CN113123956A - 一种水泵水锤故障诊断方法 - Google Patents
一种水泵水锤故障诊断方法 Download PDFInfo
- Publication number
- CN113123956A CN113123956A CN202110374195.6A CN202110374195A CN113123956A CN 113123956 A CN113123956 A CN 113123956A CN 202110374195 A CN202110374195 A CN 202110374195A CN 113123956 A CN113123956 A CN 113123956A
- Authority
- CN
- China
- Prior art keywords
- water hammer
- signal
- water pump
- water
- working condition
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 12
- 238000001914 filtration Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Reciprocating Pumps (AREA)
Abstract
本发明属于水泵水锤故障技术领域,具体涉及一种水泵水锤故障诊断方法。首先获取水泵测试工况下的时域振动信号,根据测试工况下的时域振动信号确定工频值,并构建正弦参考信号;然后将测试工况下的时域振动信号和构建的正弦参考信号输入至变分模式提取计算模型中,得到工频成分信号;接着将测试工况下的时域振动信号减去工频成分信号,得到目标信号;最后提取目标信号的水锤故障特征,并与水泵正常工况下的水锤故障特征进行比较,根据比较结果判断水泵是否发生水锤故障和/或水泵水锤故障的严重程度。本发明能够有效滤除工频成分信号及其谐频成分,从而准确提取水锤故障特征成分,有效诊断出定频及变频工况下水泵发生的微弱水锤故障。
Description
技术领域
本发明属于水泵水锤故障技术领域,具体涉及一种水泵水锤故障诊断方法。
背景技术
目前,水泵在起动和停止时,水流会冲击管道,产生一种严重水击,水流对水泵产生一个压力。由于管道光滑,后续水流在惯性的作用下,水力迅速达到最大,并产生破坏作用,这就是水力学当中的“水锤效应”。水泵发生水锤故障时常会给水泵带来灾难性的后果,可以破坏水泵,甚至引起水泵反转。
在水锤故障智能诊断时,由于水泵工频及其谐频成分等干扰信号的影响,往往会造成不平衡故障结论的误判结果。水泵在变频情况下,常规滤波方法难以滤除工频及其谐频成分,而且还有可能滤掉水锤故障特征成分,那么便造成水泵水锤故障诊断不准确。
发明内容
本发明提供了一种水泵水锤故障诊断方法,用以解决现有技术中的水泵水锤故障诊断不准确的问题。
为解决上述技术问题,本发明所包括的技术方案以及技术方案对应的有益效果如下:
本发明提供了一种水泵水锤故障诊断方法,包括如下步骤:
1)获取水泵测试工况下的时域振动信号,根据测试工况下的时域振动信号确定工频值;
2)根据确定的工频值,构建正弦参考信号;
3)将测试工况下的时域振动信号和构建的正弦参考信号输入至变分模式提取计算模型中,得到工频成分信号;
4)将测试工况下的时域振动信号减去工频成分信号,得到目标信号;
5)提取目标信号的水锤故障特征,并与水泵正常工况下的水锤故障特征进行比较,根据比较结果判断水泵是否发生水锤故障和/或水泵水锤故障的严重程度。
上述技术方案的有益效果为:本发明首先基于工频值构建正弦参考信号,将测试工况下的时域振动信号和构建的正弦参考信号共同输入至变分模式计算模型中,以得到工频成分信号,然后将测试工况下的时域振动信号中工频成分信号滤除,得到较为纯净的水锤成分信号,对该水锤成分信号进行水锤故障特征提取,并与正常工况下的水锤故障特征进行比较,便可有效判断水泵是否发生水锤故障以及发生水锤故障的严重程度。该方法能够有效滤除工频成分信号及其谐频成分,从而准确提取水锤故障特征成分,有效诊断出定频及变频工况下水泵发生的微弱水锤故障,避免严重水泵严重水锤故障的发生。
进一步的,为了准确得到工频值以得到准确的工频成分信号,步骤1)中,采用如下手段以根据测试工况下的时域振动信号确定工频值:将测试工况下的时域振动信号进行傅里叶变换,得到测试工况下的频域振动信号;将测试工况下的频域振动信号中最大幅值处的频率值作为工频值。
进一步的,步骤2)中,构建的正弦参考信号具有如下特征:正弦参考信号的频率为所述工频值,正弦参考信号的幅值为所述测试工况下的频域振动信号中最大幅值的一半,正弦参考信号的相位为0。
进一步的,所述工频成分信号为:
其中,为工频成分信号;α为平衡J1和J2的参数;为最小化目标函数,δ(t)为Diract分布,表示一阶求导,j为复共轭,ud(t)为期望信号,wd为ud(t)的中心频率;为引入的惩罚函数,β(t)为构建的滤波器的时域冲击响应,fr(t)为残余信号;w为频域变量;λ为拉格朗日乘子,为λ(t)的傅里叶变换;为输入信号f(t)的傅里叶变换,且f(t)=ud(t)+fr(t);为ud(t)的傅里叶变换。
进一步的,所述水锤故障特征包括峭度指标、时域包络峭度指标、1倍频指标、2-5倍频频段指标、以及5-分析频率频段指标中的至少一个。
进一步的,为了准确判断水锤故障的严重程度,步骤5)中,所述水锤故障特征的数量为至少两个,则大于相应正常工况下的水锤故障特征的目标信号的水锤故障特征数量越多,水泵发生水锤故障的程度越严重。
附图说明
图1是本发明的水泵水锤故障诊断方法的流程图;
图2是一变频水泵发生水锤故障时的时域信号图;
图3是图2所示信号的傅里叶谱图;
图4是按照本发明的诊断方法输出的目标信号图;
图5是图4所示信号的傅里叶谱图。
具体实施方式
本发明的水泵水锤故障诊断方法的基本构思为:首先基于变分模式计算模型将工频成分信号提取出来,然后将测试工况下的时域振动信号中的工频成分信号滤掉,以得到水锤成分信号,即目标信号,最后提取目标信号的水锤故障特征,以确定水泵是否发生水锤故障以及水泵水锤故障的严重程度。下面结合附图及实施例,对本发明的水泵水锤故障诊断方法进行详细介绍。其整体流程如图1所示。
步骤一,获取水泵正常工况下的时域振动信号,并进行时、频域特征提取,特征为五个特征,分别为峭度指标、时域包络峭度指标、1倍频指标、2-5倍频频段指标、以及5-分析频率频段指标,以确定五个基线特征向量。
步骤二,获取水泵测试工况下的时域振动信号,并对其进行傅里叶变换,得到测试工况下的频域振动信号,即傅里叶谱图;确定傅里叶谱图中最大幅值处的频率值,并将该频率值作为工频值。
步骤三,构建正弦参考信号,且构建的正弦参考信号的频率为步骤二中确定的工频值,正弦参考信号的幅值为测试工况下的频域振动信号中最大幅值的一半,正弦参考信号的相位为0。
步骤四,将水泵测试工况下的时域振动信号与步骤三中构建的正弦参考信号输入至变分模式提取计算模型中,得到工频成分信号。变分模式提取计算模型实现如下:
假设输入信号f(t)为分解为两个信号——期望信号ud(t)和残余信号fr(t),即:
f(t)=ud(t)+fr(t) (1)
通过最小化如下标准进行期望信号ud(t)的求解:
其中,中δ(t)代表Diract分布;wd代表ud(t)的中心频率;J1代表最小化目标函数;j代表复共轭;代表一阶求导;构建频响如下的滤波器对输入信号进行滤波,以最小化期望信号ud(t)与残余信号fr(t)的谱重叠问题:
其中,β(t)为构建的滤波器的时域冲击响应。
据此,期望信号ud(t)的求解可归为如下所示的约束最小化问题:
其中,α为平衡J1和J2的参数,本实施例中取0.5。
采用如下所示的增强拉格朗日函数解决上式中的重构约束问题:
其中,λ为拉格朗日乘子。
期望信号中在第n+1次迭代可通过以下方程获取:
其中,n代表迭代数。
上述所有公式中的拉格朗日算子可用如下公式进行更新:
步骤五,将测试工况下的时域振动信号减去工频成分信号,得到目标信号,该目标信号为水锤成分信号。并按照同步骤一相同的时、频域特征提取,形成五个实时特征向量。
步骤六,将基线特征向量与对应的实时特征向量进行对比,依据是否超出基线特征向量来确定是否发生水锤故障,进一步依据超出基线特征向量的个数的多少来确定水锤故障的严重程度:
只要有一个实时特征向量超过基线特征向量,则说明水泵发生水锤故障。
如果五个实时特征向量同时超过相应的基线特征向量,为严重水锤故障;如果有四个实时特征向量超过相应的基线特征向量,为中等水锤故障;如果有三个实时特征向量超过相应的基线特征向量,为轻微水锤故障。
下面将本发明的水泵水锤故障诊断方法应用于具体的实例中以说明本发明方法的有效性。如图2所示为一变频水泵发生水锤故障时的时域振动信号,图3为图2所示信号的傅里叶谱图。按照本发明方法,构建频率为50Hz的正弦参考信号及其谐波信号;再将其与图2所示信号共同输入到变分模式提取计算模型中,以得到工频成分信号;接着将图2所示信号减去工频成分信号,得到目标信号,如图4所示,图4信号的傅里叶谱如图5所示。对比图4与图1及图5与图2、以及按本发明方法最终得到的结果验证表明,能够有效诊断出水锤故障。
本发明所使用的变分模式提取计算模型是一种高效的非平稳信号分析模型,可以根据先验信息提取期望信号,相对其它时频分析方法如小波变换、经验模态分解方法具有更高效的计算效率。基于该模型,本发明可快速、准确得到工频成分信号,并将其滤掉,以得到有效的水锤成分信号,能有效诊断出定频及变频工况下水泵发生的微弱水锤故障,为避免水泵严重水锤故障的发生提供一种新技术。
Claims (6)
1.一种水泵水锤故障诊断方法,其特征在于,包括如下步骤:
1)获取水泵测试工况下的时域振动信号,根据测试工况下的时域振动信号确定工频值;
2)根据确定的工频值,构建正弦参考信号;
3)将测试工况下的时域振动信号和构建的正弦参考信号输入至变分模式提取计算模型中,得到工频成分信号;
4)将测试工况下的时域振动信号减去工频成分信号,得到目标信号;
5)提取目标信号的水锤故障特征,并与水泵正常工况下的水锤故障特征进行比较,根据比较结果判断水泵是否发生水锤故障和/或水泵水锤故障的严重程度。
2.根据权利要求1所述的水泵水锤故障诊断方法,其特征在于,步骤1)中,采用如下手段以根据测试工况下的时域振动信号确定工频值:将测试工况下的时域振动信号进行傅里叶变换,得到测试工况下的频域振动信号;将测试工况下的频域振动信号中最大幅值处的频率值作为工频值。
3.根据权利要求2所述的水泵水锤故障诊断方法,其特征在于,步骤2)中,构建的正弦参考信号具有如下特征:正弦参考信号的频率为所述工频值,正弦参考信号的幅值为所述测试工况下的频域振动信号中最大幅值的一半,正弦参考信号的相位为0。
5.根据权利要求1所述的水泵水锤故障诊断方法,其特征在于,步骤5)中,所述水锤故障特征包括峭度指标、时域包络峭度指标、1倍频指标、2-5倍频频段指标、以及5-分析频率频段指标中的至少一个。
6.根据权利要求1所述的水泵水锤故障诊断方法,其特征在于,步骤5)中,所述水锤故障特征的数量为至少两个,则大于相应正常工况下的水锤故障特征的目标信号的水锤故障特征数量越多,水泵发生水锤故障的程度越严重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374195.6A CN113123956B (zh) | 2021-04-07 | 2021-04-07 | 一种水泵水锤故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374195.6A CN113123956B (zh) | 2021-04-07 | 2021-04-07 | 一种水泵水锤故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113123956A true CN113123956A (zh) | 2021-07-16 |
CN113123956B CN113123956B (zh) | 2023-02-28 |
Family
ID=76775652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374195.6A Active CN113123956B (zh) | 2021-04-07 | 2021-04-07 | 一种水泵水锤故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113123956B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116044740A (zh) * | 2023-03-07 | 2023-05-02 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015124848A (ja) * | 2013-12-27 | 2015-07-06 | 三菱重工業株式会社 | 油圧機械の診断システム及び診断方法並びに油圧トランスミッション及び風力発電装置 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN112196783A (zh) * | 2020-10-15 | 2021-01-08 | 云南大红山管道有限公司 | 一种长距离大管径输调水泵站泵组自动控制启动方法 |
-
2021
- 2021-04-07 CN CN202110374195.6A patent/CN113123956B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015124848A (ja) * | 2013-12-27 | 2015-07-06 | 三菱重工業株式会社 | 油圧機械の診断システム及び診断方法並びに油圧トランスミッション及び風力発電装置 |
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN112196783A (zh) * | 2020-10-15 | 2021-01-08 | 云南大红山管道有限公司 | 一种长距离大管径输调水泵站泵组自动控制启动方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116044740A (zh) * | 2023-03-07 | 2023-05-02 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
CN116044740B (zh) * | 2023-03-07 | 2023-09-29 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113123956B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977920B (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN105240187B (zh) | 基于混沌理论实现水轮机状态监测和故障诊断的方法 | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
Yang et al. | ARX model-based gearbox fault detection and localization under varying load conditions | |
CN102607845B (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
CN108072517B (zh) | 一种旋转机械微弱故障信号检测方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN105548739B (zh) | 一种避雷器运行状态信号处理方法 | |
CN107908812A (zh) | 一种基于hht和神经网络的气阀故障诊断方法 | |
CN113123956B (zh) | 一种水泵水锤故障诊断方法 | |
CN113780055A (zh) | 一种momeda与压缩感知的滚动轴承故障诊断方法 | |
CN112284719B (zh) | 一种行星齿轮箱齿面磨损故障诊断方法及系统 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
CN103234750A (zh) | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 | |
CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
CN113250911B (zh) | 一种基于vmd分解算法的风机叶片故障诊断方法 | |
CN103926097A (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
CN107941511A (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN117030247A (zh) | 一种约束周期性的重加权稀疏正则化齿轮箱故障诊断方法 | |
CN104156339B (zh) | 一种利用二次排列熵识别周期微弱脉冲信号的方法 | |
CN106772032B (zh) | 一种水轮发电机组的故障特征提取方法 | |
CN111640519B (zh) | 一种基于改进小波分形算法的反应堆中子噪声频谱分析方法 |
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 |