program2:只对判断为有效的频谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；
Program3:对于判断为无效的频谱特征，按出现概率排序，把出现次数超过10%的{W(i,j) , f(i,j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:时域的振幅、有效频率的功率谱值也做个均值统计处理，形成[轻度（轻隐患）、中等（重隐患）、严重（故障）]三个层次的经验值区域；
Program5:定期循环这一过程。
作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了一种参数反推自学习算法——基于瀑布图反推转频自学习算法。该算法能够根据瀑布图数据集特征反推出设备转频参数值，该算法对于变频设备的自适应故障诊断特别有用。
基于瀑布图反推转频自学习算法如下：
Program1:基于“瀑布图数据特征自学习算法”中的“Program1项”成果，把第一个统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}值，可以视为机器的转频频率；
Program2:定期循环这一过程。
作为本发明技术方案进一步具体优化的：在设备故障诊断动态AI特征库（4）优化方面提出了另一种参数反推自学习算法——基于倒谱图反推齿轮箱或轴承参数自学习算法。该算法能够根据倒谱图数据集特征反推出齿轮箱齿数或轴承的滚珠数等设备参数值，并能够过滤掉工况干扰信息。该算法对于齿轮箱或轴承设备的自适应故障诊断特别有用。
基于倒谱图反推齿轮箱或轴承参数自学习算法如下：
假设一段时间（倒谱图的瀑布图）的频谱峰值序列为如下数组：{W(i,j) , f(i,j)}，其中，f(i,j)为峰频频率；W(i,j)为该峰频频率f(i,j)的倒谱值；i=1,M，表示峰频序数，M值随j值可变动；j=1,N，表示不同的采集时间，举例如下：
{W(1,1)=20, f(1,1)=48hz}，{W(2,1)=300 , f(2,1)=107hz}，{W(3,1)=80 , f(3,1)=150hz}；
{W(1,2)=15, f(1,2)=50hz}，{W(2,2)=500 , f(2,2)=98hz}；
{W(1,3)=10, f(1,3)=49hz}，{W(2,3)=200 , f(2,3)=100hz}，{W(3,3)=30 , f(3,3)=120hz}；
{W(1,4)=30, f(1,4)=50hz}，{W(2,4)=400 , f(2,4)=105hz}，{W(3,4)=100 , f(3,4)=250hz}。
基于倒谱图反推齿轮箱或轴承参数自学习算法程序：
Program1:统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}，视为有效倒谱特征，不超过50%的视为无效倒谱特征。上例中，只有50hz、100hz为有效特征；
Program2:只对判断为有效的倒谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障。假设事前不知道齿轮箱或轴承的参数，据此数据特征即可以推断，第1个峰频值是转频，第2个至第n个峰频值是轴承滚珠数或各齿轮箱的齿数。就上例中，若是轴承，则50hz为轴承转频，100hz为轴承滚珠数，若是齿轮箱，则50hz为齿轮箱转频，100hz为其中一个齿轮箱的齿数；
Program3:对于判断为无效的倒谱特征，按出现概率排序，把出现次数超过10%的{W(i,j) , f(i,j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:有效倒谱特征的谱值也做个均值统计处理，形成[轻度（轻隐患）、中等（重隐患）、严重（故障）]三个层次的经验值区域；
Program5:由于齿轮箱和轴承的结构、频谱特征及倒谱特征复杂，对有效倒谱特征的频率值域需要做自学习处理，包括均值及浮动区域计算，如转频可以有±5%的误差，滚珠数或齿数可以有±10%的误差，否则，难以适应复杂工况，导致监测到的数据无法有效利用；
Program6:定期循环这一过程。
本发明和现有技术相比，其优点在于：
优点（1）：本技术方案为旋转设备振动故障特征库定期优化提供了一套科学合理的技术框架体系。通过根据设备及工况信息，设置和初装设备故障诊断基础AI特征库（3），根据用户反馈偏差和数据特征自学习算法，定期优化设备故障诊断动态AI特征库（4），构建了既接设备工况地气，又适应设备健康变化的设备振动故障AI特征库动态优化体系，为旋转设备状态实时监测和故障智能精准诊断提供了强大的科技手段，该体系和现有的设备故障库优化体系相比更具适用性和先进性。
优点（2）：本技术方案通过发明一种数据特征泛在自学习算法、一种瀑布图数据特征自学习算法、一种基于瀑布图反推转频自学习算法、一种基于倒谱图反推齿轮箱或轴承参数自学习算法，在设备故障特征值动态优化、设备参数数据反演、设备故障类型精准区分、随机工况干扰信息过滤等方面给出有效解决方法，支持设备故障诊断动态AI特征库（4）的定期优化，为设备故障智能精准诊断提供了强大的技术内核，从而不断提高对动设备振动故障诊断的准确性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可根据这些附图获得其他的附图。
图1是本申请实施例的方法逻辑图；
图2是瀑布图数据示例；
图1中所示序号：持续采集设备振动特征数据-1，定期自学习数据特征值-2，设备故障诊断基础AI特征库-3，设备故障诊断动态AI特征库-4，振动数据特征偏差清单-5，调用AI库进行故障诊断-6，反馈诊断偏差清单-7。
实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。
一种旋转设备振动故障特征库定期优化算法，使得设备故障振动诊断所依据的设备故障智能诊断特征库（4）越来越精准、完善。旋转设备运行出现故障时往往会在振动信号上出现对应的频谱特征或幅值特征（2），其中，幅值、频谱功率谱、边频或分频的出现往往与设备的具体工况环境密切相关，因此，一般振动智能诊断系统产品在初装时，会建立设备故障诊断基础AI特征库（3），该库为通用基础库，只能对经典的旋转设备故障进行准确预测；对于复杂工况环境下的设备故障，需要根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）对设备故障诊断动态AI特征库（4）进行定期更新，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对动设备振动故障诊断的准确性。
持续采集设备振动特征数据1。只要设备处于运行状态，AI诊断系统就一直能够采集到是是连续的设备振动特征数据资源，这既是AI诊断的源数据，也是设备故障诊断动态AI特征库（4）定期优化的源数据。
定期自学习数据特征值2。这是本专利技术的核心部分，包括一种数据特征泛在自学习算法、一种瀑布图数据特征自学习算法、一种基于瀑布图反推转频自学习算法、一种基于倒谱图反推齿轮箱或轴承参数自学习算法等四个算法。支持基于设备故障诊断基础AI特征库（3），根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）对设备故障诊断动态AI特征库（4）进行定期更新。四个算法内容如下：
Program1:持续采集设备振动特征数据，与初装的设备故障诊断基础AI特征库（3）比较，做出初步诊断。按设备类型，积累一定时期的振动特征数据和诊断结果，按求取平均值或峰值，分别从时域、频域，将幅值、频谱功率谱、边频或分频值，与初装的设备故障诊断基础AI特征库（3）比较，列出特征偏差清单；
Program2:定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；
Program3:根据定期列出的《特征偏差清单》，在初装的设备故障诊断基础AI特征库（3）的基础上，对库特征数据定期进行深度学习，持续改进形成设备故障诊断动态AI特征库（4），使得每次诊断时，采集特征与库对标特征的偏差平方和最小，从而动态持续优化设备故障智能诊断；
Program4:定期求取振动特征变化幅度，当振动幅度异常时，提出修改优化算法建议。
算法二：瀑布图数据特征自学习算法
假设一段时间（瀑布图）的频谱峰值序列为如下数组：{W(i,j) , f(i,j)}，其中，f(i,j)为峰频频率；W(i,j)为该峰频频率f(i,j)的功率谱值；i=1,M，表示峰频序数，M值随j值可变动；j=1,N，表示不同的采集时间，举例如下：
{W(1,1)=20, f(1,1)=16hz}，{W(2,1)=300 , f(2,1)=33hz}，{W(3,1)=80 , f(3,1)=80hz}；
{W(1,2)=15, f(1,2)=16hz}，{W(2,2)=500 , f(2,2)=32hz}；
{W(1,3)=10, f(1,3)=24hz}，{W(2,3)=200 , f(2,3)=32hz}，{W(3,3)=30 , f(3,3)=120hz}；
{W(1,4)=30, f(1,4)=15hz}，{W(2,4)=400 , f(2,4)=33hz}，{W(3,4)=100 , f(3,4)=50hz}。
瀑布图数据特征自学习算法程序：
Program1:统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}，视为有效特征，不超过50%的视为无效特征。上例中，只有16hz、32hz为有效特征；
Program2:只对判断为有效的频谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；
Program3:对于判断为无效的频谱特征，按出现概率排序，把出现次数超过10%的{W(i,j) , f(i,j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:时域的振幅、有效频率的功率谱值也做个均值统计处理，形成[轻度（轻隐患）、中等（重隐患）、严重（故障）]三个层次的经验值区域；
Program5:定期循环这一过程。
算法三：基于瀑布图反推转频自学习算法
Program1:基于“瀑布图数据特征自学习算法”中的“Program1项”成果，把第一个统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}值，可以视为机器的转频频率；
Program2:定期循环这一过程。
算法四：基于倒谱图反推齿轮箱或轴承参数自学习算法
假设一段时间（倒谱图的瀑布图）的频谱峰值序列为如下数组：{W(i,j) , f(i,j)}，其中，f(i,j)为峰频频率；W(i,j)为该峰频频率f(i,j)的倒谱值；i=1,M，表示峰频序数，M值随j值可变动；j=1,N，表示不同的采集时间，举例如下：
{W(1,1)=20, f(1,1)=48hz}，{W(2,1)=300 , f(2,1)=107hz}，{W(3,1)=80 , f(3,1)=150hz}；
{W(1,2)=15, f(1,2)=50hz}，{W(2,2)=500 , f(2,2)=98hz}；
{W(1,3)=10, f(1,3)=49hz}，{W(2,3)=200 , f(2,3)=100hz}，{W(3,3)=30 , f(3,3)=120hz}；
{W(1,4)=30, f(1,4)=50hz}，{W(2,4)=400 , f(2,4)=105hz}，{W(3,4)=100 , f(3,4)=250hz}。
基于倒谱图反推齿轮箱或轴承参数自学习算法程序：
Program1:统计峰频频率出现次数超过50%的{W(i,j) , f(i,j)}，视为有效倒谱特征，不超过50%的视为无效倒谱特征。上例中，只有50hz、100hz为有效特征；
Program2:只对判断为有效的倒谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障。假设事前不知道齿轮箱或轴承的参数，据此数据特征即可以推断，第1个峰频值是转频，第2个至第n个峰频值是轴承滚珠数或各齿轮箱的齿数。就上例中，若是轴承，则50hz为轴承转频，100hz为轴承滚珠数，若是齿轮箱，则50hz为齿轮箱转频，100hz为其中一个齿轮箱的齿数；
Program3:对于判断为无效的倒谱特征，按出现概率排序，把出现次数超过10%的{W(i,j) , f(i,j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:有效倒谱特征的谱值也做个均值统计处理，形成[轻度（轻隐患）、中等（重隐患）、严重（故障）]三个层次的经验值区域；
Program5:由于齿轮箱和轴承的结构、频谱特征及倒谱特征复杂，对有效倒谱特征的频率值域需要做自学习处理，包括均值及浮动区域计算，如转频可以有±5%的误差，滚珠数或齿数可以有±10%的误差，否则，难以适应复杂工况，导致监测到的数据无法有效利用；
Program6:定期循环这一过程。
设备故障诊断基础AI特征库3。设备故障诊断基础AI特征库（3）是一个按设备类型建立的通用振动故障基础特征库，包含九大类常见旋转机电设备，该库一般在系统初装时根据设备参数和工况信息设置安装，只能对经典的旋转设备故障进行准确预测，复杂工况环境、工况发生变化或者设备存在个性特征时，该库会有适用性问题。
设备故障诊断动态AI特征库4。该库是一个连续动态库，初始基于设备故障诊断基础AI特征库（3），根据用户反馈诊断偏差情况（7）（6）（1）和数据特征自学习值（5）（2）（1）对基础AI特征库（3）进行定期持续更新，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值、倒谱值等等特征值集合，得到设备故障诊断动态AI特征库（4）。
振动数据特征偏差清单5。这是数据特征自学习后的一项成果，实时监测的设备振动数据特征值范围与AI特征库（3）（4）中设置的值域范围之间存在偏差，说明AI特征库（3）（4）已不适用该设备和工况的个性情况，需要优化修正。
调用AI库进行故障诊断6。这是实时监测数据调用AI特征库（3）（4）的诊断过程，会得到当前的设备故障诊断结果，作为AI特征库（3）（4）是否优化的源数据。
反馈诊断偏差清单7。用户反馈诊断偏差信息是一项非常重要的支持AI特征库（3）（4）优化的源数据。反馈的诊断偏差信息包括：故障类型诊断错误、故障概率偏差、故障严重程度偏差等等。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (1)

1.一种旋转设备振动故障特征库定期优化算法，其特征在于，根据用户反馈诊断偏差情况和数据特征自学习值定期更新设备故障诊断动态AI特征库(4)，不断优化和完善各种故障振动的幅值、频谱功率谱、边频或分频值，从而不断提高对动设备振动故障诊断的准确性；所述数据特征自学习值中的自学习算法包括一种数据特征泛在自学习算法；该算法根据用户反馈诊断偏差情况支持对所有故障特征数据的自学习优化功能；通过定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；根据定期列出的反馈诊断偏差清单 (7)定期更新初装的设备故障诊断基础AI特征库(3)或者设备故障诊断动态AI特征库(4)；所述用户反馈诊断偏差情况包括反馈诊断偏差清单（7）、调用AI库进行故障诊断（6）以及持续采集设备振动特征数据（1）；所述数据特征自学习值包括振动数据特征偏差清单（5）、定期自学习数据特征值（2）以及持续采集设备振动特征数据（1）；
所述数据特征泛在自学习算法程序如下：
Program1:持续采集设备振动特征数据，与初装的设备故障诊断基础AI特征库(3)比较，做出初步诊断；按设备类型，积累一定时期的振动特征数据和诊断结果，按求取平均值或峰值，分别从时域、频域，将幅值、频谱功率谱、边频或分频值，与初装的设备故障诊断基础AI特征库(3)比较，列出特征偏差清单；
Program2:定期收集用户反馈的诊断结果不一致信息，按故障和振动特征，列出特征偏差清单；
Program3:根据定期列出的特征偏差清单，在初装的设备故障诊断基础AI特征库(3)的基础上，对库特征数据定期进行深度学习，持续改进形成设备故障诊断动态AI特征库(4)，使得每次诊断时，采集特征与库对标特征的偏差平方和最小，从而动态持续优化设备故障智能诊断；
Program4:定期求取振动特征变化幅度，当振动幅度异常时，提出修改优化算法建议；
所述数据特征自学习值中的自学习算法包括一种瀑布图数据特征自学习算法；瀑布图是将振动频谱信号的功率谱随时间或转速变化而叠置而成的三维谱图；
所述瀑布图数据特征自学习算法如下：
假设一段时间瀑布图的频谱峰值序列为如下数组：{W(i，j)，f(i，j)}，其中f(i，j)为峰频频率；W(i，j)为该峰频频率f(i，j)的功率谱值；i=1，M，表示峰频序数，M值随j值可变动；j=1，N，表示不同的采集时间：
所述瀑布图数据特征自学习算法程序如下：
Program1:统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}，视为有效特征，不超过50%的视为无效特征；
Program2:只对判断为有效的频谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；
Program3:对于判断为无效的频谱特征，按出现概率排序，把出现次数超过10%的{W(i，j) ，f(i，j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:时域的振幅、有效频率的功率谱值也做个均值统计处理，形成[轻度(轻隐患)、中等(重隐患)、严重(故障)]三个层次的经验值区域；
Program5:定期循环这一过程；
所述数据特征自学习值中的自学习算法包括一种参数反推自学习算法——基于瀑布图反推转频自学习算法； 所述基于瀑布图反推转频自学习算法程序如下：
Program1:基于瀑布图数据特征自学习算法中的Program1成果，把第一个统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}值，可以视为机器的转频频率；
Program2:定期循环这一过程；
所述数据特征自学习值中的自学习算法包括另一种参数反推自学习算法——基于倒谱图反推齿轮箱或轴承参数自学习算法；
所述基于倒谱图反推齿轮箱或轴承参数自学习算法如下：
假设一段时间倒谱图的瀑布图的频谱峰值序列为如下数组：{W(i，j)，f(i，j)}，其中f(i，j)为峰频频率；W(i，j)为该峰频频率f(i，j)的倒谱值；i=1，M，表示峰频序数，M值随 j值可变动；j=1，N，表示不同的采集时间；
所述基于倒谱图反推齿轮箱或轴承参数自学习算法程序如下：
Program1:统计峰频频率出现次数超过50%的{W(i，j)，f(i，j)}，视为有效倒谱特征，不超过50%的视为无效倒谱特征；
Program2:只对判断为有效的倒谱特征，调用基础AI故障库进行重新诊断，并标记该故障为固有可靠性类型故障；
假设事前不知道齿轮箱或轴承的参数，据此数据特征即可以推断，峰频值是转频还是轴承滚珠数或各齿轮箱的齿数；
Program3:对于判断为无效的倒谱特征，按出现概率排序，把出现次数超过10%的{W(i，j)，f(i，j)}数据，建立为工况干扰故障特征库，标记为使用可靠性类型故障；
Program4:有效倒谱特征的谱值也做个均值统计处理，形成[轻度(轻隐患) 、中等(重隐 患)、严重(故障)]三个层次的经验值区域；
Program5:由于齿轮箱和轴承的结构、频谱特征及倒谱特征复杂，对有效倒谱特征的频率值域需要做自学习处理，包括均值及浮动区域计算，如转频可以有±5%的误差，滚珠数或齿数可以有±10%的误差，否则，难以适应复杂工况，导致监测到的数据无法有效利用；
Program6:定期循环这一过程；
所述设备故障诊断动态AI特征库(4)是一个与每台设备运行全生命周期同步更新的个性动态故障特征库，它起始于每类设备通用的设备故障诊断基础AI特征库(3)，因工况环境和设备个体原因，经用户反馈和数据特征自学习后，定期更新为设备故障诊断动态AI特征库(4)；
所述设备故障诊断基础AI特征库(3)是针对每类设备建立的一个无差别的通用故障特征库；一般在系统初始运行时安装加载，该库包含了九类常见旋转机电设备的基本故障振动参数特征值。
CN201911410292.5A 2019-12-31 2019-12-31 一种旋转设备振动故障特征库定期优化算法 Active CN111144362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410292.5A CN111144362B (zh) 2019-12-31 2019-12-31 一种旋转设备振动故障特征库定期优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410292.5A CN111144362B (zh) 2019-12-31 2019-12-31 一种旋转设备振动故障特征库定期优化算法

Publications (2)

Publication Number Publication Date
CN111144362A CN111144362A (zh) 2020-05-12
CN111144362B true CN111144362B (zh) 2023-07-25

Family

ID=70522498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410292.5A Active CN111144362B (zh) 2019-12-31 2019-12-31 一种旋转设备振动故障特征库定期优化算法

Country Status (1)

Country Link
CN (1) CN111144362B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312141A (zh) * 2021-12-23 2022-04-12 小米汽车科技有限公司 电驱动桥及其故障诊断方法和装置、车辆终端
CN116798518B (zh) * 2023-06-05 2024-03-08 中南大学湘雅医院 构建代谢物衰老分数及代谢衰老速率的方法及其应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672723A (zh) * 2009-10-28 2010-03-17 北京中能联创风电技术有限公司 一种风电机组振动分析故障诊断方法和系统
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
CN103941722A (zh) * 2014-03-26 2014-07-23 西安热工研究院有限公司 通过部件特征倍频幅值趋势监测和诊断设备故障的方法
CN105840433A (zh) * 2016-05-31 2016-08-10 中国华电科工集团有限公司 风电机组点检信息管理系统和风电机组点检管理系统
CN109564296A (zh) * 2016-07-01 2019-04-02 斯伦贝谢技术有限公司 用于检测反射液压信号的井中对象的方法和系统
CN109580145A (zh) * 2018-11-20 2019-04-05 佛山科学技术学院 基于深度学习的智能制造设备故障的诊断方法及装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156043B (zh) * 2010-12-31 2013-01-16 北京四方继保自动化股份有限公司 风力发电机组在线状态监测与故障诊断系统
CN102510125B (zh) * 2011-09-28 2013-11-13 天津科林电气有限公司 电力一次设备运行工况监测方法及装置
CN103323274B (zh) * 2013-05-24 2015-10-14 上海交通大学 旋转机械状态监测与故障诊断系统及方法
CN104807534B (zh) * 2015-05-21 2018-04-13 华北电力大学（保定） 基于在线振动数据的设备固有振动模式自学习识别方法
CN105181019B (zh) * 2015-09-15 2018-12-18 安徽精科检测技术有限公司 旋转类机械早期故障预警分析方法
CN106124982A (zh) * 2016-06-14 2016-11-16 都城绿色能源有限公司 一种风电机组的自动专家综合故障诊断系统及诊断方法
CN107122738B (zh) * 2017-04-26 2020-05-22 成都蓝色起源科技有限公司 基于深度学习模型的无线电信号识别方法及其实现系统
CN107884189B (zh) * 2017-10-12 2021-05-11 岭东核电有限公司 一种故障诊断方法
CN108051078B (zh) * 2017-12-12 2020-04-24 湖南工业大学 一种转速非恒定时叶片振动叶端定时在线监测方法及装置
CN108777872B (zh) * 2018-05-22 2020-01-24 中国人民解放军陆军工程大学 一种基于深度q神经网络抗干扰模型的智能抗干扰方法及智能抗干扰系统
CN209296300U (zh) * 2019-02-22 2019-08-23 朱清 一种智能化振动分析及故障诊断装置
CN109724791A (zh) * 2019-02-22 2019-05-07 朱清 一种智能化振动分析及故障诊断装置及其工作方法
CN109883703B (zh) * 2019-03-08 2021-04-20 华北电力大学 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法
CN109947088B (zh) * 2019-04-17 2020-09-08 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672723A (zh) * 2009-10-28 2010-03-17 北京中能联创风电技术有限公司 一种风电机组振动分析故障诊断方法和系统
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
CN103941722A (zh) * 2014-03-26 2014-07-23 西安热工研究院有限公司 通过部件特征倍频幅值趋势监测和诊断设备故障的方法
CN105840433A (zh) * 2016-05-31 2016-08-10 中国华电科工集团有限公司 风电机组点检信息管理系统和风电机组点检管理系统
CN109564296A (zh) * 2016-07-01 2019-04-02 斯伦贝谢技术有限公司 用于检测反射液压信号的井中对象的方法和系统
CN109580145A (zh) * 2018-11-20 2019-04-05 佛山科学技术学院 基于深度学习的智能制造设备故障的诊断方法及装置

Also Published As

Publication number Publication date
CN111144362A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144362B (zh) 一种旋转设备振动故障特征库定期优化算法
CN102156043B (zh) 风力发电机组在线状态监测与故障诊断系统
US10883896B2 (en) State monitoring system of gear device and state monitoring method
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
US20080106424A1 (en) Machine condition indication system
CN110940917B (zh) 一种电动机故障预警方法及系统
US10539602B2 (en) Active shaft grounding system with diagnostic waveform analysis
Boudiaf et al. A summary of vibration analysis techniques for fault detection and diagnosis in bearing
CN105651376A (zh) 机械设备离线检测系统振动信号频谱分析和报警方法
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
US10330567B2 (en) Monitoring of a machine with a rotating machine component
CN110119333A (zh) 一种异常检测边缘计算系统
CN116880309A (zh) 一种工厂环境监测管理系统及方法
Wang et al. Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy
JPH0843257A (ja) 遊星歯車の診断方法
CN111582248B (zh) 一种基于svd的齿轮箱信号降噪方法
WO2008076586A1 (en) Methods and apparatus to monitor system health
CN111618655B (zh) 一种数控机床滚珠丝杆健康程度量化评价方法
CN112162197A (zh) 一种立式机组定转子中心偏移故障的在线诊断方法
Li et al. Sinusoidal synthesis based adaptive tracking for rotating machinery fault detection
CN114018573A (zh) 一种无参数齿轮箱齿轮啮合频率估算方法
Magnus et al. Vibration-based condition monitoring of heavy duty machine driveline parts: Torque converter, gearbox, axles and bearings
CN112098094A (zh) 一种低速重载轴承故障振动诊断的方法
JP2017180278A (ja) 風車用増速機の歯数特定装置および歯数特定方法
JP2017181283A (ja) シングルピニオン式の遊星歯車装置の歯数特定装置および歯数特定方法

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
GR01 Patent grant
GR01 Patent grant