CN111810418A - 一种故障检测方法及系统 - Google Patents
一种故障检测方法及系统 Download PDFInfo
- Publication number
- CN111810418A CN111810418A CN202010522398.0A CN202010522398A CN111810418A CN 111810418 A CN111810418 A CN 111810418A CN 202010522398 A CN202010522398 A CN 202010522398A CN 111810418 A CN111810418 A CN 111810418A
- Authority
- CN
- China
- Prior art keywords
- loading
- factors
- loading factors
- matrix
- acquiring
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种故障诊断方法及系统，其中方法，包括以下步骤：S1:获取离心泵在正常模式的第一多源特征信号；S2:对所述第一多源特征信号进行去噪，得到第一三维时变频谱阵列；S3:根据所述第一三维时变频谱阵列获取多个第一加载因子；S4:获取离心泵在故障模式下的多个第二加载因子；S5:将所述多个第二加载因子与所述多个第一加载因子进行比较，获得故障的位置和类型，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障和故障位置，有效提高诊断精准度。
Description
技术领域
本发明涉故障检测领域，尤其涉及一种故障检测方法及系统。
背景技术
离心泵主要是利用机械能或其他能量使流体的位能、压力能和动能增加，从而完成流体的输送，可以使流体从低位区到高位区，或者从低压区到高压区，在化工行业中是必不可少的机械设备。具有较广的适用性能、尺寸小、质量轻，低成本、结构较简单、操作方便、故障少、寿命长、排出液体无脉动等优点，由于泵的结构简单、经久耐用因此被广泛用于农田灌溉、石油化工工程、水利工程、冶金和造船等。
离心泵主要包括泵体(蜗壳，泵轴，叶轮等)、吸水管路、压水管路及其附件，叶轮由于长期负载运转，使用条件恶劣，很容易发生故障。离心泵的故障诊断主要包括叶轮故障信息检测、特征提取和状态识别。
在现有技术中，在分析大规模数据的特性时，主元分析法(PCA，pricipalcomponent analysis)方法，即通过统计学的知识将信号的高维数据映射到一个低维空间来分析信号的特性。还有独立成分分析法(ICA，independentcomponentanalysis)方法，在提取多维信号的特征上取得了不错的效果。但是由于离心泵的故障检测因为振动信号繁多，样本抽取工作量大，且复杂，上述方法均是在二维的角度进行非线性分析，在进行多故障状态识别时精度不高。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种故障检测方法及系统，具有检测精度高、能有效检测故障和故障位置的优点。
本发明解决上述技术问题的技术方案如下：一种故障检测方法，包括以下步骤：
S1:获取离心泵在正常模式的第一多源特征信号；
S2:对所述第一多源特征信号进行去噪，得到第一三维时变频谱阵列；
S3:根据所述第一三维时变频谱阵列获取多个第一加载因子；
S4:获取离心泵在故障模式下的多个第二加载因子；
S5:将所述多个第二加载因子与所述多个第一加载因子进行比较，获得故障的位置和类型。
本发明的有益效果是，通过获取离心泵在正常模式的第一多源特征，这里多源特征是指离心泵不同位置的信号特征，经过去噪后得到第一三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障和故障位置，有效提高诊断精准度。
进一步，所述第一多源特征信号为离心泵不同位置的振动信号、声信号、流量信号和压力信号中的一种或多种。
采用上述进一步方案的有益效果是，离心泵发生故障时，不同位置上的振动信号、声信号、流量信号和压力信号会明显发生变化，通过检测其中一种信号能粗略识别出故障的位置和类型，通过采集多种信号，能进一步提高诊断的精准度。
进一步，所述S3具体包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
采用上述进一步方案的有益效果是，对一三维时变频谱阵列进行多尺度平行因子分解，改善和提高非线性特征信号的时频空三维特征分析精度,从中成功多个第一加载因子,完成多源特征信号融合优化,保证特征提取后建立过程状态变量、故障模式、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，重构与多源信号对应的独有的时间-频率-空间三维矢量空间非线性故障特征模型，实现多源故障特征自适应辨识，提高诊断精准度。
进一步，所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
采用上述进一步方案的有益效果是，通过对比故障模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种和对应的正常模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种能有效识别出故障，且通过幅度加载因子能检测出故障的深度。
进一步，所述S2中利用小波变换法对所述第一多源特征信号进行去噪。
采用上述进一步方案的有益效果是，小波变换是一种信号的时间——尺度(时间——频率)分析方法，它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较低的时间分辨率和较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，在分析非平稳的信号和提取信号的局部特征。
进一步，所述S4具体包括：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
采用上述进一步方案的有益效果是，通过获取离心泵在故障模式的第二多源特征，这里多源特征是指离心泵不同位置的信号特征，经过去噪后得到第二三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
一种故障检测系统，包括：数据获取模块、去噪模块、数据分析模块和比较模块；
所述数据获取模块用于获取离心泵在正常模式的第一多源特征信号并发送至所述去噪模块；
所述去噪模块用于对所述第一多源特征信号进行去噪，获得第一三维时变频谱阵列并发送至所述数据分析模块；
所述数据分析模块用于根据所述第一三维时变频谱阵列获取多个第一因子加载并发送至比较模块；所述数据分析模块还用于获取离心泵在故障模式下的多个第二加载因子并发送至所述比较模块；
所述比较模块用于对所述多个第二加载因子与所述多个第一加载因子进行比较，输出故障的位置和类型。
本发明的有益效果是，过获取离心泵在正常模式的第一多源特征，这里多源特征是指离心泵不同位置的信号特征，经过去噪后得到第一三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
进一步，所述数据分析模块获取多个第一因子的具体过程包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
采用上述进一步方案的有益效果是，对一三维时变频谱阵列进行多尺度平行因子分解，改善和提高非线性特征信号的时频空三维特征分析精度,从中成功多个第一加载因子,完成多源特征信号融合优化,保证特征提取后建立过程状态变量、故障模式、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，重构与多源信号对应的独有的时间-频率-空间三维矢量空间非线性故障特征模型，实现多源故障特征自适应辨识，提高诊断精准度。
进一步，所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
采用上述进一步方案的有益效果是，通过对比故障模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种和对应正常模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种能有效识别出故障，且通过幅度加载因子能检测出故障的深度。
进一步，所述数据分析模块获取多个第二因子加载因为的过程为：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
采用上述进一步方案的有益效果是，通过获取离心泵在故障模式的第二多源特征，这里多源特征是指离心泵不同位置的信号特征，经过去噪后得到第二三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
附图说明
图1为本发明一种故障诊断方法流程示意图；
图2为本发明一种故障诊断系统连接关系图；
图3为本发明一个实施例的数据分析结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参照图1，一种故障检测方法，包括以下步骤：
S1:获取离心泵在正常模式的第一多源特征信号；
S2:对所述第一多源特征信号进行去噪，得到第一三维时变频谱阵列；
S3:根据所述第一三维时变频谱阵列获取多个第一加载因子；
S4:获取离心泵在故障模式下的多个第二加载因子；
S5:将所述多个第二加载因子与所述多个第一加载因子进行比较，获得故障的位置和类型。
通过获取离心泵在正常模式的第一多源特征，这里第一多源特征是指离心泵不同位置的信号特征，经过去噪后得到第一三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
所述第一多源特征信号为离心泵不同位置的振动信号、声信号、流量信号和压力信号中的一种或多种。
离心泵发生故障时，不同位置上的振动信号、声信号、流量信号和压力信号会明显发生变化，通过检测其中一种信号能粗略识别出故障的位置和类型，通过采集多种信号，能进一步提高诊断的精准度。
在本实施例中，数据采集系统采用SCXI信号采集系统，分别用于采集振动信号、声音信号、流量信号、压力信号以及温度等，通过计算机进行存储和分析。
采集第一多源特征信号具体过程为：
S101：将无故障的部件(F1)安装到离心泵中，确保泵中其他组件均无故障，通入清水，启动电机，设置离心泵的转速为1200rpm，在离心泵工作稳定后记录数据；
S102：将离心泵依次将转速调整为1400rpm、1600rpm、1800rpm、2000rpm、2200rpm、2400rpm、2600rpm、2800rpm进行实验并记录数据，以此作为正常模式下的第一多源特征信号；
在S101和S102的基础上，采集第二多源特征信号的具体过程为：
S4011：将离心泵中的无故障的部件(F1)替换为穿孔损伤故障部件(F2)，其它部件不变，重复上述S102进行实验并记录数据，以此作为第一种故障模式下的第二多源特征信号；
S4012：将离心泵中的穿孔损伤故障部件(F2)替换为磨损故障部件(F3)，其它部件不变，重复上述S102进行实验并记录数据，以此作为第二种故障模式下的第二多源特征信号；
S4013：将离心泵中的磨损故障部件(F3)替换为外缘磨损故障部件(F4)，其它部件不变，重复上述S102进行实验并记录数据，以此作为第三种故障模式下的第二多源特征信号。
无故障的部件(F1)、穿孔损伤故障部件(F2)、磨损故障部件(F3)、外缘磨损部件(F4),为离心泵部件损坏的常见类型，其中每种模式提取不同转速下的第一多源特征信息和第二多源特征信息，为故障检测分析提供丰富的样本数据，应当知道的是，离心泵损坏部件类型并不局限于上述的四种模式，部件还可包括叶轮、泵轴等。
所述S3具体包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
，Dj是行和列为j的单位对角三维数据矩阵的重组二维矩阵，同理,Dk是行和列为k的单位对角三维数据矩阵的重组二维矩阵,Di是行和列为i的单位对角三维数据矩阵的重组二维矩阵；Ej是由eijk(i＝1,…,I,j＝1,…,J,k＝1,…,K,)形成I×J×K的三维误差集E在j维度的分量，同理，Ek是三维误差集E在k维度的分量,Ei是三维误差集E在i维度的分量；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
对一三维时变频谱阵列进行多尺度平行因子分解，改善和提高非线性特征信号的时频空三维特征分析精度,从中成功多个第一加载因子,完成多源特征信号融合优化,保证特征提取后建立过程状态变量、故障模式、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，重构与多源信号对应的独有的时间-频率-空间三维矢量空间非线性故障特征模型，实现多源故障特征自适应辨识，提高诊断精准度。
所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
通过对比故障模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种和对应的正常模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种能有效识别出故障，且通过幅度加载因子能检测出故障的深度。
参照图3，在本实施例中，以第二种故障模式下的振动信号和正常模式下的振动信号经过小波分析和平行因子分解后分解为3个Mode,通过MATLAB对原始数据进行处理，对比左边的正常模式下的振动信号分解图和右边的第二种故障模式下的振动信号分解图，可明显看出差别，本方法可精确检测出故障，其中主分1、2、3分别代表原始振动信号中的主要描述本信号的特征的特征信息。
所述S2中利用小波变换法对所述第一多源特征信号进行去噪。
小波变换是一种信号的时间——尺度(时间——频率)分析方法，它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较低的时间分辨率和较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，在分析非平稳的信号和提取信号的局部特征。
所述S4具体包括：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
在本实施例中，第二三维时变频谱阵列获取的方法与第一三维时变频谱阵列获取的方法相同，第二加载因子的获取方法与第一加载因子的获取方法相同，参加S3的具体过程。
通过获取离心泵在故障模式的第二多源特征，这里第二多源特征是指离心泵不同位置的信号特征，经过去噪后得到第二三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
实施例2
参照图2，在实施例1的基础上，一种故障检测系统，包括：数据获取模块、去噪模块、数据分析模块和比较模块；
所述数据获取模块用于获取离心泵在正常模式的第一多源特征信号并发送至所述去噪模块；
所述去噪模块用于对所述第一多源特征信号进行去噪，获得第一三维时变频谱阵列并发送至所述数据分析模块；
所述数据分析模块用于根据所述第一三维时变频谱阵列获取多个第一因子加载并发送至比较模块；所述数据分析模块还用于获取离心泵在故障模式下的多个第二加载因子并发送至所述比较模块；
所述比较模块用于对所述多个第二加载因子与所述多个第一加载因子进行比较，输出故障的位置和类型。
获取离心泵在正常模式的第一多源特征，这里第一多源特征是指离心泵不同位置的信号特征，经过去噪后得到第一三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
在本实施例中，数据获取模块采用SCXI信号采集系统，分别用于采集振动信号、声音信号、流量信号、压力信号以及温度等，去噪模块、数据分析模块和比较模块均采用计算机。
所述数据分析模块获取多个第一因子的具体过程包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
，Dj是行和列为j的单位对角三维数据矩阵的重组二维矩阵，同理,Dk是行和列为k的单位对角三维数据矩阵的重组二维矩阵,Di是行和列为i的单位对角三维数据矩阵的重组二维矩阵；Ej是由eijk(i＝1,…,I,j＝1,…,J,k＝1,…,K,)形成I×J×K的三维误差集E在j维度的分量，同理，Ek是三维误差集E在k维度的分量,Ei是三维误差集E在i维度的分量；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
对一三维时变频谱阵列进行多尺度平行因子分解，改善和提高非线性特征信号的时频空三维特征分析精度,从中成功多个第一加载因子,完成多源特征信号融合优化,保证特征提取后建立过程状态变量、故障模式、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，重构与多源信号对应的独有的时间-频率-空间三维矢量空间非线性故障特征模型，实现多源故障特征自适应辨识，提高诊断精准度。
所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
通过对比故障模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种和对应的正常模式下的幅度加载因子、时间加载因子和频率加载因子中的一种或多种能有效识别出故障，且通过幅度加载因子能检测出故障的深度。
所述数据分析模块获取多个第二因子加载因为的过程为：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
通过获取离心泵在故障模式的第二多源特征，这里多源特征是指离心泵不同位置的信号特征，经过去噪后得到第二三维时变频谱阵列，完成多源特征信号融合优化,保证特征提取后建立过程状态变量、状态模式(正常模式和故障模式)、多源振动特征信号在时间、频率、空间三维特征矢量空间中最佳优化非线性对应关系，再通过对比多个第一加载因子和多个第二加载因子，当故障模式下的第二加载因子和正常模式下的第一加载因子有明显区别时，即可检测出故障的位置和类型，有效提高诊断精准度。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，即应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
Claims (10)
1.一种故障检测方法，其特征在于，包括以下步骤：
S1:获取离心泵在正常模式的第一多源特征信号；
S2:对所述第一多源特征信号进行去噪，得到第一三维时变频谱阵列；
S3:根据所述第一三维时变频谱阵列获取多个第一加载因子；
S4:获取离心泵在故障模式下的多个第二加载因子；
S5:将所述多个第二加载因子与所述多个第一加载因子进行比较，获得故障的位置和类型。
2.根据权利要求1所述的方法，其特征在于，所述第一多源特征信号为离心泵不同位置的振动信号、声信号、流量信号和压力信号中的一种或多种。
3.根据权利要求2所述的方法，其特征在于，所述S3具体包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
4.根据权利要求3所述的方法，其特征在于，所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
5.根据权利要求1-4任一所述的方法，其特征在于，所述S2中利用小波变换法对所述第一多源特征信号进行去噪。
6.根据权利要求1-4任一所述的方法，其特征在于，所述S4具体包括：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
7.一种故障检测系统，其特征在于，包括：数据获取模块、去噪模块、数据分析模块和比较模块；
所述数据获取模块用于获取离心泵在正常模式的第一多源特征信号并发送至所述去噪模块；
所述去噪模块用于对所述第一多源特征信号进行去噪，获得第一三维时变频谱阵列并发送至所述数据分析模块；
所述数据分析模块用于根据所述第一三维时变频谱阵列获取多个第一因子加载并发送至比较模块；所述数据分析模块还用于获取离心泵在故障模式下的多个第二加载因子并发送至所述比较模块；
所述比较模块用于对所述多个第二加载因子与所述多个第一加载因子进行比较，输出故障的位置和类型。
8.根据权利要求7所述的系统，其特征在于，所述数据分析模块获取多个第一因子的具体过程包括：
S301:将所述第一三维时变频谱阵列，记为xi,j,k，进行平行因子分解，则xi,j,k的分量分别为：
其中，A＝[a1,a2,…af]为I×F矩阵，B＝[b1,b,…bf]为J×F矩阵,C＝[c1,c2,…cf]为K×F矩阵；
S302:将所述第一三维时变频谱阵列xi,j,k进行多尺度时频分解；
S303:确定因子数目F；
S304:初始化加载矩阵B和C；
S305:通过最小二乘回归算法加载矩阵B和C来估计A，即A＝XZ′(ZZ′)-1,
Z′为Z的转置矩阵；
S306:通过最小二乘回归算法加载矩阵A和B来估计C,即C＝XZ1′(Z1Z1′)-1,
Z1′为Z1的转置矩阵；
S307:通过最小二乘回归算法加载矩阵A和C来估计B,即B＝XZ2′(Z2Z2′)-1,
Z2′为Z2的转置矩阵；
S308:重复S302-S307，直到收敛,获得多个第一加载因子。
9.根据权利要求8所述的系统，其特征在于，所述多个第一加载因子为幅度加载因子、时间加载因子和频率加载因子中的一种或多种。
10.根据权利要求7-9任一所述的系统，其特征在于，所述数据分析模块获取多个第二因子加载因为的过程为：
S401:获取离心泵在故障模式的第二多源特征信号；
S402:对所述第二多源特征信号进行去噪，得到第二三维时变频谱阵列；
S403:根据所述第二三维时变频谱阵列获取多个第二因子加载因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010522398.0A CN111810418B (zh) | 2020-06-10 | 2020-06-10 | 一种故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010522398.0A CN111810418B (zh) | 2020-06-10 | 2020-06-10 | 一种故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111810418A true CN111810418A (zh) | 2020-10-23 |
| CN111810418B CN111810418B (zh) | 2022-02-11 |
Family
ID=72846481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010522398.0A Active CN111810418B (zh) | 2020-06-10 | 2020-06-10 | 一种故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111810418B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010092238A1 (en) * | 2009-02-12 | 2010-08-19 | Enercomp Oy | Energy efficiency observer |
| CN110159554A (zh) * | 2019-05-24 | 2019-08-23 | 武汉工程大学 | 基于主元分析和序贯概率比检验的离心泵故障诊断方法 |
| CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
| CN111126633A (zh) * | 2019-12-20 | 2020-05-08 | 淮南市阶梯电子科技有限公司 | 一种矿用多级离心泵的故障自动诊断方法 |
| CN111259990A (zh) * | 2020-02-27 | 2020-06-09 | 江苏科技大学 | 基于多源信息融合的海水泵故障监测装置与诊断方法 |
-
2020
- 2020-06-10 CN CN202010522398.0A patent/CN111810418B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010092238A1 (en) * | 2009-02-12 | 2010-08-19 | Enercomp Oy | Energy efficiency observer |
| CN110159554A (zh) * | 2019-05-24 | 2019-08-23 | 武汉工程大学 | 基于主元分析和序贯概率比检验的离心泵故障诊断方法 |
| CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
| CN111126633A (zh) * | 2019-12-20 | 2020-05-08 | 淮南市阶梯电子科技有限公司 | 一种矿用多级离心泵的故障自动诊断方法 |
| CN111259990A (zh) * | 2020-02-27 | 2020-06-09 | 江苏科技大学 | 基于多源信息融合的海水泵故障监测装置与诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭文琪 等: "基于多源信号融合的离心泵叶轮磨损故障分析", 《工矿自动化》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111810418B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Sparse representation of transients in wavelet basis and its application in gearbox fault feature extraction | |
| Lan et al. | Fault diagnosis on slipper abrasion of axial piston pump based on extreme learning machine | |
| CN110567574B (zh) | 一种旋转叶片叶端定时振动参数辨识方法与系统 | |
| Ma et al. | Scattering transform and LSPTSVM based fault diagnosis of rotating machinery | |
| US10436924B2 (en) | Denoising seismic data | |
| CN112686110A (zh) | 一种离心泵故障诊断方法、装置、设备及存储介质 | |
| CN104697767B (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
| CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
| CN111043050A (zh) | 一种离心泵故障诊断方法及系统 | |
| Shokrolahi et al. | A deep network solution for intelligent fault detection in analog circuit | |
| Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
| CN111810418B (zh) | 一种故障检测方法及系统 | |
| CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN113780151B (zh) | 一种双线性特征融合的轴承故障诊断方法及系统 | |
| Chen et al. | Vibration analysis with lifting scheme and generalized cross validation in fault diagnosis of water hydraulic system | |
| CN118173121A (zh) | 设备运行状态评估方法、装置、计算机设备和存储介质 | |
| CN110160642B (zh) | 一种小样本条件下的螺旋桨噪声线谱重构方法 | |
| CN112528553A (zh) | 基于深度卷积生成对抗网络的发动机喘振信号模拟方法 | |
| CN116222753A (zh) | 一种转子系统故障敏感特征提取方法及系统 | |
| Yang et al. | Multi-source and multi-fault condition monitoring based on parallel factor analysis and sequential probability ratio test | |
| Huang et al. | An Accurate Prediction Algorithm of RUL for Bearings: Time‐Frequency Analysis Based on MRCNN | |
| CN107704825A (zh) | 基于自适应集成多小波的机械设备故障特征提取方法 | |
| CN111896256A (zh) | 基于深度核处理的轴承故障诊断方法 | |
| CN111444659A (zh) | 基于改进粒子滤波的离心泵故障诊断方法、系统和介质 |
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 |