CN111259717A - 一种旋转设备状态异常判断方法及系统 - Google Patents

一种旋转设备状态异常判断方法及系统 Download PDF

Info

Publication number
CN111259717A
CN111259717A CN201911000942.9A CN201911000942A CN111259717A CN 111259717 A CN111259717 A CN 111259717A CN 201911000942 A CN201911000942 A CN 201911000942A CN 111259717 A CN111259717 A CN 111259717A
Authority
CN
China
Prior art keywords
rotating equipment
state
value
evaluation
vibration signal
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.)
Granted
Application number
CN201911000942.9A
Other languages
English (en)
Other versions
CN111259717B (zh
Inventor
李倩
柳树林
杨皓杰
孙丰诚
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.)
Hangzhou AIMS Intelligent Technology Co Ltd
Original Assignee
Hangzhou AIMS 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 Hangzhou AIMS Intelligent Technology Co Ltd filed Critical Hangzhou AIMS Intelligent Technology Co Ltd
Priority to CN201911000942.9A priority Critical patent/CN111259717B/zh
Publication of CN111259717A publication Critical patent/CN111259717A/zh
Application granted granted Critical
Publication of CN111259717B publication Critical patent/CN111259717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及本发明涉及旋转设备故障诊断领域，公开了一种旋转设备状态异常判断方法及系统，包括：A）采集旋转设备振动信号，对旋转设备振动信号进行双树复小波包变换；B）计算旋转设备振动分量信号的频带能量；C）采用主成分分析方法对特征参数矩阵进行处理，得到降维后的特征参数矩阵；D）获得旋转设备振动信号样本状态评估值时间序列；E）建立旋转设备状态异常报警机制，采用LSTM方法对旋转设备状态评估值进行预测。本发明实现了旋转设备状态预测评估，能够实现旋转设备异常预警，降低旋转设备异常判断的误报率。

Description

一种旋转设备状态异常判断方法及系统
技术领域
本发明涉及旋转设备故障诊断领域，尤其是涉及一种旋转设备状态异常判断方法及系统。
背景技术
近年来，国内航空航天、轨道交通、电力等工业生产向系统化、数字化和自动化发展，机械系统逐渐复杂，对工艺参数要求指标和设备可靠性要求日益提高。旋转设备承载着长时间的运转工作，极易出现异常，进一步地影响生产效率和设备性能。因此对旋转机械进行监测，及时监测出旋转设备异常，实现旋转设备早期异常判断，避免工厂自动化生产线由于故障和维护导致的意外停机所带来的直接经济损失，实现近零计划外停机和无忧生产，提高生产效率。
旋转设备发生异常情况时，温度升高，振动指标增大，频域产生故障频带。目前常用的旋转设备异常判断方法是阈值判断方法，根据ISO2372标准阈值,对比计算振动信号的有效值，若超过阈值则判断旋转设备出现异常情况。旋转设备运行环境恶劣，振动信号中包含强噪声信号，计算全频带的有效值容易引入干扰信息。且ISO2372是一种通用的阈值判断标准，旋转设备在不用应用场景下振动情况不同，采用通用的阈值判断引起的误报率和漏报率偏高。一般情况下，通用阈值偏大，振动超标超过通用阈值时，旋转设备已经出现不可逆损伤；并且现有方法仅能对当前时刻的设备状态判断，无法实现预测。
例如，一种在中国专利文献上公开的“一种旋转设备振动监测保护装置通道异常的检测方法”，其公告号CN 106644055 A，本发明公开了一种旋转设备振动监测保护装置通道异常的检测方法，其步骤是：振动监测保护装置依据各通道对应测点的位置和旋转设备特性，获得各通道的相关系数，根据工程经验设定其权值；振动监测保护装置实时监测各通道的振动数据，并检查其变化趋势是否符合通道相关性约束；某个通道振动信号异常增大会减小，其相关的其他通道振动信号无任何变化，连续多次，则可判定该通道异常，包括传感器的异常和装置采样通道的异常。该发明仅能对当前时刻的设备状态判断，无法实现预测。因此，需要选择一种能够自适应去除噪声，提取有效特征的信号处理方法，选择一种能够自适应确定报警机制和实现状态预测评估的方法，能够提前实现旋转设备异常预警，并降低旋转设备异常判断的误报率。
发明内容
本发明是为了解决现有旋转设备状态异常判断方法中无法进行旋转设备状态自适应异常报警和实现状态预测评估的问题，提供一种旋转设备状态异常判断方法及系统。本发明能够实现旋转设备状态预测评估，进行旋转设备异常预警，降低旋转设备异常判断的误报率。
为了实现上述目的，本发明采用以下技术方案：
一种旋转设备状态异常判断方法，包括：
A)采集旋转设备振动信号，获得n组旋转设备振动信号样本，设置时间周期T，对时间周期T内的每组旋转设备振动信号样本分别进行双树复小波包变换，获得每组旋转设备振动信号样本的m个分量信号；
B)计算每组旋转设备振动信号样本的m个分量信号的频带能量，获得特征为n×m的特征参数矩阵；
C)采用主成分分析方法对特征参数矩阵进行处理，计算贡献率和累计贡献率，根据累计贡献率确定重构个数，得到旋转设备振动信号样本降维后的特征参数矩阵；
D)计算评估向量，根据贡献率确定评估权重，采用欧式距离方法获得旋转设备振动信号样本状态评估值时间序列
Figure BDA0002241287860000021
Figure BDA0002241287860000022
表示第j个时间周期T内的旋转设备状态评估值；
E)建立旋转设备状态异常报警机制，采用LSTM方法对旋转设备状态评估值进行预测。
本发明通过对旋转设备振动信号进行双树复小波包变换，不仅能实现自适应的频带划分，而且能够提取各频带内能量；通过主成分分析法，能最大限度地提取有用信号，消除噪声信号。长短期记忆神经网络(Long-Short Term Memory，LSTM)是一种深度学习算法，是循环神经网络(Recurrent Neutral Network)中的一种，能够有效解决长期依赖问题。采用LSTM方法对旋转设备状态评估值进行预测，建立了旋转设备状态异常报警机制，能够提前实现旋转设备异常预警。
进一步地，步骤B)中，计算每组旋转设备振动信号样本的m个分量信号的频带能量，获得特征为n×m的特征参数矩阵，包括：
B1)获得各组旋转设备振动信号样本的m个分量信号的频带能量，计算
Figure BDA0002241287860000023
获得第k组旋转设备振动信号样本的i个分量信号的频带能量Eski，其中i表示第i个分量信号，m表示分量信号总数；j表示第j条谱线，N表示谱线个数，
Figure BDA0002241287860000024
表示第k组旋转设备振动信号样本的第i个分量信号第j条谱线的幅值；
B3)计算各组旋转设备振动信号样本各分量信号的频带能量熵，获得特征参数矩阵
Figure BDA0002241287860000031
其中hki＝-Eski*log10(Eski)表示第k组旋转设备振动信号样本的第i个分量信号的频带能量熵。
进一步地，步骤C)中采用主成分分析方法对特征参数矩阵进行处理，计算贡献率和累计贡献率，得到旋转设备振动信号样本降维后的特征参数矩阵，包括：
C1)对第j个时间周期T内的特征参数矩阵中的每一列进行零均值化处理，获得零均值化处理的特征矩阵X；
C2)通过特征矩阵X构造第j个时间周期T内的协方差矩阵
Figure BDA0002241287860000032
获得协方差矩阵X*的特征值，获得与特征值相对应的特征向量，获得第j个时间周期T内的m个主成分；
C3)将特征值按从大到小顺序依次排列，获得排列后的特征值集合
Figure BDA0002241287860000033
计算第j个时间周期T内的m个主成分的贡献率
Figure BDA0002241287860000034
和累计贡献率
Figure BDA0002241287860000035
根据累计贡献率确定重构分量个数p；
C4)根据重构分量个数p，对信号进行重构得到降维后特征为n×p的特征参数矩阵
Figure BDA0002241287860000036
对特征参数矩阵中的每个特征进行零均值化处理，使特征参数矩阵中心化，让特征参数矩阵每一列的元素减去该列的均值，使得零均值化处理后每一列的均值为0。通过式子
Figure BDA0002241287860000037
计算各个主成分对应的累计贡献率，其中式子的分母表示第j个时间周期T内m个主成分的贡献率的总和，
Figure BDA0002241287860000038
表示第j个时间周期T内第s个主成分的贡献率。设置阈值θ，根据
Figure BDA0002241287860000039
确定重构分量个数p，0≤θ≤1。
进一步地，步骤D)中计算评估向量，根据贡献率确定评估权重，获得旋转设备振动信号样本状态评估值时间序列
Figure BDA0002241287860000041
包括：
D1)获取降维后的特征参数矩阵每一列元素的最大值和最小值，获得最大值向量vmax＝[v1max,v2max,L,vpmax]和最小值向量vmin＝[v1min,v2min,L,vpmin]
D2)根据最大值向量与最小值向量，获得欧式距离向量
Figure BDA0002241287860000042
其中
Figure BDA0002241287860000043
D3)计算每一列的每个元素与该列最小值间的欧式距离，获得欧氏距离向量
Figure BDA0002241287860000044
D4)根据欧式距离向量D1j和欧式距离向量D2j获得第j个时间周期T内旋转设备状态评估向量
Figure BDA0002241287860000045
D5)获得第j个时间周期T内的旋转设备状态评估值
Figure BDA0002241287860000046
其中
Figure BDA0002241287860000047
为第j个时间周期T内第r个评估权重，
Figure BDA0002241287860000048
采用欧式距离指标方法评估旋转设备状态，根据贡献率确定每维特征的权重值，通过加权求和再求平均值计算旋转设备状态评估值，从而获得旋转设备状态评估结果。
进一步地，在步骤E)中建立旋转设备状态异常报警机制，包括：
设定旋转设备状态评估阈值，判断旋转设备状态评估预测值是否超过旋转设备状态评估阈值，若是，则表明旋转设备状态异常，若否，则表明旋转设备状态正常。
通过建立旋转设备状态异常报警机制实现旋转设备异常预警。
进一步地，在步骤E)中建立旋转设备状态异常报警机制，包括：
计算状态评估值变化率，设定旋转设备状态评估阈值和状态评估值变化率阈值，判断旋转设备状态评估值和状态评估值变化率是否都超过了设定的阈值，若是，则表明旋转设备状态异常，若否，则表明旋转设备状态正常。
从旋转设备状态评估值和状态评估值变化率两个方面建立旋转设备状态异常报警机制，只有当同时满足旋转设备状态评估值和状态评估值变化率的两个条件下，才能触发异常报警，使得报警机制更加全面。
进一步地，步骤E)中采用LSTM方法对旋转设备状态评估值进行预测，包括：
E1)将旋转设备状态评估值进行归一化处理，构造训练样本和测试样本；
E2)搭建LSTM模型，利用训练样本对模型进行训练，获得已训练好的LSTM模型，利用测试样本对模型进行测试；
E3)采用已训练好的LSTM模型对旋转设备状态评估值进行预测，获得旋转设备状态评估预测值，将旋转设备状态评估预测值进行反归一化处理，获得实际预测值。
将旋转设备状态评估值进行归一化处理后获得一个具有时间序列的特征矩阵，再构造训练样本和测试样本，搭建LSTM模型。长短期记忆神经网络模型通过在普通多层前馈(Back Propagation)神经网络基础上，增加了隐藏层各单元间的横向联系，通过权重矩阵，将上一个时间序列的神经单元的值传递至当前的神经单元，从而使神经网络具备了记忆功能，另外，在隐藏层各神经单元中增加记忆单元，从而使时间序列上的记忆信息可控，每次在隐藏层各单元间传递时通过几个可控门(遗忘门、输入门、输出门)，可以控制之前信息和当前信息的记忆和遗忘程度，从而使网络具备了长期记忆功能。不同于传统的前馈神经网络，通过长短期记忆神经网络模型的隐藏层能够实现跨越时间点的自连隐藏层，即隐藏层的输出不但可以传输到输出层，也可以传输给下一时间点的隐藏层，该网络可以长期地保存有用信息，根据历史信息推出未来信息，即能够通过建立LSTM模型，利用历史的旋转设备状态评估信息对未来的旋转设备状态评估信息进行预测。
一种旋转设备状态异常判断系统，包括预处理模块、状态评估模块、状态预测模块和异常判断模块，预处理模块与状态评估模块相连，预处理模块用于对采集到的旋转设备振动信号进行预处理，状态评估模块与状态预测模块相连，状态评估模块用于获得旋转设备状态评估结果；状态预测模块与异常判断模块相连，状态预测模块用于对未来时间的旋转设备状态进行评估；异常判断模块，用于判断旋转设备是否异常。
预处理模块，用于将采集到的旋转设备振动信号进行双树复小波包处理，得到若干个分量信号；对分量信号提取频带能量，构成特征参数矩阵；采用主成分分析方法对特征矩阵进行处理，根据贡献率确定重构分量个数；对确定需要重构的分量信号进行重构，得到降维后的特征参数矩阵；
状态评估模块，用于按照矩阵特征值确定每列特征的距离指标参数，采用欧式距离指标方法评估旋转设备状态，根据贡献率确定每维特征的权重值，通过加权平均得到旋转设备状态评估结果；
状态预测模块，用于采用LSTM方法对接下来一段时间的旋转设备状态进行评估；
异常判断模块，建立旋转设备状态异常报警机制，判断旋转设备是否已经超过设定阈值。
因此，本发明具有如下有益效果：本发明通过对振动信号进行双树复小波包变换，不仅能实现自适应的频带划分，而且能够提取各频带内能量；通过主成分分析法，能最大限度地提取有用信号，消除噪声信号；通过欧式距离指标方法，能有效评估设备状态，并将状态估计值进行归一化处理后再通过LSTM方法，实现旋转设备状态预测。建立异常判断机制，有效提高设备异常判断的准确率。
附图说明
图1是本发明实施例一的一种旋转设备状态异常判断方法流程示意图。
图2是本发明实施例一的一种旋转设备状态异常判断系统结构示意图。
图3是本发明实施例一的电机振动信号的时域图。
图4是本发明实施例一的16个分量信号的时域图。
图5是本发明实施例一的累积贡献率折线图。
图6是本发明实施例一的预测均方根误差曲线图。
图7是本发明实施例一的第293组测试样本的预测曲线图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例一，一种旋转设备状态异常判断方法，以电机模拟实验台上采集的驱动端加速度数据为例，电机的转动速度为4170r/min。
如图1所示，包括：
A)采集电机振动信号，获得2990组电机振动信号，对采集到的每组电机振动信号进行双树复小波包4层变换，每组电机振动信号得到16个分量信号，如图3、图4所示，图3为其中一组电机振动信号的时域图，图4为该组电机振动信号经过双树复小波包变换之后得到的各分量信号时域图；
B)计算每组电机振动信号的16个分量信号的频带能量，获得特征为2990×16的特征参数矩阵，包括：
B1)获得各组电机振动信号的16个分量信号的频带能量，计算
Figure BDA0002241287860000061
获得第k组电机振动信号的i个分量信号的频带能量Eski，其中i表示第i个分量信号，j表示第j条谱线，N表示谱线个数，
Figure BDA0002241287860000071
表示第k组电机振动信号的第i个分量信号第j条谱线的幅值；
B3)计算各组电机振动信号各分量信号的频带能量熵，获得特征参数矩阵
Figure BDA0002241287860000072
其中，n＝2990，m＝16，hki＝-Eski*log10(Eski)表示第k组电机振动信号的第i个分量信号的频带能量熵。
C)采用主成分分析方法对特征参数矩阵进行处理，计算贡献率和累计贡献率，得到降维后的特征参数矩阵，包括：
C1)对参数矩阵中的每一列进行零均值化处理，获得零均值化处理的特征矩阵X；
C2)通过特征矩阵X构造第j个时间周期T内的协方差矩阵
Figure BDA0002241287860000073
获得协方差矩阵X*的特征值，获得与特征值相对应的特征向量，获得第j个时间周期T内的m个主成分；
C3)将特征值按从大到小顺序依次排列，获得排列后的特征值集合
Figure BDA0002241287860000074
根据特征值大小计算第j个时间周期T内的m个主成分的贡献率
Figure BDA0002241287860000075
和累计贡献率
Figure BDA0002241287860000076
根据累计贡献率确定重构分量个数p；
C4)根据特征值大小计算第j个时间周期T内的16个主成分的贡献率
Figure BDA0002241287860000077
和累计贡献率
Figure BDA0002241287860000078
通过式子
Figure BDA0002241287860000079
计算各个主成分对应的累计贡献率，其中式子的分母表示第j个时间周期T内m个主成分的贡献率的总和，
Figure BDA00022412878600000710
表示第j个时间周期T内第s个主成分的贡献率。如图5所示，为16个主成分的累积贡献率折线图，16个主成分的贡献率情况如表1所示。设置阈值95％，选择满足
Figure BDA00022412878600000711
的最小重构分量个数p，获得最小重构分量个数p为4。
表1主成分贡献率和累积贡献率
Figure BDA00022412878600000712
Figure BDA0002241287860000081
表1
C4)获得Q个降维后特征为m×p的特征参数矩阵{V1,V2,...,Vj,...,VQ}，其中Vj表示第j个时间周期T内获得的特征参数矩阵
Figure BDA0002241287860000082
D)计算评估向量，根据贡献率确定评估权重，获得电机振动信号状态评估值时间序列
Figure BDA0002241287860000083
Figure BDA0002241287860000084
表示第j个时间周期T内的电机状态评估值，包括：
D1)获取第j个时间周期T内降维后的特征参数矩阵每一列元素的最大值和最小值，获得最大值向量vj max＝[vj 1max,vj 2max,...,vj pmax]和最小值向量vj min＝[vj 1min,vj 2min,...,vj pmin]；
D2)根据最大值向量与最小值向量，获得欧式距离向量
Figure BDA0002241287860000085
其中
Figure BDA0002241287860000086
D3)计算每一列的每个元素与该列最小值间的欧式距离，获得欧氏距离向量
Figure BDA0002241287860000087
其中
Figure BDA0002241287860000088
D4)根据欧式距离向量D1j和欧式距离向量D2j获得第j个时间周期T内电机状态评估向量
Figure BDA0002241287860000089
D5)获得第j个时间周期T内的旋转设备状态评估值
Figure BDA0002241287860000091
其中
Figure BDA0002241287860000092
为第j个时间周期T内第r个评估权重，
Figure BDA0002241287860000093
四个主成分的评估权重如表2所示。
表2四个主成分的评估权重
主成分 权重值
1 51.06％
2 40.71％
3 4.92％
4 3.31％
表2
采用LSTM方法对电机状态评估值进行预测，建立电机状态异常报警机制，获取电机状态评估值，设定电机状态评估值低阈值为0.5，判断电机状态评估值是否低于电机状态评估值低阈值0.5，若是，则表示电机状态出现异常，若否，则表示电机状态正常。
其中采用LSTM方法对电机状态评估值进行预测，包括：
E11)获得2380个时间周期内的电机振动信号状态评估值，获得电机振动信号状态评估值时间序列
Figure BDA0002241287860000094
将电机振动信号状态评估值时间序列进行归一化处理，选取2000个电机振动信号状态评估值作为训练集，380个电机振动信号状态评估值作为测试集。每次训练时按照时间顺序选取电机振动信号状态评估值训练点个数为100，预测长度为50，即利用前16.67h内的电机状态评估值来对接下来8.33h内的电机状态变化情况进行预测。
E12)搭建LSTM模型，LSTM模型包括两个隐藏层，第一个隐藏层的神经元个数为128，第二个隐藏层的神经元个数为256，两个隐藏层添加一层Dropout层。损失函数采用均方误差，采用Adam优化算法对LSTM模型进行优化。利用训练集对模型进行训练，获得已训练好的LSTM模型，利用测试集对模型进行测试。
E13)采用已训练好的LSTM模型对旋转设备状态评估值进行预测，并将预测值进行反归一化处理，获得实际预测值。
如图6所示，为测试集的预测均方根误差情况，误差均在20％以内，表示训练的LSTM模型具有一定的泛化能力。如图7所示，为第293组测试样本的预测曲线图，第5.5h时的预测值等于0.5，5.5h之后的值低于0.5，则在5.5h时电机异常，触发电机异常报警。
一种旋转设备状态异常判断系统，如图2所示，包括预处理模块、状态评估模块、状态预测模块和异常判断模块，预处理模块与状态评估模块相连，预处理模块用于对采集到的旋转设备振动信号进行预处理，状态评估模块与状态预测模块相连，状态评估模块用于获得旋转设备状态评估结果；状态预测模块与异常判断模块相连，状态预测模块用于对未来时间的旋转设备状态进行评估；异常判断模块，用于判断旋转设备是否异常。预处理模块，用于将采集到的旋转设备振动信号进行双树复小波包处理，得到若干个分量信号；对分量信号提取频带能量，构成特征参数矩阵；采用主成分分析方法对特征矩阵进行处理，根据贡献率确定重构分量个数；对确定需要重构的分量信号进行重构，得到降维后的特征参数矩阵；
状态评估模块，用于按照矩阵特征值确定每列特征的距离指标参数，采用欧式距离指标方法评估旋转设备状态，根据贡献率确定每维特征的权重值，通过加权平均得到旋转设备状态评估结果；
状态预测模块，用于采用LSTM方法对接下来一段时间的旋转设备状态进行评估；
异常判断模块，建立旋转设备状态异常报警机制，判断旋转设备是否已经超过设定阈值。
本发明能够自适应确定报警机制，并且实现状态预测评估，能够提前实现旋转设备异常预警，降低旋转设备异常判断的误报率。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明保护范围以内。

Claims (9)

1.一种旋转设备状态异常判断方法，其特征是，包括：
A)采集旋转设备振动信号，获得n组旋转设备振动信号样本，对每组旋转设备振动信号样本分别进行双树复小波包变换，获得每组旋转设备振动信号样本的m个分量信号；
B)计算每组旋转设备振动信号样本的m个分量信号的频带能量，获得特征为n×m的特征参数矩阵；
C)采用主成分分析方法对特征参数矩阵进行处理，计算贡献率和累计贡献率，根据累计贡献率确定重构个数，得到旋转设备振动信号样本降维后的特征参数矩阵；
D)计算评估向量，根据贡献率确定评估权重，采用欧式距离方法获得旋转设备振动信号样本状态评估值时间序列
Figure FDA0002241287850000011
Figure FDA0002241287850000012
表示第j个时间周期的旋转设备状态评估值；
E)建立旋转设备状态异常报警机制，采用LSTM方法对旋转设备状态评估值进行预测。
2.根据权利要求1所述的一种旋转设备状态异常判断方法，其特征是，步骤B)中，计算每组旋转设备振动信号样本的m个分量信号的频带能量，获得特征为n×m的特征参数矩阵，包括：
B1)获得各组旋转设备振动信号样本的m个分量信号的频带能量，计算
Figure FDA0002241287850000013
获得第k组旋转设备振动信号样本的i个分量信号的频带能量Eski，其中i表示第i个分量信号，m表示分量信号总数；j表示第j条谱线，N表示谱线个数，
Figure FDA0002241287850000014
表示第k组旋转设备振动信号样本的第i个分量信号第j条谱线的幅值；
B3)计算各组旋转设备振动信号样本各分量信号的频带能量熵，获得特征参数矩阵
Figure FDA0002241287850000015
其中hki＝-Eski*log10(Eski)表示第k组旋转设备振动信号样本的第i个分量信号的频带能量熵。
3.根据权利要求1或2所述的一种旋转设备状态异常判断方法，其特征是，步骤C)中采用主成分分析方法对特征参数矩阵进行处理，计算贡献率和累计贡献率，根据累计贡献率确定重构个数，得到旋转设备振动信号样本降维后的特征参数矩阵，包括：
C1)特征参数矩阵中的每一列进行零均值化处理，获得零均值化处理的特征矩阵X；
C2)通过特征矩阵X构造协方差矩阵
Figure FDA0002241287850000021
获得协方差矩阵X*的特征值，获得与特征值相对应的特征向量，获得m个主成分；
C3)将特征值按从大到小顺序依次排列，获得排列后的特征值集合
Figure FDA0002241287850000022
计算m个主成分的贡献率
Figure FDA0002241287850000023
和累计贡献率
Figure FDA0002241287850000024
根据累计贡献率确定重构分量个数p；
C4)根据重构分量个数p，对信号进行重构得到降维后特征为n×p的特征参数矩阵
Figure FDA0002241287850000025
4.根据权利要求3所述一种旋转设备状态异常判断方法，其特征是，步骤D)中计算评估向量，根据贡献率确定评估权重，采用欧式距离方法获得旋转设备振动信号样本状态评估值时间序列
Figure FDA0002241287850000026
包括：
D1)获取降维后的特征参数矩阵每一列元素的最大值和最小值，获得最大值向量vmax＝[v1max,v2max,L,vpmax]和最小值向量vmin＝[v1min,v2min,L,vpmin]；
D2)根据最大值向量与最小值，获得欧式距离向量
Figure FDA0002241287850000027
其中
Figure FDA0002241287850000028
D3)计算每一列的每个元素与该列最小值间的欧式距离，获得欧氏距离向量
Figure FDA0002241287850000029
其中
Figure FDA00022412878500000210
D4)根据欧式距离向量D1j和欧式距离向量D2j获得第j个时间的旋转设备状态评估向量
Figure FDA00022412878500000211
D5)获得第j个时间周期T内的旋转设备状态评估值
Figure FDA00022412878500000212
其中
Figure FDA00022412878500000213
为第j个时间周期T内第r个评估权重，
Figure FDA0002241287850000031
5.根据权利要求1或4所述的一种旋转设备状态异常判断方法，其特征是，在步骤E)中建立旋转设备状态异常报警机制，包括：
设定旋转设备状态评估阈值，判断旋转设备状态评估预测值是否超过旋转设备状态评估阈值，若是，则表明旋转设备状态异常，若否，则表明旋转设备状态正常。
6.根据权利要求1或4所述的一种旋转设备状态异常判断方法，其特征是，在步骤E)中建立旋转设备状态异常报警机制，包括：
计算状态评估值变化率，设定旋转设备状态评估阈值和状态评估值变化率阈值，判断旋转设备状态评估值和状态评估值变化率是否都超过了设定的阈值，若是，则表明旋转设备状态异常，若否，则表明旋转设备状态正常。
7.根据权利要求1所述的一种旋转设备状态异常判断方法，其特征是，步骤E)中采用LSTM方法对旋转设备状态评估值进行预测，包括：
E1)将旋转设备状态评估值进行归一化处理，构造训练样本和测试样本；
E2)搭建LSTM模型，利用训练样本对模型进行训练，获得已训练好的LSTM模型，利用测试样本对模型进行测试；
E3)采用已训练好的LSTM模型对旋转设备状态评估值进行预测，获得旋转设备状态评估预测值，将旋转设备状态评估预测值进行反归一化处理，获得实际预测值。
8.一种旋转设备状态异常判断系统，适用于如权利要求1至7任一项所述的一种旋转设备状态异常判断方法，其特征是，包括预处理模块、状态评估模块、状态预测模块和异常判断模块，所述预处理模块与状态评估模块相连，所述预处理模块用于对采集到的旋转设备振动信号进行预处理，所述状态评估模块与状态预测模块相连，所述状态评估模块用于获得旋转设备状态评估结果；所述状态预测模块与异常判断模块相连，所述状态预测模块用于对未来时间的旋转设备状态进行评估；所述异常判断模块，用于判断旋转设备是否异常。
9.根据权利要求8所述的一种旋转设备状态异常判断系统，其特征是，
所述预处理模块，用于将采集到的旋转设备振动信号进行双树复小波包处理，得到若干个分量信号；对所述分量信号提取频带能量，构成特征参数矩阵；采用主成分分析方法对特征矩阵进行处理，根据贡献率确定重构分量个数；对确定需要重构的分量信号进行重构，得到降维后的特征参数矩阵；
所述状态评估模块，用于按照矩阵特征值确定每列特征的距离指标参数，采用欧式距离指标方法评估旋转设备状态，根据贡献率确定每维特征的权重值，通过加权平均得到旋转设备状态评估结果；
所述状态预测模块，用于采用LSTM方法对接下来一段时间的旋转设备状态进行评估；
所述异常判断模块，建立旋转设备状态异常报警机制，判断旋转设备是否已经超过设定阈值。
CN201911000942.9A 2019-10-21 2019-10-21 一种旋转设备状态异常判断方法及系统 Active CN111259717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911000942.9A CN111259717B (zh) 2019-10-21 2019-10-21 一种旋转设备状态异常判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911000942.9A CN111259717B (zh) 2019-10-21 2019-10-21 一种旋转设备状态异常判断方法及系统

Publications (2)

Publication Number Publication Date
CN111259717A true CN111259717A (zh) 2020-06-09
CN111259717B CN111259717B (zh) 2023-08-15

Family

ID=70950179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000942.9A Active CN111259717B (zh) 2019-10-21 2019-10-21 一种旋转设备状态异常判断方法及系统

Country Status (1)

Country Link
CN (1) CN111259717B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111734772A (zh) * 2020-06-16 2020-10-02 大连理工大学 一种薄壁件加工中的磁流变抑振方法
CN112130068A (zh) * 2020-09-09 2020-12-25 南京工程学院 电机异常负载判断、时频域分解和类型鉴别的方法和装置
CN112632466A (zh) * 2020-11-26 2021-04-09 江苏科技大学 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法
CN112763056A (zh) * 2020-12-29 2021-05-07 上海交大智邦科技有限公司 用于数控机床系统状态在线实时监测与评估的方法及系统
CN113240099A (zh) * 2021-07-09 2021-08-10 北京博华信智科技股份有限公司 基于lstm的旋转机械健康状态的预测方法和装置
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN114279555A (zh) * 2021-12-27 2022-04-05 深圳市双合电气股份有限公司 一种电机异常振动监测方法及系统
CN114707266A (zh) * 2022-03-31 2022-07-05 江苏苏华泵业有限公司 基于人工智能的工业离心泵运转稳定性预测系统
CN115758277A (zh) * 2022-11-30 2023-03-07 重庆忽米网络科技有限公司 一种旋转类设备健康状态在线评估方法
CN117007896A (zh) * 2023-10-07 2023-11-07 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5968642A (ja) * 1982-10-13 1984-04-18 Sumitomo Metal Ind Ltd 設備劣化状況評価方法
CN106347578A (zh) * 2016-10-27 2017-01-25 江苏科技大学 一种船舶推进轴系轴承振动故障监测方法
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN109359873A (zh) * 2018-10-24 2019-02-19 哈工大机器人（山东）智能装备研究院 一种基于pca-t2的滚珠丝杠副健康评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5968642A (ja) * 1982-10-13 1984-04-18 Sumitomo Metal Ind Ltd 設備劣化状況評価方法
CN106347578A (zh) * 2016-10-27 2017-01-25 江苏科技大学 一种船舶推进轴系轴承振动故障监测方法
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN109359873A (zh) * 2018-10-24 2019-02-19 哈工大机器人（山东）智能装备研究院 一种基于pca-t2的滚珠丝杠副健康评估方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111734772A (zh) * 2020-06-16 2020-10-02 大连理工大学 一种薄壁件加工中的磁流变抑振方法
CN112130068B (zh) * 2020-09-09 2023-08-01 南京工程学院 一种鉴别电机异常负载类型的方法
CN112130068A (zh) * 2020-09-09 2020-12-25 南京工程学院 电机异常负载判断、时频域分解和类型鉴别的方法和装置
CN112632466A (zh) * 2020-11-26 2021-04-09 江苏科技大学 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法
CN112632466B (zh) * 2020-11-26 2024-01-23 江苏科技大学 一种基于深度双向长短时记忆网络的轴承故障预测方法
CN112763056A (zh) * 2020-12-29 2021-05-07 上海交大智邦科技有限公司 用于数控机床系统状态在线实时监测与评估的方法及系统
CN113361324A (zh) * 2021-04-25 2021-09-07 杭州玖欣物联科技有限公司 一种基于lstm的电机电流异常检测方法
CN113240099A (zh) * 2021-07-09 2021-08-10 北京博华信智科技股份有限公司 基于lstm的旋转机械健康状态的预测方法和装置
CN114279555A (zh) * 2021-12-27 2022-04-05 深圳市双合电气股份有限公司 一种电机异常振动监测方法及系统
CN114707266B (zh) * 2022-03-31 2023-04-21 江苏苏华泵业有限公司 基于人工智能的工业离心泵运转稳定性预测系统
CN114707266A (zh) * 2022-03-31 2022-07-05 江苏苏华泵业有限公司 基于人工智能的工业离心泵运转稳定性预测系统
CN115758277A (zh) * 2022-11-30 2023-03-07 重庆忽米网络科技有限公司 一种旋转类设备健康状态在线评估方法
CN117007896A (zh) * 2023-10-07 2023-11-07 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法
CN117007896B (zh) * 2023-10-07 2023-12-12 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法

Also Published As

Publication number Publication date
CN111259717B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN111259717B (zh) 一种旋转设备状态异常判断方法及系统
CN116702081B (zh) 基于人工智能的配电设备智能巡检方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111259730B (zh) 一种基于多变量状态估计的状态监测方法及系统
CN112033463B (zh) 一种核动力设备状态评估与预测一体化方法和系统
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
CN110378042B (zh) 基于scada数据的风电机组齿轮箱油温异常检测方法及系统
CN111008363B (zh) 多变量因果驱动的复杂机电系统服役安全态势评估方法
Asfani et al. Temporary short circuit detection in induction motor winding using combination of wavelet transform and neural network
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN112187528B (zh) 基于sarima的工业控制系统通信流量在线监测方法
CN112883634B (zh) 基于多维度分析的直流测量系统状态预测方法及系统
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN111367253A (zh) 基于局部自适应标准化的化工系统多工况故障检测方法
Wang et al. A correlation-graph-CNN method for fault diagnosis of wind turbine based on state tracking and data driving model
CN114091600A (zh) 一种数据驱动的卫星关联故障传播路径辨识方法及系统
CN109635430A (zh) 电网输电线路暂态信号监测方法和系统
CN117407675A (zh) 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
Han et al. A Study on Motor Poor Maintenance Detection Based on DT-CNN
CN112085043A (zh) 一种变电站网络安全智能监控方法及系统
Youfu et al. Research on Fault Diagnosis of Rolling Bearing Based on SEMSCNN and GRU Model
CN115238726A (zh) 一种基于性能退化空间波动评估的旋转机械状态监测方法
Ma et al. Compound fault diagnosis of rolling bearing based on ALIF-KELM
Yu et al. Remaining useful life prediction via multi-neural network integration
He et al. An adaptive interval forecast CNN model for fault detection method

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ni Jun

Inventor after: Li Qian

Inventor after: Liu Shulin

Inventor after: Yang Haojie

Inventor after: Sun Fengcheng

Inventor before: Li Qian

Inventor before: Liu Shulin

Inventor before: Yang Haojie

Inventor before: Sun Fengcheng

GR01 Patent grant
GR01 Patent grant