CN113464457B - 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 - Google Patents
基于自搜索特征峰值与局部极差的离心泵故障诊断方法 Download PDFInfo
- Publication number
- CN113464457B CN113464457B CN202110759683.9A CN202110759683A CN113464457B CN 113464457 B CN113464457 B CN 113464457B CN 202110759683 A CN202110759683 A CN 202110759683A CN 113464457 B CN113464457 B CN 113464457B
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- frequency
- peak value
- self
- vibration signal
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
基于自搜索特征峰值与局部极差的离心泵故障诊断方法,首先获取离心泵的振动信号和三相电流信号;其次在额定转频内根据功率谱峰值自动搜索离心泵转频;然后利用低通滤波后的振动信号构建自搜索转频峰值指标,利用带通滤波及db10小波分解后的振动信号构建自搜索特征频率峰值指标,利用电流信号构建电流局部极差指标;分别设定相应的阈值,并通过所提取指标与设定阈值的比较输出诊断结果,实现对离心泵故障的自动诊断;本发明针对离心泵振动信号和电流信号的特点,分别构建指标,克服了传统方法需要人工判断且过于依赖专家及先验知识,费时费力且易发生状态误判的缺陷,能够对离心泵实现自动故障诊断,提高了离心泵故障诊断的效率和准确性。
Description
技术领域
本发明属于离心泵故障诊断技术领域,具体涉及一种基于自搜索特征峰值与局部极差的离心泵故障诊断方法。
背景技术
离心泵以其结构简单、性能稳定、维修方便、价格便宜等优点,在机械、石油化工、国防工业等领域得到了广泛应用。然而离心泵往往在高温、高速的恶劣工况下工作,随着服役时间的增长,离心泵性能会出现明显退化,从而导致故障频发,而离心泵在工程实际中运送的介质又一般具有毒性、腐蚀性、易燃易爆等特点,若无法对离心泵故障进行及时有效地诊断,将会造成环境污染、经济损失甚至人员伤亡等重大事故。因此,对离心泵故障诊断方法进行研究,进而保障其安全平稳运行显得尤为重要。
离心泵的常见故障主要包括轴承故障、叶轮故障和气穴。近年来,相关人员对离心泵的故障诊断主要是在提取特征之后,通过诊断专家直接观察、分析所提取的特征,或依靠专业知识在时域、频域和时频域内对信号谱图进行人工分析,人为地对离心泵的健康状态进行判断,从而实现故障诊断。上述方法需要人工判断且过于依赖专家及先验知识,费时费力且易发生状态误判,极大地增大了维护难度,难以实现对离心泵故障的高效准确识别。
发明内容
为了克服上述现有技术存在的缺点,本发明的目的在于提出一种基于自搜索特征峰值与局部极差的离心泵故障诊断方法,提高离心泵故障诊断的效率和准确性。
为达到上述目的,本发明采取的技术方案如下:
基于自搜索特征峰值与局部极差的离心泵故障诊断方法,包括以下步骤:
步骤1:获取离心泵的振动信号样本及三相电流信号样本;
步骤2:自动搜索离心泵转频,对获取的离心泵振动信号样本做功率谱,在离心泵额定转速内自动搜索功率谱峰值,谱峰值对应的频率即为自动搜索所得的离心泵转频fsearch;
步骤3:构建自搜索转频峰值指标rpv,首先对获取的离心泵振动信号样本进行低通滤波,得到频率在1280Hz以下的信号成分,并计算滤波后振动信号时域峰峰值xpp:
xpp=max(x)-min(x)
其中,x表示低通滤波后的振动信号;
然后对低通滤波后的信号进行快速傅里叶变换,在获得的频谱中,对步骤2所得的离心泵转频fsearch左右各2Hz频率区间内进行最大幅值自动搜索,得到转频附近最大幅值Fmax,进而得到自搜索转频峰值指标rpv:
步骤4:构建自搜索特征频率峰值指标fpv,首先对获取的离心泵振动信号样本进行带通滤波,得到频率在[2500Hz,10000Hz]区间的信号成分,并计算滤波后振动信号时域峰峰值:
x'pp=max(x')-min(x')
其中,x'表示带通滤波后的振动信号;
利用db10小波对带通滤波后的振动信号进行四层小波分解,并对各层小波分解的高频细节信号进行平方包络,得到各层平方包络谱其中k表示层数,k∈[1,4];其次将中转频fsearch左右各0.5Hz频率区间内的信号幅值取反,得到转频负谱即:
通过计算:
步骤5:构建电流局部极差指标pdc,将三相电流信号样本分别分割为长度为1s的小段,每相电流信号包含J段样本,计算分段后三相电流信号每段的峰峰值和最小值其中,j=1,2,...,J,并依此得到U、V、W相电流局部极差指标:
将获得的U、V、W相电流局部极差指标取平均,得到电流局部极差指标pdc:
步骤6:对步骤3、步骤4、步骤5中构造的指标根据幅值分别设定相应的阈值THHr、THHf、THHp,并根据所构建的指标和相应阈值对离心泵健康状态进行划分:若rpv>THHr,则诊断为轴承故障,否则,如果满足fpv>THHf,此时判断故障类型为叶轮故障;每组数据均须判断是否有气穴现象,若pdc>THHp,则离心泵入口流量不足,存在气穴,若pdc≤THHp,则离心泵无气穴。
本发明的有益效果为:本发明提出一种基于自搜索特征峰值与电流局部极差的离心泵故障诊断方法,首先利用振动信号和电流信号分别构建自搜索转频峰值指标rpv、自搜索特征频率峰值指标fpv以及电流局部极差指标pdc,并根据所构建的不同故障指标分别设定不同阈值,通过所构建指标与阈值的比较实现离心泵故障的自动诊断,克服了传统方法对诊断专家和先验知识的过分依赖,提高了诊断效率和诊断准确性。
附图说明
图1为本发明的流程图。
图2为实施例离心泵故障的诊断结果。
具体实施方式
下面结合实施例和附图对本发明做进一步阐述。
如图1所示,基于自搜索特征峰值与局部极差的离心泵故障诊断方法,包括以下步骤:
步骤1:获取离心泵的振动信号样本及三相电流信号样本;
步骤2:自动搜索离心泵转频;对获取的离心泵振动信号样本做功率谱,在离心泵额定转速内自动搜索功率谱峰值,谱峰值对应的频率即为自动搜索所得的离心泵转频fsearch;
步骤3:构建自搜索转频峰值指标rpv;首先对获取的离心泵振动信号样本进行低通滤波,得到频率在1280Hz以下的信号成分,并计算滤波后振动信号时域峰峰值xpp:
xpp=max(x)-min(x)
其中,x表示低通滤波后的振动信号;
然后对低通滤波后的信号进行快速傅里叶变换,在获得的频谱中,对步骤2所得的离心泵转频fsearch左右各2Hz频率区间内进行最大幅值自动搜索,得到转频附近最大幅值Fmax,进而得到自搜索转频峰值指标rpv:
步骤4:构建自搜索特征频率峰值指标fpv;首先对获取的离心泵振动信号样本进行带通滤波,得到频率在[2500Hz,10000Hz]区间的信号成分,并计算滤波后振动信号时域峰峰值:
x'pp=max(x')-min(x')
其中,x'表示带通滤波后的振动信号;
利用db10小波对带通滤波后的振动信号进行四层小波分解,并对各层小波分解的高频细节信号进行平方包络,得到各层平方包络谱其中k表示层数,k∈[1,4];其次将中转频fsearch左右各0.5Hz频率区间内的信号幅值取反,得到转频负谱即:
通过计算:
步骤5:构建电流局部极差指标pdc;将三相电流信号样本分别分割为长度约为1s的小段,每相电流信号包含J段样本,计算分段后三相电流信号每段的峰峰值和最小值其中,j=1,2,...,J,并依此得到U、V、W相电流局部极差指标:
将获得的U、V、W相电流局部极差指标取平均,得到电流局部极差指标pdc:
步骤6:对步骤3、步骤4、步骤5中构造的指标根据幅值分别设定相应的阈值THHr、THHf、THHp,并根据所构建的指标和相应阈值对离心泵健康状态进行划分:若rpv>THHr,则诊断为轴承故障,否则,如果满足fpv>THHf,此时判断故障类型为叶轮故障;由于气穴可能伴随轴承故障、叶轮故障同时存在,因此每组数据均须判断是否有气穴现象,若pdc>THHp,则离心泵入口流量不足,存在气穴,若pdc≤THHp,则离心泵无气穴。
实施例:以应用离心泵故障实验数据为例,验证本发明的可行性。
获得的离心泵故障实验数据是分别在30Hz、40Hz、50Hz三种不同转速下测得的离心泵不同故障类型实验数据,其中离心泵故障包括轴承故障、叶轮故障以及气穴,由于气穴可能伴随轴承故障、叶轮故障同时存在,因此故障类型又可进一步细分为轴承故障+气穴、单一轴承故障、叶轮故障+气穴、单一叶轮故障和单一气穴,每组数据均需判断是否有气穴。离心泵轴承型号为6306和6307,包含NSK和SKF两种,两类轴承在转频f下的理论故障特征频率分别如表1和表2所示:
表1 NSK 6306/SKF 6306轴承故障特征频率(转频f)
表2 NSK 6307/SKF 6307轴承故障特征频率(转频f)
实验过程中,分别使用加速度传感器和电流钳获取离心泵的振动信号和三相电流信号。
使用本发明方法对离心泵进行故障诊断,首先针对振动信号和三相电流信号,提取本发明提出的自搜索转频峰值指标rpv、自搜索特征频率峰值指标fpv和电流局部极差指标pdc;其次分别为每个指标设定相应的阈值,其中THHr设定为0.5,THHf设定为1000,THHp设定为1000;然后对不同转速、不同故障类型的离心泵进行故障诊断,诊断结果如图2所示,从图2中可以看出,对于不同的离心泵故障类型,针对不同转速下的监测信号,本发明方法能实现对离心泵故障的自动诊断,且诊断准确率高,表明本发明有效地克服了传统方法对诊断专家和先验知识的过分依赖,提高了离心泵故障诊断的效率和性能。
在具体应用中,实施者可根据实际情况,通过对本发明中的阈值进行适当调整,便可用本发明方法实现对离心泵的自动故障诊断,有助于提高离心泵故障诊断的效率和性能。应当指出,在不脱离本发明构想的前提下,对本发明方法所做的调整和变形,也应视为本发明的保护范围。
Claims (1)
1.基于自搜索特征峰值与局部极差的离心泵故障诊断方法,其特征在于,包括以下步骤:
步骤1:获取离心泵的振动信号样本及三相电流信号样本;
步骤2:自动搜索离心泵转频,对获取的离心泵振动信号样本做功率谱,在离心泵额定转速内自动搜索功率谱峰值,谱峰值对应的频率即为自动搜索所得的离心泵转频fsearch;
步骤3:构建自搜索转频峰值指标rpv,首先对获取的离心泵振动信号样本进行低通滤波,得到频率在1280Hz以下的信号成分,并计算滤波后振动信号时域峰峰值xpp:
xpp=max(x)-min(x)
其中,x表示低通滤波后的振动信号;
然后对低通滤波后的信号进行快速傅里叶变换,在获得的频谱中,对步骤2所得的离心泵转频fsearch左右各2Hz频率区间内进行最大幅值自动搜索,得到转频附近最大幅值Fmax,进而得到自搜索转频峰值指标rpv:
步骤4:构建自搜索特征频率峰值指标fpv,首先对获取的离心泵振动信号样本进行带通滤波,得到频率在[2500Hz,10000Hz]区间的信号成分,并计算滤波后振动信号时域峰峰值:
x'pp=max(x')-min(x')
其中,x'表示带通滤波后的振动信号;
利用db10小波对带通滤波后的振动信号进行四层小波分解,并对各层小波分解的高频细节信号进行平方包络,得到各层平方包络谱其中k表示层数,k∈[1,4];其次将中转频fsearch左右各0.5Hz频率区间内的信号幅值取反,得到转频负谱k∈[1,4],即:
通过计算:
步骤5:构建电流局部极差指标pdc,将三相电流信号样本分别分割为长度为1s的小段,每相电流信号包含J段样本,计算分段后三相电流信号每段的峰峰值和最小值其中,j=1,2,...,J,并依此得到U、V、W相电流局部极差指标:
将获得的U、V、W相电流局部极差指标取平均,得到电流局部极差指标pdc:
步骤6:对步骤3、步骤4、步骤5中构造的指标根据幅值分别设定相应的阈值THHr、THHf、THHp,并根据所构建的指标和相应阈值对离心泵健康状态进行划分:若rpv>THHr,则诊断为轴承故障,否则,如果满足fpv>THHf,此时判断故障类型为叶轮故障;每组数据均须判断是否有气穴现象,若pdc>THHp,则离心泵入口流量不足,存在气穴,若pdc≤THHp,则离心泵无气穴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759683.9A CN113464457B (zh) | 2021-07-05 | 2021-07-05 | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759683.9A CN113464457B (zh) | 2021-07-05 | 2021-07-05 | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113464457A CN113464457A (zh) | 2021-10-01 |
CN113464457B true CN113464457B (zh) | 2022-04-05 |
Family
ID=77878213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759683.9A Active CN113464457B (zh) | 2021-07-05 | 2021-07-05 | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113464457B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263621B (zh) * | 2021-11-26 | 2023-07-21 | 江苏科技大学 | 一种离心泵空化故障诊断模拟的试验方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699070A (zh) * | 2009-10-21 | 2010-04-28 | 山东科技大学 | 一种离心式水泵智能真空充水检测装置及其方法 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN105738107A (zh) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | 基于近似完备可变模式分解的机车轮对轴承故障诊断方法 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027675A1 (en) * | 2005-07-26 | 2007-02-01 | Lecroy Corporation | Spectrum analyzer control in an oscilloscope |
-
2021
- 2021-07-05 CN CN202110759683.9A patent/CN113464457B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699070A (zh) * | 2009-10-21 | 2010-04-28 | 山东科技大学 | 一种离心式水泵智能真空充水检测装置及其方法 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN105738107A (zh) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | 基于近似完备可变模式分解的机车轮对轴承故障诊断方法 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113464457A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108195587B (zh) | 一种电机滚动轴承故障诊断方法及其诊断系统 | |
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
CN109488630B (zh) | 基于谐波相对指标的离心风机转子不对中故障诊断方法 | |
CN110410336B (zh) | 一种泵汽蚀状态自动识别方法 | |
CN113464457B (zh) | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 | |
CN110514441A (zh) | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 | |
CN110940917B (zh) | 一种电动机故障预警方法及系统 | |
CN108844733B (zh) | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 | |
CN104655380A (zh) | 一种旋转机械设备故障特征提取方法 | |
CN108644130B (zh) | 一种泵组故障的检测方法 | |
CN111963415A (zh) | 一种液压柱塞泵的故障诊断方法及系统 | |
CN104502099A (zh) | 齿轮箱瞬变工况特征分量循频提取方法 | |
CN112696345A (zh) | 一种油田注水泵机组故障在线诊断系统及方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
CN113138337B (zh) | 基于状态划分与频段同步校正的三相电机故障诊断方法 | |
CN116877452B (zh) | 基于物联网数据的非变容式水泵运行状态监控系统 | |
CN116859240A (zh) | 一种基于多传感器和边缘计算的直流无刷电机故障识别方法 | |
CN114383718B (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
CN116625681A (zh) | 一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法 | |
CN117851873B (zh) | 一种基于动态接触角的轴承运行状态评估方法及系统 | |
CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
Li et al. | Bearing fault diagnosis method using envelope analysis and euclidean distance | |
CN113189483B (zh) | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 | |
HA Mattar et al. | Fault diagnosis of rolling element bearing based on the empirical wavelet transform technique and correlation coefficient | |
CN112963373B (zh) | 一种矿用轴流式主通风机隐患快速识别方法及监测装置 |
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 |