CN111581762B - 早期故障诊断方法及系统 - Google Patents
早期故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111581762B CN111581762B CN201910116295.1A CN201910116295A CN111581762B CN 111581762 B CN111581762 B CN 111581762B CN 201910116295 A CN201910116295 A CN 201910116295A CN 111581762 B CN111581762 B CN 111581762B
- Authority
- CN
- China
- Prior art keywords
- overrun
- time
- fault
- early
- amplitude
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 230000002265 prevention Effects 0.000 claims description 19
- JBWKIWSBJXDJDT-UHFFFAOYSA-N triphenylmethyl chloride Chemical group C=1C=CC=CC=1C(C=1C=CC=CC=1)(Cl)C1=CC=CC=C1 JBWKIWSBJXDJDT-UHFFFAOYSA-N 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000486463 Eugraphe sigma Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种早期故障诊断方法,依次包括:依次包括如下步骤:获取包含多个时段的一个批次的故障状态信号,在该故障状态信号中指示故障状态参数随时间变化;对多个时段的故障状态信号进行时域分析,判定初步状态指标量是否超过初步阈值,如果判定为“是”,则诊断为“有可能有早期故障”,否则,诊断为“无早期故障”;以及根据“有可能有早期故障”的诊断,对故障状态信号进行时频域分析,判定最终状态指标量是否超过最终阈值,如果判定为“是”,则诊断为“有早期故障”,否则,诊断为“有轻微早期故障”。本发明还提供一种早期故障诊断系统。通过采用上述早期故障诊断方法及系统可以反映早期故障的“非准静态特征”以甄别早期故障的发生。
Description
技术领域
本发明涉及一种早期故障诊断方法,还涉及一种早期故障诊断系统。
背景技术
某些故障发展非常快,早期发现该类故障可以避免恶性、灾难性的后果,而且,早期诊断或者早期监控再辅以剩余寿命预估可以提高系统运行的可靠性和安全性,并且可以在保证可靠性和安全性的前提下优化维护维修等的运营成本,因而早期故障诊断十分重要。而早期故障诊断有别于传统的故障诊断之处在于,早期故障诊断强调在故障早期特征微弱时即能精确地捕捉其故障特征并进行预警。
常见的机械系统故障例如轴承或者齿轮故障等的诊断主要依赖于频域故障特征的甄别。而采用频域故障特征隐含了一个假设,即,其分析的对象时域信号是准静态的,也就是说,其频域特性是不随时间变化的。这一假设对于中后期故障是成立的,但对于早期故障却并不成立。原因很简单,中后期机械故障对于系统动力学的影响在频域内是基本确定的,理论上不会随着时间而变化。而早期故障对系统动力学特性的影响具有随机性,相应地,系统动力学特性会表现出时变特征。
目前现有的所谓早期故障诊断方法方面的专利基本上可以分为以下三种情况:a)虽然某些专利或者文献号称开发了“早期故障诊断”方法,但其所提出的方法本身却并未涉及采用早期故障特有的特征。这又包含两种情况,第一种是,故障特征是动态的,而其所依赖的方法依据仍然是基于纯频域分析的,并未反映早期故障的“非准静态特征”,第二种是,故障特征是静态的,那么早期故障诊断方法与中后期并不会有本质的不同。该类专利或文献实际上只是提出了中后期故障诊断方法,而并非早期故障诊断方法,例如DE3403956、US4645920、DE10138379、US20040055888、US20040226346、CN201420725861、EP1422424;b)采用纯时域信号阈值分析初步决定是否有早期故障,然后采用稀疏算法进一步甄别是否存在早期故障的方法,例如,CN201310701841;c)采用多个传感器信号进行故障特征增强,以期达成早期故障诊断的目的,如US9606164。
近年来随着时频域混合分析方法在早期故障诊断领域的应用,有大量文献与该类研究工作有关,但仅限于算法本身的研究,并没有可以实际应用于工程的早期故障诊断方法或者流程。
发明内容
本发明的目的在于提供一种早期故障诊断的手段,其可以反映早期故障的“非准静态特征”以甄别早期故障的发生。
本发明提供了一种早期故障诊断方法,依次包括如下步骤:获取包含多个时段的一个批次的故障状态信号,在该故障状态信号中指示故障状态参数随时间变化;对所述多个时段的故障状态信号进行时域分析,设定初步状态指标量和对应的初步阈值,并且判定所述初步状态指标量是否超过所述初步阈值,如果判定为“是”,则诊断为“有可能有早期故障”,否则,诊断为“无早期故障”;以及根据“有可能有早期故障”的诊断,对故障状态信号进行时频域分析,设定最终状态指标量和对应的最终阈值,并且判定所述最终状态指标量是否超过所述最终阈值,如果判定为“是”,则诊断为“有早期故障”,否则,诊断为“有轻微早期故障”。
在一个实施方式中,所述初步状态指标量设定为时域幅值超限计数比Rc,所述时域幅值超限计数比Rc通过以下方法限定:所述多个时段由NN段特定时长构成,在所述NN段特定时长中有m段特定时长出现振动超限,则,所述时域幅值超限计数Rc=m/NN;进行所述时频域分析的故障状态信号为所述m段特定时长中的至少一段特定时长的故障状态信号。
在一个实施方式中,在所述时频域分析中,甄别相应幅值超过阈值的波动,计算等效局部频率和等效幅值,将所述等效局部频率与对应故障的特征频率相比,从而甄别对应特征频率的等效幅值超过预定幅值阈值的超限波动。
在一个实施方式中,所述最终状态指标量与超限幅值比Ap和超限时间比Pt相关,所述超限幅值比Ap和所述超限时间比Pt通过以下方法限定:所述超限波动的等效幅值为A,所述预定幅值阈值为TrCl,则所述超限幅值比Ap=A/TrCl;所述多个时段由NN段特定时长构成,一段特定时长为t0,所述超限波动的波形时长为t,则所述超限时间比Pt=t/t0。
在一个实施方式中,所述最终状态指标量通过对所述超限幅值比Ap和所述超限时间比Pt进行数据融合而得到。
在一个实施方式中,数据融合通过以下方法实现:所述最终状态指标量为Hle,针对每个所述超限波动的所述超限时间比Pt相加得到总超限时间比∑Pt,则:当所述总超限时间比∑Pt超过相应阈值时,所述最终状态指标量Hle为比所述最终阈值大的特定值;当任何一个所述超限幅值比Ap超过相应阈值时,所述最终状态指标量Hle为所述特定值;否则,所述最终状态指标量Hle通过将针对每个所述超限波动的所述超限幅值比Ap和所述超限时间比Pt相乘并求和而得到。
在一个实施方式中,所述时频域分析是小波分析、短时傅里叶变换或希尔伯特-黄变换。
在一个实施方式中,获取包含所述一个批次的、连续的多个批次的故障状态信号;并且在判定所述初步状态指标量超过所述初步阈值之后,进行预防虚警的判断,即针对所述多个批次的故障状态信号,判定是否存在连续预定数目的批次中出现所述初步状态指标量超过所述初步阈值的情况,如果判定为“是”,则诊断为“有可能有早期故障”,否则,诊断为“有轻微早期故障”。
本发明还提供一种早期故障诊断系统,包括:存储器,用于存储程序;处理器,用于执行所述程序;所述程序被处理器执行时实现上述的早期故障诊断方法。
本发明可以通过时域分析与时频域分析结合来反映早期故障的“非准静态特征”,从而甄别早期故障的发生。
本发明可以由简至繁分步地对早期故障进行诊断:在故障早期,状态信号例如动力学特性对于故障的反映有随机性表现为“偶尔”的振动等信号超限,因此本发明据此将时域幅值超限计数比定义为初步状态指标量,以作为时域早期故障诊断指示;在初步确定有早期故障的可能性后,对于故障原始信号在预处理后进行时频域(混合)分析,对经过时频域混合分析后的信号进行处理,得到反映特征频率处的超限幅值和超限时间的最终状态指标量以进一步判定是否有早期故障发生。
本发明可以量化确定早期故障的程度,本发明提出的早期故障诊断方法及系统不仅适用于机械系统的故障诊断诸如动力学排故,也可以适用于其它系统的早期故障诊断,例如电机、发电机以及流体液压系统等等。
附图说明
包括附图是为提供对本发明进一步的理解,它们被收录并构成本申请的一部分,附图示出了本发明的实施方式,并与本说明书一起起到解释本发明原理的作用。
附图中:
图1是根据本发明的早期故障诊断方法的总体流程图。
图2A是不包括预防虚警的情况下最终诊断之前的流程图。
图2B是包括预防虚警的情况下最终诊断之前的流程图。
图3是最终诊断的流程图。
图4是示例性地示出早期故障导致的零星超限的时域信号图。
图5是示例性的小波分析的结果图。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步说明,在以下的描述中阐述了更多的细节以便于充分理解本发明,但是本发明显然能够以多种不同于此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎,因此不应以此具体实施方式的内容限制本发明的保护范围。
例如,在说明书中随后记载的第一特征在第二特征上方或者上面形成,可以包括第一和第二特征通过直接联系的方式形成的实施方式,也可包括在第一和第二特征之间形成附加特征的实施方式,从而第一和第二特征之间可以不直接联系。另外,这些公开内容中可能会在不同的示例中重复附图标记和/或字母。该重复是为了简要和清楚,其本身不表示要讨论的各实施方式和/或结构间的关系。进一步地,当第一元件是用与第二元件相连或结合的方式描述的,该说明包括第一和第二元件直接相连或彼此结合的实施方式,也包括采用一个或多个其他介入元件加入使第一和第二元件间接地相连或彼此结合。
如本发明所示,除非上下文明确提示例外情形,“一”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
需要注意的是,这些以及后续其他的附图均仅作为示例,不应该以此作为对本发明实际要求的保护范围构成限制。此外,不同实施方式下的变换方式可以进行适当组合。
参考图1,早期故障诊断方法依次包括数据获取(步骤S1)、初步诊断(步骤S2)和最终诊断(步骤S3)这三个步骤。
在步骤S1中,也即数据获取中,例如通过传感器等采集来获取一个批次的故障状态信号,在该故障状态信号中指示故障状态参数随时间变化,该一个批次可以包含多个时段。故障状态信号为时域信号,该多个时段可以由NN段特定时长例如最近的NN段特定时长构成。NN是任何正整数,例如20、100等,依据需要设定。一段特定时长的时间长度例如依据频率解析度或者精度而设定,可以是任何合适的时长,例如,后面将要描述的图4、图5示出的一段特定时长是5s。这NN段特定时长中的相邻两段特定时长可以是时间上严格连续的,或者是非严格连续的,例如,一段特定时长是采集到的关于上次飞行的,而与其相邻的下一段特定时长是采集到的关于本次飞行中的,只要是按照设定的采集顺序进行采集的即可。每次收集特定时长的故障状态信号,例如声信号、振动信号、压力脉动信号、电流电压信号等原始故障状态信号。如上面所描述的,该一个批次可以包含多个时段,也即,该多个时段可以定义为一个批次,示例性地,将最近的NN段特定时长的故障状态信号定义为一个批次,在后面将会描述的包括预防虚警的实施方式中,可以获取连续的多个批次的故障状态信号。为了使方案更加清楚,示例性地,下面将NN限定为100,一段特定时长限定为5s。
在步骤S2中,也即初步诊断中,对步骤S1中获取到的该多个时段的故障状态信号进行时域分析,设定初步状态指标量和对应的初步阈值,并且判定初步状态指标量是否超过初步状态指标量的初步阈值。例如,初步状态指标量和初步阈值根据时域信号来具体设定。如果上述判定为“是”,也即,当初步状态指标量超过初步阈值时,则诊断为“有可能有早期故障”并进入下一步骤,在包括预防虚警的实施方式中,该下一步骤即是步骤S28(预防虚警),在不包括预防虚警的实施方式中,该下一步骤即是步骤S3(最终诊断);否则,也即,当初步状态指标量未超过初步阈值时,诊断为“无早期故障”。
在步骤S3中,也即最终诊断中,根据“有可能有早期故障”的诊断,对初步诊断中针对的故障状态信号进行时频域分析,设定最终状态指标量Hle和对应的最终阈值Trhl,并且判定最终状态指标量Hle是否超过最终状态指标量Hle的最终阈值Trhl。例如,最终状态指标量Hle和最终阈值Trhl根据时频域分析结果来具体设定。如果上述判定为“是”,也即,当最终状态指标量Hle超过最终阈值Trhl时,则诊断为“有早期故障”;否则,也即,当最终状态指标量Hle未超过最终阈值Trhl时,则诊断为“有轻微早期故障”。时频域分析包括但不限于小波分析、希尔伯特-黄变换(EMD)、以及更传统的短时傅里叶变换等等手段。为了方便描述,下面将时频域分析手段以小波分析为例,图5示例性地示出了小波分析的结果图。
在步骤S3的最终诊断中,如果诊断为“有早期故障”,后续可以根据最终状态指标量Hle来计算对象系统的剩余使用寿命或者损坏的时间(计算RUL/TTF)。
图2A和图2B中分别示例性地示出了不包括预防虚警以及包括预防虚警的实施方式的最终诊断之前的流程图。
图2A和图2B所示的实施方式中,初步状态指标量设定为时域幅值超限计数比Rc,时域幅值超限计数比Rc通过以下方法限定:如上面所描述的,多个时段由最近的NN段特定时长构成,在该NN段特定时长中有m段特定时长出现振动超限,则,时域幅值超限计数Rc=m/NN。此时,步骤S3的最终诊断中进行时频域分析的故障状态信号可以是出现振动超限的m段特定时长中的至少一段特定时长的故障状态信号,例如,可以针对这m段特定时长依次进行时频域分析,只要一段特定时长的故障状态信号的时频域分析结果显示“有早期故障”即停止。图示实施方式中,如上面所举例的,NN设定为100,特定时长设定为5s,则采集最近的100段时长为5s的分段时域信号,如果这100段分段时域信号中,有3段分段时域信号出现振动超限的情况,则时域幅值超限计数Rc=m/NN=3/100。实际操作时,为了计算方便,将时域幅值超限计数Rc换算成百分比,例如Rc=3/100=3%。早期故障不会总是引起振动超限,振动超限的出现表现出一定的随机性,只有在故障已经发展到中后期之后,振动超限才会相对恒定地出现。可以对最近的NN段特定时长进行滚动检测。图4示例性地示出了特定时长为5s的一段分段时域信号,其中,如果幅值超限的阈值设定为1.5,则图中有两处集中出现了幅值超限的情况,也即早期故障导致的零星超限。实际操作中计算出现振动超限的特定时长段数m时,只需要出现一次最大幅值超限,即可算该段分段时域信号超限。
参见图2A和图2B,关于步骤S2的初步诊断,首先,在步骤S21中,计算初步状态指标量,图示实施方式中,即计算时域幅值超限计数比Rc;其次,在步骤S22中,判定初步状态指标量是否超过初步阈值Trrc,也即,判定时域幅值超限计数比Rc是否超过初步阈值Trrc,例如,初步阈值Trrc可以设定为2.5%,如果步骤S21中计算得到的时域幅值超限计数Rc=3%,也即,该判定结果为“是”,则进入下一步骤,在不包括预防虚警的实施方式,也即如图2A所示,直接进入步骤S3(最终诊断)),包括预防虚警的实施方式,也即如图2B所示,进入步骤S28(预防虚警);再如,初步阈值Trrc设定为5%,此时如果步骤S21中计算得到的时域幅值超限计数Rc=3%,该判定结果为“否”,则诊断为“无早期故障”并结束。初步阈值不宜设定过低,以避免偶然性导致的虚警发生。
参见图2B,在包括预防虚警的实施方式中,步骤S2的初步诊断还包括步骤S28的预防虚警,当初步诊断的步骤S22中判定时域幅值超限计数比Rc超过初步阈值Trrc时,紧接在该判定结果之后,进行步骤S28的预防虚警的判断。并且,在步骤S1的数据获取中,获取包含上述一个批次且连续的多个批次的故障状态信号,一个批次包含多个时段。步骤S28中,判定是否存在连续预定数目NM的批次中出现初步状态指标量例如图示实施方式中的时域幅值超限计数比Rc超过初步阈值Trrc的情况,NM可以是2以上的任何正整数,依据需要设定。如果判定为“是”,也即,则诊断为“有可能有早期故障”并进入下一步骤,该下一步骤也即步骤S3(最终诊断);否则,也即,判定为“否”,则诊断为“轻微早期故障”。例如,预定数目NM设定为3,则如果存在连续3个批次中出现时域幅值超限计数比Rc超过初步阈值Trrc的情况,则诊断为“有可能有早期故障”并进入步骤S3的最终诊断,如果仅存在连续2个批次中出现时域幅值超限计数比Rc超过初步阈值Trrc的情况,则诊断为“轻微早期故障”。通过设置预防虚警,可以避免由于偶然性导致的虚警发生。
图3示例性地示出了步骤S3的最终诊断。根据“有可能有早期故障”的诊断,进行最终诊断,在不包括预防虚警的实施方式中,该“有可能有早期故障”的诊断是在步骤S22中诊断出的,而在包括预防虚警的实施方式中,该“有可能有早期故障”的诊断是在步骤S28中诊断出的。在步骤S3中,首先,在步骤S31中,对步骤S2中针对的故障状态信号进行时频域分析,在该时频域分析中,甄别相应幅值超过阈值的波动,这可以通过人眼识别也可以通过机器判断。计算等效局部频率ω和等效幅值A,将等效局部频率ω与对应故障的特征频率相比,从而从时频域分析的结果中甄别对应特征频率的等效幅值A超过预定幅值阈值TrCl的超限波动,也即甄别对应特征频率的超限波动。一种故障可以对应一个特征频率,也可能对应多个不同的特征频率。计算等效局部频率ω和等效幅值A的手段可以有多种方法。例如,等效局部频率ω可以通过以下公式得到:ω=1/2(t01-t02),其中t01、t02分别是相邻的两个波形的零点时间,且t01>t02;而等效幅值A是正向最高点的幅值。图5示例性地示出了小波分析的结果图,从图5中可以看出大致在1.05s和4.05s处出现了超限波动。
参见图3,在步骤S31之后,在步骤S32中,计算最终状态指标量Hle。图示实施方式中,最终状态指标量Hle与超限幅值比Ap和超限时间比Pt相关,超限幅值比Ap和超限时间比Pt通过以下方法限定:超限幅值比Ap=A/TrCl,其中,A是步骤S31中甄别的超限波动的等效幅值;超限时间比Pt=t/t0,其中,t为上述超限波动的波形时长。或者说,Ap是该频率处该时间处幅值超限的倍数,描述了幅值超限的程度,而超限时间比Pt是超限时长占采样时长的占比,描述的是超限的时间长短。例如,t可以是超限波动的一个波形的α%上升沿到α%下降沿之间的时长,α的大小可以根据需要设定,例如,α=30。t也可以是超限波动的一个波形的α%上升沿到下一个α%上升沿之间的时长。图3所示的实施方式中,步骤S31中甄别到n个超限波动。每个超限波动对应一个等效幅值A和一个波形时长t,并且由于一种故障可能对应多个不同的特征频率,所以每个超限波动还对应一个预定幅值阈值TrCl。不同的超限波动可能对应不同的特征频率,也因此可能设定不同的预定幅值阈值TrCl,也即第1、2…n个超限波动分别对应(A1,t1,TrCl1)、(A2,t2,TrCl2)…(Ant,tnt,TrCln),其中,TrCl1、TrCl2…TrCln可能彼此不同,也可能彼此相同。也可以说,每个超限波动对应一个超限幅值比Ap和一个超限时间比Pt,第1、2…n个超限波动分别对应(Ap1=A1/TrCl1,Pt1=t1/t0)、(Ap2=A2/TrCl2,Pt2=t2/t0)…(Apn=An/TrCln,Ptn=tn/t0)。
继续参见图3,步骤S32包括步骤S321和步骤S322。在步骤S321中,依据上述公式针对每个超限波动计算超限幅值比Ap和超限时间比Pt。在步骤S322中,通过对超限幅值比Ap和超限时间比Pt进行数据融合,得到最终状态指标量Hle。具体的数据融合算法可以是综合模糊算法、逻辑判断等等。
在步骤S32中计算得出最终状态指标量Hle之后,在步骤S33中,判定最终状态指标量Hle是否超过最终阈值Trhl,如果判定为“是”,则诊断为“有早期故障”并结束;否则,也即,如果判定为“否”,诊断为“有轻微早期故障”并结束。
超限幅值比Ap描述的是幅值超限的程度,无关该次超限的时间长短,而超限时间比Pt或者后面将会描述的总超限时间比∑Pt描述的是超限的时间长短,无关该次幅值超限的程度,通过将两者进行数据融合,可以评估该早期故障的全面状况。上述的数据融合可以通过以下方法实现:
针对每个超限波动的超限时间比Pt相加得到总超限时间比∑Pt,也即∑Pt=Pt1+Pt2+…Ptn;
当总超限时间比∑Pt超过相应阈值Trpt(例如,Trpt=30%)时,最终状态指标量Hle为比最终阈值Trhl大的特定值H0,例如,H0=1,而Trhl为0.5;
当任何一个超限幅值比Ap超过相应阈值Trap(例如,Trap=3)时,最终状态指标量Hle为比最终阈值Trhl大的特定值H0,例如,H0=1,而Trhl为0.5;
否则,最终状态指标量Hle通过将针对每个超限波动的超限幅值比Ap和超限时间比Pt相乘并求和而得到,也即,Hle=∑(Pt*Ap)=Pt1*Ap1+Pt2*Ap2+…Ptn*Apn。
上述方法可以表述为如下程序语言:
IF(∑Pt>Trpt)
THEN HIe=H0;
ELSEIF(A1OR A2OR…An>Trap)
THEN HIe=H0;
ELSE HIe=∑(Pt*Ap);
另外,还可以在最后加一个判断,当HIe>H0时,使HIe=H0,因此,0<HIe≤H0。
相应地,本发明还提供一种早期故障诊断系统,包括存储器和处理器。其中,存储器用于存储程序,处理器用于执行该程序。该程序被处理器执行时实现上述的早期故障诊断方法。
上述早期故障诊断方法综合考虑了时域和时频域混合信息进行早期诊断,设定了用于早期振动故障监测的时域及时频域状态参数。其提出了新的指示参数(时域幅值超限计数比Rc以及与超限幅值比Ap和超限时间比Pt相关并描述了特征频率处超限的最终状态指标量Hle)作为初始早期故障诊断的状态指示,其中,时域幅值超限计数比Rc作为初步状态指标量,初步地指示早期故障状态,并且通过时频域分析处理获取最终状态指标量Hle,更进一步地指示早期故障状态。而且,时频域分析处理所得到的最终状态指标量Hle融合了特征频率幅值超限信息及超限时长,可以确定早期故障等级(究竟是“轻微早期故障”抑或“早期故障”)。
该早期故障诊断方法采用多个状态参数进行故障信息融合得到最终的早期故障诊断健康指示,提高了早期故障诊断的监测精度和鲁棒性。
该早期故障诊断方法充分考虑和利用了早期故障和中后期故障的关键不同点,有效地划分了早期和中后期故障,并能够对于早期故障进一步按照程度分级。该方法简便易行,物理意义突出,为零部件的全寿命监测争取了反应时间。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种早期故障诊断方法,其特征在于,依次包括如下步骤:
获取包含多个时段的一个批次的故障状态信号,在该故障状态信号中指示故障状态参数随时间变化;
对所述多个时段的故障状态信号进行时域分析,设定初步状态指标量和对应的初步阈值,并且判定所述初步状态指标量是否超过所述初步阈值,如果判定为“是”,则诊断为“有可能有早期故障”,否则,诊断为“无早期故障”;以及
根据 “有可能有早期故障”的诊断,对故障状态信号进行时频域分析,设定最终状态指标量和对应的最终阈值,并且判定所述最终状态指标量是否超过所述最终阈值,如果判定为“是”,则诊断为“有早期故障”,否则,诊断为“有轻微早期故障”;
其中,
在所述时频域分析中,甄别相应幅值超过阈值的波动,计算等效局部频率和等效幅值,将所述等效局部频率与对应故障的特征频率相比,从而甄别对应特征频率的等效幅值超过预定幅值阈值的超限波动;
所述最终状态指标量与超限幅值比Ap和超限时间比Pt相关,所述超限幅值比Ap和所述超限时间比Pt通过以下方法限定:所述超限波动的等效幅值为A,所述预定幅值阈值为TrCl,则所述超限幅值比Ap=A/TrCl;所述多个时段由NN段特定时长构成,一段特定时长为t0,所述超限波动的波形时长为t,则所述超限时间比Pt=t/t0;
所述最终状态指标量通过对所述超限幅值比Ap和所述超限时间比Pt进行数据融合而得到;
数据融合通过以下方法实现:
所述最终状态指标量为Hle,针对每个所述超限波动的所述超限时间比Pt相加得到总超限时间比∑Pt,则:当所述总超限时间比∑Pt超过相应阈值时,所述最终状态指标量Hle为比所述最终阈值大的特定值;当任何一个所述超限幅值比Ap超过相应阈值时,所述最终状态指标量Hle为所述特定值;否则,所述最终状态指标量Hle通过将针对每个所述超限波动的所述超限幅值比Ap和所述超限时间比Pt相乘并求和而得到。
2.如权利要求1所述的早期故障诊断方法,其特征在于,
所述初步状态指标量设定为时域幅值超限计数比Rc,所述时域幅值超限计数比Rc通过以下方法限定:所述多个时段由NN段特定时长构成,在所述NN段特定时长中有m段特定时长出现振动超限,则,所述时域幅值超限计数Rc=m/NN;
进行所述时频域分析的故障状态信号为所述m段特定时长中的至少一段特定时长的故障状态信号。
3.如权利要求1所述的早期故障诊断方法,其特征在于,所述时频域分析是小波分析、短时傅里叶变换或希尔伯特-黄变换。
4.如权利要求1所述的早期故障诊断方法,其特征在于,
获取包含所述一个批次的、连续的多个批次的故障状态信号;并且
在判定所述初步状态指标量超过所述初步阈值之后,进行预防虚警的判断,即针对所述多个批次的故障状态信号,判定是否存在连续预定数目的批次中出现所述初步状态指标量超过所述初步阈值的情况,如果判定为“是”,则诊断为“有可能有早期故障”,否则,诊断为“有轻微早期故障”。
5.一种早期故障诊断系统,包括:
存储器,用于存储程序;
处理器,用于执行所述程序;
其特征在于,所述程序被处理器执行时实现如权利要求1至4中任一项所述的早期故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116295.1A CN111581762B (zh) | 2019-02-15 | 2019-02-15 | 早期故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116295.1A CN111581762B (zh) | 2019-02-15 | 2019-02-15 | 早期故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581762A CN111581762A (zh) | 2020-08-25 |
CN111581762B true CN111581762B (zh) | 2023-04-14 |
Family
ID=72110733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910116295.1A Active CN111581762B (zh) | 2019-02-15 | 2019-02-15 | 早期故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581762B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378633B (zh) * | 2020-11-02 | 2023-03-21 | 上海三菱电梯有限公司 | 机械故障诊断方法 |
CN113093050B (zh) * | 2021-03-31 | 2023-07-07 | 中国矿业大学 | 电缆接地线电流时频特征的电缆早期故障辨识方法及系统 |
CN114044431B (zh) * | 2021-10-08 | 2023-08-01 | 上海三菱电梯有限公司 | 乘客输送装置的梯级滚轮异常监测方法、装置及乘客输送装置 |
CN114565000B (zh) * | 2022-04-28 | 2022-08-12 | 西安航天动力研究所 | 一种球轴承的故障确定方法、设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813560A (zh) * | 2009-12-16 | 2010-08-25 | 洛阳轴研科技股份有限公司 | 动量轮早期故障频谱诊断识别方法 |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
CN106571016A (zh) * | 2016-11-03 | 2017-04-19 | 西安交通大学 | 一种基于报警次数跳变触发机制的机械早期故障判别方法 |
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
DE102017124135A1 (de) * | 2016-10-21 | 2018-04-26 | Computational Systems Inc. | Maschinenfehlervorhersage basierend auf einer Analyse von periodischen Informationen in einem Signal |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9618037B2 (en) * | 2008-08-01 | 2017-04-11 | Honeywell International Inc. | Apparatus and method for identifying health indicators for rolling element bearings |
-
2019
- 2019-02-15 CN CN201910116295.1A patent/CN111581762B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813560A (zh) * | 2009-12-16 | 2010-08-25 | 洛阳轴研科技股份有限公司 | 动量轮早期故障频谱诊断识别方法 |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
DE102017124135A1 (de) * | 2016-10-21 | 2018-04-26 | Computational Systems Inc. | Maschinenfehlervorhersage basierend auf einer Analyse von periodischen Informationen in einem Signal |
CN106571016A (zh) * | 2016-11-03 | 2017-04-19 | 西安交通大学 | 一种基于报警次数跳变触发机制的机械早期故障判别方法 |
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
G.F. Bin, J.J. Gao, X.J. Li, B.S. Dhillon.Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network.Mechanical Systems and Signal Processing.2012,696-711. * |
凡非龙.旋转机械故障诊断与现场动平衡系统研发.中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑.2016,B015-45. * |
Also Published As
Publication number | Publication date |
---|---|
CN111581762A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581762B (zh) | 早期故障诊断方法及系统 | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
Asr et al. | Diagnosis of combined faults in Rotary Machinery by Non-Naive Bayesian approach | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
JP2003526859A5 (zh) | ||
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
Logan et al. | Using the correlation dimension for vibration fault diagnosis of rolling element bearings—II. Selection of experimental parameters | |
JP2003526859A (ja) | 複雑な信号の分解およびモデリング | |
CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
CN109783903A (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
Cui et al. | An investigation of rolling bearing early diagnosis based on high-frequency characteristics and self-adaptive wavelet de-noising | |
Lu et al. | Physics-based intelligent prognosis for rolling bearing with fault feature extraction | |
WO2018139144A1 (ja) | 状態監視方法および状態監視装置 | |
JP2018120407A (ja) | 状態監視方法および状態監視装置 | |
CN110333078B (zh) | 一种滚动轴承退化状态阶段确定方法 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
Schmidt et al. | Localised gear anomaly detection without historical data for reference density estimation | |
Diaz et al. | Stability-based system for bearing fault early detection | |
EP2354945A1 (en) | Noisy monitor detection and intermittent fault isolation | |
CN116070103B (zh) | 基于多测点多指标的旋转设备健康识别方法和设备 | |
Lee et al. | An explainable deep learning-based prognostic model for rotating machinery | |
Jiang et al. | 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering | |
Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory |
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 |