CN114460466B - 一种用于传动监测的虚拟传感器设备及其监测方法 - Google Patents
一种用于传动监测的虚拟传感器设备及其监测方法 Download PDFInfo
- Publication number
- CN114460466B CN114460466B CN202210378733.3A CN202210378733A CN114460466B CN 114460466 B CN114460466 B CN 114460466B CN 202210378733 A CN202210378733 A CN 202210378733A CN 114460466 B CN114460466 B CN 114460466B
- Authority
- CN
- China
- Prior art keywords
- sensor
- virtual
- working
- speed reducing
- reducing motor
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种用于传动监测的虚拟传感器设备及监测方法。基于电流传感器、电压传感器和音频采集器采集的数据进行多维处理,从而获得多个参数:It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat,同时基于这些参数构建虚拟传感器,减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器和故障分类传感器;在实验室中进行模型训练,从而构建虚拟传感器计算模型。解决了现有技术中减速电机领域传感器数量有限,虚拟传感器构建方法不准确的问题。充分提取物理传感器的潜力,仅基于三个传感器构建出12个可供模型输入的传感器参数,大大扩充了输入参数的数量,最大限度的提高了模型的准确性。
Description
技术领域
本发明涉及设备监测领域,尤其涉及一种用于传动监测的虚拟传感器设备及监测方法。
背景技术
当前工程中需要对减速电机设备进行远程监测运维,基于监测数据提取特征值判断设备运行状态,从而分析出设备故障点和剩余寿命,制定下一步维修计划。因此,智能运维的基础是数据采集。数据采集越丰富,对于后续判断信息越丰富,从而可以多维度核实或排除故障原因。例如需要对振动+温度+电流信号进行测试,同时了解受力情况、生热情况、负载情况,综合判断设备工况和运行状态。
但是,在实际工程中传感器无法满足随意添加测试的需求,现场工况存在无法安装传感器因素、成本控制因素、测量手段无法实现因素的问题,导致现场工程中仅有限传感器可以应用,因此数据类型和数据量有限。如何满足多维度体现运行状态的需求是当前需要解决的问题之一。
虚拟传感器理论的提出可以在一定程度上解决传感器数量有限的问题,例如申请号CN201510358820.2公开了一种虚拟传感器配置方法及装置,解决了现有技术中终端设备只能利用一个算法库来创建虚拟传感器,且在该算法库只能支持部分终端设备需要创建的虚拟传感器时,导致剩余虚拟传感器无法创建的问题。但是具体到减速电机领域,如何构建虚拟传感器,构建哪些虚拟传感器,采集哪些物理参数,采集的参数如何处理等都是急需解决的问题。
发明内容
针对上述内容,为解决上述问题,提供一种用于传动监测的虚拟传感器设备,包括监测控制器、分析模块、虚拟传感器模块、电压传感器、电流传感器和音频采集器;
电流传感器、电压传感器和音频采集器都连接至监测控制器;电流传感器和电压传感器设置于减速电机的输入线路上,用于监测减速电机的工作电流和工作电压,并将电流和电压发送至监测控制器;音频采集器采集减速电机在工作时发出的声音,并将其发送至监测控制器;
虚拟传感器模块连接监测控制器,用于建立多个虚拟传感器,并输出虚拟传感器的监测参数;
虚拟传感器模块建立的虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
分析模块连接监测控制器,分析模块获取减速电机的工作电流、工作电压以及音频采集器采集的音频数据,并据此计算减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器和故障分类传感器输出值。
电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40kHz,采样率48000 Hz。
分析模块对工作电流和工作电压随时间变化的曲线以及采样音频数据进行数据处理,并将处理后的数据输入虚拟传感器计算模型得到各个虚拟传感器输出值;
分析模块对工作电流的处理方法如下:
获取工作电流随时间的变化曲线It,进一步获取电流变化曲线It沿时间积分曲线Ct,以及获取电流变化曲线对时间的微分曲线△It;
分析模块对电压的处理方法如下:
获取电压随时间变化的曲线Ut,进一步计算功率随时间的变化曲线Pt=Ut·It,以及获取电压随时间的微分曲线△Ut;
分析模块对音频数据的处理方法如下:
将每一段音频数据进行分割,分割片段的长度为每秒50-100个微片段;然后计算每个微片段的能量值,从而得到每秒钟50-100个微片段的能量值,随即构建音频能量随时间变化的曲线At;以及At随时间的积分曲线,能量积累曲线Wt;
将每一段音频数据进行分割,分割片段为每秒1-2个小片段,然后对分割的每个小片段进行频域变换,得到每个小片段的音频频谱;1)计算每个小片段中的最强峰值的频率,从而构建最强峰值的频率随时间的变化曲线Ft,以及最强峰值的强度随时间的变化曲线Dt;2)对每个小片段进行峰值提取,获得每个小片段中频谱峰值强度大于阈值的峰值的个数,构建峰值个数随时间的变化曲线Gt,以及峰值强度大于阈值的峰值的平均频率Fat。
分析模块在对音频数据进行处理前,先对音频数据进行降噪处理,处理方法为:
将音频数据进行频域变换,并从变换后的音频数据中扣除环境背景噪声的频率范围,然后再将处理后的数据进行逆变换得到时域音频数据;
虚拟传感器计算模型的建立方法为:
首先设置实验室减速电机测试系统,实验室减速电机与实际工作时使用同一型号减速电机,且保证没有环境噪声;
然后在实验室减速电机测试系统中安装多个物理传感器,物理传感器包括:工作电流传感器、工作电压传感器、音频采集器、减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器;
其中一级齿轮负荷传感器和二级齿轮负荷传感器为安装在齿轮接触面上的压力传感器,以表征在工作时齿轮所承受的压力负荷;
调节减速电机的负载,使得实验室减速电机测试系统工作在各种工况下,并收集物理传感器的参数;
之后实验室减速电机测试系统中的各个配件进行人造缺陷配件的替换,使得实验室减速电机测试系统工作在各种工况下,并在各种故障类型下收集物理传感器的参数;
对工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;
以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型,即虚拟传感器计算模型,在实际工作时只要输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat就可以输出对应的多个虚拟传感器的参数。
一种利用上述设备进行传动监测的方法,包括如下步骤:
步骤a、首先设置实验室减速电机测试系统,以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型;
步骤b、在监测控制器上建立虚拟传感器模块,虚拟传感器模块包括多个虚拟传感器,虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
步骤c、电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40kHz,采样率48000 Hz;
步骤d、分析模块对实际工作中的工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;分析模块在虚拟传感器计算模型中输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat,从而输出对应的多个虚拟传感器的参数;
步骤e、在监测主机上的虚拟传感器模块上显示多个虚拟传感器的输出值。
本发明的有益效果为:
本发明基于电流传感器、电压传感器和音频采集器采集的数据进行多维处理,从而获得多个参数:It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat,同时基于这些参数构建虚拟传感器,减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器和故障分类传感器;在实验室中进行模型训练,从而构建虚拟传感器计算模型。解决了现有技术中减速电机领域传感器数量有限,虚拟传感器构建方法不准确的问题。
本发明基于电流传感器、电压传感器和音频采集器采集的数据进行多维处理,获得多个参数,充分提取物理传感器的潜力,仅基于三个传感器构建出12个可供模型输入的传感器参数,大大扩充了输入参数的数量,最大限度的提高了模型的准确性。
附图说明
图1为本发明整体架构示意图;
图2为本发明实施例2的方法流程图。
具体实施方式
本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。
实施例1:
一种用于传动监测的虚拟传感器设备,包括监测控制器、分析模块、虚拟传感器模块、电压传感器、电流传感器和音频采集器;
电流传感器、电压传感器和音频采集器都连接至监测控制器;电流传感器和电压传感器设置于减速电机的输入线路上,用于监测减速电机的工作电流和工作电压,并将电流和电压发送至监测控制器;音频采集器采集减速电机在工作时发出的声音,并将其发送至监测控制器;
虚拟传感器模块连接监测控制器,用于建立多个虚拟传感器,并输出虚拟传感器的监测参数;
虚拟传感器模块建立的虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
分析模块连接监测控制器,分析模块获取减速电机的工作电流、工作电压以及音频采集器采集的音频数据,并据此计算减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器和故障分类传感器输出值。
电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40kHz,采样率48000 Hz。
分析模块对工作电流和工作电压随时间变化的曲线以及采样音频数据进行数据处理,并将处理后的数据输入虚拟传感器计算模型得到各个虚拟传感器输出值;
分析模块对工作电流的处理方法如下:
获取工作电流随时间的变化曲线It,进一步获取电流变化曲线It沿时间积分曲线Ct,以及获取电流变化曲线对时间的微分曲线△It;
分析模块对电压的处理方法如下:
获取电压随时间变化的曲线Ut,进一步计算功率随时间的变化曲线Pt=Ut·It,以及获取电压随时间的微分曲线△Ut;
分析模块对音频数据的处理方法如下:
将每一段音频数据进行分割,分割片段的长度为每秒50-100个微片段;然后计算每个微片段的能量值,从而得到每秒钟50-100个微片段的能量值,随即构建音频能量随时间变化的曲线At;以及At随时间的积分曲线,能量积累曲线Wt;
将每一段音频数据进行分割,分割片段为每秒1-2个小片段,然后对分割的每个小片段进行频域变换,得到每个小片段的音频频谱;1)计算每个小片段中的最强峰值的频率,从而构建最强峰值的频率随时间的变化曲线Ft,以及最强峰值的强度随时间的变化曲线Dt;2)对每个小片段进行峰值提取,获得每个小片段中频谱峰值强度大于阈值的峰值的个数,构建峰值个数随时间的变化曲线Gt,以及峰值强度大于阈值的峰值的平均频率Fat。
分析模块在对音频数据进行处理前,先对音频数据进行降噪处理,处理方法为:
将音频数据进行频域变换,并从变换后的音频数据中扣除环境背景噪声的频率范围,然后再将处理后的数据进行逆变换得到时域音频数据;
虚拟传感器计算模型的建立方法为:
首先设置实验室减速电机测试系统,实验室减速电机与实际工作时使用同一型号减速电机,且保证没有环境噪声;
然后在实验室减速电机测试系统中安装多个物理传感器,物理传感器包括:工作电流传感器、工作电压传感器、音频采集器、减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器;
其中一级齿轮负荷传感器和二级齿轮负荷传感器为安装在齿轮接触面上的压力传感器,以表征在工作时齿轮所承受的压力负荷;
调节减速电机的负载,使得实验室减速电机测试系统工作在各种工况下,并收集物理传感器的参数;
之后实验室减速电机测试系统中的各个配件进行人造缺陷配件的替换,使得实验室减速电机测试系统工作在各种工况下,并在各种故障类型下收集物理传感器的参数;
对工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;
以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型,即虚拟传感器计算模型,在实际工作时只要输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat就可以输出对应的多个虚拟传感器的参数。
实施例2:
一种利用上述设备进行传动监测的方法,包括如下步骤:
步骤a、首先设置实验室减速电机测试系统,以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型;
步骤b、在监测控制器上建立虚拟传感器模块,虚拟传感器模块包括多个虚拟传感器,虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
步骤c、电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40kHz,采样率48000 Hz;
步骤d、分析模块对实际工作中的工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;分析模块在虚拟传感器计算模型中输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat,从而输出对应的多个虚拟传感器的参数;
步骤e、在监测主机上的虚拟传感器模块上显示多个虚拟传感器的输出值。
以上所述,仅为本发明的优选实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种用于传动监测的虚拟传感器设备,包括监测控制器、分析模块、虚拟传感器模块、电压传感器、电流传感器和音频采集器;其特征在于:
电流传感器、电压传感器和音频采集器都连接至监测控制器;电流传感器和电压传感器设置于减速电机的输入线路上,用于监测减速电机的工作电流和工作电压,并将电流和电压发送至监测控制器;音频采集器采集减速电机在工作时发出的声音,并将其发送至监测控制器;
虚拟传感器模块连接监测控制器,用于建立多个虚拟传感器,并输出虚拟传感器的监测参数;
虚拟传感器模块建立的虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
分析模块连接监测控制器,分析模块获取减速电机的工作电流、工作电压以及音频采集器采集的音频数据,并据此计算减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器和故障分类传感器输出值;
电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40k Hz,采样率48000 Hz;
分析模块对工作电流和工作电压随时间变化的曲线以及采样音频数据进行数据处理,并将处理后的数据输入虚拟传感器计算模型得到各个虚拟传感器输出值;
分析模块对工作电流的处理方法如下:
获取工作电流随时间的变化曲线It,进一步获取电流变化曲线It沿时间积分曲线Ct,以及获取电流变化曲线对时间的微分曲线△It;
分析模块对电压的处理方法如下:
获取电压随时间变化的曲线Ut,进一步计算功率随时间的变化曲线Pt=Ut·It,以及获取电压随时间的微分曲线△Ut;
分析模块对音频数据的处理方法如下:
将每一段音频数据进行分割,分割片段的长度为每秒50-100个微片段;然后计算每个微片段的能量值,从而得到每秒钟50-100个微片段的能量值,随即构建音频能量随时间变化的曲线At;以及At随时间的积分曲线,能量积累曲线Wt;
将每一段音频数据进行分割,分割片段为每秒1-2个小片段,然后对分割的每个小片段进行频域变换,得到每个小片段的音频频谱;1)计算每个小片段中的最强峰值的频率,从而构建最强峰值的频率随时间的变化曲线Ft,以及最强峰值的强度随时间的变化曲线Dt;2)对每个小片段进行峰值提取,获得每个小片段中频谱峰值强度大于阈值的峰值的个数,构建峰值个数随时间的变化曲线Gt,以及峰值强度大于阈值的峰值的平均频率Fat;
虚拟传感器计算模型的建立方法为:
首先设置实验室减速电机测试系统,实验室减速电机与实际工作时使用同一型号减速电机,且保证没有环境噪声;
然后在实验室减速电机测试系统中安装多个物理传感器,物理传感器包括:工作电流传感器、工作电压传感器、音频采集器、减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器;
其中一级齿轮负荷传感器和二级齿轮负荷传感器为安装在齿轮接触面上的压力传感器,以表征在工作时齿轮所承受的压力负荷;
调节减速电机的负载,使得实验室减速电机测试系统工作在各种工况下,并收集物理传感器的参数;
之后实验室减速电机测试系统中的各个配件进行人造缺陷配件的替换,使得实验室减速电机测试系统工作在各种工况下,并在各种故障类型下收集物理传感器的参数;
对工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;
以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型,即虚拟传感器计算模型,在实际工作时只要输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat就可以输出对应的多个虚拟传感器的参数。
2.根据权利要求1所述的用于传动监测的虚拟传感器设备,其特征在于:
分析模块在对音频数据进行处理前,先对音频数据进行降噪处理,处理方法为:
将音频数据进行频域变换,并从变换后的音频数据中扣除环境背景噪声的频率范围,然后再将处理后的数据进行逆变换得到时域音频数据。
3.一种利用权利要求1的设备进行传动监测的方法,其特征在于包括如下步骤:
步骤a、首先设置实验室减速电机测试系统,以It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat为输入参数,以减速电机主体温度传感器、一级齿轮箱温度传感器、二级齿轮箱温度传感器、一级齿轮负荷传感器、二级齿轮负荷传感器的检测值和故障类型为输出参数,建立深度神经网络模型;
步骤b、在监测控制器上建立虚拟传感器模块,虚拟传感器模块包括多个虚拟传感器,虚拟传感器包括:虚拟减速电机主体温度传感器、虚拟一级齿轮箱温度传感器、虚拟二级齿轮箱温度传感器、虚拟一级齿轮负荷传感器、虚拟二级齿轮负荷传感器和故障分类传感器;
步骤c、电流传感器和电压传感器实时监测减速电机的工作电流和工作电压,并将其发送至监测控制器;监测控制器设置有数据库,以将工作电流、工作电压实时存储在数据库中,从而形成工作电流和工作电压随时间变化的曲线;
音频采集器按时间段采集减速电机工作时的声音,并将其保存成音频数据格式存储在监测控制器的数据库中;每一段音频数据的时间长度为2-5s,声音频率范围5Hz至40k Hz,采样率48000 Hz;
步骤d、分析模块对实际工作中的工作电流传感器、工作电压传感器和音频采集器采集的参数进行处理,获得It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat;分析模块在虚拟传感器计算模型中输入It、Ct、△It、Ut、Pt、△Ut、At、Wt、Ft、Dt、Gt以及Fat,从而输出对应的多个虚拟传感器的参数;
步骤e、在监测主机上的虚拟传感器模块上显示多个虚拟传感器的输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378733.3A CN114460466B (zh) | 2022-04-12 | 2022-04-12 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378733.3A CN114460466B (zh) | 2022-04-12 | 2022-04-12 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114460466A CN114460466A (zh) | 2022-05-10 |
CN114460466B true CN114460466B (zh) | 2022-08-05 |
Family
ID=81416708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210378733.3A Active CN114460466B (zh) | 2022-04-12 | 2022-04-12 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460466B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器系统和方法 |
CN101681155A (zh) * | 2007-06-15 | 2010-03-24 | 卡特彼勒公司 | 虚拟传感器系统和方法 |
CN101813920A (zh) * | 2010-05-14 | 2010-08-25 | 上海交通大学 | 电站汽轮机组温度传感器虚拟冗余方法 |
CN203396914U (zh) * | 2013-06-24 | 2014-01-15 | 大连民族学院 | 电机运行状态监测和故障检测系统 |
CN104991798A (zh) * | 2015-06-25 | 2015-10-21 | 青岛海信移动通信技术股份有限公司 | 一种虚拟传感器配置方法及装置 |
CN106355811A (zh) * | 2016-07-22 | 2017-01-25 | 河南城建学院 | 一种电气火灾监测系统 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN111190104A (zh) * | 2020-02-27 | 2020-05-22 | 西安工业大学 | 电机在线故障监测系统及其分析方法 |
CN111684160A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于优化风扇或风扇布置的效率和/或运行性能的方法 |
CN212179959U (zh) * | 2020-05-15 | 2020-12-18 | 杭州杰牌传动科技有限公司 | 一种便于部署的分布式减速电机能源监控装置 |
CN112147181A (zh) * | 2019-12-30 | 2020-12-29 | 联合汽车电子有限公司 | 虚拟温度传感器及测温方法、电机过温防护系统和汽车 |
CN113052232A (zh) * | 2021-03-23 | 2021-06-29 | 中国计量大学 | 一种电机故障分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080154811A1 (en) * | 2006-12-21 | 2008-06-26 | Caterpillar Inc. | Method and system for verifying virtual sensors |
-
2022
- 2022-04-12 CN CN202210378733.3A patent/CN114460466B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器系统和方法 |
CN101681155A (zh) * | 2007-06-15 | 2010-03-24 | 卡特彼勒公司 | 虚拟传感器系统和方法 |
CN101813920A (zh) * | 2010-05-14 | 2010-08-25 | 上海交通大学 | 电站汽轮机组温度传感器虚拟冗余方法 |
CN203396914U (zh) * | 2013-06-24 | 2014-01-15 | 大连民族学院 | 电机运行状态监测和故障检测系统 |
CN104991798A (zh) * | 2015-06-25 | 2015-10-21 | 青岛海信移动通信技术股份有限公司 | 一种虚拟传感器配置方法及装置 |
CN106355811A (zh) * | 2016-07-22 | 2017-01-25 | 河南城建学院 | 一种电气火灾监测系统 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN111684160A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于优化风扇或风扇布置的效率和/或运行性能的方法 |
CN112147181A (zh) * | 2019-12-30 | 2020-12-29 | 联合汽车电子有限公司 | 虚拟温度传感器及测温方法、电机过温防护系统和汽车 |
CN111190104A (zh) * | 2020-02-27 | 2020-05-22 | 西安工业大学 | 电机在线故障监测系统及其分析方法 |
CN212179959U (zh) * | 2020-05-15 | 2020-12-18 | 杭州杰牌传动科技有限公司 | 一种便于部署的分布式减速电机能源监控装置 |
CN113052232A (zh) * | 2021-03-23 | 2021-06-29 | 中国计量大学 | 一种电机故障分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
Virtual Sensors for Fault Diagnosis: A Case of Induction Motor Broken Rotor Bar;Zahra Hosseinpoor 等;《IEEE Sensors Journal》;20210215;第21卷(第4期);全文 * |
基于虚拟传感器的泵智能节能技术;上海慧鎏科技有限公司;《上海节能》;20220228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114460466A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN111638028B (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
JP3993825B2 (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
KR102018330B1 (ko) | 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법 | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
CN108169639A (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
CN109710955A (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
Lucas et al. | A new acoustic emission-based approach for supply disturbances evaluation in three-phase induction motors | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110631849B (zh) | 一种摩擦系统磨损状态在线识别方法及系统 | |
CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
Yang et al. | Crack detection in carbide anvil using acoustic signal and deep learning with particle swarm optimisation | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN114460466B (zh) | 一种用于传动监测的虚拟传感器设备及其监测方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
JP2002090266A (ja) | 余寿命予測装置 | |
Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
CN104569814A (zh) | 一种基于近似熵的直流牵引电机健康状态实时分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A virtual sensor device for transmission monitoring and its monitoring method Effective date of registration: 20230222 Granted publication date: 20220805 Pledgee: Zhejiang Xiaoshan rural commercial bank Limited by Share Ltd. Jingjiang branch Pledgor: HANGZHOU JIE DRIVE TECHNOLOGY Co.,Ltd. Registration number: Y2023980033135 |