CN111289621A - 机械密封信号分析及故障诊断方法、装置与设备 - Google Patents
机械密封信号分析及故障诊断方法、装置与设备 Download PDFInfo
- Publication number
- CN111289621A CN111289621A CN201911372063.9A CN201911372063A CN111289621A CN 111289621 A CN111289621 A CN 111289621A CN 201911372063 A CN201911372063 A CN 201911372063A CN 111289621 A CN111289621 A CN 111289621A
- Authority
- CN
- China
- Prior art keywords
- short
- frequency spectrum
- time wave
- preset
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种机械密封信号分析及故障诊断方法、装置与设备。所述方法包括:获取目标机械密封设备的频谱矩阵,频谱矩阵包括各短时波对应的频谱数据向量;根据预设的降维算法,对各短时波对应的频谱数据向量进行降维处理,得到每个短时波对应的预设数目个目标数据;针对每个短时波,根据预设的评分规则,对该短时波对应的目标数据进行评分处理,得到该短时波对应的评分向量;将各短时波对应的评分向量输入至的机器学习模型,输出目标机械密封设备的工作状态。
Description
技术领域
本申请涉及声发射和信号处理等技术领域,特别是涉及一种机械密封信号 分析及故障诊断方法、装置与设备
背景技术
目前,机械密封作为一种高性能轴端密封形式,广泛应用于石化、航天航 空及核能等领域。机械密封设备在工作过程中,技术人员无法实时获取其内部 的状态信息,导致机械密封易发生突发性失效,并且难以诊断故障原因,因此, 亟需一种机械密封故障诊断的方法。
发明内容
基于此,有必要针对上述技术问题,提供一种机械密封信号分析及故障诊 断方法、装置与设备
第一方面,提供了一种机械密封信号分析及故障诊断方法,所述方法包括:
获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各短时波对应的频 谱数据向量;
根据预设的降维算法,对所述各短时波对应的频谱数据向量进行降维处理, 得到每个短时波对应的预设数目个目标数据;
针对每个所述短时波,根据预设的评分规则,对该短时波对应的目标数据 进行评分处理,得到该短时波对应的评分向量;
将各所述短时波对应的评分向量输入至机器学习模型,输出所述目标机械 密封设备的工作状态。
作为一种可选的实施方式,所述获取目标机械密封设备的频谱矩阵,包括:
根据预设的采样周期,对所述目标机械密封设备的声发射信号进行采样, 并根据预设采样点的数目将该声发射信号划分为多个短时波;
针对每一短时波,根据该短时波上各采样点的电压值,确定该短时波对应 的电压值向量,并根据预设的频谱转换算法,将所述电压值向量转换为频谱数 据向量;
根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建所述 频谱矩阵。
作为一种可选的实施方式,所述根据预设的频谱转换算法,将所述电压值 向量转换为频谱数据向量之后,所述方法还包括:
对所述频谱数据向量进行平滑化预处理,得到预处理后的频谱数据向量;
所述根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建 所述频谱矩阵,包括:
根据所述各短时波对应的所述预处理后的频谱数据向量和预设的矩阵构建 规则,构建所述频谱矩阵。
作为一种可选的实施方式,所述频谱转换算法为快速傅里叶算法。
作为一种可选的实施方式,所述降维算法为主分量分析法或非负矩阵分析 法。
第二方面,提供了一种机械密封信号分析及故障诊断装置,所述装置包括:
转换模块,用于获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各 短时波对应的频谱数据向量;
分析模块,用于根据预设的降维算法,对所述各短时波对应的频谱数据向 量进行降维处理,得到每个短时波对应的预设数目个目标数据;
评分模块,用于针对每个所述短时波,根据预设的评分规则,对该目标短 时波对应的目标数据进行评分处理,得到该目标短时波对应的评分向量;
识别模块,用于将各所述目标短时波对应的评分向量输入至机器学习模型, 输出所述目标机械密封设备的工作状态。
作为一种可选的实施方式,所述转换模块具体用于:
根据预设的采样周期,对所述目标机械密封设备的声发射信号进行采样, 并根据预设采样点的数目将该声发射信号划分为多个短时波;
针对每一短时波,根据该短时波上各采样点的电压值,确定该短时波对应 的电压值向量,并根据预设的频谱转换算法,将所述电压值向量转换为频谱数 据向量;
根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建所述 频谱矩阵。
作为一种可选的实施方式,所述装置还包括:
预处理模块,用于对所述频谱数据向量进行预处理,得到预处理后的频谱 数据向量;
构建模块,还用于根据所述各短时波对应的所述预处理后的频谱数据向量 和预设的矩阵构建规则,构建所述频谱矩阵。
作为一种可选的实施方式,所述频谱转换算法为快速傅里叶算法。
作为一种可选的实施方式,所述降维算法为主分量分析法或非负矩阵分析 法。
第三方面,提供了一种机械密封信号分析及故障诊断设备,包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行 所述计算机程序时实现以下步骤:
获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各短时波对应的频 谱数据向量;
根据预设的降维算法,对所述各短时波对应的频谱数据向量进行降维处理, 得到每个短时波对应的预设数目个目标数据;
针对每个所述短时波,根据预设的评分规则,对该短时波对应的目标数据 进行评分处理,得到该短时波对应的评分向量;
将各所述短时波对应的评分向量输入至机器学习模型,输出所述目标机械 密封设备的工作状态。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所 述计算机程序被处理器执行时实现一下步骤:
获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各短时波对应的频 谱数据向量;
根据预设的降维算法,对所述各短时波对应的频谱数据向量进行降维处理, 得到每个短时波对应的预设数目个目标数据;
针对每个所述短时波,根据预设的评分规则,对该短时波对应的目标数据 进行评分处理,得到该短时波对应的评分向量;
将各所述短时波对应的评分向量输入至机器学习模型,输出所述目标机械 密封设备的工作状态。
本申请实施例提供了一种机械密封信号分析及故障诊断方法、装置与设备, 该方法包括:机械密封信号分析及故障诊断设备获取目标机械密封设备的频谱 矩阵,频谱矩阵包括各短时波对应的频谱数据向量;然后,根据预设的降维算 法,对各短时波对应的频谱数据向量进行降维处理,得到每个短时波对应的预 设数目个目标数据;针对每个短时波,根据预设的评分规则,对该短时波对应 的目标数据进行评分处理,得到该短时波对应的评分向量;将各短时波对应的 评分向量输入至机器学习模型,输出目标机械密封设备的工作状态。通过对目 标机械密封设备工作时的声发射信号进行分析处理,对目标机械密封设备的工 作状态进行监测,避免机械密封设备突发失效。
附图说明
图1为本申请实施例提供的一种机械密封信号分析及故障诊断方法的流程 示意图;
图2为本申请实施例提供的一种机械密封信号分析及故障诊断装置的结构 示意图;
图3为本申请实施例提供的一种机械密封信号分析及故障诊断设备的内部 结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅 用以解释本申请,并不用于限定本申请。
本申请实施例提供了一种机械密封信号分析及故障诊断方法,如图1所示, 具体的处理过程如下:
步骤101,获取目标机械密封设备的频谱矩阵,频谱矩阵包括各短时波对应 的频谱数据向量。
在实施中,声发射仪采集待监测的目标机械密封设备的声发射信号,并将 该声发射信号传送给机械密封信号分析及故障诊断设备。机械密封信号分析及 故障诊断设备通过内置的声发射软件(如PAC的AEwin)将其转换为声发射数 据信号,并根据预设的数据处理规则,对声发射数据信号进行处理,进而可以 获取到该目标机械密封设备的频谱矩阵。其中,频谱矩阵包括各短时波对应的 频谱数据向量。
可选的,机械密封信号分析及故障诊断设备获取目标机械密封设备的频谱 矩阵,具体处理过程如下:
步骤一,根据预设的采样周期,对目标机械密封设备的声发射信号进行采 样,并根据预设采样点的数目将该声发射信号划分为多个短时波。
在实施中,机械密封信号分析及故障诊断设备根据预先设定的采样周期(也 可以为采样频率)对目标机械密封设备的声发射信号进行采样。然后,通过预 先设定的采样点数目可以将声发射信号划分为不同时段的短时波。如,机械密 封信号分析及故障诊断设备按照1024个采样点将声发射信号划分为不同时段的 短时波,也即机械密封信号分析及故障诊断设备将第1采样点到第1024采样点 间的声发射信号划分为第一短时波,将第1025采样点到第2048采样点间的声 发射信号划分为第二短时波,以此类推。可选的,经过实验验证预先设定的采 样点数目优选为1024个,此时划分的短时波不会丢失细节频谱数据信息(如果 短时波划分过短会丢失细节频谱数据;划分过长则无法反映物理系统动态变化) 且仍能反映物理系统的动态变化。
步骤二,针对每一短时波,根据该短时波上各采样点的电压值,确定该短 时波对应的电压值向量,并根据预设的频谱转换算法,将电压值向量转换为频 谱数据向量。
在实施中,针对每一短时波,其上均可以获取到各采样点的电压值,机械 密封信号分析及故障诊断设备根据各采样点的电压值,可以确定出该短时波对 应的电压值向量。具体的,每个短时波上都有1024个采样点,因此,每个短时 波可以获取到1024个电压值,例如:第α个电压值可以用xα表示。因此机械密 封信号分析及故障诊断设备确定出的该短时波对应的电压值向量可以表示为 {xα}Q×1。其中,Q表示电压值向量的维数,也即该短时波对应的电压值的数目, Q×1(Q=1024)表示该电压值向量为1024×1维的列向量。机械密封信号分析 及故障诊断设备将确定出的电压值向量,根据频谱转换算法转换为频谱数据向量。作为一种可选的实施方式,频谱转换算法为快速傅里叶变换。具体的,机 械密封信号分析及故障诊断设备利用正向傅里叶公式将电压值向量转换为频谱 数据向量。转换后的频谱数据向量损失一半数据量,所得的该短时波对应的频 谱数据向量用表示。其中,表示第i个频谱数据且该频谱数据代表的 具体物理意义为幅度的平方(mV2),该频谱数据对应的频率可以通过(i-1)·Δf 来计算,其中Δf=2kHz。M为频谱数据的维数也即频谱数据的数目,M×1 (M=512)表示该频谱数据向量为512×1维的列向量。
步骤三,根据各短时波对应的频谱数据向量和预设的矩阵构建规则,构建 频谱矩阵。
在实施中,机械密封信号分析及故障诊断设备获取若干(如5000个)短时 波对应的频谱数据向量,并将每个短时波对应的频谱数据向量作为频谱矩阵的 列,构建一个频谱矩阵。具体的,该频谱矩阵可以表示为X*=[x*(1),x*(2),...,x*(L)], x*(L)表示频谱矩阵中第L列的频谱数据向量,此时L=5000。
作为一种可选的实施方式,在将电压值向量转换为频谱数据向量后,该方 法还包括:对频谱数据向量进行预处理,得到预处理后的频谱数据向量。对频 谱数据向量预处理的方法有多种,本申请实施例不做限定,仅以平滑化预处理 为例进行说明:
在实施中,在由各短时波对应的频谱数据向量生成频谱矩阵之前,机械密 封信号分析及故障诊断设备可以先对每个短时波对应的频谱数据向量进行平滑 化预处理,因为相邻频谱数据(即相近频率)间的物理意义相同,对频谱数据 向量中的数据进行平滑化处理可以提高数据所得结果的精确度。具体的,机械 密封信号分析及故障诊断设备可以利用公式x=Ax*对频谱数据向量中的数据进 行平滑化处理。其中,A为平滑化公式中的系数矩阵,Aij表示矩阵A中的第i行 第j列的元素,其中,D为平滑尺度即平滑化所影响的 范围。例如,优选的D=5时,若要得到平滑化后的频谱数据向量{xi}M×1中第100 位的频谱数据x100,根据平滑程度D为5及平滑化系数矩阵公式可以得到:需要 未处理的频谱数据向量中的第96位至第104位来计算系数矩阵中的数 值,频谱数据向量中第96位频谱数据对应的系数 以此类推,第97位数据至第100位数据的系数分别 为:第101位数据至第104位数据的系数分别为:根据平滑化公式x=Ax*,则
可选的,还可以采用移动平滑或高斯平滑等方式对频谱数据向量进行平滑 化处理,因此本申请实施例不做限定。
相应的,与上述步骤三类似,机械密封信号分析及故障诊断设备可以根据 各短时波对应的预处理后的频谱数据向量和预设的矩阵构建规则,构建平滑化 后的频谱矩阵。
在实施中,机械密封信号分析及故障诊断设备对每一个短时波对应的频谱 数据向量中的数据进行平滑化处理,将得到的各个短时波对应的预处理后的频 谱数据向量生成频谱矩阵,其中,处理后的频谱数据向量用{xi}M×1表示,生成 的频谱矩阵用X=[x(1),x(2),...,x(L)]M×L表示,该矩阵是M×L维即512×5000维。
步骤102,根据预设的降维算法,对各短时波对应的频谱数据向量进行降维 处理,得到每个短时波对应的预设数目个目标数据。
在实施中,机械密封信号分析及故障诊断设备根据预设的降维算法,对各 短时波对应的频谱数据向量进行降维处理,得到针对每一短时波对应的预设数 目个目标数据。
作为一种可选的实施方式,降维算法可以为主分量分析法也可以为非负矩 阵分解法,本申请实施例不做限定。本申请实施例首先以降维算法为主分量分 析法为例进行介绍,在实施中,机械密封信号分析及故障诊断设备通过构建主 分量模型对预处理后的频谱矩阵进行降维处理,去除频谱矩阵的平均值,并对 频谱矩阵进行奇异值分解:
其中,为去除平均值后的频谱矩阵,X为频谱矩阵,为第j个短时波 对应的第i个去除平均值后的频谱数据。Xik表示第k个短时波对应的预处理后 的频谱数据向量中的第i个数据。L为获取的频谱数据向量的数目,k的取值范 围可以是1~L,具体的举例中k的取值范围即为1~5000。U为左奇异矩阵,U 矩阵的维数为M×M维。V为右奇异矩阵,V矩阵的维数为L×L维。为 M×L维矩阵,其中S为由所有奇异向量组成的r维对角阵。σ1,σ2,...,σr为各奇 异向量中对应的非零奇异值,因此,r也表示非零奇异值的个数。每个非零奇 异值均大于零,非零奇异值代表了其对应的正交基向量中相应基矢 量的重要性。根据非零奇异值代表的重要性,机械密封信号分析及故障诊断设 备根据预先配置,可以在每个短时波中确定出N(N≥1)个即为 最重要的主分量数据(也可称为主分量因子)。描述了短时波频谱 数据中频率分布的特征,既有总的分布模式,也表明了频谱数据在分布情况如 何产生差异。然后,机械密封信号分析及故障诊断设备可以通过累计方差贡献 率的公式来获得我们所选的N个主分量数据(也可称为主分量 因子)对因变量(即声发射信号频谱数据差异形式)的合计影响力。其中表 示第i个频谱数据对应的方差。
作为一种可选的实施方式,也可以采用自适应的方式,来确定目标数据(例 如:主分量数据)的数目,具体处理过程如下:
当N=1时,机械密封信号分析及故障诊断设备根据累计方差贡献率公式计 算第1主分量数据的方差贡献率,将其方差贡献率的百分比值与预设贡献率阈 值进行比较。
如果方差贡献率值达到预设贡献率阈值(如80%),则执行步骤一;如果方 差贡献率值未达到预设贡献率阈值,则执行步骤二。
步骤一,则确定主分量数据的数目为N。
步骤二,则N=N+1,并计算N个主分量数据的累计方差贡献率,将得到 的该累计方差贡献率与预设的贡献率阈值进行对比。
如果方差贡献率值达到预设贡献率阈值(如80%),则执行步骤一,如果方差贡 献率值未达到预设贡献率阈值,则继续执行步骤二。
步骤103,针对每个短时波,根据预设的评分规则,对该短时波对应的目标 数据进行评分处理,得到该短时波对应的评分向量。
在实施中,机械密封信号分析及故障诊断设备可以根据主分量分析算法得 到每个短时波对应的N个主分量数据,这N个主分量数据可以近似代表该短时 波上的全部频谱数据(即该短时波对应的频谱数据向量),因此,可以得到:
其中,x为该短时波对应的频谱数据向量,为频谱数据向量的平均值,由 于利用主分量分析算法得出的基向量为正交向量,对该约等式进行转 换,可以确定该评分规则为:其中,αk为第k个主分量数据对 应的评分,针对每个短时波对应的N个主分量数据,对其进行评分处理,可以 得到目标短时波对应的评分向量。
根据各短时波对应的评分向量中数据的动态变化,以使分析判断机械密封 设备的工作状态。
步骤104,将各短时波对应的评分向量输入至的机器学习模型,输出目标机 械密封设备的工作状态。
在实施中,将得到的各个短时波对应的评分向量输入至用已知真实模式的 评分向量训练的机器学习模型中,根据机器学习模型的运算及预先配置的数据 结果与机械密封设备工作状态对应的配置文件,输出目标机械密封设备的工作 状态。该工作状态包括正常和故障。当输出目标机械密封设备的工作状态为故 障时,技术人员获悉并可以对该机械密封设备进行检修。
本申请实施例再以非负矩阵分解法为例对频谱数据降维处理进行介绍,在 非负矩阵分解法中所有的分量均为非负值,从而在物理意义上可以对频谱数据 有更合理的解释,具体的处理过程如下:
步骤一,机械密封信号分析及故障诊断设备获取频谱数据及对频谱数据进 行预处理的方法与上述具体实施方式中的步骤101的处理方法相同,本申请不 再赘述。
步骤二,机械密封信号分析及故障诊断设备根据非负矩阵分解法对频谱数 据进行降维处理,为了便于区分将若干(如5000个)短时波对应的预处理后的 频谱数据向量作为频谱矩阵的行,生成频谱矩阵V。该频谱矩阵可以表示为:其中,表示第j个频谱数据向量中的第i个频 谱数据。同时,该频谱矩阵可以表示为分解式:其中W称为系数 矩阵,H称为基矩阵。根据非负矩阵分解算法及预设的降维后的维度数N,机 械密封信号分析及故障诊断设备随机选定的初值开始迭代,反复执行如下迭代 公式所示的迭代过程,以使能够得到目标系数矩阵W和目标基矩阵H:
其中,m表示迭代次数,k,j,i表示矩阵的维数,H(),W()表示迭代过程中 的中间矩阵。
当迭代后的H(),W()变化足够小时,机械密封信号分析及故障诊断设备判定对 应的中的W为目标系数矩阵,H为目标基矩阵。机械密封信号分析及故 障诊断设备设定目标基矩阵则根据非负矩阵分解法得到的每一 短时波对应的N个非负因子(类似于主分量分析法中的主分量因子)可以近似 代表该短时波对应的频谱数据向量,因此,可以得到:
机械密封信号分析及故障诊断设备根据各短时波对应的评分向量中数据的 动态变化,以使分析判断机械密封设备的工作状态,具体处理过程为上述步骤 104。
本申请实施例提供了一种机械密封信号分析及故障诊断方法,该方法包括: 机械密封信号分析及故障诊断设备获取目标机械密封设备的频谱矩阵,频谱矩 阵包括各短时波对应的频谱数据向量;然后,根据预设的降维算法,对各短时 波对应的频谱数据向量进行降维处理,得到每个短时波对应的预设数目个目标 数据;针对每个短时波,根据预设的评分规则,对该短时波对应的目标数据进 行评分处理,得到该短时波对应的评分向量;将各短时波对应的评分向量输入 至的机器学习模型,输出目标机械密封设备的工作状态。通过对目标机械密封 设备工作时的声发射信号进行分析处理,对目标机械密封设备的工作状态进行 监测,避免机械密封设备突发失效。
本申请实施例还提供了一种机械密封信号分析及故障诊断装置,如图2所 示,该装置包括:
转换模块210,用于获取目标机械密封设备的频谱矩阵,频谱矩阵包括各短 时波对应的频谱数据向量。
分析模块220,用于根据预设的降维算法,对各短时波对应的频谱数据向量 进行降维处理,得到每个短时波对应的预设数目个目标数据。
评分模块230,用于针对每个短时波,根据预设的评分规则,对该短时波对 应的目标数据进行评分处理,得到该短时波对应的评分向量。
识别模块240,用于将各短时波对应的评分向量输入至机器学习模型,输出 目标机械密封设备的工作状态。
作为一种可选的实施方式,分析模块210具体用于:
根据预设的采样周期,对目标机械密封设备的声发射信号进行采样,并根 据预设采样点的数目将该声发射信号划分为多个短时波;
针对每一短时波,根据该短时波上各采样点的电压值,确定该短时波对应 的电压值向量,并根据预设的频谱转换算法,将电压值向量转换为频谱数据向 量;
根据各短时波对应的频谱数据向量和预设的矩阵构建规则,构建频谱矩阵。
作为一种可选的实施方式,该装置还包括:
预处理模块,用于对频谱数据向量进行平滑化预处理,得到预处理后的频 谱数据向量;
构建模块,还用于根据各短时波对应的预处理后的频谱数据向量和预设的 矩阵构建规则,构建频谱矩阵。
作为一种可选的实施方式,频谱转换算法为快速傅里叶变换。
作为一种可选的实施方式,降维算法为主分量分析法或非负矩阵分解法。
本申请实施例提供了一种机械密封信号分析及故障诊断装置,该装置可以 实现机械密封故障监测方法,该方法包括:机械密封信号分析及故障诊断设备 获取目标机械密封设备的频谱矩阵,频谱矩阵包括各短时波对应的频谱数据向 量;然后,根据预设的降维算法,对各短时波对应的频谱数据向量进行降维处 理,得到每个短时波对应的预设数目个目标数据;针对每个短时波,根据预设 的评分规则,对该短时波对应的目标数据进行评分处理,得到该短时波对应的 评分向量;将各短时波对应的评分向量输入至的机器学习模型,输出目标机械 密封设备的工作状态。通过对目标机械密封设备工作时的声发射信号进行分析 处理,对目标机械密封设备的工作状态进行监测,避免机械密封设备突发失效。
在一个实施例中,一种机械密封信号分析及故障诊断设备,如图3所示, 包括存储器及处理器,存储器上存储有可在处理器上运行的计算机程序,处理 器执行计算机程序时实现上述任一项的机械密封故障监测方法的步骤。
在一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,该 计算机程序被处理器执行时实现上述任一项的机械密封故障监测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于 一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述 各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可 包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器 总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述 实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特 征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的 普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改 进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权 利要求为准。
Claims (10)
1.一种机械密封信号分析及故障诊断方法,其特征在于,所述方法包括:
获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各短时波对应的频谱数据向量;
根据预设的降维算法,对所述各短时波对应的频谱数据向量进行降维处理,得到每个短时波对应的预设数目个目标数据;
针对每个所述短时波,根据预设的评分规则,对该短时波对应的目标数据进行评分处理,得到该短时波对应的评分向量;
将各所述短时波对应的评分向量输入至机器学习模型,输出所述目标机械密封设备的工作状态。
2.根据权利要求1所述的方法,其特征在于,所述获取目标机械密封设备的频谱矩阵,包括:
根据预设的采样周期,对所述目标机械密封设备的声发射信号进行采样,并根据预设采样点的数目将该声发射信号划分为多个短时波;
针对每一短时波,根据该短时波上各采样点的电压值,确定该短时波对应的电压值向量,并根据预设的频谱转换算法,将所述电压值向量转换为频谱数据向量;
根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建所述频谱矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的频谱转换算法,将所述电压值向量转换为频谱数据向量之后,所述方法还包括:
对所述频谱数据向量进行预处理,得到预处理后的频谱数据向量;
所述根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建所述频谱矩阵,包括:
根据所述各短时波对应的所述预处理后的频谱数据向量和预设的矩阵构建规则,构建所述频谱矩阵。
4.根据权利要求2所述的方法,其特征在于,所述频谱转换算法为快速傅里叶变换。
5.根据权利要求1所述的方法,其特征在于,所述降维算法为主分量分析法或非负矩阵分解法。
6.一种机械密封信号分析及故障诊断装置,其特征在于,所述装置包括:
转换模块,用于获取目标机械密封设备的频谱矩阵,所述频谱矩阵包括各短时波对应的频谱数据向量;
分析模块,用于根据预设的降维算法,对所述各短时波对应的频谱数据向量进行降维处理,得到每个短时波对应的预设数目个目标数据;
评分模块,用于针对每个所述短时波,根据预设的评分规则,对该短时波对应的目标数据进行评分处理,得到该短时波对应的评分向量;
识别模块,用于将各所述短时波对应的评分向量输入至机器学习模型,输出所述目标机械密封设备的工作状态。
7.根据权利要求6所述的装置,其特征在于,所述获取模块具体用于:
根据预设的采样周期,对所述目标机械密封设备的声发射信号进行采样,并根据预设采样点的数目将该声发射信号划分为多个短时波;
针对每一短时波,根据该短时波上各采样点的电压值,确定该短时波对应的电压值向量,并根据预设的频谱转换算法,将所述电压值向量转换为频谱数据向量;
根据所述各短时波对应的频谱数据向量和预设的矩阵构建规则,构建所述频谱矩阵。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
预处理模块,用于对所述频谱数据向量进行预处理,得到预处理后的频谱数据向量;
构建模块,用于根据所述各短时波对应的所述预处理后的频谱数据向量和预设的矩阵构建规则,构建所述频谱矩阵。
9.一种机械密封信号分析及故障诊断设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372063.9A CN111289621A (zh) | 2019-12-27 | 2019-12-27 | 机械密封信号分析及故障诊断方法、装置与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372063.9A CN111289621A (zh) | 2019-12-27 | 2019-12-27 | 机械密封信号分析及故障诊断方法、装置与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111289621A true CN111289621A (zh) | 2020-06-16 |
Family
ID=71022322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911372063.9A Pending CN111289621A (zh) | 2019-12-27 | 2019-12-27 | 机械密封信号分析及故障诊断方法、装置与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289621A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013096943A (ja) * | 2011-11-04 | 2013-05-20 | Chiyoda Corp | 粒状物質の監視方法 |
CN104380072A (zh) * | 2012-04-24 | 2015-02-25 | Skf公司 | 轴承组件的声发射测量 |
CN109073089A (zh) * | 2016-02-23 | 2018-12-21 | 约翰起重机英国有限公司 | 用于机械系统的预测诊断的系统和方法 |
CN109186975A (zh) * | 2018-08-22 | 2019-01-11 | 四川日机密封件股份有限公司 | 一种流体动压型密封端面开启转速检测方法 |
CN109991314A (zh) * | 2019-03-11 | 2019-07-09 | 清华大学 | 基于机器学习的机械密封状态判断方法、装置 |
CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
-
2019
- 2019-12-27 CN CN201911372063.9A patent/CN111289621A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013096943A (ja) * | 2011-11-04 | 2013-05-20 | Chiyoda Corp | 粒状物質の監視方法 |
CN104380072A (zh) * | 2012-04-24 | 2015-02-25 | Skf公司 | 轴承组件的声发射测量 |
CN109073089A (zh) * | 2016-02-23 | 2018-12-21 | 约翰起重机英国有限公司 | 用于机械系统的预测诊断的系统和方法 |
CN109186975A (zh) * | 2018-08-22 | 2019-01-11 | 四川日机密封件股份有限公司 | 一种流体动压型密封端面开启转速检测方法 |
CN109991314A (zh) * | 2019-03-11 | 2019-07-09 | 清华大学 | 基于机器学习的机械密封状态判断方法、装置 |
CN110245595A (zh) * | 2019-06-05 | 2019-09-17 | 重庆邮电大学 | 基于时频谱图和二维主成分分析的机械轴承故障诊断方法 |
Non-Patent Citations (7)
Title |
---|
YUAN YIN等: "Adaptive Analysis for Acoustic Emissions Generated from a Gas Face Seal", 《2019 IEEE 9TH ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》 * |
中国内燃机学会编: "《内燃机科技 2018年世界内燃机大会学术交流论文集 上》", 30 November 2018, 上海大学出版社 * |
余宏杰著: "《生物序列数值化表征模型的矩阵分解方法及其应用》", 30 June 2014, 中国科学技术大学出版社 * |
孔祥玉等著: "《广义主成分分析算法及应用》", 31 July 2018, 国防工业出版社 * |
张来斌等: "《机械设备故障诊断技术及方法》", 31 July 2000, 石油工业出版社 * |
李晓晖: "流体动压型机械密封端面状态监测及健康评估", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
李江华著: "《游泳的代谢组学研究》", 30 June 2015, 科学技术文献出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111094927A (zh) | 轴承故障诊断方法及装置、可读存储介质及电子设备 | |
JP2015521748A (ja) | 入力信号を変換する方法 | |
Torkamani et al. | Detection of system changes due to damage using a tuned hyperchaotic probe | |
Aue et al. | Reaction times of monitoring schemes for ARMA time series | |
CN111289621A (zh) | 机械密封信号分析及故障诊断方法、装置与设备 | |
CN115355166A (zh) | 一种基于短时傅里叶变换的空压机故障诊断方法和系统 | |
Chen et al. | Application of EMD-AR and MTS for hydraulic pump fault diagnosis | |
Zhang et al. | Dynamic evaluation of degradation space variation for machine condition monitoring | |
CN113327617B (zh) | 声纹判别方法、装置、计算机设备和存储介质 | |
Sitohang et al. | The accuracy comparison between ARFIMA and singular spectrum analysis for forecasting the sales volume of motorcycle in Indonesia | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
Yanez-Borjas et al. | Methodology based on statistical features and linear discriminant analysis for damage detection in a truss-type bridge | |
Tan et al. | I-vector DNN scoring and calibration for noise robust speaker verification | |
US9560447B2 (en) | Blind extraction of target signals | |
Aiordachioaie et al. | On the change detection methods with sensitivity at variance of the processed signal | |
CN111027587A (zh) | 一种交直流电网运行数据的属性标定方法及系统 | |
Prykhodko et al. | Modeling a dependent variable of non-linear regression on the basis of normalizing transformations | |
Kolgatin | Computer-based simulation of stochastic process for investigation of efficiency of statistical hypothesis testing in pedagogical research | |
KR20180055002A (ko) | 실시간 구조물 모니터링을 위한 구조물 동특성 추정 시스템 및 방법 | |
CN113822580B (zh) | 一种设备工况评估方法以及相关设备 | |
CN118035926B (zh) | 基于多元数据扩散的模型训练、水检测方法及系统 | |
Jin et al. | Explicit-duration hidden Markov model inference and application on the bearing fault diagnosis | |
RU2703933C1 (ru) | Способ идентификации мультисинусоидальных цифровых сигналов | |
Bustos et al. | Extended method for statistical signal characterization using moments and cumulants: Application to recognition of pattern alterations in pulse-like waveforms employing artificial neural networks | |
JP5191443B2 (ja) | 多次元信号対圧縮装置、多次元信号対圧縮方法、及びプログラム |
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: 20200616 |