CN114556070A - 具有实时算法的智能马达数据分析 - Google Patents
具有实时算法的智能马达数据分析 Download PDFInfo
- Publication number
- CN114556070A CN114556070A CN202080072486.3A CN202080072486A CN114556070A CN 114556070 A CN114556070 A CN 114556070A CN 202080072486 A CN202080072486 A CN 202080072486A CN 114556070 A CN114556070 A CN 114556070A
- Authority
- CN
- China
- Prior art keywords
- rotating machine
- data
- samples
- processing system
- sample
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims description 16
- 238000007405 data analysis Methods 0.000 title description 2
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000003595 spectral effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000000153 supplemental effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 26
- 230000010355 oscillation Effects 0.000 description 17
- 238000001228 spectrum Methods 0.000 description 15
- 238000005070 sampling Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000510009 Varanus griseus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
- G01R23/167—Spectrum analysis; Fourier analysis using filters with digital filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Discrete Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种用于旋转机器(如马达)的状况监测(CM)的计算机实施方法、相应的计算机程序、计算机可读介质和用于旋转机器的CM的数据处理系统以及包括用于旋转机器的CM的数据处理系统的系统。M个累加器变量基于L个样本实时更新，L个样本包括当前样本sn和输入数据的至少一个先前样本Sn‑1。基于M个累加器变量，实时计算N个频谱特征。基于N个频谱特征确定旋转机器的状况。
Description
技术领域
本发明涉及用于旋转机器(如马达)的状况监测(CM)的计算机实施方法、相应的计算机程序、计算机可读介质和用于旋转机器的CM的数据处理系统以及包括用于旋转机器的CM的数据处理系统的系统。
背景技术
旋转机器的故障(例如在轴承内部)，例如旋转机器的部件的错位或不平衡，通常会导致计划外的停机。因此，在状况监测(CM)的领域中，附接于测量加速度的旋转机器或在旋转机器旁边对齐的振动传感器用于导出旋转机器的状态的测量，因为振动将负载施加到所有部件，尤其是施加到旋转机器的轴承。通过马达电流特征分析来分析故障类型，例如旋转机器的转子的断条、接地故障电流或旋转机器定子和/或转子绕组之间的故障电流或旋转机器的旋转部件的偏心率。
在CM中，几乎所有相关损坏都是使用频谱信息确定的，或者更确切地说是使用在旋转机器处测得的振动数据或电流数据的频谱特征确定的。一些特征能够很容易地在时域中导出，例如速度的均方根(与ISO10816相比)或加速度水平或相对电流总和的各相的相对均方根电流值。从时域导出的其他特征是例如最大值(Max)、最小值(Min)、波峰因数(Crestfactor)等。然而，通常这些时域特征不允许就特定故障或根本原因得出结论。因此，专家们定期通过测量振动并计算速度和包络频谱来检查旋转机器如马达的状况。通常，CM诊断需要旋转机器的固定转速和/或负载才能进行比较诊断。实际转速通常由转速传感器或编码器测量。然后能够将频谱归一化为实际转速。例如，在识别轴承损坏、不平衡、底脚松动或其他常见故障状态根本原因时，边带和旋转频率谐波峰值的振幅被用作特定故障及其严重程度的指标。
使用振动传感器的CM应用的所有已知文献和算法均指通过傅立叶变换(FT)，特别是通过快速FT(FFT)计算的加速度和速度频谱，并且还指包络频谱，即作为对局部轴承故障的脉冲共振的解调的平均值的原始信号的包络的频谱分解，该包络频谱每转一圈都会被覆盖。电流域中的马达电流信号分析(MCSA)算法通常使用FFT并导出特定频率下的振幅，这些振幅依赖于具有固定转速的应用(例如感应电机或变速驱动器的CM中)的滑差、偏心率、槽谐波。
MCSA信号基于对马达电相电流的时间测量。或者，磁传感器能够测量与电流相关的马达内部或外部的磁通量。同时测量电相中的电压有利于通过MCSA检测电机的故障。
用于诊断旋转机器(例如电气故障)和轴承故障状况的传统CM由信号采样、预处理、特征提取和分类的处理块的任意组合组成。对于专家系统，至少频谱是在CM系统中生成的，以用作专家决策的基础。另一个实施方式深度能涉及CM量(或特征)的输出，即主要是特定缺陷、传动系、资产或轴承等的故障状态的频率特征下的振幅。在更先进的CM系统中，分类步骤至少基于一个频谱特征决定存在哪个故障以及其严重程度，以便能够产生对进一步步骤的建议。
显然，随着输出深度的增加，即在CM系统中执行的模块越多，主处理器单元的工作负载就会增加。
对于CM振动测量和频谱计算，通常涉及大量信号带宽(例如，对于常见的微机电系统(MEMS)振动传感器，如使用每个样本的16位数据深度的压电传感器，采样率从6.6kHz[千赫]至48kHz甚至更高)。电流和/或电压采样通常在较低的kHz区域执行(例如，对于Simocode数据记录器，为3200Hz[赫兹]，其中，通常使用12位数据深度测量三个电相位，从而产生6x3.2KHz@12位的数据流)。
由于大约0.1Hz至1Hz的频率分辨率和例如1Hz至10Hz的最低频率，使用约为0.1s至20s[秒]的测量时间，并且其对FFT是必要的。通常，对三轴或电相位进行采样。因此，为了计算频谱，在用于执行CM任务的硬件中需要大量内存并因此需要大量数据存储，而执行频谱计算的时间量并不那么重要。高内存意味着，例如，对于每个测量轴从51kB[千字节](6600/s*16bit*0.5s)至7MB[兆字节](24000/s*16bit*20s)，由此样本长度决定了可能的最低频率和分辨率。对于旋转装备，每次测量至少应旋转5至10圈，以获得频谱中的稳定振幅。
CM中的典型测量需要数兆字节的高分辨率输入数据(例如振动数据)，主要是为了能够在应用程序的“最低转速”下进行测量。因此，需要的样本数量L非常高。例如，在振动CM系统的硬件体系结构中，采样的振动数据要么存储在本地，然后传送或流到设备或云中，然后计算从中导出的频谱和频谱特征。因此，所有已知的解决方案都需要高性能中央处理单元(CPU)来执行分析。用于计算靠近传感器采集设备和低成本基础(IQ Connect)的频谱信息的微控制器现在提供数个10MB至100MB的随机存取存储器(RAM)。在常见的CM系统中，样本长度或数据采集率或轴数的减少是可能的，并且仍然能够计算频谱信息，但不可避免地会减少信息输出。
因此，在现有技术的已知状态中，没有描述用于基于具有足够频谱信息的频谱特征执行CM的低成本硬件。
文件EP 2 581 725 A2公开了一种能够自动检测旋转机器中的滚动元件轴承故障的系统。该系统从至少一个传感器接收包括至少一个频率的传感器信号并将该传感器信号转换为数字振动信号。该系统修改振动信号以生成包络信号并对包络信号应用变换以生成包络频谱。该系统使用包络频谱线振幅及其谐波之间的特定关系来检测轴承故障。因此，系统检测轴承故障而不参考预定义的故障频率。
发明内容
本发明的目的是通过提供根据独立权利要求1的用于旋转机器的状况监测(CM)的计算机实现的方法以及相应的计算机程序、计算机可读介质、用于旋转机器的CM的数据处理系统和包括根据进一步独立权利要求的用于旋转机器的CM的数据处理系统的系统。本发明的进一步改进方案和实施方式是从属权利要求的主题。
根据本发明的第一方面，用于旋转机器的状况监测(CM)的计算机实现的方法包括以下步骤：连续接收样本、实时更新M个累加器变量、实时计算N个频谱特征和确定状态。在连续接收输入数据的样本的步骤中，接收基于旋转机器随时间变化的至少一个物理量的输入数据的样本。在实时更新M个累加器变量的步骤中，基于L个样本实时更新M个累加器变量。因此M大于或等于一(M>＝1)。L个样本包括输入数据的当前样本sn和至少一个先前样本sn-1。在实时计算N个频谱特征的步骤中，基于M个累加器变量和m个补充变量实时计算N个特征。因此，N大于或等于一(N>＝1)并且m大于或等于一(m>＝1)。在确定状况的步骤中，基于N个频谱特征确定旋转机器的状况。此外，基于L个样本和/或Lenv个样本实时更新M个累加器变量，所述L个样本和/或Lenv个样本包括输入数据和/或包络的当前样本sn和/或senv，n、第一先前样本sn-1和/或Senv，n-1以及第二先前样本sn-2和/或senv，n-2并且N个频谱特征通过戈泽尔(Goertzel)算法GA实时计算。此处，M个累加器变量的总和足以确定旋转机器的状态。此外，计算N个频谱特征暂时需要m个补充变量，并且m个补充变量不基于输入数据的接收样本。
根据本发明的第二方面，计算机程序包括当计算机执行该程序时，使计算机执行根据本发明第一方面的方法的步骤的指令。
根据本发明的第三方面，计算机可读介质上存储有根据本发明第二方面的计算机程序。
根据本发明的第四方面，用于旋转机器的CM的数据处理系统包括接口和计算装置。该接口适于接收基于旋转机器随时间变化的至少一个物理量的输入数据的样本。该计算装置适于执行根据本发明第一方面的方法的步骤。
根据本发明的第五方面，一种系统包括旋转机器、至少一个传感器和数据处理系统。该至少一个传感器适于随时间变化测量旋转机器的至少一个物理量。该数据处理系统是根据本发明第四方面的数据处理系统。该数据处理系统以通信方式连接到至少一个传感器。该至少一个传感器还适于将测得的至少一个物理量作为输入数据的样本提供给数据处理系统。
旋转机器能够是任何旋转机器，例如马达、发电机、涡轮机等。特别地，旋转机器能够是具有定子和转子的电动马达，其中，转子能够通过电动马达外壳中的轴承枢转。电动马达通过电流，特别是具有特定振幅和频率的电流强度和电压的交流电(AC)来提供电能。轴承能够是滚珠轴承、锥形轴承、滚柱轴承等，并且轴承能够使转子在两个点处枢转。由电动马达产生的扭矩能够通过电动马达的轴提供，该轴固定地连接到枢转的转子。
随时间变化观察到的旋转机器的至少一个物理量能够是提供关于旋转机器的状况或状态的信息的任何物理量，例如振动、提供给旋转机器(例如电动马达)的电流或任何其他周期性发生的物理量。
该至少一个物理量由至少一个传感器监测。为此，传感器直接或间接测量相应的物理量并将测量结果转换为输入数据，特别是转换为(模拟)电流强度和/或电压，其能够通过模拟-数字(A/D)转换器被采样并转换为具有特定时钟速率或采样频率fs的数字输入信号。该A/D转换器能够是传感器或数据处理单元的一部分。(数字)输入信号以特定时钟速率在连续样本中提供，其中，每个样本在特定时间点或更确切地说是间隔地给出所监测物理量的定量值。时钟频率，特别是间隔，能够根据需要预先确定或调整。
数据处理系统的接口能够是任何通信接口。接口能够是基于电缆的，如USB接口、COM接口、RS32接口等，也能够是无线的，如蓝牙接口、ZigBee接口、WLAN接口等。通过接口，输入数据被逐个样本地提供给数据处理系统的计算装置。
输入数据被连续接收，特别是在数据处理系统的接口处。因此，输入数据以特定时钟速率被逐个采样地接收。每个接收到的输入数据的样本对旋转机器的相应至少一个物理量的定量值进行编码。
M个累加器变量是一组预定义变量，用于计算N个频谱特征。M个累加器变量基于L个样本。L个样本包括最后接收的当前样本sn和在当前样本sn之前的时钟速率的一个时间步长接收到的至少一个先前样本sn-1。当监测到不止一个物理量时，例如旋转机器的两个振动和一个电流，则M个累加器变量基于L个样本，其中，L个样本包括每个被监测物理量的当前样本sx,n以及至少一个先前样本sx,n-1，例如第一个监测到的振动的sv1,n和sv1,n-1，第二个监测到的振动的sv2,n和sv2,n-1以及监测到的电流的se,n和se,n-1。M个累加器变量实时更新，使得在接收到输入数据的下一个样本之前更新M个累加器变量。在收到L个样本后，即基于在旋转机器处测得的至少一个(不止一个)物理量的输入数据的当前样本s(x,)n和至少一个先前样本s(x,)n-1，以及M个累加器变量相应地被更新，M个累加器变量各自保持有效、稳定、显着的特征值，由此M个累加器变量的总和足以确定旋转机器的状况。
在更新M个累加器变量后，基于更新后的M个累加器变量和M个补充变量计算N个频谱特征。从而，实时计算N个频谱特征，使得在接收到输入数据的下一个样本之前计算N个频谱特征。优选地，频谱特征的数量N大于累加器变量的数量M(N>M)，最优选地，频谱特征的数量N显着大于累加器变量的数量(N>>M，例如大一个数量级)。
m个补充变量能够像计算N个频谱特征时暂时被需要的变量(例如内存地址)一样预先定义，但是m个补充变量不基于输入数据的接收样本。特别是，为了计算N个频谱特征暂时需要m个补充变量。
基于计算出的N个频谱特征，能够导出旋转机器的状况。旋转机器的状况能够自动导出，例如通过经训练的神经网络，通过决策树等。
本发明不依赖于诸如傅里叶变换(FT)之类的经典方法，其在一个计算步骤中处理长时间段(例如1s[秒]或更长)的多个样本，因此需要大量内存用于许多样本(例如从大约51kB至大约7MB)。相反，本发明通过应用实时算法的组合，将从旋转机器获取的每个单个数据样本实时处理成M个累加器变量，并仅使用所述M个累加器变量和m个补充变量来建立有效的、稳定的、显着的N个频谱特征，从而避免了占用大量内存。因此，实时计算N个频谱特征的数据处理系统只需要非常少的内存。这降低了这些数据处理系统的成本。
基于L个样本和/或Lenv样本实时更新M个累加器变量，L个样本和/或Lenv样本包括输入数据和/或包络的当前样本sn和/或senv,n、第一先前样本sn-1和/或senv,n-1以及第二先前样本sn-2和/或senv,n-2，并且N个频谱特征通过戈泽尔(Goertzel)算法(GA)实时计算。
作为实时振幅估计算法，使用了GA。与离散傅里叶变换(DFT)一样，GA分析来自离散信号的一个可选频率分量，这里是输入数据的样本。然而，与DFT不同，GA在每次迭代中应用单个实值系数，对实值输入序列使用实值算法。对于计算少量选定的频率分量，GA在数值上比DFT更有效。GA的简单结构使其非常适合小型处理器和嵌入式应用。GA中的主要计算具有对输入进行操作的数字滤波器的形式，这里的当前样本sn是两级级联的，参数ω0给出了待测的频率(标准化为每个样本的弧度)。在GA的第一阶段，计算中间序列sqn(sq[n])：
sq[n]＝s[n]+2cos(ω0)sq[n-1]-sq[n-2]
在第二阶段，将以下过滤器应用于中间序列sqn以产生输出，这里是相应的累加器变量yn(y[n])：
第一阶段对应于具有直接形式结构的二阶IIR滤波器，其中，其内部状态变量等于该阶段过去的输出值。输入值，这里对于n小于零(n<0)的当前样本sn均被假定为零(sn<0＝0)。为了建立初始过滤器状态以便评估能够从样本s0开始，过滤器状态被分配了中间状态的初始值(s-2＝s-1＝0)。为了避免混叠危险，根据奈奎斯特-香农采样定理(0<ω0<＝n)，能够将待测的频率ω0限制在零到n的范围内。
能够观察到第二阶段的滤波器是FIR滤波器，因为它的计算不使用它过去的任何输出。
在下文中，以伪代码给出了GA的示例性实施方式。能够看出，对于待测的频率ω0(伪代码中的“freq”)，只需要当前样本sn(伪代码中的“sample”)和两个先前样本sn-1、sn-2或者更确切地说是需要先前两个中间序列sqn-1,sqn-2(伪代码中的“sprev”，“sprev2”)作为M个累加器变量来更新N个频谱特征中的一个频谱特征，这里是输入数据中待测的频率ω0(“freq”)的振幅(伪代码中的“振幅”)。此外，一个系数(伪代码中的“coeff”)，该系数能够在表格中预先计算，以避免耗时的cos函数调用，其中，coeff是与时间无关的加权因子，简单地说，在实际样本和先前样本之间，除了M个累加器变量之外，还需要采样频率fs(伪代码中的“fs”)和待测的频率ω0(“freq”)作为补充变量。
def RTgoertzelFilter(sample,freq,fs,N):
global sprev；
global sprev2；
global totalpower；
normalizedfreq＝freq/fs；
coeff＝2*cos(2*π*normalizedfreq)；
sample+＝coeff*sprev-sprev2；‘first stage
sprev2＝sprev；
sprev＝sample；
power＝sprev2*sprev2+sprev*sprev-coeff*sprev*sprev2；‘second stage
totalpower+＝sample*sample；
amplitude＝(power/totalpower)**0.5
return amplitude；
end def
使用待测的多个频率ω0能够建立具有任何所需分辨率的频谱或精确估计频率，例如旋转机器转速的谐波的频率。
考虑到上述情况，很明显，实时GA只需要M个累加器加上一些额外的次要M个补充变量(即系数、内部存储地址等)来计算待测的多个频率ω0的振幅。例如，通常研究十个旋转谐波频率。
相同的GA也能够应用于待测的一个或多个频率，以得出包络中的振幅(基于包络的Lenv样本)。待测的一个/多个频率的振幅作为频谱特征导出，例如在内圈(fir)、外圈(for)、保持架(fcg)和轴承滚珠(fbl)的通过频率下，它们的用于旋转机器轴承的第k次高次谐波(kxfir,kxfor,…)以及边带(主要在k*fir+/-p*frot,其中k,p∈(1,10))。当实时导出包络时，通过频率的振幅、它们的谐波和边带能够使用如前所述的实时GA来确定。
GA是一种快速算法，只需要很少的内存即可计算CM中使用的N个频谱特征。
根据本发明的改进，该方法还包括实时导出样本的步骤。在实时导出样本的步骤中，基于输入数据的样本实时导出输入数据的包络样本，优选地通过整流和低通滤波或通过异步复数IQ包络检波器，最好采用双二阶滤波器方法。M个累加器变量基于包括当前样本nenv和包络的至少一个先前样本nenv-1的Lenv样本被附加地或替代地更新。
在用于轴承故障检测的CM中，加速度信号在包络频谱中进行研究。原因是轴承故障引入了周期性尖峰序列，并受到系统中的一些共振的调制。因此需要输入数据的包络。只有可实时计算的算法对构建包络有用，以确保根据本发明的整体实时处理。特别地，包络的当前样本必须在输入数据的下一个样本被接收之前从当前接收的样本中导出。
简单的整流和低通滤波器能够作为一种实时算法来实现，以用于构建输入数据的包络。在对输入数据的每个样本n进行平方之后，能够使用实时低通滤波器(例如双二阶滤波器方法)构建这种异步实平方律包络检测器。例如，双二阶滤波器方法在数字信号处理中很常见，最直接的实施方式是所谓的“直接形式1”，如果标准化，则具有以下差分方程：
senv[n]＝b0s[n]+b1s[n-1]+b2s[n-2]-a1s[n-1]-a2s[n-2]
其中，系数b0、b1、b2确定为零，而系数a1，a2确定由两个二次多项式组成的相应传递函数的极点位置。这里系数b0、b1、b2、a1、a2包含在补充变量m中(sn对应于s[n]和senv,n对应于senv[n]等)。
或者，也适合将输入数据乘以正弦(同相-I)和余弦(正交-Q)，其中，ω是载波频率。这称为异步复数IQ包络检测器，其中，输入数据实时乘以具有(迂回或精确)与载波频率ω相同的频率ω的正弦和余弦系数。
上述两种方法都能够实时计算。在所述算法中，仅需要当前时间步长n的当前样本sn和时间步长n-1和n-2的两个先前样本sn-1和sn-2以及预先计算的系数来实时过滤。
M个累加器变量基于Lenv样本额外地或替代地更新，Lenv样本包括包络的当前样本senv,n(senv[n])和至少一个先前样本senv,n-1(senv[n-1])。因此，N个频谱特征是基于M个累加器变量计算的，这些累加器变量附加地或替代地基于包络的Lenv样本。
输入数据包络的实时导出能够为CM提取更多信息，例如用于轴承故障检测，而包络的Lenv样本只需要少量内存。
根据本发明的改进，输入数据包括基于旋转机器随时间变化的振动的振动数据和/或基于提供给旋转机器的随时间变化的电流和/或电压的电气数据。
根据本发明的进一步改进，接口包括第一接口和/或第二接口。第一接口适于接收基于旋转机器随时间变化的振动的振动数据的样本。第二接口适于接收基于提供给旋转机器的随时间变化的电流的电气数据的样本。
根据本发明的进一步改进，所述至少一个传感器是振动传感器并且附加地或替代地是电传感器。振动传感器适于测量旋转机器随时间变化的振动并将测得的振动作为振动数据的样本提供给数据处理系统。电传感器适于随时间变化测量提供给旋转机器的电流(电流强度)和/或电压和/或磁场，并将测得的电流(电流强度)和/或电压作为电气数据的样本提供给数据处理系统。
例如，旋转机器的振动能够由能够基于压电效应的振动传感器测量。因此，振动被转换成由于振动传感器的振动而产生的电压。产生的电压的振幅和频率类似于在旋转机器上测得的振动。然后能够通过A/D转换器将连续(模拟)周期性电压采样成具有特定时钟速率或采样频率fs的连续样本。每个样本给出相应时间点的电压振幅。
由振动传感器提供的样本在数据处理系统的第一接口处被接收并被转发到计算装置。
例如，提供给旋转机器(例如电动马达)的电流能够由能够是电流(电流强度)传感器或电压检测器的电传感器测量。因此，所提供电流的时间过程被转换成比例信号，该信号由电传感器(例如霍尔效应传感器、变压器/电流钳位计、磁通门变压器型传感器、电压与通过它的电流成正比的电阻器、光纤电流传感器、使用干涉仪测量由磁场产生的光的相位变化、罗氏线圈等)根据电流振幅而产生。产生的信号(电压)的振幅和频率类似于在旋转机器上测得的电流。然后能够通过A/D转换器将连续(模拟)周期性信号以特定时钟速率或采样频率fs采样成连续样本。每个样本给出相应时间点的信号振幅。
由电传感器提供的样本在数据处理系统的第二接口处被接收并且被转发到计算装置。
例如，在CM中，给出了以下类型的状况/状态/故障以及用于识别它们的频谱特征：
轴承损坏频率包络曲线，取决于轴承的外圈、内圈、保持架和滚动体的几何形状，如DKW
电气定子故障 双线频率fline作为均方根
电气转子故障 fbar作为均方根
转子断条 fline和以滑差频率fslip作为均方根的调制
使用振动数据和/或电气数据作为输入数据，能够可靠地确定旋转机器的许多不同状况。
根据本发明的改进，该方法还包括连续接收至少一种特征转速或实时确定至少一种特征转速的步骤。在连续接收至少一个特征转速的步骤中，连续接收旋转机器的至少一个特征转速。在实时确定至少一个特征转速的步骤中，通过实时锁频环FLL方法基于振动数据实时确定旋转机器的至少一个特征转速。M个累加器变量根据转速或其谐波进行额外更新。
旋转机器的特征转速能够通过旋转机器处的转速传感器来测量。测得的特征转速能够在第三接口处提供给数据处理系统，从第三接口将其转发给计算装置。
替代地或附加地，实时FLL能够与振动数据结合使用，用于估计最正确的频率作为旋转机器的特征转速。相应的FFL分析器包括振荡器、混频器和分析块。振荡器产生具有振荡频率f'的数字振荡信号S'。混频器提供有数字振荡信号S'和振动数据的样本，并由此产生混合信号S”。混合信号S”包括振动信号频率和振荡频率f'的和信号的第一信号部分以及振动信号频率和振荡频率f'的差信号的第二信号部分。分析块基于包括振动信号频率与振荡频率f'的差的第二信号部分来更新振荡频率f'，使得振荡频率f'被调整为振动信号频率，即FLL(锁频环)。
除了特征转速之外，还能够计算特征转速的谐波并将其用作进一步的累加器变量。
测得的或确定的(估计的)特征转速能够用作待测的频率ω0或待测的频率ω0之一，以确保对于高次谐波，例如frot估计或测量中的误差随着k值的增大而增大(对边带计算的p也有效)，则应进行校正，并且能够以最佳频率近似值确定振幅(例如通过GA)。
根据本发明的改进，当M个累加器变量包括待测的至少一个第一频率ω0时，N个频谱特征包括待测的至少一个第一频率ω0的至少一个振幅，和/或当M个累加器变量包括待测的至少一个第二频率ω0,env时，N个频谱特征包括包络中的待测的至少一个第二频率ω0,env的至少一个振幅。
特别地，基于GA，能够将待测的至少一个第一频率ω0的振幅实时计算为输入数据(例如，振动数据和/或电气数据)的N个频谱特征之一。此外，待测的至少一个第二频率的振幅ω0,env能够实时计算为包络的N个频谱特征之一(例如，振动数据和/或电气数据的包络)。
附图说明
本发明及其技术领域随后通过附图中所示的示例性实施例进一步详细解释。示例性实施例仅有助于更好地理解本发明并且在任何情况下都不应被解释为限制本发明的范围。特别地，如果没有明确地另外描述的话，能够提取附图中描述的主题的方面并将其与本说明书或附图的其他部件和发现相结合。相同的附图标记指代相同的对象，从而能够补充使用来自其他附图的解释。
图1示出了根据本发明的第一方面的用于旋转机器的CM的计算机实施方法的实施例的示意流程图。
图2示出了根据本发明第一方面的用于旋转机器的CM的计算机实施方法的另一实施例的示意流程图。
图3示出了根据本发明第三方面的计算机可读介质的实施例的示意图。
图4示出了根据本发明第四方面的用于旋转机器的CM的数据处理系统的示意图。
图5示出了根据本发明第五方面的系统的实施例的示意图。
图6示出了异步实平方律包络检测器的示意框图。
图7示出了异步复IQ包络检测器的示意框图。
图8示出了将FFT的输出与GA的输出进行比较的两个示例图。
具体实施方式
在图1中，示意性地描绘了根据本发明第一方面的用于旋转机器的CM的计算机实施方法的实施例。该方法包括以下步骤：连续接收S1输入数据的样本、连续接收S1a至少一个特征转速、实时导出S1'包络的样本、实时更新S2M个累加器变量、实时计算S3N个频谱特征并确定S4状况。
在连续接收输入数据的样本的步骤S1中，以预定的采样频率fs连续接收输入数据的样本，即振动数据和电气数据的样本。输入数据基于两个物理量，即振动数据基于旋转机器的轴承处的振动，而电气数据基于提供给电机的电流。输入数据由相应的传感器提供，即振动数据由测量旋转机器的轴承处的振动的振动传感器提供，电气数据由测量提供给电机的电流的电传感器提供。输入数据(即振动数据和电气数据)均作为连续样本被接收，因此作为数字信号。
在连续接收至少一个特征转速的步骤S1a中，以预定采样频率fs连续接收旋转机器的特征转速。特征转速由测量旋转机器的轴的当前转速的转速传感器提供。特征转速，即在连续样本中作为数字信号接收。
在实时导出包络的样本的步骤S1'中，从输入数据的样本导出包络样本，即导出振动数据的包络样本和电气数据的包络样本。通过异步实平方律包络检测器30(参见图6)或通过异步复IQ包络检测器40(参见图7)导出两个包络的样本。
实时更新M个累加器变量的步骤S2和实时计算N个频谱特征的步骤S3基于戈泽尔(Goertzel)算法(GA)。
在实时更新M个累加器变量的步骤S2中，基于L个样本实时更新M个累加器变量。这里，M＝8个累加器变量包括输入数据的当前样本，即振动数据和电气数据的当前样本以及振动数据和电气数据的包络的当前样本。此外，M个累加器变量包括振动数据和电气数据以及振动数据和电气数据的包络的两个先前中间序列sqn-1、sqn-2。特别是，M个累加器变量对应于L个样本。L个样本包括振动数据sv,n的当前样本和电气数据se,n的当前样本以及振动数据sv,env,n的包络的当前样本和电气数据se,env,n的包络的当前样本。此外，L个样本包括振动数据sv,n-1的第一先前样本和电气数据se,n-1的第一先前样本以及振动数据sv,env,n-1的包络的第一先前样本和电气数据se,env,n-1的包络的第一先前样本。此外，L个样本包括振动数据sv,n-2的第二先前样本和电气数据se,n-2的第二先前样本以及振动数据sv,env,n-2的包络的第二先前样本和电气数据se,env,n-2的包络的第二先前样本。此处，第一先前样本和第二先前样本sv,n-1,se,n-1,sv,env,n-1,se,env,n-1,sv,n-2,se,n-2,sv,env,n-2,se,env,n-2被代替为M个累加器变量中的相应的中间序列sqv,n-1,sqe,n-1,sqv,env,n-1,sqe,env,n-1,sqv,n-2,sqe,n-2,sqv,env,n-2,sqe,env,n-2，其中，已基于各自的第一先前样本和第二先前样本计算第一中间序列和第二中间序列。
在实时计算N个频谱特征的步骤S3中，基于M＝8个累加器变量实时计算N个频谱特征。此处，使用GA实时计算N＝40个振动数据中的待测的十个第一频率ω0,v,1至ω0,v,10、电气数据中的待测的十个第一频率ω0,e,1至ω0,e,10、振动数据的包络中的待测的十个第二频率ω0,env,v,1至ω0,env,v,10和振动数据的包络中的待测的十个第二频率ω0,env,v,1至ω0,env,v,10的振幅。
在确定状况的步骤S4中，旋转机器的状况基于N＝40计算的振幅导出。
在图2中，示意性地描绘了根据本发明的第一方面的用于旋转机器的CM的计算机实施方法的另一个实施例。该方法包括与图1的方法相同的步骤，不同之处在于，不同于步骤S1a，实时确定至少一个特征转速的步骤S1b由图2的方法所包括。因此，以下仅说明图1与图2的两个实施例的不同之处，即步骤S1b。
在实时确定至少一个特征转速的步骤S1b中，基于振动数据通过实时锁频环(FLL)方法实时确定旋转机器的至少一个特征转速。特别地，FFL分析仪(未描绘)用于实时确定特征转速。FFL分析器包括振荡器、混频器和分析块。振荡器产生具有振荡频率f'的数字振荡信号S'。混频器被提供有数字振荡信号S'和振动数据的样本，并由此产生混合信号S”。混合信号S”包括振动信号频率和振荡频率f'的和信号的第一信号部分以及振动信号频率和振荡频率f'的差信号的第二信号部分。分析块基于包括振动信号频率与振荡频率f'的差的第二信号部分来更新振荡频率f'，使得振荡频率f'被调整为振动信号频率。
根据本发明第二方面的计算机程序的程序步骤对应于根据本发明第一方面的方法的方法步骤，如图1至图2所示。
在图3中，示意性地描绘了根据本发明第三方面的计算机可读介质1的实施例。
此处，示例性地，计算机可读存储盘1如光盘(CD)、数字视频盘(DVD)、高清DVD(HDDVD)或蓝光光盘(BD)在其上存储有根据本发明第二方面的计算机程序并且如图1至图2示意性地示出。然而，计算机可读介质也能够是数据存储器，如磁存储器/内存器(例如磁芯内存器、磁带、磁卡、磁条、磁泡存储器、磁鼓存储器、硬盘驱动器、软盘或可移动存储器)、光存储器/内存器(例如全息存储器、光带、Tesa磁带、激光盘、相位器(PhasewriterDual，PD(双相位器))或超密度光盘(UDO))、磁光存储器/内存器(例如小型磁盘或磁光盘(MO-Disk))、易失性半导体/固态存储器(例如随机存取存储器(RAM)、动态RAM(DRAM)或静态RAM(SRAM))、非易失性半导体/固态存储器(例如只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电EPROM(EEPROM)、闪存EEPROM(例如U盘)、铁电RAM(FRAM)、磁阻RAM(MRAM)或相变RAM)。
在图4中，示意性地描绘了根据本发明第四方面的数据处理系统10的实施例。
数据处理系统10能够是个人计算机(PC)、笔记本电脑、平板电脑、服务器、分布式系统(例如云系统)等。数据处理系统10包括中央处理单元(CPU)11、具有随机存取存储器(RAM)12和非易失性存储器(MEM，例如硬盘)13的存储器、人机接口设备(HID，例如键盘、鼠标、触摸屏等)14和输出设备(MON，例如监视器、打印机、扬声器等)15。此外，数据处理系统10包括第一接口16a、第二接口16b和第三接口16c。CPU11、RAM12、HID14、MON15和三个接口16a、16b、16c通过数据总线通信连接。RAM12和MEM13通过另一数据总线通信连接。根据本发明的第二方面并示意性地描绘在图1至2中的计算机程序能够从MEM13或其他计算机可读介质1加载到RAM12中。根据计算机程序，来自振动传感器的振动数据在第一接口16a处被接收，来自电传感器的电气数据在第二接口16b被接收。在第三接口16c，从转速传感器接收旋转机器的特征转速。此外，CPU11执行根据本发明第一方面并示意性地描绘在图1至2中的计算机实施方法的步骤。执行能够由用户通过HID14发起和控制。执行的计算机程序的状态和/或结果能够由MON15指示给用户。执行的计算机程序的结果能够永久存储在非易失性MEM13或其他计算机可读介质上。
用于控制计算机程序执行的HID14和MON15能够由不同的数据处理系统所包括，例如通信地连接到数据处理系统10(例如云系统)的终端。
在图5中，示意性地描绘了根据本发明第五方面的系统的实施例。系统20包括根据本发明第四方面的旋转机器，此处示例性地为根据本发明第四方面并如图4所示的电动马达21、振动传感器22a、电气传感器22b、转速传感器22c和数据处理系统10。
电动马达21包括定子和带有固定附接轴的转子。带有轴的转子通过轴承在两个点上转动。电动马达21将作为电流提供的电能转换为具有特定转速和扭矩的旋转形式的动能。
振动传感器22a布置在电动马达21的一个轴承附近并且通信地连接到数据处理系统10的第一接口16a。为了将振动转换成振动数据，能够使用压电效应或基于硅的MEMS传感器。振动传感器22a测量两个轴承中的一个轴承的振动并将相应的振动数据提供给第一接口16a。
电传感器22b设置在电动马达21上并与数据处理系统10的第二接口16b通信连接。电传感器22b测量通过电阻器提供给电动马达21的电流并将相应的电气数据提供给第二接口16b。
转速传感器22c设置在电动马达21的轴上并与数据处理系统10的第三接口16c通信连接。转速传感器22c测量电动马达21的轴的当前转速并向第三接口16c提供相应的特征转速。
替代设置使用振动传感器22a或电传感器22b。在能够使用诸如FLL的算法或方法从振动传感器22a和/或电传感器22b提供的输入数据中导出转速的情况下，能够省略转速传感器22c。
所提供的振动数据、电气数据和特征转速被转发到处理装置，特别是RAM12和CPU11，以用于执行根据本发明第一方面并如图1和图2所示的方法的步骤。
在图6中，示意性地描绘了异步实平方律包络检测器30。包络检测器30包括平方单元32、低通滤波器34和平方根单元35。
输入数据31的当前样本，此处输入数据为振动数据和电气数据，首先在平方单元32中平方，得到平方的输入数据33，然后由低通滤波器34进行低通滤波。将低通滤波器34的输出提供给平方根单元35，在平方根单元35中取平方根。输出是输入数据的包络36，此处输入数据为振动数据和电气数据。
在图7中，示意性地描绘了异步复IQ包络检测器40。包络检波器40包括正交功率分配器41。
输入数据，即振动数据和电气数据乘以正弦(同相-I)和余弦(正交-Q)，其中，ω是载波频率。
在图8中，示意性地描绘了比较FFT的输出与GA的输出的两个示例图。在左图中，示例性地描绘了65个频率(点)的FFT频谱(交叉)和实时GA振幅。在右图中，示例性地描绘了7个特征转速和7个谐波(点)的FFT频谱(实线)和实时GA振幅。因此很明显，实时GA只需要M个累加器变量(加上一些额外的补充变量，例如系数、内部存储器)来计算待测的多个频率的振幅。GA所需的少数(M+m)变量能够存储在一个小内存器中。与FFT变量所需的大内存器相比，这种小内存器非常便宜。
尽管这里已经说明和描述了特定实施例，但是本领域普通技术人员将理解，存在多种替代方案和/或等效实施方式。应当理解，示例性实施例或多个示例性实施例仅是示例，并不旨在以任何方式限制范围、适用性或配置。相反，前述概述和详细描述将为本领域技术人员提供用于实现至少一个示例性实施例的便利路线图，应当理解，在不背离所附权利要求及其合法等同物所规定的范围的情况下，能够对示例性实施例中描述的元素的功能和布置进行各种改变。通常，本申请旨在涵盖本文讨论的特定实施例的任何修改或变化。
在前面的详细描述中，为了简化本公开，在一个或多个实例中将各种特征组合在一起。应当理解，以上描述是说明性的，而不是限制性的。它旨在涵盖所有可能包括在本发明范围内的替代方案、修改方案和等同物。在阅读上述说明书后，许多其他实例对于本领域技术人员将是显而易见的。
前述说明书中使用的特定命名法用于提供对本发明的透彻理解。然而，根据本文提供的说明书，本领域技术人员将明白，为了实践本发明不需要特定细节。因此，出于说明和描述的目的，呈现本发明的特定实施例的前述描述。它们并非旨在详尽无遗或将本发明限制为所公开的精确形式；显然，鉴于上述教导，许多修改方案和变体方案都是可行的。选择和描述实施例是为了最好地解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够最好地利用本发明和具有适合于预期的特定用途的各种修改方案的各种实施例。在整个说明书中，术语“包括(including)”和“其中(in which)”分别用作相应术语“包括(comprising)”和“其中(wherein)”的简单英语等价物。此外，术语“第一”、“第二”和“第三”等仅用作标签，并不旨在对其对象施加数字要求或建立一定的重要性等级。在本说明书和权利要求的上下文中，连词“或”应理解为包括(“和/或”)而不是排他性的(“或者……或者……”)。
Claims (13)
1.一种用于旋转机器的状况监测CM的计算机实施方法，所述方法包括步骤：
-基于旋转机器(21)的随时间变化的至少一个物理量，连续接收(S1)输入数据的样本；
-基于包括所述输入数据的当前样本sn和至少一个先前样本sn-1的L个样本，实时更新(S2)M个累加器变量，其中M>＝1；
-基于M个累加器变量和m个补充变量，其中m>＝1，实时计算(S3)N个频谱特征，其中N>＝1；以及
-基于所述N个频谱特征确定(S4)所述旋转机器(21)的状况，
其中，基于所述L个样本和/或Lenv样本实时更新所述M个累加器变量，所述L个样本和/或Lenv样本包括所述输入数据和/或包络的所述当前样本sn和/或senv，n、第一先前样本sn-1和/或Senv，n-1和第二先前样本sn-2和/或senv,n-2并且通过戈泽尔算法GA实时计算所述N个频谱特征，
其中，所述M个累加器变量的总和足以确定所述旋转机器的状况，并且其中，所述m个补充变量是暂时被需要的，以用于计算所述N个频谱特征，并且所述m个补充变量不基于所述输入数据的接收样本。
2.根据权利要求1所述的方法，还包括以下步骤：
-基于所述输入数据的样本，优选地通过整流后的低通滤波或通过异步复IQ包络检测器和最优选地通过双二阶滤波器方法，实时导出(S1')所述输入数据的包络的样本，
其中，附加地或替代地基于Lenv样本更新所述M个累加器变量，所述Lenv样本包括所述包络的当前样本senv，n和至少一个先前样本senv，n-1。
3.根据前述权利要求中任一项所述的方法，其中，所述输入数据包括基于所述旋转机器(21)随时间变化的振动的振动数据和/或基于提供给所述旋转机器(21)的随时间变化的电流和/或电压的电气数据。
4.根据前述权利要求中任一项所述的方法，还包括以下步骤：
-连续接收(Sla)所述旋转机器(21)的至少一个特征转速；或
-当反向引用权利要求2至3中的任一项时，通过实时锁频环FLL方法基于所述振动数据实时确定(S1b)所述旋转机器(21)的所述至少一个特征转速，
其中，额外地基于所述转速或谐波更新所述M个累加器变量。
5.根据前述权利要求中任一项所述的方法，其中，当所述M个累加器变量包括待测的至少一个第一频率时，所述N个频谱特征包括所述输入数据中的待测的至少一个第一频率的至少一个振幅和/或，当反向引用权利要求2至5中任一项时，当所述M个累加器变量包括待测的至少一个第二频率时，所述N个频谱特征包括包络中的待测的至少一个第二频率的至少一个振幅。
6.一种包括指令的计算机程序，当计算机执行所述程序时，所述指令使所述计算机执行根据权利要求1至5中任一项所述的方法的所述步骤。
7.一种计算机可读介质(1)，所述计算机可读介质具有存储在所述计算机可读介质上的根据权利要求6所述的计算机程序。
8.一种用于旋转机器的CM的数据处理系统(10)，所述数据处理系统包括：
-接口(16)，所述接口适于接收基于旋转机器(21)的随时间变化的至少一个物理量的输入数据的样本；和
-计算装置(11，12)，所述计算装置适于执行根据权利要求1至5中任一项所述的方法的步骤。
9.根据权利要求8所述的数据处理系统(10)，其中，所述接口(16)包括：
-第一接口(16a)，所述第一接口适于接收基于所述旋转机器(21)的随时间变化的振动的振动数据的样本；和/或
-第二接口(16b)，所述第二接口适于接收基于提供给所述旋转机器(21)的随时间变化的电流的电气数据的样本，
其中，所述计算装置(11，12)适于执行根据权利要求3所述的方法的步骤。
10.根据权利要求8或9所述的数据处理系统(10)，其中，所述计算装置(11，12)适于执行根据权利要求4至6中任一项所述的方法的步骤。
11.一种系统(20)，包括：
-旋转机器(21)；
-至少一个传感器(22)，所述至少一个传感器适于测量所述旋转机器(21)的随时间变化的至少一个物理量；和
-根据权利要求8所述的数据处理系统(10)，所述数据处理系统通信地连接到所述至少一个传感器(22)，其中，所述至少一个传感器(22)还适于将测得的至少一个物理量作为输入数据的样本提供给所述数据处理系统(10)。
12.根据权利要求11所述的系统(20)，其中，所述至少一个传感器(22)是振动传感器(22a)和/或电传感器(22b)，所述振动传感器适于测量所述旋转机器(21)的随时间变化的振动并且将测得的振动作为振动数据的样本提供给所述数据处理系统(10)，所述电传感器适于测量提供给所述旋转机器(21)的随时间变化的电流和/或电压和/或磁场，并将测得的电流和/或电压作为电气数据的样本提供给所述数据处理系统(10)，并且其中，所述数据处理系统(10)是根据权利要求9所述的数据处理系统。
13.根据权利要求11或12所述的系统(20)，其中，所述数据处理系统(10)是根据权利要求10所述的数据处理系统。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19203532.7 | 2019-10-16 | ||
| EP19203532.7A EP3809109A1 (en) | 2019-10-16 | 2019-10-16 | Smart motor data analytics with real-time algorithm |
| PCT/EP2020/078110 WO2021073976A1 (en) | 2019-10-16 | 2020-10-07 | Smart motor data analytics with real-time algorithm |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114556070A true CN114556070A (zh) | 2022-05-27 |
| CN114556070B CN114556070B (zh) | 2024-08-27 |
Family
ID=68281157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080072486.3A Active CN114556070B (zh) | 2019-10-16 | 2020-10-07 | 旋转机器的状况监测的方法、计算机程序、数据处理系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11692866B2 (zh) |
| EP (2) | EP3809109A1 (zh) |
| CN (1) | CN114556070B (zh) |
| WO (1) | WO2021073976A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023025392A1 (en) * | 2021-08-26 | 2023-03-02 | Abb Schweiz Ag | Method for monitoring a condition of a hoist |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2175256A2 (en) * | 2008-10-07 | 2010-04-14 | General Electric Company | Systems and methods for sensor-level machine monitoring |
| CN102087138A (zh) * | 2009-10-26 | 2011-06-08 | 福禄克公司 | 利用转速计数据的动态统计平均来精确计算转速的振动波振动分析和相位分析系统与方法 |
| US20110285532A1 (en) * | 2008-12-22 | 2011-11-24 | S.P.M. Instrument Ab | analysis system |
| CN102308190A (zh) * | 2008-12-22 | 2012-01-04 | S.P.M.仪器公司 | 分析具有旋转部件的机器的状态的方法和系统 |
| EP2581725A2 (en) * | 2011-10-13 | 2013-04-17 | General Electric Company | Methods and systems for automatic rolling-element bearing fault detection |
| CN103827683A (zh) * | 2011-09-30 | 2014-05-28 | Abb技术有限公司 | 确定用于机电系统诊断的平稳信号的方法 |
| CN104081173A (zh) * | 2012-01-30 | 2014-10-01 | S.P.M.仪器公司 | 用于分析具有旋转部件的机器的状态的装置和方法 |
| CN107036815A (zh) * | 2015-10-20 | 2017-08-11 | 斯凯孚公司 | 对轴承缺陷进行严重程度评估的方法和数据处理装置 |
| AU2017206138A1 (en) * | 2016-07-18 | 2018-02-01 | Vayeron Technologies Pty Ltd | Improvements In Rotating Shaft and Component Monitoring, Methods and Communications Systems Therefor |
| US20180335366A1 (en) * | 2017-05-19 | 2018-11-22 | Nutech Ventures | Detecting Faults in Wind Turbines |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7539549B1 (en) * | 1999-09-28 | 2009-05-26 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
| US7308322B1 (en) * | 1998-09-29 | 2007-12-11 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
| US6751641B1 (en) * | 1999-08-17 | 2004-06-15 | Eric Swanson | Time domain data converter with output frequency domain conversion |
| EP1298511B2 (en) * | 2001-09-27 | 2009-11-18 | Reliance Electric Technologies, LLC | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
| EP3247658A4 (en) * | 2015-01-21 | 2019-02-13 | Vayeron Pty Ltd | IMPROVEMENTS IN CONVEYORS AND COMPONENTS THEREFOR, MONITORING PROCESSES AND COMMUNICATION SYSTEMS |
| US10227937B2 (en) * | 2015-11-04 | 2019-03-12 | Ge Global Sourcing Llc | Methods and system for a turbocharger |
| DE102017216666A1 (de) * | 2017-09-20 | 2019-03-21 | Dr. Johannes Heidenhain Gmbh | Positionsmesseinrichtung und Verfahren zum Betreiben einer Positionsmesseinrichtung |
| US10746590B2 (en) | 2017-09-29 | 2020-08-18 | Rockwell Automation Technologies, Inc. | Method and apparatus for online condition monitoring of variable speed motor applications |
| DE102018206435A1 (de) * | 2018-04-25 | 2019-10-31 | Aktiebolaget Skf | Vorrichtung zum Bestimmen einer Drehgeschwindigkeit und einer Schwingung eines Radkopfs eines Fahrzeugs |
-
2019
- 2019-10-16 EP EP19203532.7A patent/EP3809109A1/en not_active Withdrawn
-
2020
- 2020-10-07 CN CN202080072486.3A patent/CN114556070B/zh active Active
- 2020-10-07 US US17/768,973 patent/US11692866B2/en active Active
- 2020-10-07 WO PCT/EP2020/078110 patent/WO2021073976A1/en unknown
- 2020-10-07 EP EP20797376.9A patent/EP4022275B1/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2175256A2 (en) * | 2008-10-07 | 2010-04-14 | General Electric Company | Systems and methods for sensor-level machine monitoring |
| US20110285532A1 (en) * | 2008-12-22 | 2011-11-24 | S.P.M. Instrument Ab | analysis system |
| CN102308190A (zh) * | 2008-12-22 | 2012-01-04 | S.P.M.仪器公司 | 分析具有旋转部件的机器的状态的方法和系统 |
| CN102087138A (zh) * | 2009-10-26 | 2011-06-08 | 福禄克公司 | 利用转速计数据的动态统计平均来精确计算转速的振动波振动分析和相位分析系统与方法 |
| CN103827683A (zh) * | 2011-09-30 | 2014-05-28 | Abb技术有限公司 | 确定用于机电系统诊断的平稳信号的方法 |
| EP2581725A2 (en) * | 2011-10-13 | 2013-04-17 | General Electric Company | Methods and systems for automatic rolling-element bearing fault detection |
| CN104081173A (zh) * | 2012-01-30 | 2014-10-01 | S.P.M.仪器公司 | 用于分析具有旋转部件的机器的状态的装置和方法 |
| CN107036815A (zh) * | 2015-10-20 | 2017-08-11 | 斯凯孚公司 | 对轴承缺陷进行严重程度评估的方法和数据处理装置 |
| AU2017206138A1 (en) * | 2016-07-18 | 2018-02-01 | Vayeron Technologies Pty Ltd | Improvements In Rotating Shaft and Component Monitoring, Methods and Communications Systems Therefor |
| US20180335366A1 (en) * | 2017-05-19 | 2018-11-22 | Nutech Ventures | Detecting Faults in Wind Turbines |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3809109A1 (en) | 2021-04-21 |
| US11692866B2 (en) | 2023-07-04 |
| US20220357194A1 (en) | 2022-11-10 |
| EP4022275B1 (en) | 2022-12-21 |
| WO2021073976A1 (en) | 2021-04-22 |
| EP4022275A1 (en) | 2022-07-06 |
| CN114556070B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8451134B2 (en) | Wind turbine generator fault diagnostic and prognostic device and method | |
| US8291764B2 (en) | Method and apparatus for in situ unbalance and corrective balance determination for a non-vertical axis rotating assembly | |
| US10658961B2 (en) | Method for identifying the discrete instantaneous angular speed of an electromechanical system | |
| CN102771043B (zh) | 用于旋转电机的扭矩波动抑制控制装置和扭矩波动抑制控制方法 | |
| US6263738B1 (en) | Vibration phasor monitoring system for rotating members | |
| Cao et al. | Vibration signal correction of unbalanced rotor due to angular speed fluctuation | |
| US7743658B2 (en) | Method and device for identifying a damaged bearing of a rotating shaft | |
| JP5670033B2 (ja) | 漂遊磁束を処理する方法およびシステム | |
| BR112014007556B1 (pt) | método de determinação de sinais estacionários para o diagnóstico de um sistema eletromecânico | |
| CN114556070B (zh) | 旋转机器的状况监测的方法、计算机程序、数据处理系统 | |
| CN110768270B (zh) | 基于快速频率识别的电网稳定检测方法及电网控制系统 | |
| EP2811278A1 (en) | Sensorless monitoring of electric generator rotor unbalance | |
| Lee et al. | Automatic power frequency rejection instrumentation for nonintrusive frequency signature tracking | |
| Trajin et al. | Bearing fault indicator in induction machine using stator current spectral analysis | |
| EP2556381B1 (en) | Speed and rotor position estimation of electrical machines using rotor slot harmonics or higher order rotor slot harmonics | |
| US20220365138A1 (en) | Systems and methods for hybrid drive control for an electric motor | |
| Khelfi et al. | Mono-Dimensional Demodulation Techniques for Diagnosing Broken Rotor Bars Faults Within Inverter-Fed Induction Machine at Low Load Operation Condition | |
| CN112855461B (zh) | 叶片振动监测方法及其装置 | |
| US10605621B2 (en) | Method and device for determining a sensor signal | |
| JPS63273065A (ja) | 回転機の回転数測定方法および装置 | |
| Firla et al. | Automatic and Full-Band Demodulation for Fault Detection—Validation on a Wind Turbine Test Rig | |
| CN113310693B (zh) | 一种机械故障检测方法、装置、设备及存储介质 | |
| Emadaleslami et al. | CNN-Based Location Detection of Static Eccentricity in 5-X Resolver | |
| RU2624986C1 (ru) | Способ определения скольжения ротора асинхронного электродвигателя | |
| Binder et al. | Data Challenges for Structural Health Monitoring of Electrical Machines |
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 |