CN111929044A - 用于监控设备状态的方法、装置、计算设备和存储介质 - Google Patents
用于监控设备状态的方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN111929044A CN111929044A CN202010678312.3A CN202010678312A CN111929044A CN 111929044 A CN111929044 A CN 111929044A CN 202010678312 A CN202010678312 A CN 202010678312A CN 111929044 A CN111929044 A CN 111929044A
- Authority
- CN
- China
- Prior art keywords
- signal
- signal segment
- feature
- state
- segment
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及用于监控设备状态的方法、装置、计算设备和存储介质。用于监控设备状态的方法,包括:提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;针对每一个信号片段执行以下步骤:确定该信号片段处于稳态还是非稳态;如果该信号片段处于稳态,则提取该信号片段的第一特征;如果该信号片段处于非稳态,则根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征;以及将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
Description
技术领域
本公开通常涉及工厂数字化技术领域,更具体地,涉及用于监控设备状态的方法、装置、计算设备和存储介质。
背景技术
目前,工业设备的结构越来越复杂,而对于设备安全性和可靠性的要求也越来越高。需要实时地监控和分析设备的安全状态。根据有关的调查研究,70%的机械故障可以通过振动信号检测到,因此振动监测是PHM(Prognostics Health Management,预后健康管理)的主流解决方案。在过程工业中广泛使用一些商业振动分析软件,但是在离散工业中,比如汽车生产线中很少使用这些振动分析软件。主要原因在于在汽车生产线中进行振动分析可能存在一些问题。
以汽车生产线中的链床为例,链床的任务是组合底盘和车体,每个操作周期时间大约是15秒。在这个场景中存在以下问题:
1.在每个操作周期中,整个振动信号包括加速过程,恒速过程和降速过程。振动分析软件无法处理不稳定的信号,因为关键技术FFT只对稳定信号有效。然而,一些故障,例如连杆轴承故障和转子裂纹故障等,在非稳态信号特征中容易检测到。
2.不稳定信号诊断需要来自现场操作的丰富经验以及信号处理知识,这对于现场工程师是一个巨大的挑战。
在现有技术中,针对不稳定工作状态,一些设备专家可以通过进行可变速度测试来确定故障类型,不同的噪声和不同的振动信号意味着不同的故障性能。诊断过程取决于专家的手工操作,因此无法实时监控。
此外,对于振动分析软件,通常的方法是进行滤波来去除不稳定的信号,仅提取稳定信号特征来进行故障诊断。
因此,虽然非稳态信号非常重要,然而在目前的应用中,相关的处理方法并不常见。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
有鉴于此,本发明提出了一种用于监控设备状态的方法,利用该方法可以从待监控设备的信号中提取包括每个信号周期的完整信息的特征,从而可以更加准确地对设备进行预测维护或者故障诊断。
根据本公开的一个方面,提供了用于监控设备状态的方法,包括:提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;针对每一个信号片段执行以下步骤:确定该信号片段处于稳态还是非稳态;如果该信号片段处于稳态,则提取该信号片段的第一特征;如果该信号片段处于非稳态,则根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征;以及将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
通过这样的方式,可以从待监控设备中提取包括稳态信号和非稳态信号的完整信息的特征,以用于监控待监控设备的状态。
可选地,在上述方面的一个示例中,所述信号还包括转速信号和电流信号中的至少一项。
通过这样的方式,不仅可以对振动信号进行分析,还可以分析转速信号、电流信号等其它信号。
可选地,在上述方面的一个示例中,其中,确定该信号片段处于稳态还是非稳态包括:对提取的信号进行数据清洗;提取该信号片段的工作状态变化因子;以及根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
通过这样的方式,可以确定一个信号片段处于稳态还是非稳态。
可选地,在上述方面的一个示例中,对于处于非稳态的信号片段,根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征包括:对所述信号片段进行因子提取,来确定该信号片段中的分量;根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重;以及利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
通过这样的方式,可以选择合适的算法来提取非稳态信号片段中的特征。
可选地,在上述方面的一个示例中,所述第一特征包括:时域特征和频率特征。
通过这样的方式,可以利用频域特征来确定故障位置,并且利用时域特征来判断故障的严重程度。
可选地,在上述方面的一个示例中,所述方法还包括:利用所述组合特征对所述待监控设备进行预测维护或者故障诊断。
通过这样的方式,可以利用所提取的特征更加准确地对所述待监控设备进行预测维护或者故障诊断。
根据本公开的另一方面,提供了用于监控设备状态的装置,包括:信号提取单元,被配置为提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;信号状态确定单元,被配置为确定一个信号片段处于稳态还是非稳态;第一特征提取单元,被配置为提取一个信号片段的第一特征;第二特征提取单元,被配置为根据信号的特性,在算法库中选择适当的算法来提取一个信号片段的第二特征;以及特征组合单元,被配置为将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
可选地,在上述方面的一个示例中,所述信号还包括转速信号和电流信号中的至少一项。
可选地,在上述方面的一个示例中,所述信号状态确定单元进一步被配置为:对提取的信号进行数据清洗;提取该信号片段的工作状态变化因子;以及根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
可选地,在上述方面的一个示例中,所述第二特征提取单元进一步被配置为:对所述信号片段进行因子提取,来确定该信号片段中的分量;根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重;以及利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
可选地,在上述方面的一个示例中,所述第一特征提取单元进一步被配置为:提取信号片段的时域特征和频率特征。
可选地,在上述方面的一个示例中,用于监控设备状态的装置还包括:状态监控单元,被配置为利用所述组合特征对所述待监控设备进行预测维护或者故障诊断。可选地,在上述方面的一个示例中,所述装置还包括:通知单元,其被配置为在所计算的刀具的剩余寿命小于预定阈值时发出通知。
根据本公开的另一方面,提供了计算设备,包括:至少一个处理器;以及与所述至少一个处理器耦合的一个存储器,所述存储器用于存储指令,当所述指令被所述至少一个处理器执行时,使得所述处理器执行如上所述的方法。
根据本公开的另一方面,提供了一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的方法。
附图说明
参照下面结合附图对本发明实施例的说明,会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。附图中:
图1是示出了根据本公开的一个实施例的用于监控设备状态的方法的示例性过程的流程图。
图2示出了从汽车生产线的链床所提取的振动信号200的示意图。
图3示出了将图2中的振动信号放大的示意图。
图4示出了图1中的步骤S104的一种示例性过程的流程图。
图5示出了图1中的步骤S108的一种示例性过程的流程图。
图6是示出了根据本公开的一个实施例的用于监控设备状态的装置的示例性配置的框图。
图7示出了根据本公开的实施例的用于进行设备状态监控的计算设备700的方框图其中,附图标记如下:
100:用于监控设备状态的方法 S102、S104、S106、S108、S110、S112、
S1042、S1044、S1046、S1082、S1084、
S1086:步骤
200:振动信号 201、202:振动信号200的两个周期
203:加速阶段 204:匀速阶段
205:减速阶段 600:用于监控设备状态的装置
602:信号提取单元 604:信号状态确定单元
606:第一特征提取单元 608:第二特征提取单元
610:特征组合单元 700:计算设备
702:处理器 704:存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
本公开提出了一种通过提取信号特征来监控设备状态的方法,所提取的特征包括每个信号周期的完整的有用信息,不仅包括稳态信号的特征还包括非稳态信号的特征。根据本发明的方法,可以方便地对离散工业中的振动信号进行准确地分析,尤其适合应用于在汽车生产线中对设备进行状态监控。例如,由于本发明的方法可以从非稳态信号中提取特征,因此可以诊断出在非稳态信号中容易检测到的连杆轴承故障和转子裂纹故障等。在下文中以从汽车生产线上的设备提取的信号为例进行说明,但是本领域技术人员可以理解,根据本发明的方法不限于对汽车生产线上的设备进行状态监控。
下面将结合附图来描述根据本公开的实施例的用于监控设备状态的方法和装置。
图1是示出了根据本公开的一个实施例的用于监控设备状态的方法100的示例性过程的流程图。
在图1中,首先在步骤S102中,提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段。
图2示出了从汽车生产线的链床所提取的振动信号200的示意图。
通过图2可以看出汽车生产线的振动信号所具有的特性:离散性、短时间、变化的工作状态等。
由于这些特性,难以采用目前常用的振动分析软件来对汽车生产线的振动信号进行分析,如上所述,现有的振动分析通常是过滤掉不稳定的信号,仅提取稳定信号特征来进行故障诊断,而这样可能会过滤掉一些重要的反映出设备故障的信号。
图3示出了将图2中的振动信号200放大的示意图,图3中包括振动信号200的两个周期201和202。从图3中可以看到,振动信号200的一个周期201包括加速阶段203、匀速阶段204和减速阶段205。
在本发明的方法中,将信号的一个周期分为多个信号片段来分别提取信号特征。例如可以将预定时间长度的信号作为一个信号片段,来将一个周期的信号划分为多个信号片段,一个信号片段的时间长度可以由本领域技术人员根据信号的特性来预先设定,本发明对于如何将信号划分为多个信号片段以及信号片段的时间长度不做限定,在此不再详述。
其中,对于匀速阶段的信号片段,可以称该信号片段处于稳态,对于加速阶段和减速阶段的信号片段,可以称该信号片段处于非稳态。
在根据本公开的方法中,对于一个信号片段,首先确定其处于稳态还是非稳态,然后针对稳态信号片段和非稳态信号片段分别采用不同的方法来提取其特征。
因此,在步骤S104中,针对每一个信号片段:确定该信号片段处于稳态还是非稳态。
图4示出了图1中的步骤S104的一种示例性过程的流程图。
如图4所示,在子步骤S1042中,对该信号片段进行数据清洗。例如去除信号片段中异常点等。
在子步骤S1044中,提取该信号片段的工作状态变化因子。
具体地,可以采用一些通用的特征提取算法,来提取工作状态变化因子,例如可以提取转速变化范围、电流变化范围、振动峰值强度变化范围等因子。
在本公开中对于所采用的特征提取算法以及所提取的工作状态变化因子的类型不做限定,本领域技术人员可以理解提取工作状态变化因子的具体过程,在此不再详述。
最后,在子步骤S1046中,根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
接下来,如果在步骤S104中确定该信号片段处于稳态,则执行下面的步骤S106,如果确定该信号片段处于非稳态,则执行下面的步骤S108。
在步骤S106中,提取信号片段的第一特征。例如,可以提取信号的片段的时域特征和频域特征。具体地,时域特征可以包括RMS(均方根)、峭度(Kurtosis)等特征,频域特征可以包括FFT-能量(傅里叶变换能量)、峰值等特征。
在一个具体示例中,例如,针对处于稳态的一个信号片段S1,可以分别提取其时域特征X11和X12以及频域特征X13和X14,可以将时域特征和频域特征进行组合构成第一特征的特征向量:[X11,X12,X13,X14],对于信号片段S2可以得到其第一特征的特征向量为[X21,X22,X23,X24],以此类推。
通常,在振动分析中,可以利用频域特征来确定故障位置,并且利用时域特征来判断故障的严重程度。
如果确定信号片段处于非稳态,则执行步骤S108。在步骤S108中,可以根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征。
当设备处于变速状态下,会出现非稳态信号。在现有的振动信号分析方案中,这样的不稳定信号通常就被放弃了。然而,在汽车制造工业,在这些非稳态信号中可以提取很多有用的故障信息,比如连接轴承、电机转子故障等。虽然非稳态信号非常重要,然而在实际应用中,相关的处理方法并不常见,这给现场工程师带来了很大的挑战。
在本发明中,预先构建了一个非稳态信号处理算法库,可以针对不同类型的非稳态信号推荐不同的算法。
例如,脉冲信号需要WPT(Wavelet package transform,小波包变换)方法来提取特征;具有未知基频的谐波频率变化信号通常用STFT(Short time Fourier Transform,短时傅里叶变换)来提取特征;而如果信号的基频已知,则优选采用Kalman(卡尔曼)滤波来提取特征。
在本说明书中举例说明了针对不同类型的非稳态信号可以采用的几种算法,本领域技术人员可以理解,在本发明方法中可以采用的算法不限于以上几种,只要是可以对非稳态信号进行特征提取的算法,都可以用于本发明,所有这些算法构成了本发明中的算法库。
图5示出了图1中的步骤S108的一种示例性过程的流程图。
如图5所示,首先在子步骤S1082中,针对该非稳态信号的信号片段进行因子提取,来确定该信号片段中的具体分量。通过因子提取,可以将信号分为不同的分量,比如脉冲因子、谐波因子、宽带因子等,并且可以确定每种分量各自的比例。
接着,在子步骤S1084中,根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重。
例如,可以利用专家系统(expert system)来推荐适当的算法和参数。每种算法的权重可以按照每种分量的百分比来计算。
通过子步骤S1084的操作,可以确定一组算法及其相应的权重。
在子步骤S1086中,利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
在一个具体示例中,例如,针对一个非稳态信号片段Su1确定了5种算法,每种算法的权重分别是W11、W12、W13、W14和W15,对该非稳态信号片段分别执行这5种算法,分别得到5个特征Y11、Y12、Y13、Y14和Y15,将这个特征及其权重进行组合,可以得到该非稳态信号片段Su1的第二特征的特征向量[W11Y11,W12Y12,W13Y13,W14Y14,W15Y15];类似地,对于一个非稳态信号片段Su2所提取的第二特征的特征向量可能是[W21Y21,W22Y22,W23Y23,W24Y14,W25Y25],以此类推。
以加速信号为例,可以得到其速度变化曲线,通过STFT变换,可以得到振动信号的STFT频谱。基于该频谱,可以清楚地看到整个能量改变趋势,这包含用于提取特征的足够信息。
最后,在步骤S110中,将所提取的每一个信号片段的所述第一特征或者所述第二特征进行组合得到能够监控待监控设备的状态的组合特征。
对于一个操作周期,完整的信号包括稳态部分和非稳态部分,因此,完整的特征向量应该包括稳态特征和非稳态特征。将通过上述步骤获得的针对每一个信号片段所提取的第一特征或者第二特征组合起来,构成了这一个周期信号的完整特征。
例如,可以将如以上所述的稳态信号片段S1的第一特征的特征向量[X11,X12,X13,X14]、稳态信号片段S2的第一特征的特征向量[X21,X22,X23,X24]…和非稳态信号片段Su1的第二特征的特征向量[W11Y1,W12Y2,W13Y3,W14Y4,W15Y5]、非稳态信号片段Su2的第二特征的特征向量[W21Y21,W22Y22,W23Y23,W24Y14,W25Y25]…全部组合起来,得到一个周期信号的完整的特征向量[W1Y1,W2Y2,W3 Y3,W4Y4,W5Y5,W21Y21…,X11,X12,X13,X14,X21,X22,X23,X24…,W22Y22,W23Y23,W24Y14,W25Y25…]。
在组合第一特征和第二特征时,也可以按照信号分量的比例,给每个特征设定相应的权重。
在一个示例中,方法100还可以包括步骤S112,利用得到的组合特征对待监控设备进行预测维护或者故障诊断等。
在上面的实施例中,通过扩展算法库和修改相应的权重可以对不同的振动信号进行处理。以上是以提取待监控设备的振动信号为例进行说明,在另一个示例中,还可以进一步提取待监控设备的其他信号,例如转速信号、电流信号等。对于提取的不同信号的处理方法与振动信号类似,都是针对每一个信号片段确定是稳态还是非稳态,再对于不同状态的信号片段采用不同方法来提取特征,最后将稳态部分的特征和非稳态部分的特征组合到一起,用于监控设备的状态,在此不再详述。
图6是示出了根据本公开的一个实施例的用于监控设备状态的装置600的示例性配置的框图。
如图6所示,用于监控设备状态的装置600包括:信号提取单元602、信号状态确定单元604、第一特征提取单元606、第二特征提取单元608和特征组合单元610。
其中,信号提取单元602被配置为提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段。
信号状态确定单元604被配置为确定一个信号片段处于稳态还是非稳态;
第一特征提取单元606被配置为提取一个信号片段的第一特征;
第二特征提取单元608被配置为根据信号的特性,在算法库中选择适当的算法来提取一个信号片段的第二特征。
特征组合单元610被配置为将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到用于监控所述待监控设备的状态的特征。
其中,从待监控设备提取的信号还可以包括转速信号和电流信号中的至少一项。
其中,所述信号状态确定单元604进一步被配置为:对提取的信号进行数据清洗;提取该信号片段的工作状态变化因子;以及根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
其中,所述第二特征提取单元608进一步被配置为:对所述信号片段进行因子提取,来确定该信号片段中的分量;根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重;以及利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
其中,所述第一特征提取单元606进一步被配置为:提取信号片段的时域特征和频率特征。
在一个示例中,用于监控设备状态的装置600还包括状态监控单元612,其被配置为利用所述组合特征对所述待监控设备进行预测维护或者故障诊断。
可以将通过本发明的方法所生成的完整的特征向量提供给第三方系统来使用,也可以将根据本发明的用于监控设备状态的装置与故障诊断系统集成,来进行待监控设备的预测维护或者故障诊断,或者实现与待监控设备的状态有关的其他应用。
需要说明的是,图6所示的用于监控设备状态的装置600及其组成单元的结构仅仅是示例性的,本领域技术人员可以根据需要对图6所示的结构框图进行修改。
用于监控设备状态的装置600的各个部分的操作和功能的细节例如可以与参照结合图1-5描述的本公开的用于监控设备状态的方法100的实施例的相关部分相同或类似,这里不再详细描述。
根据本发明的方法和装置,可以自动提取信号特征,该特征包括每个信号周期的完整的有用信息,从而可以更加准确地对设备进行预测维护或者故障诊断。
根据本发明的方法和装置,可以处理不同的振动信号,只需要扩展算法库和修改相应地权重。
根据本发明的方法所提取的信号的特征可以提供给第三方系统使用,例如可以利用所提取的特征作为输入来训练机器模型,也可以由第三方系统进行预测维护或者故障诊断。
根据本发明的装置,可以方便地与诊断系统集成,以对设备进行预测维护或者故障诊断。
如上参照图1至图6,对根据本公开的实施例的用于监控设备状态的方法和装置的实施例进行了描述。以上所述的用于监控设备状态的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
图7示出了根据本公开的实施例的用于进行设备状态监控的计算设备700的方框图。根据一个实施例,计算设备700可以包括至少一个处理器702,处理器702执行在计算机可读存储介质(即,存储器704)中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器704中存储计算机可执行指令,其当执行时使得至少一个处理器702完成以下动作:提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;针对每一个信号片段执行以下步骤:确定该信号片段处于稳态还是非稳态;如果该信号片段处于稳态,则提取该信号片段的第一特征;如果该信号片段处于非稳态,则根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征;以及将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
应该理解,在存储器704中存储的计算机可执行指令当执行时使得至少一个处理器702进行本公开的各个实施例中以上结合图1-6描述的各种操作和功能。
根据一个实施例,提供了一种非暂时性机器可读介质。该非暂时性机器可读介质可以具有机器可执行指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本公开的各个实施例中以上结合图1-6描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.用于监控设备状态的方法,包括:
提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;
针对每一个信号片段执行以下步骤:
确定该信号片段处于稳态还是非稳态;
如果该信号片段处于稳态,则提取该信号片段的第一特征;
如果该信号片段处于非稳态,则根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征;以及
将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
2.如权利要求1所述的方法,其中,所述信号还包括转速信号和电流信号中的至少一项。
3.如权利要求1或2所述的方法,其中,确定该信号片段处于稳态还是非稳态包括:
对提取的信号进行数据清洗;
提取该信号片段的工作状态变化因子;以及
根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
4.如权利要求1或2所述的方法,其中,对于处于非稳态的信号片段,根据信号的特性,在算法库中选择适当的算法来提取该信号片段的第二特征包括:
对所述信号片段进行因子提取,来确定该信号片段中的分量;
根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重;以及
利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
5.如权利要求1或2所述的方法,其中,所述第一特征包括:时域特征和频率特征。
6.如权利要求1或2所述的方法,还包括:利用所述组合特征对所述待监控设备进行预测维护或者故障诊断。
7.用于监控设备状态的装置(600),包括:
信号提取单元(602),被配置为提取待监控设备的至少一个周期的信号,所述信号至少包括振动信号,所述信号的一个周期包括多个信号片段;
信号状态确定单元(604),被配置为确定一个信号片段处于稳态还是非稳态;
第一特征提取单元(606),被配置为提取一个信号片段的第一特征;
第二特征提取单元(608),被配置为根据信号的特性,在算法库中选择适当的算法来提取一个信号片段的第二特征;以及
特征组合单元(610),被配置为将针对所述每一个信号片段所提取的第一特征或者第二特征进行组合,得到能够监控所述待监控设备的状态的组合特征。
8.如权利要求7所述的装置(600),其中,所述信号还包括转速信号和电流信号中的至少一项。
9.如权利要求7或8所述的装置(600),其中,所述信号状态确定单元(604)进一步被配置为:
对提取的信号进行数据清洗;
提取该信号片段的工作状态变化因子;以及
根据所述工作状态变化因子确定所述信号片段处于稳态还是非稳态。
10.如权利要求7或8所述的装置,其中,所述第二特征提取单元(608)进一步被配置为:
对所述信号片段进行因子提取,来确定该信号片段中的分量;
根据每种分量的比例,在算法库中选择相应的算法,并且确定每种算法的权重;以及
利用所选择的算法及其相应的权重来提取该非稳态信号片段的第二特征。
11.如权利要求7或8所述的装置,其中,所述第一特征提取单元(606)进一步被配置为:提取信号片段的时域特征和频率特征。
12.如权利要求7或8所述的装置,还包括:状态监控单元(612),被配置为利用所述组合特征对所述待监控设备进行预测维护或者故障诊断。
13.计算设备(700),包括:
至少一个处理器(702);以及
与所述至少一个处理器(702)耦合的一个存储器(704),所述存储器用于存储指令,当所述指令被所述至少一个处理器(702)执行时,使得所述处理器(702)执行如权利要求1到6中任意一项所述的方法。
14.一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678312.3A CN111929044B (zh) | 2020-07-15 | 2020-07-15 | 用于监控设备状态的方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678312.3A CN111929044B (zh) | 2020-07-15 | 2020-07-15 | 用于监控设备状态的方法、装置、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929044A true CN111929044A (zh) | 2020-11-13 |
CN111929044B CN111929044B (zh) | 2023-08-08 |
Family
ID=73312425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678312.3A Active CN111929044B (zh) | 2020-07-15 | 2020-07-15 | 用于监控设备状态的方法、装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929044B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1191968A (zh) * | 1998-01-14 | 1998-09-02 | 西安交通大学 | 基于扭振的回转机械状态监测方法 |
CN103335785A (zh) * | 2013-06-24 | 2013-10-02 | 西安交通大学 | 一种基于阶比-全息谱原理的非稳态动平衡方法 |
CN104866633A (zh) * | 2015-05-27 | 2015-08-26 | 安徽容知日新信息技术有限公司 | 一种设备振动数据处理方法、装置及系统 |
CN107909156A (zh) * | 2017-10-27 | 2018-04-13 | 安徽容知日新科技股份有限公司 | 一种设备状态检测方法及计算设备 |
CN108955855A (zh) * | 2018-06-08 | 2018-12-07 | 山东大学 | 面向旋转机械的振动信号特征提取方法、监测方法及装置 |
CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
US20200116594A1 (en) * | 2018-10-11 | 2020-04-16 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
US20200175956A1 (en) * | 2018-11-30 | 2020-06-04 | Harman International Industries, Incorporated | Adaptation enhancement for a road noise cancellation system |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
-
2020
- 2020-07-15 CN CN202010678312.3A patent/CN111929044B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1191968A (zh) * | 1998-01-14 | 1998-09-02 | 西安交通大学 | 基于扭振的回转机械状态监测方法 |
CN103335785A (zh) * | 2013-06-24 | 2013-10-02 | 西安交通大学 | 一种基于阶比-全息谱原理的非稳态动平衡方法 |
CN104866633A (zh) * | 2015-05-27 | 2015-08-26 | 安徽容知日新信息技术有限公司 | 一种设备振动数据处理方法、装置及系统 |
CN107909156A (zh) * | 2017-10-27 | 2018-04-13 | 安徽容知日新科技股份有限公司 | 一种设备状态检测方法及计算设备 |
CN108955855A (zh) * | 2018-06-08 | 2018-12-07 | 山东大学 | 面向旋转机械的振动信号特征提取方法、监测方法及装置 |
CN109297713A (zh) * | 2018-08-07 | 2019-02-01 | 浙江大学 | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 |
US20200116594A1 (en) * | 2018-10-11 | 2020-04-16 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
US20200175956A1 (en) * | 2018-11-30 | 2020-06-04 | Harman International Industries, Incorporated | Adaptation enhancement for a road noise cancellation system |
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
张龙;胡俊锋;熊国良;陈慧;: "滚动轴承循环故障特征增强的自相关非局部平均算法", 机械设计与研究, no. 02 * |
纪国宜;赵淳生;: "振动测试和分析技术综述", 机械制造与自动化, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN111929044B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | ARX model-based gearbox fault detection and localization under varying load conditions | |
Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
Assaad et al. | Vibration based condition monitoring of a multistage epicyclic gearbox in lifting cranes | |
EP2156159B1 (en) | System and method for bearing fault detection using stator current noise cancellation | |
EP2374015B1 (en) | System and method for motor fault detection using stator current noise cancellation | |
CN108361207B (zh) | 一种用于离心泵振动监测与故障预警的装置及方法 | |
KR101607047B1 (ko) | 결함 검출을 위한 신호 분석 방법 및 장치 | |
US10975849B2 (en) | Condition monitoring system and wind turbine including the same | |
WO2014022204A2 (en) | Estimating remaining useful life from prognostic features discovered using genetic programming | |
Kumar et al. | A combined approach for weak fault signature extraction of rolling element bearing using Hilbert envelop and zero frequency resonator | |
CN110779724A (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
CN117482443B (zh) | 一种消防设备健康监测方法及系统 | |
Ghods et al. | A frequency-based approach to detect bearing faults in induction motors using discrete wavelet transform | |
CN111929044B (zh) | 用于监控设备状态的方法、装置、计算设备和存储介质 | |
Gelman et al. | Novel adaptation of the spectral kurtosis for vibration diagnosis of gearboxes in non-stationary conditions | |
CN117157515A (zh) | 异常诊断装置和异常诊断方法 | |
JP6869156B2 (ja) | 状態監視装置および状態監視方法 | |
US10012566B2 (en) | Parametric trending architecture concept and design | |
KR101752298B1 (ko) | 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법 | |
US9829540B2 (en) | Method and controller for determining an undesired condition in an electrical drive system | |
CN112441254B (zh) | 发动机滑油系统的性能检测方法及装置、存储介质、终端 | |
US20200274477A1 (en) | Fault determination apparatus, motor driving system, and failure determination method | |
Lopez-Hernandez et al. | Detection of broken bars on induction motors using MODWT | |
RU2532762C1 (ru) | Способ диагностики и оценки остаточного ресурса электроприводов переменного тока | |
JP2021071354A (ja) | 軸受診断システム、および、軸受診断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |