CN113865873B - 一种轴承组的健康监测方法 - Google Patents
一种轴承组的健康监测方法 Download PDFInfo
- Publication number
- CN113865873B CN113865873B CN202111458260.XA CN202111458260A CN113865873B CN 113865873 B CN113865873 B CN 113865873B CN 202111458260 A CN202111458260 A CN 202111458260A CN 113865873 B CN113865873 B CN 113865873B
- Authority
- CN
- China
- Prior art keywords
- bearing
- health
- fault
- ith
- moment
- 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
-
- 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)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轴承组的健康监测方法,该方法包括通过数个传感器获取所有轴承的振动数据,通过标准化消除差异,通过加权Hellinger距离计算出健康评估值,再计算出任一时刻计任一位置轴承的健康评估值;从而通过该健康评估值监测压缩机轴承组健康,该方法能够在线监测轴承组的退化程度,无需维护人员离线检测。
Description
技术领域
本发明涉及机械设备故障监测技术领域,具体讲是一种轴承组的健康监测方法。
背景技术
压缩机轴承组由多套滑动轴承组成,其中径向轴承位于压缩机内部,仅承受转子径向力,径向-推力组合轴承位于压缩机外部,承受压缩机的气动轴向力。在长期的风洞试验中,压缩机频繁运转会加速轴承组的退化,甚至存在轴承断裂的风险,因此需对轴承组的退化进行有效的在线监测和故障预诊断,以保证试验安全。
发明内容
因此,为了解决上述不足,本发明在此提供一种基于加权Hellinger距离的压缩机轴承组健康监测及故障预诊断方法,能在线监测轴承组的退化程度,无需维护人员离线检测。
本发明是这样实现的,一种轴承组的健康监测方法,包括如下步骤,
S1、获取振动信息,在每个轴承前后两端分别布置数个不同方向的传感器;
S2、对数据进行标准化,消除数据差异;
S3、通过自相关长度确定获取各传感器的时间窗的长度Lm,取平均值L作为最终的长度,(自相关长度用于确定对每个传感器数据进行分析时大致需要获取多长的数据长度,取平均值是为了统一从各传感器获取的数据长度。)
本发明基于上述健康评估结果,对轴承组进行故障预诊断,提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护,以避免试验风险或事故。
故障预诊断方法如下:
(1)轴承定位,包括如下步骤;
其中,J1是用于区分健康和亚健康的阈值A,J2是用于区分亚健康和危险的阈值B;
(2)、轴承故障定位,包括如下步骤;
(2-1)、故障位置定位,在确定最先故障的轴承后,根据该轴承在第j个位置的健康评估值,采用SVM预测,其中p为预测的第p步;当任意一个位置最先低于位置阈值(根据轴承在第j个位置的历史健康评估值进行设置)时,则确定为最先故障的位置; 为第t+p时刻第i轴承在第j个位置的健康评估值。
(2-2)、定位出故障位置的方向,在确定该轴承可能最先故障的位置后,根据该轴承在该位置第k方向的健康评估值,采用SVM预测,其中e为预测的第e步;当任意一个位置最先低于阈值(根据该轴承在该位置在第k方向的历史健康评估值进行设置)时,则确定为该位置最先发生故障的方向。
本发明具有如下优点:
本发明通过上述方法能够在线监测轴承组的退化程度,无需维护人员离线检测,同时基于健康评估结果,对轴承组进行故障预诊断,提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护,以避免试验风险或事故。
附图说明
图1是本发明流程示意图;
图2是本发明轴承前后两端布置四个不同方向的传感器示意图。
具体实施方式
下面将结合附图1和图2对本发明进行详细说明,本发明提供一种轴承组的健康监测方法,包括如下步骤,
步骤一、获取振动信息,在每个轴承前后两端分别布置数个不同方向的传感器;
轴承的传感器布置方法是,轴承前后两端分别布置四个不同方向的传感器,四个不同方向分别是0°、45°、90°和135°(如图2所示);
当j=0和1分别表示轴承的前部位置和后部位置,k=0,1,2,3分别表示0°,90°、45°和135°四个方向。
步骤二、通过如下公式对数据进行标准化,
步骤三、通过自相关长度确定获取各传感器的时间窗的长度Lm,取平均值L作为最终的长度,L的表达式如下,
其中,M为传感器数量,m是第m个传感器;
本发明基于上述健康评估结果,还包括故障预诊断,对轴承组进行故障预诊断,提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护,以避免试验风险或事故。
故障预诊断方法如下:
步骤十一、轴承定位;
轴承定位的操作方法如下;
其中,J1是用于区分健康和亚健康的阈值,J2是用于区分亚健康和危险的阈值;
在故障预诊断方法中,还包括轴承故障定位,
轴承故障定位的具体操作如下:
故障位置定位,在确定最先故障的轴承后,根据该轴承在第j个位置的健康评估值,采用SVM预测,其中p为预测的第p步;当任意一个位置(第t+p时刻第i轴承在第j个位置的健康评估值)最先低于位置阈值时,则确定为最先故障的位置;
本发明能在线监测轴承组的退化程度,无需维护人员离线检测,同时基于健康评估结果,对轴承组进行故障预诊断,提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护,以避免试验风险或事故。
Claims (6)
1.一种轴承组的健康监测方法,其特征在于:包括如下步骤,
S1、获取振动信息,在每个轴承前后两端分别布置数个不同方向的传感器;
S2、对数据进行标准化,消除数据差异;
S10、轴承定位,包括如下步骤;
其中,J1是用于区分健康和亚健康的阈值A,J2是用于区分亚健康和危险的阈值B;
S11、轴承故障定位,该轴承故障定位包括如下步骤;
2.根据权利要求1所述一种轴承组的健康监测方法,其特征在于:所述步骤S1中轴承的传感器布置方法是,轴承前后两端分别布置四个不同方向的传感器,四个不同方向分别是0°、45°、90°和135°;
当j=0和1分别表示轴承的前部位置和后部位置, k=0,1,2,3分别表示0°,90°、45°和135°四个方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458260.XA CN113865873B (zh) | 2021-12-02 | 2021-12-02 | 一种轴承组的健康监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458260.XA CN113865873B (zh) | 2021-12-02 | 2021-12-02 | 一种轴承组的健康监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113865873A CN113865873A (zh) | 2021-12-31 |
CN113865873B true CN113865873B (zh) | 2022-02-18 |
Family
ID=78985607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111458260.XA Active CN113865873B (zh) | 2021-12-02 | 2021-12-02 | 一种轴承组的健康监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113865873B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
CN105658937A (zh) * | 2013-10-04 | 2016-06-08 | 沃尔沃卡车集团 | 用于监测传感器的运行的方法 |
CN106289777A (zh) * | 2016-08-01 | 2017-01-04 | 北京航空航天大学 | 一种基于几何度量的多工况滚动轴承性能评估方法 |
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
AU2017269731A1 (en) * | 2016-05-24 | 2018-11-29 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
CN111307461A (zh) * | 2020-04-13 | 2020-06-19 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的滚动轴承故障检测方法 |
CN112000081A (zh) * | 2020-08-31 | 2020-11-27 | 江南大学 | 基于多块信息提取和马氏距离的故障监测方法及系统 |
CN112326246A (zh) * | 2020-11-02 | 2021-02-05 | 北京航空航天大学 | 基于周期数据及核密度估计的轴承安全状态在线监测方法 |
CN112347571A (zh) * | 2020-09-18 | 2021-02-09 | 中国人民解放军海军工程大学 | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 |
CN112393906A (zh) * | 2020-10-28 | 2021-02-23 | 中车南京浦镇车辆有限公司 | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 |
CN113204837A (zh) * | 2021-03-27 | 2021-08-03 | 中国航发湖南动力机械研究所 | 一种多源信息的滚动轴承故障诊断方法 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN113609685A (zh) * | 2021-08-09 | 2021-11-05 | 电子科技大学 | 基于优化rvm和混合退化模型的轴承剩余寿命预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311774B2 (en) * | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN113567125B (zh) * | 2021-07-21 | 2023-08-29 | 上海工程技术大学 | 一种轨道车辆轴箱轴承便携式道旁声学检测系统及方法 |
-
2021
- 2021-12-02 CN CN202111458260.XA patent/CN113865873B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105658937A (zh) * | 2013-10-04 | 2016-06-08 | 沃尔沃卡车集团 | 用于监测传感器的运行的方法 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
AU2017269731A1 (en) * | 2016-05-24 | 2018-11-29 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
CN106289777A (zh) * | 2016-08-01 | 2017-01-04 | 北京航空航天大学 | 一种基于几何度量的多工况滚动轴承性能评估方法 |
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN111307461A (zh) * | 2020-04-13 | 2020-06-19 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的滚动轴承故障检测方法 |
CN112000081A (zh) * | 2020-08-31 | 2020-11-27 | 江南大学 | 基于多块信息提取和马氏距离的故障监测方法及系统 |
CN112347571A (zh) * | 2020-09-18 | 2021-02-09 | 中国人民解放军海军工程大学 | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 |
CN112393906A (zh) * | 2020-10-28 | 2021-02-23 | 中车南京浦镇车辆有限公司 | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 |
CN112326246A (zh) * | 2020-11-02 | 2021-02-05 | 北京航空航天大学 | 基于周期数据及核密度估计的轴承安全状态在线监测方法 |
CN113204837A (zh) * | 2021-03-27 | 2021-08-03 | 中国航发湖南动力机械研究所 | 一种多源信息的滚动轴承故障诊断方法 |
CN113609685A (zh) * | 2021-08-09 | 2021-11-05 | 电子科技大学 | 基于优化rvm和混合退化模型的轴承剩余寿命预测方法 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
Non-Patent Citations (3)
Title |
---|
" Fault diagnosis of rotating machinery based on kernel density estimation and Kullback-Leibler divergence";F. Zhang et al;《Journal of Mechanical Science and Technology》;20141231;全文 * |
"基于多健康状态评估的滚动轴承剩余寿命预测方法研究";张龙龙;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160331;全文 * |
"深度学习在设备故障预测与健康管理中的应";陈志强等;《仪器仪表学报》;20190915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113865873A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
JP5454671B2 (ja) | 故障原因診断システムおよびその方法 | |
JP5416630B2 (ja) | 移動体異常判断支援システム | |
CN108572006B (zh) | 状态诊断装置 | |
CN105259895B (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
US20230081892A1 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
KR101797400B1 (ko) | 확률밀도 기반의 고장 진단 방법 및 장치 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
Medjaher et al. | Feature extraction and evaluation for Health Assessment and Failure prognostics. | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110704911A (zh) | 一种基于集群结构相似性的桥梁损伤交叉定位方法 | |
JP2017032567A (ja) | モータの監視装置および方法 | |
CN110582626B (zh) | 用由磨损因子校正的异常检测来监视涡轮机的系统和方法 | |
KR20140072331A (ko) | 이상진단 사전감시 방법 | |
KR20200058132A (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
Satishkumar et al. | Vibration based health assessment of bearings using random forest classifier | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN113865873B (zh) | 一种轴承组的健康监测方法 | |
CN114781547A (zh) | 一种化工设备状态监测与故障诊断方法及系统 | |
CN115059634A (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 |
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 |