CN112901472A - 一种基于信号特征频率自动识别柱塞泵故障的诊断方法 - Google Patents
一种基于信号特征频率自动识别柱塞泵故障的诊断方法 Download PDFInfo
- Publication number
- CN112901472A CN112901472A CN202110110021.9A CN202110110021A CN112901472A CN 112901472 A CN112901472 A CN 112901472A CN 202110110021 A CN202110110021 A CN 202110110021A CN 112901472 A CN112901472 A CN 112901472A
- Authority
- CN
- China
- Prior art keywords
- plunger pump
- characteristic frequency
- signal
- automatically identifying
- fault
- 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
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及柱塞泵监测技术的领域,尤其涉及一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其方法步骤为:S100、对柱塞泵的多能域信号进行采集和预处理;S200、对预处理后的多能域信号进行特征频率自动识别;S300、提取特征频率进行故障特征识别,从而判断出柱塞泵的故障诊断。本发明的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,通过对柱塞泵多能域的信号进行采集,对采集的信号进行特征频率计算,并进行自动识别,从而推导出柱塞泵的健康状态及故障类型,实现了柱塞泵故障的自动化诊断,检测的可靠性高,增加了故障检测的准确性,使工作人员能够及时发现并解决问题,减少出现漏检和误判的现象,提高了工作效率。
Description
技术领域
本发明涉及柱塞泵监测技术的领域,尤其涉及一种基于信号特征频率自动识别柱塞泵故障的诊断方法。
背景技术
柱塞泵在渗滤液处理、海水淡化、消防灭火等领域有着广泛的应用。由于使用环境恶劣、工况复杂,柱塞泵在长期运行中容易出现柱塞磨损、回程套件磨损、弹簧力下降等故障,或者由于压力过低、转速异常等情况导致泵内部零件配合出现异常。
现有技术中对柱塞泵等旋转机械的故障诊断主要依靠测取设备运行时的振动、噪声、温度、压力、电流等信号并对其进行分析来实现,但单一某类型的信号包含的信息有限,不能完全反应设备的运行状况,所以如何利用多能域信号对设备的健康状态进行综合分析,是提高故障诊断准确性的关键。
目前工业现场对柱塞泵的故障检测主要依靠人工巡检的方式,即现场人员通过观察管路压力、流量或根据泵运行中是否出现异响来判断柱塞泵的健康状态。这种检测方式由于受人为因素影响,故障检测准确率低,难以及时发现问题,容易出现漏检和误判,现场人员也难以制定最佳的维护方案。在发生紧急性故障时需要大量应急人力排查,花费的人力成本和时间成本都比较高。
通过在柱塞泵关键测点加装传感器,采集并分析柱塞泵运行时的信号特征,能够准确诊断柱塞泵当前的健康状态及故障类型,但要求分析人员有较高的知识储备和丰富的图谱分析经验,这在工业现场往往是难以实现的。
发明内容
本发明要解决的技术问题是:为了解决现有技术中依靠人工巡检工业现场的柱塞泵是否出现故障和分析人员难以通过采集的信号特征判断柱塞泵故障的技术问题,本发明提供一种基于信号特征频率自动识别柱塞泵故障的诊断方法,对柱塞泵多能域信号进行特征频率的自动识别,从而实现柱塞泵故障的自动诊断。
本发明解决其技术问题所采用的技术方案是:
一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其方法步骤为:
S100、对柱塞泵的多能域信号进行采集和预处理;
S200、对预处理后的多能域信号进行特征频率自动识别;
S300、提取特征频率进行故障特征识别,从而判断出柱塞泵的故障诊断。
进一步,根据需要,在执行S100之前,在柱塞泵端面沿轴向安装一个振动加速度传感器和一个噪声传感器,并设定采集时长为T,数据点数为N。
进一步,S100中通过振动加速度传感器采集振动加速度信号x0(n),通过噪声传感器采集噪声信号y0(n)。
进一步,为了方便后续计算,减少其他因素的干扰,提高计算的准确度,S100中采用MATLAB软件中的DETREND函数去除x0(n)和y0(n)中的直流偏置成分和低频扰动。
进一步,S200包括:S201、对x0(n)进行低通滤波;S202、对低通滤波后的x0(n)信号进行加权处理;S203、对加权处理后的x0(n)信号进行峰值提取;S204、根据提取的数值进行转频识别。
进一步,S300中的故障特征识别包括转速异常、配合不良和松靴故障。
进一步,所述的转速异常、配合不良和松靴故障的识别方法为阈值比较。
本发明的有益效果是,本发明的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,通过对柱塞泵多能域的信号进行采集,对采集的信号进行特征频率计算,并进行自动识别,从而推导出柱塞泵的健康状态及故障类型,实现了柱塞泵故障的自动化诊断,检测的可靠性高,增加了故障检测的准确性,使工作人员能够及时发现并解决问题,减少出现漏检和误判的现象,提高了工作效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明一种基于信号特征频率自动识别柱塞泵故障的诊断方法的流程框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,是本发明最优实施例,一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其方法步骤为:
在执行步骤S100之前,在柱塞泵端面沿轴向安装一个振动加速度传感器和一个噪声传感器,并设定采集时长为T,数据点数为N。
S100、对柱塞泵的多能域信号进行采集和预处理:
多能域信号包括振动加速度信号x0(n)和噪声信号y0(n),通过振动加速度传感器采集柱塞泵的端面轴向振动加速度信号x0(n),通过噪声传感器采集柱塞泵的噪声信号y0(n),并对采集的x0(n)和y0(n)进行预处理,其预处理的方法为采用MATLAB软件中的DETREND函数去除x0(n)和y0(n)中的直流偏置成分和低频扰动;
S200、对预处理后的x0(n)进行特征频率自动识别:
S201、对x0(n)进行低通滤波:
由以下公式对x0(n)进行频域低通滤波,减小振动信号中高频振荡成分,滤波后信号记为x1(n):
其中e为自然常数,j为虚数单位,H(k)为频率响应函数:
S202、对低通滤波后的x0(n)信号进行加权处理:
由以下公式对x1(n)进行加权处理,使低幅值的频率分量更加容易识别,加权后的信号记为x2(n),
其中Re表示取实运算;
S203、对加权处理后的x0(n)信号进行峰值提取:
对低通滤波和加权处理后的振动信号按以下步骤进行峰值提取;
S2031、采用MATLAB软件中的FINDPEAKS函数对x2(n)进行峰值提取,峰值的幅值坐标和位置坐标构成二维数组[A],设数组[A]的长度为M;
S2032、对数组[A]中的元素按幅值高低重新排序,得到二维数组[B]。提取数组[B]中元素的位置坐标分量,构成一维数组[p];
S2033、由以下公式计算数组[p]第i(i=1,2,…,M-1)个元素与第j(j=i+1,i+2,…,M)个元素的比值R:
S2034、对R进行四舍五入的取整运算,得到S=round(R);
S2035、判断S与R的数值关系,如果满足:
|S-R|≤ε1&S≥2,
则记录当前pi、pj和S的值,否则返回步骤(3)继续进行迭代,其ε1为误差阈值;
S204、根据提取的数值进行转频识别:
由以下公式计算转频fr:
根据配流冲击的特征频率fa和机械碰磨的特征频率fb与转频fr的对应关系:
fa=Zfr,fb=fr,
计算出两种故障特征频率的实际数值,其中Z为柱塞泵的柱塞数量;
S300、提取特征频率进行故障特征识别(阈值比较),故障特征识别包括转速异常、配合不良和松靴故障,从而判断出柱塞泵的故障诊断:
S301、通过x0(n)进行转速异常识别:
判断fr与最小转速阈值α1、最大转速阈值α2的数值关系,如果满足:
fr<α1或fr>α2,
则识别为转速异常;
S302、通过x0(n)和y0(n)进行配合不良识别:
S3021、对y0(n)进行低通滤波:
由以下公式对y0(n)进行频域低通滤波,减小振动信号中高频振荡成分,滤波后信号记为y1(n):
其中e为自然常数,j为虚数单位,H(k)为频率响应函数:
对低通滤波后的y0(n)信号进行加权处理:
由以下公式对y1(n)进行加权处理,使低幅值的频率分量更加容易识别,加权后的信号记为y2(n),
其中Re表示取实运算;
S3022、提取y1(n)中的最大值Y;
S3023、由以下公式对y1(n)进行幅值滤波得到y2(n):
y2(n)=H(n)y1(n),
其中H(n)为幅值响应函数:
S3024、采用MATLAB软件中的FINDPEAKS函数对y2(n)在[(m-0.5)N/(Tfr),(m+0.5)N/(Tfr)]区间(m=1,2,…,5)的元素进行峰值提取,峰值的幅值坐标和位置坐标构成二维数组[C],设数组[C]的长度为M,提取数组[C]中元素的位置坐标分量,构成一维数组[q];
S3025、如果数组[q]第i(i=1,2,…,M-1)个元素与第j(j=i+1,i+2,…,M)个元素满足以下不等式:
则进入步骤S3026,否则继续进行迭代;
S3026、对x0(n)进行包络处理,通过离散Hilbert变换和FFT变换获取x0(n)的包络频谱并取模,得到频域信号X(k)(k=1,2,…N);
S3027、提取X(k)在[fa-ε2,fa+ε2]区间内的最大值,记为va;提取X(k)在[fb-ε2,fb+ε2]区间内的最大值并记为vb,ε2为误差阈值;
S3028、判断va、vb与的数值关系,如果满足:
则识别为配合不良,α3为特征识别阈值;
S303、通过x0(n)进行松靴故障特征识别:
S3031、采用MATLAB软件中的FINDPEAKS函数对S302中得到的频域信号X(k)进行峰值提取,峰值的幅值坐标和位置坐标构成二维数组[D],设数组[D]的长度为M;
S3032、对数组[D]中的元素按幅值高低重新排序,得到二维数组[E]。提取数组[E]中元素的位置坐标分量,构成一维数组[r]。数组[r]和数组[E]中的元素形成一一映射关系;
S3033、创建计数变量a和累加变量vc,令a=0,vc=0;
S3034、由以下公式计算数组[r]第i(i=1,2,…,M)个元素与fb的比例系数U:
S3035、对U进行四舍五入的取整运算,得到V=round(U);
S3036、判断U与V的数值关系,如果满足:
|U-L|≤ε3&V≥1,
则记录当前ri的值,并令计数变量a=a+1,ε3为误差阈值;
S3037、根据映射关系提取ri在数组[E]中对应的幅值坐标分量d,并令累加变量vc=vc+d,当计数变量a≥10则进入步骤S3038,否则返回步骤S3034继续进行迭代;
S3038、判断vc与3.2中获取的va的数值关系,如果满足:
则识别为松靴故障,α4为特征识别阈值。
利用振动加速度信号x0(n)自动识别柱塞泵转频的方法(通过步骤S204获得),进而推导出两类故障特征频率:配流冲击的特征频率fa和机械碰磨的特征频率fb,再通过对包络频谱中相应特征频率(通过步骤S3026获得)及其倍频的量化分析实现柱塞泵故障的自动诊断(通过步骤S3031-S3036获得),具有重要的实用性和工程价值。
本发明采用MATLAB软件中的DETREND函数对信号进行预处理的方法可由其他函数或其他软件实现。
本发明采用MATLAB软件中的FINDPEAKS函数进行峰值提取的方法可由其他函数或其他软件实现。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其方法步骤为:
S100、对柱塞泵的多能域信号进行采集和预处理;
S200、对预处理后的多能域信号进行特征频率自动识别;
S300、提取特征频率进行故障特征识别,从而判断出柱塞泵的故障诊断。
2.如权利要求1所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:
在执行S100之前,在柱塞泵端面沿轴向安装一个振动加速度传感器和一个噪声传感器,并设定采集时长为T,数据点数为N。
3.如权利要求2所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:
S100中通过振动加速度传感器采集振动加速度信号x0(n),通过噪声传感器采集噪声信号y0(n)。
4.如权利要求3所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:
S100中采用MATLAB软件中的DETREND函数去除x0(n)和y0(n)中的直流偏置成分和低频扰动。
5.如权利要求4所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:S200包括:
S201、对x0(n)进行低通滤波;
S202、对低通滤波后的x0(n)信号进行加权处理;
S203、对加权处理后的x0(n)信号进行峰值提取;
S204、根据提取的数值进行转频识别。
6.如权利要求5所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:
S300中的故障特征识别包括转速异常、配合不良和松靴故障。
7.如权利要求6所述的一种基于信号特征频率自动识别柱塞泵故障的诊断方法,其特征在于:所述的转速异常、配合不良和松靴故障的识别方法为阈值比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110021.9A CN112901472B (zh) | 2021-01-27 | 2021-01-27 | 一种基于信号特征频率自动识别柱塞泵故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110021.9A CN112901472B (zh) | 2021-01-27 | 2021-01-27 | 一种基于信号特征频率自动识别柱塞泵故障的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112901472A true CN112901472A (zh) | 2021-06-04 |
CN112901472B CN112901472B (zh) | 2023-03-24 |
Family
ID=76120664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110021.9A Active CN112901472B (zh) | 2021-01-27 | 2021-01-27 | 一种基于信号特征频率自动识别柱塞泵故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112901472B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113931831A (zh) * | 2021-08-20 | 2022-01-14 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵滑靴部件的状态检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN105626502A (zh) * | 2016-02-01 | 2016-06-01 | 上海交通大学 | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 |
CN109002847A (zh) * | 2018-07-04 | 2018-12-14 | 温州大学 | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 |
CN109538460A (zh) * | 2017-09-21 | 2019-03-29 | 中国石油天然气股份有限公司 | 柱塞泵的故障诊断方法及装置 |
CN209342231U (zh) * | 2018-12-18 | 2019-09-03 | 南方电网科学研究院有限责任公司 | 一种变压器振动及噪声联合监测设备 |
CN111472971A (zh) * | 2020-05-27 | 2020-07-31 | 上海三一重机股份有限公司 | 柱塞泵的故障诊断装置及方法 |
-
2021
- 2021-01-27 CN CN202110110021.9A patent/CN112901472B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN105626502A (zh) * | 2016-02-01 | 2016-06-01 | 上海交通大学 | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 |
CN109538460A (zh) * | 2017-09-21 | 2019-03-29 | 中国石油天然气股份有限公司 | 柱塞泵的故障诊断方法及装置 |
CN109002847A (zh) * | 2018-07-04 | 2018-12-14 | 温州大学 | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 |
CN209342231U (zh) * | 2018-12-18 | 2019-09-03 | 南方电网科学研究院有限责任公司 | 一种变压器振动及噪声联合监测设备 |
CN111472971A (zh) * | 2020-05-27 | 2020-07-31 | 上海三一重机股份有限公司 | 柱塞泵的故障诊断装置及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113931831A (zh) * | 2021-08-20 | 2022-01-14 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵滑靴部件的状态检测方法及系统 |
CN113931831B (zh) * | 2021-08-20 | 2024-05-31 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵滑靴部件的状态检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112901472B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105181019B (zh) | 旋转类机械早期故障预警分析方法 | |
Wang et al. | Support vector data description for fusion of multiple health indicators for enhancing gearbox fault diagnosis and prognosis | |
CN104458170B (zh) | 机械装备监测振动信号的时频图处理方法及系统 | |
EP2237003B1 (en) | Method for analysing vibration in rotor blades | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN106247173B (zh) | 管道泄漏检测的方法及装置 | |
AU2022100050A4 (en) | Optical acoustic sensing system and method | |
EP1877877A1 (en) | Diagnostic device for a process control system | |
CN112557038A (zh) | 多重降噪处理的轴承早期故障诊断方法 | |
CN104089186B (zh) | 一种基于组合滤波和动态阈值的管道压力异常诊断方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN116701984B (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
CN110319957B (zh) | 船体结构应力监测系统传感器无规律异常值故障诊断方法 | |
CN112901472B (zh) | 一种基于信号特征频率自动识别柱塞泵故障的诊断方法 | |
CN105865794A (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 | |
Gao et al. | A wavelet packet and residual analysis based method for hydraulic pump health diagnosis | |
CN104048165B (zh) | 管道泄漏诊断的方法 | |
CN211478951U (zh) | 故障诊断装置和故障诊断系统 | |
CN117213864A (zh) | 适用于发动机的滑油金属屑末颗粒的智能检测方法及系统 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN109139443B (zh) | 一种基于位移信号的活塞杆故障诊断方法 |
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 |