CN113567162A - 基于声传感器的风机故障智能诊断装置及方法 - Google Patents
基于声传感器的风机故障智能诊断装置及方法 Download PDFInfo
- Publication number
- CN113567162A CN113567162A CN202110771137.7A CN202110771137A CN113567162A CN 113567162 A CN113567162 A CN 113567162A CN 202110771137 A CN202110771137 A CN 202110771137A CN 113567162 A CN113567162 A CN 113567162A
- Authority
- CN
- China
- Prior art keywords
- fault
- fan
- noise
- fan fault
- array element
- 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
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
本发明涉及基于声传感器的风机故障智能诊断装置及方法。本发明能够实现在启动、空载、负载不同状态情况下对系统故障进行实时监测、判断、报警、趋势分析、原因分析、故障提示,包括转子裂痕趋势分析、转子不对中及转自扰度异常。本发明通过对声传感器采集的信号进行处理和变换,得到故障位置及故障类型,通过不见更换的时间与部件检修周期的比较,预测出之后一段时间的故障发生情况,从而确定具体故障损坏时间,以达到对故障的精确判断。本发明通过对运行时间的纵向对比,累计一天、一个月、一个季度、一年的故障程度趋势判断设备的当前状态,并做出预判曲线,给出故障未来发生的时间和程度。
Description
技术领域
本发明涉及风机故障噪声信号分类及其硬件平台方法技术领域,特别涉及基于声传感器的风机故障智能诊断装置。
背景技术
近年来,针对风机故障诊断问题,国内外学者提出了多种声学监测技术,如超声波、声发射、振动监测等。超声波检测主要适用于叶片出厂前的静态检测,声发射与震动等动态检测需要在叶片上安装传感器,可能破坏叶片的原有结构,且安装困难。而且,尽管动态监测方法在实验室环境下取得了良好的效果,但是,由于未充分考虑实际应用中传感器拾取的信号受机舱噪声与其他复杂背景噪声的耦合影响,可能导致虚警率过高,无法满足实际工程需求。目前,已经有相关技术人员针对转动机械噪声进行分析,试图根据信号特征进行故障诊断。但存在如下问题:
(1)仅针对故障发生时的信号训练相应的分类器,能够实现故障发生时的诊断,但缺乏对故障的预见性,没有考虑到在故障发生之前,转动机械可能已经产生异常声响,因此无法做到故障的预测和机械设备使用寿命的估计;
(2)采用的声学传感器数量较少,其目的仅限于采集相应位置的噪声信号。在多台设备同时运行,或转动机械设备较大、可能发生故障位置多变的情况下,无法准确实现故障点的定位与诊断;
发明内容
本发明针对上述问题提供了一种基于声传感器的风机故障智能诊断装置。
为达到上述目的本发明采用了以下技术方案:
基于声传感器的风机故障智能诊断装置,针对工厂中大量使用的抽风机和引风机进行集中数据采集和智能分类诊断,包括智能风机故障噪声信号采集装置、智能风机故障噪声信号处理装置以及智能风机故障诊断装置。
所述智能风机故障噪声信号采集装置包括16个阵元MAX9814型驻极体咪头麦克风组成的麦克风阵列、麦克风阵列排布架及三角支架。
所述智能风机故障噪声信号处理装置由PCI-6221多功能数据采集卡和PC端虚拟仪器LabVIEW程序组成。数据采集卡将采集到的声学信号经模数转换后的数字量送入PC端虚拟仪器LabVIEW程序中。
所述智能风机故障诊断装置的事件分析包括人机交互界面和多个故障诊断程序模块:所述故障诊断模块包括趋势分析、状态监测、参数设置和事件分析,实现在启动、空载、负载不同状态情况下对系统故障进行实时监测、判断、报警、趋势分析、原因分析、提示故障造成不良后果。
一种风机智能故障诊断装置提供风机故障检测及诊断方法,为风机的转子产生裂痕、转子不对中、转子挠度异常时的故障监测及判断,包括如下步骤:
步骤一、基于声传感器的风机故障智能诊断装置中采用16个MAX9814型驻极体咪头麦克风传感器和半径为15cm的均匀圆阵,其将15个完全相同的麦克风均匀分布在平面X-Y上一个半径为15cm的圆周上,圆心处同样放置有一个麦克风阵元,以圆心处阵元作为参考阵元。
步骤二、由高速同步数据采集卡接收声学信号,高速同步数据采集卡接收声传感器采集到的风机声学信号并进行模数转换,将声学信号有模拟量转换为数字量。
步骤三、采用带通滤波器获取特定频率的声学信号,当转子产生裂痕、或由转子不对中和转子扰度异常而引起异常转动时,均导致风机出现异常声响。通过麦克风阵列采集异响信号并进行异响源声学定位。定位原理描述如下。
声传感器采集声音信号,所述麦克风阵列为均匀圆阵。将M(M=16)个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上。以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系。
第m个阵元的位置在空间坐标系中可表示为:
远场中入射声源的单位向量可表示为:
因此第m个阵元与参考阵元之间的延时τm可表示为:
其中<·,·>表示内积,c为声速。声源点的方位矢量可表示为:
则麦克风阵列的输出可表示为:
其中x(t)是麦克风接收到的声源信号。
步骤四、采用梅尔频率倒谱系数(MFCC)算法提取风机故障噪声的数据特征,MFCC是Mel标度频率域提取出来的倒谱系数,Mel标度描述了人耳频率的非线性特征,经MFCC转化后Mel频率与原频率的关系公式如下所示:
f为风机故障噪声数据的原始频率。
步骤五、采用基于理想二值掩模(Ideal Binary Mask,IBM)的方法对风机故障噪声进行信号增强。其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类。IBM的计算公式如下:
其中LC为阈值,取0,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个[0,1]的值,计算公式为:
其中β为可调节尺度因子,一般取值为0.5。
步骤五、采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类。
所述智能风机故障诊断系统通过趋势曲线分析得出故障时间预测,方法为:所述的智能风机故障诊断系统的趋势分析包括转子裂痕趋势分析、转子不对中趋势分析、转子扰度异常趋势分析。通过对运行时间的纵向对比,累计一天、一个月、一个季度、一年的故障程度趋势判断设备的当前状态,做出预判曲线,给出故障未来发生的时间和程度,变故障停机为计划停机,从事故性维修过渡到预防性维修。
与现有技术相比,本发明的有益效果有:
1、本发明提出的一种风机智能故障诊断装置能够实现在启动、空载、负载不同状态情况下对系统故障进行实时监测、判断、报警、趋势分析、原因分析、故障提示,包括转子裂痕趋势分析、转子不对中及转自扰度异常。
2、本发明提出的一种风机智能故障诊断装置,设备运行状态与健康状态的多种数据集成在一个平台进行综合分析。通过对声传感器采集的信号进行处理和变换,得到故障位置及故障类型,通过不见更换的时间与部件检修周期的比较,预测出之后一段时间的故障发生情况,从而确定具体故障损坏时间,以达到对故障的精确判断。
3、本发明提出的一种风机智能故障诊断装置,通过对运行时间的纵向对比,累计一天、一个月、一个季度、一年的故障程度趋势判断设备的当前状态,并做出预判曲线,给出故障未来发生的时间和程度。
4、本发明提出的一种风机智能故障诊断装置,系统即可以独立安装使用,也可以作为子系统在设备自动化平台上做功能集成。
附图说明
图1为本发明声传感器阵列实物图
图2为本发明装置框架图;
图3为本发明BP神经网络故障噪声分类流程图;
具体实施方式
本发明提供风机故障检测及诊断方法,为风机的转子产生裂痕、转子不对中、转子挠度异常时的故障监测及判断,采用了如下的技术方案及实现步骤:
基于声传感器的风机故障智能判断装置具体实施步骤如下:
步骤一、基于声传感器的风机故障智能诊断装置中采用16个MAX9814型驻极体咪头麦克风传感器和半径为15cm的均匀圆阵,如图一所示,其将15个完全相同的麦克风均匀分布在平面X-Y上一个半径为15cm的圆周上,圆心处同样放置有一个麦克风阵元,以圆心处阵元作为参考阵元。整体设计方案图如图二所示。
步骤二、由高速同步数据采集卡接收声学信号,高速同步数据采集卡接收声传感器采集到的风机声学信号并进行模数转换,将声学信号有模拟量转换为数字量。
步骤三、采用带通滤波器获取特定频率的声学信号,当转子产生裂痕、或由转子不对中和转子扰度异常而引起异常转动时,均导致风机出现异常声响。通过麦克风阵列采集异响信号并进行异响源声学定位。定位原理描述如下。
声传感器采集声音信号,所述麦克风阵列为均匀圆阵。将M(M=16)个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上。以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系。
第m个阵元的位置在空间坐标系中可表示为:
远场中入射声源的单位向量可表示为:
因此第m个阵元与参考阵元之间的延时τm可表示为:
其中<·,·>表示内积,c为声速。声源点的方位矢量可表示为:
则麦克风阵列的输出可表示为:
其中x(t)是麦克风接收到的声源信号。
步骤四、采用梅尔频率倒谱系数(MFCC)算法提取风机故障噪声的数据特征,MFCC是Mel标度频率域提取出来的倒谱系数,Mel标度描述了人耳频率的非线性特征,经MFCC转化后Mel频率与原频率的关系公式如下所示:
f为风机故障噪声数据的原始频率。
步骤五、采用基于理想二值掩模(Ideal Binary Mask,IBM)的方法对风机故障噪声进行信号增强。其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类。IBM的计算公式如下:
其中LC为阈值,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个[0,1]的值,计算公式为:
其中β为可调节尺度因子。
步骤五、采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类。BP神经网络分类原理如图3所示。
Claims (2)
1.一种基于声传感器的风机故障智能诊断装置,其特征在于:
包括智能风机故障噪声信号采集装置、智能风机故障噪声信号处理装置以及智能风机故障诊断装置;
所述智能风机故障噪声信号采集装置包括16个阵元MAX9814型驻极体咪头麦克风组成的麦克风阵列、麦克风阵列排布架及三角支架;
所述智能风机故障噪声信号处理装置由PCI-6221多功能数据采集卡和PC端虚拟仪器LabVIEW程序组成;数据采集卡将采集到的声学信号经模数转换后的数字量送入PC端虚拟仪器LabVIEW程序中;
所述智能风机故障诊断装置的事件分析包括人机交互界面和多个故障诊断程序模块:所述故障诊断模块包括趋势分析、状态监测、参数设置和事件分析,实现在启动、空载、负载不同状态情况下对系统故障进行实时监测、判断、报警、趋势分析、原因分析、提示故障造成不良后果。
2.应用权利要求1所述装置提供风机故障检测及诊断方法,其特征在于,包括如下步骤:
步骤一、基于声传感器的风机故障智能诊断装置中采用16个MAX9814型驻极体咪头麦克风传感器和半径为r的均匀圆阵,其将15个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上,圆心处同样放置有一个麦克风阵元,以圆心处阵元作为参考阵元;
步骤二、由高速同步数据采集卡接收声学信号,高速同步数据采集卡接收声传感器采集到的风机声学信号并进行模数转换,将声学信号有模拟量转换为数字量;
步骤三、采用带通滤波器获取特定频率的声学信号,当转子产生裂痕、或由转子不对中和转子扰度异常而引起异常转动时,均导致风机出现异常声响;通过麦克风阵列采集异响信号并进行异响源声学定位;定位原理描述如下;
声传感器采集声音信号,所述麦克风阵列为均匀圆阵;将M个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上;M=16;以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系;
第m个阵元的位置在空间坐标系中表示为:
远场中入射声源的单位向量表示为:
因此第m个阵元与参考阵元之间的延时τm表示为:
其中<·,·>表示内积,c为声速;声源点的方位矢量表示为:
则麦克风阵列的输出表示为:
其中x(t)是麦克风接收到的声源信号;
步骤四、采用梅尔频率倒谱系数算法提取风机故障噪声的数据特征,MFCC是Mel标度频率域提取出来的倒谱系数,Mel标度描述了人耳频率的非线性特征,经MFCC转化后Mel频率与原频率的关系公式如下所示:
f为风机故障噪声数据的原始频率;
步骤五、采用基于理想二值掩模的方法对风机故障噪声进行信号增强;其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类;IBM的计算公式如下:
其中LC为阈值,取0,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个[0,1]的值,计算公式为:
其中β为可调节尺度因子,取值为0.5;
步骤五、采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类;
所述智能风机故障诊断系统通过趋势曲线分析得出故障时间预测,方法为:所述的智能风机故障诊断系统的趋势分析包括转子裂痕趋势分析、转子不对中趋势分析、转子扰度异常趋势分析;通过对运行时间的纵向对比,累计一天、一个月、一个季度、一年的故障程度趋势判断设备的当前状态,做出预判曲线,给出故障未来发生的时间和程度,变故障停机为计划停机,从事故性维修过渡到预防性维修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771137.7A CN113567162A (zh) | 2021-07-08 | 2021-07-08 | 基于声传感器的风机故障智能诊断装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771137.7A CN113567162A (zh) | 2021-07-08 | 2021-07-08 | 基于声传感器的风机故障智能诊断装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113567162A true CN113567162A (zh) | 2021-10-29 |
Family
ID=78164046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110771137.7A Pending CN113567162A (zh) | 2021-07-08 | 2021-07-08 | 基于声传感器的风机故障智能诊断装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567162A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN116517862A (zh) * | 2023-04-27 | 2023-08-01 | 淮南矿业(集团)有限责任公司煤业分公司 | 一种基于stft-cnn的矿井通风机异常诊断系统 |
CN117572134A (zh) * | 2024-01-15 | 2024-02-20 | 武汉大学 | 一种基于声音采集阵列检测的变压器故障分析方法及系统 |
CN117952600A (zh) * | 2024-03-27 | 2024-04-30 | 深圳市美格信测控技术有限公司 | 一种基于声学数据的新能源汽车电机评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154166A (zh) * | 2017-11-30 | 2018-06-12 | 辽宁科技大学 | 一种风机智能故障诊断系统及方法 |
CN112581973A (zh) * | 2020-11-27 | 2021-03-30 | 深圳大学 | 一种语音增强方法及系统 |
-
2021
- 2021-07-08 CN CN202110771137.7A patent/CN113567162A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154166A (zh) * | 2017-11-30 | 2018-06-12 | 辽宁科技大学 | 一种风机智能故障诊断系统及方法 |
CN112581973A (zh) * | 2020-11-27 | 2021-03-30 | 深圳大学 | 一种语音增强方法及系统 |
Non-Patent Citations (5)
Title |
---|
兰琼琼等: "基于特征组合的多目标监督性语音分离研究", 无线通信技术, no. 3, pages 17 - 22 * |
居太亮;邵怀宗;彭启琮;林静然;: "基于任意麦克风阵列的近场声源三维定位算法研究", 信号处理, no. 02, pages 231 - 234 * |
张斯婕: "阵列传感检测的轴承故障声学信号重构及信号源估计", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 8, pages 029 - 31 * |
李铁军等: "基于传感器阵列的机械故障声源定位系统", 机械设计与制造, no. 4, pages 166 - 170 * |
郭业才;宋宫琨琨;吴礼福;孙心宇;王丽华;: "基于圆形麦克风阵列的声源定位改进算法", 数据采集与处理, no. 02, pages 344 - 349 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN114057053B (zh) * | 2022-01-18 | 2022-04-26 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN116517862A (zh) * | 2023-04-27 | 2023-08-01 | 淮南矿业(集团)有限责任公司煤业分公司 | 一种基于stft-cnn的矿井通风机异常诊断系统 |
CN116517862B (zh) * | 2023-04-27 | 2024-02-27 | 淮南矿业(集团)有限责任公司煤业分公司 | 一种矿井通风机异常诊断系统 |
CN117572134A (zh) * | 2024-01-15 | 2024-02-20 | 武汉大学 | 一种基于声音采集阵列检测的变压器故障分析方法及系统 |
CN117572134B (zh) * | 2024-01-15 | 2024-04-05 | 武汉大学 | 一种基于声音采集阵列检测的变压器故障分析方法及系统 |
CN117952600A (zh) * | 2024-03-27 | 2024-04-30 | 深圳市美格信测控技术有限公司 | 一种基于声学数据的新能源汽车电机评价方法及系统 |
CN117952600B (zh) * | 2024-03-27 | 2024-05-28 | 深圳市美格信测控技术有限公司 | 一种基于声学数据的新能源汽车电机评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
CN107345857A (zh) | 一种电主轴状态监测与故障诊断系统及其监测诊断方法 | |
CN102494894A (zh) | 风力发电机组音频监测和故障诊断系统及其方法 | |
CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN106706241B (zh) | 一种风力机叶片损伤主动自检装置及方法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及系统 | |
CN111653291B (zh) | 一种基于声纹的电力设备智能健康监测方法 | |
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
CN109322796A (zh) | 基于视频影像处理的风力发电机组的叶片状态监测系统及检测方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
Sánchez et al. | Wind Turbines Acoustic Inspections performed with UAV and sound frequency domain analysis | |
CN113719269A (zh) | 一种随钻测井仪器电路工作状态在线监测方法 | |
CN111173687B (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
US6493687B1 (en) | Apparatus and method for detecting glass break | |
CN117052608A (zh) | 一种声振协同的风机叶片断裂预警装置及方法 | |
CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
CN115163426A (zh) | 基于ai听诊的风机故障检测方法及系统、风机安全系统 | |
CN112464151B (zh) | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
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 |