CN111272368B - 基于基频数据K-Means聚类的支吊架劣化报警方法 - Google Patents
基于基频数据K-Means聚类的支吊架劣化报警方法 Download PDFInfo
- Publication number
- CN111272368B CN111272368B CN202010112385.6A CN202010112385A CN111272368B CN 111272368 B CN111272368 B CN 111272368B CN 202010112385 A CN202010112385 A CN 202010112385A CN 111272368 B CN111272368 B CN 111272368B
- Authority
- CN
- China
- Prior art keywords
- support
- hanger
- fundamental frequency
- vibration
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于基频数据K‑Means聚类的支吊架劣化报警方法,包括如下步骤:在支吊架上加装振动传感器,并进行振动测试,获得N组振动信号;采用快速傅里叶变换方法对支吊架的N组振动信号进行频谱分析;根据频谱分析结果,采用峰值法识别法提取每组信号频谱或频谱包络线在经验域内的最大峰值作为支吊架的基频观测点,所有作为支吊架的基频观测点组成基频观测点序列;采用K‑Means聚类方法对基频观测序列进行数据聚类分析,以离序列均值最近的簇为基频真值数据簇,并令该数据簇的质心位置作为支吊架当前性能的状态指标;当后期实时测试数值所得的计算指标持续M次偏离支吊架完好状态指标值距离D时,则表示支吊架出现劣化需要进行检修。
Description
技术领域
本发明涉及既有建筑结构及其附属设施性能监测、检测、预警与评估领域,尤其是一种基于振动测试所识别基频数据的K-Means聚类结果进行支吊架运营期性能劣化监控、检查和报警方法,即基于基频数据K-Means聚类的支吊架劣化报警方法。
背景技术
支吊架是建筑结构及其机电、管线等附属设施的重要承力构件之一,在当代建筑中被广泛应用于附加构件、机电工程、管线工程等设施的承重与抗震当中。在建筑物的长期运营过程中,支吊架经常出现螺栓松动、严重腐蚀和局部损坏等病害。这些病害不但会导致支吊架本身退出工作,更能造成其支承设备的坠落,危险建筑内其它设备和人员的安全。随着测试技术和大数据分析技术的发展,低廉而经济的振动中、长期测试与快速处理已成为可能;而根据结构动力学原理,支吊架基频能够直观反映支吊架性能的劣化;数据聚类分析更能有效排除因噪声干扰、激励方式不当、传感器异常等因素的干扰,减少误报概率,保障支吊架劣化报警的有效地施行。
目前,建筑结构性能监测、检测等领域对于基于基频(固有频率)的建筑支吊架劣化的监控、检查与报警的相关方法很少,基于基频数据聚类分析的支吊架劣化报警方法则鲜有所闻。常用的方法有以下几种:(1)基于人工巡查结果发现支吊架的劣化:该方法是由建筑管理、检测人员靠近支吊架,人工检查支吊架的外观病害,进一步判定支吊架是否存在螺栓松动、严重腐蚀和局部损坏等病害,此方法依靠检测人员的经验和主观判断,人员接近易病害位置不仅费时费力且可能存在危险,是一种不经济且不安全的方法;(2)基于支吊架振动测试数据的固有频率变化发现支吊架的劣化:采用安装在支吊架上的加速度传感器测试信号识别支吊架固有频率,当固有频率下降到一定程度时,则判定该支吊架发生了某种病害并导致性能劣化,然而此方法没有考虑测试过程中的一些异常状况(如噪声干扰、激励方式不当、传感器异常等)带来的错误信息,故难以保障方法的有效性,导致出现大量的误报情况。
因此,有必要研发一种物理意义明确,方法逻辑严密,实施有章可循且准确率相对较高的方法,以实现支吊架性能劣化的监控与自动报警。
发明内容
技术问题:本发明提供一种基于基频数据K-Means聚类的支吊架劣化报警方法,该方法可以基于振动测试所识别基频数据的聚类分析结果进行支吊架运营期性能劣化监控、检查和报警。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
基于基频数据K-Means聚类的支吊架劣化报警方法,包括步骤:
(1)在性能完好的支吊架上安装振动传感器,对支吊架进行N次振动测试,每次振动测试时通过振动传感器进行振动信号采集得到一个振动信号组,对支吊架上所测的每个振动信号组进行频谱分析,得到振动信号组的频谱;
(2)基于步骤(1)得到的振动信号组的频谱,采用峰值法识别法提取每组振动信号经验域内频谱的最大峰值或频谱包络线的最大峰值作为支吊架的基频值,将每组振动信号所对应的基频值作为一个基频观测点值,则N组振动信号所对应的基频值组成一个具有N个观测点的基频观测序列;
(3)采用K-Means聚类方法对基频观测序列进行数据聚类分析,以离序列均值最近的簇为支吊架基频的真值数据簇,并令该数据簇的质心位置作为支吊架当前性能的完好状态指标值;
(4)在支吊架投入使用的过程当中,定期对所关注的支吊架进行振动测试,每测得Ns次振动信号,则计算一次支吊架的实时状态指标值;若支吊架的实时状态指标值在连续M次振动测试中一直偏离完好状态指标值达到预设的阈值距离D,则表示支吊架需要人工检修,此时对相应支吊架进行告警,提示维修人员维修。
进一步的,所述步骤(1)中采用快速傅里叶变换方法对支吊架上所测的振动信号进行频谱分析。
进一步的,所述步骤(2)的具体步骤为:
(2.1)每组振动信号的频谱分析结果包括10段以上不相同振动数据所识别的频谱特征,以频谱或频谱外包络线第一个峰值出现频率最高的频域范围设定基频经验域;
(2.2)采用峰值法识别法提取经验域内频谱或频谱外包络线的最大峰值作为支吊架的基频值。
进一步的,所述步骤(3)中采用K-Means聚类方法对基频观测序列进行数据聚类的具体步骤为:
有益效果:与现有技术相比,本发明具有以下有益效果:
(1)本发明所提出的采用振动测试信号所识别基频数据的聚类指标来反映支吊架性能劣化情况,根据结构动力学知识,支吊架发生劣化损伤后,支吊架的基频会发生下降,因此,根据基频数据聚类指标的变化观测来实现支吊架的性能劣化报警十分合理,方法具有明确的物理意义。
(2)本发明提出采用累积了一定量的基频数据聚类分析结果来表征支吊架性能劣化情况,最大程度地排除了因噪声干扰、激励方式不当、传感器异常等因素的干扰,减少了误报概率,方法逻辑严密,考虑因素全面,保障了报警结果的有效性和准确性。
(3)本发明实施过程基本都建立在振动测试结果的频谱分析与基频数据的聚类分析之上,经验因素少,任何拥有一定信号处理、数据分析的技术人员都能依照本专利实现运营期建筑物的支吊架性能劣化报警。方法简单可行,便于广泛推广和应用。
附图说明
图1为本发明方法的流程图;
图2支吊架基频识别过程典型示意图;
图3基于基频数据K-Means聚类的支吊架状态指标计算过程典型示意图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是,本发明可以以各种形式实施,以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例,并不意图将本发明限制于所说明的具体实施例。
如图1所示为本发明方法的流程图,本发明实施例公开一种基于基频数据K-Means聚类的支吊架劣化报警方法,主要包括如下步骤:
步骤10):分析各型式支吊架的易损性和重要性,确定需要关注目标支吊架构件,对投入使用的支吊架构件加装振动传感器,并进行振动测试,每次振动测试采集一组振动信号,N次振动测试得到N组振动信号;采用快速傅里叶变换方法对支吊架上所测的N组振动信号进行频谱分析;
步骤20):对每组振动信号,本实施方式采用10段以上不相同振动数据所识别频谱的特征预分析,以频谱或频谱外包络线第一个峰值通常出现的频域范围设定基频经验域;采用峰值法识别法提取经验域内频谱的最大峰值作为支吊架的基频值,如果振动信号的频谱存在大量的密集峰值,则对频谱作密集峰值的外包络线,并提取频谱外包络线的最大峰值作为支吊架的基频值;
步骤30):每组振动信号所识别的基频值计为一个基频观测点值,则所有基频观测点值作为一个基频观测序列;采用K-Means聚类方法对基频观测序列进行欧几里得度量上的数据聚类分析,使得基频观测序列S里的数据x在被划分到k个数据簇中时满足其中,Si为第i个簇,μi为第i个簇的质心,本实施方式中聚类数据簇的数量设为3,即k的值为3。然后,计算基频观测序列中所有数据的均值M,搜寻离序列均值最近的簇,使这个簇满足min|μi-M|,则簇Si为支吊架基频的真值数据簇,并令簇Si的质心位置作为支吊架当前性能的状态指标。初始情况下,支吊架状态是完好的,因此此时的状态指标就是完好状态指标。
步骤40):在支吊架投入使用的过程当中,根据专业人员的预判制定观察周期定期对需关注的支吊架进行振动测试,在定期测试的过程中,根据采集的振动信号计算实时的状态指标值,当后期实时测试数值所得的状态指标值(每个指标值各需至少20~50基频数据点做聚类分析)连续5次偏离完好状态支吊架的计算指标值一定距离(如小于完好状态指标的97.5%)时,表示支吊架需要人工检修。
下面通过具体实施方式进一步阐述本发明的技术效果。
实施例1:
下面以现场环境下一个状态完好支吊架构件的MEMS振动加速度传感器所测得加速度信号分析结果为例,说明本发明的具体实施过程。
(1)在现场环境下对已投入使用的某典型的支吊架构件加装振动加速度传感器,传感器采样频率为400Hz,并进行振动测试;采用快速傅里叶变换对支吊架上所测的振动信号进行频谱计算和分析,每采集10000个信号点的振动信号便计算分析一次,也就是10000个信号点的振动信号为一组振动信号组。
(2)对测试目标进行20段不相同振动数据所识别频谱的特征预分析,确定该支吊架基频值在运营期所处的经验域为97.5~112.5Hz;如图2所示,采用峰值法识别法提取经验域内各条信号频谱外包络线的最大峰值作为支吊架的基频值。
(3)支吊架测得的每组振动信号所识别的基频值计为一个基频观测点值,并将所有共1773个基频观测点值作为一个基频观测序列;采用K-Means聚类方法对基频观测序列进行欧几里得度量上的数据聚类分析,聚类数据簇的数量设为3;以离序列均值最近的簇(如图3所示,为数据簇1)为支吊架基频的真值数据簇,并令该数据簇的质心位置作为支吊架当前性能的状态指标,此时的状态指标值为完好状态指标值。
(4)在支吊架投入使用后,每周对需关注的支吊架进行振动测试,每次采集150~500条信号,每条信号至少4000个信号点;当后期实时测试数值所得的计算指标连续的5个指标值(每个指标值各需30基频数据点做聚类分析)小于完好状态支吊架的计算指标值小于完好状态指标的97.5%时,则表示支吊架出现螺栓松动、严重锈蚀、局部损坏等性能劣化情况,需要进行人工检修。
应当理解的是,在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,从而形成本发明范围内的另外的实施例。此外,本发明所述的特定示例和实施例是非限制性的,并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
上述实施例,特别是任何“优选”实施例,是实施方式的可能示例,并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下,可以对上述实施例做出许多变化和修改,这些变化和修改也应视为本发明的保护范围。
Claims (4)
1.基于基频数据K-Means聚类的支吊架劣化报警方法,其特征在于,包括步骤:
(1)在性能完好的支吊架上安装振动传感器,对支吊架进行N次振动测试,每次振动测试时通过振动传感器进行振动信号采集得到一个振动信号组,对支吊架上所测的每个振动信号组进行频谱分析,得到振动信号组的频谱;
(2)基于步骤(1)得到的振动信号组的频谱,采用峰值法识别法提取每组振动信号经验域内频谱的最大峰值或频谱包络线的最大峰值作为支吊架的基频值,将每组振动信号所对应的基频值作为一个基频观测点值,则N组振动信号所对应的基频值组成一个具有N个观测点的基频观测序列;
(3)采用K-Means聚类方法对基频观测序列进行数据聚类分析,以离序列均值最近的簇为支吊架基频的真值数据簇,并令该数据簇的质心位置作为支吊架当前性能的完好状态指标值;
(4)在支吊架投入使用的过程当中,定期对所关注的支吊架进行振动测试,每测得Ns次振动信号,则计算一次支吊架的实时状态指标值;若支吊架的实时状态指标值在连续M次振动测试中一直偏离完好状态指标值达到预设的阈值距离D,则表示支吊架需要人工检修,此时对相应支吊架进行告警,提示维修人员维修。
2.根据权利要求1所述的基于基频数据K-Means聚类的支吊架劣化报警方法,其特征在于,所述步骤(1)中采用快速傅里叶变换方法对支吊架上所测的振动信号进行频谱分析。
3.根据权利要求1所述的基于基频数据K-Means聚类的支吊架劣化报警方法,其特征在于,所述步骤(2)的具体步骤为:
(2.1)每组振动信号的频谱分析结果包括10段以上不相同振动数据所识别的频谱特征,以频谱或频谱外包络线第一个峰值出现频率最高的频域范围设定基频经验域;
(2.2)采用峰值法识别法提取经验域内频谱或频谱外包络线的最大峰值作为支吊架的基频值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112385.6A CN111272368B (zh) | 2020-02-24 | 2020-02-24 | 基于基频数据K-Means聚类的支吊架劣化报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112385.6A CN111272368B (zh) | 2020-02-24 | 2020-02-24 | 基于基频数据K-Means聚类的支吊架劣化报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111272368A CN111272368A (zh) | 2020-06-12 |
CN111272368B true CN111272368B (zh) | 2021-07-30 |
Family
ID=70999130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010112385.6A Active CN111272368B (zh) | 2020-02-24 | 2020-02-24 | 基于基频数据K-Means聚类的支吊架劣化报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272368B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406441B (zh) * | 2021-07-27 | 2022-07-05 | 天津大学 | 基于聚类和迭代算法的柔性直流电网故障测距方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931263B (zh) * | 2015-06-18 | 2016-10-12 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN105825009B (zh) * | 2016-03-15 | 2018-09-18 | 东南大学 | 一种基于建筑信息模型的桥梁竖向变形性能预警方法 |
CN106096562B (zh) * | 2016-06-15 | 2019-06-04 | 浙江大学 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
CN106568557B (zh) * | 2016-10-31 | 2018-08-21 | 东南大学 | 一种高速铁路桥梁车–桥振动性能的安全预警方法 |
CN106769052B (zh) * | 2017-03-21 | 2018-12-21 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN110259648B (zh) * | 2019-07-05 | 2020-10-09 | 河北工业大学 | 一种基于优化K-means聚类的风机叶片故障诊断方法 |
CN110333077B (zh) * | 2019-07-08 | 2021-06-15 | 重庆大学 | 一种基于近似支持向量的滚动轴承故障诊断方法 |
CN110458248B (zh) * | 2019-09-18 | 2022-08-30 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
CN110738255A (zh) * | 2019-10-15 | 2020-01-31 | 和尘自仪(嘉兴)科技有限公司 | 一种基于聚类算法的设备状态监测方法 |
-
2020
- 2020-02-24 CN CN202010112385.6A patent/CN111272368B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111272368A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3321487B2 (ja) | 機器/設備診断方法およびシステム | |
CN116070154B (zh) | 一种大型轴承保持器的故障检测方法、设备及介质 | |
KR102040179B1 (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN111272368B (zh) | 基于基频数据K-Means聚类的支吊架劣化报警方法 | |
CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
CN113551927A (zh) | 一种基于振动信号的机械设备故障预警方法和系统 | |
CN114781467A (zh) | 一种基于振动相似度的故障检测方法及装置 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
CN114813124A (zh) | 一种轴承故障的监测方法及装置 | |
CN112326246A (zh) | 基于周期数据及核密度估计的轴承安全状态在线监测方法 | |
CN114662058B (zh) | 无线站点监测方法及装置 | |
JP5354174B2 (ja) | 機械設備における異常診断システム | |
JP5751606B2 (ja) | 機械設備における異常診断システム | |
KR101646981B1 (ko) | 구조물의 안전성 평가를 위한 데이터 처리 시스템 및 그 방법 | |
CN116380468A (zh) | 一种智慧码头用故障检测系统及搭建方法 | |
CN111458147B (zh) | 一种基于加速度传感器的滚动轴承状态评估方法 | |
CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 | |
CN114065509A (zh) | 一种地质灾害防治用裂缝计的故障排查方法 | |
CN113032907A (zh) | 基于波形相关关系的晃车病害数据偏差纠正方法及系统 | |
EP3671175A1 (en) | Condition diagnosing device, condition diagnosing method, and condition diagnosing program | |
CN114526915B (zh) | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 | |
CN112485000B (zh) | 基于振动趋势信息的机器故障预测 | |
CN113702045B (zh) | 滚动轴承的自相关函数振动监控方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220407 Address after: Building C, No.888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Shanghai Patentee after: Shanghai Shenwu Intelligent Technology Co.,Ltd. Address before: Xingzhuang science and Technology Industrial Park, 288 Qinhuai Avenue, yongyang street, Lishui District, Nanjing City, Jiangsu Province, 211200 Patentee before: Nanjing Zhenkun Internet of things Technology Co.,Ltd. |