CN115165274A - 工程机械设备振动状态自适应智能监测装置及方法 - Google Patents

工程机械设备振动状态自适应智能监测装置及方法 Download PDF

Info

Publication number
CN115165274A
CN115165274A CN202210719349.5A CN202210719349A CN115165274A CN 115165274 A CN115165274 A CN 115165274A CN 202210719349 A CN202210719349 A CN 202210719349A CN 115165274 A CN115165274 A CN 115165274A
Authority
CN
China
Prior art keywords
signal
vibration
function
equipment
mechanical equipment
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
Application number
CN202210719349.5A
Other languages
English (en)
Inventor
姚池
黄波
张小波
杨建华
姜清辉
周创兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jiegan Technology Co ltd
Nanchang University
Original Assignee
Shenzhen Jiegan Technology Co ltd
Nanchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jiegan Technology Co ltd, Nanchang University filed Critical Shenzhen Jiegan Technology Co ltd
Priority to CN202210719349.5A priority Critical patent/CN115165274A/zh
Publication of CN115165274A publication Critical patent/CN115165274A/zh
Pending legal-status Critical Current

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
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种工程机械设备振动状态自适应智能监测装置及方法，所述方法包括如下步骤：采用所述智能监测装置对工程机械设备的关键传动组件运行状态进行连续自适应动态监测；采用扩展卡尔曼滤波算法对非线性信号进行融合计算；基于小波包分解与改进希尔伯特‑黄变换融合的设备振动信号瞬时频率及幅值自适应监测，得到设备振动信号瞬时时频幅度特征；根据设备振动信号瞬时时频幅度特征，得到预警参数瞬时频率和振幅，根据预警参数瞬时频率和振幅对系统进行分级预警。所述方法具有测量准确性高，可靠性好，可有效的降低误报率，减少工程机械设备维养成本，提高设备运行效率、使用寿命及智能运维水平等优点。

Description

工程机械设备振动状态自适应智能监测装置及方法
技术领域
本发明涉及机械部件状态的测量方法技术领域，尤其涉及一种工程机械设备振动状态自适应智能监测装置及方法。
背景技术
科学技术的发展促进了工程机械设备的不管革新，机械设备智能化、数字化和高可靠性将是未来相当长时间内的重要发展方向。研究表明，机械设备中大部分故障的产生都与旋转部件等关键传动系统组件密切相关，即使在条件相同的情况下，传动系统关键组件的工作寿命离散型也很大，高速、重载、高温、高寒等极端的服役环境，致使关键传动组件的性能不可避免地出现衰老、退化等趋势，时有故障发生而引发连锁反应，引发整个设备系统的故障，进而导致经济损失，严重时甚至会造成人员伤亡。以物联网化、智能化及节能高效为导向不断发展的今天，对工程机械设备关键传动系统进行基于数据驱动的健康状态在线监测诊断工作显得尤为重要。
工程机械随处可见，尤其对中大型工程基础建设起到了重要作用，比如塔吊、架桥机等中大型基础设施施工机械，以及风力发电机械设备等。当工程机械设备发电机组、轴承等传动系统关键组件发生故障时，甚至是多故障叠加时，系统振动信号特征表现非常复杂，不仅是不断变化的，而且也具有强烈的非平稳性、非线性。如何从动态的振动采集信号中提取出有用的信息成为了问题的关键。这就需要简易且有效的信号采集处理分析方法，才能保证提取过程的顺利进行。这些故障尤其多故障并发和强噪声影响，使传统方法显得很乏力，探求新的合适的振动信号在线实时监测与智能分析预警方法很有必要。
发明内容
本发明所要解决的技术问题是如何提供一种测量准确性高，可有效的降低误报率，提高设备运行效率及使用寿命的工程机械设备振动状态自适应智能监测装置及方法。
为解决上述技术问题，本发明所采取的技术方案是：一种工程机械设备振动状态自适应智能监测装置，其特征在于：包括若干个振动加速度传感器、若干个电涡流振动传感器、数据采集仪以及处理终端，所述振动加速度传感器和电涡流振动传感器固定到被监测的工程机械设备的不同部件上，用于测量相关部件的振动信号；所述振动加速度传感器、电涡流振动传感器的信号输出端与所述数据采集仪的信号输入端连接，所述振动加速度传感器以及电涡流振动传感器采集的信息通过有线通信网络传输给所述数据采集仪进行处理，所述数据采集仪通过无线网络与所述处理终端进行数据交互，数据采集仪采集的数据传输给所述处理终端进行处理。
本发明还公开了一种工程机械设备振动状态自适应智能监测方法，其特征在于包括如下步骤：
采用所述智能监测装置对工程机械设备的关键传动组件运行状态进行连续自适应动态监测；
采用扩展卡尔曼滤波算法对非线性信号进行融合计算；
基于小波包分解与改进希尔伯特-黄变换融合的设备振动信号瞬时频率及幅值自适应监测，得到设备振动信号瞬时时频幅度特征；
根据设备振动信号瞬时时频幅度特征，得到预警参数瞬时频率和振幅，根据预警参数瞬时频率和振幅对系统进行分级预警。
采用上述技术方案所产生的有益效果在于：本申请所述装置和方法通过多传感器监测分析对机械设备传动系统传关键组件振动状态进行可靠的在线自适应性健康分析预警，有效降低误报率，一方面减少工程机械设备维养成本，提高设备运行效率及使用寿命，另一方面提高工程机械设备运维智能化水平，提高数据分析可靠性，实现降本增效，为工程基础设施建设运行提供可靠技术支持，具有显著实际意义。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述监测装置的原理示意图；
图2是本发明实施例所述方法的流程图；
图3是本发明实施例所述方法中WPD与改进HHT变换融合特征提取流程图；
图4是本发明实施例所述方法中小波包阈值降噪流程图；
图5是本发明实施例所述方法中经验模态分解的流程图；
其中：1、传感器；2、数据采集仪；3、处理终端。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本发明实施例公开了一种工程机械设备振动状态自适应智能监测装置，包括若干个振动加速度传感器、若干个电涡流振动传感器、数据采集仪2以及处理终端3，所述振动加速度传感器和电涡流振动传感器固定到被监测的工程机械设备的不同部件上，用于测量相关部件的振动信号；所述振动加速度传感器、电涡流振动传感器的信号输出端与所述数据采集仪2的信号输入端连接，所述振动加速度传感器以及电涡流振动传感器采集的信息通过有线通信网络传输给所述数据采集仪2进行处理，所述数据采集仪2通过无线网络与所述处理终端3进行数据交互，数据采集仪2采集的数据传输给所述处理终端进行处理。
结合工程机械设备结构及振动系统工作特点，所述装置将多个振动加速度传感器、多个电涡流振动传感器以磁吸式或配件成对式的安装于设备传动系统结构表面，进行垂直及水平向振动信号的在线连续采集传输。
本振动监测系统主要包括：多个振动加速度传感器、多个电涡流振动传感器的安装直接影响整个系统的性能，错误的安装可能导致读数不可靠。传感器安装固定的主要目标是实现可用于进行振动测量的最大可用频率响应。由于安装表面的状况会影响可传递性，安装面应光滑无油渍，平坦且大于加速度传感器本身的底部，并尽可能靠近振动源。传感器紧固作业时辅以粘合剂、安装垫、绝缘法兰、磁性底座、安装螺栓等配件。为了获得最佳效果，必要时通过钻孔和螺纹孔将传感器直接安装到振动系统外壳表面。
相应的，如图2所示，本发明实施例还公开了一种工程机械设备振动状态自适应智能监测方法，所述方法包括如下步骤：
采用所述智能监测装置对工程机械设备的关键传动组件运行状态进行连续自适应动态监测；
采用扩展卡尔曼滤波算法对非线性信号进行融合计算；
基于小波包分解与改进希尔伯特-黄变换融合的设备振动信号瞬时频率及幅值自适应监测，得到设备振动信号瞬时时频幅度特征；
根据设备振动信号瞬时时频幅度特征，得到预警参数瞬时频率和振幅，根据预警参数瞬时频率和振幅对系统进行分级预警。
所述方法采用振动加速度传感器与电涡流振动传感器不同类型监测设备组合的方式进行同步在线监测，通过数据融合算法优化数据成果，有效提高测量精度、准确性及可靠性。
采用扩展卡尔曼滤波算法(EKF)对非线性信号进行融合计算：
xk表示电涡流振动传感器测量函数，yk表示振动加速度传感器测量函数,均为正态分布函数。
①初始化条件：
Figure BDA0003709838870000051
状态噪声ωk～N(0,Qk),测量噪声nk～N(0,Rk)
②非线性信号线性化：
Figure BDA0003709838870000052
Figure BDA0003709838870000053
③预测步：
Figure BDA0003709838870000054
④卡尔曼增益：
Figure BDA0003709838870000055
⑤更新步：
Figure BDA0003709838870000056
其中，
Figure BDA0003709838870000057
表示先验,
Figure BDA0003709838870000058
表示后验。
2、基于小波包分解(WPD)与改进希尔伯特-黄(HHT)变换融合的设备振动瞬时频率及幅值自适应监测方法，具体流程如图3所示；
(1)基于小波包变换(WPD)第一次筛分降噪预处理，提高原信号信噪比；
复杂环境条件下，工程机械设备振动系统不可避免受到噪声干扰，会给振动信号分解效果带来较大影响，直接表现为原有本征模态函数(IMFs)分量信号发生失真。本方法通过小波包对信号进行降噪预处理，可以实现对振动信号低频成分与高频成分的同步分解，降低丢失高频成分有用信息的概率，获得更为丰富的有用特征信息，对随机性较强的非平稳信号降噪处理上，该方法计算成本低，实现简单，优于小波及其他传统滤波算法。
如图4所示，主要工作流程为：
①小波包分解：
选择适当正交小波包基函数ψ(t)，使其与振动信号结构相匹配，并且确定分解层数j(推荐3-5层)，对采集信号作小波包分解：
u0(t)和u1(t)分别表示的是尺度函数和小波函数，以下公式定义的集合{un(t)}n∈Z为由u0(t)所确定的正交小波包。
Figure BDA0003709838870000061
式中,h(n)与g(n)为滤波器系数，g(k)＝(-1)1-kh(1-k)。
小波包分解算法：
Figure BDA0003709838870000062
②阈值处理：
对振动信号分解各层小波包系数进行处理：
Figure BDA0003709838870000063
其中，θ(t,T)为阈值函数，主要包括：
软阈值函数：
Figure BDA0003709838870000064
硬阈值函数：
Figure BDA0003709838870000065
结合高斯白噪小波变换域统计特征，本方法采用固定阈值形式的阈值为：
Figure BDA0003709838870000066
在实际工程应用中，一般使用含噪振动信号来估计高斯白噪声标准差σ，此处可以通过估计第一层小波分解系数的中值来得到：
Figure BDA0003709838870000071
其中，Median{.}表示小波系数序列的中值；N为信号长度。
③信号重构
对降噪处理后的小波包系数利用Mallat快速算法得到降噪重构信号x(t)。
小波包重构算法：
Figure BDA0003709838870000072
(2)基于经验模态分解(EMD)对降噪信号进行第二次筛分得到本征模态函数(IMFs)分量信号，为一种自适应的时频数据分解方法，方法简单直观，如图5所示。
经验模态分解(EMD)筛选过程的是将任何数据分解成一组独立的本征模态函数(IMFs)分量，因大部分的信号数据都不是本征模态函数。得出本征模态函数的筛选过程步骤如下。
①计算输入降噪振动信号x(t)所有局部极值点；
②采用三次样条插值分别连接组成上下包络线emax(t)、emin(t)；
③计算上下包络线平均值m1(t)＝[emax(t)+emin(t)]/2；
④输入信号减去平均包络线h1(t)＝x(t)-m1(t)＝[emax(t)+emin(t)]/2。判断h1(t)是否为本征模态函数(IMFs)，其限制条件为：
·对整个函数而言，其极值点和过零点个数之差为0或1；
·连接所有极值点，构成上下包络线，上下包络线在任意时刻均值为零。
当两次连续筛选的差异小于阈值SD(一般0.2-0.3)，筛选过程停止。
Figure BDA0003709838870000073
其中，h1k(t)＝h1(k-1)(t)-m1k(t)。
①当停止条件满足时，本征模态函数IMF1定义为c1(t)＝h1k(t)，其后计算残差r1(t)＝x(t)-c1(t)。
②将残差函数r1(t)作为输入信号，然后，重复循环1-5，得到信号x(t)的n个满足本征模态函数定义的分量，rn(t)＝rn-1(t)-cn(t)。
③直到残余函数rn(t)具有单调性，或者足够小时，小于设定的阈值，即可终止分解，最后得到：
Figure BDA0003709838870000081
(3)基于相关性分析的本征模态函数(IMFs)分量信号有效集的确定；
采用上述经验模态分解(EMD)方法将降噪信号筛分分解为若干IMFs之和,对分解过程中产生多余的IMFs,若不剔除,将对结果产生影响。本方法将以IMFs分量信号与EMD分解前降噪信号x(t)相关系数作为判断依据,选取有效IMFs分量信号集,相关系数越大,说明IMF含原信号中的有效成分越高。满足选取IMF的条件为：
Figure BDA0003709838870000082
其中，fi(t)为IMFs函数；γ为相关程度系数，一般可取0.1；N为信号长度。
(4)对本征模态函数(IMFs)有效集进行效希尔伯特变换(HT)
前述经验模态分解(EMD)及相关性分析给出了本征模态函数(IMFs)独立分量有效集，具有有意义的瞬时频率。有效集中每个本征模态函数分量可以应用于希尔伯特变换的信号，继而得到希尔伯特谱/希尔伯特边际谱，联合分布得到振动信号时频幅度变化规律。
经过希尔伯特变换后，原始振动信号x(t)可以表示为复数表示的实数部分：
Figure BDA0003709838870000083
其中，aj(t)为瞬时振幅时间函数，ωj(t)为瞬时频率时间函数，H(ω,t)为希尔伯特谱函数(时间和频率的联合分布)。
希尔伯特边际谱函数：
Figure BDA0003709838870000091
其中N表示信号长度。
3、设备运行状态数据超限阈值设计及报警方法
本方法运行状态振动监测装置报警由前端数据采集器分析判断，采集器完成采集数据及运算分析，根据存储在数据库中的报警策略和报警阈值的设置，判断采集到的数据是否超限，若超限则对该组数据进行标识分级处理。
(1)阈值设计
在机械设备结构参数完全已知的情况下，通过有限元计算得到相关的报警阈值。
在机械设备结构参数未知的情况下，用统计的方式确定报警阈值。统计的方式是通过运行试验得到工程机械设备处于某一稳定状态和正常情况下的大量数据，按照正态分布“3σ准则”分级确定阈值。在正态分布中，σ代表标准差，μ代表均值。
3σ准则为，数值分布在(μ-3σ，μ+3σ)中的概率为99.7％，可以认为取值几乎全部集中在(μ-3σ，μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％。因此，本方法将超过3σ的数据设定为异常值。根据设备传动系统关键组件在各典型工况下的正常数据，计算相应的指标，然后计算这些指标的均值μ和标准差σ。
(2)报警策略
按危险程度轻重缓急进行分级报警的设置，在做好采集数据预处理的前提下，按照尽量降低虚警概率的原则，本方法采用连续超限次数n及阈值参数f双控指标作为报警策略，以轻度提醒、中度高警、重度报警三级为例说明。
异常提醒：连续n＝2次超限f1提醒，其中f1＝μ+3σ；
中度告警：连续n＝2次超限f1告警，其中f2＝μ+6σ；
重度报警：连续n＝3次超限f2报警，其中f2＝μ+9σ。

Claims (10)

1.一种工程机械设备振动状态自适应智能监测装置，其特征在于：包括若干个振动加速度传感器、若干个电涡流振动传感器、数据采集仪以及处理终端，所述振动加速度传感器和电涡流振动传感器固定到被监测的工程机械设备的不同部件上，用于测量相关部件的振动信号；所述振动加速度传感器、电涡流振动传感器的信号输出端与所述数据采集仪的信号输入端连接，所述振动加速度传感器以及电涡流振动传感器采集的信息通过有线通信网络传输给所述数据采集仪进行处理，所述数据采集仪通过无线网络与所述处理终端进行数据交互，数据采集仪采集的数据传输给所述处理终端进行处理。
2.一种工程机械设备振动状态自适应智能监测方法，其特征在于包括如下步骤：
采用如权利要求1所述智能监测装置对工程机械设备的关键传动组件运行状态进行连续自适应动态监测；
采用扩展卡尔曼滤波算法对非线性信号进行融合计算；
基于小波包分解与改进希尔伯特-黄变换融合的设备振动信号瞬时频率及幅值自适应监测，得到设备振动信号瞬时时频幅度特征；
根据设备振动信号瞬时时频幅度特征，得到预警参数瞬时频率和振幅，根据预警参数瞬时频率和振幅对系统进行分级预警。
3.如权利要求2所述的工程机械设备振动状态自适应智能监测方法，其特征在于，所述采用扩展卡尔曼滤波算法对非线性信号进行融合计算的方法包括如下步骤：
xk表示电涡流振动传感器测量函数，yk表示振动加速度传感器测量函数，均为正态分布函数；
①初始化条件：
Figure FDA0003709838860000011
壮态噪声ωk～N(0，Qk)，测量噪声nk～N(0，Rk)
②非线性信号线性化：
Figure FDA0003709838860000021
Figure FDA0003709838860000022
③预测步：
Figure FDA0003709838860000023
④卡尔曼增益：
Figure FDA0003709838860000024
⑤更新步：
Figure FDA0003709838860000025
其中，
Figure FDA0003709838860000026
表示先验，
Figure FDA0003709838860000027
表示后验。
4.如权利要求2所述的工程机械设备振动状态自适应智能监测方法，其特征在于，基于小波包分解与改进希尔伯特-黄变换融合的设备振动瞬时频率及幅值自适应监测的方法包括如下步骤：
基于小波包变换第一次筛分降噪预处理；
基于经验模态分解对降噪信号进行第二次筛分得到本征模态函数分量信号；
基于相关性分析的本征模态函数分量信号有效集的确定；
对本征模态函数有效集进行效希尔伯特变换。
5.如权利要求4所述的工程机械设备振动状态自适应智能监测方法，其特征在于，所述基于小波包变换第一次筛分降噪预处理的方法包括如下步骤：
1)小波包分解
选择适当正交小波包基函数ψ(t)，使其与振动信号结构相匹配，并且确定分解层数j，对采集信号作小波包分解：
u0(t)和u1(t)分别表示的是尺度函数和小波函数，以下公式定义的集合{un(t)}n∈Z为由u0(t)所确定的正交小波包；
Figure FDA0003709838860000028
式中，h(n)与g(n)为滤波器系数，g(k)＝(-1)1-kh(1-k)；
小波包分解算法：
Figure FDA0003709838860000031
2)阈值处理
对振动信号分解各层小波包系数进行处理：
Figure FDA0003709838860000032
其中，θ(t，T)为阈值函数，主要包括：
软阈值函数：
Figure FDA0003709838860000033
硬阈值函数：
Figure FDA0003709838860000034
结合高斯白噪小波变换域统计特征，本方法采用固定阈值形式的阈值为：
Figure FDA0003709838860000035
在实际工程应用中，一般使用含噪振动信号来估计高斯白噪声标准差σ，此处可以通过估计第一层小波分解系数的中值来得到：
Figure FDA0003709838860000036
其中，Median{.}表示小波系数序列的中值；N为信号长度；
3)信号重构
对降噪处理后的小波包系数利用Mallat快速算法得到降噪重构信号x(t)；
小波包重构算法：
Figure FDA0003709838860000037
6.如权利要求4所述的工程机械设备振动状态自适应智能监测方法，其特征在于，基于经验模态分解对降噪信号进行第二次筛分得到本征模态函数分量信号的方法包括如下步骤：
1)计算输入降噪振动信号x(t)所有局部极值点；
2)采用三次样条插值分别连接组成上下包络线emax(t)、emin(t)；
3)计算上下包络线平均值m1(t)＝[emax(t)+emin(t)]/2；
4)输入信号减去平均包络线h1(t)＝x(t)-m1(t)＝[emax(t)+emin(t)]/2；判断h1(t)是否为本征模态函数(IMFs)，其限制条件为：
对整个函数而言，其极值点和过零点个数之差为0或1；
连接所有极值点，构成上下包络线，上下包络线在任意时刻均值为；
当两次连续筛选的差异小于阈值SD(一般0.2-0.3)，筛选过程停止；
Figure FDA0003709838860000041
其中，h1k(t)＝h1(k-1)(t)-m1k(t)；
5)当停止条件满足时，本征模态函数IMF1定义为c1(t)＝h1k(t)，其后计算残差r1(t)＝x(t)-c1(t)；
6)将残差函数r1(t)作为输入信号，然后，重复循环1-5，得到信号x(t)的n个满足本征模态函数定义的分量，rn(t)＝rn-1(t)-cn(t)；
7)直到残余函数rn(t)具有单调性，或者足够小时，小于设定的阈值，即可终止分解，最后得到：
Figure FDA0003709838860000042
7.如权利要求4所述的工程机械设备振动状态自适应智能监测方法，其特征在于，基于相关性分析的本征模态函数分量信号有效集的确定方法包括如下步骤：
将以IMFs分量信号与EMD分解前降噪信号x(t)相关系数作为判断依据，选取有效IMFs分量信号集，相关系数越大，说明IMF含原信号中的有效成分越高，满足选取IMF的条件为：
Figure FDA0003709838860000051
其中，fi(t)为IMFs函数；γ为相关程度系数，一般可取0.1；N为信号长度。
8.如权利要求4所述的工程机械设备振动状态自适应智能监测方法，其特征在于，所述对本征模态函数有效集进行效希尔伯特变换的方法如下：
经过希尔伯特变换后，原始振动信号x(t)可以表示为复数表示的实数部分：
Figure FDA0003709838860000052
其中，aj(t)为瞬时振幅时间函数，ωj(t)为瞬时频率时间函数，H(ω，t)为希尔伯特谱函数；
希尔伯特边际谱函数：
Figure FDA0003709838860000053
其中N表示信号长度。
9.如权利要求2所述的工程机械设备振动状态自适应智能监测方法，其特征在于：
在机械设备结构参数完全已知的情况下，通过有限元计算得到相关的报警阈值；
在机械设备结构参数未知的情况下，用统计的方式确定报警阈值；统计的方式是通过运行试验得到工程机械设备处于某一稳定状态和正常情况下的大量数据，按照正态分布3σ准则分级确定阈值，在正态分布中，σ代表标准差，μ代表均值；
3σ准则为，数值分布在(μ-3σ，μ+3σ)中的概率为99.7％，可以认为取值几乎全部集中在(μ-3σ，μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％；将超过3σ的数据设定为异常值；根据设备传动系统关键组件在各典型工况下的正常数据，计算相应的指标，然后计算这些指标的均值μ和标准差σ。
10.如权利要求9所述的工程机械设备振动状态自适应智能监测方法，其特征在于，报警策略如下；
采用连续超限次数n及阈值参数f双控指标作为报警策略，以轻度提醒、中度高警、重度报警三级为例说明：
异常提醒：连续n＝2次超限f1提醒，其中f1＝μ+3σ；
中度告警：连续n＝2次超限f1告警，其中f2＝μ+6σ；
重度报警：连续n＝3次超限f2报警，其中f2＝μ+9σ。
CN202210719349.5A 2022-06-23 2022-06-23 工程机械设备振动状态自适应智能监测装置及方法 Pending CN115165274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210719349.5A CN115165274A (zh) 2022-06-23 2022-06-23 工程机械设备振动状态自适应智能监测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210719349.5A CN115165274A (zh) 2022-06-23 2022-06-23 工程机械设备振动状态自适应智能监测装置及方法

Publications (1)

Publication Number Publication Date
CN115165274A true CN115165274A (zh) 2022-10-11

Family

ID=83487358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210719349.5A Pending CN115165274A (zh) 2022-06-23 2022-06-23 工程机械设备振动状态自适应智能监测装置及方法

Country Status (1)

Country Link
CN (1) CN115165274A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115950495A (zh) * 2023-02-09 2023-04-11 青岛鼎信通讯科技有限公司 一种超声水表测量频率调节方法
CN117310455A (zh) * 2023-11-30 2023-12-29 上海采起电子技术服务有限公司 一种基于电信号的口腔扫描仪电路板故障检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115950495A (zh) * 2023-02-09 2023-04-11 青岛鼎信通讯科技有限公司 一种超声水表测量频率调节方法
CN115950495B (zh) * 2023-02-09 2023-06-09 青岛鼎信通讯科技有限公司 一种超声水表测量频率调节方法
CN117310455A (zh) * 2023-11-30 2023-12-29 上海采起电子技术服务有限公司 一种基于电信号的口腔扫描仪电路板故障检测方法
CN117310455B (zh) * 2023-11-30 2024-02-09 上海采起电子技术服务有限公司 一种基于电信号的口腔扫描仪电路板故障检测方法

Similar Documents

Publication Publication Date Title
CN115165274A (zh) 工程机械设备振动状态自适应智能监测装置及方法
Dai et al. Fault diagnosis of rotating machinery based on deep reinforcement learning and reciprocal of smoothness index
CN113670616B (zh) 一种轴承性能退化状态检测方法及系统
CN104881567A (zh) 一种基于统计模型的桥梁健康监测数据小波降噪方法
CN110224394B (zh) 适用于非平稳功率振荡信号特征提取的傅里叶分解算法
CN113947017A (zh) 一种滚动轴承剩余使用寿命预测方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN111077386A (zh) 一种电气设备早期故障信号降噪方法
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
CN112287780A (zh) 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质
CN112945546A (zh) 一种齿轮箱复杂故障精确诊断方法
Yang et al. Early change detection in dynamical bearing degradation process based on hierarchical graph model and adaptive inputs weighting fusion
CN113702666A (zh) 一种光纤陀螺惯性测量单元信号联合降噪方法
Lu et al. A noise reduction method of rolling bearing based on empirical wavelet transform and adaptive time frequency peak filtering
CN117571316A (zh) 一种复合故障诊断方法及系统
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN116773961A (zh) 基于振动信号高频特征分析的输电线路腐蚀检测方法
CN115539277A (zh) 基于水电机声纹识别的故障预警系统和方法
CN114415018A (zh) 用于电机故障预警的自学习式光栅干涉频谱分析技术
CN113686577A (zh) 一种基于快速非线性稀疏谱的轴承故障诊断方法
KR20100075225A (ko) 전력신호의 시변고조파 검출/추적 장치 및 방법
CN103854658A (zh) 基于短时分形维数增强法的钢板腐蚀声发射信号去噪方法
CN116304584B (zh) 一种基于包络谱峰值筛选的自适应噪声滤波方法
CN108985234B (zh) 一种适用于非高斯信号的贝叶斯小波包降噪方法
CN117708550B (zh) 一种电力大数据自动化数据分析及模型构建方法

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