CN115293192A - 一种旋转机械故障判别方法、计算机设备及存储介质 - Google Patents
一种旋转机械故障判别方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115293192A CN115293192A CN202210706797.1A CN202210706797A CN115293192A CN 115293192 A CN115293192 A CN 115293192A CN 202210706797 A CN202210706797 A CN 202210706797A CN 115293192 A CN115293192 A CN 115293192A
- Authority
- CN
- China
- Prior art keywords
- vibration
- fault
- time
- time sequence
- layer
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于旋转机械故障诊断技术领域,公开了一种旋转机械故障判别方法、计算机设备及存储介质,所述基于时序深度融合网络的旋转机械故障判别方法包括采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理,得到所述振动信号对应的处理结果,并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析,得到所述旋转机械的故障信息。本发明采用训练好的卷积神经网络对其中的故障特征进行分析,进而得到所述旋转机械的故障诊断,有助于实现旋转机械实时智能的故障诊断。
Description
技术领域
本发明属于旋转机械故障诊断技术领域,尤其涉及一种旋转机械故障判别方法、计算机设备及存储介质。
背景技术
目前,随着工业技术的发展,旋转机械设备的技术水平和复杂性都在提高。这些设备的故障将造成巨大的经济损失甚至人员伤亡。故障诊断的目的是在故障发生时对其进行检测、隔离和识别,这是保证系统安全可靠运行的关键。对于确保大型旋转机械的安全可靠运行至关重要,并有助于制定合理的维修计划,降低设备维修费用。
现有的旋转机械诊断方法,大多是对振动信号进行分析。基于深度学习的故障诊断方法,大多数深度网络通常十分关注工业故障信号的准静态特征,即在相对较短的时间内每个频率的幅度和相位,但这还不够。旋转机械的波形在短时间窗中是周期信号,是对应某时刻状态的准静态信息,是状态的一种表现。而在远大于采集周期的较长时段中,旋转机械的状态可能会明显变化。如果产生故障,在某一状态下,振动波形不一定含有明显的故障信息,或故障信息被淹没在其他信息中。这时,依靠随机抽取的状态信息来进行诊断是会碰到困难的,如果故障特征不是绝对清晰,基于某时刻状态波形的方法就不能很好区分这些故障。大多数故障信号往往随时间变化,在运行条件发生较大变化的情况下,故障会导致转子的工作频率振动幅值和相位等相关信息随时间有规律地变化,信号的这些时间序列特征往往被深度网络忽略,导致现有方法无法取得更好的效果。现有的一些基于CNN的故障诊断方法使用多尺度卷积的方式在一定程度上解决故障时间尺度的问题,但并不能很好地直接自动学习到故障时间序列特征。还有的深度学习方法使用时间序列网络来处理转子时间序列特征,但没有充分利用深度的准静态特征。因此,深度网络进行故障诊断的同时,有机结合两类特征非常重要。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术在旋转机械故障判别中,获得的旋转机械的故障信息准确度低。
(2)现有技术在旋转机械故障判别中,在运行条件发生较大变化的情况下,信号的时间序列特征往往被深度网络忽略,导致现有方法无法取得准确信号数据。
发明内容
针对现有技术存在的问题,本发明提供了一种旋转机械故障判别方法、计算机设备及存储介质。
具体涉及一种基于时序深度融合网络的旋转机械故障判别方法。
本发明是这样实现的,一种基于时序深度融合网络的旋转机械故障判别方法包括:
采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理,得到所述振动信号对应的处理结果,并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析,得到所述旋转机械的故障信息。
进一步,所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理前,需进行:采集旋转机械的振动信号;在所述旋转机械上设置振动位移传感器,在所述旋转机械的运动过程中,所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。
进一步,所述振动位移传感器沿所述旋转机械的轴的径向的水平或垂直方向设置,以检测所述旋转机械沿所述径向的振动;所述振动位移传感器为电涡流位移传感器,沿所述轴的径向的水平和垂直方向设置;
所述采样方式包括采样长度及采样频率,并采用同步整周期采样,采样频率为旋转机械转速的2n倍,n为大于等于6的正整数;采样时间长度为 2k个旋转周期,k为大于等于3的正整数。
采样频率为所述旋转机械转速的2n倍,n为大于等于6的正整数;采样长度为2k个旋转周期,k为大于等于3的正整数。
进一步,所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理具体包括:
按照预先训练过的时序深度融合网络模型的输入形式,对采集到的振动信号进行小波变换,并将信息矩阵进行组合,获得振动信号的短时间-时频域信息矩阵;
按照预先训练过的时序深度融合网络模型的输入形式,将采集到的振动信号进行短时傅里叶变换,将特征频率的幅值相位提取出来,并用滑动平移的办法得到时序变化信息向量。
进一步,所述获得振动信号的短时间-时频域信息矩阵具体步骤包括:
将振动信号截取信号长度为2n的一维数组,n为大于等于6的正整数;
将一维数组进行小波变换,提取频率为转速的8倍频以内的振动信号;将所述一维数组拓展为2k×2n大小的矩阵,作为振动信号的短时信息矩阵Fx,k 为大于等于3的正整数。
进一步,所述获得振动信号的时序变化信息向量具体步骤包括:
提取特征频率的振动信号的幅值和相位,得到两个长度为2k的时序向量;
进一步,所述并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析,得到所述旋转机械的故障信息包括:
将振动综合信息矩阵输入到所述预先训练过的时序深度融合网络模型,所述网络模型对接收到的振动信息矩阵和向量进行诊断分析,得到旋转机械的故障诊断结果;
卷积神经网络模型的预先训练过程包括以下步骤:
对所述旋转机械进行故障实验,对不同的故障实验分别采集振动位移信号,得到多组不同故障情况下的故障信号;
对多组故障情况下故障信号进行频域和时域信息分析获取,得到短时间-时频域信息矩阵和时序变化信息向量,作为卷积神经网络模型的输入;
根据故障实验中每种故障诊断的发生情况,构造对应的输出矩阵;
设置卷积神经网络模型的参数,将输入及输出矩阵输入时序深度融合网络模型进行训练,得到用于所述旋转机械故障诊断识别的预先训练的融合神经网络模型。
进一步,所述卷积神经网络包括:深度块、时序块和融合块;
所述深度块中包括:第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层;其中第一卷积层将原始的三维矩阵进行矩阵卷积操作,提取不同卷积核维度下的矩阵数值特征,得到第一特征矩阵,将特征传递到第一池化层;第一池化层将第一特征矩阵进行池化运算处理,减小特征矩阵的尺度,得到第二特征矩阵,将其传递到第二卷积层;第二卷积层将第二特征矩阵进行第二次矩阵卷积操作,再次提取不同卷积核维度下的矩阵特征数值特征,得到第三特征矩阵;第二池化层同理,对第三特征矩阵进行池化运算,再次减小特征矩阵尺度,得到第四特征矩阵;展开层将第四特征矩阵的每个值展开操作,将其变成一个一维长向量;全连接层将此一维长向量连接输入到融合层。总言,深度块作用是提取原始输入三维矩阵当中的准静态特征并将其传递到融合层。
时序块中包括输入层、时序卷积层、全连接层;其中输入层接收时间序列信息,将其传递到时序卷积层;时序卷积层使用强时序特征提取网络对其进行卷积计算,提取其中的时间序列变化特征;全连接层将特征整合为一个一维长向量以传递到融合层。
融合层包括全连接层和分类器。融合层将深度块和时序块的特征进行全连接,再通过几次全连接层的二维卷积操作,整合特征,再使用分类器对连接的特征进行分类。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的基于时序深度融合网络的旋转机械故障判别方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的基于时序深度融合网络的旋转机械故障判别方法。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明基于时序深度融合网络的旋转机械故障判别方法采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理,以得到所述振动信号对应的处理结果,并采用训练好的卷积神经网络对其中的故障特征进行分析,进而得到所述旋转机械的故障诊断,有助于实现旋转机械实时智能的故障诊断。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本技术适用于采用滑动轴承支撑的旋转机械故障诊断,采用深度时序融合算法对故障的特征进行自动提取,自动诊断故障类别。该技术可以自动提取运行信号当中的准静态和时间序列特征,并且其诊断效果要优于传统的深度学习算法。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
本发明的技术方案转化后的预期收益和商业价值为:适用于采用滑动轴承支撑的旋转机械。如汽轮机等旋转机械的故障诊断,为设备管理运行人员提供帮助,提出指导性建议。
本发明的技术方案填补了国内外业内技术空白:在深度学习算法中首次使用算法将振动信号提取准静态和时序特征,并将两种特征进行融合,从而提高故障诊断的准确性。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:在深度学习算法中首次使用算法将振动信号提取准静态和时序特征,并将两种特征进行融合,从而提高故障诊断的准确性。
本发明的技术方案是否克服了技术偏见:在深度学习算法中首次使用算法将振动信号提取准静态和时序特征,并将两种特征进行融合,从而提高故障诊断的准确性。
附图说明
图1是本发明实施例提供的基于时序深度融合网络的旋转机械故障判别方法流程图;
图2是本发明实施例提供的获得振动信号的短时间-时频域信息矩阵流程图;
图3是本发明实施例提供的获得振动信号的时序变化信息向量流程图;
图4是本发明实施例提供的卷积神经网络模型的预先训练流程图;
图5是本发明实施例提供的卷积神经网络结构图;
图6是本发明实施例提供的测点位置及传感器布置示意图;
图7是本发明实施例提供的测点振动通频和工频趋势图;
图8是本发明实施例提供的测点振动示意图;
图9是本发明实施例提供的测点振动诊断结果图;
图10是本发明实施例提供的轴系支承振动测点布置图;
图11是本发明实施例提供的振动趋势监测结果与图:
图12是本发明实施例提供的振动波形图;
图13是本发明实施例提供的振动智能诊断结果图;
图中:1、第一卷积层;2、第一池化层;3、第二卷积层;4、第二池化层、 5、展开层;6、全连接层;7、输入层;8、时序卷积层;9、第一全连接层;10、第二全连接层;11、分类器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明实施例提供的基于时序深度融合网络的旋转机械故障判别方法,其采用时频域分析方法和滑动平移方法对旋转机械的振动信号进行处理,并采用训练好的时序深度融合网络模型对所述处理结果进行故障诊断分析,进而得到所述旋转机械的故障诊断,以辅助实现旋转机械故障的实时智能诊断。
实施例1
如图1所述,本发明实施例提供一种基于时序深度融合网络的旋转机械故障诊断识别方法包括以下步骤:
S101,采集旋转机械的振动信号(不带齿轮箱、皮带轮的滑动轴承)。
在本发明实施例中,在所述旋转机械上设置振动位移传感器,在所述旋转机械的运动过程中,所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。
所述振动位移传感器沿所述旋转机械的轴的径向的水平或垂直方向设置,以检测所述旋转机械沿所述径向的振动。本实施方式中,所述振动位移传感器为电涡流位移传感器,其沿所述轴的径向的水平和垂直方向设置。
所述采样方式包括采样长度及采样频率。本实施方式中,采用同步整周期采样,用来减小转速变化对采样集的影响,n取值为8,k取值为4。则同步整周期采样的采样频率是所述旋转机械转速的256倍,每次采集16个周期的振动信号。
S102,按照预先训练过的时序深度融合网络模型的输入形式,对采集到的振动信号进行小波变换,并将信息矩阵进行组合,获得振动信号的短时间-时频域信息矩阵。
S103,按照预先训练过的时序深度融合网络模型的输入形式,将采集到的振动信号进行短时傅里叶变换,将特征频率的幅值相位提取出来,并用滑动平移的办法得到时序变化信息向量。
S104,将振动综合信息矩阵输入到所述预先训练过的时序深度融合网络模型,所述网络模型对接收到的振动信息矩阵和向量进行诊断分析,得到旋转机械的故障诊断结果。
实施例2
基于本发明实施例1提供的一种基于时序深度融合网络的旋转机械故障诊断识别方法,优选地,步骤S101中,由设置在所述旋转机械上的振动位移传感器采集振动信号,适用于不带齿轮箱、皮带轮的滑动轴承。
所述振动位移传感器沿旋转机械的水平或垂直设置。
所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号的采集;
所述预定采样方式为同步整周期采样,采样频率为旋转机械转速的2n倍,n 为大于等于6的正整数;采样时间长度为2k个旋转周期,k为大于等于3的正整数。
采样频率为所述旋转机械转速的2n倍,n为大于等于6的正整数;采样长度为2k个旋转周期,k为大于等于3的正整数。
实施例3
基于本发明实施例1提供的一种基于时序深度融合网络的旋转机械故障诊断识别方法,优选地,如图2所示,步骤S10 2中,获得振动信号的短时间-时频域信息矩阵的具体步骤包括:
S201,将振动信号截取信号长度为2n的一维数组,n为大于等于6的正整数。
S202,将一维数组进行小波变换,提取频率为转速的8倍频以内的振动信号;将所述一维数组拓展为2k×2n大小的矩阵,作为振动信号的短时信息矩阵 Fx,k为大于等于3的正整数。
实施例4
基于本发明实施例1提供的一种基于时序深度融合网络的旋转机械故障诊断识别方法,优选地,如图3所示,步骤S10 2中,获得振动信号的时序变化信息向量具体步骤包括:
S303,提取特征频率的振动信号的幅值和相位,得到两个长度为2k的时序向量。
实施例5
基于本发明实施例1提供的一种基于时序深度融合网络的旋转机械故障诊断识别方法,优选地,如图4所示,步骤S10 4中,卷积神经网络模型的预先训练过程包括以下步骤:
S401,对所述旋转机械进行故障实验,对不同的故障实验分别采集振动位移信号,得到多组不同故障情况下的故障信号。
S402,对多组故障情况下故障信号进行频域和时域信息分析获取,得到短时间-时频域信息矩阵和时序变化信息向量,作为卷积神经网络模型的输入。
S403,根据故障实验中每种故障诊断的发生情况,构造对应的输出矩阵。
S404,设置卷积神经网络模型的参数,将输入及输出矩阵输入时序深度融合网络模型进行训练,得到用于所述旋转机械故障诊断识别的预先训练的融合神经网络模型。
在本发明实施例5中,故障信号进行频域信息分析获取的步骤与上述步骤 S10 2和步骤S10 3同理。
在本发明实施例5中,所述故障包括转子不平衡、转子不对中、轴承座松动、动静碰摩、气流激振等。凡是有历史数据的故障类型都可以作为故障诊断的诊断结果。
实施例6
基于本发明实施例1提供的一种基于时序深度融合网络的旋转机械故障诊断识别方法,如图5所示,本发明实施例提供的所述融合网络模型采用卷积神经网络模型包括:深度块、时序块和融合块。
所述深度块中包含第一卷积层1、第一池化层2、第二卷积层3、第二池化层4、展开层5、全连接层6;时序块中包含输入层7、时序卷积层8、第一全连接层9;融合层包含第二全连接层10和分类器11,
每个分类器判断一种故障的发生情况。其中第一卷积层1将原始的三维矩阵进行矩阵卷积操作,提取不同卷积核维度下的矩阵数值特征,得到第一特征矩阵,将特征传递到第一池化层;第一池化层2将第一特征矩阵进行池化运算处理,减小特征矩阵的尺度,得到第二特征矩阵,将其传递到第二卷积层;第二卷积层3将第二特征矩阵进行第二次矩阵卷积操作,再次提取不同卷积核维度下的矩阵特征数值特征,得到第三特征矩阵;第二池化层4同理,对第三特征矩阵进行池化运算,再次减小特征矩阵尺度,得到第四特征矩阵;展开层5将第四特征矩阵的每个值展开操作,将其变成一个一维长向量;全连接层6将此一维长向量连接输入到融合层。总言,深度块作用是提取原始输入三维矩阵当中的准静态特征并将其传递到融合层。其中输入层7接收时间序列信息,将其传递到时序卷积层;时序卷积层8使用强时序特征提取网络对其进行卷积计算,提取其中的时间序列变化特征;第一全连接层9将特征整合为一个一维长向量以传递到融合层。融合层将深度块和时序块的特征进行全连接,再通过几次第二全连接层10的二维卷积操作,整合特征,再使用分类器11对连接的特征进行分类。
实施例7
基于本发明实施例7提供的一种融合网络,在本发明实施方式中,采用转子故障模拟试验台和工业转子运行数据作为卷积神经网络模型的训练数据,对5 种故障(转子不平衡、转子不对中、轴承座松动、动静碰摩、气流激振)和1 种正常情况进行多组升速试验,以获取大量的故障数据;使用网络对数据进行聚类训练,分别得到各类故障诊断的模型网络。
本发明提供的基于时序深度融合网络的旋转机械故障判别方法,其采用时频域分析方法和滑动窗口对旋转机械的振动信号进行处理,并采用训练好的网络模型对所述处理结果进行故障诊断分析,进而得到所述旋转机械的故障类别,以辅助实现旋转机械故障的实时智能诊断。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
应用事例一:
(1)测点布置
该机组为江苏常熟发电有限公司二期2×1050MW机组5号汽轮机是由上海汽轮机有限公司和德国西门子公司联合设计制造的超超临界、一次中间再热、单轴、四缸四排汽、双背压、八级回热抽汽、反动式汽轮机N1050-26.25/600/600,机组设计额定输出功率为1050MW。
测点位置及传感器布置如图6所示,5号机组1~8瓦随机安装了相对轴振和瓦振传感器,振动测点均采用同步整周期采样,汽轮机工作频率为50Hz,采样长度为1024点。数据来源:测量采用本特利公司生产的DSPi 408数采分析装置,测量装置经过国家计量局认可的计量单位的标定,符合国家有关规定。转子轴振及轴承座振动评定标准符合GB/T11348.2-2007和GB/T6075.2-2002。
(2)监测结果
1)振动趋势图
从测点振动通频和工频的趋势图7中可以看出:汽轮机各测点振动绝大多数在合理范围之内,转速不变时候6#瓦测点数据点振动值随着时运行时间有增大的趋势。且定转速时振动趋势图中5#7#8#瓦振动值小于60um,振动平稳没有爬升趋势,而6#瓦振动值大于90um,有爬升的趋势。其中,图7(a)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期2×1050MW机组5 号汽轮机5X瓦位移振动趋势图;图7(b)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期2×1050MW机组5号汽轮机6X瓦位移振动趋势图;图7(c)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期 2×1050MW机组5号汽轮机7X瓦位移振动趋势图图7(d)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期2×1050MW机组5号汽轮机8X 瓦位移振动趋势图。
2)各点振动波形bode图
为进一步判断机组的振动情况,选取振动稍大的5#6#7#8#测点进行展示。从图8测点振动bode图中可以看出,5#7#8#信号较为平稳,从图中观察升降速过程幅值不大,7#在临界转速下有振动变大的现象,但是仍然处于合理范围。 6#在转速变大到额定转速过程中振动不断增大,且定转速下仍然有增大趋势。图8(a)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期2× 1050MW机组5号汽轮机5X瓦Bode图;图8(b)采集软件数据来源本特利408 软件:江苏常熟发电有限公司二期2×1050MW机组5号汽轮机6X瓦Bode图;
图8(c)采集软件数据来源本特利408软件:江苏常熟发电有限公司二期2×1050MW机组5号汽轮机7X瓦Bode图;图8(d)采集软件数据来源本特利408 软件:江苏常熟发电有限公司二期2×1050MW机组5号汽轮机8X瓦Bode图。
(3)智能诊断结果
将振动稍大的6#瓦原始波形数据输入到算法中对此波形进行故障诊断,并自动诊断得到相应结果。6#瓦诊断结果不稳定存在碰磨现象,阶次图中可以发现振动以1X频率为主,且数值较大,频谱图中也可以明显观察出振动爬升存在一定斜率。如图9 5#6#测点振动诊断结果所示。
应用事例二:
(1)测点布置
该机组为国华太仓发电有限公司#8机组为上海汽轮发电集团公司生产的超临界、中间再热、四缸四排汽、单轴凝汽式机组,汽轮机型号为 N600—24.2/566/566,发电机为水氢氢发电机,型号为QFS—600—2。汽轮机为六支承,发电机和励磁机为三支承,整个轴系由九个径向轴承支承,轴系支承简图见图10振动测点布置图所示。
机组随机安装了#1--#7瓦相对轴振监测装置,轴振监测装置采用BENTLY 公司的3500系统。测试时用DAIU—408数据采集分析仪从振动监测装置接入1#--7#瓦相对轴振输出信号,对振动进行监测分析。
测量采用本特利公司生产的DAIU—408数采分析装置,测量装置经过国家计量局认可的计量单位的标定,符合国家有关规定。
转子轴振及轴承座振动评定标准符合GB/T11348.2-2012和 GB/T6075.2-2002。
(2)监测结果
1)振动趋势图如图11所示。图11(a)采集软件数据来源本特利408软件:国华太仓发电有限公司#8机组汽轮机1X瓦位移振动趋势图;图11(b)采集软件数据来源本特利408软件:国华太仓发电有限公司#8机组汽轮机1Y瓦位移振动趋势图。
2)振动波形bode图如图12所示。图12(a)采集软件数据来源本特利408 软件:国华太仓发电有限公司#8机组汽轮机1X瓦Bode图;图12(b)采集软件数据来源本特利408软件:国华太仓发电有限公司#8机组汽轮机1Y瓦Bode图.
机组在带高负荷期间#1瓦轴振偏大,且振动波动较大。机组运行时#1瓦轴振较大,主要一是#1瓦工频振动偏大,主要是高中压转子存在较大的二阶质量不平衡。二是机组#1瓦振动波动较大,主要是顺序阀运行机组产生汽流激振缘故。
(3)智能诊断结果
将振动各测点原始波形数据输入到智能诊断系统中对此波形进行故障诊断,并自动诊断得到相应结果:一瓦振动偏大,0.5倍频率幅值不断跳动且波动性强,在当下负荷下重复性好,验证了诊断的结果,结果如图13振动诊断结果所示。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述基于时序深度融合网络的旋转机械故障判别方法包括:
采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理,得到所述振动信号对应的处理结果,并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析,得到所述旋转机械的故障信息。
2.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理前,需进行:采集旋转机械的振动信号;在所述旋转机械上设置振动位移传感器,在所述旋转机械的运动过程中,所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。
3.根据权利要求2所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述振动位移传感器沿所述旋转机械的轴的径向的水平或垂直方向设置,以检测所述旋转机械沿所述径向的振动;所述振动位移传感器为电涡流位移传感器,沿所述轴的径向的水平和垂直方向设置;
所述采样方式包括采样长度及采样频率,并采用同步整周期采样,采样频率为旋转机械转速的2n倍,n为大于等于6的正整数;采样时间长度为2k个旋转周期,k为大于等于3的正整数。
采样频率为所述旋转机械转速的2n倍,n为大于等于6的正整数;采样长度为2k个旋转周期,k为大于等于3的正整数。
4.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述采用时频域分析方法和滑动平移窗口方法对旋转机械的振动信号进行处理具体包括:
按照预先训练过的时序深度融合网络模型的输入形式,对采集到的振动信号进行小波变换,并将信息矩阵进行组合,获得振动信号的短时间-时频域信息矩阵;
按照预先训练过的时序深度融合网络模型的输入形式,将采集到的振动信号进行短时傅里叶变换,将特征频率的幅值相位提取出来,并用滑动平移的办法得到时序变化信息向量。
5.根据权利要求4所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述获得振动信号的短时间-时频域信息矩阵具体步骤包括:
将振动信号截取信号长度为2n的一维数组,n为大于等于6的正整数;
将一维数组进行小波变换,提取频率为转速的8倍频以内的振动信号;将所述一维数组拓展为2k×2n大小的矩阵,作为振动信号的短时信息矩阵Fx,k为大于等于3的正整数。
7.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述并采用训练好的卷积神经网络对所述处理结果中的故障特征进行分析,得到所述旋转机械的故障信息包括:
将振动综合信息矩阵输入到所述预先训练过的时序深度融合网络模型,所述网络模型对接收到的振动信息矩阵和向量进行诊断分析,得到旋转机械的故障诊断结果;
卷积神经网络模型的预先训练过程包括以下步骤:
对所述旋转机械进行故障实验,对不同的故障实验分别采集振动位移信号,得到多组不同故障情况下的故障信号;
对多组故障情况下故障信号进行频域和时域信息分析获取,得到短时间-时频域信息矩阵和时序变化信息向量,作为卷积神经网络模型的输入;
根据故障实验中每种故障诊断的发生情况,构造对应的输出矩阵;
设置卷积神经网络模型的参数,将输入及输出矩阵输入时序深度融合网络模型进行训练,得到用于所述旋转机械故障诊断识别的预先训练的融合神经网络模型。
8.根据权利要求1所述的基于时序深度融合网络的旋转机械故障判别方法,其特征在于,所述卷积神经网络包括:深度块、时序块和融合块;
所述深度块中包括:第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层;
时序块中包括输入层、时序卷积层、全连接层;
融合层包括全连接层和分类器。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~8任意一项所述的基于时序深度融合网络的旋转机械故障判别方法。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~8任意一项所述的基于时序深度融合网络的旋转机械故障判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706797.1A CN115293192A (zh) | 2022-06-21 | 2022-06-21 | 一种旋转机械故障判别方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706797.1A CN115293192A (zh) | 2022-06-21 | 2022-06-21 | 一种旋转机械故障判别方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293192A true CN115293192A (zh) | 2022-11-04 |
Family
ID=83820133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210706797.1A Pending CN115293192A (zh) | 2022-06-21 | 2022-06-21 | 一种旋转机械故障判别方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297883A (zh) * | 2023-05-11 | 2023-06-23 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
-
2022
- 2022-06-21 CN CN202210706797.1A patent/CN115293192A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297883A (zh) * | 2023-05-11 | 2023-06-23 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
CN116297883B (zh) * | 2023-05-11 | 2023-08-25 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multi-kernel support vector machine | |
Xu et al. | Fan fault diagnosis based on symmetrized dot pattern analysis and image matching | |
CN104697767B (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
CN110399986B (zh) | 一种泵站机组故障诊断系统的生成方法 | |
CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
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 | |
KR20190000826A (ko) | 실시간 진동 분석을 이용한 회전기계의 자동진단방법 | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
CN115293192A (zh) | 一种旋转机械故障判别方法、计算机设备及存储介质 | |
CN106762343A (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Betta et al. | A DSP-based FFT-analyzer for the fault diagnosis of rotating machine based on vibration analysis | |
You et al. | Fault diagnosis system of rotating machinery vibration signal | |
CN108871827B (zh) | 一种基于交叉统计分析的快速诊断旋转机械共振的方法 | |
Li et al. | The Application of AE Signal in Early Cracked Rotor Fault Diagnosis with PWVD and SVM. | |
CN115270896B (zh) | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
CN109781442A (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
Mustafa et al. | Experimental research on machinery fault simulator (MFS): A review | |
Lim et al. | Motor fault detection method for vibration signal using FFT residuals | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
Wu et al. | Automatic Diagnosis of Rolling Element Bearing Under Different Conditions Based on RVMD and Envelope Order Capture | |
CN111947927A (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
Kumhar et al. | Dynamic-balance monitoring scheme for industrial fans using neural-network based machine learning approach | |
Elsamanty et al. | Rotary Machines Fault Diagnosis based on Principal Component Analysis |
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 |