CN115062677B

CN115062677B - 一种基于设备行为的智能故障诊断方法

Info

Publication number: CN115062677B
Application number: CN202210995796.3A
Authority: CN
Inventors: 胡炜
Original assignee: Ward Transmission Technology Tianjin Co ltd
Current assignee: Ward Transmission Technology Tianjin Co ltd
Priority date: 2022-08-19
Filing date: 2022-08-19
Publication date: 2022-10-28
Anticipated expiration: 2042-08-19
Also published as: CN115062677A

Abstract

本发明提供了一种基于设备行为的智能故障诊断方法，包括以下步骤：S1、采集设备状态数据，并输入至数据预处理算法模块；S2、对设备状态数据进行数据预处理，形成特征数据，并将特征数据输入故障判断模块；S3、判断设备是否处于故障类型内；S4、否，则进行人工或者其他算法模块识别故障；S5、是，则输出故障类型，并导出智能诊断报告。本发明有益效果：大大加快设备故障诊断效率，快速发现设备故障，从而避免工业设备非计划停机造成的损失；为诊断工程师对数据进行初步筛选，让诊断工程师的大部分精力用在发现设备故障与解决设备故障上来，大大提高诊断工程师效率。

Description

一种基于设备行为的智能故障诊断方法

技术领域

本发明属于减速机设备故障诊断技术领域，尤其是涉及一种基于设备行为的智能故障诊断方法。

背景技术

现有技术中，企业在生产及再制造的传动设备以及工业设备在出厂前需要进行数据采集，为了给用户提供优质的设备健康管理服务，诊断服务工程师一般需要7*24小时不间断的关注着设备健康状态，而且对每个企业要定时出具设备健康统计报告，详细描述企业内各个工业设备的健康状态，在如此众多的设备以及测点的情况下，诊断服务工程师需要逐一测点进行设备健康排查，如此巨大的工作量对人力以及物力的消耗成本极高；

为了解决诊断服务工程师面临的巨大的设备健康管理服务压力，本发明研发出一种基于设备行为的智能诊断方法。将对传感器采集到的温度、振动数据做初步诊断分析，过滤正常数据，自动分析企业设备健康状态并出具诊断报告，然后将诊断报告推送给诊断工程师确认，诊断工程师对有故障的设备进行重点再分析，然后将报告发送给客户。本发明大大提高了诊断工程师的服务质量，诊断工程师将有大量时间去研究有故障的设备，从而大大减少了因设备非计划停机对企业造成的重大损失。

发明内容

有鉴于此，本发明旨在提出一种基于设备行为的智能故障诊断方法，以解决现有技术的不足。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于设备行为的智能故障诊断方法，包括以下步骤：

S1、基于数据采集模块采集设备状态数据，并将设备状态数据输入至数据预处理算法模块；

S2、基于数据预处理算法模块对设备状态数据进行数据预处理，形成特征数据，并将特征数据输入故障判断模块；

S3、故障判断模块接收特征数据后判断设备是否处于故障类型内；

S4、否，则进行人工或者其他算法模块识别故障；

S5、是，则输出故障类型，并导出智能诊断报告。

进一步的，在步骤S1中的所述设备状态数据包括设备的振动信号、温度信号、转速信号以及供电频率信号。

进一步的，在步骤S2中的所述特征数据包括全频域速度峰值、全频域速度峰值初始值、全频域速度峰值变化率、部件温度值、部件温度值初始值、部件温度值变化率、轴承状态L值、转速值、1X峰值、2X峰值、B1峰值、B2峰值、B3峰值、峭度指标、歪度指标、方差变化率、1.8X-2.2X频带速度有效值、3.8X-4.2X频带速度有效值、全频域振动速度峰值报警值OA、温度报警值、全频振动速度总值。

进一步的，所述峭度指标的预处理公式为：

；

其中，KU为峭度指标；N为离散振动数据总数；

为离散振动数据中的第i项；μ为振动信号；rms为总值。

进一步的，所述歪度指标的预处理公式为

其中，SK为歪度指标；μ为振动信号；

为离散振动数据中的第n项；σ为标准差；N为离散振动数据总数；∑为求和符号。

进一步的，所述全频振动速度总值的预处理公式为

其中，RMS(X)为总值结果；

为离散振动数据中的第n项；N为离散振动数据总数；n为第n项；√为开根号；∑为求和符号。

进一步的，在步骤S3中的所述故障判断模块判断设备是否发生故障包括以下步骤：

A1、判断峰值是否大于等于全频域振动速度峰值报警值或峰值变化率是否大于等于30%，是，则进入步骤A2，否，则进入步骤A8；

A2、判断一倍频是否大于等于全频域振动速度峰值报警值的80%，是，则进入步骤A3，否，则判定数据正常；

A3、判断水平振动值或垂直振动值是否不大于2，是，则进入步骤A4，否，则判定数据正常；

A4、判断轴承L值是否小于1，是，则进入步骤A5，否，则判定数据正常；

A5、判断温度值是否小于温度阈值或温度变化率是否不大于30%，是，则分别同时进入步骤A6、步骤A7，否，则判定数据正常；

A6、判断二倍频是否大于等于全频域振动速度峰值报警值的30%，是，则输出不对中类型的诊断结果，否，则判定数据正常；

A7、判断设备是否处于径向方向，是，则输出不平衡类型的诊断结果，否，则判定数据正常；

A8、判断峰值是否大于等于全频域振动速度峰值报警值或峰值变化率是否大于等于20%，是，则分别同时进入步骤A9-步骤A17，否，则判定数据正常；

A9、判断B1峰值是否大于等于全频域振动速度峰值报警值的20%或B1峰值是否大于等于1.98mm/s，是，则输出滚动轴承故障类型的诊断结果，否，则判定数据正常；

A10、判断B2峰值是否大于等于全频域振动速度峰值报警值的15%或B2峰值是否大于等于1.4mm/s，是，则输出滚动轴承故障类型的诊断结果，否，则判定数据正常；

A11、判断B3峰值是否大于等于全频域振动速度峰值报警值的10%或B3峰值是否大于等于1.27mm/s，是，则输出滚动轴承故障类型的诊断结果，否，则判定数据正常；

A12、判断轴承L值是否大于等于2或轴承L值变化率是否大于等于20%，是，则输出滚动轴承故障类型的诊断结果，否，则判定数据正常；

A13、判断轴承温度是否大于等于温度阈值或轴承L值变化率是否大于等于30%，是，则输出润滑不良类型的诊断结果，否，则判定数据正常；

A14、判断歪度指标是否大于等于1，是，则输出保持架故障类型的诊断结果，否，则判定数据正常；

A15、判断1.8X-2.2X频带速度有效值是否大于等于1.778mm/s，是，则进入步骤A18，否，则判定数据正常；

A16、判断设备松动方向或歪度指标是否大于等于1，是，则输出松动类型的诊断结果，否，则判定数据正常；

A17、判断设备方差变化率是否大于等于30%，是，则输出气蚀类型的诊断结果，否，则判定数据正常；

A18、判断3.8X-4.2X频带速度有效值是否大于等于0.889mm/s，是，则输出电气故障类型的诊断结果，否，则判定数据正常。

进一步的，在步骤S5中的所述故障类型包括不平衡类型、不对中类型、滚动轴承故障类型、电气故障类型、机械松动类型、气蚀类型。

相对于现有技术，本发明所述的一种基于设备行为的智能故障诊断方法具有以下优势：

（1）本发明所述的一种基于设备行为的智能故障诊断方法，大大加快设备故障诊断效率，快速发现设备故障，从而避免工业设备非计划停机造成的损失；为诊断工程师对数据进行初步筛选，让诊断工程师的大部分精力用在发现设备故障与解决设备故障上来，大大提高诊断工程师效率。

（2）本发明所述的一种基于设备行为的智能故障诊断方法，为工业智能化打下坚实的数据与经验基础，为工业智能化、数字化、数字孪生等技术铺平道路，为工业设备AI诊断提供了方向。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的整体流程示意图；

图2为本发明实施例所述的详细流程示意图；

图3为本发明实施例所述的时域数据示意图；

图4为本发明实施例所述的频谱数据示意图；

图5为本发明实施例所述的温度数据示意图；

图6为本发明实施例所述的主煤皮带机1#电机自由端振动趋势示意图；

图7为本发明实施例所述的主煤皮带机 1#电机自由端高频加速度包络解调谱示意图；

图8为本发明实施例所述的主煤皮带机 2#电机电机驱动端振动趋势图示意图；

图9为本发明实施例所述的主煤皮带机 2#电机电机驱动端速度频谱示意图；

图10为本发明实施例所述的主煤皮带机 2#电机减速机高速轴侧振动趋势示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

如图1至图10所示，一种基于设备行为的智能故障诊断方法，包括以下步骤：

S4、否，则进行人工或者其他算法模块识别故障；

S5、是，则输出故障类型，并导出智能诊断报告。

本基于设备行为的智能故障诊断方法，将诊断工程师多年诊断经验用计算机程序控制语言（现有技术）实现逻辑诊断过程从而形成基于设备行为的智能诊断方法。

本发明的优势：

大大加快设备故障诊断效率，快速发现设备故障，从而避免工业设备非计划停机造成的损失。

为诊断工程师对数据进行初步筛选，让诊断工程师的大部分精力用在发现设备故障与解决设备故障上来，大大提高诊断工程师效率。

为工业智能化打下坚实的数据与经验基础，为工业智能化、数字化、数字孪生等技术铺平道路，为工业设备AI诊断提供了方向。

在步骤S1中的所述设备状态数据包括设备的振动信号、温度信号、转速信号以及供电频率信号。

在步骤S2中的所述特征数据包括全频域速度峰值、全频域速度峰值初始值、全频域速度峰值变化率、部件温度值、部件温度值初始值、部件温度值变化率、轴承状态L值、转速值、1X峰值、2X峰值、B1峰值、B2峰值、B3峰值、峭度指标、歪度指标、方差变化率、1.8X-2.2X频带速度有效值、3.8X-4.2X频带速度有效值、全频域振动速度峰值报警值OA、温度报警值、全频振动速度总值。

在本申请里，需要说明的是，上述特征数据的预处理处理均参考表1，全频振动速度的频响范围与后续窄带报警所需最高分析频率相同；OA值系参照ANST标准中规定的报警值，为全频振动速度峰值；变化率为当前振动值与初始值的变化率；

B1-B3的频带划分如下：

B1：3.2X-12.2X 20%OA 或 1.98mm/s；

B2：12.2X-50%Fmax 15%OA 或 1.4mm/s；

B3：50%-100%Fmax 10%OA 或 1.27mm/s；

Fmax为频谱频率量程(CPM 或 Hz)。

所述峭度指标的预处理公式为：

；

其中，KU为峭度指标；N为离散振动数据总数；

为离散振动数据中的第i项；μ为振动信号；rms为总值。

所述歪度指标的预处理公式为

其中，SK为歪度指标；μ为振动信号；

所述全频振动速度总值的预处理公式为

其中，RMS(X)为总值结果；

在步骤S3中的所述故障判断模块判断设备是否发生故障包括以下步骤：

A7、判断设备（电机）是否处于径向方向，是，则输出不平衡类型的诊断结果，否，则判定数据正常；

在步骤S5中的所述故障类型包括不平衡类型、不对中类型、滚动轴承故障类型、电气故障类型、机械松动类型、气蚀类型。

在本实施例里，数据采集模块可以为传感器，传感器采集旋转类工业设备的振动、温度、转速、供电频率等信号，然后通过数据预处理算法模块进行数据预处理，形成全频域速度峰值、全频域速度峰值初始值、全频域速度峰值变化率、部件温度值、部件温度值初始值、部件温度值变化率、轴承状态L（无量纲）值、转速值、1X峰值、2X峰值、B1峰值、B2峰值、B3峰值、峭度指标、歪度指标、方差变化率、1.8X-2.2X频带速度有效值、3.8X-4.2X频带速度有效值、全频域速度报警值OA、温度报警值等特征数据，将所有特征数据输入基于设备行为的故障判断模块后，故障判断模块将输出不平衡、不对中、滚动轴承故障、电气故障、机械松动、气蚀类型结果。数据预处理算法模块为现有的预处理技术。其中，1X峰值为频谱中在1乘转频附近的峰值；其中，2X峰值为频谱中在2乘转频附近的峰值。本文所涉及的传感器均为现有技术，型号可以为GBD2000。

实施例1

1、总体流程

如图1-图2所示，传感器将采集到的振动、温度、转速、供电频率等信号通过数据预处理算法得到本诊断方法所需的所有设备行为数据，本诊断方法根据输入的设备行为数据自动判断设备故障类型，判断的故障类型为不平衡、不对中、滚动轴承故障、电气故障、机械松动、气蚀。如果设备的状态不在这些故障类型中，那么数据将由其他现有算法识别或人工诊断。

在图2中，其符号的释义如下：1X：一倍频；KURT：峰值；∆KURT：峰值变化率；OA：参照ANST标准中规定的全频域振动速度峰值报警值；HVV:水平振动值；VVV:垂直振动值；L:轴承L值；∆L:轴承L值变化率；T:温度值；T-Threshold:温度阈值；∆T:温度变化率；B1:3.2X-12.2X 20%OA 或 1.98mm/s；B2: 12.2X-50%Fmax 15%OA 或 1.4mm/s；B3: 50%-100%Fmax 10%OA 或 1.27mm/s；T-bearing:轴承温度；1.8X-2.2X RMS: 1.8X-2.2X频带速度有效值；3.8X-4.2X RMS: 3.8X-4.2X频带速度有效值；Skewness:歪度指标；Looseness:松动方向；∆variance:方差变化率。

2、设备状态数据

2.1、全频域振动速度数据准备，如图3为某旋转类设备在一段采集周期内的全频域振动速度波形：

2.2、频谱

频谱数据是将全频域振动速度数据经过快速傅里叶变换之后的频率成分数据，数据如图4所示。

2.3、温度趋势

温度趋势数据是设备某部件温度随时间变化的趋势数据，数据如图5所示：

3、数据预处理

表1

4、故障判断模块

4.1、不平衡：正常。

4.2、不对中

选取某矿厂皮带机电机驱动端不对中故障数据，将时域数据、频谱数据、温度数据输入本诊断方法，算法模型首先计算判断不对中故障所需要的各项指标数据，然后通过判断各项指标数据是否符合故障判断依据形成判断结果，下表为某矿厂皮带机电机驱动端不对中数据通过本诊断方法判断过程：

表2

通过本诊断方法对某矿厂皮带机电机驱动端不对中故障数据进行验证，最终形成诊断结论：电机减速机联轴器对中不良，建议检查联轴器对中情况。

通过以上案例，得出本诊断方法可以对设备不对中故障进行有效判断，并达到预期效果。

4.3、滚动轴承：正常。

4.4、电气故障：正常。

4.5、机械松动：正常。

4.6、气蚀：正常。

5、智能诊断报告

如图6、图7所示，设备运行状态相对稳定，1#电机自由端高频加速度振动值偏高，在130m/s~200m/s之间波动，频谱图中能量集中在1500Hz-2000Hz之间，经包络解调为存在153.125Hz及其谐波，为轴承故障频率。

诊断为轴承存在损伤，建议保持机组的良好润滑，关注机组运行趋势变化，择机更换轴承。

如图8、图9、图10所示，主煤皮带机2#电机驱动端速度振动值在2月12日升高明显，频谱图中主要以电机二倍频为主。通知现场后，对联轴器螺栓进行了紧固，振动值恢复正常；2月22日现场更换了2#电机联轴器，重新运行后电机及减速机速度值升高明显，电机端速度频谱图中主要以转频及谐波为主(二倍频主导)，减速机侧速度频谱图中主要以电机转频及谐波为主。

诊断为联轴器对中不良，建议检查联轴器对中情况。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于设备行为的智能故障诊断方法，其特征在于：包括以下步骤：

S4、否，则进行人工或者其他算法模块识别故障；

S5、是，则输出故障类型，并导出智能诊断报告；

在步骤S2中的所述特征数据包括全频域速度峰值、全频域速度峰值初始值、全频域速度峰值变化率、部件温度值、部件温度值初始值、部件温度值变化率、轴承状态L值、转速值、1X峰值、2X峰值、B1峰值、B2峰值、B3峰值、峭度指标、歪度指标、方差变化率、1.8X-2.2X频带速度有效值、3.8X-4.2X频带速度有效值、全频域振动速度峰值报警值OA、温度报警值、全频振动速度总值；

所述歪度指标的预处理公式为

其中，SK为歪度指标；μ为振动信号；

为离散振动数据中的第n项；σ为标准差；N为离散振动数据总数；∑为求和符号；

2.根据权利要求1所述的一种基于设备行为的智能故障诊断方法，其特征在于：在步骤S1中的所述设备状态数据包括设备的振动信号、温度信号、转速信号以及供电频率信号。

3.根据权利要求1所述的一种基于设备行为的智能故障诊断方法，其特征在于：所述峭度指标的预处理公式为：

；

其中，KU为峭度指标；N为离散振动数据总数；

为离散振动数据中的第i项；μ为振动信号；rms为总值。

4.根据权利要求1所述的一种基于设备行为的智能故障诊断方法，其特征在于：所述全频振动速度总值的预处理公式为

其中，RMS(X)为总值结果；

5.根据权利要求1所述的一种基于设备行为的智能故障诊断方法，其特征在于：在步骤S5中的所述故障类型包括不平衡类型、不对中类型、滚动轴承故障类型、电气故障类型、机械松动类型、气蚀类型。