CN114252250B - 一种基于部件分解的机械故障诊断方法 - Google Patents

一种基于部件分解的机械故障诊断方法 Download PDF

Info

Publication number
CN114252250B
CN114252250B CN202111501141.8A CN202111501141A CN114252250B CN 114252250 B CN114252250 B CN 114252250B CN 202111501141 A CN202111501141 A CN 202111501141A CN 114252250 B CN114252250 B CN 114252250B
Authority
CN
China
Prior art keywords
frequency
measuring point
data
value
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.)
Active
Application number
CN202111501141.8A
Other languages
English (en)
Other versions
CN114252250A (zh
Inventor
胡鑫
雷文平
李永耀
王宏超
陈磊
李凌均
王丽雅
韩捷
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.)
Zhengzhou Enpu Technology Co ltd
Original Assignee
Zhengzhou Enpu Technology Co 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 Zhengzhou Enpu Technology Co ltd filed Critical Zhengzhou Enpu Technology Co ltd
Priority to CN202111501141.8A priority Critical patent/CN114252250B/zh
Publication of CN114252250A publication Critical patent/CN114252250A/zh
Application granted granted Critical
Publication of CN114252250B publication Critical patent/CN114252250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于部件分解的机械故障诊断方法。方法包括：实时采集机械机组每个测点的振动数据；当机械机组的某个测点或者多个测点报警时，在机组模板上找出对应的报警测点；根据报警测点、以及各测点与被诊断对象之间的位置关系，确定所有被诊断对象；根据每个被诊断对象选出对应的诊断对象模板；依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点；根据不同的诊断对象，结合各自的报警测点和与报警测点关联的其他测点的振动数据进行故障定位。本发明利用诊断对象模板进行故障的诊断提高了诊断效率，且通过与诊断对象关联的所有测点标识，提高了故障定位的准确性。

Description

一种基于部件分解的机械故障诊断方法
技术领域
本发明涉及一种基于部件分解的机械故障诊断方法，属于故障诊断技术领域。
背景技术
随着工业互联网技术的发展，设备的智能化运维显得越来越重要。工厂里边往往由于缺乏设备故障诊断方面有经验的工程师而不能有效或者更好的对设备进行维护，造成设备的非计划停机，影响生产的正常进行，给企业造成巨大的经济损失。为此，有人提出故障诊断专家系统对各种故障进行自动诊断。
现有的故障诊断专家系统，集聚了行业专家的部分诊断知识，可以为设备管理人员提供一些有用的运维措施。但其诊断逻辑通常是根据监测的某一个报警点的数据进行诊断，数据源单一，对机组的整体运行状态没有考虑，使得诊断的准确性低；而且针对不同机组的同类型部件需要重复编写诊断规则，知识库复用性差，使得诊断过程繁杂，效率低。
发明内容
本申请的目的在于提供一种基于部件分解的机械故障诊断方法，用以解决现有诊断方法诊断准确性低、效率低的问题。
为实现上述目的，本申请提出了一种基于部件分解的机械故障诊断方法的技术方案，包括以下步骤：
1)实时采集机械机组每个测点的振动数据；
2)当机械机组的某个测点或者多个测点报警时，利用该机械机组的机组模板，在机组模板上找出对应的报警测点；机组模板中存储有被诊断设备、被诊断对象、设置在被诊断设备不同位置处的测点、以及各测点与被诊断对象之间的位置关系，被诊断对象为机械机组按照部件进行拆分的被诊断设备的零部件，且机组模板上的各测点通过不同的标识加以区分；
3)根据报警测点、以及各测点与被诊断对象之间的位置关系，确定所有被诊断对象；
4)根据每个被诊断对象选出对应的诊断对象模板；所述诊断对象模板中存储有诊断对象、以及与诊断对象关联的所有测点标识；
5)依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点；所述第一对应关系为机组模板中测点标识与诊断对象模板中测点标识之间的关系；
6)根据不同的诊断对象，结合各自的报警测点和与报警测点关联的其他测点的振动数据进行机械机组故障定位。
本发明的基于部件分解的机械故障诊断方法的技术方案的有益效果是：本发明在出现测点报警的情况下，利用机组模板和诊断对象模板之间的测点关联的第一对应关系，找出相应的诊断对象模板，诊断对象为机组中的最小单元，利用诊断对象模板进行故障的诊断避免了不同机组重复编写诊断规则的问题，提高了诊断效率。并且诊断对象模板中设置有与诊断对象关联的所有测点标识，在进行故障诊断时，结合报警测点以及关联的其他测点对诊断对象的故障进行识别，进而确定机械机组的具体故障，提高了故障定位的准确性。
进一步地，为了避免知识库规则出现组合爆炸的情况，步骤6)中，根据振动数据计算各诊断对象的故障可信度值进行机械机组故障定位，诊断对象的故障可信度值通过该诊断对象的决策树计算得到，所述决策树包括故障类型、中间征兆、振动数据、故障类型和中间征兆之间的第三对应关系、以及中间征兆和振动数据之间的第二对应关系，中间征兆表示出现某种故障类型时振动数据表现的特征；诊断对象的故障可信度值的计算过程包括：
根据报警测点和与报警测点关联的其他测点的振动数据，结合第二对应关系计算各中间征兆的征兆可信度值；
根据各中间征兆的征兆可信度值，结合第三对应关系计算各故障类型的故障可信度值。
进一步地，为了提高征兆可信度值计算的准确性，中间征兆的征兆可信度值根据利用第二对应关系得到的与中间征兆对应的振动数据计算得到。
进一步地，为了提高故障可信度值计算的准确性，故障类型的故障可信度值根据利用第三对应关系得到的与故障类型对应的中间征兆的征兆可信度值以及每个中间征兆对应的与故障类型的支持度计算得到。
进一步地，计算各中间征兆的征兆可信度值前，还包括将振动数据进行归一化的步骤。
进一步地，中间征兆包括通频幅值大，振动数据包括通频数据，计算通频幅值大对应的通频数据的归一化的过程如下：
其中，SYM_S0为归一化后的通频值；x0为通频值；B0为通频基础值；W0为通频报警阈值；D0为通频危险阈值。
进一步地，中间征兆包括n倍频幅值大，振动数据包括n倍频数据，n≥1，n倍频幅值大对应的n倍频数据的归一化的过程如下：
若振动数据为位移数据，则相应的归一化后的n倍频位移值
若振动数据为速度数据，则相应的归一化后的n倍频速度值
若振动数据为加速度数据，则相应的归一化后的n倍频加速度值
其中，SYM_Ssnx为归一化后的n倍频位移值，且SYM_Ssnx＞1时，SYM_Ssnx＝1；Xsnx为n倍频位移峰值；Dsnx为n倍频位移危险阈值；SYM_Svnx为归一化后的n倍频速度值，且SYM_Svnx＞1时，SYM_Svnx＝1；Xvnx为n倍频速度峰值；Dvnx为n倍频速度危险阈值；SYM_Sanx为归一化后的n倍频加速度值，且SYM_Sanx＞1时，SYM_Sanx＝1；Xanx为n倍频加速度峰值；Danx为n倍频加速度危险阈值。
进一步地，若被诊断对象为双支撑转子，故障类型包括不平衡和基础松动，所述中间征兆包括一倍频主导、一倍频幅值大、通频幅值大和一至十倍频谐波明显，第三对应关系包括不平衡对应一倍频主导、一倍频幅值大、通频幅值大；基础松动对应通频幅值大、一至十倍频谐波明显。
进一步地，所述振动数据包括水平方向一倍频数据、垂直方向一倍频数据、水平方向通频数据、垂直方向通频数据；第二对应关系包括一倍频幅值大对应水平方向一倍频数据、垂直方向一倍频数据；通频幅值大对应水平方向通频数据、垂直方向通频数据。
进一步地，所述标识为编号。
附图说明
图1是本发明诊断系统的系统框图；
图2是本发明输送机的机组模板示意图；
图3是本发明诊断对象模板示意图；
图4是本发明诊断对象知识库规则树示意图；
图5是本发明机组拆解示意图；
图6是本发明机械故障诊断方法流程图；
图中：1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16为测点；17为齿轮箱G1*G2齿轮对模板；18为驱动机、19为传动机、20为工作机。
具体实施方式
基于部件分解的机械故障诊断方法实施例：
本发明的主要构思在于，基于现有的诊断方法准确性低和效率低的问题，本发明建立了机组模板和基于部件分解的诊断对象模板，将机组模板的测点标识和诊断对象模板的测点标识进行一一对应，并且诊断对象模板中包括关联测点的所有测点标识，在进行机械机组故障诊断时，通过机组模板和诊断对象模板找出与报警测点关联的其他测点，进而通过报警测点和与报警测点关联的其他测点的振动数据进行故障的定位。
机械机组故障诊断方法进行诊断之前，首先要建立如图1所示的诊断系统，诊断系统包括：知识库管理、推理引擎、测试工具集三部分。
诊断系统的建立过程如下：
1)在知识库管理中创建机组模板。
机组模板中存储有需要配置的设备(也即后续的被诊断设备)、对应的设备参数信息、被诊断对象、设置在被诊断设备不同位置处的测点、以及各测点与被诊断对象之间的位置关系，并且各设备上每个测点安装的传感器，各测点通过不同的编号加以区分，被诊断对象为被诊断设备的零部件。
编号为标识的一种，作为区分测点的标识还可以采用代码等，本发明对标识的具体实现形式不做限制。
以如图2所示的输送机为例介绍机组模块的组成，输送机包括驱动机18(即电机)、传动机19(传动机包括齿轮箱和联轴器)和工作机20，驱动机18和齿轮箱、以及齿轮箱和工作机20之间通过联轴器连接。
电机的设备参数信息包括额定功率、定变频、额定转速、轴承类型及故障频率参数；
联轴器的设备参数信息包括联轴器的类型；
齿轮箱的设备参数信息包括轴承类型及故障频率参数、齿轮齿数信息；
工作机20的设备参数信息包括轴承类型及故障频率参数。
输送机上分布有10个测点，测点1对应的测点编号为编号1，布置在电机自由端，该测点安装有V/H/T；测点2对应的测点编号为编号2，布置在电机驱动端，该测点安装有V/H/A/T；测点3对应的测点编号为编号3，布置在齿轮箱输入轴前端，该测点安装有V/A/T；测点4对应的测点编号为编号4，布置在齿轮箱输入轴后端，该测点安装有V；测点5对应的测点编号为编号5，布置在齿轮箱中间轴前端，该测点安装有V；测点6对应的测点编号为编号6，布置在齿轮箱中间轴后端，该测点安装有V；测点7对应的测点编号为编号7，布置在齿轮箱输出轴前端，该测点安装有V；测点8对应的测点编号为编号8，布置在齿轮箱输出轴后端，该测点安装有V/A/T；测点9对应的测点编号为编号9，布置在工作机驱动端，该测点安装有V/H/A/T；测点10对应的测点编号为编号10，布置在工作机自由端，该测点安装有V/H/T。
其中，V代表垂直方向振动传感器，H代表水平方向振动传感器，A代表轴向振动传感器，T代表温度传感器，振动传感器用于采集振动加速度，温度传感器用于采集温度，并且工作机驱动端和自由端采用的振动传感器为低频振动加速度传感器。
2)在知识库管理中创建诊断对象模板，并将诊断对象模板中的测点编号与机组模板的编号进行对应，形成第一对应关系。
诊断对象模板包括诊断对象，并在诊断对象上标注所有关联测点的编号。为了避免针对不同的机组测点编号不同带来的诊断规则重新编写的问题，同时基于被诊断设备基本上均有这些诊断对象组成，因此本发明将诊断对象作为最小单元，在诊断对象模板中进行关联测点编号，并与机组模板的测点编号形成第一对应关系，使得针对不同的机组模板只需建立第一对应关系，诊断规则只需针对诊断对象进行编写即可，通用性强。
关联测点也即在对诊断对象进行故障诊断时，需要关联的所有的测点，在诊断对象模板中，关联测点的编号一般都是从编号1开始进行编号，如图3所示，图3为传动机(即被诊断设备)中的齿轮箱G1*G2齿轮对(即诊断对象)模板17的测点编号，其中，测点11的编号为编号1，测点12的编号为编号2，测点13的编号为编号3，测点14的编号为编号4，测点15的编号为编号5，测点16的编号为编号6。图3中齿轮箱G1*G2齿轮对为深色背景，齿轮箱G3*G4齿轮对为无色，表明模板为齿轮箱G1*G2齿轮对模板，基于齿轮箱G1*G2齿轮对和齿轮箱G3*G4齿轮对所关联的测点是相同的，因此这两个模板结构上基本相同，属于哪个齿轮对模板，哪对齿轮为深色。
将齿轮箱G1*G2齿轮对模板17的测点编号与机组模板的测点编号进行对应，得到第一对应关系，也即第一对应关系包括：
齿轮箱G1*G2齿轮对模板17中编号1的测点11对应机组模板中编号3的测点3；
齿轮箱G1*G2齿轮对模板17中编号2的测点12对应机组模板中编号4的测点4；
齿轮箱G1*G2齿轮对模板17中编号3的测点13对应机组模板中编号5的测点5；
齿轮箱G1*G2齿轮对模板17中编号4的测点14对应机组模板中编号6的测点6；
齿轮箱G1*G2齿轮对模板17中编号5的测点15对应机组模板中编号7的测点7；
齿轮箱G1*G2齿轮对模板17中编号6的测点16对应机组模板中编号8的测点8。
诊断对象如双支撑转子、悬臂式支撑转子、滚动轴承、滑动轴承、刚性联轴器、万向联轴器、二级传动直齿轮箱、二级传动锥齿轮箱等，通过组合可以组合为不同的设备，这里不做一一列举。
3)在知识库管理中基于诊断对象模板，添加每个诊断对象的故障类型、中间征兆、振动数据、故障类型和中间征兆之间的第三对应关系、以及中间征兆和振动数据之间的第二对应关系，形成每个诊断对象的诊断规则树(也即知识库)。
本步骤中，在故障管理中添加每个诊断对象对应的故障类型，在故障征兆配置有添加每个故障类型对应的中间征兆(也即中间征兆与故障类型之间的第三对应关系)。每个中间征兆配置有所有的振动信号类型、以及相应的振动数据类型(振动信号类型包括振动加速度、振动速度、振动位移；振动数据类型包括通频数据(水平方向和垂直方向)、一倍频数据(水平方向和垂直方向)、二倍频数据(水平方向和垂直方向)等，中间征兆与振动数据类型的对应关系为即振动数据与中间征兆之间的第二对应关系)，并且配置每个中间征兆对于各故障类型的支持度。
中间征兆表示出现某种故障类型时振动数据表现的特征，中间征兆的设置原因在于，不同故障类型如果用到相同的振动信号进行重复计算，知识库规则容易形成组合爆炸，降低诊断效率，因此本发明基于中间征兆的设置避免形成组合爆炸。
如图4所示的诊断对象知识库规则树，对于各个诊断对象，其对应的故障类型包括不平衡、不对中、基础松动等，同时每个故障类型配置有对应的故障编码、故障现象、故障原因及处理建议。
可见第三对应关系包括：不平衡对应的中间征兆包括一倍频为主导、一倍频幅值大、通频幅值大；不对中对应的中间征兆包括通频幅值大、二倍频幅值大；基础松动对应的中间征兆包括通频幅值大、一至十倍频谐波明显。支持度的范围为(0,1)，支持度的大小根据经验确定，例如：一倍频幅值大对不平衡故障的支持度0.8，二倍频幅值大对不对中故障的支持度为0.7。
第二对应关系包括一倍频幅值大对应水平方向一倍频数据、垂直方向一倍频数据；通频幅值大对应水平方向通频数据、垂直方向通频数据；二倍频幅值大对应水平方向二倍频数据、垂直方向二倍频数据。并且中间征兆的征兆可信度值由与中间征兆对应的每个振动数据的归一化值计算而来。
关于不同诊断对象的故障类型，还包括滚动轴承故障、齿轮故障等，中间征兆还包括三倍频、频谱最大倍频位置、包络谱最大倍频位置、峭度指标、峰值指标、底部噪声指标等，种类较多，这里不做一一列举。
输送机机组进行分解后，最终形成如图5所示的机组整机、被诊断设备、诊断对象、以及诊断对象的关联测点和知识库的关联图，对于某些诊断对象，其结构基本相同，例如：诊断对象电子转子，诊断对象工作机转子，其本质均为双支撑转子，因此这两个诊断对象的故障类型以及中间征兆为相同的，也即对应的知识库均为双支撑转子知识库。
4)在推理引擎中存储归一化算法以及可信度算法。
归一化算法用于对所采集的振动信号进行归一化处理，可信度算法用于计算中间征兆的征兆可信度值以及故障类型的故障可信度值。
5)将知识管理库导出，利用工具集进行测试，测试完成后形成行业知识库。
导出的知识管理库自动添加到导出记录里面，该版本知识库置为只读状态不能再进行编辑，若还需要编辑，则需要先将该版本的导出记录删除，该版本知识库置为可编辑状态再进行编辑。导出的知识库版本以行业拼音字母、版本号、导出时间拼接而成，如煤炭行业1.0.0.0版本知识库导出版本：iDes_KB_MT_1.0.0.0_20211001115959。
对导出知识管理库进行测试时采用系统开发的工具集，测试时可对知识库内每个机组各个测点的通道数据进行模拟输入或案例数据导入。具体的，模拟数据中的振动数据是根据输入振动波形的采样点数、采样频率、频率及对应幅值，再加入随机信号，最终自动生成的一个单谐波或多谐波的波形，模拟数据中的温度数据即可以模拟稳态数据，也可以模拟递增数据；案例数据是从现场故障设备的实时数据或离线检测数据而来。知识库的测试可以批量同时测试，也可以单个机组进行测试，最终输出测试结果，测试结果包括测试机组数量、通过测试的机组数量及未通过测试的机组具体失败原因。
故障案例管理功能可以收集存储从现场故障设备采集器的故障数据及故障现象、故障图片、维修方式等，故障案例数据还可以作用于知识库测试功能，便于知识库的更好的测试应用。
行业知识库以压缩包的格式进行导出，压缩包内部的各个机组的知识库采用特定加密算法进行加密。
6)行业知识库和推理引擎结合用于与第三方系统集成，集成接口采用SDK接口。
第三方系统也即现场设备管理信息化系统，在实际的机械机组出现报警的情况下调用SDK接口进行故障诊断。
具体地，机械机组故障诊断方法如图6所示，包括以下步骤：
1)实时采集机械机组每个测点的振动数据和温度数据。
2)当机械机组的某个测点或者多个测点报警时，第三方系统监测到报警被触发后，调用SDK接口(第三方系统在调用SDK时需要输入具体的滚动轴承故障频率信息、齿轮齿数信息、叶轮叶片数、机组各测点实时波形数据及其对应转速等)，加载与机械机组相同的机组模板，在机组模板上找出对应的报警测点。
3)根据报警测点、以及各测点与被诊断对象之间的位置关系确定所有被诊断类型，并确定所有被诊断对象。
4)根据每个被诊断对象选出对应的诊断对象模板。
5)依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点。
6)提取报警测点和与报警测点关联的其他测点的振动数据，对振动数据进行归一化处理。
本步骤中，振动数据的振动数据类型包括通频数据、一倍频数据、二倍频数据等，对于不同的振动数据类型采用不同的归一化方法。
其中，通频数据的归一化的过程如下：
其中，SYM_S0为归一化后的通频值；x0为通频值；B0为通频基础值；W0为通频报警阈值；D0为通频危险阈值。
关于不同振动信号类型的通频数据的归一化方式相同，不同之处在于通频报警阈值和通频危险阈值的设置不同，这里不做赘述。
n倍频数据的归一化的过程针对不同的振动信号类型计算过程不同，详见如下：
若振动数据为位移数据，则相应的归一化后的n倍频位移值
若振动数据为速度数据，则相应的归一化后的n倍频速度值
若振动数据为加速度数据，则相应的归一化后的n倍频加速度值
其中，SYM_Ssnx为归一化后的n倍频位移值，且SYM_Ssnx＞1时，SYM_Ssnx＝1；Xsnx为n倍频位移峰值；Dsnx为n倍频位移危险阈值(n倍频位移危险阈值为峰峰值)；SYM_Svnx为归一化后的n倍频速度值，且SYM_Svnx＞1时，SYM_Svnx＝1；Xvnx为n倍频速度峰值；Dvnx为n倍频速度危险阈值(n倍频速度危险阈值为均方值)；SYM_Sanx为归一化后的n倍频加速度值，且SYM_Sanx＞1时，SYM_Sanx＝1；Xanx为n倍频加速度峰值；Danx为n倍频加速度危险阈值(n倍频加速度危险阈值为峰值)。
7)根据不同的诊断对象，根据各自的报警测点和与报警测点关联的其他测点的归一化后的振动数据，通过各诊断对象的决策树、以及相应的可信度算法计算得到各诊断对象中各故障类型的故障可信度值。
本步骤具体为，根据报警测点和与报警测点关联的其他测点的振动数据，结合第二对应关系计算各中间征兆的征兆可信度值；中间征兆的征兆可信度值根据利用第二对应关系得到的与中间征兆对应的振动数据的归一化值计算得到。
根据各中间征兆的征兆可信度值，结合第三对应关系计算各故障类型的故障可信度值，故障类型的故障可信度值根据利用第三对应关系得到的与故障类型对应的中间征兆的征兆可信度值以及每个中间征兆对应的与故障类型的支持度计算得到。
8)将所有的故障可信度值从到达到小进行排序，故障可信度值较大的前三个故障类型确定机械机组的故障，进而确定诊断结果。
如果在测点报警的情况下第三方系统并未检测出具体故障，那么进行人工检查，将该故障的案例数据列入故障案例管理，对知识库管理进行更新。
以下以机械机组为输送机为例对本发明的机械故障诊断方法进行详细说明，步骤如下：
a.若输送机中的编号2的测点报警，则第三方系统调用输送机的机组模板；
b.在输送机的机组模板中找到编号2的报警测点，确定与编号2的报警测点有关的诊断类型为驱动机和传动机，并且确定出与编号2的报警测点对应的被诊断对象为电机转子、电机驱动端轴承、电机与齿轮箱联轴器；
c.找出电机转子、电机驱动端轴承、电机与齿轮箱联轴器的诊断对象模板，通过第一对应关系确定了在诊断对象模板中报警测点的编号，并找出在诊断对象模板中与报警测点关联的测点编号；
d.结合第一对应关系和诊断对象模板中与报警测点关联的测点编号确定输送机的机组模板与报警测点关联的测点编号，从图5可以看出，诊断对象为电机转子、电机驱动端轴承、电机与齿轮箱联轴器，因此需要利用各诊断对象知识库规则树计算每个诊断对象对应的故障类型的故障可信度值。
对于电机转子，其与报警测点关联的测点对应在机组模板中的测点为编号1，因此根据编号1和编号2的测点振动数据结合双支撑转子知识库规则树确定电机转子每个故障类型的故障可信度值。
双支撑转子的知识库规则树如图4所示的诊断对象1，故障类型包括不平衡和基础松动。不平衡配置有三个中间征兆：一倍频主导、一倍频幅值大、通频幅值大；；基础松动对应的中间征兆包括通频幅值大、一至十倍频谐波明显。一倍频幅值大的征兆可信度值通过测点1和测点2的一倍频数据得到，通频幅值大的征兆可信度值通过测点1和测点2的通频数据得到，一至十倍频谐波明显的征兆可信度值通过测点1和测点2的一至十倍频谐波指数得到等等，其他不做一一列举。
将测点1和测点2的各类振动数据进行归一化得到：
测点1水平方向一倍频归一化值为1H_1X_S，测点1垂直方向一倍频归一化值为1V_1X_S；测点2水平方向一倍频归一化值为2H_1X_S，测点2垂直方向一倍频归一化值为2V_1X_S；
测点1水平方向通频归一化值为1H_RMS_S，测点1垂直方向通频归一化值为1V_RMS_S；测点2水平方向通频归一化值为2H_RMS_S，测点2垂直方向通频归一化值为2V_RMS_S；
那么，基于预先计算好的每个归一化值计算每个中间征兆的征兆可信度值：
一倍频幅值大1X_S的征兆可信度值CF1：
CF1＝CF(1X_S,1H_1X_S&1V_1X_S&2H_1X_S&2V_1X_S)＝CF(1X_S,1H_1X_S)+CF(1X_S,1V_1X_S&2H_1X_S&2V_1X_S)*(1-CF(1X_S,1H_1X_S))；
其中CF(1X_S,1V_1X_S&2H_1X_S&2V_1X_S)＝CF(1X_S,1V_1X_S)+CF(1X_S,2H_1X_S&2V_1X_S)*(1-CF(1X_S,1V_1X_S))；
CF(1X_S,2H_1X_S&2V_1X_S)＝CF(1X_S,2H_1X_S)+CF(1X_S,2V_1X_S)*(1-CF(1X_S,2H_1X_S))
通频幅值大RMS_S的征兆可信度值CF2：
CF2＝CF(RMS_S,1H_RMS_S&1V_RMS_S&2H_RMS_S&2V_RMS_S)；
CF2公式同CF1不再具体展开赘述。例如：测点1水平方向一倍频归一化值为1H_1X_S为0.5，那么CF(1X_S,1H_1X_S)为0.5。
按照同样的方法依次得到一倍频为主导的征兆可信度值CF3、一至十倍频谐波明显的征兆可信度值CF4。
基于预先设定好的中间征兆一倍频幅值大对不平衡故障的支持度S1、通频幅值大对不平衡故障的支持度S2、一倍频为主导对不平衡故障的支持度S3可得到不平衡故障F1的故障可信度值：
不平衡故障F1的故障可信度值＝CF(F1,(CF1*S1)&(CF2*S2)&(CF3*S3))；
例如：CF1＝0.6，S1＝0.3，则CF(F1,(CF1*S1))＝0.18。
基于预先设定好的中间征兆通频幅值大对基础松动故障的支持度S4、一至十倍频谐波明显对基础松动故障的支持度S5可得到基础松动故障F3的故障可信度值：
基础松动故障F3的故障可信度值＝CF(F2,(CF2*S4)&(CF4*S5))。
对于电机驱动端轴承，其没有与测点2的关联测点，因此仅通过测点2的振动数据得到电机驱动端轴承所有故障类型的故障可信度值。
对于电机与齿轮箱联轴器，其与测点2关联的测点为测点3，因此通过测点2和测点3的振动数据，按照相同的方式得到电机与齿轮箱联轴器的所有故障类型的故障可信度值。
e.将电机转子、电机驱动端轴承、电机与齿轮箱联轴器的所有故障可信度值进行从大到小排序，前三的故障类型即为输送机的故障。
当然，如果输送机在工作过程中多个测点报警，则将每个报警测点按照上述方式进行故障可信度值的计算，进而得到输送机的故障。
上述实施例中，中间征兆的征兆可信度值、故障类型的故障可信度值均通过可信度算法进行计算，作为其他实施方式，也可以采用支持度进行加权叠加的方式计算，进而计算出中间征兆的征兆值和故障类型的故障值。
上述实施例中，为了避免规则知识库出现组合爆炸的情形，采用了表示出现某种故障类型时振动数据表现的特征的中间征兆，进而计算每种故障类型的故障值，作为其他实施方式，在振动数据较少的情况下，也可以不设置中间征兆，直接计算故障值即可。
上述实施例中，通过报警阈值和危险阈值进行通频数据的归一化，作为其他实施方式，也可以通过报警阈值或者危险阈值中的其中一个阈值进行通频数据归一化的处理，本发明对归一化的方式不做限制。当然关于n倍频数据的归一化也可以采用报警阈值进行计算。
上述实施例中，为了减小数据计算量，将振动数据进行归一化处理，作为其他实施方式，振动数据也可以直接计算故障值，无需进行归一化处理。
本发明的基于部件分解的机械故障诊断方法利用了机组模板和诊断对象模板之间测点的对应关系、以及诊断对象模板中的关联测点的设置，实现了报警测点以及与报警测点关联的测点的确定，进而根据报警测点和关联测点的振动数据进行故障诊断，诊断更加全面、准确。并且诊断对象模板具有高度复用性，减少了诊断对机组模板的依赖，在不同的机组下只需要与诊断对象模板关联即可进行故障诊断，无需对每个机组进行故障知识库的编写，提高了诊断效率。
本发明采用决策树的方式，支持知识库的层递式组织结构，有效控制规则组合爆炸；系统知识管理库和推理引擎以独立文件的形式存在，便于第三方系统进行集成，诊断效率高。
本发明适用于能源、水务、建材、化工等行业各类复杂机械结构设备的专家系统构建及故障诊断。

Claims (9)

1.一种基于部件分解的机械故障诊断方法，其特征在于，包括以下步骤：
1)实时采集机械机组每个测点的振动数据；
2)当机械机组的某个测点或者多个测点报警时，利用该机械机组的机组模板，在机组模板上找出对应的报警测点；机组模板中存储有被诊断设备、被诊断对象、设置在被诊断设备不同位置处的测点、以及各测点与被诊断对象之间的位置关系，被诊断对象为机械机组按照部件进行拆分的被诊断设备的零部件，且机组模板上的各测点通过不同的标识加以区分；
3)根据报警测点、以及各测点与被诊断对象之间的位置关系，确定所有被诊断对象；
4)根据每个被诊断对象选出对应的诊断对象模板；所述诊断对象模板中存储有诊断对象、以及与诊断对象关联的所有测点标识；
5)依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点；所述第一对应关系为机组模板中测点标识与诊断对象模板中测点标识之间的关系；
6)根据振动数据计算各诊断对象的故障可信度值进行机械机组故障定位，诊断对象的故障可信度值通过该诊断对象的决策树计算得到，所述决策树包括故障类型、中间征兆、振动数据、故障类型和中间征兆之间的第三对应关系、以及中间征兆和振动数据之间的第二对应关系，中间征兆表示出现某种故障类型时振动数据表现的特征；诊断对象的故障可信度值的计算过程包括：
根据报警测点和与报警测点关联的其他测点的振动数据，结合第二对应关系计算各中间征兆的征兆可信度值；
根据各中间征兆的征兆可信度值，结合第三对应关系计算各故障类型的故障可信度值。
2.根据权利要求1所述的基于部件分解的机械故障诊断方法，其特征在于，中间征兆的征兆可信度值根据利用第二对应关系得到的与中间征兆对应的振动数据计算得到。
3.根据权利要求1或2所述的基于部件分解的机械故障诊断方法，其特征在于，故障类型的故障可信度值根据利用第三对应关系得到的与故障类型对应的中间征兆的征兆可信度值以及每个中间征兆对应的与故障类型的支持度计算得到。
4.根据权利要求1所述的基于部件分解的机械故障诊断方法，其特征在于，计算各中间征兆的征兆可信度值前，还包括将振动数据进行归一化的步骤。
5.根据权利要求4所述的基于部件分解的机械故障诊断方法，其特征在于，中间征兆包括通频幅值大，振动数据包括通频数据，计算通频幅值大对应的通频数据的归一化的过程如下：
其中，SYM_S0为归一化后的通频值；x0为通频值；B0为通频基础值；W0为通频报警阈值；D0为通频危险阈值。
6.根据权利要求4所述的基于部件分解的机械故障诊断方法，其特征在于，中间征兆包括n倍频幅值大，振动数据包括n倍频数据，n≥1，n倍频幅值大对应的n倍频数据的归一化的过程如下：
若振动数据为位移数据，则相应的归一化后的n倍频位移值
若振动数据为速度数据，则相应的归一化后的n倍频速度值
若振动数据为加速度数据，则相应的归一化后的n倍频加速度值
其中，SYM_Ssnx为归一化后的n倍频位移值，且SYM_Ssnx＞1时，SYM_Ssnx＝1；Xsnx为n倍频位移峰值；Dsnx为n倍频位移危险阈值；SYM_Svnx为归一化后的n倍频速度值，且SYM_Svnx＞1时，SYM_Svnx＝1；Xvnx为n倍频速度峰值；Dvnx为n倍频速度危险阈值；SYM_Sanx为归一化后的n倍频加速度值，且SYM_Sanx＞1时，SYM_Sanx＝1；Xanx为n倍频加速度峰值；Danx为n倍频加速度危险阈值。
7.根据权利要求1所述的基于部件分解的机械故障诊断方法，其特征在于，若被诊断对象为双支撑转子，故障类型包括不平衡和基础松动，所述中间征兆包括一倍频主导、一倍频幅值大、通频幅值大和一至十倍频谐波明显，第三对应关系包括不平衡对应一倍频主导、一倍频幅值大、通频幅值大；基础松动对应通频幅值大、一至十倍频谐波明显。
8.根据权利要求7所述的基于部件分解的机械故障诊断方法，其特征在于，所述振动数据包括水平方向一倍频数据、垂直方向一倍频数据、水平方向通频数据、垂直方向通频数据；第二对应关系包括一倍频幅值大对应水平方向一倍频数据、垂直方向一倍频数据；通频幅值大对应水平方向通频数据、垂直方向通频数据。
9.根据权利要求1所述的基于部件分解的机械故障诊断方法，其特征在于，所述标识为编号。
CN202111501141.8A 2021-12-09 2021-12-09 一种基于部件分解的机械故障诊断方法 Active CN114252250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111501141.8A CN114252250B (zh) 2021-12-09 2021-12-09 一种基于部件分解的机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111501141.8A CN114252250B (zh) 2021-12-09 2021-12-09 一种基于部件分解的机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN114252250A CN114252250A (zh) 2022-03-29
CN114252250B true CN114252250B (zh) 2023-08-01

Family

ID=80794451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111501141.8A Active CN114252250B (zh) 2021-12-09 2021-12-09 一种基于部件分解的机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN114252250B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06187154A (ja) * 1993-08-25 1994-07-08 Hitachi Ltd 知識ベースの構築方法および知識ベースによる故障診断方法
DE4447288A1 (de) * 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
CN101135601A (zh) * 2007-10-18 2008-03-05 北京英华达电力电子工程科技有限公司 一种旋转机械振动故障诊断装置及方法
CN101706356A (zh) * 2009-12-04 2010-05-12 北京英华达软件工程有限公司 一种自动显示汽轮发电机组振动信号特征的装置及方法
CN108204895A (zh) * 2017-11-29 2018-06-26 中国电力科学研究院有限公司 一种风电机组变速齿轮箱故障诊断方法及系统
CN110716539A (zh) * 2019-11-26 2020-01-21 宁波市轨道交通集团有限公司 一种故障诊断分析方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10533920B2 (en) * 2014-08-05 2020-01-14 Acoem France Automatic rotating-machine fault diagnosis with confidence level indication
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06187154A (ja) * 1993-08-25 1994-07-08 Hitachi Ltd 知識ベースの構築方法および知識ベースによる故障診断方法
DE4447288A1 (de) * 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
CN101135601A (zh) * 2007-10-18 2008-03-05 北京英华达电力电子工程科技有限公司 一种旋转机械振动故障诊断装置及方法
CN101706356A (zh) * 2009-12-04 2010-05-12 北京英华达软件工程有限公司 一种自动显示汽轮发电机组振动信号特征的装置及方法
CN108204895A (zh) * 2017-11-29 2018-06-26 中国电力科学研究院有限公司 一种风电机组变速齿轮箱故障诊断方法及系统
CN110716539A (zh) * 2019-11-26 2020-01-21 宁波市轨道交通集团有限公司 一种故障诊断分析方法和装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Fault diagnosis of rolling element bearing compound faults based on sparse no-negative matrix factorization-support vector data description;Wang, HC;JOURNAL OF VIBRATION;第24卷(第2期);全文 *
全矢模糊专家系统在混流泵故障诊断中的应用;李国平;李得保;李永耀;;中国工程机械学报(第05期);全文 *
基于多预测模型融合的电力变压器安全预判;李典阳;张育杰;王善渊;冯健;王洪哲;秦领;;中国电力(第01期);全文 *
基于本体的故障诊断知识管理系统研究;于德介;周安美;郭建文;;湖南大学学报(自然科学版)(第05期);全文 *
振动故障诊断系统中的征兆获取;阮跃;热能动力工程(第05期);全文 *
水电机组振动监测与故障诊断系统研究;陈遗志, 周建中, 常黎;电力系统及其自动化学报(第02期);全文 *

Also Published As

Publication number Publication date
CN114252250A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
US7089154B2 (en) Automatic machinery fault diagnostic method and apparatus
CN110779716A (zh) 嵌入式机械故障智能诊断设备及诊断方法
Farokhzad Vibration based fault detection of centrifugal pump by fast fourier transform and adaptive neuro-fuzzy inference system
CN111509847A (zh) 一种电网机组状态的智能检测系统及方法
KR102097595B1 (ko) 풍력발전기 진단방법
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN111428386B (zh) 基于复杂网络的电梯曳引机转子故障诊断信息融合方法
CN109268214B (zh) 一种风力发电机联轴器对中状态智能监测方法
CN106650146A (zh) 一种转子系统轴承支座松动故障在线定量识别分析方法
CN110196165B (zh) 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法
CN111103136A (zh) 基于scada数据分析的风机齿轮箱故障检测方法
Xia et al. An improved underdamped asymmetric bistable stochastic resonance method and its application for spindle bearing fault diagnosis
CN114971351A (zh) 一种基于熵值法的设备多指标健康状况评估方法
Mollazade et al. An intelligent combined method based on power spectral density, decision trees and fuzzy logic for hydraulic pumps fault diagnosis
CN114252250B (zh) 一种基于部件分解的机械故障诊断方法
CN108871827B (zh) 一种基于交叉统计分析的快速诊断旋转机械共振的方法
CN113280910A (zh) 一种长材生产线设备实时监测方法及系统
Ugechi et al. Condition-based diagnostic approach for predicting the maintenance requirements of machinery
CN115962100A (zh) 一种风电机组状态监测系统
CN114061934A (zh) 基于风力发电机组振动的叶片故障诊断方法及系统
Liang et al. Dynamic Simulation of Tooth Root Crack Failure in Planetary Gearbox Based on Torsional Vibration Signal
CN113821420B (zh) 风电机组cms系统性能比对和数据转换方法
Li et al. Early Fault Detection of Gearbox Using TSA and VAR Model Considering Load Variation
Zhao et al. Health indicator selection and health assessment of rolling element bearing
Zhou et al. A knowledge base system for rotary equipment fault detection and diagnosis

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