CN114215733B - 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 - Google Patents
嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 Download PDFInfo
- Publication number
- CN114215733B CN114215733B CN202111289082.2A CN202111289082A CN114215733B CN 114215733 B CN114215733 B CN 114215733B CN 202111289082 A CN202111289082 A CN 202111289082A CN 114215733 B CN114215733 B CN 114215733B
- Authority
- CN
- China
- Prior art keywords
- imf
- loosening
- module
- piston rod
- 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
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/10—Other safety measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/13—File access structures, e.g. distributed indices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统,涉及往复压缩机技术领域。方法包括:截取单周期声发射信号;对截取的单周期声发射信号进行VMD处理,获得各个频段IMF函数;分别计算每个IMF函数和单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;并根据巴氏距离舍去非相关的IMF函数;对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组;将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。本申请用于实时监测诊断活塞杆与十字头链接锁紧螺纹松动故障,并识别松动程度。
Description
技术领域
本申请涉及往复压缩机技术领域,尤其涉及嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统。
背景技术
保障安全、可靠运行一直是压缩机应用中的关键,核心零部件故障会导致整个生产的瘫痪,带来巨大经济损失,甚至是人员伤亡。过度维修导致的运维成本不断增大,也是现代机械设备另一个突出问题。
活塞杆作为往复压缩机的核心部件和易损件之一,其质量影响着压缩机组的寿命和可靠性。据不完全统计,活塞杆断裂造成的设备故障占重大安全事故的1/4以上,由活塞杆断裂引起的连锁破坏,造成重大人员、经济损失的事故时有发生。工程案例中,压缩机活塞杆发生断裂的部位大多位于十字头连接螺纹或紧固活塞螺纹位置。安装就位后,通过一定的扭矩在螺纹部分施加预紧力,通过内、外螺纹牙之间受力变形压紧后所形成的摩擦力即可保证螺纹紧固。但压缩机运行时,动态载荷会使得螺纹副之间、承压端面之间以及受夹紧力的工件之间发生相对位移,会立即引起预加载荷的紧固件的松脱,二者之间产生很大的冲击力,可能产生裂纹进而导致活塞杆断裂。因此,对活塞杆螺纹实时监测、识别活塞杆螺纹松动故障及松动程度,在轻微故障时尽早发出预警,及时采取措施,减少因零部件故障导致的非计划停机。
发明内容
本申请提供的一种嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统,通过对截取的单周期声发射信号进行VMD处理得到各个频段IMF函数,再根据各个IMF函数与其相对应的概率密度函数的巴氏距离舍去非相关的IMF函数,并对剩余相关的IMF函数进行降采样处理,在清楚保留数据特征的同时显著降低数据量,避免了预测结果不准确的弊端。
为达到上述目的,一方面,本申请提供了嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,包括以下步骤:
步骤1:实时获取脉冲止点信号和声发射信号,并利用脉冲止点信号截取单周期声发射信号,其中,所述脉冲止点信号和声发射信号均为位于往复压缩机十字头飞轮处的传感模块输出的信号;
步骤2:特征提取
对截取的所述单周期声发射信号进行VMD处理,获得各个频段IMF函数;分别计算每个IMF函数和所述单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;并根据巴氏距离舍去非相关的IMF函数;
对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组;
步骤3:将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。
进一步地是,步骤2中对剩余相关的IMF函数进行降采样处理步骤具体包括:对剩余相关的IMF函数进行等步长滑动取最大值;
根据巴氏距离舍去非相关的IMF函数的步骤具体包括:绘制IMF函数-巴氏距离曲线,舍去峰值点前的IMF函数。
进一步地是,所述的分类模型为CNN。
进一步地是,所述CNN的结构为:依次连接的输入层、卷积层一、池化层一、卷积层二、池化层二、扁平层、全连接层一、全连接层二和全连接层三,所述全连接层三结构输出对应5种松动程度。
进一步地是,还包括步骤4:
利用嵌入式实时监测软件实时获取往复压缩机机组的运行状态、单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度,并按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组;
利用大数据分析模块对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中并通过显示交互模块显示。
另一方面,本申请还提供一种嵌入式往复压缩机活塞杆螺纹松动故障自监测诊断系统,包括传感模块、模拟信号处理模块和数字信号处理模块,其中:
所述传感模块位于往复压缩机十字头飞轮处,用于监测声发射信号和脉冲止点信号;
所述模拟信号处理模块用于将所述传感模块输出的模拟信号转化成数字信号;
所述数字信号处理模块被配置为:实时接收转化后的声发射信号和脉冲止点信号,并利用脉冲止点信号截取单周期声发射信号;
对截取的所述单周期声发射信号进行VMD处理,获得各个频段IMF函数;
分别计算每个IMF函数和所述单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;根据巴氏距离舍去非相关的IMF函数;对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组;
将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。
进一步地是,还包括嵌入式工控机、交互显示模块、云端网络和供电模块,其中,
所述嵌入式工控机与数字信号处理模块连接,嵌入式工控机包括驱动模块、数据通信模块、本地数据储存模块、大数据分析模块、本地数据库和网络通信模块,其中:
所述驱动模块用于实现对往复压缩机机组的输入输出控制;
所述数据通信模块用于实时获取数字信号处理模块传输的单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度;
所述本地数据储存模块用于按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组;
所述大数据分析模块用于对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中。
进一步地是,所述传感模块包括声发射传感器和电涡流传感器,所述声发射传感器和电涡流传感器分别用于监测往复压缩机十字头飞轮处的声发射信号和脉冲止点信号。
本申请相比现有技术具有以下有益效果:
1)本申请通过VMD提取特征频段再降采样的方法,清楚保留数据特征的同时显著降低数据量,实现了对不同松动程度的信号经过特征提取,得到信号已显示出较明显差异,输入神经网络结构可将这些特征运用到诊断神经网络组,可简化神经网络结构、加快计算速度,诊断准确度高。
2)采用模块化方法,为压缩机实现实时状态监测和故障诊断,并实现业务数据文件和数据存储共享。为设备设计和制造商提供完备的设备运行信息,同时为设备运维和优化设计提供参考数据。具有可扩展性,本申请将数据特征提取和故障诊断功能集成在DSP芯片中,用户可在不改变原有系统功能的情况下,继续扩展增加系统新功能。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请活塞杆螺纹松动故障自监测诊断方法的流程图;
图2为本申请实施例1不同频段的信号分量图;
图3为本申请实施例1经过求各个IMF函数与其相对应的概率密度函数的巴氏距离后不同频段的信号分量图;
图4为本申请实施例1巴氏距离-IMF阶数折线图;
图5为本申请实施例1降采样前后数据点个数对比图;
图6为本申请实施例1不同松动程度的二维特征数组的热点图;
图7为本申请实施例1连续多周期传感模块采集信号图;
图8为本申请实施例1CNN神经网络模型的结构图;
图9为本申请实施例1的训练集-准确率曲线图;
图10为本申请实施例2活塞杆螺纹松动故障自监测诊断系统的结构示意图;
图11为本申请实施例2模拟信号处理模块的电路图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
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一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
参照图1-8,本申请实施例1提供了嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,包括以下步骤:
S1:实时获取脉冲止点信号和声发射信号,并利用脉冲止点信号截取单周期声发射信号,其中,脉冲止点信号和声发射信号均为位于往复压缩机十字头飞轮处的传感模块输出的信号。
S2:特征提取
S21:对截取的所述单周期声发射信号进行VMD(VariationalModeDecomposition,变分模态分解)处理,获得如图2所示的不同频段的5个信号分量,即IMF函数(Intrinsic Mode Function,固有模态函数),频段无混叠。VMD分解能够获得包含多个不同频率尺度且相对平稳的子序列,适用于存在冲击信号的非平稳性的序列。
S22:如图3所示,分别计算每个IMF函数和所述单周期声发射信号的概率密度函数PDF,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离BD;绘制IMF函数-巴氏距离曲线,舍去峰值点前的IMF函数,即峰值点所对应的IMF函数之前的IMF函数,保留剩余相关的IMF函数。参见图4,第1个IMF函数被舍去,保留峰值及其之后的4个IMF函数。
S23:对剩余相关的IMF函数进行降采样处理,可采用等步长滑动取最大值实现数据降采样,降采样数据个数的对比如图5所示。
S24:将降采样处理后的IMF降按照频段次序拼接成二维特征数组Arr。如图6所示,用热点图的形式展示不同松动程度的二维特征数组Arr。直观视觉上,松动程度越严重,冲击信号数量和冲击能量越大,本申请的特征提取效果明显。
S3:将S2得到的二维特征数组Arr输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。分类模型可以但不限于CNN(Convolutional Neural Networks,卷积神经网络)、向量机SVM、贝叶斯判决、随机森林等。
S4:利用嵌入式实时监测软件实时获取往复压缩机机组的运行状态、单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度,并按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组。数据存储规则为数据存储模块首先根据转速判断机组是否在运行,如果机组不运行,则每分钟存储一条停机代码,以便统计机组总运行时间。如果机组在运行,当机组故障类型指示所有部件健康时,数据存储频率为1min/次,当机组故障类型指示存在故障部件时,数据存储频率为5s/次。
利用大数据分析模块对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中并通过显示交互模块显示。使用者分析机组运行趋势分析、故障频率统计、故障/运行工况预测、数据/文件查看等。
声发射信号采样频率通常需要1MHz以上,数据量大、噪声污染严重,导致各个频段的特征频率混叠,特征不明显,本申请通过VMD提取特征频段再降采样的方法,清楚保留数据特征的同时显著降低数据量,实现了对不同松动程度的信号经过特征提取,得到信号已显示出较明显差异,输入神经网络结构可将这些特征运用到诊断神经网络组,可简化神经网络结构、加快计算速度,诊断准确度高。
参见图7,步骤S1中截取单周期信号的原理为:止点信号为周期性脉冲信号,2个脉冲信号之间对应往复压缩机运转的一个周期,识别脉冲信号,截取2个脉冲信号中间的其他信号,获得往复压缩机单个运转周期内的声发射信号。
参见图8,选用CNN作为分类模型时,其结构如图8所示。包括依次连接的输入层、卷积层一、池化层一、卷积层二、池化层二、扁平层、全连接层一、全连接层二和全连接层三,所述全连接层三结构输出对应5种松动程度。
CNN卷积神经网络的训练步骤包括:构建CNN分类模型,重复上述步骤S1-3的数据处理过程,处理不同松动程度的声发射数据二维数组并添加标签,形成数据集;然后,将数据集分为训练集和测试集,训练集用于训练输入CNN分类模型,测试集用于验证神经网络诊断结果,进而获得训练完成的CNN卷积神经网络。参见图9,经过50次训练,准确率稳定在99.12%,满足要求。
参见图10-11,本申请实施例2提供了嵌入式往复压缩机活塞杆螺纹松动故障自监测诊断系统,包括传感模块、模拟信号处理模块、数字信号处理模块、嵌入式工控机、交互显示模块、云端网络和供电模块,供电模块与传感模块、模拟信号处理模块、数字信号处理模块、嵌入式工控机、交互显示模块连接,其中:
传感模块位于往复压缩机十字头飞轮处,用于监测声发射信号和脉冲止点信号。模拟信号处理模块用于将传感模块输出的模拟信号转化成数字信号;每一路模拟信号对应配置一路模拟信号处理模块。
参见图11,本实施例选用声发射传感器和电涡流传感器分别监测发射信号和脉冲止点信号。声发射信号分别声发射传感器进行测量,输出信号为电压信号,通过信号处理电路A进行缓冲、调理、放大,进入数模转换器进行采样,转换成数字信号输出。止点信号通过电涡流位移传感器进行测量,通过信号处理电路B进行处理,当电涡流传感器接近被测金属部件时,被测表面产生电涡流,使传感器线圈电感发生变化,传感器线圈作为振荡器的电感单元,当等效电感发生变化时,振荡器振荡频率发生变化,通过检测电路(即频率F-电压V)转换成电压信号,经过放大器后,进入数模转换器ADC进行采样,转换成数字信号输出。进入可编程DSP芯片模块(DigitalSignal Processing,数字信号处理)进行数字信号处理运算。
数字信号处理模块被配置为:实时接收转化后的声发射信号和脉冲止点信号,并利用脉冲止点信号截取单周期声发射信号;特征提取以及往复压缩机活塞杆螺纹的松动程度的诊断。数字信号处理模块本实施例选用具有高度的灵活性的可编程的DSP芯片,参见图1,DSP芯片上搭载有数据处理程序和训练好的神经网络模型。DSP软件方法流程及步骤如下:
Step1:系统初始化。该步骤完成声发射传感器和电涡流传感器状态自检、信号采样频率、数据通信状态等参数初始化;
Step2:单周期信号截取。经过数模转换ADC后获得实时采集的各类信号。如图7所示,压缩机止点信号为周期性脉冲信号,2个脉冲信号之间对应压缩机运转的一个周期,通过程序识别脉冲信号,截取2个脉冲信号中间的其他信号,获得压缩机单个运转周期内的声发射信号。
Step3:特征提取。对截取的单周期声发射信号进行VMD处理,获得各个频段IMF函数;分别计算每个IMF函数和单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;根据巴氏距离舍去非相关的IMF函数;对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组。
Step4:松动程度诊断。将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度,并将单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度传输至嵌入式工控机。
嵌入式工控机与数字信号处理模块连接,参见图1,嵌入式工控机包括驱动模块、数据通信模块、本地数据储存模块、大数据分析模块、本地数据库和网络通信模块,其中:驱动模块用于实现对往复压缩机机组的输入输出控制;数据通信模块用于实时获取数字信号处理模块传输的单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度;本地数据储存模块用于按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组;大数据分析模块用于对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中。
嵌入式工控机软件方法流程及步骤如下:
Step1:系统初始化。通过数据通信模块配置硬件模块驱动、初始化DSP工作方式、获取DSP数据;
Step2:数据存储模块和网络通信模块。根据压缩机机组运行和故障状态,按照数据存储规则,将数据存储至本地或云端数据库中;存储规则如下:数据存储模块首先根据转速判断机组是否在运行,如果机组不运行,则每分钟存储一条停机代码,以便统计机组总运行时间。如果机组在运行,当机组故障类型指示所有部件健康时,数据存储频率为1min/次,当机组故障类型指示存在故障部件时,数据存储频率为5s/次。数据存储内容为故障时间、故障类型、二维特征数组Arr;
Step3:大数据分析模块。机组运行一段后,本地和云端积累已积累数据,大数据分析模块按周期(周度、月度、季度、年度)汇总故障类型、二维特征数组Arr,计算故障天数、故障率占比,形成机组运行业务数据文件、故障数据文件并存储于本地数据库中,通过显示交互模块,供使用者分析机组运行趋势分析、故障频率统计、故障/运行工况预测、数据/文件查看等。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,其特征在于,包括以下步骤:
步骤1:实时获取脉冲止点信号和声发射信号,并利用脉冲止点信号截取单周期声发射信号,其中,所述脉冲止点信号和声发射信号均为位于往复压缩机十字头飞轮处的传感模块输出的信号;
步骤2:特征提取
对截取的所述单周期声发射信号进行VMD处理,获得各个频段IMF函数;分别计算每个IMF函数和所述单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;并根据巴氏距离舍去非相关的IMF函数;
对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组;
步骤3:将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。
2.根据权利要求1所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,其特征在于,步骤2中对剩余相关的IMF函数进行降采样处理步骤具体包括:对剩余相关的IMF函数进行等步长滑动取最大值;
根据巴氏距离舍去非相关的IMF函数的步骤具体包括:绘制IMF函数-巴氏距离曲线,舍去峰值点前的IMF函数。
3.根据权利要求1或2所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,其特征在于,所述的分类模型为CNN。
4.根据权利要求3所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,其特征在于,所述CNN的结构为:依次连接的输入层、卷积层一、池化层一、卷积层二、池化层二、扁平层、全连接层一、全连接层二和全连接层三,所述全连接层三输出对应5种松动程度。
5.根据权利要求1所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法,其特征在于,还包括步骤4:
利用嵌入式实时监测软件实时获取往复压缩机机组的运行状态、单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度,并按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组;
利用大数据分析模块对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中并通过显示交互模块显示。
6.嵌入式压缩机活塞杆螺纹松动故障自监测诊断系统,其特征在于,包括传感模块、模拟信号处理模块和数字信号处理模块,其中:
所述传感模块位于往复压缩机十字头飞轮处,用于监测声发射信号和脉冲止点信号;
所述模拟信号处理模块用于将所述传感模块输出的模拟信号转化成数字信号;
所述数字信号处理模块被配置为:实时接收转化后的声发射信号和脉冲止点信号,并利用脉冲止点信号截取单周期声发射信号;
对截取的所述单周期声发射信号进行VMD处理,获得各个频段IMF函数;
分别计算每个IMF函数和所述单周期声发射信号的概率密度函数,然后再计算各个IMF函数与其相对应的概率密度函数的巴氏距离;根据巴氏距离舍去非相关的IMF函数;对剩余相关的IMF函数进行降采样处理,并将降采样处理后的IMF函数按照频段次序拼接成二维特征数组;
将二维特征数组输入至训练好的分类模型中,得到往复压缩机活塞杆螺纹的松动程度。
7.根据权利要求6所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断系统,其特征在于,还包括嵌入式工控机、交互显示模块、云端网络和供电模块,其中,
所述嵌入式工控机与数字信号处理模块连接,嵌入式工控机包括驱动模块、数据通信模块、本地数据储存模块、大数据分析模块、本地数据库和网络通信模块,其中:
所述驱动模块用于实现对往复压缩机机组的输入输出控制;
所述数据通信模块用于实时获取数字信号处理模块传输的单周期声发射信号的波形以及与单周期信号波形相对应的二维特征数组和松动程度;
所述本地数据储存模块用于按照数据存储规则,将数据存储至本地数据库或云端数据库中,数据包括松动时间、松动程度以及与松动程度相对应的二维特征数组;
所述大数据分析模块用于对本地和云端积累的数据按周期汇总松动程度和二维特征数组,并计算故障天数和故障率占比,最终生成往复压缩机机组运行业务数据文件和松动数据文件存储于本地数据库中。
8.根据权利要求6所述的嵌入式压缩机活塞杆螺纹松动故障自监测诊断系统,其特征在于,所述传感模块包括声发射传感器和电涡流传感器,所述声发射传感器和电涡流传感器分别用于监测往复压缩机十字头飞轮处的声发射信号和脉冲止点信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289082.2A CN114215733B (zh) | 2021-11-02 | 2021-11-02 | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289082.2A CN114215733B (zh) | 2021-11-02 | 2021-11-02 | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114215733A CN114215733A (zh) | 2022-03-22 |
CN114215733B true CN114215733B (zh) | 2022-10-28 |
Family
ID=80696411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111289082.2A Active CN114215733B (zh) | 2021-11-02 | 2021-11-02 | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114215733B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111189639B (zh) * | 2020-01-08 | 2021-09-14 | 重庆交通大学 | 一种基于瞬时频率优化vmd的轴承故障诊断方法 |
CN110954312B (zh) * | 2020-02-19 | 2020-11-20 | 北京化工大学 | 一种基于无键相整周期信号的往复机械故障诊断方法 |
CN111753260A (zh) * | 2020-06-29 | 2020-10-09 | 武汉科技大学 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
CN111927752B (zh) * | 2020-07-14 | 2021-11-23 | 西安交通大学 | 一种隔膜压缩机故障诊断仪 |
CN112000041A (zh) * | 2020-08-26 | 2020-11-27 | 重庆新禹智能科技有限公司 | 一种压缩机故障诊断用可在线监控的振动噪声检测装置 |
-
2021
- 2021-11-02 CN CN202111289082.2A patent/CN114215733B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114215733A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3454289B1 (en) | Plant abnormality detection method and system | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
US9443201B2 (en) | Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
CN110647133A (zh) | 轨道交通设备状态检测维护方法及系统 | |
US8131484B2 (en) | Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof | |
RU2703109C2 (ru) | Устройство и способ контроля для определения технического состояния устройства с гидро- или пневмоприводом | |
CN107324214A (zh) | 海洋平台起重机智能状态监测方法 | |
Prieto et al. | Self-powered wireless sensor applied to gear diagnosis based on acoustic emission | |
EP2021966A2 (en) | Probabilstic stress wave analysis system and method | |
CN111509847A (zh) | 一种电网机组状态的智能检测系统及方法 | |
CN109186744A (zh) | 汽轮机叶片裂纹评估系统及汽轮机叶片裂纹预警方法 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN111866031A (zh) | 设备监测分析方法、装置、服务器及存储介质 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN105424258A (zh) | 紧固件预紧力在线检测方法及系统 | |
CN105741850B (zh) | 利用音频信号诊断机械设备的方法及装置 | |
US8355879B2 (en) | Trending of vibration data taking into account torque effect | |
CN112115643B (zh) | 一种智慧列车整车服役寿命非侵入预测方法 | |
CN114280383B (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN106645399B (zh) | 一种复合材料损伤检测评估方法和系统 | |
CN114215733B (zh) | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 | |
CN102494882A (zh) | 矿用振动筛弹簧在线监测与故障诊断装置及其方法 | |
CN110553770A (zh) | 船体结构应力监测系统传感器大漂移异常值故障诊断算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |