CN113109051B - 基于振动数据极差序列的故障预警方法和系统 - Google Patents
基于振动数据极差序列的故障预警方法和系统 Download PDFInfo
- Publication number
- CN113109051B CN113109051B CN202110400420.9A CN202110400420A CN113109051B CN 113109051 B CN113109051 B CN 113109051B CN 202110400420 A CN202110400420 A CN 202110400420A CN 113109051 B CN113109051 B CN 113109051B
- Authority
- CN
- China
- Prior art keywords
- vibration data
- range
- time
- range sequence
- sequence
- 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
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于振动数据极差序列的故障预警方法和系统,包括:步骤1:选定采样频率,对产品的振动数据进行采集,获得振动数据采样点;步骤2:根据振动数据采样点值,构造极差序列;步骤3:通过计算极差序列的极差和标准差来构造判决依据,判断极差序列是否为时间敏感型数列;步骤4:根据极差序列时间敏感性判别结果确定是否进行故障预警。本发明无需对原始数据进行变换,能实时反应产品的真实变化;本发明的数据采集频率根据可接受的响应延迟进行设计,而不是产品振动频率,尤其对于高频振动,其数据量相对小得多。
Description
技术领域
本发明涉及故障预警技术领域,具体地,涉及一种基于振动数据极差序列的故障预警方法和系统。
背景技术
故障是指产品不能执行规定功能的状态,通常指功能故障。失效是指产品丧失完成规定功能的事件。故障的发生事件分布形式可总结为“浴盆曲线”,产品寿命周期可分为三个阶段。第一阶段为初期故障期,指产品在寿命的早期因设计、制造、装配的缺陷等原因发生的故障,其故障率随着运行时长的增加而降低;第二阶段为偶发故障期,产品长时间安全运行,多发生因偶尔因素引起的故障;第三阶段为磨损故障期,故障率猛增,故障多为渐变故障,即产品性能随时间的推移逐渐变化而产生的故障,渐变故障一般可通过事前的监测或检测来预测。
基于振动数据的故障预警与诊断方法主要通过对振动信号进行傅里叶变换(FT)、快速傅里叶变换(FFT)、经验模态分解(EMD)、变分模态分解(VMD)等变换方法将振动信号进行预处理,以提取特征参数,再对特征参数的退化进行分析。这些预处理方法虽然能提取出产品的特征,但存在以下不足:(1)数据量大。采用傅里叶变换等方式需获得不少于振动频率的数据量,对于高频及超高频振动,其数据量是惊人的,往往只能针对其中一小部分进行分析,对全局数据进行分析是不实际的。(2)敏感性差。由于采用变换方法,将时域信号转变成频域信号,频域信号是某一段时间累积的结果,相对信号敏感性差。(3)结果具有很大的主观性。选择不同的采样频率进行采样,其结果显著不同,选取了错误的采样频率可能造成分析失败。(4)受噪声信号干扰。振动信号均含有噪声信号,通过傅里叶变换等方法若选取了错误的采样频率,则可能将噪声作为研究对象,造成分析失败。
专利文献CN111184251A(申请号:CN201911324832.8)公开了一种诊断吸丝带故障的处理方法,具体包括以下步骤:步骤一:数据采集;步骤二:数据预处理;步骤三:极差与标准差计算;步骤四:稳定性得分;步骤五:故障预警。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于振动数据极差序列的故障预警方法和系统。
根据本发明提供的基于振动数据极差序列的故障预警方法,包括:
步骤1:选定采样频率,对产品的振动数据进行采集,获得振动数据采样点;
步骤2:根据振动数据采样点值,构造极差序列;
步骤3:通过计算极差序列的极差和标准差来构造判决依据,判断极差序列是否为时间敏感型数列;
步骤4:根据极差序列时间敏感性判别结果确定是否进行故障预警,若极差序列具备时间敏感性,则表明产品已进入耗损故障期,需拆卸检测,对产品进行维护保养或预防性维修;若极差序列对时间不敏感,则表明产品运行状态稳定,继续对参数进行实时监测,无需进行预防性维修。
优选的,所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
优选的,所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
优选的,所述采样频率为0.01Hz、0.1Hz、1Hz、10Hz、100Hz中的任一种。
优选的,所述早期过滤采样点个数i0≥50,以滤掉因采样不均造成的判别误差。
根据本发明提供的基于振动数据极差序列的故障预警系统,包括:
模块M1:选定采样频率,对产品的振动数据进行采集,获得振动数据采样点;
模块M2:根据振动数据采样点值,构造极差序列;
模块M3:通过计算极差序列的极差和标准差来构造判决依据,判断极差序列是否为时间敏感型数列;
模块M4:根据极差序列时间敏感性判别结果确定是否进行故障预警,若极差序列具备时间敏感性,则表明产品已进入耗损故障期,需拆卸检测,对产品进行维护保养或预防性维修;若极差序列对时间不敏感,则表明产品运行状态稳定,继续对参数进行实时监测,无需进行预防性维修。
优选的,所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
优选的,所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
优选的,所述采样频率为0.01Hz、0.1Hz、1Hz、10Hz、100Hz中的任一种。
优选的,所述早期过滤采样点个数i0≥50,以滤掉因采样不均造成的判别误差。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明可对不同振动频率的产品进行健康监测和故障预警;
(2)本发明无需对原始数据进行变换,能实时反应产品的真实变化;
(3)本发明是对数据异常进行预警,干扰信号是相对稳定的,因此干扰信号不会对分析结果产生较大影响;
(4)本发明的数据采集频率根据可接受的响应延迟进行设计,而不是产品振动频率,尤其对于高频振动,其数据量相对小得多。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为示例中某轴承5000s的加速度数据;
图3为示例中某轴承振动数据所生成的极差序列。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
如图1,本发明包含如下详细步骤:
(1)选定采样频率,对产品的振动数据进行采集,采样频率根据实际情况自定义,可远小于产品振动频率;
(2)根据所采集的振动量值,构造极差序列。设振动量值为X={(ti,xi),i=1,2,…,n},则可构造极差序列:
其中,i0为早期过滤采样点数,应大于50,n为累积采样次数。
(3)计算极差序列时间敏感性。
所谓参数对时间不敏感,是指参数随试验时间延长,不发生明显的变化,即各测量值近似呈现为一条水平线。因此,可通过计算测量数据的极差和标准差来判断测量参数是否近似为一条水平线。若参数满足以下两条判别依据之一,则可判定为时间非敏感型参数。
(4)若参数敏感,则表明产品已进入耗损故障期,需拆卸检测,对产品进行维护保养或预防性维修。
(5)若参数不敏感,则表明产品运行状态稳定,继续对参数进行实时监测,无需进行预防性维修。
兹举实施案例如下:
本案例以某轴承振动数据为分析对象,通过极差序列法判别该轴承是否进入耗损故障期为例,陈述本发明一种基于振动数据极差序列的故障预警方法的应用。
本案例基本信息情况如下:
在某型轴承上添加振动传感器,采样频率为0.1Hz,获得5000s的加速度数据如图2所示,此加速度数据前2700s的振幅不随时间而改变,后2300s的振幅随时间而增大。
由于采样频率为0.1Hz,故采样点个数n=5000×0.1=500,取过滤个数i0=59,生成极差序列如图3所示。
从图3中可看出,前270个采样点(对应于前2700s时间)的加速度极差值保持不变,后230个采样点(对应于后2300s时间)的加速度极差值显著增大。
计算下列判决依据:
由于上述两个判决依据均大于0.1,因此,振动数据极差序列不满足以上两条判别依据之一,则该极差序列判定为时间敏感型参数,表明产品已进入耗损故障期,需进行故障预警,以提示对该轴承进行维护或预防性维修。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于振动数据极差序列的故障预警方法,其特征在于,包括:
步骤1:选定采样频率,对产品的振动数据进行采集,获得振动数据采样点;
步骤2:根据振动数据采样点值,构造极差序列;
步骤3:通过计算极差序列的极差和标准差来构造判决依据,判断极差序列是否为时间敏感型数列;
步骤4:根据极差序列时间敏感性判别结果确定是否进行故障预警,若极差序列具备时间敏感性,则表明产品已进入耗损故障期,需拆卸检测,对产品进行维护保养或预防性维修;若极差序列对时间不敏感,则表明产品运行状态稳定,继续对参数进行实时监测,无需进行预防性维修;
所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
2.根据权利要求1所述的基于振动数据极差序列的故障预警方法,其特征在于,所述采样频率为0.01Hz、0.1Hz、1Hz、10Hz、100Hz中的任一种。
3.根据权利要求1所述的基于振动数据极差序列的故障预警方法,其特征在于,所述早期过滤采样点个数i0≥50,以滤掉因采样不均造成的判别误差。
4.一种基于振动数据极差序列的故障预警系统,其特征在于,包括:
模块M1:选定采样频率,对产品的振动数据进行采集,获得振动数据采样点;
模块M2:根据振动数据采样点值,构造极差序列;
模块M3:通过计算极差序列的极差和标准差来构造判决依据,判断极差序列是否为时间敏感型数列;
模块M4:根据极差序列时间敏感性判别结果确定是否进行故障预警,若极差序列具备时间敏感性,则表明产品已进入耗损故障期,需拆卸检测,对产品进行维护保养或预防性维修;若极差序列对时间不敏感,则表明产品运行状态稳定,继续对参数进行实时监测,无需进行预防性维修;
所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
所述振动数据采样点值ei为第i个采样点的数值,i=i0+1,i0+2,…,n,n为振动数据采样点个数,i0为早期过滤采样点个数;
极差序列时间敏感性判别依据包括:
5.根据权利要求4所述的基于振动数据极差序列的故障预警系统,其特征在于,所述采样频率为0.01Hz、0.1Hz、1Hz、10Hz、100Hz中的任一种。
6.根据权利要求4所述的基于振动数据极差序列的故障预警系统,其特征在于,所述早期过滤采样点个数i0≥50,以滤掉因采样不均造成的判别误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400420.9A CN113109051B (zh) | 2021-04-14 | 2021-04-14 | 基于振动数据极差序列的故障预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400420.9A CN113109051B (zh) | 2021-04-14 | 2021-04-14 | 基于振动数据极差序列的故障预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109051A CN113109051A (zh) | 2021-07-13 |
CN113109051B true CN113109051B (zh) | 2022-10-11 |
Family
ID=76716771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400420.9A Active CN113109051B (zh) | 2021-04-14 | 2021-04-14 | 基于振动数据极差序列的故障预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109051B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723493B (zh) * | 2021-08-25 | 2023-05-30 | 中车资阳机车有限公司 | 基于聚类及趋势预测的内燃机振动分析预警方法及装置 |
CN115618206B (zh) * | 2022-10-27 | 2023-07-07 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
CN116878886B (zh) * | 2023-09-05 | 2023-12-15 | 济宁鲁威液压科技股份有限公司 | 一种用于冷却塔水泵轴承磨损的监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN111220388A (zh) * | 2020-02-04 | 2020-06-02 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008294B (zh) * | 2014-05-30 | 2017-05-03 | 东南大学 | 轴承异常检测系统及其方法 |
CN104101498A (zh) * | 2014-07-08 | 2014-10-15 | 上海工程技术大学 | 一种加工机床主轴轴承的实时故障检测方法及系统 |
CN107843429B (zh) * | 2016-09-19 | 2021-08-31 | 舍弗勒技术股份两合公司 | 轴承状态监测控制方法及控制装置、监测设备、监测方法 |
CN106571016B (zh) * | 2016-11-03 | 2018-08-07 | 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 |
CN106932200A (zh) * | 2017-04-20 | 2017-07-07 | 北京信息科技大学 | 滚动轴承故障的高斯过程多特征智能诊断方法 |
CN109655397A (zh) * | 2018-12-19 | 2019-04-19 | 湖北航天化学技术研究所 | 一种固体推进剂可靠贮存寿命预估方法 |
CN111184251B (zh) * | 2019-12-20 | 2022-07-29 | 深圳市鸿捷源自动化系统有限公司 | 一种诊断吸丝带故障的处理方法 |
CN111721527B (zh) * | 2020-05-18 | 2022-04-08 | 浙江工业大学 | 基于cms系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法 |
-
2021
- 2021-04-14 CN CN202110400420.9A patent/CN113109051B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN111220388A (zh) * | 2020-02-04 | 2020-06-02 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113109051A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113109051B (zh) | 基于振动数据极差序列的故障预警方法和系统 | |
CN102341720B (zh) | 使用定子电流噪音消除的电动机缺陷检测用系统和方法 | |
EP2857917A1 (en) | State diagnosing method and state diagnosing apparatus | |
US7444265B2 (en) | Machine and/or monitoring | |
EP3196626B1 (en) | Vibration monitoring method and system | |
KR101482509B1 (ko) | 베어링 결함 진단 시스템 및 그 진단 방법 | |
JPH07168619A (ja) | 機器/設備診断方法およびシステム | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
US20170285086A1 (en) | Active shaft grounding system with diagnostic waveform analysis | |
CN110132402B (zh) | 振动趋势数据中尖峰和故障的检测 | |
CN117091754B (zh) | 基于数据分析的大型设备故障检测方法及系统 | |
WO2014031291A2 (en) | Fleet anomaly detection system and method | |
US20230097101A1 (en) | Vibration analysis apparatus and vibration analysis method | |
CN114813124B (zh) | 一种轴承故障的监测方法及装置 | |
CN108982106B (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
CN114294183A (zh) | 一种风机叶片故障监测方法、装置及风机 | |
CN109934136A (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
Gałęzia et al. | Possibilities of faults detection of rolling bearings using energetic descriptors of vibrations signals | |
WO2020162425A1 (ja) | 解析装置、解析方法、およびプログラム | |
CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
CN113960541A (zh) | 一种基于海量频域数据和移动平均法的雷达故障预警方法 | |
CN114044431A (zh) | 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 | |
JPH08122142A (ja) | 判別装置及び判別方法 | |
Dietel et al. | Fault detection in rotating machinery using spectral modeling | |
Liu et al. | Low-variance version of the RCC index and form factor index for machine condition monitoring |
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 |