CN113168173B - 用于循环运动式机器部件的状态监测的方法 - Google Patents

用于循环运动式机器部件的状态监测的方法 Download PDF

Info

Publication number
CN113168173B
CN113168173B CN201980078105.XA CN201980078105A CN113168173B CN 113168173 B CN113168173 B CN 113168173B CN 201980078105 A CN201980078105 A CN 201980078105A CN 113168173 B CN113168173 B CN 113168173B
Authority
CN
China
Prior art keywords
frequency
term
machine component
segmented
words
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
Application number
CN201980078105.XA
Other languages
English (en)
Other versions
CN113168173A (zh
Inventor
丹尼尔·桑德伯格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tetra Laval Holdings and Finance SA
Original Assignee
Tetra Laval Holdings and Finance SA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tetra Laval Holdings and Finance SA filed Critical Tetra Laval Holdings and Finance SA
Publication of CN113168173A publication Critical patent/CN113168173A/zh
Application granted granted Critical
Publication of CN113168173B publication Critical patent/CN113168173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37228—Tool inspection, condition, dull tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (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

公开了一种用于状态监测的方法(1000)，其包括记录(1010)针对循环运动式机器的运动的循环而测量的运动特性值(v1)；将(1050)值的频率分布(Fv1)中值的出现与基于间隔的相应的限定索引(a,b,c,…)相关联；生成(1060)与值的出现相对应的限定索引的字词串(S)；将所述字词串(S)分段(1070)为字词的子集(s1,s2,…,si)；将所述字词串中分段字词的出现频率确定(1080)为与第一机器状态(M1)相关联的第一参考词项频率(TF1)；对于后续记录的运动特性值的集合，确定(1100)后续词项频率(TFn)；将后续词项频率(TFn)与第一参考词项频率进行比较(1110)，以确定与第一机器状态的相关性。

Description

用于循环运动式机器部件的状态监测的方法
技术领域
本发明涉及一种用于循环运动式机器部件的状态监测的方法，一种相关的计算机程序产品以及一种用于循环运动式机器部件的状态监测的设备，该循环运动式机器部件例如在诸如用于生产密封包装的填充机或相关系统之类的系统中使用的轴承、皮带或马达。
背景技术
对生产线中(例如在填充机和包装机或相关系统中的密封包装的制造中)机器部件的状态监测对于确保一段时间内所需的功能和故障预测是至关重要的。监测机器部件运动中的失真是实现所需功能控制并防止与磨损相关的故障的重要部分。这种维护策略的可能性主要是由于以下事实：一旦例如轴承接近故障时，其振动就改变特性，这可以解释为即将发生故障的警告信号，如果及时检测到该信号，它将为操作员提供一个时间表(timeframe)以计划维护活动并更换轴承，而不会影响生产时间。对轴承、皮带、马达或其他循环或往复运动式部件中的例如振动的失真分析是工业预测性维护计划的重要部分，使得能够在机器出现故障之前发现并修复磨损和损坏，从而降低了运行和维护成本。对例如轴承的运动特性的经验评估是可能导致严重低估或高估部件的剩余寿命的容易出错的活动。因此，用于状态监测的现有解决方案的问题是缺乏准确性以及其实现方式复杂。现有的解决方案通常还对用于计算的模型做出各种假设。特别地，通常假设在例如轴承元件的相对运动期间没有滑动；轴承上存在局部化的损坏；轴承所附接的马达以恒定速度旋转；在马达运行期间，损坏引起一系列的短期冲击，其在具有一定周期性的振动信号的频谱中生成一连串的尖峰；以及存在一种频带，其中，信噪比使得可检测到一连串的脉冲。如果未验证这些条件，则可能使一连串的峰模糊(smear)，使得其不再是可识别的，或者可能被隐藏在其他类型的噪声中。伺服马达的恒定转速的假设在自动机械领域中是严重的限制，在自动机械领域中，通常将许多伺服马达用作电凸轮并以可变速度运行，以便获得致动元件的可变速度曲线。采用多种方法来适应可变速度，但是这种解决方案实施起来也可能很复杂，并且还与其他限制和不期望有的假设相关联。
发明内容
本发明的目的是至少部分地克服现有技术的一个或多个限制。特别地，一个目的是提供对循环运动式机器部件的改进的状态监测，并且特别地，提供一种不太复杂的故障预测的方法以及用于可靠且及时地检测异常行为或即将发生的故障的方法，以便为操作员提供时间表以计划维护活动并更换相关部件而不影响生产。
在本发明的第一方面中，这通过一种用于循环运动式机器部件的状态监测的方法来实现，其中，所述机器部件的运动循环生成可测量的运动特性。所述方法包括：记录针对所述循环所测量的所述运动特性的值；生成所记录的值的频率分布；为所述频率分布中的值的出现(occurrence)限定间隔；将所述间隔与限定索引相关联；将所述频率分布中的值的出现与基于所述间隔的相应的限定索引相关联；生成与所述频率分布中的值的出现相对应的所述限定索引的字词串；将所述字词串分段为所述限定索引的分段字词的子集；将所述字词串中分段字词的出现频率确定为第一参考词项频率；将所述第一参考词项频率与第一机器部件状态相关联；对于后续记录的运动特性值的集合，确定对应的后续词项频率；以及将所述后续词项频率与所述第一参考词项频率进行比较以确定与所述第一机器部件状态的相关性。
在本发明的第二方面中，这通过一种用于循环运动式机器部件的状态监测的设备来实现，其中，所述机器部件的运动循环生成可测量的运动特性。所述设备包括处理器，所述处理器被配置为：记录针对所述循环所测量的运动特性值；生成所记录的值的频率分布；为所述频率分布中的值的出现限定间隔；将所述间隔与限定索引相关联；将所述频率分布中值的出现与基于所述间隔的相应的限定索引相关联；生成与所述频率分布中的值的出现相对应的所述限定索引的字词串；将所述字词串分段为限定索引的分段字词的子集；将在所述字词串中分段字词的出现频率确定为第一参考词项频率；将所述第一参考词项频率与第一机器部件状态相关联；对于后续记录的运动特性值的集合，确定对应的后续词项频率；将所述后续词项频率与所述第一参考词项频率进行比较以确定与所述第一机器部件状态的相关性。
在本发明的第三方面中，这是通过一种包括指令的计算机程序产品来实现的，当所述程序由计算机执行时，所述指令使所述计算机执行根据第一方面的方法的步骤。
在从属权利要求中限定了本发明的其他示例，其中，可以针对第二方面和后续方面来实现针对第一方面的特征，反之亦然。
生成与频率分布中的运动特性值的出现相对应的限定索引的字词串，确定字词串中分段字词的参考词项频率，以及针对后续记录的运动特性值的集合，确定后续词项频率用于与第一参考词项进行比较和与机器状态的相关性，提供了对机器部件的状态的准确分类。因此，提供了对循环运动式机器部件的便利的状态监测，以可靠且及时地检测异常行为或即将发生的故障。
本发明的其他目的、特征、方面和优点将从以下详细描述以及附图中显现。
附图说明
现在将通过示例的方式参考所附的示意图来描述本发明的实施方案。
图1是示出针对循环运动式机器部件的多个运动循环所测量的运动特性值的图；
图2是示出图1中的值的频率分布以及后续记录的运动特性值的集合的频率分布的示例的图；
图3a和3b是与图2中的频率分布中的值的出现相关联的限定索引的字词串的分段的图示；
图4是与频率分布中的值的出现相关联的限定索引的分段字词的词项频率的图示；
图5是示出循环运动式机器部件的运动特性的值的频率分布的其他示例的图；
图6a和6b是与频率分布中的值的出现相关联的限定索引的分段字词的词项频率的图示；
图7a和7b是与频率分布中的值的出现相关联的限定索引的分段字词的词项频率的图示；
图8a是用于循环运动式机器部件的状态监测的方法的流程图；
图8b是用于循环运动式机器部件的状态监测的方法的另一流程图；以及
图8c是用于循环运动式机器部件的状态监测的设备的示意图。
具体实施方式
现在将在下文中参考附图更全面地描述本发明的实施方案，其中，示出了本发明的一些但不是全部实施方案。本发明可以以许多不同的形式来实施，并且不应被解释为限于在此阐述的实施方案。
图8a是用于循环运动式机器部件(未示出)的状态监测的方法1000的流程图。机器部件的运动循环生成可测量的运动特性。图1示出了在机器部件的多个运动循环期间获得的可测量的运动特性值(v1)的示例。图1中的值(v1)可以表示作为时间(t)的函数的运动(例如，振动运动)的幅度。可想到的是，为了执行方法1000，可以确定运动循环的各种其他可测量的运动特性，例如描述机器部件在循环期间的运动的位移、扭矩或任何其他力、速度或加速度的值。因此，方法1000包括记录或确定针对上述运动循环测量的运动特性的1010值(v1)。可以例如通过采用被配置成测量所提及的运动特性的各种类型的传感器来检索例如在图1的示例中所示的值。方法1000包括生成1020所记录的值的频率分布(Fv1)。这种频率分布(Fv1)的示例在图2中示出。值(v1)的出现(F)沿y轴示出，并且频率(f)沿x轴示出。因此，在图2的示例中，在低频处比在高频处出现率更高，例如，低频振动的数量更多。可以通过快速傅立叶变换方法来执行到频域的变换。平滑可以应用于例如频域中数据的周期图。方法1000包括为频率分布(FV1)中的值的出现限定1030间隔，如图2中的虚线示意性所示。间隔可以针对特定应用进行优化，并且可以在数量和长度上变化。图2示出了三个基本上等分的间隔的示例。在其他示例中，间隔的数量可以设置为5、10、20或更多个间隔，根据应用等分或具有可变长度。在值的出现中具有较大变化的数据段可受益于具有更多数量的窄间隔以捕获更精细的变化。方法1000包括将间隔与限定索引(a,b,c,…)相关联1040，以及将频率分布(FV1)中的值的出现与基于间隔的相应的限定索引(a,b,c,…)相关联1050。因此，频率分布(FV1)中的每个值都根据该值所处的特定间隔而分配有一种索引(a，b，c，...)。
方法1000包括生成1060与频率分布(Fv1)中的值的出现相对应的限定索引(a,b,c,…)的字词串(S)。这种字词串(S)的示例在图3a中示出。因此，字词串(S)是其中频率分布(FV1)中的值的每个索引(a,b,c,…)在图2的频率范围(f)内依次排列的串。方法1000包括将字词串(S)分段1070为限定索引(a，b，c，...)的分段字词(s1,s2,…,si)的子集，如图3a和3b示意性所示。如将在下面进一步解释的，字词串(S)可以以不同的步长(w)分段为分段字词(s1,s2,…,si)。这样就获得了分段字词(s1,s2,…,si)的数组。方法1000包括将在字词串(S)中的分段字词(s1,s2,…,si)的出现频率确定1080为第一参考词项频率(TF1)。图4是一个示例，其中示出了针对三个不同字词的分段字词的出现频率。例如。在基于频率分布Fv1的字词串(S)中字词‘bbbbaaa’出现了38次。方法1000包括将第一参考词项频率(TF1)与第一机器部件状态(M1)相关联1090，所述第一机器部件状态(M1)可以对应于已知的机器部件状态，例如良好或故障的机器部件状态。因此，可以限定由参考词项频率(TF1)表示的参考状态。在不同的时间点，机器部件可能发生了变化(例如出现了缺陷行为或经历了其他过程)，所述变化可反映在后续测量的运动特性中。方法1000包括，对于后续记录的运动特性值的集合，确定1100对应的后续词项频率(TFn)。因此，可以如上文针对参考词项频率(TF1)所描述的那样确定后续词项频率(TFn)。图2示出了后续记录的运动特性值的集合的频率分布(Fn)的示例。图4示出了针对后续记录的值的集合的后续词项频率(TFn)以及第一参考词项频率(TF1)的示例。方法1000还包括将后续词项频率(TFn)与第一参考词项频率(TF1)进行比较1110，以确定与第一机器部件状态(M1)的相关性。可以利用不同的统计度量来确定词项频率(TF1,TFn)之间的关系，例如确定均值或离散值之间的关系，或者词项频率(TF1,TFn)的趋势。如果从这种比较得出的偏差在限定的统计限值或标准之内，则可以确认统计学上的显著关系。因此，相关度可以在限定的标准之内，以确认与后续词项频率(TFn)相关联的后续记录的运动特性值的集合，以表示在一定程度上与第一项的机器部件状态(M1)对应的机器部件状态。如果上述偏差表明相关度超出了限定的标准，则与后续词项频率(TFn)相关联的后续记录的运动特性值的集合也可以被分类为表示以统计学显著量偏离第一机器部件状态(M1)的机器部件状态。第一机器部件状态(M1)可以是循环运动式机器部件的限定的已知状态。因此，如上所述，通过将在不同时间点获得的运动特性值集合和与第一机器部件状态(M1)相关联的参考词项频率(TF1)进行比较，可以确认机器部件随时间的变化。
因此，生成与频率分布(Fv1)中的运动特性的值的出现相对应的限定索引(a,b,c,…)的字词串(S)，以及确定字词串(S)中的分段字词(s1,s2,…,si)的参考词项频率(TF1)，同时确定后续记录的运动特性值的集合的后续词项频率(TFn)以与参考词项频率(TF1)进行比较以与机器状态相关联，提供了对机器部件的状态的准确分类。因此，提供了对循环运动式机器部件的便利的状态监测，以可靠且及时地检测异常行为或即将发生的故障。因此，方法1000提供了稳固且准确的状态监测，同时实现起来不太复杂。
方法1000可以包括为针对第二机器部件状态(M2)测量的运动特性值确定1091第二参考词项频率(TF2)。第二机器部件状态(M2)可以对应于功能性降低的机器部件，而第一机器部件状态(M1)可以对应于校准的参考机器部件。因此，第一和第二参考词项频率(TF1,TF2)可以对应于循环运动式机器部件的不同条件或分类。图5示出了在机器部件的第二机器部件状态(M2)下针对多个循环获得的可测量运动特性的值的频率分布(Fv2)的示例。图6a示出了与从这种频率分布(Fv2)获得的分段字词(s1,s2,…,si)的出现相关联的第二参考词项频率(TF2)的示例。因此，获得了参考词项频率(TF1,TF2)的集合用于与后续词项频率(TFn)进行比较，如图6b中一般所示。可想到的是，无论何时确定了第一和第二参考词项频率(TF1,TF2)，只要后者表示机器部件的参考状态，就可以在任何时间点获得后续词项频率(TFn)。因此，方法1000可以包括将后续词项频率(TFn)与第一和第二参考词项频率(TF1,TF2)进行比较1111，以将与后续词项频率(TFn)相关联的当前机器部件状态确定为所述第一或第二机器部件状态(M1,M2)。
因此，可以确定与第一和第二参考词项频率(TF1,TF2)的相关度，以将与后续词项频率(TFn)相关联的后续记录的运动特性值的集合分类为表示第一或第二机器部件状态(M1,M2)。图4和图5中的示例示出了与第一机器部件状态(M1)相比，相对于相关联的频率分布(Fv2，Fn)和词项频率(TF2,TFn)，后续记录的运动特性值的集合与第二机器部件状态(M2)之间的相关度更高。因此，由后续记录的运动特性值的集合表示的当前机器部件状态可以被认为与第二机器部件状态(M2)具有比与第一机器部件状态(M1)更好的相似性。这提供了对机器部件的有效表征，其中，例如可以以改善和便利的方式检测从良好状态到故障状态的转变。
方法1000可以包括基于在第一和第二参考词项频率(TF1,TF2)下分段字词(s1,s2,…,si)的出现之间的差来确定1092第一和第二参考词项频率(TF1,TF2)的加权的词项频率(WF1,WF2)。例如，第一分段字词(s1)可能以第一和第二参考词项频率(TF1,TF2)两者出现多次，而第二分段字词(s2)可能仅以第二参考词项频率(TF2)出现，或者与第一参考词项频率(TF1)相比，以第二参考词项频率(TF2)出现的次数显著较多。在这种情况下，与第二分段字词(s2)相比，在加权的词项频率(WF1,WF2)中为第一分段字词(s1)赋予显著较低的权重。因此，在第一和第二参考词项频率(TF1,TF2)的相应系列下唯一的分段字词(s1,s2,…,si)可以被赋予较高的权重。方法1000可以包括将后续词项频率(TFn)与加权的参考词项频率(WF1,WF2)进行比较1112，以确定当前的机器部件状态。图7a是示出为分段字词(s1,s2,…,si)确定的加权的参考词项频率(WF1,WF2)的示意图。这提供了对机器状态与后续词项频率(TFn)的最接近匹配度的有效确认。在上述示例中，在词项频率(TF1,TF2,TFn)下可以有利地比较第二分段字词(s2)的出现，所述第二分段字词(s2)相比第一分段字词(s1)被赋予更高的权重。因此，可以确定在后续词项频率(TFn)下第二分段字词(s2)的出现是否更接近对应于在第一词项频率(TF1)或第二词项频率(TF2)下s2的出现。因此，可以针对如所述进行排序的具有高权重的多个分段字词(s1,s2,…,si)执行类似的过程。这提供了对当前机器部件状态的便利且更有效的分类，因为优先考虑了在任何参考词项频率(TF1,TF2)下出现的分段字词(s1,s2,…,si)的唯一出现，而舍弃了通常出现的字词。可以为上述权重设置限定的阈值，以从相关性中消除相关权重低于阈值的分段字词(s1,s2,…,si)。
确定加权的词项频率(WF1,WF2)可以包括确定1093在第一和第二参考词项频率(TF1,TF2)下相应的分段字词(s1,s2,…,si)的出现率的总和(D)。因此，对于每个分段字词(s1,s2,…,si)，总和(D)确定为D＝TF1+TF2。方法1000可以包括确定作为所述总和(D)的倒数(1/D)的逆频率(ID)。方法1000还可以包括确定1094在逆频率(ID)与第一和第二参考词项频率(TF1,TF2)之间的乘积(ID*TF1,ID*TF2)。图7b示出了一个示例，其中针对每个分段字词(s1,s2,…,si)以及第一和第二参考词项频率(TF1,TF2)确定上述乘积。方法1000可以包括基于所述乘积(ID*TF1,ID*TF2)中的分段字词的出现之间的差来确定1095加权的词项频率(WF1,WF2)。转到图7b中的示例，分段字词‘baaaaaaa’在TF2中的出现率最多，并且在TF2中的出现次数也是在TF1中的五倍。分段字词‘bbbbaaaa’在TF2中的出现率也是在TF1中的五倍，但总出现次数却比‘baaaaaaa’少。因此，‘baaaaaaa’的乘积(ID*TF1,ID*TF2)的差比‘bbbbaaaa’的稍微大。因此，对于字词‘baaaaaaa’，可以将与第二参考词项频率(TF2)相关联的加权的词项频率(WF2)设置为高于字词‘bbbbaaaa’。对于分段字词‘bbaaaabb’来说，该差较小，因为出现率的差较小，对于‘cbbbcccb’来说，该差甚至更小。因此，在后续词项频率(TFn)下，字词‘baaaaaaa’和‘bbbbaaaa’的出现率可以有利地与第一和第二参考词项频率(TF1,TF2)中的相应字词进行比较，以确定TFn是否与TF1或TF2更紧密相关。这提供了对机器状态与后续词项频率(TFn)的最接近匹配度的有效确认。
如上所阐明，加权的词项频率(WF1,WF2)可以被赋予与所述乘积(ID*TF1,ID*TF2)中的分段字词的出现率之间的差成比例的权重。
将字词串(S)分段为限定索引(a，b，c，...)的分段字词(s1,s2,…,si)的子集可包括从字词串(S)中提取1071限定字长的分段字词。可以根据特定应用来优化字长。可以以限定索引步长(w)逐步地将字词串(S)分段，如图3a和3b示意性地所示。
如图3b的示例中所示，可以以一个索引的限定步长(w)逐步地将字词串(S)分段1072。因此，对于到达下一个索引(a,b,c,…)的每一步，都以限定的字长(例如，如图3b所示的8个索引)提取后续分段字词。在图3a的示例中，限定步长(w)等于字长，即8个索引。
运动特性包括循环运动式机器部件的振动数据。因此，图1中的值可以对应于循环运动式机器部件的振动幅度。
如上面进一步阐明的，方法1000可以包括基于后续词项频率(TFn)与第一机器部件状态(M1)和/或第二机器部件状态(M2)的相关性来监测1120机器部件的状态。后续记录的运动特性值的集合可以最初分类为与第一机器部件状态(M1)(例如校准的参考机器部件状态)具有最紧密的相关性。当随着时间监测相关性时，最接近的关系可以转移到第二机器部件状态(M2)，所述第二机器部件状态(M2)可以与功能性降低的机器部件相关联。
还提供了用于循环运动式机器部件的状态监测的设备200。如上所述，机器部件的运动循环生成可测量的运动特性。设备200包括在图8c中示意性地示出的处理器201，其被配置为记录1010针对循环所测量的运动特性值(v1)；生成1020所记录的值的频率分布(Fv1)；为频率分布(Fv1)中的值的出现率限定1030间隔；将间隔与限定索引(a,b,c,…)相关联1040；将频率分布中的值的出现率与基于间隔的相应的限定索引(a,b,c,…)相关联1050；生成1060与频率分布(Fv1)中的值的相对应的限定索引(a,b,c,…)的字词串(S)；将所述字词串(S)分段1070为限定索引(a，b，c，...)的分段字词(s1,s2,…,si)的子集；将所述字词串(S)中的分段字词(s1,s2,…,si)出现的频率确定1080为第一参考词项频率(TF1)；将第一参考词项频率(TF1)与第一机器部件状态(M1)相关联1090。处理器201被配置为，对于后续记录的运动特性值的集合，确定1100对应的后续词项频率(TFn)，并将后续词项频率(TFn)与第一参考词项频率(TF1)进行比较1110，以确定与第一机器部件状态(M1)的相关性。因此，设备200提供了如上关于图1至7所描述的有利益处。
提供了一种包括指令的计算机程序产品，当所述程序由计算机执行时，所述指令使所述计算机执行如上关于图1至7所述的方法1000的步骤。
根据以上描述，尽管已经描述和示出了本发明的各种实施方案，但是本发明不限于此，而是还可以在所附权利要求书所限定的主题的范围内以其他方式实施。

Claims (13)

1.一种用于循环运动式机器部件的状态监测的方法(1000)，其中，所述机器部件的运动循环生成可测量的运动特性，所述方法包括：
记录(1010)针对所述循环所测量的所述运动特性的值(v1)，
生成(1020)所记录的值的频率分布(Fv1)，
为所述频率分布(Fv1)中的值的出现限定(1030)间隔，
将所述间隔与限定索引(a，b，c，...)相关联(1040)，
将所述频率分布(Fv1)中的所述值的出现与基于所述间隔的相应限定索引(a，b，c，...)相关联，
生成(1060)与所述频率分布(Fv1)中的所述值的出现相对应的所述限定索引(a,b,c,…)的字词串(S)，
将所述字词串(S)分段(1070)为所述限定索引(a，b，c，...)的分段字词(s1，s2，...，si)的子集，
将所述字词串(S)中的所述分段字词(s1,s2,…,si)的出现的频率确定(1080)为第一参考词项频率(TF1)，
将所述第一参考词项频率(TF1)与第一机器部件状态(M1)相关联(1090)，
对于后续记录的运动特性值的集合，确定(1100)对应的后续词项频率(TFn)，以及
将所述后续词项频率(TFn)与所述第一参考词项频率(TF1)进行比较(1110)，以确定与所述第一机器部件状态(M1)的相关性。
2.根据权利要求1所述的方法，包括
为针对第二机器部件状态(M2)所测量的运动特性值确定(1091)第二参考词项频率(TF2)，
将所述后续词项频率(TFn)与第一和第二参考词项频率(TF1,TF2)进行比较(1111)，以将与所述后续词项频率(TFn)相关联的当前机器部件状态确定为所述第一或第二机器部件状态(M1,M2)。
3.根据权利要求2所述的方法，包括
基于在所述第一和第二参考词项频率(TF1,TF2)下所述分段字词(s1,s2,…,si)的出现之间的差，确定(1092)所述第一和第二参考词项频率(TF1,TF2)的加权的词项频率(WF1,WF2)，
将所述后续词项频率(TFn)与所述加权的参考词项频率(WF1,WF2)进行比较(1112)以确定所述当前机器部件状态。
4.根据权利要求3的方法，其中确定所述加权的词项频率(WF1,WF2)包括
确定(1093)在所述第一和第二参考词项频率(TF1,TF2)下相应的分段字词(s1,s2,…,si)的出现的总和(D)，
确定作为所述总和的倒数(1/D)的逆频率(ID)，
确定(1094)所述逆频率(ID)与所述第一和第二参考词项频率(TF1,TF2)的乘积(ID*TF1,ID*TF2)，
基于在所述乘积(ID*TF1,ID*TF2)中所述分段字词的出现之间的差，确定(1095)所述加权的词项频率(WF1,WF2)。
5.根据权利要求4所述的方法，其中，赋予所述加权的词项频率(WF1,WF2)与所述乘积(ID*TF1,ID*TF2)中所述分段字词的出现之间的差成比例的权重。
6.根据权利要求1-5中任一项所述的方法，其中，将所述字词串分段为所述限定索引(a,b,c,…)的分段字词(s1,s2,…,si)的子集包括
从所述字词串(S)中提取(1071)限定的字长的分段字词，
其中，以限定索引步长(w)逐步地将所述字词串(S)分段。
7.根据权利要求5所述的方法，其中，以一个索引的限定步长(w)逐步地将所述字词串(S)分段(1072)。
8.根据权利要求1-5中任一项所述的方法，其中，所述运动特性包括所述循环运动式机器部件的振动数据。
9.根据权利要求1-5中的任一项所述的方法，其中，所述第一机器部件状态(M1)对应于校准的参考机器部件。
10.根据权利要求2所述的方法，其中，所述第二机器部件状态(M2)对应于具有降低的功能性的机器部件。
11.根据权利要求1-5中的任一项所述的方法，包括基于所述相关性来监测(1120)所述机器部件的状态。
12.一种用于循环运动式机器部件的状态监测的设备(200)，其中，所述机器部件的运动循环生成可测量的运动特性，所述设备包括；
处理器(201)，其被配置为
记录(1010)针对所述循环所测量的运动特性值(v1)，
生成(1020)所记录的值的频率分布(Fv1)，
为所述频率分布(Fv1)中值的出现限定(1030)间隔，
将所述间隔与限定索引(a，b，c，...)相关联(1040)，
将所述频率分布中的所述值的出现与基于所述间隔的相应的限定索引(a，b，c，...)相关联(1050)，
生成(1060)与所述频率分布(Fv1)中的所述值的出现相对应的所述限定索引(a,b,c,…)的字词串(S)，
将所述字词串(S)分段(1070)为限定索引(a，b，c，...)的分段字词(s1，s2，...，si)的子集，
将所述字词串(S)中所述分段字词(s1,s2,…,si)的出现的频率确定(1080)为第一参考词项频率(TF1)，
将所述第一参考词项频率(TF1)与第一机器部件状态(M1)相关联(1090)，
对于后续记录的运动特性值的集合，确定(1100)对应的后续词项频率(TFn)，
将所述后续词项频率(TFn)与所述第一参考词项频率(TF1)进行比较(1110)，以确定与所述第一机器部件状态(M1)的相关性。
13.一种包括指令的计算机程序产品，当所述程序由计算机执行时，所述指令使所述计算机执行根据权利要求1-11中的任一项所述的方法的步骤。
CN201980078105.XA 2018-11-27 2019-11-19 用于循环运动式机器部件的状态监测的方法 Active CN113168173B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18208543 2018-11-27
EP18208543.1 2018-11-27
PCT/EP2019/081742 WO2020109071A1 (en) 2018-11-27 2019-11-19 A method for condition monitoring of a cyclically moving machine component

Publications (2)

Publication Number Publication Date
CN113168173A CN113168173A (zh) 2021-07-23
CN113168173B true CN113168173B (zh) 2022-08-16

Family

ID=64604431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980078105.XA Active CN113168173B (zh) 2018-11-27 2019-11-19 用于循环运动式机器部件的状态监测的方法

Country Status (5)

Country Link
US (1) US11953878B2 (zh)
EP (1) EP3660613B1 (zh)
JP (1) JP7344291B2 (zh)
CN (1) CN113168173B (zh)
WO (1) WO2020109071A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114932103B (zh) * 2022-07-26 2022-09-30 江苏优创生物医学科技有限公司 一种往复式医疗分拣机晃动分析方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3225204B2 (ja) * 1997-02-05 2001-11-05 株式会社東芝 回転機、回転機設備、輸送システム、加振構造物等の健全性確認検査装置および方法
US6026348A (en) * 1997-10-14 2000-02-15 Bently Nevada Corporation Apparatus and method for compressing measurement data correlative to machine status
FI112972B (fi) * 1998-07-15 2004-02-13 Abb Research Ltd Laakerin kunnon arviointi
US6370957B1 (en) * 1999-12-31 2002-04-16 Square D Company Vibration analysis for predictive maintenance of rotating machines
EP1298511B2 (en) * 2001-09-27 2009-11-18 Reliance Electric Technologies, LLC Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP4100414B2 (ja) * 2005-04-25 2008-06-11 松下電工株式会社 設備監視方法および設備監視装置
JP5293300B2 (ja) * 2009-03-16 2013-09-18 富士電機株式会社 回転機の振動監視装置および振動監視方法
FR3014502B1 (fr) * 2013-12-09 2017-12-08 Centre Techn Ind Mecanique Procede et dispositif de detection de defauts mecaniques dans une machine tournante a regime variable
JP6424562B2 (ja) * 2014-10-23 2018-11-21 富士ゼロックス株式会社 障害予測装置、障害予測システム、及びプログラム
US10725439B2 (en) * 2014-12-02 2020-07-28 Siemens Aktiengesellschaft Apparatus and method for monitoring a device having a movable part
FR3032273B1 (fr) * 2015-01-30 2019-06-21 Safran Aircraft Engines Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
EP3081914B1 (de) * 2015-04-15 2018-07-04 Siemens Aktiengesellschaft Überwachung einer maschine mit einer rotierenden maschinenkomponente
CN105004523B (zh) * 2015-08-04 2017-07-21 潍坊学院 基于加权相似性测度的滚动轴承状态监测方法
CN105067262B (zh) * 2015-08-04 2017-10-27 潍坊学院 一种滚动轴承状态监测方法
CN106908232A (zh) * 2017-02-24 2017-06-30 伍婷婷 一种旋转机械的振动信号故障识别方法
JP2019179395A (ja) * 2018-03-30 2019-10-17 オムロン株式会社 異常検知システム、サポート装置および異常検知方法

Also Published As

Publication number Publication date
US20220011741A1 (en) 2022-01-13
JP7344291B2 (ja) 2023-09-13
WO2020109071A1 (en) 2020-06-04
JP2022507974A (ja) 2022-01-18
EP3660613A1 (en) 2020-06-03
US11953878B2 (en) 2024-04-09
CN113168173A (zh) 2021-07-23
EP3660613B1 (en) 2021-07-21

Similar Documents

Publication Publication Date Title
US11054337B2 (en) Method for conducting a vibration-diagnostic monitoring of a machine
EP3186598B1 (en) Monitoring of a device having a movable part
US10430531B2 (en) Model based system monitoring
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
US20180259947A1 (en) Management device and non-transitory computer-readable medium
KR20210091737A (ko) 비정상 기계 성능의 자동화된 분석
EP3415891B1 (en) Method of fault prediction of a cyclically moving machine component
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
CN111061581B (zh) 一种故障检测方法、装置及设备
CN113168173B (zh) 用于循环运动式机器部件的状态监测的方法
KR20210006832A (ko) 기계고장 진단 방법 및 장치
US11867763B2 (en) Method for monitoring circuit breaker and apparatus and internet of things using the same
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
CN111356963A (zh) 用于制造设施的状态监控的方法
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
Dhandapani et al. Dynamic analysis of vibration signals and adaptive measures for effective condition monitoring of electrical machines
Alfaro-Nango et al. Predictive maintenance algorithm based on machine learning for industrial asset
JP7370044B2 (ja) 監視条件決定装置、監視条件決定方法、及びプログラム
Inagaki et al. Using Deep-Learning Approach to Detect Anomalous Vibrations of Press Working Machine
Mehrabi Development of Advanced Control Failure Monitoring (CFM) Algorithms via Artificial Intelligence and Machine Learning
JP7311820B1 (ja) 異常判定方法、異常判定装置及びプログラム
US20220317679A1 (en) Methods and systems for predictive analysis and/or process control
Kolb et al. Powertrain fault diagnosis of manufacturing processes by means of servo drives

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