CN112665713A - 一种基于实时振动数据的往复机械设备故障检测方法 - Google Patents
一种基于实时振动数据的往复机械设备故障检测方法 Download PDFInfo
- Publication number
- CN112665713A CN112665713A CN202011641928.XA CN202011641928A CN112665713A CN 112665713 A CN112665713 A CN 112665713A CN 202011641928 A CN202011641928 A CN 202011641928A CN 112665713 A CN112665713 A CN 112665713A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- data
- amplitude
- real
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于振动数据的往复机械设备故障检测方法,柴油机运行状态监控技术领域。该方法首先针对目标设备,通过工况敏感性分析优选对运行状态最为敏感的测点通道;在目标设备实际运行过程中,实时采集优选的测点通道的振动信号;每获取一个新的数据段,对其进行傅里叶变换,得到傅里叶系数向量;然后将不同数据段的傅里叶系数向量在时间方向上连续排列,得到该通道振动数据的“时间‑频率‑幅值”三维联合分布,再构造“时间‑频率‑幅值增量”三维联合分布和增强“时间‑频率‑幅值增量”三维联合分布;最后与运行工况数据进行对比,检测故障特征。本发明能够实时有效地对往复机械设备进行信息提取,及时发现并定位故障。
Description
技术领域
本发明涉及柴油机运行状态监控技术领域,具体涉及一种基于振动数据的往复机械设备故障检测方法。
背景技术
柴油机、往复泵等典型往复机械设备具有结构复杂、机构精密、高速运动等特点,往复机械设备通常作为动力源或驱动器,属于系统中的重要设备。然而,实际工程中,往复机械设备往往安装环境差、连续工作时间长、可靠性要求高、修理难度大。故障检测对于往复机械设备必不可少,好的检测手段能有效避免重大故障、造成严重经济损失。通常而言,工程上对故障检测的要求是:有故障能发现、有隐患能预警。
该类设备现有故障检测方法主要包括参数超差报警、定期离线检测等方法。参数超差报警通常设置传感器或运行参数的阈值范围,超过范围则进行报警。该方法对传感器数量、布置位置、信号处理模型等有较高要求,实际工程中仅能实现关键部位或重点参数监控,覆盖面有限,大量故障难以有效检测。定期离线检测方法通常以一定的日历时间或运行时间为基础,定期开展温度、振动等参数测试。该方法具有明显的失效性差、随机性强、测试不全面等不足,导致检测结果误差大、故障发现不及时。
此外,柴油机、往复泵等典型往复机械设备常常需要进行持续的信号监测分析,然而传统的时域统计方法对运行工况敏感,且只能初步地判断是否存在异常,无法快速地进行故障定位;频谱分析方法理论上仅仅适用于恒定转速及负载工况,且傅里叶频谱不包含时间信息,无法进行前后比对,容易造成错误报警;时频分析方法能够表达时间-频率-幅值联合信息,但涉及二维矩阵计算,实时性差,且存在时频分辨率无法同时达到最佳的瓶颈制约,还未有一种工程上完美适用的时频分析方法。
因此,如何实时有效地对往复机械设备进行信息提取,及时发现并定位故障,依然是工程现场的一个难题。
发明内容
有鉴于此,本发明提出一种简单有效的基于实时振动数据频率演化谱的往复机械设备故障检测方法。该方法的实现步骤如下:
步骤一:针对目标设备,通过工况敏感性分析优选对运行状态最为敏感的测点通道;
步骤二:在目标设备实际运行过程中,实时采集优选的测点通道的振动信号;每隔10秒的振动信号作为一段,形成时间正序数据段。
步骤三:每获取一个新的数据段,对其进行傅里叶变换,得到傅里叶系数向量;将不同数据段的傅里叶系数向量在时间方向上连续排列,得到该通道振动数据的“时间-频率-幅值”三维联合分布,该三维矩阵分布每隔10秒实时更新;
步骤四:构造“时间-频率-幅值增量”三维联合分布。该三维矩阵分布每隔10秒实时更新;
步骤五:构造增强“时间-频率-幅值增量”三维联合分布;
步骤六:与运行工况数据进行对比,检测故障特征。
进一步地,所述步骤一中优选测点通道的过程包括:设置若干个转速相同、负载递增的运行工况,同步采集若干候选测点的振动信号,计算各测点振动信号在各工况下的均方根值,取不同工况均方根值之差的平均值最大的测点通道,作为对运行状态最为敏感的测点通道,进行后续分析。
进一步地,所述步骤四中构造“时间-频率-幅值增量”三维联合分布的过程包括:计算步骤三中获得的时间-频率-幅值三维联合分布的时间导数,即用后一列的矩阵值减去前一列的矩阵制,得到新的“时间-频率-幅值增量”三维联合分布。
进一步地,所述步骤五中设定最小阈值的过程是:取已知健康状态下的“时间-频率-幅值增量”三维联合分布在额定运行工况的数据,计算每一频率对应的特征分布的均值作为最小阈值,对幅值小于步骤四中所设阈值的点置零,只保留变化超过阈值的点,得到新的增强“时间-频率-幅值增量”三维联合分布。
进一步地,所述步骤六中将所得的增强“时间-频率-幅值增量”三维联合分布与运行工况数据比对,若运行工况未变化,而三维联合分布出现显著提升,则三维联合分布幅值提升处频率值对应故障发生位置,三维联合分布幅值提升时刻对应故障发生时刻。
有益效果:
1、相比于传统时域或频域故障诊断方法,本发明提出的方法适用于非平稳工况,例如转速或负载变化等条件,因此具有良好的工程适用性。
2、相比于传统时频分析方法,本发明提出的方法不需要进行复杂的二维矩阵乘法运算,计算量小,能够快速得到结果,实现实时预警实时定位故障。
3、相比于传统基于人为比对的故障特征提取方法和阈值比较方法,本发明提出的方法不用设置复杂的各个运行工况下的阈值,而是检测特征的变化量,并与运行工况数据比对,通过寻找与工况不同步的特征变化来发现故障,具有更好的鲁棒性。
附图说明
图1为本发明提出的故障检测方法的流程图;
图2为某柴油机缸盖振动数据的“时间-频率-幅值增量”三维联合分布图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于实时振动数据的往复机械设备故障检测方法,该方法的具体实现步骤如下:
步骤一:针对目标设备,设置额定转速下的5种负载状态,分别为100%额定负载、120%额定负载、80%额定负载、50%额定负载、20%额定负载。首先根据经验选取目标设备基座、轴承座、往复运动方向的壳体位置、轴向位置等常用的振动测点,分别在上述5种负载状态下进行10分钟运行,采集各工况下各振动测点数据。设共有10个候选测点,则测得的第m种工况下第n个振动测点的数据写为xmn,其中m=1,2…5,n=1,2…10。计算各测点振动信号在各工况下的均方根值为ymn,则对于测点n,不同工况均方根值之差的平均值zn计算为
取10个候选测点中zn最大的测点作为对运行状态最为敏感的测点,进行后续分析。
优选地,步骤一中,负载状态个数与负载大小、候选测点个数,可根据实际受试设备的特点进行选取。
步骤二:在目标设备实际运行过程中,实时采集步骤一所优选的测点通道振动信号。每隔10秒的振动信号作为一段,形成时间正序数据段。
优选地,步骤二中,每个数据段的时间长度可根据实际情况进行选取。
步骤三:每获取一个新的数据段sa(n)(a=1,2,3…),对其进行傅里叶变换,得到傅里叶系数向量Sa(f)。将不同数据段的傅里叶系数向量在时间方向上连续排列,得到该通道振动数据的“时间-频率-幅值”三维联合分布T(a,f)。该三维矩阵分布每隔10秒实时更新。
步骤四:进一步计算步骤三中获得的时间-频率-幅值三维联合分布T(a,f)的时间导数,即用后一列的矩阵值减去前一列的矩阵制,得到新的“时间-频率-幅值增量”三维联合分布T’(a,f)。该三维矩阵分布每隔10秒实时更新。
步骤五:取“时间-频率-幅值增量”三维联合分布T’(a,f)的均值为最小阈值,将T’(a,f)中小于该最小阈值的元素设为0,得到增强“时间-频率-幅值增量”三维联合分布W(a,f)。
优选地,步骤五中,最小阈值还可以人为给定或由其它方法计算得到。
步骤六:将增强“时间-频率-幅值增量”三维联合分布W(a,f)的特征与实际运行工况数据对比,若W(a,f)中特征与运行工况变化特征一致,则说明该特征由工况变化导致。若工况恒定但在W(a,f)中发现明显特征,则识别为故障特征。
图2给出了某柴油机在平稳运行工况下的增强“时间-频率-幅值增量”三维联合分布,从中可以检测出一系列故障冲击特征。值得说明的是,该信号长度超过1800秒,采样频率为5000Hz,信号总长度为900万,传统的时频分析方法难以实时计算如此大的数据,本方法通过分割比对的思想,能够快速实时地得到该三维联合分布,实现故障频率特征和时间特征的联合表达。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (5)
1.一种基于实时振动数据的往复机械设备故障检测方法,其特征在于,该方法的实现步骤如下:
步骤一:针对目标设备,通过工况敏感性分析优选对运行状态最为敏感的测点通道;
步骤二:在目标设备实际运行过程中,实时采集优选的测点通道的振动信号;
步骤三:每获取一个新的数据段,对其进行傅里叶变换,得到傅里叶系数向量;将不同数据段的傅里叶系数向量在时间方向上连续排列,得到该通道振动数据的“时间-频率-幅值”三维联合分布;
步骤四:构造“时间-频率-幅值增量”三维联合分布;
步骤五:构造增强“时间-频率-幅值增量”三维联合分布;
步骤六:与运行工况数据进行对比,检测故障特征。
2.如权利要求1所述的基于实时振动数据的往复机械设备故障检测方法,其特征在于,步骤一中优选测点通道的过程包括:设置若干个转速相同、负载递增的运行工况,同步采集若干候选测点的振动信号,计算各测点振动信号在各工况下的均方根值,取不同工况均方根值之差的平均值最大的测点通道,作为对运行状态最为敏感的测点通道,进行后续分析。
3.如权利要求2所述的基于实时振动数据的往复机械设备故障检测方法,其特征在于,所述步骤四中构造“时间-频率-幅值增量”三维联合分布的过程包括:计算步骤三中获得的时间-频率-幅值三维联合分布的时间导数,即用后一列的矩阵值减去前一列的矩阵制,得到新的“时间-频率-幅值增量”三维联合分布。
4.如权利要求3所述的基于实时振动数据的往复机械设备故障检测方法,其特征在于,所述步骤五中设定最小阈值的过程是:取已知健康状态下的“时间-频率-幅值增量”三维联合分布在额定运行工况的数据,计算每一频率对应的特征分布的均值作为最小阈值,对幅值小于步骤四中所设阈值的点置零,只保留变化超过阈值的点,得到新的增强“时间-频率-幅值增量”三维联合分布。
5.如权利要求4所述的基于实时振动数据的往复机械设备故障检测方法,其特征在于,所述步骤六中将所得的增强“时间-频率-幅值增量”三维联合分布与运行工况数据比对,若运行工况未变化,而三维联合分布出现显著提升,则三维联合分布幅值提升处频率值对应故障发生位置,三维联合分布幅值提升时刻对应故障发生时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641928.XA CN112665713B (zh) | 2020-12-31 | 2020-12-31 | 一种基于实时振动数据的往复机械设备故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641928.XA CN112665713B (zh) | 2020-12-31 | 2020-12-31 | 一种基于实时振动数据的往复机械设备故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112665713A true CN112665713A (zh) | 2021-04-16 |
CN112665713B CN112665713B (zh) | 2022-05-20 |
Family
ID=75412300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641928.XA Active CN112665713B (zh) | 2020-12-31 | 2020-12-31 | 一种基于实时振动数据的往复机械设备故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112665713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359670A (zh) * | 2021-06-15 | 2021-09-07 | 宁波静合科技有限公司 | 一种基于数据驱动的船舶柴油机故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001099757A (ja) * | 1999-09-29 | 2001-04-13 | Takasago Thermal Eng Co Ltd | ベアリングの異常検出方法 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
CN111693291A (zh) * | 2020-05-28 | 2020-09-22 | 西安交通大学 | 一种基于振动信号的柴油机燃烧故障变工况定量诊断方法 |
-
2020
- 2020-12-31 CN CN202011641928.XA patent/CN112665713B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001099757A (ja) * | 1999-09-29 | 2001-04-13 | Takasago Thermal Eng Co Ltd | ベアリングの異常検出方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
CN111693291A (zh) * | 2020-05-28 | 2020-09-22 | 西安交通大学 | 一种基于振动信号的柴油机燃烧故障变工况定量诊断方法 |
Non-Patent Citations (2)
Title |
---|
黄传金 等: "基于MSST的旋转机械故障诊断研究", 《振动与冲击》 * |
黄斯琪 等: "最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断", 《机械科学与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359670A (zh) * | 2021-06-15 | 2021-09-07 | 宁波静合科技有限公司 | 一种基于数据驱动的船舶柴油机故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112665713B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4859328B2 (ja) | 動力装置の状態監視 | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
US9818242B2 (en) | Gas turbine engine anomaly detections and fault identifications | |
US6675639B1 (en) | Apparatus and method to detect cylinder faults of internal combustion engines via exhaust temperature monitoring | |
US9840935B2 (en) | Rotating machinery monitoring system | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN105865794B (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
CN108801641A (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
CN112665713B (zh) | 一种基于实时振动数据的往复机械设备故障检测方法 | |
Delvecchio et al. | On the use of cyclostationary indicators in IC engine quality control by cold tests | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN113739909A (zh) | 一种基于全尺度时域平均的船舶旋转机械故障诊断方法 | |
JP2000240500A (ja) | 内燃機関の失火検出方法及び装置 | |
CN108931294A (zh) | 一种基于多测点信息融合的柴油机振动冲击来源识别方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
Jin et al. | A vibration-based approach for diesel engine fault diagnosis | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
Lim et al. | Improved blade fault diagnosis using discrete Blade Passing Energy Packet and rotor dynamics wavelet analysis | |
CN110530631A (zh) | 一种基于混合分类器的齿轮单类型故障检测方法 | |
EP4269775A1 (en) | Method and device for detecting misfiring cylinder of reciprocating internal-combustion engine by using torsional vibration signal | |
Wang et al. | Design of pump fault diagnosis system based on T-FMEA | |
Tafreshi et al. | Informative wavelet algorithm in diesel engine diagnosis | |
CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 |
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 |