CN113551927A - 一种基于振动信号的机械设备故障预警方法和系统 - Google Patents
一种基于振动信号的机械设备故障预警方法和系统 Download PDFInfo
- Publication number
- CN113551927A CN113551927A CN202110769370.1A CN202110769370A CN113551927A CN 113551927 A CN113551927 A CN 113551927A CN 202110769370 A CN202110769370 A CN 202110769370A CN 113551927 A CN113551927 A CN 113551927A
- Authority
- CN
- China
- Prior art keywords
- vibration
- time domain
- data
- early warning
- fault
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims description 55
- 238000006073 displacement reaction Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013142 basic testing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供一种基于振动信号的机械设备故障预警方法和系统,通过振动信号提取振动加速度数据、振动速度时域数据和振动位移时域数据,以对振动加速度数据、振动速度时域数据和振动位移时域数据进行时域分析,得到振动信号中随时间变化的时域指标,以这些时域指标作为故障特征数据进行故障预警,可以更深度的解析机械设备的振动信号,进而在故障发生初期就能够进行故障预警。
Description
技术领域
本发明实施例涉及故障预警技术领域,尤其涉及一种基于振动信号的机械设备故障预警方法和系统。
背景技术
随着企业设备管理的现代化,如何使设备连续、可靠、安全、高效地运转以适应现代企业管理的要求,显得尤为重要。现代工业的特点是生产设备大型化、连续化、高速化和自动化。它在提高生产率、降低成本、节约能源和人力、减少废品率、保证产品质量等方面有很大的优势,但由于机械设备发生故障而停工造成的损失以及维修费用也大幅度增加。许多发达国家在故障诊断技术尚未形成之前都有很多血的教训和巨额花费。国内目前很多企业还仍处在计划维修体制阶段,或者实施了状态监测但因没有可靠的技术人员支持导致半途而废,与企业现代管理相矛盾。国内、外实践表明,对设备实施有效的状态监测和故障诊断是保证生产的重要手段。
监测机械设备状态的手段虽然很多,但实践证明,振动信号监测是一种易于实现而又可靠的办法。设备振动信号是设备状态信息的载体,它蕴含了丰富的设备异常或故障的信息,而振动水平是设备运行状态好坏的重要标志。振动测试是设备状态信号采集的基本测试手段。对振动信号的检测能够获得设备状态的有效信息,对它的分析则是设备诊断领域中一个被广泛采用的方法。因此,对机械设备振动信号进行监测和分析,为判断设备是否正常运行、是否存在潜在故障以及预测故障发展趋势等提供了十分有效的手段。
目前大多数机械设备故障预警是通过设置振动监测数据阈值实现的,也就是超过正常值时报警,推送相应的报警信息。事实上,当监测数据达到报警值时,设备已经出现故障了,无法做到提前预知和报警。
发明内容
本发明实施例提供一种基于振动信号的机械设备故障预警方法和系统,以解决现有技术中根据振动监测数据阈值进行机械设备故障预警,当监测数据达到报警值时,设备已经出现故障了,无法做到提前预知和报警的问题。
第一方面,本发明实施例提供一种基于振动信号的机械设备故障预警方法,包括:
步骤S1、基于待分析设备的振动信号提取振动加速度数据;
步骤S2、基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
步骤S3、对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
步骤S4、以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
作为优选的,所述步骤S1具体包括:
设定采集时间间隔、采集频率和采集时长,基于振动传感器采集机械设备运行时的振动信号。
作为优选的,所述步骤S2具体包括:
对所述振动加速度数据进行去除直流分量零均值化处理,并通过傅里叶变换将所述振动加速度数据从时域转换为频域;
对所述振动加速度数据在频域内进行一次积分计算得到振动速度频域数据并过滤低频信号,将所述振动速度频域数据通过傅里叶逆变换转换为振动速度时域数据;
对所述振动加速度数据在频域内进行二次积分计算得到振动位移频域数据并过滤低频信号,将所述振动位移频域数据通过傅里叶逆变换转换为振动位移时域数据。
作为优选的,所述时域指标包括正峰值、负峰值、峰峰值、平均值、均方根值、标准差、峰值、整流平均值、歪度、峰度、裕度、波形因子、峰值因子和脉冲因子;
所述正峰值为振动信号中取值最大的数值,所述负峰值为振动信号中取值最小的数值;
所述峰峰值为正峰值与负峰值之差;
所述平均值为振动信号数据平衡位置;
所述峰值为正峰值和负峰值中的较大值。
作为优选的,所述歪度的计算公式为:
上式中,Sk为歪度;xi为振动加速度数据、所述振动速度时域数据和所述振动位移时域数据对应的信号值,x为均值;σ为标准差;所述峰度的计算公式为:
所述裕度的计算公式为:
所述波形因子的计算公式为:
上式中,xrms为均方根值;xav为整流平均值;所述峰值因子的计算公式为:
所述脉冲因子的计算公式为:
作为优选的,所述步骤S3中,得到所述振动信号中随时间变化的时域指标后,还包括:
对所述时域指标进行归一化和离散化处理。
作为优选的,所述步骤S4前,还包括:
基于分类算法对所述故障特征数据进行训练和保存,得到故障预警模型;所述分类算法包括k近邻分类KNN算法和决策树算法。
第二方面,本发明实施例提供一种基于振动信号的机械设备故障预警系统,包括:
数据采集模块,基于待分析设备的振动信号提取振动加速度数据;
频域积分计算模块,基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
时域指标计算模块,对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
设备故障预警模块,以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述基于振动信号的机械设备故障预警方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于振动信号的机械设备故障预警方法的步骤。
本发明实施例提供的一种基于振动信号的机械设备故障预警方法和系统,通过振动信号提取振动加速度数据、振动速度时域数据和振动位移时域数据,以对振动加速度数据、振动速度时域数据和振动位移时域数据进行时域分析,得到振动信号中随时间变化的时域指标,以这些时域指标作为故障特征数据进行故障预警,可以更深度的解析机械设备的振动信号,进而在故障发生初期就能够进行故障预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的基于振动信号的机械设备故障预警方法流程框图;
图2为根据本发明实施例的频域积分计算示意图;
图3为根据本发明实施例的决策树的决策规则示意图;
图4为根据本发明实施例的采集设备正常和内圈轻度故障时振动加速度数据示意图;
图5为根据本发明实施例的基于图4中数据进行频域积分计算后的振动速度时域数据和振动位移时域数据示意图;
图6为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
设备振动信号是设备状态信息的载体,它蕴含了丰富的设备异常或故障的信息,而振动水平是设备运行状态好坏的重要标志。振动测试是设备状态信号采集的基本测试手段。对振动信号的检测能够获得设备状态的有效信息,对它的分析则是设备诊断领域中一个被广泛采用的方法。因此,对机械设备振动信号进行监测和分析,为判断设备是否正常运行、是否存在潜在故障以及预测故障发展趋势等提供了十分有效的手段。
目前大多数机械设备故障预警是通过设置振动监测数据阈值实现的,也就是超过正常值时报警,推送相应的报警信息。事实上,当监测数据达到报警值时,设备已经出现故障了,无法做到提前预知和报警。
因此,本发明实施例提供一种基于振动信号的机械设备故障预警方法和系统,通过振动信号提取振动加速度数据、振动速度时域数据和振动位移时域数据,以对振动加速度数据、振动速度时域数据和振动位移时域数据进行时域分析,得到振动信号中随时间变化的时域指标,以这些时域指标作为故障特征数据进行故障预警,可以更深度的解析机械设备的振动信号,进而在故障发生初期就能够进行故障预警。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供一种基于振动信号的机械设备故障预警方法,可应用于机械设备状态监测、机械设备故障预警中,包括:
步骤S1、基于待分析设备的振动信号提取振动加速度数据;
具体的,在不同的机械设备采集振动信号数据,先在设备上安装振动传感器,传感器根据采集时间间隔、采集频率和采集时长采集机械设备运行的振动数据上传到网关,网关上报到数据库。
步骤S2、基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
具体的,如图2中所示,对所述振动加速度数据进行去除直流分量零均值化处理,并通过傅里叶变换将所述振动加速度数据从时域转换为频域;
对所述振动加速度数据在频域内进行一次积分计算得到振动速度频域数据并过滤低频信号,将所述振动速度频域数据通过傅里叶逆变换转换为振动速度时域数据;
对所述振动加速度数据在频域内进行二次积分计算得到振动位移频域数据并过滤低频信号,将所述振动位移频域数据通过傅里叶逆变换转换为振动位移时域数据。
步骤S3、对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
其中,所述时域指标包括正峰值、负峰值、峰峰值、平均值、均方根值、标准差、峰值、整流平均值、歪度、峰度、裕度、波形因子、峰值因子和脉冲因子;其具体计算公式如下表1中所示。
表1.时域指标
xi为振动加速度数据、所述振动速度时域数据和所述振动位移时域数据对应的信号值。
得到所述振动信号中随时间变化的时域指标后,还包括:
对所述时域指标进行归一化和离散化处理。预处理方法有归一化和离散化。归一化采用最大值最小值标准化将故障特征数据变为(0,1)之间的小数,消除故障特征量纲影响,提升模型的收敛速度和精度;离散化是通过设置故障特征区间个数,将连续变量分割成为若干个离散值的一种方法,有效的离散化能减小模型算法的时间和空间开销,提高对样本的分类聚类能力和抗噪声能力。
步骤S4、以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
在上述实施例的基础上,作为一种优选的实施方式,所述步骤S4前,还包括:
基于分类算法对所述故障特征数据进行训练和保存,得到故障预警模型;所述分类算法包括k近邻分类KNN算法和决策树算法。
具体的,如步骤S1中,设定采集时间间隔、采集频率和采集时长,基于振动传感器采集不同故障状态机械设备运行时的振动信号。进行步骤S2的频域积分计算和步骤S3的时域指标计算后,根据分类算法对预处理后的故障特征数据进行训练和保存,形成故障预警模型;其中,KNN算法是以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则,将未知样本与K个最邻近样本中所属类别占比较多的归为一类;决策树算法是由根节点、非叶子节点和叶子节点组合的树模型,从根节点开始一步步走到叶子节点,每一步都是if-then的判断,训练阶段从给定的训练集构造出一颗树,从根节点开始选择最有价值的特征开始切分节点。
为了使本发明实施例的方法更易理解,下面举一实例对本发明实施例做进一步阐述:
本实施例对一个SKF轴承进行内圈轻度故障预警,先安装振动传感器,设置采集时间间隔30分钟、采集频率12kHZ和采集时长0.07s,采集设备正常和内圈轻度故障时振动加速度数据。图3为采集一次的样例数据。
对振动加速度数据进行零均值化处理,再对加速度数据通过傅里叶变换从时域数据转换为频域数据,然后在频域内进行一次积分计算得到速度的频域数据且过滤低频信号,最后将速度频域数据通过傅里叶逆变换转换为振动速度时域数据;同上步骤,用振动加速度数据求得振动位移时域数据,不同的是频域内进行二次积分的计算。基于图3,频域积分计算后的振动速度时域数据和振动位移时域数据如图4中所示。
根据时域指标计算公式对振动加速度、速度和位移数据计算时域指标,下表2列举部分指标及数据作为展示。
表2.故障特征数据
下一步对故障特征数据进行数据预处理,不同的故障特征根据算法特点可以采用不用的预处理方法提高模型精度,以表2的数据作为举例说明,如对加速度最大值进行归一化处理,计算公式为xnew=(x-min)/(max-min),计算结果如下:
如对速度均方根进行离散化处理,将数据划分成两个区间,先求平均区间间隔,计算公式为g=(max-min)/2,得到g为0.0114,将两个区间[0.0283,0.0397)和[0.03975,0.0511]的值分别赋予1和2,结果如下:
速度均方根 |
2 |
2 |
2 |
2 |
1 |
1 |
1 |
1 |
根据分类算法对预处理后的故障特征数据进行训练和保存,形成设备故障预警模型。分类算法有KNN算法和决策树算法,KNN是不同于决策树算法,不需要训练,但是要先设置度量距离的方式和邻近点的个数,设置邻近点的个数为3,度量距离选择欧式距离,计算公式如下:
决策树算法我采用的是基于基尼系数的CART决策树算法,为了方便展示,以表2的数据作为训练数据,得到决策树的决策规则如图5中所示。
X4代表加速度波形因子值,class=0代表设备正常,class=1代表设备内圈轻度故障,gini是基尼系越小说明该数据集中不同类的数据越少,即数据集纯度越高,以速度波形因子值小于等于1.316为判断条件可以把训练集设备正常与内圈轻度故障进行完美的划分。
最后对设备进行预警监测,将设备新采集的振动加速度数据经过频域积分计算模块、时域指标计算模块、数据预处理模块后得到故障特征数据,新故障特征数据举例如下:
如果采用决策树模型进行预测,根据得到的决策树规则,新数据的加速度波形因子值大于1.1316,所以设备当前状态为内圈轻度故障。
如果采用KNN模型进行预测,先计算训练集每个样本点到新数据的欧式距离,结果如下:
选择训练集中欧式距离最接近于零的三个数据点,结果它们的设备状态都是内圈轻度故障,所以设备当前状态为内圈轻度故障。
本发明实施例还提供一种基于振动信号的机械设备故障预警系统,基于上述各实施例中的基于振动信号的机械设备故障预警方法,包括:
数据采集模块,基于待分析设备的振动信号提取振动加速度数据;
频域积分计算模块,基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
时域指标计算模块,对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
设备故障预警模块,以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
基于相同的构思,本发明实施例还提供了一种实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如上述各实施例所述基于振动信号的机械设备故障预警方法的步骤。例如包括:
步骤S1、基于待分析设备的振动信号提取振动加速度数据;
步骤S2、基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
步骤S3、对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
步骤S4、以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述基于振动信号的机械设备故障预警方法的步骤。例如包括:
步骤S1、基于待分析设备的振动信号提取振动加速度数据;
步骤S2、基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
步骤S3、对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
步骤S4、以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种基于振动信号的机械设备故障预警方法和系统,通过振动信号提取振动加速度数据、振动速度时域数据和振动位移时域数据,以对振动加速度数据、振动速度时域数据和振动位移时域数据进行时域分析,得到振动信号中随时间变化的时域指标,以这些时域指标作为故障特征数据进行故障预警,可以更深度的解析机械设备的振动信号,进而在故障发生初期就能够进行故障预警。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于振动信号的机械设备故障预警方法,其特征在于,包括:
步骤S1、基于待分析设备的振动信号提取振动加速度数据;
步骤S2、基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
步骤S3、对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
步骤S4、以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
2.根据权利要求1所述的基于振动信号的机械设备故障预警方法,其特征在于,所述步骤S1具体包括:
设定采集时间间隔、采集频率和采集时长,基于振动传感器采集机械设备运行时的振动信号。
3.根据权利要求1所述的基于振动信号的机械设备故障预警方法,其特征在于,所述步骤S2具体包括:
对所述振动加速度数据进行去除直流分量零均值化处理,并通过傅里叶变换将所述振动加速度数据从时域转换为频域;
对所述振动加速度数据在频域内进行一次积分计算得到振动速度频域数据并过滤低频信号,将所述振动速度频域数据通过傅里叶逆变换转换为振动速度时域数据;
对所述振动加速度数据在频域内进行二次积分计算得到振动位移频域数据并过滤低频信号,将所述振动位移频域数据通过傅里叶逆变换转换为振动位移时域数据。
4.根据权利要求1所述的基于振动信号的机械设备故障预警方法,其特征在于,所述时域指标包括正峰值、负峰值、峰峰值、平均值、均方根值、标准差、峰值、整流平均值、歪度、峰度、裕度、波形因子、峰值因子和脉冲因子;
所述正峰值为振动信号中取值最大的数值,所述负峰值为振动信号中取值最小的数值;
所述峰峰值为正峰值与负峰值之差;
所述平均值为振动信号数据平衡位置;
所述峰值为正峰值和负峰值中的较大值。
6.根据权利要求1所述的基于振动信号的机械设备故障预警方法,其特征在于,所述步骤S3中,得到所述振动信号中随时间变化的时域指标后,还包括:
对所述时域指标进行归一化和离散化处理。
7.根据权利要求1所述的基于振动信号的机械设备故障预警方法,其特征在于,所述步骤S4前,还包括:
基于分类算法对所述故障特征数据进行训练和保存,得到故障预警模型;所述分类算法包括k近邻分类KNN算法和决策树算法。
8.一种基于振动信号的机械设备故障预警系统,其特征在于,包括:
数据采集模块,基于待分析设备的振动信号提取振动加速度数据;
频域积分计算模块,基于所述振动加速度数据确定所述待分析设备的振动速度时域数据和振动位移时域数据;
时域指标计算模块,对所述振动加速度数据、所述振动速度时域数据和所述振动位移时域数据进行时域分析,得到所述振动信号中随时间变化的时域指标;
设备故障预警模块,以所述时域指标作为故障特征数据,将所述故障特征数据输入至已训练好的故障预警模型中,以确定设备故障状态。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于振动信号的机械设备故障预警方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于振动信号的机械设备故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769370.1A CN113551927A (zh) | 2021-07-07 | 2021-07-07 | 一种基于振动信号的机械设备故障预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769370.1A CN113551927A (zh) | 2021-07-07 | 2021-07-07 | 一种基于振动信号的机械设备故障预警方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113551927A true CN113551927A (zh) | 2021-10-26 |
Family
ID=78131473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769370.1A Pending CN113551927A (zh) | 2021-07-07 | 2021-07-07 | 一种基于振动信号的机械设备故障预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113551927A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115684349A (zh) * | 2022-10-28 | 2023-02-03 | 北京交通大学 | 一种基于振动信号的管路磨穿实时预警方法 |
CN116089866A (zh) * | 2023-02-09 | 2023-05-09 | 安徽布拉特智能科技有限公司 | 基于振动信号的设备故障分析方法、系统、终端及介质 |
CN117093945A (zh) * | 2023-10-16 | 2023-11-21 | 江阴市全盛自动化仪表有限公司 | 一种旋转机械状态在线监测与故障分析系统 |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095573A (zh) * | 2009-12-11 | 2011-06-15 | 上海卫星工程研究所 | 星载旋转设备机械部件状态监测与诊断报警方法 |
CN106006344A (zh) * | 2016-07-12 | 2016-10-12 | 苏州长风航空电子有限公司 | 扶梯故障在线预警系统及故障诊断方法 |
CN106441946A (zh) * | 2016-11-15 | 2017-02-22 | 重庆工商大学 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
CN106524967A (zh) * | 2016-11-07 | 2017-03-22 | 重庆理工大学 | 一种汽车轮心实际行驶位移测量与提取方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
CN108180983A (zh) * | 2017-12-29 | 2018-06-19 | 燕山大学 | 自适应时频域混合滤波的应急救援车辆振动位移重构方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN111912611A (zh) * | 2020-07-10 | 2020-11-10 | 王亮 | 基于改进神经网络的故障状态预测的方法及装置 |
CN112302966A (zh) * | 2020-11-02 | 2021-02-02 | 湘潭大学 | 一种离心泵运行状态判定方法及判定系统 |
CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
-
2021
- 2021-07-07 CN CN202110769370.1A patent/CN113551927A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095573A (zh) * | 2009-12-11 | 2011-06-15 | 上海卫星工程研究所 | 星载旋转设备机械部件状态监测与诊断报警方法 |
CN106006344A (zh) * | 2016-07-12 | 2016-10-12 | 苏州长风航空电子有限公司 | 扶梯故障在线预警系统及故障诊断方法 |
CN106524967A (zh) * | 2016-11-07 | 2017-03-22 | 重庆理工大学 | 一种汽车轮心实际行驶位移测量与提取方法 |
CN106441946A (zh) * | 2016-11-15 | 2017-02-22 | 重庆工商大学 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
CN108180983A (zh) * | 2017-12-29 | 2018-06-19 | 燕山大学 | 自适应时频域混合滤波的应急救援车辆振动位移重构方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN111912611A (zh) * | 2020-07-10 | 2020-11-10 | 王亮 | 基于改进神经网络的故障状态预测的方法及装置 |
CN112302966A (zh) * | 2020-11-02 | 2021-02-02 | 湘潭大学 | 一种离心泵运行状态判定方法及判定系统 |
CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
方新磊等: "基于频域滤波的加速度信号处理", 《仪表技术与传感器》, vol. 1, no. 4, pages 94 - 96 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115684349A (zh) * | 2022-10-28 | 2023-02-03 | 北京交通大学 | 一种基于振动信号的管路磨穿实时预警方法 |
CN115684349B (zh) * | 2022-10-28 | 2024-04-19 | 北京交通大学 | 一种基于振动信号的管路磨穿实时预警方法 |
CN116089866A (zh) * | 2023-02-09 | 2023-05-09 | 安徽布拉特智能科技有限公司 | 基于振动信号的设备故障分析方法、系统、终端及介质 |
CN116089866B (zh) * | 2023-02-09 | 2023-09-01 | 安徽布拉特智能科技有限公司 | 基于振动信号的设备故障分析方法、系统、终端及介质 |
CN117093945A (zh) * | 2023-10-16 | 2023-11-21 | 江阴市全盛自动化仪表有限公司 | 一种旋转机械状态在线监测与故障分析系统 |
CN117093945B (zh) * | 2023-10-16 | 2024-01-23 | 江阴市全盛自动化仪表有限公司 | 一种旋转机械状态在线监测与故障分析系统 |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113551927A (zh) | 一种基于振动信号的机械设备故障预警方法和系统 | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN111309565A (zh) | 告警处理方法、装置、电子设备以及计算机可读存储介质 | |
CN110259648B (zh) | 一种基于优化K-means聚类的风机叶片故障诊断方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
CN116070154B (zh) | 一种大型轴承保持器的故障检测方法、设备及介质 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
JP6876589B2 (ja) | 異常検知装置及び異常検知方法並びに異常検知プログラム | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review |
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 |