CN114705432B - 防爆电机轴承健康状态评估方法及系统 - Google Patents
防爆电机轴承健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN114705432B CN114705432B CN202210627736.6A CN202210627736A CN114705432B CN 114705432 B CN114705432 B CN 114705432B CN 202210627736 A CN202210627736 A CN 202210627736A CN 114705432 B CN114705432 B CN 114705432B
- Authority
- CN
- China
- Prior art keywords
- explosion
- proof motor
- bearing
- state
- health
- 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
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种防爆电机轴承健康状态评估方法及系统,方法包括:实时采集防爆电机的轴承振动信号,获取多维时间序列并进行预处理;提取预处理后的多维时间序列的多尺度稀疏测度构建状态表征矩阵;对状态表征矩阵进行差异度融合形成差异度,将差异度转化为置信度并作为防爆电机轴承运行状态评估指标;根据防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。系统包括信号采集模块,特征提取模块,评估指标构建模块和健康状态评估模块。本发明通过实时采集数据、多尺度稀疏测度融合指标和置信度转换,可以实时、准确地评估电机轴承健康状态的微弱变化,从而及时进行早期故障预警。
Description
技术领域
本发明涉及防爆电机运维技术领域,尤其是指一种防爆电机轴承健康状态评估方法及系统。
背景技术
轴承是防爆电机的核心部件之一,用于支撑电机主轴、承受负载,在防爆装置传动系统的动力传输、降低功耗等方面具有重要作用,故轴承的服役性能对防爆电机的正常运作具有重要影响。由于防爆电机主要应用在易燃、易爆场所等特殊的工作环境中,微弱的防爆电机轴承故障即可能导致装置停车甚至机毁人亡的严重后果。因此,研究轴承早期的微弱健康状态变化对于发展高安全性与高可靠性服役的防爆电机具有特别重要的意义。
在轴承的健康状态评估任务中,构建轴承运行状态评估指标,从而实现早期故障的及时预警与轴承健康状态的准确评估,可以为维修人员提供足够的时间来执行修复行动。在现有的评估指标中,单一统计特征易受噪声影响、稳定性低、表征能力有限,基于聚类模型的融合指标评估在构建时实时性差,在进行电机轴承健康状态评估时存在局限性,置信度转换评估指标存在尺度参数不确定性的问题,都不能很好地实现对电机轴承早期微弱健康状态变化的实时有效评估。
在构建评估指标时,故障特征的提取是关键。现阶段的故障特征提取大多是利用常见的统计参数,例如利用专业知识设计的故障相关特征、或者从非故障诊断领域引用的稀疏测度。但是,这些统计参数没有考虑多尺度的特性,在原始时间尺度上波动较大,使得早期故障预警滞后且易受干扰噪声的影响,导致状态评估效果不准确。
发明内容
为此,本发明要解决的技术问题在于克服现有技术中的不足,提供一种可以实时且准确地评估电机轴承健康状态的微弱变化、从而及时进行早期故障预警的防爆电机轴承健康状态评估方法及系统。
为了解决上述技术问题,本发明提供了一种防爆电机轴承健康状态评估方法,包括以下步骤:
一种防爆电机轴承健康状态评估方法,其特征在于,包括以下步骤:
步骤1:实时采集防爆电机的轴承振动信号S,获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’;
步骤2:提取所述预处理后的多维时间序列Y’的多尺度稀疏测度,根据所述多尺度稀疏测度构建状态表征矩阵H;
步骤3:对所述状态表征矩阵H进行差异度融合形成差异度D,将所述差异度D转化为置信度CV,将所述置信度CV作为防爆电机轴承运行状态评估指标;
步骤4:根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。
作为优选的,所述实时采集防爆电机的轴承振动信号S,获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’;具体为:
其中,j’表示虚数,Hilbert( )表示希尔伯特变换;
其中,v表示防爆电机轴承健康阶段的信号方差。
作为优选的,所述多尺度稀疏测度包括峭度Kurtosis、负熵NE、逆平滑指数ISI和基尼指数GI;
其中,c’是尺度因子。
作为优选的,c’的计算公式为:
本发明还提供了一种防爆电机轴承健康状态评估系统,包括信号采集模块,特征提取模块,评估指标构建模块和健康状态评估模块;
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号,获取多维时间序列;
所述特征提取模块用于对所述多维时间序列进行预处理,提取预处理后的所述多维时间序列的多尺度稀疏测度,使用所述多尺度稀疏测度构建状态表征矩阵;
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度,将所述差异度转化为置信度,将所述置信度作为防爆电机轴承运行状态评估指标;
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估,实现健康状态评估与早期故障预警。
本发明的上述技术方案相比现有技术具有以下优点:
1、本发明从多尺度层面对稀疏测度进行了充分挖掘,提取更多关于轴承运行状态的故障信息,增强了微弱故障出现的初始迹象,提升了噪声干扰能力、稳定性高,提高了对防爆电机轴承健康状态的微弱变化评估的准确性。
2、本发明通过置信度转换策略将差异度融合结果控制在有限区间内,实现了滚动轴承损伤程度定量评估,并克服了置信度转换中尺度参数不确定性的问题,提高了对防爆电机轴承健康状态评估的准确性。
3、本发明通过实时获取轴承转动信号,并通过联合多尺度稀疏测度和差异度融合建立防爆电机轴承运行状态评估指标,在实现对防爆电机轴承健康状态的微弱变化的评估基础上,实现了实时评估和对防爆电机轴承早期故障的及时预警。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1为本发明的流程图;
图2为本发明实施例中的轴承全寿命振动信号;
图3为使用本发明方法对防爆电机轴承运行状态进行分析的结果示意图;
图4为使用本发明方法判断出的故障时刻在图2中对应时刻的振动信号的局部时域波形放大图;
图5为对图4的振动信号进行包络分析的包络谱。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1流程图所示,本发明从多尺度层面对稀疏测度进行了充分挖掘,公开了一种防爆电机轴承健康状态评估方法,包括以下步骤:
其中,j’表示虚数,Hilbert( )表示希尔伯特变换;
其中,v表示防爆电机轴承健康阶段的信号方差,本实施例中脉冲抑制的常数SP=20%。
从多尺度层面对稀疏测度进行了充分挖掘,提取更多关于轴承运行状态的故障信息,增强了微弱故障出现的初始迹象,提升了噪声干扰能力、稳定性高,提高了对防爆电机轴承健康状态的微弱变化评估的准确性,可以实现对防爆电机轴承早期故障的及时预警。
步骤3:对所述状态表征矩阵H进行差异度融合形成差异度D,将所述差异度D转化为置信度CV,将所述置信度CV作为防爆电机轴承运行状态评估指标。本实施例中利用欧氏距离衡量测试轴承样本状态特征与轴承健康状态特征两者的差异度D,形成初步融合。
其中,为初始化值,本实施例中=0.99,健康样本的计算公式为,j=1,2,…,k;
其中。通过建立3σ准则置信度转换策略将差异度融
合结果转化为[0,1]区间,可以实现滚动轴承损伤程度定量评估并克服置信度转换中尺度
参数不确定性问题,从而提高对防爆电机轴承健康状态评估的准确性。
步骤4:根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进
行评估,实现对防爆电机轴承早期故障的预警以及健康状态的准确评估。将所述置信度
作为防爆电机轴承运行状态评估指标,防爆电机轴承运行状态评估指标在[0,1]区间内变
化,可以定量评估滚动轴承故障严重性;指标数值越接近1则代表越健康,指标数值越接近
0,则代表轴承故障越严重。
通过实时获取轴承转动信号,并通过联合多尺度稀疏测度和差异度融合建立防爆电机轴承运行状态评估指标,在实现对防爆电机轴承健康状态的微弱变化的评估基础上,实现了实时评估和对防爆电机轴承早期故障的及时预警。
本发明还公开了一种防爆电机轴承健康状态评估系统,包括信号采集模块,特征提取模块,评估指标构建模块和健康状态评估模块。其中:
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号,获取多维时间序列;
所述特征提取模块用于对所述多维时间序列进行预处理,提取预处理后的所述多维时间序列的多尺度稀疏测度,使用所述多尺度稀疏测度构建状态表征矩阵;
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度,将所述差异度转化为置信度,将所述置信度作为防爆电机轴承运行状态评估指标;
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估,实现健康状态评估与早期故障预警。
为了进一步说明本发明的有益效果,本实施例中通过对一组防爆电机轴承全寿命振动信号进行分析,并与通过理论计算出的轴承故障点进行比对,以此来说明本发明对防爆电机轴承的健康状态的微弱变化的评估效果。
图2所示为本实施例中使用的防爆电机轴承在10分钟内的振动信号。图3为使用本发明方法建立的防爆电机轴承在10分钟内对应的防爆电机轴承运行状态评估指标的值以及在第533秒这一时刻的局部放大图。从图3可以看出,防爆电机轴承运行状态评估指标在第533秒发生了突然变化,就此判断防爆电机轴承的早期故障发生时间点为第533秒。对图2中第533秒的振动信号进行包络分析,图4为图2中第533秒的振动信号的局部放大图,图5为对图4进行包络分析后的包络谱。
本实施例中采用判断电机轴承故障点的常用公式来计算理论上的故障点,已知轴
的旋转频率为,轴承节径为,滚动体直径为,接触角为,滚动体个数为,通过
公式,计算出理论上防爆电机外圈故障特征频率f o,进而计算出
二倍频2f o和三倍频3f o。与理论值对应的,在图5中均找到了相应的冲击点f o、2f o和3f o,表明
了在第533秒这一时刻,防爆电机的轴承确实出现了外圈故障,本发明将这一微弱变化及时
准确地找出了,从而说明了本发明方法的有效性。
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。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种防爆电机轴承健康状态评估方法,其特征在于,包括以下步骤:
步骤1:实时采集防爆电机的轴承振动信号S,获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’;
步骤2:提取所述预处理后的多维时间序列Y’的多尺度稀疏测度,根据所述多尺度稀疏测度构建状态表征矩阵H,所述多尺度稀疏测度包括峭度Kurtosis、负熵NE、逆平滑指数ISI和基尼指数GI;
步骤3:对所述状态表征矩阵H进行差异度融合形成差异度D,将所述差异度D转化为置信度CV,将所述置信度CV作为防爆电机轴承运行状态评估指标;
步骤4:根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。
6.根据权利要求5所述的防爆电机轴承健康状态评估方法,其特征在于:提取所述预处理后的多维时间序列Y’的多尺度稀疏测度,根据所述多尺度稀疏测度构建状态表征矩阵H;具体为:
步骤2.1:将作为给定向量,计算预处理
后的所述多维时间序列Y’的峭度Kurtosis(Y’)、预处理后的所述多维时间序列Y’的负熵NE
(Y’)、预处理后的所述多维时间序列Y’的逆平滑指数ISI(Y’)和预处理后的所述多维时间
序列Y’的基尼指数GI(Y’);
步骤2.2:根据所述Kurtosis(Y’)、NE(Y’)、ISI(Y’)和GI(Y’)构建状态表征矩阵:
H=[Kurtosis(Y’),NE(Y’),ISI(Y’),GI(Y’)]。
10.一种防爆电机轴承健康状态评估系统,其特征在于:包括信号采集模块,特征提取模块,评估指标构建模块和健康状态评估模块;
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号,获取多维时间序列;
所述特征提取模块用于对所述多维时间序列进行预处理,提取预处理后的所述多维时间序列的多尺度稀疏测度,使用所述多尺度稀疏测度构建状态表征矩阵,所述多尺度稀疏测度包括峭度、负熵、逆平滑指数和基尼指数;
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度,将所述差异度转化为置信度,将所述置信度作为防爆电机轴承运行状态评估指标;
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估,实现健康状态评估与早期故障预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627736.6A CN114705432B (zh) | 2022-06-06 | 2022-06-06 | 防爆电机轴承健康状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627736.6A CN114705432B (zh) | 2022-06-06 | 2022-06-06 | 防爆电机轴承健康状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114705432A CN114705432A (zh) | 2022-07-05 |
CN114705432B true CN114705432B (zh) | 2022-09-02 |
Family
ID=82177924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627736.6A Active CN114705432B (zh) | 2022-06-06 | 2022-06-06 | 防爆电机轴承健康状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114705432B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558824B (zh) * | 2023-04-19 | 2024-02-06 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及系统 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032915A (zh) * | 2021-02-20 | 2021-06-25 | 南京航空航天大学 | 一种制造装备主轴轴承健康状态评估方法及装置 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN113670611A (zh) * | 2021-07-23 | 2021-11-19 | 美核电气(济南)股份有限公司 | 一种轴承早期退化评估方法、系统、介质及电子设备 |
CN113962253A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及系统 |
CN114528707A (zh) * | 2022-02-22 | 2022-05-24 | 上海交通大学 | 基于稀疏退化建模的设备性能退化评估方法及系统 |
-
2022
- 2022-06-06 CN CN202210627736.6A patent/CN114705432B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032915A (zh) * | 2021-02-20 | 2021-06-25 | 南京航空航天大学 | 一种制造装备主轴轴承健康状态评估方法及装置 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN113670611A (zh) * | 2021-07-23 | 2021-11-19 | 美核电气(济南)股份有限公司 | 一种轴承早期退化评估方法、系统、介质及电子设备 |
CN113962253A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 |
CN114528707A (zh) * | 2022-02-22 | 2022-05-24 | 上海交通大学 | 基于稀疏退化建模的设备性能退化评估方法及系统 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114705432A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135630A1 (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
Yan et al. | Intelligent fault diagnosis of rotating machinery using improved multiscale dispersion entropy and mRMR feature selection | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
He et al. | Machine condition monitoring using principal component representations | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
Bafroui et al. | Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN110333077B (zh) | 一种基于近似支持向量的滚动轴承故障诊断方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN103822786A (zh) | 基于多元统计分析的风电机组机械设备状态诊断方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN110990978A (zh) | 一种螺栓状态监测方法和装置 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
Qiao et al. | Fault diagnosis method of rolling bearings based on VMD and MDSVM | |
CN113155462A (zh) | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN110220885B (zh) | 一种机械设备磨损状态综合判断方法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
Yuhang et al. | Prediction of bearing degradation trend based on LSTM | |
CN111474476A (zh) | 一种电机故障预测方法 |
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 |