CN111356910A - 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 - Google Patents

一种实现旋转设备自动故障诊断及寿命预测的系统和方法 Download PDF

Info

Publication number
CN111356910A
CN111356910A CN201880074933.1A CN201880074933A CN111356910A CN 111356910 A CN111356910 A CN 111356910A CN 201880074933 A CN201880074933 A CN 201880074933A CN 111356910 A CN111356910 A CN 111356910A
Authority
CN
China
Prior art keywords
digital signal
server
rotating equipment
rotating
functions
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
CN201880074933.1A
Other languages
English (en)
Other versions
CN111356910B (zh
Inventor
S·S·维杜拉
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.)
Nanoplus Sci
Original Assignee
Nanoplus Sci
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 Nanoplus Sci filed Critical Nanoplus Sci
Publication of CN111356910A publication Critical patent/CN111356910A/zh
Application granted granted Critical
Publication of CN111356910B publication Critical patent/CN111356910B/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
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种用于旋转设备状态监测的技术，包括系统和方法。靠近旋转设备的传感器感测旋转设备的振动。传感器产生对应于旋转设备振动的数字信号，并通过通信网络传输数字信号。服务器接收数字信号并使用集合经验模态分解(EEMD)技术对数字信号进行预处理。服务器使用小波神经网络(WNN)处理数字信号以检测旋转设备中的故障。此外，服务器使用小波神经网络处理数字信号以预测旋转设备的剩余有效寿命(RUL)。

Description

一种实现旋转设备自动故障诊断及寿命预测的系统和方法
相关申请的交叉引用
本申请要求以下专利的优先权：″An architecture(VibrationLF)for lowestpowered wireless sensors driven fault diagnosis and remaining life prediction(一种实现低功率无线传感器的故障诊断和剩余寿命预测的架构(VibrationLF))″，美国临时申请案申请号62/562,365，向美国专利商标局提交时间为2017年9月23日；″System andMethod for Automated Fault Diagnosis and Prognosis for Rotating Equipment(旋转设备故障自动诊断和寿命自动预测的系统和方法)″，美国非临时申请案申请号15/862,146，向美国专利商标局提交时间为2018年1月4日。以上申请案的全部内容以整体引用的形式包含在此申请文件中。
技术领域
本专利技术属于旋转设备状态监测领域，具体涉及的是一种实现旋转设备自动故障诊断及预测的系统和方法。
背景技术
旋转设备，如气体压缩机、发电机、涡轮机、泵、工业用风扇和齿轮箱，在工业中应用广泛。旋转设备可包括发动机、传动轴、齿轮箱、轴承和负载。旋转设备的故障和/或其部件上的故障可导致整个机器的失效和停机，由此可导致各种结果，包括但不限于生产进度的延误、高生产成本以及操作工人的人身伤害。
通常，新的旋转设备安装后，其保养和维修以一定的预定时间间隔进行。这种维修策略不得不权衡计划外机器故障的成本和不必要维修的成本。因此，工业实际中通常需要关注旋转设备的故障诊断。然而，单独的故障诊断不足以检测出设备故障的征兆和/或避免设备的后续损伤。例如，通过旋转设备的故障诊断，可以诊断出某一特定时刻旋转设备中发生的故障。但是，仅基于观测到的故障损伤去预测旋转设备的失效是非常困难甚至是不可实现的。确定旋转设备何时失效对于避免意外灾难非常重要。当可以预先预测旋转设备的失效时间时，可以避免意外灾难，并且可以实施预测性维护以最大化旋转设备的运行时间和最小化旋转设备的维修成本。
此外，由于背景噪声的影响，来自旋转设备的数据不容易使用，尤其在早期故障的情况下更是如此。这样的数据降低了旋转设备故障诊断和/或失效时间预测的准确性。
有鉴于此，为实现旋转设备的预测性维护，其故障的诊断和失效时间的预测需要进一步探索。同时，现有预测技术也需要进一步改进以便能够以更高的精度预测旋转设备的失效时间。
发明内容
在本专利技术的某些实施例中，提供了一种用于旋转设备状态监测的系统。这种系统包括了安装于旋转设备附近的传感器。传感器感知旋转设备的振动，产生与旋转设备振动相对应的数字信号，并通过通信网络传输数字信号。这种系统也包括了通过通信网络与传感器通讯的服务器。服务器计算数字信号的多个本征模态函数。本征模态函数表示数字信号的振荡模式。服务器从多个本征模态函数中选择一组本征模态函数集，并从该组本征模态函数集中提取一组特征作为特征集。服务器将特征集作为输入值应用于小波神经网络。然后，服务器借助小波神经网络和所应用的特征集预测旋转设备的寿命百分比。
在某些示例中，传感器是基于微机电系统的传感器。传感器包括将振动信号转换为数字信号的微处理器。此外，传感器也包括通讯模块，该通讯模块通过光学配置与通信网络建立连接。特征集包括时域特征和频域特征的组合。服务器将特征集作为小波神经网络的输入实现旋转机械寿命百分比的预测。此外，服务器计算旋转设备的剩余有效寿命并在用户设备的用户界面上显示旋转设备的剩余有效寿命。
附图说明
附图示出了系统、方法和本专利技术其他方面的不同实施例。本领域的普通技术人员应当理解，图中所示的元件边界(如框、框组或其他形状)仅代表边界的一个示例。在一些示例中，一个元件可以被设计为多个元件，或者多个元件可以被设计为一个元件。在一些示例中，示出为一个元件的内部组件可以被实现为另一元件的外部组件，反之亦然。
图1为依据本专利技术的旋转设备状态监测系统的系统环境框图；
图2为依据本专利技术的传感器框图；
图3为依据本专利技术实现旋转设备故障诊断的方法流程图；
图4为依据本专利技术用于旋转设备故障诊断的小波神经网络模型；
图5为依据本专利技术用于旋转设备故障预测以估计其剩余有效使用寿命的方法流程图；
图6为依据本专利技术用于旋转设备健康状态预测的小波神经网络模型；
图7为依据本专利技术用于旋转设备健康状态监测的方法流程图；
图8A为依据本专利技术旋转设备振动信号的峭度测量值与时间的关系曲线图；
图8B为依据本专利技术旋转设备振动信号的峭度测量拟合值与时间的关系曲线图；
图9A为依据本专利技术旋转设备振动信号的均方根(RMS)值与时间的关系曲线图；
图9B为依据本专利技术旋转设备振动信号的RMS拟合值与时间的关系曲线图；
图10为依据本专利技术的某轴承的寿命百分比与时间的关系曲线图。
根据下文提供的详细描述，本专利技术其他领域的应用将变得显而易见。应当理解的是，示例性实施例的描述仅用于说明目的，而非限制本专利技术的范围。
具体实施方式
在详细描述本专利技术之前，应该理解本专利技术利用系统组件的组合构成了用于旋转设备自动故障诊断和预测的系统。系统组件和方法步骤在本公开内容中详细体现，并呈现了用以理解本专利技术的详细细节。本领域普通技术人员可受益于本公开内容中披露的细节，实现对本专利技术的理解。根据需要，本公开内容公开了本专利技术的详细实施例。然而，应该理解，所公开的实施例仅仅是该专利技术的示例。该专利技术可以以各种形式实施。因此，本公开内容中包括的具体结构和功能细节不应被理解为限制，而应仅作为权利要求的基础和作为教导本领域普通技术人员在实际任一具体应用中不同地恰当使用本专利技术的代表性基础。此外，这里使用的术语和短语不是限制性的，而是提供对本专利技术的可理解描述。
估计旋转设备何时失效的一种方法是估计其剩余有效寿命(RUL)或失效时间。旋转设备的RUL是提高旋转设备系统规划和操作的一个重要参数。例如，在具有一定确定性和/或一定可接受容差的系统规划中，RUL可保证更有效的使用旋转设备，从而实现更高效的生产，更少的停机时间、库存和故障以及保证更平稳的系统升级。此外，在旋转设备系统规划中考虑RUL可以避免设备运行时突然发生的故障和停机。
如果可以在一定可接受的误差范围内确定旋转设备的RUL或失效时间，则可以制定早期更换计划，从而节省成本和/或避免设备的突然停机。旋转设备失效时间可以代表旋转设备的完全无功能状态，例如设备的功能完全失效。旋转设备失效时间也可以代表设备不再提供预期生产能力的状态，例如设备何时将发生即将失效的状态。
开发用于预测和估计各类旋转设备RUL的技术是非常有必要的。一种预测RUL的方法为数据驱动方法。该方法使用在一定时间间隔内采集到的数据。例如，可以通过旋转机械正常操作期间内使用传感器跟踪直至其失效时间内的设备状态获得相关数据。可以对获得的数据进行预处理以减少背景噪声和测量系统误差，从而改善信噪比获得更有用信息。
数据驱动方法在涉及到的机械准则和/或机械系统很复杂的情况下非常有益。考虑到旋转设备存在非线性、随机性和非平稳退化过程，数据驱动方法可适用于旋转设备RUL的估计和预测。借助一组观察数据，可以使用预测模型来识别趋势并预测旋转设备的RUL。但是，预测模型通常需要事先了解被测设备的全生命周期数据。而这种用于设备RUL预测的全生命周期数据通常很难获得。例如，当监测的设备系统非常复杂昂贵且需要遵守专门的安全指南时，故障通常会在旋转设备RUL结束之前得到修复，从而使得数据驱动方法不能获得保证RUL预测预期精度所需的必要信息。
因此，准确的预测旋转设备RUL和故障时间是非常亟需的，以实现在旋转设备失效之前提供连续的过程监控、检测和指出其故障模式。这种技术可以最小化不可预测故障发生的概率，降低维护成本和提高设备的可用性。此外，当RUL可提前预测时，可以避免灾难的发生，并且可以实施预测性维护以最大化旋转设备运行时间和最小化其维修成本。因此，需要一种能够解决上述技术问题的解决方案。这些技术也可以或替代性的用于连续开发和改进当前的RUL预测技术。
依据本专利技术，图1示出了用于实现旋转设备102自动故障诊断和预测的系统环境100的框图。系统环境100包括通过通信网络110彼此通信的无线传感器104，服务器106和用户设备108。通信网络110的示例包括但不限于Wi-Fi无线通信网络，Li-Fi光照上网通讯网络，卫星通讯网络，因特网，诸如蜂窝数据网络的移动网络，高速分组接入(HSPA)或其任何组合。
旋转设备102是具有旋转部件的设备或机器。在一些实施例中，旋转设备102可以是包含有发动机、传动轴、轴承、齿轮箱和负载的任何工业机械设备。例如，旋转设备102可以是气体压缩机，发电机，涡轮机，泵，工业用风扇，鼓风机和齿轮箱等。
无线传感器104可以是监测旋转设备102振动的设备、模块或子系统，并且通过通信网络110将对应于旋转设备102振动的数字信号发送到服务器106。例如，无线传感器104可以为一种MEMS(微机电系统)传感器。作为示例，图1中仅示出了一个无线传感器104。系统环境100可以包括多个无线传感器。例如，多个传感器可用于监测具有多个旋转部件的(如发动机、轴承和旋转轴)涡轮机。结合图2，给出了无线传感器104的详细描述。
服务器106是处理旋转设备102振动数字信号的数据处理系统。服务器106使用处理后的数据检测旋转设备102的故障并预测其剩余有效寿命(RUL)。服务器106通过通信网络110从无线传感器104接收旋转设备102的振动数字信号。此外，服务器106通过通信网络110将检测到的旋转设备102的故障及其RUL发送到用户设备108。如图1所示，服务器106包括通过第一通信总线120通信的接收器112，存储器114，第一处理器116和发射器118。服务器106的示例包括但不限于云服务器，个人计算机，笔记本电脑和计算机系统网络。本领域普通技术人员应该理解，服务器设备可能包括未在服务器106中示出的其他组件或组件的不同配置(例如，单个收发器可实现接收器112和发射器118的功能)。
用户设备108可以是智能手机、个人数码助理(PDA)，平板电脑，笔记本电脑或任何其他便携式通信设备。在一些实施例中，用户设备108可以是工业中放置于操作室中的计算机系统，用以接收检测到的旋转设备102的故障数据及其RUL数据。
接收器112包括合适的逻辑、电路和接口，以从无线传感器104接收旋转设备102的振动数字信号。在一些实施例中，接收器112可以从多个无线传感器接收数字信号。接收器112的示例包括但不限于天线、射频接收器、无线接收器和蓝牙接收器等。接收器112使用各种有线和无线通信协议与存储器114，第一处理器116和发射器118通信，例如TCP/IP(传输控制协议/网际协议)，UDP(用户数据报协议)，第2代(2G)、第3代(3G)、第4代(4G)通信协议，和/或其任何组合。
存储器114包括合适的逻辑、电路和接口，以存储由第一处理器116执行的指令。此外，存储器114存储无线传感器104测得的旋转设备102的振动数字信号。存储器114的示例包括但不限于随机存储器(RAM)，只读存储器(ROM)，可编程ROM(PROM)和可擦除ROM(EPROM)等。
第一处理器116包括合适的逻辑、电路和接口，以执行存储在存储器114中的指令。第一处理器116将无线传感器104采集到的旋转设备102的振动数字信号通过接收器112存储在存储器114中。第一处理器116可以被配置为对旋转设备102的振动数字信号进行降噪处理，以减少可能降低所接收数字信号信噪比的背景噪声。
第一处理器116可被配置为使用合适的信号处理算法对无线传感器104采集到的数字信号进行降噪。在一些实施例中，信号处理算法可以是集合经验模态分解(EEMD)算法。图3详细讨论了EEMD算法示例。
第一处理器116可被配置为使用机器学习技术确定故障和/或预测RUL。例如，第一处理器116可以被配置为使用小波神经网络(WNN)确定旋转设备102中的故障和/或预测旋转设备102的剩余有效寿命。结合图3和图5给出了WNN示例的详细讨论。第一处理器116可以被配置为通过发射器118发送检测到的旋转设备102的故障和RUL。第一处理器116的示例包括但不限于专用集成电路(ASIC)，精简指令集计算(RISC)处理器，复杂指令集计算(CISC)处理器，现场可编程逻辑门阵列(FPGA)等。本领域普通技术人员应该理解，第一处理器116可与多个操作系统兼容。
发射器118包括合适的逻辑、电路和接口，以将旋转设备102中检测到的故障发送到用户设备108。此外，发射器118将检测到的故障和RUL的相关数据发送到用户设备108。发射器118的示例包括但不限于天线、射频发射器、无线发射器和蓝牙发射器等。发射器118使用各种有线和无线通信协议与接收器112，存储器114和第一处理器116通信，例如TCP/IP(传输控制协议/网际协议)，UDP(用户数据报协议)，第2代(2G)、第3代(3G)、第4代(46)通信协议，和/或其任何组合。
依据本专利技术，图2展示了无线传感器104的框图。无线传感器104是检测旋转设备102的振动并通过通信网络110无线地将振动数据发送到服务器106的设备、模块和/或子系统。在一些实施例中，无线传感器104是振动传感器或加速度计，其测量旋转设备102的振动并将振动数据无线地传输到服务器106。例如，无线传感器104可以是基于MEMS(微机电系统)的传感器。
无线传感器104可以被设计为包括一个用于插入闪烁模块202的(如，标准化的)插槽。无线传感器104还包括加速度计204和微控制器206。标准化插槽可以被配置为接收闪烁模块202或其他通信卡。在一些示例中，闪烁模块202是‘Imp’模块，从加利福尼亚的公司Electric Imp Inc.获得。闪烁模块202、加速度计204和微控制器206通过第二通信总线208彼此通信。无线传感器104通过闪烁模块202与通信网络110建立连接。闪烁模块202包括第二处理器(未示出)和/或光感测器(未示出)。此外，闪烁模块202包括通信接口(未示出)。通过该通信接口，闪烁模块202与通信网络110建立连接。在一些实施例中，通信接口包括但不限于无线接口，如Wi-Fi接口或蓝牙接口，以及有线接口，如以太网接口、红外通信IrDA、光纤接口等。
加速度计204是感测旋转设备102振动的设备。加速度计204通过第二通信总线208将旋转设备102的振动信号传输到微控制器206。加速度计204可以是三轴加速度计，在x，y和z方向上测量旋转设备102的振动。微控制器206将接收到的振动信号转换为数字信号。此外，微控制器206使用闪烁模块202通过通信网络110将数字信号发送到服务器106。微控制器206的示例包括但不限于8051微控制器、外围接口控制器(PIC)、Atmel AVR微控制器、高级Risc机器(ARM)处理器、精简指令集计算(RISC)处理器、复杂指令集计算(CISC)处理器等。本领域普通技术人员应该理解，微控制器206与多个操作系统兼容。
为了使无线传感器104能够与通信网络110通信，需要设置闪烁模块202。在一些实施例中，Electric Imp提供了在外部计算设备(未示出)运行的软件应用程序，这些软件应用程序被设计为如果外部计算设备连接到通信网络110则软件应用程序自动提取通信网络110的网络设置细节。外部计算设备可以是智能电话、笔记本电脑、平板电脑等。网络设置细节包括Wi-Fi凭证，如Wi-Fi SSID，Wi-Fi密码等。
在一些实施例中，用户将外部计算设备的屏幕靠近闪烁模块202的光感测器，通信网络设置信息被闪烁模块202光学的捕捉。具体的，外部计算设备通过其屏幕以一定频率的闪光将通信网络配置信息发送到闪烁模块202。此外，闪烁模块202可以验证通信网络的配置数据，并将与通信网络110建立连接的消息发送到外部计算设备。通过这种方式，无线传感器104可以与诸如Wi-Fi网络的通信网络110建立连接，进而将振动数据发送到服务器106。
闪烁模块202可以控制无线传感器104并建立无线传感器104与通信网络110之间的连接。在一些示例中，无线传感器104的电路由闪烁模块202第二处理器(未示出)中运行的虚拟机(未示出)内执行的代码直接控制。以此，闪烁模块202第二处理器可以控制无线传感器104。使用闪烁模块202内的虚拟机可以允许无线传感器104不需要控制处理器。闪烁模块202与唯一标识符相关联。唯一标识符允许服务器106识别其接收到的振动数据的具体无线传感器104来源。一旦闪烁模块202与通信网络110建立连接，服务器106就可以使用唯一标识符作为无线传感器104收集到的振动数据的索引并检索无线传感器104所需的恰当代码。因此，闪烁模块202被用作无线传感器104的网络接口。
在一些实施例中，无线传感器104采集的振动数据可以存储在云平台上，如EIectric Imp提供的云平台和/或其他云平台。在一些实施例中，云平台可以在服务器106上运行。例如，Electric Imp集成开发环境(IDE)(在下文中称为Imp IDE)可以提供用于部署信号处理和机械学习代码的平台，以处理通过通信网络110接收到的数字信号。Imp IDE可以在计算设备的Web浏览器中运行。Imp IDE可以用于部署系统环境100中用于传感器侧和服务器侧的代码。在一些实施例中，信号处理和机器学习代码在服务器侧运行以执行降噪预处理和故障检测并预测旋转设备102的RUL。在一些实施例中，信号处理代码可以在传感器侧运行以执行数字信号的降噪预处理。
依据本专利技术，图3示出了实现旋转设备102故障诊断的一种方法流程图。
在步骤302中，服务器106通过通信网络110从数据库服务器(未示出)中接收历史数据。历史数据可以是来自多个与旋转设备102功能相似的旋转设备的振动信号和故障指标数据。数据库服务器是数据存储服务器，其包括用于存储历史数据的存储器。在一些示例中，旋转设备的历史数据包括以下的一个或多个设备健康状态数据：(a)正常状况，(b)轴承外圈轻微摩擦故障，(c)轴承外圈严重剥落故障，及其他。数据库服务器包括但不限于个人计算机、云服务器、笔记本电脑和计算机系统网络。在一些实施例中，数据库服务器可以是服务器106。
在一些实施例中，服务器106被配置为运行基于小波神经网络(WNN)的机器学习算法。WNN可用于诊断旋转设备102中的故障。在步骤304中，接收历史数据后服务器106使用历史数据训练WNN。在一些实施例中，WNN包括三层：输入层，隐藏层和输出层。每层可以有多个神经元或节点。小波基函数具有定位性质并且是正交基函数。输入层接收历史数据中提取的特征。隐藏层中，小波基函数
Figure BDA0002498855990000081
被用作为激活函数。小波神经网络的输出由以下表达式给出：
Figure BDA0002498855990000082
式中，
a为缩放因子；
b为平移因子；
uk为输入的加权总和。
uk＝∑Wkixi (2)
式中，
Wki为权重；
xi为输入。
在一些实施例中，莫莱小波可以用作为隐藏层中神经元的激活函数。莫莱小波函数的表达式和误差方程的偏导数具有较高的计算效率。因此，莫莱小波函数有助于训练过程中的参数更新。在一些实施例中，小波基函数也可以是哈尔小波，墨西哥帽小波，香农小波，或迈耶小波。
在一些实施例中，莫莱小波由以下表达式给出
Figure BDA0002498855990000083
式中，
t为时间。
在一些实施例中，反向传播(BP)算法被用来训练WNN。反向传播算法可用来最小化WNN输出与期望输出之间的误差函数。这里，期望输出是历史数据中数字信号对应的健康状态。服务器106持续对WNN进行训练，直到误差函数达到指定特定值或迭代次数达到所设置最大值。满足训练标准后，WNN的训练停止。小波神经网络的输出为归一化分数的形式。在输出层中，使用一个映射函数将归一化分数映射为特定的标签。所映射的特定标签对应于旋转设备102的健康状态。例如，标签“1”对应于正常状态，标签“2”对应于轴承外圈的轻微摩擦故障，标签“3”对应于轴承外圈的严重剥落故障等。WNN的训练涉及权重的优化，缩放因子的优化和平移因子的优化。
在步骤306中，服务器106通过通信网络110接收对应于旋转设备102振动的数字信号。如上所述，无线传感器104可以检测旋转设备102的振动，将振动信号转换为数字信号，并将与旋转设备102振动相对应的数字信号发送到服务器106。在一些示例中，亦如上所述，无线传感器104包括闪烁模块202。通过闪烁模块202，无线传感器104建立与通信网络110的连接，以将数字信号发送到服务器106。
在步骤308中，服务器106可以使用集合经验模态分解(EEMD)算法对数字信号进行预处理，以对数字信号降噪。EEMD算法将数字信号分解为多个本征模态函数(IMFs)。具有多个振荡模式的数字信号可被分解为其组成的各单分量信号，即振荡模式。每个本征模态函数与数字信号中的某一振荡模式相关联。IMF为满足以下两个条件的函数：(a)在数字信号的整个数据集中，极值的数目和零值交叉点的数目必须相等或最多相差为一，并且(b)在任意位置，局部最大值包络和局部最小值包络的均值为零。如果任一单分量信号，即振荡模式，满足以上条件则为IMF。由无线传感器104感测的振动数字信号在本质上可能是很弱的，因为它会受到背景噪声的影响，尤其在早期故障的情况下更是如此。因此，服务器106对数字信号106进行预处理，以减少背景噪声和测量系统的误差，从而提高信噪比(SNR)进而获取有效的信息。
EEMD算法可分解非平稳和非线性信号，并且克服了EMD的模式混叠现象。为了克服EMD模式混叠问题，EEMD将系列试验的平均值作为IMF分量。以下给出详细讨论。每个实验给出了数字信号加有限幅值白噪声的综合信号的分解结果。添加的白噪声均匀分布在由不同尺度成分组成的整个时频空间内。由于每个附加噪声的综合信号的分解包含了数字信号和添加的白噪声，导致每个单一的试验测试会产生非常嘈杂的结果。但是，由于每个单一试验的噪声均不同，当使用足够多测试的均值时，添加的噪声会被消除，而保留了信号本身。通过这种方式，EEMD可以减少甚至完全避免模式混叠现象。
服务器106可使用EEMD按如下方法分解数字信号：
服务器初始化试验集合的数量M和所添加白噪声的幅值，并设置m＝1。m用来追踪特定的试验。
服务器106将给定幅值的白噪声添加到数字信号x(t)中，即
xm(t)＝x(t)+nm(t) (4)
式中，
nm(t)为第m个添加的白噪声序列；
和xm(t)为第m个添加白噪声后的试验综合数字信号。
添加白噪声之后，服务器106利用EMD方法将xm(t)分解为I个IMFs，Ci，m(i＝1，2，...，I)。Ci，m为第m个试验的第i个IMF，I为IMFs的总数目。EMD方法是本领域普通技术人员熟知的信号处理技术。
数字信号被分解为I个IMFs后，服务器106检查是否m＜M。如果m＜M，服务器106设置m＝m+1并重复数字信号分解。每次信号分解中，不同的有限幅值白噪声添加到数字信号中。
更进一步，服务器106计算每个IMF的M个试验的总体平均值ai。
Figure BDA0002498855990000101
式中，
i＝1到L；和
m＝1到M。
服务器106将I个IMFs中的每个的M个试验的总体平均值ai(i＝1到I)作为最终的IMFs。
在步骤310中，在获得由EEMD分解得到的IMFs之后，服务器106计算每个IMF的峭度值及峭度值集的均值和标准差。并不是所有的IMFs分量是对故障敏感和相关的。因此，为了避免与故障无关的IMFs分量的干扰，服务器106选择敏感IMFs分量。例如，当旋转设备102发生诸如轴承外圈摩擦和剥落的局部故障时，振动数字信号会产生一系列脉冲。峭度值可以用来检测由局部缺陷引起的脉冲分量。因此，峭度值被用来从EEMD算法分解得到的I个IMFs中选择敏感IMFs。
对于每个健康状态的数据集，服务器106可以计算每个数据样本IMF分量的峭度值。第s个数据样本第i个IMF的峭度值由下式给出：
Figure BDA0002498855990000102
式中，
an，i是第i个IMF ai的第n个数据点；
a′i是ai的平均值；
N是ai数据点的数目；
I是IMFs的数目；和
S是数据样本的数目。
此外，服务器106可以计算每个IMF在不同试验中峭度值的平均值和标准差：
Figure BDA0002498855990000111
式中，
mi是峭度值的均值。
Figure BDA0002498855990000112
式中，
stdi是峭度值的标准差。
在步骤312中，服务器从所有IMFs中选择与故障相关的敏感IMFs。服务器106可以构建用于选择敏感IMFs的标准。对于健康状态下的信号，IMF的峭度值较小。当旋转设备102出现局部缺陷时，IMF的峭度值增加。因此，相较于有故障信号，无故障信号具有较小的峭度值均值mi。此外，基于健康状态是正常还是有缺陷，可以使用标准差stdi区分旋转设备102的各种健康状态。
敏感IMFs的选择标准为：
Figure BDA0002498855990000113
服务器106可以为每个健康状态下的数据样本选择敏感IMFs。基于选择标准的定义，等式(9)中的最小fi对应于敏感IMF。
在步骤314中，服务器106可以从敏感IMFs中提取统计特征。发生故障时，旋转设备102故障附近的材料强度发生变化，因此会产生相应的脉冲或冲击。这些脉冲导致了所收集到的振动数字信号的变化。时域波形的幅值和分布发生了变化。因此，从振动数字信号时域波形内提取到的时域统计特征可以反映机械故障。平均值Xm反映了信号的平均幅值；均方根Xrms和峰值Xpeak反映了数字信号时域内的能量和振幅。故障通常可以激发机械振动，从而提高平均值，均方根值和峰值。当故障严重时，平均值、均方根值和峰值可以反映故障的严重程度；但它们对早期微弱故障不敏感。峭度值、峰值因数、脉冲因子和间隙因子可以测量数字信号中的脉冲激励。峭度值和峰值因数对不同的机械运行状态具有较高的鲁棒性，并且可用作为初期故障的统计特征。
在一些实施例中，峭度值对早期故障敏感。随着故障严重程度的增加，峭度值也逐渐增加。然而，当故障更为严重时，峭度值可能会意外的降低。因此，单纯的时域统计特征不能准确反映不同程度的故障变化。所以，需要提取更多的统计特征以有效的诊断旋转设备102中的故障。
在一些实施例中，因为时域波形仅反映数字信号时域波形的变化信息而不能完全揭示数字信号的固有性质，因此，为补偿时域统计特征的缺点，服务器106对数字信号在频域内进行了处理。通常，当旋转设备102发生故障时，一些异常频率会出现在其振动数字信号的频谱中。这些异常频率可以反映旋转设备102的健康状态。此外，即使是细微的设备状态变化也会在频谱中产生相应的频谱线，导致通常情况下频谱对初期故障更加敏感。因此，提取频域的统计特征有益于设备的故障诊断。此外，频域统计特征也会包含时域统计特征中不含有的故障相关信息。换句话说，频域统计特征是时域统计特征的有效补充。
例如，平均频率通过所有频率幅值的平均值表示了频域中的振动能量。随着故障严重程度的增加，平均频率增大。标准差频率通过描述频谱功率的收敛反映了频谱的能量。均方根频率反映了频谱中占主导地位的主频率的位置变化。因此，频域特征从不同方面反映了机械的健康状态。不同的故障将导致频谱和功率谱的不同变化。根据不同的故障类别，服务器106选择合适的统计特征实现准确的诊断结果。
在一些实施例中，为实现准确诊断的目的，服务器106从敏感IMFs中提取时域统计特征和频域统计特征以识别各种机械健康状态。统计特征可以是时域中的标准差Xstd、峭度Xkur、形状因子SF、脉冲因子IF和频域中的平均频率Xmf、均方根频率Xrmsf、标准差频率Xstdf、轴承外圈的频谱峰值比SPRO、轴承内圈的频谱峰值比SPRI、轴承滚动体频谱峰值比SPRR，和/或其他。服务器106可以使用SPRO、SPRI和/或SPRR从敏感IMFs的包络频谱中提取特征。因此，在一些实施例中，从每个数据样本的敏感IMFs中提取四个时域统计特征(即Xstd、Xkur、SF和IF)、三个频域统计特征(即Xmf、Xrmsf和Xstdf)和三个时频域统计特征(即SPRO、SPRI和SPRR)实现旋转设备的故障诊断。
时域统计特征包括：
Figure BDA0002498855990000121
式中，
Xstd为标准差；
Xm为信号X(n)的平均值
其中，
Figure BDA0002498855990000131
x(n)为数字信号数列，n＝1到N；和
N为数据点的个数。
Figure BDA0002498855990000132
式中，
Xkur为峭度；
Xm为信号X(n)的平均值；
其中，
Figure BDA0002498855990000133
Xstd为标准差；
x(n)为数字信号数列，n＝1到N；和
N为数据点的个数。
Figure BDA0002498855990000134
式中，
SF为形状因子；
Xstd为标准差；
Xm为信号X(n)的平均值
其中，
Figure BDA0002498855990000135
x(n)为数字信号数列，n＝1到N；和
N为数据点的个数。
Figure BDA0002498855990000141
式中，
IF为脉冲因子；
Xstd为标准差；
x(n)为数字信号数列，n＝1到N；和
N为数据点的个数。
频域统计特征包括：
Figure BDA0002498855990000142
式中，
Xmf为平均频率；
s(k)为频谱幅值，k＝1，2，...，K；和
K为频谱线的数目。
Figure BDA0002498855990000143
式中，
Xrmsf为均方根频率；
s(k)为频谱幅值，k＝1，2，...，K；
K为频谱线的数目；和
fk为第k根谱线对应的频率值。
Figure BDA0002498855990000144
式中，
Xstdf为标准差频率；
Xmf为平均频率；
s(k)为频谱幅值，k＝1，2，...，K；和
K为频谱线的数目。
时频域统计特征为：
Figure BDA0002498855990000151
式中，
s(k)为频谱幅值，k＝1，2，...，K；
K为频谱线的数目；
po(h)为轴承外圈特征频率fo的h倍频幅值，fo计算公式如下
Figure BDA0002498855990000152
其中，
h＝1，2，...，H；
H为倍频的数目；
fr为轴的旋转频率；
Nr为轴承滚动体的数目；α为滚动体接触角；和
B和C分别为滚动体直径和轴承节径。
Figure BDA0002498855990000153
式中，
s(k)为频谱幅值，k＝1，2，...，K；
K为频谱线的数目；
pI(h)为轴承内圈特征频率fI的h倍频幅值，fI计算公式如下
Figure BDA0002498855990000161
其中，
fr为轴的旋转频率；
Nr为轴承滚动体的数目；α为滚动体接触角；和
B和C分别为滚动体直径和轴承节径。
Figure BDA0002498855990000162
式中，
s(k)为频谱幅值，k＝1，2，...，K；
K为频谱线的数目；
pR(h)为轴承滚动体特征频率fR的h倍频幅值，fR计算公式如下
Figure BDA0002498855990000163
其中，
fr为轴的旋转频率；
B和C分别为滚动体直径和轴承节径。
在步骤316中，服务器106将所选择的统计特征输入到训练后的WNN中实现机械健康状态的自动识别。输入层中包含时刻t提取的统计特征作为WNN的输入。WNN在隐藏层中使用莫莱小波处理所输入的统计特征，在输出层中产生输出结果。小波神经网络的输出形式为归一化分数。在输出层中，使用某函数方程将归一化分数转化为特定标签。所得的特定标签对应于旋转设备102的健康状态。例如，标签“1”对应于正常状态，标签“2”对应于轴承外圈的轻微摩擦故障，标签“3”对应于轴承外圈的严重剥落故障，等等。WNN的输出代表了所检测到的旋转设备102中的故障。
在步骤318中，服务器106检查新历史数据是否可用。如果新历史数据可用，则服务器106通过通信网络110从数据库服务器中提取新历史数据。提取新历史数据之后，服务器106执行步骤320。如果新历史数据不可用，则服务器106继续执行步骤318以检查新历史数据的可用性，直到新历史数据可用。
在步骤320中，接收到新历史数据之后，服务器106将新历史数据作为输入提供给WNN。服务器106递增的训练WNN以检测旋转设备102中的故障。利用可用的历史数据，发明人已经进行了试验，证明了可以通过训练WNN实现准确率为99％的旋转设备102的故障诊断。
在一些实施例中，可以增加WNN的层数或神经元数，以实现诸如WNN最佳结构的目的。在一些实施例中，服务器106可以自动选择最适合于有效数字信号处理的特征集合中的特征类型和数量。
依据本专利技术，图4示出了用于旋转设备102故障诊断小波神经网络(WNN)400的模型。
WNN 400可以包括一个或多个层。每层有一个或多个神经元或节点。如图4所示，所示例WNN包括输入层402，隐藏层404和输出层406三层。输入层将输入值引入WNN 400。输入层402中神经元的数量等于t时刻所提取的统计特征数量。服务器106可以提取一个或多个统计特征作为输入层402神经元的输入。例如，统计特征可以是时域统计特征(如Xstd，Xkur，SF，IF)，频域统计特征(如Xmf，Xrmsf，Xstaf)和时频域统计特征(如SPRO，SPRI，SPRR)。输出层406包含用于生成WNN 400输出的函数方程。隐藏层404和输出层406可以各包含一个神经元。在隐藏层404和输出层406中，小波基函数
Figure BDA0002498855990000172
可以被用作为统计特征的激励函数。例如，莫莱小波可以被用作为隐藏层404中神经元的激励函数。在其他实施例中，小波基函数可以是哈尔小波，墨西哥帽小波，香农小波，或迈耶小波。输出层406的输出为归一化分数Li，其对应于旋转设备102中检测到的故障。在一些实施例中，相邻各层神经元之间的连接具有各自的权重，权重以矩阵的形式保存。WNN 400中层的数量和神经元的数量可以依据需执行的特定应用选择和调整。
依据本专利技术，图5示出了一种用于旋转设备102剩余有效寿命预测的方法流程图。
在步骤502中，服务器106通过通信网络110接收无线传感器104在第一时刻t-1和第二时刻t的数字信号。无线传感器104可以检测旋转设备102的振动，并将振动信号转换为数字信号，然后将数字信号发送到服务器106。第一时刻t-1和第二时刻t的数字信号可以分别对应于先前检查时间和当前检查时间旋转设备102的振动。
在步骤504中，服务器106使用集合经验模态分解(EEMD)算法对数字信号进行预处理，以对数字信号进行降噪。服务器106可以将数字信号分解为多个本征模态函数(IMFs)。图3中详细给出了数字信号分解为多个IMFs的需求。服务器106可以进一步从多个IMFs中选择敏感IMFs。选择敏感IMFs的依据可以由服务器106构建。图3中详细给出了敏感IMFs的选择依据。
服务器106被配置为运行基于小波神经网络(WNN)的机器学习算法。WNN可用于预测旋转设备102的剩余有效寿命。在一些实施例中，WNN可以包括三层：输入层，隐藏层和输出层。每层有一个或多个神经元或节点。小波基函数具有定位的性质并且是正交基函数。在隐藏层和输出层中，小波基函数
Figure BDA0002498855990000171
被用作为激励函数。小波神经网络的输出由下式给出：
Figure BDA0002498855990000181
式中，
a为缩放因子；
b为平移因子；和
uk为加权输入的总和。
uk＝∑Wkixi (24)
式中，
Wki为权重；和
xi为输入。
在一些实施例中，莫莱小波可以被用作隐藏层神经元的激励函数。莫莱小波的表达式和相应误差函数的偏导数具有较高的计算效率。因此，莫莱小波可以更新训练过程中的参数。在其他实施例中，小波基函数可以是哈尔小波，墨西哥帽小波，香农小波，或迈耶小波。
在一些实施例中，莫莱小波表达式为
Figure BDA0002498855990000182
式中，
t为时间。
在步骤506中，服务器106可以在第一时刻t-1和第二时刻t从数字信号的敏感IMFs中提取特征。在一些实施例中，服务器106可以从敏感IMFs中提取时域特征和频域特征的组合。例如，从敏感IMF中提取峭度值(Xkur)，均方根值(Xrms)，波峰值(Xpeak)，峰值因子(Xcrest)，平均频率(Xmf)，均方根频率(Xrmsf)和标准差频率(Xstdf)。时域特征和频域特征的组合提高了WNN预测旋转设备102剩余有效寿命的精度。
在步骤508中，服务器106用威布尔分布的风险函数拟合提取的统计特征。然后，服务器106将拟合后的统计特征输入到WNN中，从而提高旋转设备102剩余有效寿命预测的准确性。在可靠性分析中，威布尔分布的风险函数提供了旋转设备102在给定时间内的失效率，以此表征旋转机械102的健康状态。威布尔分布的风险函数可以通过不同的比例参数和形状参数表示不同的分布，是表示各种实际寿命分布的有力工具。拟合后的统计特征可以避免实际应用中由于数字信号中外部噪声而引起的失真。用于拟合所提取统计特征的威布尔分布风险函数为
Figure BDA0002498855990000191
式中，
f(t)为威布尔分布概率密度函数；和
F(t)为威布尔分布累积分布函数，由下式给出
Figure BDA0002498855990000192
式中，
γ为比例参数；
η为形状参数；和
t为统计特征数值。
在一些实施例中，训练集可以通过第一时刻t-1和第二时刻t的数字信号构成。服务器106使用第一时刻t-1和第二时刻t提取的统计特征的测量拟合值作为WNN的输入值。WNN的输出为归一化寿命百分比Ti。寿命百分比提供了旋转设备102与时间相关的健康状态的准确映射。当旋转设备102达到100％的寿命百分比时，可以认为旋转设备102完全损坏。WNN的输出值被归一化为0至1区间。因此，WNN的输出值为旋转设备102寿命百分比的预测值。
服务器106可以绘出从时刻t＝0到t＝n的统计特征的拟合图形，并在用户界面上呈现图形。在一些实施例中，绘制统计特征的拟合图形时，可以一并考虑所提取统计特征的阈值。此外，服务器106可以组合来自每个统计特征拟合图形中的曲线形成复合曲线(未示出)。根据复合曲线，服务器106可进而通过累积分布函数(CDF)计算旋转设备102的寿命百分比。根据CDF计算的寿命百分比可以被认为为旋转设备102寿命百分比的实际值。利用CDF可以计算任意时刻下的实际寿命百分比。
在一些实施例中，训练集可以由历史数据组成。历史数据包括一个或多个旋转设备的振动信号，故障类型和设备寿命。所述旋转设备的功能类似于旋转设备102。设备寿命表示旋转设备失效之前的时间(以小时或天为单位)。振动信号以一定规则的时间间隔从旋转设备上采集。服务器106从第一时刻t-1和第二时刻t采集的振动信号中提取统计特征，并用威布尔分布的风险函数拟合所提取的统计特征。服务器106可以使用测量的拟合值作为WNN的输入值。WNN的输出值为归一化寿命百分比Ti。由WNN得到的寿命百分比为旋转设备的预测寿命百分比。基于设备寿命，服务器106可以计算设备在在任何时间的实际寿命百分比。
此外，服务器106计算实际值与预测值之间的均方误差(MSE)。MSE可用于呈现神经网络的性能，从而定义最优的WNN模型。MSE方程为：
Figure BDA0002498855990000201
式中，
N为截止时刻t＝n(当前时刻)所采集的数据数量。
服务器106获得MSE之后，调整WNN的权重和偏置以最小化MSE。服务器106以规则的时间间隔执行训练过程。
在步骤510中，服务器106可以通过将第一时刻t-1和第二时刻t处的统计特征拟合值乘以常数值(CP)构建验证集。此外，验证集包含旋转设备102寿命百分比的实际值乘以常数值(CP)。在一些实施例中，常数值(CP)被设置为1.1，意指统计特征的拟合值增加10％。
在步骤512中，服务器106训练WNN以预测旋转设备102的寿命百分比。在一些实施例中，服务器106可以基于训练集和验证集使用Levenberg-Marquardt(LM)算法训练WNN。本领域普通技术人员应该理解，可使用任何适合的算法训练WNN。过度拟合问题可以通过使用验证集来解决。在WNN的训练过程中，训练集的MSE和验证集的MSE均被计算。在训练过程的早期，训练集的MSE和验证集的MSE都会下降，因为WNN可以通过训练集调整权重值和偏置值，实现输入与输出之间关系的学习和训练。在某一点过后，验证集的均方误差开始增加，因为WNN开始对训练集中的噪声进行建模，即过拟合现象。因此，在该点时应当停止训练过程，以获得具有最佳建模和泛化能力的最优WNN模型。
在步骤514中，WNN的训练过程完成。最优选的WNN模型用于RUL预测。
在步骤516中，服务器106使用最优选的WNN预测当前时间t旋转设备102的寿命百分比。在步骤518中，服务器106基于预测的寿命百分比计算旋转设备102的RUL。剩余有效寿命RUL由下式给出：
RUL(％)＝100％-预测寿命百分比 (28)
在一些实施例中，旋转设备102的制造商在产品规格中提供了旋转设备寿命的相关细节。旋转设备寿命为，旋转设备102可承受的给定转速下任何疲劳迹象出现之前的操作小时数或转数。旋转设备102的剩余有效寿命可以通过旋转设备寿命和剩余有效寿命百分比(％)计算。
在步骤520中，服务器106可以检查当前时间是否有新状态监测数据可用。如果新状态监测数据可用，则服务器106通过通信网络110将无线传感器104接收到的状态监测数据输入到优选的WNN。从新状态监测数据提取特征之后，服务器106执行步骤522。
在步骤522中，服务器106可以将新状态监测数据拟合到威布尔分布风险函数中。拟合后的测量值用作VVNN的输入，用于预测旋转设备102的RUL。如果新状态监测数据不可用，则服务器106继续执行步骤520以检查新状态监测数据的可用性，直到新状态监测数据可用为止。
依据本专利技术，图6示出了用于旋转设备状态预测的示例性小波神经网络模型600。
WNN 600可用于预测旋转设备102的剩余有效寿命。WNN 600可包含一个或多个层，每层有一个或多个神经元或节点。如图6所示，VVNN 600包括输入层602，隐藏层604和输出层606三层。输入层602中的神经元数量等于在时刻t-1和时刻t所提取统计特征的数量。服务器106可提取作为输入层602输入的一个或多个统计特征。如该示例所示，WNN 600的输入可以为(a)时刻t和时刻t-1的时刻值t-1和t；(b)时刻t和时刻t-1的峭度测量拟合值Xkur(t)和Xkur(t-1)；时刻t和时刻t-1的均方根测量拟合值Xrms(t)和Xrms(t-1)；时刻t和时刻t-1的波峰测量拟合值Xpeak(t)和Xpeak(t-1)。隐藏层604和输出层606各自可包含一个或多个神经元。在隐藏层604中，可用小波基函数
Figure BDA0002498855990000211
作为时间t的统计特征激励函数。此外，小波基函数
Figure BDA0002498855990000212
可作为时间t-1的统计特征激励函数。在一些实施例中，莫莱小波可以作为隐藏层604神经元的激励函数。在其他实施例中，小波基函数可以是哈尔小波，墨西哥帽小波，香农小波或迈耶小波。输出层606的输出表示旋转设备102的剩余有效寿命。输出层606的输出可以为归一化寿命百分比。归一化寿命百分比可用于计算旋转设备102的剩余有效寿命。在一些实施例中，相邻各层神经元之间的连接具有各自的权重，权重以矩阵的形式保存。VVNN 600层的数量和神经元的数量可以依据需执行的特定应用进行选择和调整。
依据本专利技术，图7示出了一种用于监测旋转设备102健康状态的方法的流程图。
在步骤702中，服务器106接收数字信号作为输入数据，该数字信号对应于旋转设备102的振动。服务器106通过通信网络110接收来自安装于旋转设备102附近的无线传感器104采集到的数字信号，并将其作为输入数据。
在步骤704中，服务器106确定数字信号的多个本征模态函数。服务器106可以使用信号处理算法，例如集合经验模态分解(EEMD)算法，对来自于无线传感器104的数字信号进行降噪处理。
在步骤706中，服务器106基于本征模态函数的选择标准从多个本征模态函数中选择一组本征模态函数集。选择标准可以依据各本征模态函数峭度的均值和标准差确定。
在步骤708中，服务器106从所选择的本征模态函数集中提取一组特征。该组特征可包含时域特征和/或频域特征的组合。
在步骤710中，服务器106将该组特征作为输入值应用于小波神经网络。
在步骤712中，服务器106使用小波神经网络和特征输入值预测旋转设备102的寿命百分比。此外，服务器106可以在用户设备108的用户界面上显示旋转设备102的RUL。RUL由服务器106基于寿命百分比确定。
图8A和图9A中所示的曲线图800和900示出了所提取统计特征(峭度和均方根)的实际测量值；X轴为时间，Y轴为统计特征的实际测量值。图8B和图9B中所示的曲线图850和950示出了所提取统计特征(峭度和均方根)的测量拟合值；X轴为时间，Y轴为统计特征的测量拟合值。曲线图800和900示出了各个监测时间点处旋转设备振动信号的峭度值和均方根值。峭度值和均方根值与旋转设备的退化相关联。由各个监测时间点处获得的旋转设备测量数据(如峭度和均方根)通常具有外部噪声(例如由电动机风扇或轴承产生的噪声)。这些噪声可能跟旋转设备的退化无关。为了减少外部噪声的影响，使用威布尔分布风险函数(等式(26))拟合从旋转设备收集到的测量数据。曲线图850和950示出了与旋转设备退化相关联的拟合峭度值和拟合均方根RMS值。测量拟合值用作WNN的输入而不是实际测量值，以便更好地表示旋转设备的退化。与曲线图800和900相比，曲线图850和950提供了更好的旋转设备健康状态的退化指示。
为了评估预测模型的准确性，收集了试验台(未示出)实验装置的振动数据。试验台有四个安装于轴上的轴承：轴承1、轴承2、轴承3和轴承4。在每个轴承上安装两个加速度计，其中一个位于垂直轴Y，另一个位于水平轴X。两个加速度计用于收集每个轴承在X和Y方向上的振动数据。通过一交流电机，轴的旋转速度为恒定的2000rpm。交流电机通过联轴器与轴相连。通过弹簧机构将6000磅力的径向载荷施加到轴和轴承上。故障发生在超过轴承的设计使用寿命之后。从试验台的实验装置中提取两组实验数据。每组实验数据对应于一次全寿命失效实验。每个数据集对应于轴承的某个振动信号。振动信号的采样频率为20kHz，每10分钟收集一次振动信号。在第一组数据中，全寿命失效实验结束时轴承3发生外圈失效故障。轴承3失效所需时间大约为750小时。在第二组数据中，全寿命失效实验结束时轴承1发生外圈失效故障。轴承1失效所需时间大约为164小时。
第一组数据用作小波神经网络(WNN)的训练集。以小波基函数作为激励函数的三层WNN被第一组数据训练。WNN模型使用时间和对应的均方根值、峭度值和峰值的威布尔分布风险函数为输入，其输出为归一化寿命百分比。计算均方误差(MSE)以识别轴承3寿命百分比的预测值与其实际值之间的差异。使用Levenberg-Marquardt(LM)学习算法训练WNN。本例中给出最小MSE误差值得最优选WNN中间层具有两个神经元。
训练后的WNN对第二组数据进行预测，从而确定WNN的预测准确性。为了预测轴承1在时间t处的RUL，对之前t-1时刻采集的振动信号和当前t时刻采集的振动信号进行EEMD算法预处理，以对振动信号进行降噪处理。均方根值、峭度值和峰值从时刻t-1和t的振动信号中提取。为了预测轴承1在时刻t处的RUL，8个输入量输入到WNN中。这8个输入量为：(a)当前时刻和先前时刻的时刻值t和t-1，(b)当前时刻和先前时刻的峭度测量拟合值Xkur(t)和Xkur(t-1)，(c)当前时刻和先前时刻的均方根测量拟合值Xrms(t)和Xrms(t-1)，(d)当前时刻和先前时刻的波峰测量拟合值Xpeak(t)和Xpeak(t-1)。WNN的输出值为轴承1的归一化寿命百分比。
曲线图1000示出了基于WNN的输出值所绘制的在不同时刻轴承1对应于相应已运行时间的寿命百分比。图10中的曲线图1000的Y轴表示了轴承1的寿命百分比，其X轴表示了所经过的已运行时间(以小时为单位)。当轴承1的寿命百分比达到100％时，所经过的已运行时间约为163小时。从结果可以看出，所提出的WNN模型在预测轴承1的RUL方面具有良好的性能。轴承1的RUL预测精度超过99％。
在系统环境100中，服务器106可以以大于99％的精度预测旋转设备102的RUL。通过EEMD算法和WNN算法的组合实现了较高的精度。旋转设备102的精确RUL预测提高了旋转设备102的可靠性和降低了其维护成本。
本专利所述技术使用一组统计特征预测旋转设备102的剩余寿命。统计特征包括时域统计特征和频域统计特征的组合。统计特征组合同时涵盖了早期故障和晚期故障，有助于提高旋转设备102RUL的预测精度。该系统允许数字信号存储于数据库之前预处理数字信号。本专利所述技术使用EEMD算法和WNN算法组合预测旋转设备102的RUL。此外，本专利所述技术实现了旋转设备102RUL的预测并且预测精度大于99％。通过使用无缝闪烁技术方便的将无线传感器104连接到服务器106，增强了用户的用户体验。
说明书和权利要求书中所使用的单数形式“一”、“一个”和“该”等也可包括其复数形式。例如，术语“一个物品”可指多个物品。本领域普通技术人员应该理解，附图中的各元件和组件是为了简单和清楚地示出结构，而非按比例绘制。例如，图中的一些元件尺寸会相对于其他元件放大，以便增强对本专利所述技术的理解。此外，可能有前述申请描述中存在但未在附图中描绘的组件。组件在前述申请中存在但未在附图中描绘的情况下，附图中部件的缺失不应被视为说明书中这种设计的省略。
依据本专利所描述原理的操作技术可以以任何合适的方式实现。所述流程图和决策块的处理包括所执行算法中的各步骤和动作。由这些过程推导出的算法可以被实现为与一个或多个单用途或多用途处理器相集成并控制其运行的软件；也可以被实现为功能等效电路，如数字信号处理(DSP)电路或应用型专用集成电路(ASIC)；或其他任何合适的实现方式。应当理解，本专利申请中包含的流程图没有给出任何特定电路或任何特定编程语言的语法或操作，也没有给出所需编程语言的类型。而是，流程图给出了本领域技术人员可以利用的功能信息。利用给出的功能信息，本领域技术人员可以制造电路和实现计算机软件算法，进而实现具有本专利所述技术类型的特定装置的运行。应当理解，除非本专利申请另有说明，流程图中所描述的步骤和动作顺序仅仅是为了说明算法的应用；所述步骤和动作顺序在所述专利技术原理下在各具体实现和实施例中可各不相同。
因此，在一些实施例中，本专利所述技术可以实现为计算机可执行指令。计算机可执行指令可以被实施为软件(包括应用软件和系统软件)、固件、中间件、嵌入代码或其他恰当类型的计算机代码。计算机可执行指令可以由任何一种合适的编程语言和/或编程脚本进行编写，并且可以被编译为可在软件框架或虚拟机上执行的可执行机器语言代码和/或中间代码。
当本专利所述技术实现为计算机可执行指令时，这些计算机可执行指令可以以任何合适的方式实现，包括作为多个功能设施。每个功能设施提供一个或多个操作以实现本专利技术算法的运算执行。实例化的“功能设施”是计算机系统的结构组件。当其与一个或多个计算机集成并由一个或多个计算机执行时，所述计算机系统的结构组件会使得一个或多个计算机执行具体的操作角色。功能设施可以是软件元素的一部分或整个软件元素。例如，功能设施可以被实施为过程中的某个功能或离散过程或其他恰当的处理单元。如果本专利所述技术以多个功能设施实现，则每个功能设施以其自身的方式实现；不需要所有功能设施以相同的方式实现。另外，这些功能设施可以以适当的并行和/或串行方式在计算机上执行，并且可以使用计算机的共享内存通过消息传递协议或其他合适的方式彼此之间传递信息。
通常，功能设施包括执行特定任务或实现特定抽象数据类型的方程、程序、对象、组件和数据结构等。功能设施的功能可以根据需要在所运行的系统中组合或分布。在一些实施例中，执行本专利技术的一个或多个功能设施可以一起组成一个完整的软件包。在另一些实施例中，这些功能设施可以与其他不相关的功能设施和/或过程相互交互，以实现软件程序的应用。
本专利陈述文件已给出了用于执行一个或多个任务的一些示例性功能设施。然而，本领域普通技术人员应该理解，所示出的功能设施和任务划分仅仅是可实现本专利所述技术功能设施类型的说明。实施例不限于任何特定数量，任务划分或功能设施类型。在一些实施例中，所有功能可以在单个功能设施中实现。还应当理解，在一些实施例中，本专利陈述文件所述的功能设施可以与其他功能设施一起实施或与其他功能设施分开实施(即作为单个单元或单独的单元)，或某些本专利陈述文件所述的功能设施不被实现。
实现本专利所述技术的计算机可执行指令(如一个或多个功能设施或其他任何合适的方式)可以，在一些实施例中，在一个或多个计算机可读媒介上编码以向该媒介提供功能。计算机可读媒介包括诸如硬盘驱动器的磁性介质，诸如光盘(CD)或数字多功能光驱(DVD)的光学介质，持久或非持久固态存储器(如闪存，磁性RAM等)，或任何其他合适的存储媒介。这种计算机可读媒介可以以任何合适的方式实现。如这里所使用的“计算机可读媒介”(也称为“计算机可读存储媒介”)指的是有形存储媒介。有形存储媒介是非暂时的并且具有至少一个物理结构组件。本专利所使用的“计算机可读媒介”至少一个物理结构组件具有至少一个物理特性。在创建媒介嵌入信息的过程中和记录信息的过程中或任何其他对媒介进行信息编码的过程中，该物理特性会以某种方式改变。例如，计算机可读媒介部分物理结构的磁化状态在记录信息的过程中会被改变。
此外，上述一些技术包含了使用这些技术以某种方式存储信息(如数据和指令)以供使用的动作。在一些诸如将本专利涉及的技术实现为计算机可执行指令的实施例中，信息被编码于计算机可读存储媒介中。本专利描述的某具体结构用为存储信息的有效格式时，当信息编码存储于存储媒介时，这些结构可被赋予物理组织所编码的信息。然后，这些结构可以通过信息交互影响一个或多个处理器的操作以向存储媒介提供功能，比如提高执行处理器的计算机的操作效率。
在部分上述技术实现为计算机可执行指令的实施例中，这些指令可以由在任何合适的计算机系统上运行的一个或多个计算设备执行；或者一个或多个计算设备(或其中的一个或多个处理器)被编程为可执行这些计算机可执行指令。当指令以可读取的方式存储于计算设备或处理器时(如单片超高速缓存器或指令寄存器、可通过总线访问的计算机可读存储媒介、可通过一个或多个网络和设备/处理器访问的计算机可读媒介)，计算设备或处理器可被编程为可执行这些计算机可执行指令。包含这些计算机可执行指令的功能设施可集成于并指导以下设备的运行：单个多功能可编程数字设备、共享处理能力并联合执行本专利所述技术的由两个或多个多用途计算设备组成的协调系统、专用于执行本专利所述技术的单个计算设备或计算设备的协调系统(相同地理位置或处于地理分散位置)、执行本专利所述技术的一个或多个现场可编程逻辑门阵列(FPGA)、或任何其他合适的系统。
计算设备至少包括处理器、网络适配器和计算机可读存储媒介。例如，计算设备可以为台式或个人笔记本电脑、个人数码助理(PDA)、智能手机、服务器或任何其他合适的计算设备。网络适配器为任何合适的硬件和/或软件，以使计算设备能够通过任何合适的计算网络与任何其他合适的计算设备进行有线和/或无线通信。计算网络包括无线接入点、交换机、路由器、网关和/或其他网络设备以及用于在两个或多个计算机(包括因特网)之间交换数据的任何合适的有线和/无线通信媒介。计算机可读媒介可用于存储要处理的数据和/或由处理器执行的指令。处理器能够处理数据和执行指令。数据和指令存储在计算机可读媒介上。
计算设备可以具有另外一个或多个组件和外围设备，包括输入和输出设备。除其他功能之外，这些设备可用于呈现用户界面。可用于提供用户界面的输出设备示例包括用于视觉呈现输出的打印机或显示屏和用于听觉呈现输出的音箱或其他音响设备。可用于提供用户界面的输入设备示例包括键盘和诸如鼠标触摸板的指示设备和数码绘图板。此外，计算设备可以通过语音识别或其他可听格式接收输入信息。
在本专利陈述文件中，已经描述了以电路和/或计算机可执行指令实现本专利所述技术的实施例。应当理解，一些实施例以方法的形式示出。此示出方式下提供了至少一个示例。作为方法的一部分，动作的执行可以以任何恰当的方式排序。因此，实际的实施例可以被构建为与所示出实施例有不同的执行动作顺序，如示例性实施例中的顺序动作可被同时执行。
上述实施例的各个特征可以单独使用、组合使用或者以本专利陈述文件实施例中没有具体讨论的其他布置使用。因此，具体实施例不限于本专利陈述文件中所阐述的和附图中所示出的部件细节和部件布置。例如，一个实施例中所描述的某些特征可以与其他实施例中所描述的某些特征以任何恰当的方式相结合以实现某具体实施例的实施。
在权利要求中使用诸如“第一”“第二”“第三”等序数术语标注权利要素顺序。序数术语本身并不意味着一个权利要求要素优先于另一个权利要求要素或者执行方法中相应操作的执行顺序。实质上，序数术语仅用作标签以区分在不同权利要求中具有特定相同名称的多个权利要求要素。
此外，本专利陈述文件中所使用的措辞和术语仅用于描述目的，不应被视为限制。所使用的“包括”“包含”“具有”“含有”和“涉及”及其变化形式用以涵盖其后所列出的相关项目及其等同物和相应的附加项目。
本专利陈述文件描述中所使用的“示例性”一词意指示例、实例或说明。因此，本专利描述中示例性的任何实施例、实现、过程和特征等应当被理解为说明性示例；除非另有说明，不应被理解为优先或有利的实例。
“一个实施例”“一些实施例”“另一个实施例”“又一个实施例”“一个示例”“示例”“另一个示例”等表示所描述的实施例或示例可包括特定特征、结构、特点、性质、元素和/或限制；并非每个实施例或示例都必须包括该特征、结构、特点、性质、元素和/或限制。此外，本专利陈述文件重复使用的“在一些实施例中”并不代指相同的实施例。
应当理解，由于本专利陈述文件中已经描述了至少一个实施例的多个特征，本领域普通技术人员将会非常容易想到各种改变、修改和改进。这些改变、修改和改进应被视为本公开的一部分，并且应当落入本专利所述原理的精神和范围内。因此，本专利陈述文件中所有的描述和附图仅是示例性的。

Claims (18)

1.旋转设备的状态监测系统，其特征在于，该系统包括：
传感器，安装于旋转设备附近，可用于：
感知旋转设备的振动；
生成对应于旋转设备振动的数字信号；和
传输数字信号；和
通过通信网络与传感器通信的服务器，可用于：
通过通信网络接收来自传感器的数字信号；
决定数字信号的多个本征模态函数；
从多个本征模态函数中选择本征模态函数集；
从本征模态函数集中提取特征集；
将特征集作为输入应用于小波神经网络；和
利用小波神经网络预测旋转设备的寿命百分比。
2.根据权利要求1所述的系统，其特征在于，所述服务器进一步被配置为在用户设备的用户界面上显示旋转设备的剩余有效寿命；所述剩余有效寿命基于寿命百分比确定。
3.根据权利要求1所述的系统，其特征在于，所述服务器被配置为通过计算所述多个本征模态函数峭度值的均值和标准差来选择所述本征模态函数集。
4.根据权利要求1所述的系统，其特征在于，所述传感器是基于微机电系统(MEMS)的传感器。
5.根据权利要求1所述的系统，其特征在于，所述传感器包括用于将振动信号转换为数字信号的微控制器。
6.根据权利要求1所述的系统，其特征在于，所述传感器包括通信模块，所述通信模块通过光学配置与所述通信网络建立连接。
7.根据权利要求1所述的系统，其特征在于，所述的服务器中的本征模态函数为数字信号的固有振荡模式。
8.一种用于旋转设备状态监测的计算机化的方法，其特征在于，该方法包括：
接收由位于旋转设备附近的传感器感知到的与旋转设备振动相对应的数字信号；
决定数字信号的多个本征模态函数；
从多个本征模态函数中选择本征模态函数集；
从本征模态函数集中提取特征集；
将特征集作为输入应用于小波神经网络；和
利用小波神经网络预测旋转设备的寿命百分比。
9.根据权利要求8所述的方法，包括在用户设备的用户界面上显示旋转设备的剩余有效寿命；所述剩余有效寿命基于寿命百分比确定。
10.根据权利要求8所述的方法，包括计算所述多个本征模态函数峭度值的均值和标准差来选择所述本征模态函数集。
11.根据权利要求8所述方法，所述本征模态函数为数字信号的固有振荡模式。
12.根据权利要求8所述的方法，所述中特征集包括时域特征和频域特征的组合。
13.一种用于旋转设备状态监测的系统，其特征在于，该系统包括：
接收器，可用于：
从位于旋转设备附近的传感器接收对应于旋转设备振动的数字信号；和
与接收器通信耦合的处理器，可用于：
将数字信号分解为多个本征模态函数；
从多个本征模态函数中选择模态函数集；
从本征模态函数集中提取特征集；
将特征集作为输入应用于小波神经网络；和
利用小波神经网络预测旋转设备的寿命百分比。
14.根据权利要求13所述的系统，所述处理器进一步被配置为在用户设备的用户界面上显示旋转设备的剩余有效寿命；所述剩余有效寿命基于寿命百分比确定。
15.根据权利要求13所述的系统，还包括发射器；所述发射器与处理器通信耦合，用于将所述旋转设备的剩余有效寿命发送到用户设备。
16.根据权利要求13所述的系统，其特征在于，所述本征模态函数为数字信号的固有振荡模式。
17.根据权利要求13所述的系统，其特征在于，所述的处理器被设置为通过计算所述多个本征模态函数峭度值的均值和标准差来选择所述本征模态函数集。
18.根据权利要求13所述的系统，其特征在于，所述特征集包括时域特征和频域特征的组合。
CN201880074933.1A 2017-09-23 2018-09-21 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 Active CN111356910B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762562365P 2017-09-23 2017-09-23
US62/562,365 2017-09-23
US15/862,146 2018-01-04
US15/862,146 US11188065B2 (en) 2017-09-23 2018-01-04 System and method for automated fault diagnosis and prognosis for rotating equipment
PCT/CA2018/000177 WO2019056087A1 (en) 2017-09-23 2018-09-21 SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT

Publications (2)

Publication Number Publication Date
CN111356910A true CN111356910A (zh) 2020-06-30
CN111356910B CN111356910B (zh) 2022-04-08

Family

ID=65809203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880074933.1A Active CN111356910B (zh) 2017-09-23 2018-09-21 一种实现旋转设备自动故障诊断及寿命预测的系统和方法

Country Status (5)

Country Link
US (1) US11188065B2 (zh)
EP (1) EP3685137B1 (zh)
JP (1) JP6996794B2 (zh)
CN (1) CN111356910B (zh)
WO (1) WO2019056087A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112326236A (zh) * 2020-11-02 2021-02-05 北京信息科技大学 一种齿轮箱运行状态在线监测方法、系统及存储介质
CN113465732A (zh) * 2021-08-13 2021-10-01 重庆大学 基于emd-dnn的振动台结构位移响应预测方法及装置
CN117268961A (zh) * 2023-11-23 2023-12-22 宁波市特种设备检验研究院 一种金属零部件的疲劳失效预警方法

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2019244842B2 (en) 2018-03-28 2024-03-07 L&T Technology Services Limited System and method for monitoring health and predicting failure of an electro-mechanical machine
US11257001B2 (en) * 2018-10-09 2022-02-22 International Business Machines Corporation Prediction model enhancement
CN109977920B (zh) * 2019-04-11 2022-06-07 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN110031226A (zh) * 2019-04-12 2019-07-19 佛山科学技术学院 一种轴承故障的诊断方法及装置
US20200341444A1 (en) * 2019-04-24 2020-10-29 Rob Dusseault Systems and methods for wireless monitoring and control of machinery
CN110188485B (zh) * 2019-06-03 2020-08-25 安徽理工大学 一种滚动轴承动态性能劣化趋势自适应获取方法
CN110160775A (zh) * 2019-06-04 2019-08-23 昆明理工大学 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法
CN110287853B (zh) * 2019-06-20 2021-02-09 清华大学 一种基于小波分解的暂态信号去噪方法
CN110160791B (zh) * 2019-06-27 2021-03-23 郑州轻工业学院 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法
CN110375971B (zh) * 2019-07-11 2020-08-14 北京理工大学 径流式涡轮叶轮和压气机叶轮的加速寿命试验装置及方法
CN110399854B (zh) * 2019-07-31 2020-10-23 中南大学 基于混合特征提取的滚动轴承故障分类方法
CN110458071B (zh) * 2019-08-01 2020-12-15 北京邮电大学 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN110458073B (zh) * 2019-08-01 2021-05-14 北京邮电大学 一种基于MEEMD-Hilbert和多层小波分解的光纤振动信号特征提取方法
EP3792709A1 (de) * 2019-09-10 2021-03-17 Avalance UG (haftungsbeschränkt) Analysevorrichtung für betriebsgeräusche einer werkzeugmaschine
CN110647867B (zh) * 2019-10-09 2022-05-13 中国科学技术大学 基于自适应抗噪声神经网络的轴承故障诊断方法及系统
CN110618353B (zh) * 2019-10-22 2021-04-06 北京航空航天大学 一种基于小波变换+cnn的直流电弧故障检测方法
CN110929768A (zh) * 2019-11-14 2020-03-27 国电大渡河检修安装有限公司 一种机器故障的预测方法
CN110794683A (zh) * 2019-11-27 2020-02-14 中国大唐集团科学技术研究院有限公司华中电力试验研究院 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
CN111027641B (zh) * 2019-12-25 2024-02-13 许昌北邮万联网络技术有限公司 一种旋转机械设备的故障诊断方法及装置
CN111222458A (zh) * 2020-01-06 2020-06-02 浙江工业大学 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法
CN111397868B (zh) * 2020-02-27 2022-02-08 广西电网有限责任公司电力科学研究院 一种基于聚合经验模态分解算法的断路器故障分析方法
DE102020204944A1 (de) 2020-04-20 2021-10-21 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und System zur Diagnose eines Zustands eines Bauteils
CN111444893A (zh) * 2020-05-06 2020-07-24 南昌航空大学 一种矿井提升机主轴装置的故障诊断方法
WO2022036689A1 (en) * 2020-08-21 2022-02-24 Abb Schweiz Ag Method for fault diagnosis using a fault diagnosis model trained by virtual data
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN114152454B (zh) * 2020-09-08 2024-03-22 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN112232212B (zh) * 2020-10-16 2021-09-07 广东石油化工学院 三重并发故障分析方法、系统、大机组设备及存储介质
CN112378605B (zh) * 2020-10-19 2023-06-27 大唐（赤峰）新能源有限公司 一种基于emd分解自学习的风电机组叶片故障识别方法
CN112291733B (zh) * 2020-10-21 2022-07-08 安徽德通智联科技有限公司 基于蓝牙与nbiot双无线技术的智能云振动监测系统及方法
CN112307965B (zh) * 2020-10-30 2021-05-25 哈尔滨市科佳通用机电股份有限公司 一种滚动轴承施封锁丢失和折断故障检测方法
CN112347898B (zh) * 2020-11-03 2024-04-09 重庆大学 一种基于dcae神经网络的滚动轴承健康指标构建方法
CN112633098B (zh) * 2020-12-14 2023-05-30 华中科技大学 一种旋转机械故障诊断方法、系统及存储介质
CN112686144B (zh) * 2020-12-29 2022-03-08 中南大学 一种基于磨音信号的矿石球磨过程负荷识别方法
KR102469614B1 (ko) * 2020-12-31 2022-11-21 주식회사 포스코아이씨티 진동 및 소리의 주파수를 센싱하는 센서모듈 및 이를 포함하는 설비 모니터링 시스템
CN112945162B (zh) * 2021-01-26 2022-05-31 山西大学 一种堆积层滑坡位移预测模型及预测方法
CN112949524B (zh) * 2021-03-12 2022-08-26 中国民用航空飞行学院 一种基于经验模态分解与多核学习的发动机故障检测方法
CN113092043A (zh) * 2021-03-31 2021-07-09 国网四川省电力公司检修公司 一种铁芯松动振动数据采集方法及系统
CN113375941B (zh) 2021-06-08 2023-08-25 西安交通大学 高速动车组轴承的开集故障诊断方法
CN113468688B (zh) * 2021-07-05 2022-12-09 西安交通大学 基于参数优化vmd和加权基尼指数的轴承故障诊断方法
CN113780055B (zh) * 2021-07-19 2024-02-09 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法
CN113642414A (zh) * 2021-07-19 2021-11-12 北京航空航天大学 一种基于Transformer模型的滚动轴承剩余使用寿命预测方法
CN113465733B (zh) * 2021-08-13 2022-04-05 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置
CN113933035B (zh) * 2021-09-30 2023-08-29 中国船舶重工集团公司第七一九研究所 基于相关性分析的旋转机械装备故障诊断方法和系统
CN114112013B (zh) * 2021-11-04 2023-06-30 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN114061746B (zh) * 2021-11-23 2023-06-27 洛阳师范学院 旋转机械故障诊断中的重复瞬变信号提取方法
CN114279728B (zh) * 2021-12-07 2023-07-25 郑州大学 一种振动筛机体的故障诊断方法及系统
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法
KR102500883B1 (ko) * 2021-12-27 2023-02-16 현대건설(주) 머신러닝을 이용한 실시간 진동 신호 기반 회전기계의 건전성 관리 시스템 및 방법
CN114004263B (zh) * 2021-12-29 2022-05-03 四川大学 一种特征融合转换的大型设备工况诊断预测方法
CN114518163B (zh) * 2022-02-21 2024-03-19 无边界(苏州)新材料科技有限公司 一种基于Gaussian-LM算法进行全声态光纤监测的方法
CN114584924A (zh) * 2022-02-28 2022-06-03 长沙融创智胜电子科技有限公司 一种智能无人值守传感器系统及目标识别方法
CN114662702A (zh) * 2022-03-31 2022-06-24 北京百度网讯科技有限公司 故障检测方法、装置、电子设备和介质
WO2023201430A1 (en) * 2022-04-19 2023-10-26 Enertics Inc. Methods and systems for monitoring, diagnosis and prediction of health of an industrial machine having a rotating component
JP2023169060A (ja) * 2022-05-16 2023-11-29 横河電機株式会社 装置、方法およびプログラム
CN114964476B (zh) * 2022-05-27 2023-08-22 中国石油大学(北京) 油气管道系统动设备的故障诊断方法、装置及设备
WO2023230678A1 (pt) * 2022-05-31 2023-12-07 Weg Equipamentos Eletricos S.A. Método e sistema para geração de uma representação de realidade aumentada de deformações vibracionais para uma estrutura
CN115859091B (zh) * 2022-11-01 2023-05-26 哈尔滨工业大学 一种轴承故障特征的提取方法、电子设备及存储介质
CN115423221B (zh) * 2022-11-03 2023-02-07 北京建筑大学 一种设施运行趋势预测方法
CN116224925B (zh) * 2022-12-16 2023-10-24 东莞市沃高实业投资有限公司 一种智能加工管理系统
CN116337445B (zh) * 2023-04-13 2024-02-23 中国航发沈阳发动机研究所 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125419A1 (en) * 2009-11-16 2011-05-26 Nrg Systems, Inc. Data acquisition system for condition-based maintenance
US20130204808A1 (en) * 2012-02-08 2013-08-08 General Electric Company Fault Prediction of Monitored Assets
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
KR101473886B1 (ko) * 2013-12-27 2014-12-18 인하대학교 산학협력단 이상파랑 발생일 추출방법
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮系统多故障诊断方法
CN105424366A (zh) * 2015-12-14 2016-03-23 长春工业大学 基于eemd自适应消噪的轴承故障诊断方法
CN106127184A (zh) * 2016-07-05 2016-11-16 上海电机学院 一种风机齿轮箱故障诊断方法
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN106990303A (zh) * 2017-03-15 2017-07-28 国家电网公司 一种变压器故障诊断方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3449194B2 (ja) * 1997-01-28 2003-09-22 松下電工株式会社 回転機器の異常診断方法およびその装置
US6289735B1 (en) 1998-09-29 2001-09-18 Reliance Electric Technologies, Llc Machine diagnostic system and method for vibration analysis
DE60203458T3 (de) 2001-09-27 2010-02-18 Reliance Electric Technologies, LLC, Mayfield Heights Integrierte Steuerung und Diagnose für ein motorbetriebenes System unter Verwendung von Schwingungs-, Druck-, Temperatur-, Geschwindigkeits-, und/oder Stromanalyse
WO2014042582A1 (en) * 2012-09-11 2014-03-20 S.P.M. Instrument Ab Apparatus for monitoring the condition of a machine
US10352794B2 (en) 2012-10-05 2019-07-16 Siemens Energy, Inc. Turbine blade fatigue life analysis using non-contact measurement and dynamical response reconstruction techniques
WO2015038878A1 (en) 2013-09-12 2015-03-19 Wai Fong Denny Choun Sensor apparatus and related methods
WO2016053748A1 (en) 2014-09-29 2016-04-07 Sikorsky Aircraft Corporation Vibration signatures for prognostics and health monitoring of machinery
US20160245686A1 (en) * 2015-02-23 2016-08-25 Biplab Pal Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data
CN104748961A (zh) 2015-03-30 2015-07-01 中国矿业大学 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法
CN106197999B (zh) 2016-07-08 2019-07-09 山东中衡光电科技有限公司 一种行星齿轮故障诊断方法
CN106052998B (zh) * 2016-07-14 2020-01-31 深圳市信维通信股份有限公司 振动器的测试系统
CN106441888A (zh) 2016-09-07 2017-02-22 广西大学 一种高速列车滚动轴承故障诊断方法
CN107122802A (zh) 2017-05-02 2017-09-01 哈尔滨理工大学 一种基于改进小波神经网络的滚动轴承的故障检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125419A1 (en) * 2009-11-16 2011-05-26 Nrg Systems, Inc. Data acquisition system for condition-based maintenance
US20130204808A1 (en) * 2012-02-08 2013-08-08 General Electric Company Fault Prediction of Monitored Assets
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
KR101473886B1 (ko) * 2013-12-27 2014-12-18 인하대학교 산학협력단 이상파랑 발생일 추출방법
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮系统多故障诊断方法
CN105424366A (zh) * 2015-12-14 2016-03-23 长春工业大学 基于eemd自适应消噪的轴承故障诊断方法
CN106127184A (zh) * 2016-07-05 2016-11-16 上海电机学院 一种风机齿轮箱故障诊断方法
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN106990303A (zh) * 2017-03-15 2017-07-28 国家电网公司 一种变压器故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ABD KADIR MAHAMAD 等: "predicting remaining useful life of rotating machinery based articial neural network", 《COMPUTER AND MATHEMATICS WITH APPLICATIONS》 *
P. WANG AND G. VACHTSEVANOS: "Fault Prognosis Using Dynamic Wavelet Neural Networks", 《AAAI TECHNICAL REPORT SS-99-04. COMPILATION COPYRIGHT © 1999, AAAI (WWW.AAAI.ORG)》 *
RAN ZHANG 等: "Fault Diagnosis from Raw Sensor Data Using Deep Neural Networks Considering Temporal Coherence", 《SENSORS》 *
YAGUO LEI 等: "EEMD method and WNN for fault diagnosis of locomotive roller bearings", 《EXPERT SYSTEMS WITH APPLICATIONS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112326236A (zh) * 2020-11-02 2021-02-05 北京信息科技大学 一种齿轮箱运行状态在线监测方法、系统及存储介质
CN112326236B (zh) * 2020-11-02 2023-04-18 北京信息科技大学 一种齿轮箱运行状态在线监测方法、系统及存储介质
CN113465732A (zh) * 2021-08-13 2021-10-01 重庆大学 基于emd-dnn的振动台结构位移响应预测方法及装置
CN117268961A (zh) * 2023-11-23 2023-12-22 宁波市特种设备检验研究院 一种金属零部件的疲劳失效预警方法
CN117268961B (zh) * 2023-11-23 2024-02-20 宁波市特种设备检验研究院 一种金属零部件的疲劳失效预警方法

Also Published As

Publication number Publication date
US20190095781A1 (en) 2019-03-28
WO2019056087A1 (en) 2019-03-28
EP3685137A1 (en) 2020-07-29
JP2020534550A (ja) 2020-11-26
EP3685137B1 (en) 2023-12-20
EP3685137C0 (en) 2023-12-20
CN111356910B (zh) 2022-04-08
US11188065B2 (en) 2021-11-30
EP3685137A4 (en) 2021-06-30
JP6996794B2 (ja) 2022-01-17

Similar Documents

Publication Publication Date Title
CN111356910B (zh) 一种实现旋转设备自动故障诊断及寿命预测的系统和方法
CA2875071C (en) Method and system for testing operational integrity of a drilling rig
Medjaher et al. Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data
US20150233792A1 (en) Methods and Apparatuses for Defect Diagnosis in a Mechanical System
CN107003663A (zh) 具有活动部分的装置的监视
KR20200101507A (ko) 기계학습을 이용한 회전기계 고장 진단 및 예측시스템
Zhao et al. An integrated framework of drivetrain degradation assessment and fault localization for offshore wind turbines
WO2018159169A1 (ja) 劣化診断システム追加学習方法
Jaber et al. The state of the art in research into the condition monitoring of industrial machinery
Liu et al. Harmonic reducer fault detection with acoustic emission
Albano et al. Advanced sensor-based maintenance in real-world exemplary cases
Yin et al. A new Wasserstein distance-and cumulative sum-dependent health indicator and its application in prediction of remaining useful life of bearing
CN116499742A (zh) 一种基于集成学习的旋转机械故障监测方法
US11429900B1 (en) Systems and methods for automatic detection of error conditions in mechanical machines
JPWO2019035279A1 (ja) 人工知能アルゴリズム
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
JP6192414B2 (ja) 転がり軸受の状態監視装置
US20220365524A1 (en) Device for fault detection and failure prediction by monitoring vibrations of objects in particular industrial assets
Perišic et al. Gearbox fatigue load estimation for condition monitoring of wind turbines
Czyżewski Remote Health Monitoring of Wind Turbines Employing Vibroacoustic Transducers and Autoencoders
US11650184B2 (en) System and method for monitoring rotating equipment
Vermesan et al. An Intelligent Real-Time Edge Processing Maintenance System for Industrial Manufacturing, Control, and Diagnostic
Seppänen Utilizing acoustic measurements in equipment condition monitoring
WO2022113494A1 (ja) 学習装置、学習方法、および故障予知システム
Pandiyan et al. Systematic Review on Fault Diagnosis on Rolling-Element Bearing

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