CN113551764A - 振动分析设备及其方法 - Google Patents

振动分析设备及其方法 Download PDF

Info

Publication number
CN113551764A
CN113551764A CN202110861933.XA CN202110861933A CN113551764A CN 113551764 A CN113551764 A CN 113551764A CN 202110861933 A CN202110861933 A CN 202110861933A CN 113551764 A CN113551764 A CN 113551764A
Authority
CN
China
Prior art keywords
algorithm
vibration
value
vibration analysis
description
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
Application number
CN202110861933.XA
Other languages
English (en)
Other versions
CN113551764B (zh
Inventor
张海涛
于禾
周文晶
田德钰
宋振国
张见平
张宇乐
李虎
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.)
Siemens Factory Automation Engineering Ltd
Original Assignee
Siemens Factory Automation Engineering Ltd
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 Siemens Factory Automation Engineering Ltd filed Critical Siemens Factory Automation Engineering Ltd
Priority to CN202110861933.XA priority Critical patent/CN113551764B/zh
Publication of CN113551764A publication Critical patent/CN113551764A/zh
Application granted granted Critical
Publication of CN113551764B publication Critical patent/CN113551764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种振动分析设备与方法，该设备包括输入接口，用于接收与第一零件有关的零件描述以及关于第一零件的故障描述；特征确定单元，用于基于所述零件描述与所述故障描述确定所述第一零件的至少一个零件状态特征；算法选择单元，用于基于所述零件状态特征从多个振动分析算法中选择与所述故障描述匹配的算法；以及分析单元，配置为利用所选择的匹配算法处理与所述第一零件相关的实时工况数据而生成振动特征值，该振动特征值可描述所述第一零件的健康状况。

Description

振动分析设备及其方法
技术领域
本发明涉及汽车生产线检测技术，尤其是涉及对生产线上设备的工作状态的预测。
背景技术
汽车生产线作为现代工业中高度自动化的生产线，集成了数百个生产步骤，而每个步骤涉及众多的生产设备。因此如果一个步骤中的任一个设备或其中的零件出现故障，都会导致整个生产线停顿，从而为配料供应、存储以及目标产量带来压力和损失。因此通常需要对生产线上的这种无法预料的停顿进行预判，从而避免损失。常规地，一些工厂在生产线上采用振动分析系统来监测设备健康状态并进而规划生产计划，然而这仍会带来如下问题。
首先，现有的振动分析系统过度依赖于现场工作人员的知识，然而通常生产线上的工作人员只对其负责的生产设备及其零件比较熟悉，但对于振动分析技术却了解不多，因此无法有效地分析振动数据，因而也就经常无法准确地预判哪个设备或何时这个设备可能会发生故障。
另外，现有的振动分析系统均是专门于特定的生产设备或生产线而开发，并与生产线上的设备或零件信息预先绑定。因此这样的振动分析系统受限于固定的生产线而不能灵活地运用于具有不同的零件或组成的其它生产线。即便是将这样的振动分析设备适配于其它生产线，也需要同时了解其它生产线与振动分析系统的专业人员来完成这项集成工作。
发明内容
本发明提出一种改进的振动分析设备，仅需要生产线上的工作人员提供相关零件以及零件故障信息，就可以实现对零件的工作状态进行诊断和预测，因此可以降低生产线上维护人员的要求。
按照本发明的一个方面提供一种振动分析设备，包括：输入接口，用于接收与第一零件有关的零件描述以及关于第一零件的故障描述；特征确定单元，用于基于所述零件描述与所述故障描述确定所述第一零件的至少一个零件状态特征；算法选择单元，用于基于所述零件状态特征从多个振动分析算法中选择与所述故障描述匹配的算法；分析单元，配置为利用所选择的匹配算法处理与所述第一零件相关的实时工况数据而生成振动特征值，该振动特征值可描述所述第一零件的健康状况。
按照本发明的另一个方面提供一种振动分析方法，包括：接收包含与第一零件有关的零件描述以及关于第一零件的故障描述；基于所述零件描述与所述故障描述确定所述第一零件的至少一个零件状态特征；基于所述零件状态特征从多个振动分析算法中选择与所述故障描述匹配的算法；利用所选择的匹配算法处理与所述第一零件相关的实时工况数据而生成振动特征值，该振动特征值可描述所述第一零件的健康状况。
附图说明
图1是按照一个示例的振动分析设备的示意图；
图2示意性地示出了时域与频域数据的时间变化曲线；
图3是按照另一个示例的振动分析设备的示意图；
图4是按照另一个示例的振动分析设备的示意图；
图5是按照一个示例的振动分析方法的流程图；
图6是按照另一个示例的振动分析设备的示意图；
图7是按照另一个示例的振动分析方法的流程图。
具体实施方式
下面结合附图对本发明实施例提供的方法和设备进行详细说明。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出根据本发明的一个实施例的振动分析设备示意图。振动分析设备100可位于生产线上的任一节点处，由该节点的用户例如生产线维护人员用于监测本节点的生产设备的健康状态，这里维护人员熟悉本节点处的一个或多个生产设备的零件组成及可能或经常发生的设备或零件故障。如图所示，振动分析设备100包括输入接口101，特征确定单元102，算法选择单元103以及分析单元104。
输入接口101可以作为人机接口接收用户输入，这里的用户输入包括用户期望预测的某一零件的故障描述(以下以FaultDes表示)，以及与该零件相关的零件描述(以下以PartDes表示)。为便于接收这些输入，输入接口101例如可以是位于振动分析设备100上的图形显示界面(GUI)，便于接收故障描述FaultDes以及零件描述PartDes。在诸如汽车制造工厂中，常见的故障例如有轴断裂、连接器断裂以及电机轴断裂等，显然每种断裂均会造成损失。因此对于用户期望对某一设备的例如轴断裂进行预测的情况下，可通过输入接口101的‘故障描述’FaultDes输入或选定‘轴断裂’。这里的‘零件描述’PartDes既可能包含了关于当前零件(以P1表示)的零件描述PartDes_1，也可以包含与零件P1相关或协作的一个或多个其它零件(以P2表示)的零件描述PartDes_2，或者只包含与零件P1相关的零件P2的零件描述PartDes_2，这里的零件描述可以是零件型号、名称等可标识零件的特征。仍以故障描述FaultDes为‘轴断裂‘为例，用户可以在PartDes处输入期望诊断轴的相关的零件描述，在本例中假设用户预测的轴P1与电机以及联轴器相关，因此用户可以在PartDes处输入与轴P1匹配工作的电机类型以及采用的联轴器(Connector Tooth)，例如PartDes＝PartDes_2＝(SEWK77DRE100LC4BE5TF，Connector Tooth)，其中‘SEWK77DRE100LC4BE5TF’为电机类型MotorModel。为便于说明，以下均以零件P1＝轴、FaultDes＝‘轴断裂’以及PartDes＝(MotorModel:SEWK77DRE100LC4BE5TF，Connector Tooth)为例予以描述。
特征确定单元102利用从输入接口101接收的零件描述PartDes与故障描述FaultDes，确定当前零件P1的至少一个零件状态特征PartFeature，该零件状态特征PartFeature所代表的工作状态与零件P1的潜在故障相关。为此，特征确定单元102可根据所要预测的零件P1的故障类型例如“轴断裂”，从零件P2的多个工作参数中选择相关的参数，即这些参数在零件P2与P1的实际运行中会影响到零件P1的寿命或故障。由于零件描述PartDes中可能涉及与零件P1存在关联的一个或多个其它零件P2，因此特征确定单元102为零件描述PartDes中涉及的每个零件确定其工作参数，在本例中，由于‘轴断裂’与电机转速等直接相关，因此，特征确定单元102选择电机的减速比ReductionRatio作为电机的与轴故障相关的工作参数。同时，特征确定单元102通过查询零件库105(如图1所示)，确定电机SEWK77DRE100LC4BE5TF的减速比的具体参数值，例如ReductionRatio＝38.39，同时确定联轴器ConnectorTooth的规范值，例如为23。
这里需要指出的是，零件库105中预先存储有大量的零件的多个工作参数，其中零件可以包括不同汽车生产线上涉及的不同设备或零件，这些设备或零件的工作参数作为设计标准参数预先存储在零件库105中，以适应于不同的生产线和其中不同的设备。下表1示出了零件库105存储的一种电机参数的一个示例，作为示例，仅示出了所存储的轴承的多个工作参数中的一部分参数：
表1
ReductionRatio(i) 级数 i1 i2 i3 Z1 Z2 Z3 Z4 Z5 Z6
38.39 3 4.04 1.632 5.824 25 101 19 31 17 99
如上表所示，对于电机SEWK77DRE100LC4BE5TF而言，在其设计规范中存在着多个工作参数，除了上面示例的减速比ReductionRatio，作为示例，还包括减速级数以及每一级的减速比i以及相应的齿数Z。根据需要可以在零件库105中存储这些工作参数中的至少一部分，以备要预判的相关零件的故障类型而供特征确定单元102调用相关的工作参数，在本例中，作为示例示出了为确定与电机匹配的轴断裂故障而选择电机参数为减速比ReductionRatio。
随后，特征确定单元102基于所确定的零件P2的工作参数以及当前实际运行数据OperationData，确定零件P1的至少一个零件状态特征PartFeature，其中每个零件状态特征包括特征参数及对应的参数值。具体地在本例中，特征确定单元102基于故障描述“轴断裂”，可确定需要考虑的轴的状态特征为轴转动频率(ShaftSpeed)以及轴啮合(ShaftMesh)频率，即PartFeature＝(ShaftSpeed，ShaftMesh)。为计算ShaftSpeed以及ShaftMesh的频率值，特征确定单元102获取电机的实际运行数据OperationData，在本例中为电机转速MotorSpeed，例如通过传感器测量到的当前MotorSpeed＝40.85Hz，其中
ShaftSpeed＝MotorSpeed/ReductionRatio＝40.85÷38.39＝1.064(Hz)，
ShaftMesh＝ShaftSpeed*ConnectorTooth＝1.064×23＝24.4(Hz)。
这里需要指出的是，实际运行数据OperationData既可以通过例如传感器实时测定，也可以由用户通过输入接口101来指定。特征计算单元103将确定的轴P1的零件状态特征及其参数值即(ShaftSpeed：1.064Hz，ShaftMesh：24.4Hz)提供给算法选择单元103。算法选择单元103基于零件状态特征PartFeature，按照预定的规则，从多个振动分析算法中选择匹配的算法，用于评估零件P1的至少一个性能指标Index。按照本发明，如图1所示，振动分析设备100内设置一个算法库106，其中预先存储有多种振动分析算法，可以基于要评估的零件及其状态特征PartFeature选择其中的一种算法或多种算法相结合来评估零件的性能指标。表2示出了算法库的一些示例性的算法，作为示例，其中包括每种算法的算法标识ALT_ID以及算法描述ALT_DES：
表2
Figure BDA0003186072720000061
Figure BDA0003186072720000071
如表2所示，作为示例，该算法库包括有最大值(Max)算法、翘度(Kurtosis)算法、斜度(Skewness)算法、波形指数(Wave Index)算法、峰值指数(Peak Index)算法、冲击指数(Impulse Index)算法、傅里叶变换并均方值(FFT rms)算法等。其中频域分析算法作为用于机械振动分析的重要算法，可以在算法库里设置多种不同频点下的特定算法，例如，如图所示，傅里叶变换并均方值(FFT-RMS)算法可以进一步细分为计算整个频域下的RMS值的FFTrms算法，计算0～10Hz范围下RMS值的FFTrms10Hz算法,根据需要还可以设置其它特定频率范围的算法，例如计算100Hz范围下RMS值的FFTrms100Hz算法等。
需要说明的是，这里所示的算法仅是说明的目的，本领域人员可以在算法库106添加任意的通用或专门算法，这些算法既可以是现有已知的用于预判零件P1的健康状态的算法，也可以根据实际需要而创建的算法。在进行振动分析时，可依照预定的规则选择相应的算法。例如，如监测部件受到的冲击程度，在算法库中选择Peak Index和Impulse Index；而如果监测轴承或轴故障，可选择FFT算法并通过计算的此轴承的特征频率作为参数来执行FFTrms算法等。这里的算法选择规则可随着算法库的更新而更改。例如，在监测某部件的冲击程度时，按照最初规则选择Peak Index和Impulse Index这2种算法进行振动分析。随着振动分析设备在现场的运行，如果发现Peak Index算法更适合当前的监测环境，选择PeakIndex作为最优匹配算法，而不再选择Impulse Index。这样的匹配原则会自动加入到规则里面供下次使用。
这里还需要指出的是，虽然在图1所示示例中，零件库105以及算法库106设置在振动分析设备100内部，但也可以位于振动分析设备外部并可由振动分析设备访问，例如设置在远程服务器上，振动分析设备105通过网络链接访问远程服务器以查找零件参数和选择振动分析算法。如此可以更便于维护、更新零件库与算法库。
在本例中，由于轴断裂直接受轴转动频率的影响，因此这里采用的策略是测量其工作频率下的能量分布。为此算法选择单元103基于特征确定单元102提供的轴P1的状态特征(ShaftSpeed，ShaftMesh)，从算法库106中选择FFT以及FFTrms算法作为与‘轴断裂’匹配的算法，即在频域内计算其能量均方值，随后算法选择单元103将选择的FFT、FFTrms算法或该算法的调用接口提供给分析单元104。
分析单元104接收轴P1实时工况数据TimeRawData，该数据通常是时域数据(例如轴P1随时间变化的转速)并通过外部传感器测量得到，利用算法选择103所选择的匹配算法处理数据TimeRawData而生成振动特征值FeatureValue。在本例中，分析单元104首先利用FFT算法将时域数据TimeRawData转换进频域得到频域数据集FrequencyRawData，然后调用FFTrms10Hz算法，以特征确定单元102提供参数值ShaftSpeed(＝1.064(Hz))作为参数，计算在频率1.064(Hz)下的RMS，作为描述轴的健康状况的振动特征值FeatureValue_1。此外，分析单元104调用FFTrms100Hz算法，以特征确定单元102提供参数值ShaftMesh(＝24.4(Hz))作为参数，计算在频率24.4Hz下的RMS，作为描述轴的健康状况的另一振动特征值FeatureValue_2。作为示例，图2示出了由FFTrms算法生成的24.4(Hz)下的RMS分布图。
在图2中，上图代表了轴P1随时间变化的转速，其中纵坐标代表轴转速，横坐标代表时间；而下图代表了在频率24.4Hz下的RMS值随时间变化的能量分布，其中纵坐标代表RMS值，横坐标代表时间，可以看到，在不同的时间点该频率下的RMS是变化的，显然RMS值越大，则轴P1连续承受的负载也越大，因此发生断裂的风险就高。通过综合分析在频率1.064Hz与24.4Hz下的RMS值可以判定轴P1或与其连接的联轴器的工作状态。
通过综合观察频率1.064Hz与24.4Hz下的RMS分布情况，例如查看其中是否存在明显异常值，就可以预判轴P1或与其连接的联轴器的健康状况，由于联轴器直接影响轴P1，因此如果判定联轴器可能会发生故障，同样需要工作人员进一步查看轴P1的状态。也可以采用现有技术已知的统计分析方法例如线性回归方法，对分析单元104提供的RMS分布数据进行统计分析，以判断发生轴断裂的风险。
按照本发明的一个示例，如图3所示，在振动分析设备300内提供一个状态评估单元305，用于对分析单元304提供的RMS分布数据进行分析，振动分析设备300内的其它单元301-304的功能与单元101-104相同，在此不再赘述。状态评估单元304设置一个风险阈值TRH，该风险阈值TRH的大小可根据实际经验确定，不同的设备或零件所选择的风险阈值TRH可互不相同。此外，阈值TR也可以随着系统的运行而进行优化，例如根据一段时间的有效故障统计而调整阈值TRH。例如在本例中，对于转动轴P1而言，在正常情况下其RMS值一般不超过0.5，因此可设置阈值TRH＝0.7，或者进一步地再设置第二阈值TRH2＝0.9。对于分析单元304输出的1.064Hz与24.4Hz下的RMS数据集中的每一个值xRMS：
如果xRMS<0.7，则状态评估单元304输出轴P1状况良好的指示信号，例如可通输入界面101在屏幕上显示该指示信号；
而如果1.064Hz与24.4Hz下均存在有xRMS都大于或等于0.9的情形，则表明轴P1发生断裂的危险程度很高，因此状态评估单元304可在输入界面101显示报警信号，提示生产线上的工作人员做好调度等准备或及时更换轴。而如果1.064Hz下RMS数据集中的每个xRMS小于0.7，但24.4Hz下RMS数据集中存在有xRMS大于或等于0.9的情形，则表明与轴P1直接相联接的联轴器发生故障的危险程度很高，因此状态评估单元304可通输入界面101在屏幕上显示联轴器可能发生故障的报警信号。
按照本发明的一个示例，状态评估单元307还可以通过计算振动特征值与阈值的距离来指示故障风险的程度。例如当TRH-xRMS的差值为正且越大时，则表明发生断裂的风险越低，因此表明轴还可以继续工作较长时间；而当TRH-xRMS的差值为负且越小时，则表明发生断裂的风险越高，需要及时介入处理，以避免突然断裂时影响生产线后续作业。状态评估单元304可以输出代表风险程度的各种表示例如渐变图形等，以便工作人员可及时地了解轴P1的健康变化。
在上述示例中，分析单元104，304基于算法选择单元103，303提供的算法来计算振动特征值FeatureValue，在某些情况下，可能利用计算得到的指定频率下的振动特征值FeatureValue进行评估会与实际不符的可能，例如可能是其它频率的影响更大，因此利用1.064Hz与24.4Hz下的RMS值进行评估可能会影响对零件P1的状态的准确预判。为避免这种情况，在本发明的另一示例中，如图4所示，振动分析设备400还设置有一个调整单元407，用于调整分析过程以实现更准确的状态预判。这里需要指出的是。振动分析设备400中的其它部件例如输入接口401、特征确定单元402与图1中所示的各部件功能相同，在此不再赘述。
仍以轴P1为例，算法选择单元403基于特征确定单元402提供的轴P1的状态特征(ShaftSpeed，ShaftMesh)，从算法库406中选择FFT以及FFTrms10Hz算法以及FFTrms100Hz算法作为匹配算法的同时，还进一步选择全频域的能量分析算法FFTrms提供给分析单元404。
分析单元404首先利用FFTrms对接收的实时工况数据TimeRawData进行处理而生成一段时间周期T内的各频率下的振动特征值FeatureValue，并进一步分析该时间周期T内整体的RMS值是否大于阈值例如TRH2，例如考察在时间周期T内的多个不同时间点处各频率对应的RMS值是否大于TRH2，如果存在着大于TRH2的频率，则进一步标识发生这种情形的对应频率f异常。如果f异常等于或接近于1.064Hz或24.4Hz，则仍如前述示例所述，分析单元404调用FFTrms10Hz算法与FFTrms100Hz算法，计算频率1.064Hz和24.4Hz下的RMS值FeatureValue_1与FeatureValue_2。并如前述所示，通过综合评估这二个振动特征值而判断轴P1的状态。
如果分析单元404确定f异常与1.064Hz和24.4Hz明显不同，例如f异常＝84Hz，分析单元405将频率f异常及其所对应的RMS值发送给调整单元407，基于频率f异常及异常的RMS值，调整单元407生成一重配置信号给用户，例如发送到输入接口401处以提示用户再次输入额外的信息AddInfo以调整分析。这些额外的重配置信息例如可以是用户指定的振动分析算法、增加的振动分析算法等。例如在本例中，用户可以在信息AddInfo中指定采用对应于频率84Hz的FFTrms算法。算法选择单元403基于用户输入的信息AddInfo，从算法库中调用对应于84Hz的FFTrms算法并提供给分析单元404，在本例中仍为FFTrms100Hz，但分析单元404输出的是频率84Hz下的RMS值随时间的变化，并如前所述检测其中的RMS值是否超出阈值。利用该方案，为用户提供了指定、修改状态分析算法的机会，因此增加了系统的灵活性与准确性，也可以进一步避免了误检测。
图5示出根据本发明的一个示例的由振动分析设备实施的零件振动分析的流程图。如图所示，在步骤501，在输入接口101接收用户期望预测的零件P1的故障描述FaultDes以及与P1零件相关的零件描述PartDes。这里的零件描述PartDes既可能包含了关于当前零件P1的零件描述PartDes_1，也可以包含与零件P1相关或协作的一个或多个其它零件P2的零件描述PartDes_2，或者只包含与零件P1相关的零件P2的零件描述PartDes_2。
在步骤502，基于零件描述PartDes与故障描述FaultDes确定当前零件P1的至少一个零件状态特征PartFeature，该零件状态特征PartFeature所代表的工作状态与零件P1的潜在的故障描述中所描述的故障相关。这里假设零件描述PartDes只包含与零件P1相关的零件P2的零件描述，根据故障描述FaultDes中提供的故障类型而从零件库中选择零件P2的多个工作参数中的相关的参数，即这些相关参数在零件P2与P1的实际运行中会影响到零件P1的寿命或故障，所选择的参数包括参数类型及相应的参数值。随后，特征确定单元102基于所确定的零件P2的工作参数以及当前实际运行数据OperationData，确定零件P1的至少一个零件状态特征PartFeature，其中每个零件状态特征包括零件P1的特征参数及对应的参数值。
在步骤503，基于所确定的轴P1的零件状态特征PartFeature，按照预定的规则，从算法库中预先存储的多个振动分析算法中选择匹配的一个或多个算法，用于评估零件P1的一个性能指标Index。
在步骤504，接收轴P1实时工况数据TimeRawData，并利用在步骤503所选择的匹配算法处理数据TimeRawData而生成振动特征值FeatureValue或振动特征值分布数据集，该振动特征值FeatureValue可用于预测零件P1的故障状态。振动特征值FeatureValue也可以交由第三方进行分析，或返回给零件厂家以便对产品进行评测。在本发明一个示例中，由振动分析设备直接进行零件P1的状态检测，为此如图所示还包括步骤505，对零件P1的健康状态进行预判，例如，将在步骤504生成的FeatureValue数据集中的数据与风险阈值TRH进行比较，如果FeatureValue小于风险阈值TRH则表明零件处于健康状态，且FeatureValue与风险阈值TRH的距离越大，则表明健康状况越好；但如果FeatureValue大于或等于风险阈值TRH，则表明零件处于将发生故障状态，且FeatureValue与风险阈值TRH的距离越大，则表明健康状况越坏。
虽然在上述实施例中，振动分析设备100、300、400中的各部件是以模块形式实现的，但本发明并不限于此，这里所公开的各模块还可以以集成电路ASIC、软件、固件及其相结合的形式实现。图6示出根据本发明另一示例的振动分析设备600的配置示意图。如图所示，振动分析设备600包括例如图形用户接口GUI形式的输入接口601，用于接收零件描述PartDes与故障描述FaultDes，还包括存储在振动分析设备600内部的存储器(图中未示出)上的零件库602与算法库603以及中心处理单元604。在存储器中还可以存储机器可读指令，振动分析设备600通过由中心处理单元604执行这些可读指令来实现前面实施例描述的各模块及流程。如图6所示，该振动分析设备600还连接有至少一个传感器，该传感器可提供关于零件P2和/或P1的实时测量数据例如TimeRawData以及OperationData，以供振动分析设备600实施对零件P1的健康检测。在本发明另一示例中，存储器由振动分析设备600可访问的机器可读介质实现，在该机器可读介质上存储着实现上述实施例中任一实施例的功能或模块或步骤的软件程序代码。这样的机器可读介质的实施例包括磁盘、光盘、非易失性存储卡等。在本发明另一示例中，存储器还可以位于远程服务器上，并由振动分析设600远程访问以提取零件参数与执行匹配算法。
图7示出了按照另一实施例，由振动分析设备600实施的零件振动分析的方法流程图，以下仍以轴P1为例来说明。
在步骤701，振动分析设备通过输入接口接收用户输入：故障描述FaultDes：‘轴断裂’，以及零件描述PartDes：(MotorModel:SEWK77DRE100LC4BE5TF，ConnectorTooth)。
在步骤702，振动分析设备根据所要预测的轴P1的故障类型“轴断裂”而从零件库702中获取型号为SEWK77DRE100LC4BE5TF的电机以及相关联的联轴器的工作参数，在本例中，获取的电机与轴故障相关的工作参数为减速比ReductionRatio，且ReductionRatio＝38.39，同时确定联轴器的减速齿ConnectorTooth的设计值为23。
在步骤703，振动分析设备从传感器获取电机的实际运行数据，在本例中即电机转速MotorSpeed，例如MotorSpeed＝40.85Hz。随后，在步骤704，振动分析设备基于电机减速比ReductionRatio、减速齿ConnectorTooth以及电机转速MotorSpeed，确定轴P1的与断裂相关的零件状态特征，作为示例，这里考虑的是轴转动频率(ShaftSpeed)以及轴啮合(ShaftMesh)频率，其中
ShaftSpeed＝40.85÷38.39＝1.064(Hz)，
ShaftMesh＝1.064×23＝24.4(Hz)。
在步骤705，根据所确定的轴P1的零件状态特征(ShaftSpeed：1.064Hz，ShaftMesh：24.4Hz)，考虑到轴断裂直接受轴转动频率的影响，因此振动分析设备采用测量轴P1的工作频率下的能量分布的策略，并按照这个规则，从算法库中选择FFT以及FFTrms算法作为与断裂故障预判相匹配的算法，在本例中，所选择的FFTrms算法可包括FFTrmsT,以及基于1.064Hz与24.4Hz频点而选择的FFTrms10Hz以及FFTrms100Hz。
在步骤706，振动分析设备从传感器接收轴P1实时工况数据TimeRawData，首先利用FFT算法将时域的TimeRawData数据转换成频域数据FrequencyRawData，然后调用FFTrms算法，对接收的实时工况数据TimeRawData进行处理而生成一段时间周期T内的各频率下的振动特征值FeatureValue。
在步骤707进一步分析该时间周期T内整体的RMS值是否大于阈值例如TRH2，如果存在着大于TRH2的频率，则进一步标识发生这种异常情形的频率f异常。
在步骤708，确定f异常是否等于或接近于1.064Hz或24.4Hz。如果确定f异常基本等于1.064Hz或24.4Hz，则进入步骤709。
在步骤709，分析单元104调用在步骤705预先选择的FFTrms10Hz算法与FFTrms100Hz算法，以所确定的ShaftSpeed(＝1.064(Hz))以及ShaftMesh(＝24.4(Hz))作为参数，确定频率1.064(Hz)和24.4Hz下的RMS值FeatureValue_1与FeatureValue_2随时间的变化。随后进入步骤710，通过如前所述综合评估这二个振动特征值而判断轴P1的状态，如前所述，对于输出的1.064Hz与24.4Hz下的RMS数据集中的每一个值xRMS：如果xRMS<0.7，则在步骤720输出轴P1状况良好的指示信号，例如可通输入界面101在屏幕上显示该指示信号；而如果1.064Hz与24.4Hz下的每个xRMS都大于或等于0.9，则可通输入界面101在屏幕上显示报警信号。而如果1.064Hz下RMS数据集中的每个xRMS小于0.7，但24.4Hz下RMS数据集中的每个xRMS大于或等于0.9则表明与轴P1直接相联接的联轴器发生故障的危险程度很高，因此可通输入界面101在屏幕上显示联轴器可能发生故障的报警信号。
如果在步骤708分析单元104确定f异常明显不同于1.064Hz或24.4Hz，则进入步骤711，向用户发送一重配置信号，其中，包含频率f异常及其所对应的RMS值，并接收用户基于异常RMS值和f异常而额外输入的重调整信息AddInfo，其中包含了用户指定的状态分析算法或参数等。
在步骤712，振动分析设备基于重调整信息AddInfo，从算法库重新选择用户指定的算法并使用f异常作为参数。例如在本例中，在f异常为84Hz时，从算法库中调用对应于84Hz的FFTrms算法即FFTrms100Hz，并在步骤713，计算频率84Hz下的RMS值随时间的变化。随后进入步骤710，如前所述检测其中的RMS值是否超出阈值，基于检测结果输出相应的指示。
如果在步骤707确定时间周期T内整体的RMS值均小于阈值TRH2，则进程返回步骤701，继续监测用户的下一次输入；或者作为一个选择，也可以进入步骤709，直接调用FFTrms10Hz算法与FFTrms100Hz算法以进一步分析这二个特定频率下的RMS值。
需要说明的是，上述各流程中不是所有的步骤都是必须的，可以根据实际的需要忽略某些步骤。此外，本发明也并不是各步骤的执行顺序不是固定的，可以根据需要进行调整。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (21)

1.一种振动分析设备，包括：
输入接口，用于接收与第一零件有关的零件描述以及关于第一零件的故障描述；
特征确定单元，用于基于所述零件描述与所述故障描述确定所述第一零件的至少一个零件状态特征；
算法选择单元，用于基于所述零件状态特征从多个振动分析算法中选择与所述故障描述匹配的算法；
分析单元，配置为利用所选择的匹配算法处理与所述第一零件相关的实时工况数据而生成振动特征值，该振动特征值可描述所述第一零件的健康状况。
2.如权利要求1的设备，其中所述特征确定单元基于所述零件描述中涉及的一个或多个零件确定每个零件的工作参数，其中所述一个或多个零件包括：
与所述第一零件相关的一个或多个第二零件。
3.如权利要求2的设备，其中所述特征确定单元基于所述第二零件的第二工作参数以及工作状态数据，确定所述第一零件的与所述故障描述相关的所述至少一个零件状态特征，其中每个零件状态特征包括所述第一零件的第一工作参数及对应的参数值；
所述算法选择单元基于所述第一工作参数从算法库选择所述匹配的算法；
所述分析单元利用所述匹配算法处理所述第一零件的实时工况数据以确定对应于所述参数值的所述振动特征值。
4.如权利要求3的设备，其中所述实时工况数据是通过传感器测量得到。
5.如权利要求3的设备，还包括：
零件库，用于存储所述零件的工作参数，其中所述特征确定单元通过查询所述零件库来确定每个零件的工作参数；以及
所述算法库，其中存储有所述多个振动分析算法。
6.如权利要求5的设备，其中所述参数值包括所述第一零件的工作频率值，所述匹配算法包括与所述频率值无关的第一算法以及与所述频率值相关的至少一个第二算法；
其中所述分析单元配置为：
调用所述第一算法以计算一频率范围内的所述振动特征值；
确定在所述频率范围内的振动特征值是否存在异常，并在存在异常时标识发生所述异常的频率点；
确定所述频率点与所述参数值是否相符，其中如相符，则调用所述第二算法。
7.如权利要求6的设备，其中如果所述频率点与所述参数值不相符，所述分析单元向所述输入接口发送重配置信号，以提示用户输入额外的信息，
其中所述算法选择单元进一步基于所述额外信息重选择匹配的算法；
所述振动分析单元进一步配置为利用所重选择的匹配算法处理所述实时工况数据而生成更新的振动特征值。
8.如权利要求6的设备，还包括状态评估单元，用于通过确定所述振动特征值的异常而预测所述第一零件发生所述故障描述中标识的故障的风险。
9.如权利要求8的设备，所述状态评估单元计算所述振动特征值与一风险阈值的距离，以指示发生所述风险的程度。
10.一种振动分析方法，包括：
接收包含与第一零件有关的零件描述以及关于第一零件的故障描述；
基于所述零件描述与所述故障描述确定所述第一零件的至少一个零件状态特征；
基于所述零件状态特征从多个振动分析算法中选择与所述故障描述匹配的算法；
利用所选择的匹配算法处理与所述第一零件相关的实时工况数据而生成振动特征值，该振动特征值可描述所述第一零件的健康状况。
11.如权利要求10的振动分析方法，进一步包括：基于所述零件描述中涉及的一个或多个零件确定每个零件的工作参数，其中所述一个或多个零件包括：
与所述第一零件相关的一个或多个第二零件。
12.如权利要求11的振动分析方法，进一步包括：
基于所述第二零件的第二工作参数以及工作状态数据，确定所述第一零件的与所述故障描述相关的至少一个零件状态特征，其中每个零件状态特征包括所述第一零件的第一工作参数及对应的参数值；
基于所述第一工作参数从算法库选择所述匹配算法；
利用所述匹配算法处理所述实时工况数据以确定对应于所述参数值的振动特征值。
13.如权利要求12的振动分析方法，其中所述实时工况数据是通过传感器测量得到。
14.如权利要求10-13之一的振动分析方法，其中所述零件的工作参数存储在零件库中，以及所述多个振动分析算法存储在所述算法库中。
15.如权利要求14的方法，其中所述参数值包括所述第一零件的工作频率值，所述匹配算法包括与所述频率值无关的第一算法以及与所述频率值相关的至少一个第二算法；
其中所述方法还包括：
调用所述第一算法以计算一频率范围内的所述振动特征值；
确定在所述频率范围内的振动特征值是否存在异常，并在存在异常时标识发生所述异常的频率点；
确定所述频率点与所述参数值是否相符，其中如相符，则调用所述第二算法。
16.如权利要求15的振动分析方法，进一步包括：
如果所述频率点与所述参数值是否相符，生成重配置信号，以提示用户输入额外的信息，
基于所述额外信息重选择匹配算法；
利用所重选择的匹配算法处理所述实时工况数据而生成更新的振动特征值。
17.如权利要求16的振动分析方法，还包括通过确定所述振动特征值的异常来预测所述第一零件发生所述故障描述中标识的故障的风险。
18.如权利要求17的振动分析方法，还包括计算所述振动特征值与一风险阈值的距离，以指示发生所述风险的程度。
19.一种振动分析设备，包括：
输入接口，用于接收包含与第一零件有关的零件描述以及关于第一零件的故障描述；
零件库，用于存储所述零件的工作参数；
算法库，其中存储有所述多个振动分析算法；以及
中心处理单元，配置为执行权利要求10-18中的任一项所述的方法。
20.如权利要求19的振动分析设备，还包括至少一个传感器，用于提供所述实时工况数据。
21.一种机器可读存储介质，其上存储有机器可读指令，所述指令在由机器执行时使所述机器执行权利要求10-18中的任一项所述的方法。
CN202110861933.XA 2021-07-29 2021-07-29 振动分析设备及其方法 Active CN113551764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110861933.XA CN113551764B (zh) 2021-07-29 2021-07-29 振动分析设备及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110861933.XA CN113551764B (zh) 2021-07-29 2021-07-29 振动分析设备及其方法

Publications (2)

Publication Number Publication Date
CN113551764A true CN113551764A (zh) 2021-10-26
CN113551764B CN113551764B (zh) 2024-05-03

Family

ID=78133179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110861933.XA Active CN113551764B (zh) 2021-07-29 2021-07-29 振动分析设备及其方法

Country Status (1)

Country Link
CN (1) CN113551764B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092933A (zh) * 2023-07-26 2023-11-21 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096873A1 (en) * 2002-12-30 2005-05-05 Renata Klein Method and system for diagnostics and prognostics of a mechanical system
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN103207070A (zh) * 2013-04-09 2013-07-17 苏州经贸职业技术学院 油液与振动相融合的旋转机械故障诊断方法
CN108731923A (zh) * 2018-03-28 2018-11-02 中控技术（西安）有限公司 一种旋转机械设备的故障检测方法及装置
CN109818763A (zh) * 2017-11-20 2019-05-28 北京绪水互联科技有限公司 设备故障的分析统计方法和系统及设备实时质控方法和系统
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN112330034A (zh) * 2020-11-10 2021-02-05 深圳市汇拓新邦科技有限公司 故障预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096873A1 (en) * 2002-12-30 2005-05-05 Renata Klein Method and system for diagnostics and prognostics of a mechanical system
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN103207070A (zh) * 2013-04-09 2013-07-17 苏州经贸职业技术学院 油液与振动相融合的旋转机械故障诊断方法
CN109818763A (zh) * 2017-11-20 2019-05-28 北京绪水互联科技有限公司 设备故障的分析统计方法和系统及设备实时质控方法和系统
CN108731923A (zh) * 2018-03-28 2018-11-02 中控技术（西安）有限公司 一种旋转机械设备的故障检测方法及装置
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN112330034A (zh) * 2020-11-10 2021-02-05 深圳市汇拓新邦科技有限公司 故障预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092933A (zh) * 2023-07-26 2023-11-21 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质
CN117092933B (zh) * 2023-07-26 2024-04-16 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质

Also Published As

Publication number Publication date
CN113551764B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
US7321845B2 (en) Method and system for removing very low frequency noise from a time-based data set
EP2193413B1 (en) System for preserving and displaying process control data associated with an abnormal situation
EP3413154B1 (en) Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program
GB2426090A (en) Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
EP2166422B1 (en) Method of alarm mask generation and condition monitoring of wind turbines
JP2004206735A (ja) プロセス制御システムで用いられる診断ツール、プロセス制御システムにおける問題を診断する方法、および機能ブロック
KR102040179B1 (ko) 제조 설비의 이상 감지 및 진단 방법
JP5868331B2 (ja) 圧縮機を診断するための方法およびシステム
WO2013041440A1 (en) System and method for plant wide asset management
JP2012058937A (ja) 原子力プラントの機器診断方法および機器診断装置
CN113551764A (zh) 振动分析设备及其方法
JPWO2004068078A1 (ja) 状態判定方法と状態予測方法及び装置
JP6312955B1 (ja) 品質分析装置及び品質分析方法
CN110072670A (zh) 监测拧紧工具中能量流的方法、监测节点及计算机程序
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
WO2020204043A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法
AU2013399629A1 (en) Apparatus and method for model adaptation
JP7437163B2 (ja) 診断装置、診断方法およびプログラム
JP7026012B2 (ja) 機器状態監視システム及び機器状態監視方法
JP4049331B2 (ja) 診断対象物の評価方法および評価装置
JP7390275B2 (ja) 異常診断システム
JP7471983B2 (ja) 状態監視装置および状態監視方法
CN115335790A (zh) 用于诊断消息方法和系统

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