CN114705424A - 机械故障检测方法、装置、服务端设备及存储介质 - Google Patents
机械故障检测方法、装置、服务端设备及存储介质 Download PDFInfo
- Publication number
- CN114705424A CN114705424A CN202210332020.3A CN202210332020A CN114705424A CN 114705424 A CN114705424 A CN 114705424A CN 202210332020 A CN202210332020 A CN 202210332020A CN 114705424 A CN114705424 A CN 114705424A
- Authority
- CN
- China
- Prior art keywords
- information
- transmission
- transmission components
- fault
- domain characteristic
- 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.)
- Pending
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
本申请实施例提供一种机械故障检测方法、装置、服务端设备及存储介质。在本申请实施例中,在针对包含多个传动部件的机械系统进行故障检测时,以各传动部件的振动信号为主,同时融合各传动部件的结构信息、工况信息和工龄信息,充分考虑传动部件的结构信息、工况信息和工龄信息对部件故障的影响,提高基于振动信号进行故障检测的准确率。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种机械故障检测方法、装置、服务端设备及存储介质。
背景技术
作为动力机构和工作机构之间力和能量的传递机构,传动机构在工业领域有广泛的应用。传动机构在长时间力和力矩的作用下,常常会失效,传动机构的失效会带来各种损失。因此传动机构的故障预测和诊断在生产实践中很重要。
业界常用的方法有:振动分析、声学监测、油质分析、温度监测等。而振动分析是最常用的一种方法,采集传动机构在使用过程中产生的振动信号,采用故障预测模型或者时频域分析方法对振动信号进行处理,以此来预测传动系统是否故障。现有故障预测方式主要考虑振动信号,其预测准确率不是很高。
发明内容
本申请的多个方面提供一种机械故障检测方法、装置、服务端设备及存储介质,用以提高基于振动信号进行故障检测的准确率。
本申请实施例提供一种机械故障检测方法,包括:获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
本申请实施例还提供一种机械故障检测装置,包括:获取模块,用于获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;检测模块,用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
本申请实施例还提供一种服务端设备,包括:存储器和处理器;存储器用于存储计算机程序,处理器与存储器耦合,用于执行计算机程序,以用于实现以上所述机械故障检测方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,当计算机程序被处理器执行时,致使处理器实现以上所述机械故障检测方法中的步骤。
在本申请实施例中,在针对包含多个传动部件的机械系统进行故障检测时,以各传动部件的振动信号为主,同时融合各传动部件的结构信息、工况信息和工龄信息,充分考虑传动部件的结构信息、工况信息和工龄信息对部件故障的影响,提高基于振动信号进行故障检测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的机械故障检测系统的结构示意图;
图2为本申请一示例性实施例提供的待检测机械系统的结构示意图;
图3为本申请一示例性实施例提供的机械故障检测方法的流程示意图;
图4为本申请一示例性实施例提供的机械故障检测装置的结构示意图;
图5为本申请一示例性实施例提供的服务端设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的机械故障检测系统的结构示意图。如图1所示,该机械故障检测系统包括:待检测机械系统100、各种传感器120、网管设备200及服务端设备300。
其中,待检测机械系统100包括多个传动部件,多个传动部件至少构成传动机构130。进一步如图2所示,该待检测机械系统100还包括动力机构110和工作机构140。动力机构110是为待检测机械系统100提供动力的机构,例如,动力机构110可以是电机。传动机构130是动力机构110和工作机构140之间动力的传递机构,例如,多个传动部件可以是轴承和齿轮,如图2中的G1、G2、G3和G4为轴承。可选地,所述轴承可以是但不限于滚动轴承,滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦,从而减少摩擦损失的一种精密的机械元件,通常由内圈、外圈、滚动体和保持架四部分组成,内圈的作用是与轴相配合并与轴一起旋转,外圈作用是于轴承座相配合,起到支撑作用,滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间,其形状大小和数量可影响滚动轴承的使用性能和寿命,保持架能使滚动体均匀分布,防止滚动体脱落,引导滚动体旋转起润滑作用。
待检测机械系统100的动力机构110产生动力,通过传动机构130的各传动部件将动力传输至工作机构140,各传动机构130在传输动力的过程中会产生振动信号,而传动部件的振动信号在一定程度上可以体现传动部件的运行状态,也就是说,通过振动信号能够检测传动机构130是否发生故障或者是否存在发生故障的可能。在本实施例中,为了对传动机构130进行故障检测,在传统机构130上部署用于采集振动信号的传感器,简称为振动传感器。振动传感器部署在传统机构130的各传动部件上,如图2中的A、B、C、D、E和F所示即为部署在传动机构130上的振动传感器120,也可称为采样点,用于采集传动机构130中各传动部件的振动信号。可选地,可以采用磁力吸附方式将振动传感器部署在各传动部件上,或者也可以采用打孔安装方式将振动传感器固定在各传动部件上。在本实施例中,并不限定振动传感器的实现形态,例如,传感器可以是加速度计,用于采集传动部件的加速度信号作为振动信号的一种具体实现。
在本实施例中,并不限定振动传感器在传动部件上的部署位置和数量。在一可选实施例中,可以在每个传动部件上部署一个振动传感器,可选地,该振动传感器可以部署在传动部件的垂直轴方向上,或者水平轴方向上。在另一可选实施例中,可以在每个传动部件上部署多个振动传感器,例如可以在传动部件的垂直轴、平行轴以及垂直于水平面的三个方向上分别部署振动传感器,但在传动部件上部署传感器的方向不限于此,凡是能采集到精确有效的振动信号的部署方向均适用于本申请实施例。
在本实施例中,振动传感器采集到各传动部件的振动信号之后,可将采集到的振动信号上传至服务端设备300,由服务端设备300基于振动信号对传动机构进行故障检测。为了便于各振动传感器将采集到的振动信号上传至服务端设备300,如图1所示,本实施例的系统还包括网关设备200。网关设备200又称网间连接器或协议转换器,是多个网络间提供数据转换服务的计算机系统或设备,用于从振动传感器获取各传动部件的振动信号,并将各传动部件对应的标识、振动信号及振动信号的采集时间等信息发送至服务端设备300。需要说明的是,网关设备200除了负责将振动传感器采集到的振动信号上传至服务端设备300之外,还会负责将其它类型的传感器采集到的其它信号以及待检测机械系统100相关的其它信息上传至服务端设备300。例如,本实施例的传感器还可以包括用于采集传动部件的转速、当量载荷等信息的传感器,这些传感器同样需要将采集到的转速、当量载荷等信息通过网关设备200上传至服务端设备300。
在本实施例中,服务端设备300可以是常规服务器、云服务器、云主机、虚拟中心等设备。服务端设备300主要用于管理待检测系统100的相关信息,例如各传动部件的档案信息,接收网关设备200上传的振动信号、转速、当量载荷等各种数据,并负责以振动信号为主对传动机构进行故障检测。进一步,在本实施例中,服务端设备300在进行故障检测时,还会同时结合各传动部件的工况信息、工龄信息和结构信息,以提高故障检测的准确度。具体地,对于服务端设备而言,可以获取当前时段内待检测机构系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
其中,多个传动部件的结构信息至少包括各传动部件的种类、型号以及基于种类和型号确定的静态参数。其中,静态参数是不随工况和负荷变化的参数,对于不同种类或不同型号的传动部件,具有不同的静态参数,或者对于同一种类的传动部件,可能具有不同取值的静态参数。在各传动部件的生命周期内,需要对各传动部件维护变更,如更换部件、更换润滑油或拧紧螺丝钉等操作,这些操作都会对各传动部件的振动特征产生影响。若忽略传动部件的结构信息,可能会增加传动部件的错报率,错报率是错报的次数与总共上报次数的比值,错报率包括误报率和漏报率,其中,误报率是把正常情况判定为故障情况上报的概率,漏报率是把故障情况判定为正常情况上报的概率。此外,在各部件上测量到的振动特征,可能是被测传动部件产生的,也可能是相邻的传动部件传递过来的,这种传递关系与传动部件的结构信息有关。因此,在本申请实施例中,在故障检测过程中,同时考虑传动部件的结构信息,有利于提高故障检测的准确度。
其中,工况信息主要包括传动部件的转速以及在不同负荷状态下的运行状态。部件不同,负荷和转速不同,而且同一部件在不同的时间段的工况信息也会不同。一般情况下,传动部件的振动特征与传动部件的工况密切相关,在不同的转速及负荷状态下,传动部件的老化速度是不同的,老化速度不同,运行状态也就不同,也就是说,同一部件在不同转速以及负荷状态下的振动信号有所不同。因此,在本申请实施例中,在故障检测过程中,同时考虑传动部件的工况信息,有利于提高故障检测的准确度。
其中,工龄信息是各传动部件实际已经使用的时间。传动部件在工龄的不同阶段,出现故障的概率不同,一般来说,传动部件出现故障的概率与已使用的时间长短呈正相关,已使用的时间越长,出现故障的概率越大,已使用的时间越短,出现故障的概率越小。需要说明的是,部件的工龄并不是一直增加的,有可能更换全新的部件,如果更换了全新的部件,部件工龄需要重新从0开始计算。如果不考虑部件工龄这一影响因素,也会增加故障检测的错误率。因此,在本申请实施例中,在故障检测过程中,同时考虑传动部件的工龄信息,有利于提高故障检测的准确度。
在本实施例中,各传动部件的结构信息、工况信息和工龄信息可以通过前端页面由人工手动维护,当任一信息发生变化时,可以人工手动实时更新;对于工况信息来说,也可以在各传动部件上部署相关传感器,例如,部署转速计,用于采集各传动部件的转速,部署压力传感器,用于采集各传动部件的负荷信息。
在本实施例中,无论是采集多个传动部件振动信号的传感器,还是采集多个传动部件工况信息的传感器,都可以采用在传动部件的三个方向上部署的方式,三个方向上部署的方式如下:测量传动部件的垂直轴、平行轴以及垂直于水平面的三个方向上布置传感器,但在传动部件上部署传感器的方向不限于此,凡是能采集到精确有效的振动信号或工况信息的部署方向均可。
在本申请实施例中,为了提高故障检测的准确率,以各传动部件的振动信号为主,同时融合各传动部件的结构信息、工况信息和工龄信息对多个传动部件进行故障检测。其中,根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测时的实施方式不做限定,下面提供三种实施方式:
实施方式A1:对多个传动部件的振动信号,采用时域特征分析和频域特征分析的方法,并结合多个传动部件的结构信息、工况信息和工龄信息的关系映射表,对多个传动部件进行故障检测。
具体实施方式如下:首先,对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件;其次,对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
实施方式A2:采用多个传动部件的时频域特征分析,结合机器学习模型预测的方式,同时结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
具体实施方式如下:首先,对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件;接着,对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
实施方式A3:采用振动信号与机器学习模型预测相结合的方式,根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息的关系映射表,对多个传动部件进行故障检测。
具体实施方式如下:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件的故障预测结果进行修正,得到多个传动部件的故障检测结果。
下面对上述实施方式A1-A3的具体实现过程分别进行详细阐述。
实施方式A1:在本实施例中,首先对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;进一步,在本实施例中,存在一个第一映射关系表,该第一映射关系表中存储有各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,该时域特征目标值是判断传动部件可能发生故障的参考值。基于此,可以根据多个传动部件的结构信息、工况信息和工龄信息,查询第一映射关系表,以得到多个传动部件对应的时域特征目标值;根据多个传动部件对应的时域特征实际值和时域特征目标值,确定多个传动部件中可能发生故障的疑似传动部件。
在本实施例中,传动部件的结构信息主要包括部件类型,其工况信息主要包括转速信息,且部件类型和转速信息主要在“判断传动部件可能发生故障的参考值,即时域特征目标值”中发挥作用,本申请实施例中的时域特征目标值的分类粒度更为丰富,同时考虑了转速信息(即工况信息)、部件类型(即传动部件的结构信息)和工龄区间(即工龄信息)。基于此,在确定多个传动部件中可能发生故障的疑似传动部件时,可以根据多个传动部件的部件类型、转速信息及工龄信息对应的工龄区间,从第一映射关系表中查询多个传动部件对应的时域特征目标值,然后将多个传动部件对应的时域特征实际值和时域特征目标值进行比较,确定多个传动部件中可能发生故障的疑似传动部件。其中,若传动部件对应的时域特征实际值大于时域特征目标值,确定该传动部件为疑似传动部件。其中,时域特征目标值的作用是供服务端设备300对传动部件是否会发生故障进行初步判断。
在本申请实施例中,第一映射关系表可通过以下方式生成:根据多个传动部件的结构信息中的部件类型和静态参数,生成各部件类型在不同转速信息下对应的时域特征基准值;根据各工龄区间对应的故障系数,对各部件类型在不同转速信息下对应的时域特征基准值进行调整,得到各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值;根据各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,生成第一映射关系表。
在本实施例中,同一部件类型的传动部件的静态参数一般是相同的,基于此,根据传动部件的部件类型进行分类,进而针对每种部件类型,根据该中部件类型对应的静态参数生成该部件类型在不同转速信息下对应的时域特征基准值。其中,静态参数包括但不限于:齿轮的齿数Z,或者各种故障频率系数等。
在本实施例中,随着工龄区间的不断越大,传动部件发生故障的概率越来越高,相应地,故障系数也会越来越大。其中,在初始区间,传动部件默认不发生故障。在此种情况下,可以根据工龄区间对各部件类型在不同转速信息下对应的时域特征基准值进行微调。具体地,随着工龄区间的不断越大,可以不断向下调整各部件类型在不同转速信息下对应的时域特征基准值,以使各部件类型在不同转速信息下对应的时域特征目标值越来越小,这样传动部件对应的时域特征实际值与对应的时域特征目标值进行比较时越容易被判定为可能发生故障,符合工龄区间越大传动部件发生故障的概率越高的特性。进一步,在不断向下调整各部件类型在不同转速信息下对应的时域特征基准值时,时域特征基准值的调整幅度可以随着工龄区间的不断增加而减小,或者,时域特征基准值的调整幅度不变,该调整幅度可结合传动部件的类型和工龄区间灵活设定,本实施例对此不做限定。
在本实施例中,多个传动部件的各工龄区间及其对应的故障系数可以通过以下方式确定:根据多个传动部件在测试时段内的工况信息,结合多个传动部件的结构信息,对各部件类型进行寿命预测,得到各部件类型的预测寿命;根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命;根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数。其中,设计寿命是机械系统或传动部件设计可以工作的最长时间。预测寿命是结合机械系统或传动部件的转速和负荷信息等工况信息经过试验验证后预测出的该机械系统或传动部件可以工作的最长时间。
在本实施例中,根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命,具体实施方式可以如下:将各部件类型的预测寿命和设计寿命的加权平均值,作为各部件类型的目标寿命;或者,以各部件类型的预测寿命为基准,利用各部件类型的设计寿命对预测寿命进行修正,得到各部件类型的目标寿命,以提高确定各部件类型的目标寿命的准确度,但生成各部件类型的目标寿命的方式不限于此。关于各部件类型的目标寿命,本文用L来表示。
在本实施例中,根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数,具体实施方式可以如下:将各部件类型的目标寿命划分为初始区间和基准区间,基准区间的时长大于初始区间的时长,且初始区间和基准区间对应的故障系数分别为0和1。初始区间是传动部件的进入稳定工作之前的时长。在一般情况下,初始区间可以作为磨合期,磨合期可由传动部件的供应商提供,或者也可以默认为是c倍的目标寿命,c是大于0且小于1的数值,例如可以取0.2、0.3等经验值,即初始区间为[0,cL]。定义初始区间的目的是排除掉机械系统使用的非稳定、非代表性周期,以取得有代表性,可以作为判决基准的测量数据。在初始区间内认为传动部件不会出故障,并将该初始区间内的故障系数设置为0,这样可以使用初始区间内的振动信号生成用于初始区间内振动信号进行故障检测所需的基准振动特征。基准区间是指机械系统的稳定工作区间,该基准区间是以初始区间的结束为开始的,且长为一定倍数的目标寿命。相应地,在基准区间认为传动部件会以正常的故障概率发生故障,可以将基准区间对应的故障系数设置为1,这里的故障系数为1并不是说传动部件在基准区间内一定会发生故障,而是相对于初始区间不会发生故障而言的,表示在基准区间会正常发生故障而已,基准区间对应的故障系数的取值并不限于1。其中,传动部件的工龄超过基准区间后,继续对采集到的振动信号进行时域特征分析,并将计算出的时域特征实际值与基准区间的时域特征目标值进比较,对超出时域特征目标值的情况进行数据超限报警。可选地,对于基准区间之后的工龄区间可以称为末期区间,在末期区间内传动部件发生故障的概率要高于基准区内的故障概率。
另外,无论是初始区间还是基准区间,各区间内的振动信号可以用来修正对应区间内的时域特征目标值,用以提高基于时域特征目标值做疑似传动部件判断时的准确度。
基于上述,进一步地,无论是针对初始区间还是针对基准区间,都可以采用人工分析、统计拟合和机器学习方法中的至少一种,分别对初始区间或基准区间内多个传动部件的振动信号进行时域特征分析,得到初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值;根据初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值,修正第一映射关系表中初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征目标值。本申请实施例并不限定修正方式,可以是基于时域特征参考值增大时域特征目标值,或者减小时域特征目标值,以使修正后的时域特征目标值能够更加准确,提高做疑似传动部件判断时的准确度。另外,需要说明的是,本实施例同时支持用人工分析、统计拟合或机器学习三种不同类型的方法对各工龄区间(包括初始区间或基准区间)内多个传动部件的振动信号进行时域特征分析,可以充分考虑传动部件各有差异,能够适用于各种传动部件。
在本实施例中,在确定多个传动部件中可能发生故障的疑似传动部件后,继续对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值,然后根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
具体地,在本实施例中,存在一个第二映射关系表,该第二映射关系表中存储有各部件类型在不同故障类型下对应的故障频率系数,那么可以根据疑似传动部件的结构信息,查询第二映射关系表,以得到疑似传动部件对应的故障频率系数;进一步,可以根据疑似传动部件的工况信息和故障频率系数,生成疑似传动部件的频域特征目标值,其中,在该步骤中传动部件的工况信息主要是指转速信息;进一步,可以根据疑似传动部件的频域特征实际值和频域特征目标值,确定疑似传动部件中发生故障的目标传动部件及其对应的故障类型。关于各部件类型在不同故障类型下对应的故障频率系数可以直接从各部件类型对应的静态参数中获取,也可以根据其它静态参数计算得到,对此不做限定。在该步骤中,传动部件的工况信息(例如转速信息)主要在疑似传动部件的频域特征目标值的生成过程中发挥作用,传动部件的结构信息(例如部件类型)主要在第二映射关系表中存储的故障频率系数上发挥作用,本实施例的故障频率系数的分类粒度更为丰富,不仅考虑了故障类型,还考虑了部件类型,即对部件进行了分类,针对不同部件分别给出了不同故障类型下的故障频率系数,进而提高基于频域特征目标值判断发生故障的目标传动部件及其对应的故障类型的准确度。
以疑似传动部件是轴承G为例,轴承的故障类型包括轴承内道故障、轴承外道故障、轴承滚动体故障及轴承保持架故障,BPFI表示轴承内道故障频率系数,BPFO表示轴承外道故障频率系数,BSF表示轴承滚动体故障频率系数,FTF表示轴承保持架故障频率系数,轴承的转速为n,那么内道故障频域特征目标值为G.n*G.BPFI,外道故障频域特征目标值为G.n*G.BPFO,滚动体故障频域特征目标值为G.n*G.BSF,保持架故障频域特征目标值为G.n*G.FTF,将疑似传动部件的频域特征实际值和上述频域特征目标值进行比较,若疑似传动部件的频域特征实际值和上述频域特征目标值的差值小于预设阈值时,则可以确定疑似传动部件发生了相应的故障,但疑似部件不限于轴承,只要是待检测机械系统的传动部件都有可能是疑似部件。此外,轴承可能发生一种类型的故障,也可能同时发生多种类型的故障,本实施例对此不做限定。
在此说明,本申请实施例并不限定服务端设备300实现上述实施方式A1的内部实现结构,凡是能够完成上述实施方式A1所描述的各种功能的内部实现结构均适用于本申请实施例的服务端设备300。本申请实施例示例性地给出服务端设备300的一种内部实现结构,如图1所示,本申请实施例给出的服务端设备300的构成主要包括:界面管理模块310、数据分析模块320、预测管理模块330、相关性管理模块340、设备档案管理模块350、振动记录管理模块360、设备类型管理模块370及通信模块380。
其中,界面管理模块310,用于提供人机交互界面,用于与用户交互。用户可以通过该人机交互界面输入和更新设备档案,设置告警阈值,查看设备告警,调用图表对比器对同类型设备或部件的分析图表进行对比,或者对同一设备或部件在不同时间内的数据进行对比,或者查看振动分析预警相关的报表等。在一可选实施例中,传动部件的结构信息、工龄信息、工况信息可由用户通过该人机交互界面提供给服务端设备300,并通过该人机交互界面定时更新传动部件的结构信息、工龄信息、工况信息等。在本实施例中,并不限定界面管理模块310面向用户提供的人机交互界面的实现方式,例如可以是web页面,用户可以在自己使用的终端设备上打开该web页面对服务端设备300进行远程访问。
通信模块380,用于接收来自网关设备200发送的各种数据,例如振动信号、转速、当量载荷以及各传动部件的标识等,并将这些数据传送给振动记录管理模块360保存,以供数据分析模块320进行故障检测,并供用户进行查阅。
数据分析模块320,用于以通信模块380接收到的振动信号为主,同时结合各传动部件的工况信息、工龄信息和结构信息,对传动机构中各传动部件进行故障检测,并输出故障检测结果。关于同时结合各传动部件的振动信号以及工况信息、工龄信息和结构信息进行故障检测的详细实施过程可参见上文,在此不再赘述。关于各传动部件的工况信息、工龄信息和结构信息可由用户通过上述人机交互界面手动输入,也可以由传感器实时采集并经网关设备200上传,对此不做限定。
预测管理模块330,用于采用人工分析、统计拟合和机器学习方法中的至少一种,对各工龄区间内的振动信号进行时域特征分析,生成各工龄区域内的时域特征参考值,并根据各工龄区域内的时域特征参考值对对应工龄区间内的时域特征目标值进行修正,用于为数据分析模块320提供更为准确的时域特征目标值,进而协助数据分析模块320更加准确地进行故障检测。
相关性管理模块340,用于管理传动部件已知且明确的物理或数学关系的数据关系,据此这些已知的数据关系,生成上文中提到的时域特征目标值或故障频率系数,为数据分析模块320提供更为准确的比对阈值。当然,对于没有明确物理或数学关系的数据,也可以采用拟合方式得到对应的比对阈值。
设备档案管理模块350,用于维护各传动部件与振动信号采样点之间的关系,并维护各传动部件在结构信息、工况信息、工龄信息等各种方面的变化信息,为数据分析模块320提供更精确的数据支持,方便数据分析模块320能够更好地针对传动机构进行故障检测。具体来说,分为以下几部分:
一、管理各传动部件之间的结构信息,该传动部件之间的结构信息描述了从动力机构110开始,机械运动是如何逐步传递给工作机构140,中间经过了哪些传动部件,以及传动部件的类型、静态参数等。可选地,传动部件的结构信息可由用户手动输入并定期更新,或者,也可以在传动机构所在现场环境中部署采集设备,例如摄像头,采集现场环境图像,从环境图像中识别得到。
二、管理各传动部件的工况信息,主要负责记录各传动部件在不同时间段内的转速信息、负荷信息等。各传动部件在不同时间段内的转速信息、负荷信息,可由用户通过上述人机交互界面手动输入,也可以由传感器实时采集并经网关设备200上传,对此不做限定。
三、管理传动部件的维护信息,主要负责记录各传动部件的维护信息,包括传动部件的检测和更换记录,润滑油的检测、更换记录。更换记录主要用来供数据分析模块320确定传动部件的实际工龄信息,而检测记录可以用来为传动部件的磨损情况提供参考,这些参考可以是定性的,也可以是定量的。
四、管理采样点的相关信息,例如可以结合传动机构的结构图,标示出振动传感器的安装位置,也就是振动采样点,定义出采样点的标识,以便于建立振动传感器上传的振动信号和采样点之间的对应关系,便于在基于振动信号进行故障检测过程中容易理解被分析振动信号的上下文和意义。
振动记录管理模块360,用于记录通信模块380上传的所有传动部件的振动信号,并将这些振动信号与相关传动部件进行关联,例如可以将振动信号(可以是浮点数值)以及振动信号关联的传动部件的ID、所对应的采样点标识、采样时间一并保存在数据库中,以供故障检测使用或用户查阅。当然,振动记录管理模块360也会记录通信模块380上传的其它数据,例如传动
设备类型管理模块370,用于供用户建立和管理传动部件的类型。因为不同类型的传动部件,其对应的振动特征和故障特征是不一样的。在同类型的传动部件之间更具有可比性,因此通过设备类型管理模块,可以更好地管理多种不同类型的传动部件的振动特征和故障特征,而且还可以将这些振动特征和故障特征与传动部件的型号ID进行关联,便于对同类型的传动部件进行对比分析。进一步,该型号ID一方面还可以关联该型号对应的传动部件的描述信息,如生产厂商,材质,结构描述等,进一步方便对传统部件之间的振动或故障特征进行比对分析。
实施方式A2:在本实施例中,获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;之后,对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件;接着,对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
本实施方式A2与上述实施方式A1的区别在于:在确定疑似传动部件的过程中,进一步融合了故障预测模型的故障预测结果,其它步骤与实施方式A1相同或相似,在此不做赘述。下面重点针对故障预测模型相关内容进行详细说明。
在本实施例中,为了提高故障检测结果的准确度,降低误判或漏判概率,可采用振动信号的特征分析与机器学习方法相结合的方式,由故障预测模型基于学习到的正常特征样本的特性对传动部件进行故障预测。
在本实施例中,可基于已知正常振动信号样本训练出一故障预测模型。一个正常震动信号样本可以包括一个或多个连续的正常震动信号。在实际应用过程中,将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果。本实施例的故障预测模型可以根据传动部件的振动信号输出传动部件可能故障的概率值。进一步地,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件。将振动信号的特征分析与机器学习方法相结合,可提高传动部件故障预测结果的准确度,降低误判或漏判概率。
在本实施例中,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件,具体实施方式如下:首先基于多个传动部件的故障预测结果,确定候选传动部件,再根据候选传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定疑似传动部件。其中,根据候选传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定疑似传动部件的一种实施方式包括:根据候选传动部件的部件类型、转速信息及工龄信息对应的工龄区间,从第一映射关系表中查询候选传动部件对应的时域特征目标值,然后将候选传动部件对应的时域特征实际值和时域特征目标值进行比较,在候选传动部件对应的时域特征实际值大于时域特征目标值时,确定候选传动部件为可能发生故障的疑似传动部件。或者,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定候选传动部件,再根据候选传动部件的故障预测结果,确定疑似传动部件。其中,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定候选传动部件的一种实施方式包括:根据多个传动部件的部件类型、转速信息及工龄信息对应的工龄区间,从第一映射关系表中查询多个传动部件对应的时域特征目标值,然后将多个传动部件对应的时域特征实际值和时域特征目标值进行比较,将时域特征实际值大于时域特征目标值的传动部件作为候选传动部件。其中,根据候选传动部件的故障预测结果,确定疑似传动部件的一种实施方式包括:将候选传动部件的故障预测结果指向的故障概率值与设定的故障概率门限进行比较,将故障概率值大于设定的故障概率门限的候选传动部件,作为疑似传动部件。
实施方式A3:在本实施例中,获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件的故障预测结果进行修正,得到多个传动部件的故障检测结果。其中,故障预测模型可以是根据基于已知正常振动信号样本进行模型训练的到,能够给出传动部件的故障概率值的机器学习模型。
当然,除上述方式之外,还可以基于已知正常振动信号样本,同时结合传动部件的结构信息、工况信息和工龄信息进行模型训练,得到一个能够同时结合传动部件的结构信息、工况信息和工龄信息给出传动部件的故障概率值的机器学习模型。在该实施例中,可以同时将多个传动部件的振动信号,以及多个传动部件的结构信息、工况信息和工龄信息一并作为模型入参,输入到故障预测模型进行故障预测,以获得多个传动部件的故障预测结果。
在本申请实施例中,在针对包含多个传动部件的机械系统进行故障检测时,以各传动部件的振动信号为主,同时融合各传动部件的结构信息、工况信息和工龄信息,充分考虑传动部件的结构信息、工况信息和工龄信息对部件故障的影响,提高基于振动信号进行故障检测的准确率。
图3为本申请一示例性实施例提供的机械故障检测方法的流程示意图。如图3示,该方法包括:
301、获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;
302、根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
进一步地,根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测,包括:对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件;对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
进一步地,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件,包括:根据多个传动部件的结构信息、工况信息和工龄信息,查询第一映射关系表,以得到多个传动部件对应的时域特征目标值;根据多个传动部件对应的时域特征实际值和时域特征目标值,确定多个传动部件中可能发生故障的疑似传动部件;其中,结构信息包括部件类型,工况信息包括转速信息,第一映射关系表中存储有各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型,包括:根据疑似传动部件的结构信息,查询第二映射关系表,以得到疑似传动部件对应的故障频率系数;第二映射关系表中存储有各部件类型在不同故障类型下对应的故障频率系数;根据疑似传动部件的工况信息和故障频率系数,生成疑似传动部件的频域特征目标值;根据疑似传动部件的频域特征实际值和频域特征目标值,确定疑似传动部件中发生故障的目标传动部件及其对应的故障类型。
进一步地,该机械故障检测方法还包括:根据多个传动部件的结构信息中的部件类型和静态参数,生成各部件类型在不同转速信息下对应的时域特征基准值;根据各工龄区间对应的故障系数,对各部件类型在不同转速信息下对应的时域特征基准值进行调整,得到各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值;根据各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,生成第一映射关系表。
进一步地,随着工龄区间的不断越大,故障系数越来越大,不断向下调整各部件类型在不同转速信息下对应的时域特征基准值,以使各部件类型在不同转速信息下对应的时域特征目标值越来越小。
进一步地,该机械故障检测方法还包括:根据多个传动部件在测试时段内的工况信息,结合多个传动部件的结构信息,对各部件类型进行寿命预测,得到各部件类型的预测寿命;根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命;根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数。
进一步地,根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数,包括:将各部件类型的目标寿命划分为初始区间和基准区间,基准区间的时长大于初始区间的时长,且初始区间和基准区间对应的故障系数分别为0和1。
进一步地,该机械故障检测方法还包括:采用人工分析、统计拟合和机器学习方法中的至少一种,分别对初始区间或基准区间内多个传动部件的振动信号进行时域特征分析,得到初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值;根据初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值,修正第一映射关系表中初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件,包括:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件。
进一步地,根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测,包括:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件的故障预测结果进行修正,得到多个传动部件的故障检测结果。
图4为本申请一示例性实施例提供的机械故障检测装置的结构示意图。如图4示,该装置包括:
获取模块41,用于获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;
检测模块42,用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
进一步地,检测模块在用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测时,具体用于:对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件;对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
进一步地,检测模块在用于根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件时,具体用于:根据多个传动部件的结构信息、工况信息和工龄信息,查询第一映射关系表,以得到多个传动部件对应的时域特征目标值;根据多个传动部件对应的时域特征实际值和时域特征目标值,确定多个传动部件中可能发生故障的疑似传动部件;其中,结构信息包括部件类型,工况信息包括转速信息,第一映射关系表中存储有各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,检测模块在用于根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型时,具体用于:根据疑似传动部件的结构信息,查询第二映射关系表,以得到疑似传动部件对应的故障频率系数;第二映射关系表中存储有各部件类型在不同故障类型下对应的故障频率系数;根据疑似传动部件的工况信息和故障频率系数,生成疑似传动部件的频域特征目标值;根据疑似传动部件的频域特征实际值和频域特征目标值,确定疑似传动部件中发生故障的目标传动部件及其对应的故障类型。
进一步地,检测模块还用于:根据多个传动部件的结构信息中的部件类型和静态参数,生成各部件类型在不同转速信息下对应的时域特征基准值;根据各工龄区间对应的故障系数,对各部件类型在不同转速信息下对应的时域特征基准值进行调整,得到各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值;根据各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,生成第一映射关系表。
进一步地,检测模块还用于:随着工龄区间的不断越大,故障系数越来越大,不断向下调整各部件类型在不同转速信息下对应的时域特征基准值,以使各部件类型在不同转速信息下对应的时域特征目标值越来越小。
进一步地,检测模块还用于:根据多个传动部件在测试时段内的工况信息,结合多个传动部件的结构信息,对各部件类型进行寿命预测,得到各部件类型的预测寿命;根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命;根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数。
进一步地,检测模块在用于根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数时,具体用于:将各部件类型的目标寿命划分为初始区间和基准区间,基准区间的时长大于初始区间的时长,且初始区间和基准区间对应的故障系数分别为0和1。
进一步地,检测模块还用于:采用人工分析、统计拟合和机器学习方法中的至少一种,分别对初始区间或基准区间内多个传动部件的振动信号进行时域特征分析,得到初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值;根据初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值,修正第一映射关系表中初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,检测模块在用于根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件时,具体用于:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件。
进一步地,检测模块在用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测时,具体用于:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件的故障预测结果进行修正,得到多个传动部件的故障检测结果。
这里需要说明的是:上述实施例提供的装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图5为本申请一示例性实施例提供的服务端设备的结构示意图。如图5所示,该服务端设备包括:存储器50a和处理器50b;存储器50a用于存储计算机程序,处理器50b与存储器50a耦合,用于执行计算机程序,以用于执行以下步骤:
获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内多个传动部件的结构信息、工况信息和工龄信息;根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测。
进一步地,处理器50b在用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测时,具体用于:对多个传动部件的振动信号进行时域特征分析,得到多个传动部件对应的时域特征实际值;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件;对疑似传动部件的振动信号进行频域特征分析,得到疑似传动部件对应的频域特征实际值;根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型。
进一步地,处理器50b在用于根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件时,具体用于:根据多个传动部件的结构信息、工况信息和工龄信息,查询第一映射关系表,以得到多个传动部件对应的时域特征目标值;根据多个传动部件对应的时域特征实际值和时域特征目标值,确定多个传动部件中可能发生故障的疑似传动部件;其中,结构信息包括部件类型,工况信息包括转速信息,第一映射关系表中存储有各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,处理器50b在用于根据疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定疑似传动部件中发生故障的目标传动部件及其故障类型时,具体用于:根据疑似传动部件的结构信息,查询第二映射关系表,以得到疑似传动部件对应的故障频率系数;第二映射关系表中存储有各部件类型在不同故障类型下对应的故障频率系数;根据疑似传动部件的工况信息和故障频率系数,生成疑似传动部件的频域特征目标值;根据疑似传动部件的频域特征实际值和频域特征目标值,确定疑似传动部件中发生故障的目标传动部件及其对应的故障类型。
进一步地,处理器50b还用于:根据多个传动部件的结构信息中的部件类型和静态参数,生成各部件类型在不同转速信息下对应的时域特征基准值;根据各工龄区间对应的故障系数,对各部件类型在不同转速信息下对应的时域特征基准值进行调整,得到各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值;根据各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,生成第一映射关系表。
进一步地,处理器50b还用于随着工龄区间的不断越大,故障系数越来越大,不断向下调整各部件类型在不同转速信息下对应的时域特征基准值,以使各部件类型在不同转速信息下对应的时域特征目标值越来越小。
进一步地,处理器50b还用于:根据多个传动部件在测试时段内的工况信息,结合多个传动部件的结构信息,对各部件类型进行寿命预测,得到各部件类型的预测寿命;根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命;根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数。
进一步地,处理器50b在用于根据各部件类型的目标寿命,确定各工龄区间及其对应的故障系数时,具体用于:将各部件类型的目标寿命划分为初始区间和基准区间,基准区间的时长大于初始区间的时长,且初始区间和基准区间对应的故障系数分别为0和1。
进一步地,处理器50b还用于:采用人工分析、统计拟合和机器学习方法中的至少一种,分别对初始区间或基准区间内多个传动部件的振动信号进行时域特征分析,得到初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值;根据初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值,修正第一映射关系表中初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征目标值。
进一步地,处理器50b在用于根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定多个传动部件中可能发生故障的疑似传动部件时,具体用于:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;根据多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合多个传动部件的故障预测结果,确定多个传动部件中可能发生故障的疑似传动部件。
进一步地,处理器50b在用于根据多个传动部件的振动信号,结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件进行故障检测时,具体用于:将多个传动部件的振动信号输入故障预测模型进行故障预测,以获得多个传动部件的故障预测结果;结合多个传动部件的结构信息、工况信息和工龄信息,对多个传动部件的故障预测结果进行修正,得到多个传动部件的故障检测结果。
进一步,如图5所示,该服务端设备还包括:通信组件50c、电源组件50d等其它组件。图5中仅示意性给出部分组件,并不意味着服务端设备只包括图5所示组件。本
这里需要说明的是:上述实施例提供的服务端设备可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
本申请一示例性实施例提供的存储有计算机程序的计算机可读存储介质,当计算机程序被处理器执行时,致使处理器实现本申请上述实施例提供的机械故障检测方法中的各步骤,在此不做赘述。
本申请一示例性实施例提供一种计算机程序产品,包括计算机程序/指令,当计算机程序/指令被处理器执行时,致使处理器实现本申请上述实施例提供的机械故障检测方法中的各步骤,在此不做赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种机械故障检测方法,其特征在于,包括:
获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内所述多个传动部件的结构信息、工况信息和工龄信息;
根据所述多个传动部件的振动信号,结合所述多个传动部件的结构信息、工况信息和工龄信息,对所述多个传动部件进行故障检测。
2.根据权利要求1所述的方法,其特征在于,根据所述多个传动部件的振动信号,结合所述多个传动部件的结构信息、工况信息和工龄信息,对所述多个传动部件进行故障检测,包括:
对所述多个传动部件的振动信号进行时域特征分析,得到所述多个传动部件对应的时域特征实际值;
根据所述多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定所述多个传动部件中可能发生故障的疑似传动部件;
对所述疑似传动部件的振动信号进行频域特征分析,得到所述疑似传动部件对应的频域特征实际值;
根据所述疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定所述疑似传动部件中发生故障的目标传动部件及其故障类型。
3.根据权利要求2所述的方法,其特征在于,根据所述多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定所述多个传动部件中可能发生故障的疑似传动部件,包括:
根据所述多个传动部件的结构信息、工况信息和工龄信息,查询第一映射关系表,以得到所述多个传动部件对应的时域特征目标值;
根据所述多个传动部件对应的时域特征实际值和时域特征目标值,确定所述多个传动部件中可能发生故障的疑似传动部件;
其中,所述结构信息包括部件类型,所述工况信息包括转速信息,所述第一映射关系表中存储有各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值。
4.根据权利要求2所述的方法,其特征在于,根据所述疑似传动部件对应的频域特征实际值及其结构信息和工况信息,确定所述疑似传动部件中发生故障的目标传动部件及其故障类型,包括:
根据所述疑似传动部件的结构信息,查询第二映射关系表,以得到所述疑似传动部件对应的故障频率系数;所述第二映射关系表中存储有各部件类型在不同故障类型下对应的故障频率系数;
根据所述疑似传动部件的工况信息和故障频率系数,生成所述疑似传动部件的频域特征目标值;
根据所述疑似传动部件的频域特征实际值和频域特征目标值,确定所述疑似传动部件中发生故障的目标传动部件及其对应的故障类型。
5.根据权利要求3所述的方法,其特征在于,还包括:
根据所述多个传动部件的结构信息中的部件类型和静态参数,生成各部件类型在不同转速信息下对应的时域特征基准值;
根据各工龄区间对应的故障系数,对所述各部件类型在不同转速信息下对应的时域特征基准值进行调整,得到各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值;
根据各工龄区间下各部件类型在不同转速信息下对应的时域特征目标值,生成第一映射关系表。
6.根据权利要求5所述的方法,其特征在于,随着工龄区间的不断越大,故障系数越来越大,不断向下调整各部件类型在不同转速信息下对应的时域特征基准值,以使各部件类型在不同转速信息下对应的时域特征目标值越来越小。
7.根据权利要求5所述的方法,其特征在于,还包括:
根据所述多个传动部件在测试时段内的工况信息,结合所述多个传动部件的结构信息,对各部件类型进行寿命预测,得到各部件类型的预测寿命;
根据各部件类型的预测寿命和设计寿命,生成各部件类型的目标寿命;
根据所述各部件类型的目标寿命,确定各工龄区间及其对应的故障系数。
8.根据权利要求7所述的方法,其特征在于,根据所述各部件类型的目标寿命,确定各工龄区间及其对应的故障系数,包括:
将各部件类型的目标寿命划分为初始区间和基准区间,所述基准区间的时长大于初始区间的时长,且所述初始区间和基准区间对应的故障系数分别为0和1。
9.根据权利要求8所述的方法,其特征在于,还包括:
采用人工分析、统计拟合和机器学习方法中的至少一种,分别对所述初始区间或基准区间内所述多个传动部件的振动信号进行时域特征分析,得到所述初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值;
根据所述初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征参考值,修正所述第一映射关系表中所述初始区间或基准区间下各部件类型在不同转速信息下对应的时域特征目标值。
10.根据权利要求2-9任一项所述的方法,其特征在于,根据所述多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,确定所述多个传动部件中可能发生故障的疑似传动部件,包括:
将所述多个传动部件的振动信号输入故障预测模型进行故障预测,以获得所述多个传动部件的故障预测结果;
根据所述多个传动部件对应的时域特征实际值及其结构信息、工况信息和工龄信息,结合所述多个传动部件的故障预测结果,确定所述多个传动部件中可能发生故障的疑似传动部件。
11.根据权利要求1所述的方法,其特征在于,根据所述多个传动部件的振动信号,结合所述多个传动部件的结构信息、工况信息和工龄信息,对所述多个传动部件进行故障检测,包括:
将所述多个传动部件的振动信号输入故障预测模型进行故障预测,以获得所述多个传动部件的故障预测结果;
结合所述多个传动部件的结构信息、工况信息和工龄信息,对所述多个传动部件的故障预测结果进行修正,得到所述多个传动部件的故障检测结果。
12.一种机械故障检测装置,其特征在于,包括:
获取模块,用于获取当前时段内待检测机械系统中多个传动部件的振动信号,并获取当前时段内所述多个传动部件的结构信息、工况信息和工龄信息;
检测模块,用于根据所述多个传动部件的振动信号,结合所述多个传动部件的结构信息、工况信息和工龄信息,对所述多个传动部件进行故障检测。
13.一种服务端设备,其特征在于,包括:存储器和处理器;所述存储器用于存储计算机程序,所述处理器与所述存储器耦合,用于执行所述计算机程序,以用于实现权利要求1-11任一项所述方法中的步骤。
14.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,致使所述处理器实现权利要求1-11任一项所述方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332020.3A CN114705424A (zh) | 2022-03-30 | 2022-03-30 | 机械故障检测方法、装置、服务端设备及存储介质 |
PCT/CN2023/084361 WO2023185827A1 (zh) | 2022-03-30 | 2023-03-28 | 机械故障检测方法、装置、服务端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332020.3A CN114705424A (zh) | 2022-03-30 | 2022-03-30 | 机械故障检测方法、装置、服务端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114705424A true CN114705424A (zh) | 2022-07-05 |
Family
ID=82171445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210332020.3A Pending CN114705424A (zh) | 2022-03-30 | 2022-03-30 | 机械故障检测方法、装置、服务端设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114705424A (zh) |
WO (1) | WO2023185827A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110020122A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Integrated condition based maintenance system for wind turbines |
CN103674538A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种直升机自动倾斜器多故障模式识别方法及装置 |
KR102624536B1 (ko) * | 2018-12-31 | 2024-01-15 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
CN110631690B (zh) * | 2019-08-29 | 2022-01-14 | 深圳市广宁股份有限公司 | 基于数字孪生的智能振动检测方法及装置 |
CN111238816B (zh) * | 2020-03-06 | 2021-10-22 | 中原工学院 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
CN112098090B (zh) * | 2020-09-03 | 2023-06-09 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 一种铁路货车轮对轴承智能检测系统 |
CN112326236B (zh) * | 2020-11-02 | 2023-04-18 | 北京信息科技大学 | 一种齿轮箱运行状态在线监测方法、系统及存储介质 |
KR102306244B1 (ko) * | 2020-11-23 | 2021-09-28 | 국민대학교산학협력단 | 디바이스의 결함 검출 모델 생성 방법 및 장치 |
CN112611532B (zh) * | 2020-12-04 | 2022-08-05 | 苏州德姆斯信息技术有限公司 | 一种振动筛故障智能诊断装置及诊断方法 |
CN112964470A (zh) * | 2021-03-27 | 2021-06-15 | 温州大学 | 一种基于轴承健康指标检测滚动轴承早期故障的方法 |
CN114112398A (zh) * | 2021-11-25 | 2022-03-01 | 中原工学院 | 一种变速工况下滚动轴承故障诊断方法 |
CN114254671A (zh) * | 2021-12-09 | 2022-03-29 | 潍柴动力股份有限公司 | 一种故障检测方法和相关装置 |
CN114705424A (zh) * | 2022-03-30 | 2022-07-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210332020.3A patent/CN114705424A/zh active Pending
-
2023
- 2023-03-28 WO PCT/CN2023/084361 patent/WO2023185827A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023185827A1 (zh) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
US20130211768A1 (en) | Monitoring system for an engine test bench | |
US20210279578A1 (en) | Elevator Maintenance Solution Leveraging IOT Data, Cloud-Based Predictive Analytics and Machine Learning | |
CN110050240A (zh) | 用于监视技术系统的状态的计算机系统和方法 | |
CN112346941A (zh) | 一种故障诊断方法及装置 | |
Jantunen et al. | Optimising maintenance: What are the expectations for Cyber Physical Systems | |
CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
CN110597221A (zh) | 机台加工行为异常分析与预测保养系统及其方法 | |
CN114493204A (zh) | 一种基于工业互联网的工业设备监测方法及设备 | |
CN116070154B (zh) | 一种大型轴承保持器的故障检测方法、设备及介质 | |
WO2023185827A1 (zh) | 机械故障检测方法、装置、服务端设备及存储介质 | |
JPH07159231A (ja) | ポンプ劣化診断システム | |
CN112881014A (zh) | 传动总成的下线nvh测试系统及方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN111401661B (zh) | 一种机械设备的预测性维护方法和维护系统 | |
CN113483815A (zh) | 一种基于工业大数据的机械故障监控系统 | |
CN110646229B (zh) | 空气预热器故障诊断方法、装置及电子设备、存储介质 | |
CN110411730A (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
CN113934601A (zh) | 一种开关柜验收机器人状态评估方法和系统 | |
Torikka et al. | Predictive Maintenance Service Powered by Machine Learning and Big Data | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN112381352A (zh) | 一种基于多源异构监测的风电机组运行状态评估方法 |
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 |