CN115235613A - 一种风机盘管的质量检测方法 - Google Patents

一种风机盘管的质量检测方法 Download PDF

Info

Publication number
CN115235613A
CN115235613A CN202211149609.6A CN202211149609A CN115235613A CN 115235613 A CN115235613 A CN 115235613A CN 202211149609 A CN202211149609 A CN 202211149609A CN 115235613 A CN115235613 A CN 115235613A
Authority
CN
China
Prior art keywords
signal
abnormal
signals
fault
period
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
Application number
CN202211149609.6A
Other languages
English (en)
Other versions
CN115235613B (zh
Inventor
杜国栋
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.)
Jiangsu Taiente Environmental Technology Co ltd
Original Assignee
Jiangsu Taiente Environmental Technology Co ltd
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 Jiangsu Taiente Environmental Technology Co ltd filed Critical Jiangsu Taiente Environmental Technology Co ltd
Priority to CN202211149609.6A priority Critical patent/CN115235613B/zh
Publication of CN115235613A publication Critical patent/CN115235613A/zh
Application granted granted Critical
Publication of CN115235613B publication Critical patent/CN115235613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明涉及数据识别领域，具体涉及一种风机盘管的质量检测方法，包括以下步骤：采集电机的振动信号；提取振动信号中的异常信号，根据每个异常信号的局部离群性区分噪声信号和故障信号，然后经过降噪处理得到故障信号；根据降噪后剩余的故障信号进行电机质量评估。即本发明的方案能够有效减少无用的高频噪声信号成分，对电机的质量检测结果更为准确。

Description

一种风机盘管的质量检测方法
技术领域
本发明涉及数据识别领域，具体涉及一种风机盘管的质量检测方法。
背景技术
风机盘管是中央空调理想的末端产品，其工作原理是机组内不断的再循环所在房间的空气，使空气通过冷水（热水）盘管后被冷却（加热），以保持房间温度的恒定。当前风机盘管被广泛应用于宾馆、办公楼、医院、商住、科研机构，新风被新风机组处理后通过送风管送入室内各个区域，以满足大型场所的通风需求。
风机盘管的电机是整台机器的唯一运动部件，是风机盘管作业唯一驱动元部件。电机运转工作带动风机旋转，强制性把室内空气通过风机吹向风机盘管内部换热器。电机的质量直接影响风机盘管系统的性能好坏，电机运转时会产生振动信号，异常的振动信号往往会加速电机轴承磨损，从而大大缩短了轴承的正常使用寿命，且在工作时会发出很大的噪声，还会使绕组绝缘下降。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种风机盘管的质量检测方法，所采用的技术方案具体如下：
本发明提供的一种风机盘管的质量检测方法，包括以下步骤：
采集电机的振动信号，提取振动信号中的所有异常信号，记为异常信号集合；
根据异常信号集合的局部离群因子区分噪声信号和故障信号，然后经过降噪处理得到故障信号，包括：
（1）根据异常信号集合构建离群距离参数；
（2）根据异常信号集合的混乱度确定邻域范围k；
（3）根据离群距离参数和邻域范围k计算可达密度，得到异常信号集合中每个异常信号的局部离群因子；
（4）当获取的异常信号集合中某一个异常信号的局部离群因子大于设定阈值，则认为该异常信号为噪声信号，反之，该异常信号为故障信号；
根据所有的故障信号进行电机质量评估。
优选的，所述提取振动信号中的所有异常信号的方法为：
将振动信号与标准模板信号进行对比，得到所有异常信号，其中标准模板信号为：
Figure 343536DEST_PATH_IMAGE002
上式F代表信号幅值，
Figure 100002_DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值，i代表振动信号图像上任意一个信号，z代表每个信号周期的中轴点，
Figure 603223DEST_PATH_IMAGE004
代表第
Figure 552724DEST_PATH_IMAGE003
个信号周期中中轴点对应的幅值，
Figure 100002_DEST_PATH_IMAGE005
表示任意一个信号周期内最大时间值，
Figure 235378DEST_PATH_IMAGE006
表示任意一个信号周期内最小时间值。
优选的，所述根据异常信号集合构建离群距离参数的方法为:
Figure 561317DEST_PATH_IMAGE008
上式
Figure 100002_DEST_PATH_IMAGE009
表示异常信号集合中任意异常信号在任意周期上的离群距离参数，F代表每个异常信号的幅值，v代表异常信号集合
Figure 209599DEST_PATH_IMAGE010
中任意一个异常信号，
Figure 533264DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值。
优选的，所述根据异常信号集合的混乱度确定邻域范围k的具体过程为：
根据每个信号周期内异常信号集合
Figure 100002_DEST_PATH_IMAGE011
的混乱度来确定邻域范围k：
Figure 100002_DEST_PATH_IMAGE013
Figure 100002_DEST_PATH_IMAGE015
上式v代表异常信号集合
Figure 172056DEST_PATH_IMAGE011
中任意一个异常信号，
Figure 801487DEST_PATH_IMAGE003
代表任意一个振动信号周期，T代表一个振动信号周期的时间长度，
Figure 84701DEST_PATH_IMAGE016
代表异常信号集合
Figure 641584DEST_PATH_IMAGE011
中第v个异常信号的异常程度，
Figure 100002_DEST_PATH_IMAGE017
代表异常信号集合
Figure 95568DEST_PATH_IMAGE011
中第v个异常信号的异常程度在该集合中出现的概率，
Figure 700993DEST_PATH_IMAGE018
代表取整符号,
Figure 100002_DEST_PATH_IMAGE019
表示
Figure 323867DEST_PATH_IMAGE011
的混乱度，
Figure 254913DEST_PATH_IMAGE020
表示以自然常数为底的指数函数。
优选的，所述局部离群因子为：
Figure 212505DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE023
代表异常信号集合
Figure 870888DEST_PATH_IMAGE011
中第v个异常信号邻域点r的局部可达密度
Figure 128694DEST_PATH_IMAGE024
与第v个异常信号的局部可达密度
Figure 100002_DEST_PATH_IMAGE025
之比的平均数，即
Figure 181708DEST_PATH_IMAGE026
，
Figure 100002_DEST_PATH_IMAGE027
表示异常信号集合
Figure 875863DEST_PATH_IMAGE011
中第v个异常信号的局部离群因子，
Figure 885407DEST_PATH_IMAGE028
代表对于第v个异常信号来说，以其为中心
Figure 100002_DEST_PATH_IMAGE029
长度范围内所有可达的邻域异常信号数量。
优选的，所述的局部可达密度获取方法为：
Figure 100002_DEST_PATH_IMAGE031
上式v代表异常信号集合
Figure 889398DEST_PATH_IMAGE011
中任意一个异常信号，
Figure 162247DEST_PATH_IMAGE003
代表任意一个振动信号周期，
Figure 343699DEST_PATH_IMAGE029
代表第
Figure 422513DEST_PATH_IMAGE032
个信号周期的邻域距离，r代表
Figure 389332DEST_PATH_IMAGE028
中任意一个，
Figure 364241DEST_PATH_IMAGE009
则代表第
Figure 6225DEST_PATH_IMAGE003
周期内第v个异常信号与其相邻信号的距离值，
Figure 100002_DEST_PATH_IMAGE033
表示第v个异常信号的局部可达密度。
优选的，进行电机质量评估的具体过程为：
计算得到故障信号的密度以及电机故障信号幅度；
故障信号的密度计算为：
Figure 826414DEST_PATH_IMAGE034
上式G代表故障信号的数量，
Figure 100002_DEST_PATH_IMAGE035
代表第
Figure 631427DEST_PATH_IMAGE032
个信号周期内的故障信号数量，采样长度为H个振动周期；
电机故障信号幅度计算为：
Figure 980500DEST_PATH_IMAGE036
上式a代表任意一个故障信号，
Figure 100002_DEST_PATH_IMAGE037
为去除噪声信号后，剩余故障信号中任意一个的幅值，
Figure 106850DEST_PATH_IMAGE035
代表第
Figure 261888DEST_PATH_IMAGE032
个信号周期内的故障信号数量；
计算故障信号的密度以及电机故障信号幅度，得到电机故障的评估指标；当评估指标越大，则电机质量越差。
本发明的有益效果：
本发明通过异常信号的离群距离参数和邻域范围，计算异常信号的局部离散因子，通过异常信号的局部离散因子对故障信号进行判断，当噪声信号随机产生和故障信号的持续时间不确定的情况下，能够根据每个周期内的异常信号的局部离散程度对故障信号进行识别，具有较好的鲁邦性和准确性。在保留正常的机械振动信号和故障信号的前提下有效减少无用的高频噪声信号成分，对电机的质量检测结果更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明的一种风机盘管的质量检测方法的流程图；
图2是一个完整周期的电机振动信号的波形图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的情景为：风机盘管的电机是整台机器的唯一运动部件，是风机盘管作业唯一驱动元部件。电机运转工作带动风机旋转，强制性把室内空气通过风机吹向风机盘管内部换热器。电机的质量直接影响风机盘管系统的性能好坏，电机运转时会产生振动信号，异常的振动信号往往会加速电机轴承磨损，从而大大缩短了轴承的正常使用寿命，且在工作时会发出很大的噪声，还会使绕组绝缘下降。因此通过检测电机运转时的异常振动信号可以直接评估风机盘管的质量。
具体地，本发明提出一种风机盘管的质量检测方法的实施例，请参阅图1所示，包括以下步骤：
步骤1，采集电机的振动信号。
在机器设备的检测和诊断中，振动信号检测是常用的检测方法。本发明在风机盘管电机表面安装振动信号传感器，启动电机，等待电机运行稳定后，采集电机的振动信号。
步骤2，提取振动信号中的异常信号，根据每个异常信号的局部离群性区分噪声信号和故障信号，然后经过降噪处理得到故障信号。
电机旋转传动部件在运行过程中会产生振动信号，而电机运转异常信息会直接体现在振动信号异常上，因此可通过分析振动信号，对电机进行性能检测和故障诊断。然而，现有的设备异常诊断方法容易受到周围环境振动带来的噪声干扰，难以准确地检测出设备振动异常信息。因此区分噪声信号和异常信号对电机振动异常的检测十分重要。为了获得准确的电机异常振动信号，需要在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分。
同时，振动是电机在运转过程中随时间在平衡位置附近来回往复的运动，每经过一定的时间间隔，振动物体的位移、速度和加速度都恢复原来的大小和方向，因此振动信号一般呈现周期性的变化，物体每做完一次完整的振动，这个时间间隔称为振动的周期，如图2所示。
本实施例中，获取异常信号的具体方法为：将振动信号与标准模板信号进行对比，得到所有异常信号。具体地，一个完整的振动信号是随着振动的增强和衰减呈现一个高斯正态分布的变化趋势，电机的正常振动信号稳定在一个固定的幅值范围，通过大数据获取电机正常振动信号模型，已知每个振动周期T，根据模型信号的每个振动周期，两侧端点以及中心点的幅值拟合高斯曲线得到标准模板信号。
其中拟合的高斯曲线为：
Figure 203299DEST_PATH_IMAGE002
上式F代表信号幅值，
Figure 34858DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值，i代表振动信号图像上任意一个信号，z代表每个信号周期的中轴点，
Figure 428930DEST_PATH_IMAGE004
代表第
Figure 325342DEST_PATH_IMAGE003
个信号周期中中轴点对应的幅值，
Figure 869063DEST_PATH_IMAGE038
代表标准模板振动信号上第
Figure 622255DEST_PATH_IMAGE003
个信号周期中任意一个单位振动信号的t值与中轴点对应的t值相差，
Figure DEST_PATH_IMAGE039
为半周期长度。
Figure 706886DEST_PATH_IMAGE040
为标准模板振动信号的高斯拟合函数。
需要说明的是，上述方案由于电机振动信号的影响因素太过复杂，不同条件下测得的标准模板信号都会存在差异，上述中获取标准模板信号后进行高斯拟合的目的是为了消除不同条件所得的多个标准模板信号之间存在的微小差异，直接利用高斯拟合函数代替所有可能的标准模板信号。
由于标准模板信号是理论数据，电机实际运转过程中异常信号和噪声信号是同时存在的，且相互叠加，本实施例中利用拟合的高斯曲线与实际电机振动每一个周期的振动信号进行重叠差分，当所有幅值高出高斯曲线的单位信号，则认为是噪声或者异常信号。
Figure 452994DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
代表实际电机运转的振动信号
Figure 572259DEST_PATH_IMAGE044
与拟合的高斯曲线
Figure DEST_PATH_IMAGE045
在时间序列上进行差值绝对值，差值绝对值为实际振动信号与理论信号的差异值，差异值的大小代表每单位振动信号相对于标准模板信号高斯曲线的异常程度，获取每个周期信号中所有
Figure 715927DEST_PATH_IMAGE043
值为正数的异常信号集合
Figure 350171DEST_PATH_IMAGE011
。
本实施例中根据每个异常信号的局部离群性区分噪声信号和故障信号的具体过程为：
（1）构建离群距离参数。
由于电机运转时，电机本身存在的缺陷和故障对电机运转的影响是持续累加的，不可能瞬间出现又消失，也就是说故障信号对时间序列上正常振动信号的影响会持续短时间，而噪声信号则是随机累加在正常振动信号上的，因此本发明通过异常信号集合
Figure 588385DEST_PATH_IMAGE011
中的单位信号离群性来消除容易和故障信号混淆的高频噪声信号，具体如下：
确定衡量信号之间离散性的距离参数:
Figure 342583DEST_PATH_IMAGE008
上式F代表每个单位信号的幅值，v代表异常信号集合
Figure 703158DEST_PATH_IMAGE010
中任意一个单位信号，
Figure 293539DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值。
Figure 132182DEST_PATH_IMAGE046
代表异常信号集合
Figure 499142DEST_PATH_IMAGE011
中相邻两个异常信号的幅值差异，
Figure DEST_PATH_IMAGE047
代表异常信号集合
Figure 233879DEST_PATH_IMAGE011
中相邻两个异常信号的时间差异，
Figure 764087DEST_PATH_IMAGE048
则是对于第v个异常信号而言与相邻异常信号的距离值，每一个异常信号都具有各自与相邻信号的距离值
Figure 140841DEST_PATH_IMAGE009
。
（2）确定邻域范围k。
计算每个信号周期内信号的离群性，需要确定每个信号的对比范围，即该信号与邻近多少个信号进行对比计算其局部离群性。
由于缺陷、故障对振动信号具有持续累加的影响特征，噪声具有随机累加的影响特征，因此在每个振动周期内信号与标准模板高斯曲线相差所得的异常程度值
Figure 620364DEST_PATH_IMAGE016
，其混乱度越高，代表异常信号持续性越差，随机性越高，混乱度越低代表异常信号的持续性较好，随机性较低。而前者随机性较高，信号和信号之间的关联性较差，因此每个信号的对比范围需要缩小；后者随机性较低，每个信号的对比范围可以增大。
因此，本实施例中引入LOF离群因子算法，根据每个信号周期内异常信号集合
Figure 322741DEST_PATH_IMAGE011
的混乱度来确定第k距离邻近值：
Figure 638447DEST_PATH_IMAGE050
上式v代表异常信号集合
Figure 818893DEST_PATH_IMAGE011
中任意一个单位信号，
Figure 418501DEST_PATH_IMAGE003
代表任意一个振动信号周期，T代表一个振动信号周期的时间长度，
Figure 478730DEST_PATH_IMAGE016
代表异常信号集合
Figure 265420DEST_PATH_IMAGE011
中第v个单位信号的异常程度，
Figure 249557DEST_PATH_IMAGE017
代表异常信号集合
Figure 969251DEST_PATH_IMAGE011
中第v个单位信号的异常程度在该集合中出现的概率，
Figure 698917DEST_PATH_IMAGE018
代表取整符号。计算该信号周期内的异常信号混乱度，即计算异常信号的异常程度信息熵：
Figure DEST_PATH_IMAGE051
；然后通过指数函数进行归一化，原式应为
Figure 707324DEST_PATH_IMAGE052
，负负取正相消后，为
Figure DEST_PATH_IMAGE053
。由于指数函数在0-1之间取值，满足熵值越大，
Figure 150944DEST_PATH_IMAGE053
在0-1之间越小，熵值越小，则
Figure 459565DEST_PATH_IMAGE053
在0-1之间越大，以
Figure 159799DEST_PATH_IMAGE054
为每个振动信号周期内根据异常信号的混乱度所自适应的第k距离邻近值调节系数。默认每个信号周期内原本单位信号的最大对比范围就是该信号周期时间长度，那么
Figure DEST_PATH_IMAGE055
就是该信号周期内自适应的k值，即
Figure 921082DEST_PATH_IMAGE029
。
（3）计算可达密度，得到局部离群因子。
以
Figure 981441DEST_PATH_IMAGE009
作为每个单位异常信号的离群特征，并根据已得
Figure 862679DEST_PATH_IMAGE029
，计算每个单位振动信号的局部可达密度:
Figure 983081DEST_PATH_IMAGE056
上式v代表异常信号集合
Figure 497239DEST_PATH_IMAGE011
中任意一个单位异常信号，
Figure 318215DEST_PATH_IMAGE003
代表任意一个振动信号周期，
Figure 601428DEST_PATH_IMAGE029
代表第
Figure 158312DEST_PATH_IMAGE032
个信号周期的邻域距离，
Figure 143454DEST_PATH_IMAGE028
代表对于第v个异常信号来说，以其为中心
Figure 14458DEST_PATH_IMAGE029
长度范围内所有可达的邻域异常信号数量，r代表
Figure 417758DEST_PATH_IMAGE028
中任意一个，
Figure 630695DEST_PATH_IMAGE009
则代表第
Figure 853866DEST_PATH_IMAGE003
周期内第v个异常信号与其相邻信号的距离值。
Figure DEST_PATH_IMAGE057
则是将第v个异常信号
Figure 512250DEST_PATH_IMAGE029
长度范围内所有可达邻域异常信号的
Figure 504476DEST_PATH_IMAGE009
值累加求均，然后求倒数，即得到代表关于第v个异常信号的局部可达密度
Figure 340845DEST_PATH_IMAGE033
。
然后得到每个异常信号的局部离群因子
Figure 799115DEST_PATH_IMAGE027
：
Figure DEST_PATH_IMAGE059
Figure DEST_PATH_IMAGE061
上式
Figure 11922DEST_PATH_IMAGE023
代表第v个异常信号邻域点r的局部可达密度
Figure 311185DEST_PATH_IMAGE024
与v局部可达密度
Figure 646351DEST_PATH_IMAGE025
之比的平均数；当
Figure 578535DEST_PATH_IMAGE023
越接近1，则代表第v个信号的离群度较小；
Figure 142503DEST_PATH_IMAGE023
越偏离1，则代表第v个信号的离群度较大，
Figure 47005DEST_PATH_IMAGE062
代表
Figure 553073DEST_PATH_IMAGE023
与1的偏离程度。
（4）当获取的某一个异常信号的局部离群因子大于设定阈值，则认为该信号局部离散，极可能是噪声信号，其余为故障信号。
本实施例中的设定阈值为0.3。
步骤3，根据降噪后剩余的故障信号进行电机质量评估。
本实施例中的降噪后的电机振动信号所得的故障信号，在采样检测长度内，其密度越大、幅度较大，则代表电机质量较差，反之则较好。其中采样长度为H个振动周期。
其中，故障信号的密度计算为：
Figure 221820DEST_PATH_IMAGE034
上式G代表故障信号的数量，
Figure 776430DEST_PATH_IMAGE035
代表第
Figure 863334DEST_PATH_IMAGE032
个信号周期内的故障信号数量，
Figure DEST_PATH_IMAGE063
为第
Figure 712209DEST_PATH_IMAGE032
个信号周期内的故障信号密度，
Figure 618985DEST_PATH_IMAGE064
为整个采样长度内所有信号周期故障信号密度加和求均。
其中，电机故障信号幅度计算为：
Figure 23290DEST_PATH_IMAGE036
上式a代表任意一个故障信号，
Figure 964702DEST_PATH_IMAGE037
为去除噪声信号后，剩余故障信号中任意一个的幅值。
Figure 546993DEST_PATH_IMAGE035
代表第
Figure 941065DEST_PATH_IMAGE032
个信号周期内的故障信号数量，
Figure DEST_PATH_IMAGE065
为第
Figure 57051DEST_PATH_IMAGE032
个信号周期内的故障信号的幅值之和，
Figure 305498DEST_PATH_IMAGE066
为采样长度上所有信号周期的故障信号幅值之和，
Figure DEST_PATH_IMAGE067
为加和求均。
本实施例中，根据故障信号的密度以及电机故障信号幅度，得到电机故障的评估指标：
Figure DEST_PATH_IMAGE069
上式利用双曲正切函数将
Figure 681860DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE071
归一化求均，得到评估电机运转质量的评估函数，J在0-1之间取值，取值越大，电机质量越差。
本发明的方案与现有技术相比，现有的故障信号检测算法都会收到噪声信号干扰，单纯进行阈值降噪，也会连带故障信号一起处理掉，本发明通过噪声信号和故障信号的特征，计算单位信号的局部离散性，在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分，对电机的质量检测结果更为准确。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种风机盘管的质量检测方法，其特征在于，包括以下步骤：
采集电机的振动信号，提取振动信号中的所有异常信号，记为异常信号集合；
根据异常信号集合的局部离群因子区分噪声信号和故障信号，然后经过降噪处理得到故障信号，包括：
（1）根据异常信号集合构建离群距离参数；
（2）根据异常信号集合的混乱度确定邻域范围k；
（3）根据离群距离参数和邻域范围k计算可达密度，得到异常信号集合中每个异常信号的局部离群因子；
（4）当获取的异常信号集合中某一个异常信号的局部离群因子大于设定阈值，则认为该异常信号为噪声信号，反之，该异常信号为故障信号；
根据所有的故障信号进行电机质量评估。
2.根据权利要求1所述的一种风机盘管的质量检测方法，其特征在于，所述提取振动信号中的所有异常信号的方法为：
将振动信号与标准模板信号进行对比，得到所有异常信号，其中标准模板信号为：
Figure 226961DEST_PATH_IMAGE002
上式F代表信号幅值，
Figure DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值，i代表振动信号图像上任意一个信号，z代表每个信号周期的中轴点，
Figure 525350DEST_PATH_IMAGE004
代表第
Figure 429852DEST_PATH_IMAGE003
个信号周期中中轴点对应的幅值，
Figure DEST_PATH_IMAGE005
表示任意一个信号周期内最大时间值，
Figure 122870DEST_PATH_IMAGE006
表示任意一个信号周期内最小时间值。
3.根据权利要求1所述的一种风机盘管的质量检测方法，其特征在于，所述根据异常信号集合构建离群距离参数的方法为:
Figure 276771DEST_PATH_IMAGE008
上式
Figure DEST_PATH_IMAGE009
表示异常信号集合中任意异常信号在任意周期上的离群距离参数，F代表每个异常信号的幅值，v代表异常信号集合
Figure 596761DEST_PATH_IMAGE010
中任意一个异常信号，
Figure 480404DEST_PATH_IMAGE003
代表任意一个信号周期，t代表时间序列上的时间值。
4.根据权利要求1所述的一种风机盘管的质量检测方法，其特征在于，所述根据异常信号集合的混乱度确定邻域范围k的具体过程为：
根据每个信号周期内异常信号集合
Figure DEST_PATH_IMAGE011
的混乱度来确定邻域范围k：
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE015
上式v代表异常信号集合
Figure 954110DEST_PATH_IMAGE011
中任意一个异常信号，
Figure 923203DEST_PATH_IMAGE003
代表任意一个振动信号周期，T代表一个振动信号周期的时间长度，
Figure 501077DEST_PATH_IMAGE016
代表异常信号集合
Figure 176909DEST_PATH_IMAGE011
中第v个异常信号的异常程度，
Figure DEST_PATH_IMAGE017
代表异常信号集合
Figure 211730DEST_PATH_IMAGE011
中第v个异常信号的异常程度在该集合中出现的概率，
Figure 668119DEST_PATH_IMAGE018
代表取整符号,
Figure DEST_PATH_IMAGE019
表示
Figure 328646DEST_PATH_IMAGE011
的混乱度，
Figure 347067DEST_PATH_IMAGE020
表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种风机盘管的质量检测方法，其特征在于，所述局部离群因子为：
Figure 772363DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
代表异常信号集合
Figure 168578DEST_PATH_IMAGE011
中第v个异常信号邻域点r的局部可达密度
Figure 337523DEST_PATH_IMAGE024
与第v个异常信号的局部可达密度
Figure DEST_PATH_IMAGE025
之比的平均数，即
Figure 4259DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
表示异常信号集合
Figure 866035DEST_PATH_IMAGE011
中第v个异常信号的局部离群因子，
Figure 421650DEST_PATH_IMAGE028
代表对于第v个异常信号来说，以其为中心
Figure DEST_PATH_IMAGE029
长度范围内所有可达的邻域异常信号数量。
6.根据权利要求5所述的一种风机盘管的质量检测方法，其特征在于，所述的局部可达密度获取方法为：
Figure DEST_PATH_IMAGE031
上式v代表异常信号集合
Figure 610930DEST_PATH_IMAGE011
中任意一个异常信号，
Figure 443757DEST_PATH_IMAGE003
代表任意一个振动信号周期，
Figure 7593DEST_PATH_IMAGE029
代表第
Figure 207762DEST_PATH_IMAGE032
个信号周期的邻域距离，r代表
Figure 718508DEST_PATH_IMAGE028
中任意一个，
Figure 61634DEST_PATH_IMAGE009
则代表第
Figure 389847DEST_PATH_IMAGE003
周期内第v个异常信号与其相邻信号的距离值，
Figure DEST_PATH_IMAGE033
表示第v个异常信号的局部可达密度。
7.根据权利要求1所述的一种风机盘管的质量检测方法，其特征在于，进行电机质量评估的具体过程为：
计算得到故障信号的密度以及电机故障信号幅度；
故障信号的密度计算为：
Figure 670787DEST_PATH_IMAGE034
上式G代表故障信号的数量，
Figure DEST_PATH_IMAGE035
代表第
Figure 196010DEST_PATH_IMAGE032
个信号周期内的故障信号数量，采样长度为H个振动周期；
电机故障信号幅度计算为：
Figure 737849DEST_PATH_IMAGE036
上式a代表任意一个故障信号，
Figure DEST_PATH_IMAGE037
为去除噪声信号后，剩余故障信号中任意一个的幅值，
Figure 112330DEST_PATH_IMAGE035
代表第
Figure 739621DEST_PATH_IMAGE032
个信号周期内的故障信号数量；
计算故障信号的密度以及电机故障信号幅度，得到电机故障的评估指标；当评估指标越大，则电机质量越差。
CN202211149609.6A 2022-09-21 2022-09-21 一种风机盘管的质量检测方法 Active CN115235613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211149609.6A CN115235613B (zh) 2022-09-21 2022-09-21 一种风机盘管的质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211149609.6A CN115235613B (zh) 2022-09-21 2022-09-21 一种风机盘管的质量检测方法

Publications (2)

Publication Number Publication Date
CN115235613A true CN115235613A (zh) 2022-10-25
CN115235613B CN115235613B (zh) 2023-09-12

Family

ID=83680748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211149609.6A Active CN115235613B (zh) 2022-09-21 2022-09-21 一种风机盘管的质量检测方法

Country Status (1)

Country Link
CN (1) CN115235613B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798518A (zh) * 2023-06-05 2023-09-22 中南大学湘雅医院 基于死亡这一衰老结局构建的代谢物衰老分数、代谢衰老速率及其应用
CN117436024A (zh) * 2023-12-19 2024-01-23 湖南翰文云机电设备有限公司 一种基于钻机运行数据分析的故障诊断方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672517A (zh) * 2018-12-20 2019-04-23 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法
CN109767352A (zh) * 2018-12-24 2019-05-17 国网山西省电力公司信息通信分公司 一种电力信息物理融合系统安全态势评估方法
CN111474475A (zh) * 2020-03-22 2020-07-31 华南理工大学 一种电机故障诊断系统及方法
CN112101174A (zh) * 2020-09-09 2020-12-18 洛阳师范学院 一种基于LOF-Kurtogram的机械故障诊断方法
CN113551895A (zh) * 2021-07-16 2021-10-26 山东电工电气集团有限公司 一种有载分接开关机械故障综合智能诊断方法
CN114263621A (zh) * 2021-11-26 2022-04-01 江苏科技大学 一种离心泵空化故障诊断模拟的试验方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672517A (zh) * 2018-12-20 2019-04-23 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法
CN109767352A (zh) * 2018-12-24 2019-05-17 国网山西省电力公司信息通信分公司 一种电力信息物理融合系统安全态势评估方法
CN111474475A (zh) * 2020-03-22 2020-07-31 华南理工大学 一种电机故障诊断系统及方法
CN112101174A (zh) * 2020-09-09 2020-12-18 洛阳师范学院 一种基于LOF-Kurtogram的机械故障诊断方法
CN113551895A (zh) * 2021-07-16 2021-10-26 山东电工电气集团有限公司 一种有载分接开关机械故障综合智能诊断方法
CN114263621A (zh) * 2021-11-26 2022-04-01 江苏科技大学 一种离心泵空化故障诊断模拟的试验方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BIDYUT KR.PATRA: "Using the Triangle Inequality to Accelerate Density based Outlier Detection Method", 《ELSEVIER PROCEDIA TECHNOLOGY》 *
MARKUS M.BREUNIG 等: "LOF：identifying density-based local outliers", 《ACM SIGMOD RECORD》 *
曾天生 等: "基于多特征信息融合的风电机组整机性能评估", 《计算机集成制造系统》 *
沈江飞 等: "基于局部离群因子和神经网络模型的设备状态在线监测方法研究", 《核动力工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798518A (zh) * 2023-06-05 2023-09-22 中南大学湘雅医院 基于死亡这一衰老结局构建的代谢物衰老分数、代谢衰老速率及其应用
CN116798518B (zh) * 2023-06-05 2024-03-08 中南大学湘雅医院 构建代谢物衰老分数及代谢衰老速率的方法及其应用
CN117436024A (zh) * 2023-12-19 2024-01-23 湖南翰文云机电设备有限公司 一种基于钻机运行数据分析的故障诊断方法及系统
CN117436024B (zh) * 2023-12-19 2024-03-08 湖南翰文云机电设备有限公司 一种基于钻机运行数据分析的故障诊断方法及系统

Also Published As

Publication number Publication date
CN115235613B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN115235613A (zh) 一种风机盘管的质量检测方法
Huang et al. Fault diagnosis of bearing in wind turbine gearbox under actual operating conditions driven by limited data with noise labels
CN109829402B (zh) 基于gs-svm的不同工况下轴承损伤程度诊断方法
Huo et al. Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN112232366B (zh) 一种基于rfid监测的电气设备故障预警方法及系统
CN110553377B (zh) 空调的室外换热器脏堵检测方法、系统及空调
Huo et al. Self-adaptive fault diagnosis of roller bearings using infrared thermal images
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN115100203A (zh) 一种钢筋打磨除锈质量检测方法
CN109443717B (zh) 一种有载分接开关机械故障在线监测方法
CN116413395B (zh) 一种环境异常智能检测方法
CN106971027B (zh) 一种基于dr-bn模型的冷水机组故障特征选择方法
CN111122191A (zh) 一种基于ewma控制的设备安康报警阈值设定方法
Jiang et al. A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection
CN109708877B (zh) 基于小波模糊识别和图像分析理论的机械故障分析方法
CN116644348A (zh) 基于传递式对抗迁移的跨机械部件故障诊断方法及装置
CN110850717A (zh) 利用风机电流的神经网络热泵除霜控制装置及控制方法
CN114838496B (zh) 基于人工智能的空调消声器性能检测方法
CN116453544A (zh) 一种基于声纹识别的工业设备运行状态监测方法
US20240052810A1 (en) Blade fault diagnosis method, apparatus and system, and storage medium
CN109918220B (zh) 一种异常数据检测参数的确定方法及确定装置
CN110849050A (zh) 利用风机振动和神经网络的热泵除霜控制装置及控制方法
He et al. A muti-stage selection filter based on wavelet packet and 2DCNN for fault diagnosis of rotating machinery
CN117557167B (zh) 一种云台机的生产质量管理方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231205

Address after: Factory Building 2, Nantong Europe and America Industrial Park, No. 32 Hexing Road, Development Zone, Nantong City, Jiangsu Province, 226000

Patentee after: Jiangsu Taiente Environmental Technology Co.,Ltd.

Address before: 226000 Building C, Nantong Europe America Industrial Park, No. 32 Hexing Road, Nantong Development Zone, Jiangsu Province

Patentee before: Jiangsu taiente Environmental Technology Co.,Ltd.