CN115855491A - 一种发电机轴承的故障检测方法及装置 - Google Patents
一种发电机轴承的故障检测方法及装置 Download PDFInfo
- Publication number
- CN115855491A CN115855491A CN202111122917.5A CN202111122917A CN115855491A CN 115855491 A CN115855491 A CN 115855491A CN 202111122917 A CN202111122917 A CN 202111122917A CN 115855491 A CN115855491 A CN 115855491A
- Authority
- CN
- China
- Prior art keywords
- generator
- temperature
- preset time
- time period
- bearing
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种发电机轴承的故障检测方法及装置,该方法包括:根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度;获得发电机轴承在预设时间段的终点的实际温度;当预测温度和实际温度的差值大于预设温度阈值时,控制系统从发电机获得发电机的振动信号;根据振动信号判断发电机轴承是否发生故障。本申请提供的方法在没有通过CMS的前提下,较为精确地检测发电机故障。同时也解决了控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号的问题,在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
Description
技术领域
本申请涉及发电机领域,尤其涉及一种发电机轴承的故障检测方法及装置。
背景技术
发电机轴承是发电机的重要部件之一。发电机轴承发生故障将对发电机的工作产生较大的影响。目前,通常在发电机安装状态检测系统(CMS)监测发电机轴承的工作状态。
但目前存在一些发电机没有安装CMS,例如直驱式发电机。这些发电机无法通过CMS来检测发电机轴承的工作状态,发电机轴承可能存在未检出的故障,从而导致发电机在工作时发生较为严重的故障。因此,本领域急需一种不需要CMS但能较为精确地检测发电机轴承故障的方法。
发明内容
为了解决上述技术问题,本申请提供了一种发电机轴承的故障检测方法及装置,用于检测未安装CMS的发电机的发电机轴承故障。
为了实现上述目的,本申请实施例提供的技术方案如下:
本申请实施例提供一种发电机轴承的故障检测方法,包括:
根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度;
获得所述发电机轴承在所述预设时间段的终点的实际温度;
当所述预测温度和所述实际温度的差值大于预设温度阈值时,控制系统从所述发电机获得所述发电机的振动信号;
根据所述振动信号判断所述发电机轴承是否发生故障。
作为一种可能的实施方式,根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度,包括:
将所述发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度输入多项式模型中,获得所述发电机轴承在所述预设时间段的终点的预测温度;所述多项式模型的参数根据所述发电机的历史数据寻优获得。
作为一种可能的实施方式,根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度,包括:
将所述发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度输入预先训练的神经网络模型中,获得所述发电机轴承在所述预设时间段的终点的预测温度;所述神经网络模型根据所述发电机的历史数据训练获得。
作为一种可能的实施方式,所述获得所述发电机的振动信号,包括:
获得所述发电机的可编程逻辑控制器中存储的振动信号;
当所述发电机的可编程逻辑控制器中存储的振动信号已过期时,控制加速度传感器采集振动信号。
作为一种可能的实施方式,获得预设时间段对应的预测温度和实际温度包括:
获得M个预设时间段对应的预测温度和实际温度;
所述当所述预测温度和所述实际温度的差值大于预设温度阈值时,获得所述发电机的振动信号,包括:
当所述M个预设时间段中存在N个预设时间段对应的预测温度和实际温度的差值大于预设温度阈值,且N大于第一预设阈值时,获得所述发电机的振动信号;M和N均为大于0的整数。
作为一种可能的实施方式,获得预设时间段对应的预测温度和实际温度包括:
获得多个预设时间段对应的预测温度和实际温度;
所述当所述预测温度和所述实际温度的差值大于预设温度阈值时,获得所述发电机的振动信号,包括:
根据所述多个预设时间段对应的预测温度和实际温度,计算均方根误差;
当所述均方根误差大于第二预设阈值时,获得所述发电机的振动信号。
作为一种可能的实施方式,还包括:
获取发电机轴承的实际温度在检测时间段内的最大值;
当所述最大值大于第一温度时,判断所述发电机轴承发生故障;
当所述最大值小于第二温度时,判断所述发电机轴承没有发生故障。
作为一种可能的实施方式,所述发电机轴承包括:发电机前轴承或发电机后轴承。
根据上述的发电机轴承的故障检测方法,本申请还提供了一种发电机轴承的故障检测装置,包括:
预测模块,用于根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度;
测量模块,用于获得所述发电机轴承在所述预设时间段的终点的实际温度;
振动信号获得模块,用于当所述预测温度和所述实际温度的差值大于预设温度阈值时,控制系统从所述发电机获得所述发电机的振动信号;
判断模块,用于根据所述振动信号判断所述发电机轴承是否发生故障。
作为一种可能的实施方式,所述振动信号获得模块具体用于:
获得所述发电机的可编程逻辑控制器中存储的振动信号;
当所述发电机的可编程逻辑控制器中存储的振动信号已过期时,控制加速度传感器采集振动信号。
通过上述技术方案可知,本申请具有以下有益效果:
本申请实施例提供了一种发电机轴承的故障检测方法及装置,该方法包括:根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度;获得发电机轴承在预设时间段的终点的实际温度;当预测温度和实际温度的差值大于预设温度阈值时,控制系统从发电机获得发电机的振动信号;根据振动信号判断发电机轴承是否发生故障。
由此可知,本申请实施例提供的发电机轴承的故障检测方法,首先通过发电机的温度数据和转速数据来判断发电机轴承是否存在故障的风险,当预测温度与实际温度的差值大于预设温度阈值时,说明此时发电机轴承存在一定的故障风险。然后进一步通过发电机的振动信号,精确判断发电机轴承是否发生了故障,从而本申请实施例所提供的方法在没有通过CMS的前提下,较为精确地检测发电机故障。同时也解决了控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号的问题。如此,本申请实施例所提供的方法在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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他的附图。
图1为本申请实施例提供的一种发电机轴承的故障检测方法示意图;
图2为本申请实施例提供的一种发电机前轴承和发电机后轴承的参数和其对应的阈值示意图;
图3为本申请实施例提供的一种发电机轴承的故障检测装置示意图。
具体实施方式
为了帮助更好地理解本申请实施例提供的方案,在介绍本申请实施例提供的方法之前,先介绍本申请实施例方案的应用的场景。
发电机轴承是发电机的重要部件之一。发电机轴承发生故障将对发电机的工作产生较大的影响。目前,通常在发电机安装状态检测系统(CMS)监测发电机轴承的工作状态。
但目前存在一些发电机没有安装CMS,例如直驱式发电机。这些发电机无法通过CMS来检测发电机轴承的工作状态,发电机轴承可能存在未检出的故障,从而导致发电机在工作时发生较为严重的故障。因此,本领域急需一种不需要CMS但能较为精确地检测发电机轴承故障的方法。
在实际的应用中,发电机的转速数据和温度数据采集难度较低,数据复杂度较小。使用发电机的转速数据和温度数据诊断发电机的轴承是否发生故障较为方便。但本申请人发现,基于转速数据和温度数据判断发电机的轴承是否发生故障具有一定的局限性,准确性不能得到保障。而采用振动信号判断发电机的轴承是否发生故障的准确性较高,但由于振动信号是高频信号,而控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号。
为了解决上述的技术问题,本申请实施例提供了一种使用转速数据和温度数据,即发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,来判断发电机是否存在发生故障的可能。然后使用发电机的振动信号对发电机轴承是否发生故障进行进一步地判断。本申请实施例所提供的方法在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
参见图1,该图为本申请实施例提供的一种发电机轴承的故障检测方法示意图。
如图1所示,本申请实施例提供的发电机轴承的故障检测方法,包括:
S101:根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度。
S102:获得发电机轴承在预设时间段的终点的实际温度。
S103:当预测温度和实际温度的差值大于预设温度阈值时,控制系统从发电机获得发电机的振动信号。
S104:根据振动信号判断发电机轴承是否发生故障。
应该理解,本申请实施例中仅用温度数据和转速数据,即发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,对发电机轴承是否发生故障进行一个较为粗略的判断。当根据温度数据和转速数据判断发电机的轴承在可能存在故障的区间时,采用振动信号进行进一步的判断。
如此,本申请实施例提供的方法,一方面采用振动信号判断发电机轴承是否发生了故障,解决了温度数据和转速数据判断准确性不高的问题,另一方面,只在温度数据和转速数据判断发电机的轴承在可能存在故障的区间时,发电机才向控制系统发送高频的振动信号,也解决了控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号的问题。因此,本申请实施例所提供的方法在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
下面将通过具体的实施例来介绍本申请实施例提供的方案。
作为一种可能的实施方式,本申请实施例中的根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度,包括:将发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度输入多项式模型中,获得发电机轴承在预设时间段的终点的预测温度;多项式模型的参数根据发电机的历史数据寻优获得。
作为一个示例,本申请实施例中的预设时间段可以为2小时,下面以预设时间段为2小时作为示例,介绍本申请利用多项式模型。
首先获得近30天该机组前轴承温度、机舱温度、发电机转速的10分钟均值数据作为源数据。将数据分为4天前~30天前的训练数据和近4天计算数据。然后将4天前~30天前的训练数据,分割为2小时一个时间间隔的样本,计算得到机组2小时内“转速均值RG”、“机舱温度均值TE”、“2小时起点时刻轴承温度TG(k-s)”、“2小时终点时刻轴承温度TG(k)”4个参数带入公式1,组成矩阵,采用采用列文伯格-马夸尔特法(LM,Levenberg-Marquardt)寻求最优条件即(Tg(k)值和实际误差最小)的u1~u10值。
其中,式中u1~u10为需要通过寻优得到的最优参数,使得计算得到的TGR(k)值和实际值TG(k)的误差采用公式2计算,当均方根误差rmse小于0.15时停止寻优,记录u1~u10值。
作为一种可能的实施方式,本申请实施例中的根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度,包括:将发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度输入预先训练的神经网络模型中,获得发电机轴承在预设时间段的终点的预测温度;神经网络模型根据发电机的历史数据训练获得。
首先获得近30天该机组前轴承温度、机舱温度、发电机转速的10分钟均值数据作为源数据。将数据分为4天前~30天前的训练数据和近4天计算数据。然后将4天前~30天前的训练数据,分割为2小时一个时间间隔的样本,计算得到机组2小时内“转速均值RG”、“机舱温度均值TE”、“2小时起点时刻轴承温度TG(k-s)”、“2小时终点时刻轴承温度TG(k)”4个参数分别根据z-score标准化,标准化公式如下所示:
式中x为原始数据的均值,σ为原始数据的标准差。
将每个时间点“转速均值RG”、“转速标准差RSTD”、“机舱温度均值TE”、“2小时起点时刻轴承温度TG(k-s)”、“2小时终点时刻轴承温度TG(k)”转速标准化后,选择2小时时间间隔内发电机转速和机舱温度的均值RG、TE,2小时前时刻时的发电机轴承温度TG(k-s)组成向量v,j计算两小时发电机轴承温度变化量temp_diff,同时对temp_diff按照公式(4)进行标准化。
v=[RG,RSTD,TE,TG(k-s)] (5)
temp_diff=TG(k)-TG (k-s) (6)
构建输入结构为1*4向量即步骤8中的向量v,输出为标量数值的即temp_diff两层每层32个神经元的BP神经网络,采用均方误差作为损失函数,使用经典BP神经网络中使用的前向传播和反向传播方法优化,误差函数采用MSE均方误差。训练BP神经网络能够从向量v中预测temp_diff,BP神经网络的loss值稳定时停止训练。
下面介绍本申请实施例中,根据上述的多项式模型或神经网络模型判断本申请实施例中的发电机轴承是否发生故障的方法。
在实际的应用中,发电机前轴承和发电机后轴承的温度存在差异,因此,本申请实施例所提供的方案可以分别判断发电机前轴承和发电机后轴承是否发生故障。例如,在判断发电机前轴承是否发生故障时,采用发电机前轴承的温度数据(包括发电机前轴承在预设时间段的起点的温度)和转速数据预测发电机前轴承在预设时间段的终点的温度。对于发电机的前轴承和后轴承,方案中的预设温度阈值和其他的数据也存在差异,下面先以发电机前轴承作为示例介绍本申请实施例提供的方案。
在实际的应用中,为了提高根据发电机温度数据和转速数据判断发电机发生故障的准确性,本申请实施例中获得预设时间段对应的预测温度和实际温度包括:获得M个预设时间段对应的预测温度和实际温度。相应地,本申请实施例中当预测温度和实际温度的差值大于预设温度阈值时,获得发电机的振动信号,包括:当M个预设时间段中存在N个预设时间段对应的预测温度和实际温度的差值大于预设温度阈值,且N大于第一预设阈值时,获得发电机的振动信号;M和N均为大于0的整数。
应该理解,由于发电机的温度数据和转速数据的变化存在偶然性,仅根据发电机某一时刻的温度数据和转速数据判断发电机前轴承是否发生故障准确性较低。因此,可以获得多个预设时间段对应的预测温度和实际温度。作为一个示例,可以获得发电机近4天的温度数据和转速数据,将数据分割为2小时一个时间的样本,分别计算得到发电机在该样本对应的预测温度和实际温度。当全部的样本中存在N个样本对应的预测温度和实际温度的差值大于5度,且N大于第一预设阈值时,获得发电机的振动信号。第一预设阈值可以根据发电机的实际测试情况或型号取得。
第一预设阈值对应的预测温度和实际温度也可以通过多项式模型或神经网络模型获得。当预测温度和实际温度由多项式模型取得时,其对应的N为dt_mult_rmse。当预测温度和实际温度由多项式模型取得时,其对应的N为dt_nn_num。dt_mult_rmse和dt_nn_num对应不同的第一预设阈值。
在实际的应用中,为了进一步提高根据发电机温度数据和转速数据判断发电机发生故障的准确性,本申请实施例中获得预设时间段对应的预测温度和实际温度包括:获得多个预设时间段对应的预测温度和实际温度。相应地,本申请实施例中的当预测温度和实际温度的差值大于预设温度阈值时,获得发电机的振动信号,包括:根据多个预设时间段对应的预测温度和实际温度,计算均方根误差;当均方根误差大于第二预设阈值时,获得发电机的振动信号。
作为一个示例,可以获得发电机近4天的温度数据和转速数据,将数据分割为2小时一个时间的样本,分别计算得到发电机在该样本对应的预测温度和实际温度。当根据多个样本对应的预测温度和实际温度计算的均方根误差(如式2所示)大于第二预设阈值时,获得发电机的振动信号。需要说明的是,本申请实施例所提供的方法可以通过多项式模型计算样本对应的预测温度和实际温度,也可以通过神经网络模型计算样本对应的预测温度和实际温度,根据这两者计算出来的均方根误差可以存在差别。例如,对于发电机前轴承来说,多项式模型计算出来的均方根误差(dt_mult_rmse)对应的第二预设阈值可以为0.12,神经网络模型计算出来的均方根误差(dt_nn_rmse)对应的第二预设阈值可以为0.27。
在实际的应用中,为了使得判断的结果更加准确。本申请实施例还提供了一种综合利用多项式模型和神经网络模型判断发电机前轴承是否存在故障风险的计算方法,如下所示:
其中,dt_num为综合评估值。作为一种可能的实施方式,本申请实施例中的当预测温度和实际温度的差值大于预设温度阈值时,控制系统从发电机获得发电机的振动信号,包括:当dt_num大于第三预设阈值时,获得发电机的振动信号。作为一个示例,第三预设阈值可以为23。
由上可知,上述为判断发电机前轴承是否有故障风险的方法,判断发电机后轴承是否有故障风险的方法与判断发电机前轴承是否有故障风险的方法类似,但其中的一些阈值存在区别。下面结合附图介绍本申请实施例发电机前轴承和发电机后轴承对应的一些阈值。
参见图2,该图为本申请实施例提供的一种发电机前轴承和发电机后轴承的参数和其对应的阈值示意图。
作为一个示例,如图2所示,对于发电机的前轴承,dt_num大于23时可以判断发电机前轴承是有故障风险,dt_mult_rmse大于0.12时也可以判断发电机前轴承有故障风险,dt_nn_rmse大于0.27时也可以判断发电机前轴承有故障风险。对于发电机的后轴承,dt_num大于27时可以判断发电机后轴承是有故障风险,dt_mult_rmse大于0.14时也可以判断发电机后轴承有故障风险,dt_nn_rmse大于0.24时也可以判断发电机后轴承有故障风险。
上述介绍了本申请实施例中利用温度数据和转速数据判断是否需要获得发电机的振动信号的方法。下面将介绍本申请实施例中控制系统从发电机获得发电机的振动信号且根据振动信号判断发电机轴承是否发生故障的方法。
作为一种可能的实施方式,本申请实施例中获得发电机的振动信号,包括:获得发电机的可编程逻辑控制器中存储的振动信号;当发电机的可编程逻辑控制器(Programmable Logic Controller,PLC)中存储的振动信号已过期时,控制加速度传感器采集振动信号。作为一个示例,获得发电机的可编程逻辑控制器中存储的振动信号可以为搜索该发电机PLC中10日内的故障文件,当存在故障文件时,获得该故障文件中的振动信号。当该发电机不存在故障文件时,则在10分钟平均风速>7m/s时由集控端下达指令,使得风机记录120s内高频数据。选择风机靠近发电机x、y向两个加速度传感器,选择其中的中加速度峰值最大的传感器,将其采集的信息作为振动数据。
下面将通过一个示例具体介绍根据振动信号判断发电机轴承是否发生故障的方法。
首先采用HVD方法对故障文件中的振动信号进行分解。
a)估计幅值最大分量的瞬时频率。以2分量非平稳信号x(t)为例:
假设a1(t)>a2(t),通过希尔伯特变换求得瞬时频率可表示为:
b)同步检测求瞬时幅值。将上述估计的瞬时频率看作参考频率ωr,将信号x(t)分别与两参考正交信号相乘,得下面表达式:
利用低通滤波器滤除式(9)、式(10)后半部分,得:
求得瞬时幅值和相位:
c)通过上述步骤提取幅值最大分量x1(t),并将x(t)与x1(t)的差作为新的初始信号,即:
xN-1=x(t)-x1(t) (16)
重复以上(a)、(b)两步依次获得,不同幅值的分量。共获得信号的前5阶分类(IMF)。
d)对x1(t)、x2(t)、x3(t)3阶分量中剔除峰峰值小于原始信号x(t)峰值x(t)_peak的0.05倍分量。
x(t)_peak=max (x(y)) (17)
e)当x2(t)、x3(t)均被剔除后,如果x1(t)_peak>=0.04,发出机组故障紧急排查通知,如果x1(t)_peak<=0.01则判断机组正常。
f)如果0.01<x1(t)_peak<0.04,对x1(t)分量进行FFT,获得其最大的频率x1_fre,计算发电机基频率RG_fre=RG/60,当满足以下任意一条件时触发预警。
当x1(t)_peak>0.2前提下x1_fre<1.3*RG_fre或x1_fre>1.3*RG_fre时,对机组进行紧急告警
或,
当x2(t)分量峰值x2(t)_peak>0.35*x1(t)_peak或x3(t)分量峰值x3(t)_peak>0.25*x1(t)_peak时发出排查告警。
此外,本申请实施例所提供的方法还包括:获取发电机轴承的实际温度在检测时间段内的最大值;当最大值大于第一温度时,判断发电机轴承发生故障;当最大值小于第二温度时,判断发电机轴承没有发生故障。作为一个示例,本申请实施例中的第一温度可以为100摄氏度,第二温度可以为46摄氏度。
综上所述,本申请实施例提供的发电机轴承故障检测方法,一方面采用振动信号判断发电机轴承是否发生了故障,解决了温度数据和转速数据判断准确性不高的问题,另一方面,只在温度数据和转速数据判断发电机的轴承在可能存在故障的区间时,发电机才向控制系统发送高频的振动信号,也解决了控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号的问题。因此,本申请实施例所提供的方法在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
根据上述实施例提供的发电机轴承故障检测方法,本申请实施例还提供了一种发电机轴承的故障检测装置。
参见图3,该图为本申请实施例提供的一种发电机轴承的故障检测装置示意图。
如图3所示,本申请实施例提供发电机轴承的故障检测装置包括:
预测模块100,用于根据发电机在预设时间段内的平均转速、发电机在预设时间段内的平均机舱温度和发电机轴承在预设时间段的起点的温度,预测发电机轴承在预设时间段的终点的预测温度。
测量模块200,用于获得发电机轴承在预设时间段的终点的实际温度;
振动信号获得模块300,用于当预测温度和实际温度的差值大于预设温度阈值时,控制系统从发电机获得发电机的振动信号。
判断模块400,用于根据振动信号判断发电机轴承是否发生故障。
在本申请实施例中,作为一种可能的实施方式,振动信号获得模块具体用于:获得发电机的可编程逻辑控制器中存储的振动信号;当发电机的可编程逻辑控制器中存储的振动信号已过期时,控制加速度传感器采集振动信号。
综上所述,本申请实施例提供的发电机轴承的故障检测装置,首先通过发电机的温度数据和转速数据来判断发电机轴承是否存在故障的风险,当预测温度与实际温度的差值大于预设温度阈值时,说明此时发电机轴承存在一定的故障风险。然后进一步通过发电机的振动信号,精确判断发电机轴承是否发生了故障,从而本申请实施例所提供的装置在没有通过CMS的前提下,较为精确地检测发电机故障。同时也解决了控制系统和发电机之间的带宽较小,无法长时间传输高频的振动信号的问题。如此,本申请实施例所提供的装置在一定程度上避免了未安装CMS的发电机的发电机轴承故障引发的问题。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种发电机轴承的故障检测方法,其特征在于,包括:
根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度;
获得所述发电机轴承在所述预设时间段的终点的实际温度;
当所述预测温度和所述实际温度的差值大于预设温度阈值时,控制系统从所述发电机获得所述发电机的振动信号;
根据所述振动信号判断所述发电机轴承是否发生故障。
2.根据权利要求1所述的方法,其特征在于,根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度,包括:
将所述发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度输入多项式模型中,获得所述发电机轴承在所述预设时间段的终点的预测温度;所述多项式模型的参数根据所述发电机的历史数据寻优获得。
3.根据权利要求1所述的方法,其特征在于,根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度,包括:
将所述发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度输入预先训练的神经网络模型中,获得所述发电机轴承在所述预设时间段的终点的预测温度;所述神经网络模型根据所述发电机的历史数据训练获得。
4.根据权利要求1所述的方法,其特征在于,所述获得所述发电机的振动信号,包括:
获得所述发电机的可编程逻辑控制器中存储的振动信号;
当所述发电机的可编程逻辑控制器中存储的振动信号已过期时,控制加速度传感器采集振动信号。
5.根据权利要求1所述的方法,其特征在于,获得预设时间段对应的预测温度和实际温度包括:
获得M个预设时间段对应的预测温度和实际温度;
所述当所述预测温度和所述实际温度的差值大于预设温度阈值时,获得所述发电机的振动信号,包括:
当所述M个预设时间段中存在N个预设时间段对应的预测温度和实际温度的差值大于预设温度阈值,且N大于第一预设阈值时,获得所述发电机的振动信号;M和N均为大于0的整数。
6.根据权利要求1所述的方法,其特征在于,获得预设时间段对应的预测温度和实际温度包括:
获得多个预设时间段对应的预测温度和实际温度;
所述当所述预测温度和所述实际温度的差值大于预设温度阈值时,获得所述发电机的振动信号,包括:
根据所述多个预设时间段对应的预测温度和实际温度,计算均方根误差;
当所述均方根误差大于第二预设阈值时,获得所述发电机的振动信号。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取发电机轴承的实际温度在检测时间段内的最大值;
当所述最大值大于第一温度时,判断所述发电机轴承发生故障;
当所述最大值小于第二温度时,判断所述发电机轴承没有发生故障。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述发电机轴承包括:发电机前轴承或发电机后轴承。
9.一种发电机轴承的故障检测装置,其特征在于,包括:
预测模块,用于根据发电机在预设时间段内的平均转速、发电机在所述预设时间段内的平均机舱温度和发电机轴承在所述预设时间段的起点的温度,预测所述发电机轴承在所述预设时间段的终点的预测温度;
测量模块,用于获得所述发电机轴承在所述预设时间段的终点的实际温度;
振动信号获得模块,用于当所述预测温度和所述实际温度的差值大于预设温度阈值时,控制系统从所述发电机获得所述发电机的振动信号;
判断模块,用于根据所述振动信号判断所述发电机轴承是否发生故障。
10.根据权利要求9所述的装置,其特征在于,所述振动信号获得模块具体用于:
获得所述发电机的可编程逻辑控制器中存储的振动信号;
当所述发电机的可编程逻辑控制器中存储的振动信号已过期时,控制加速度传感器采集振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122917.5A CN115855491A (zh) | 2021-09-24 | 2021-09-24 | 一种发电机轴承的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122917.5A CN115855491A (zh) | 2021-09-24 | 2021-09-24 | 一种发电机轴承的故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115855491A true CN115855491A (zh) | 2023-03-28 |
Family
ID=85652573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122917.5A Pending CN115855491A (zh) | 2021-09-24 | 2021-09-24 | 一种发电机轴承的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115855491A (zh) |
-
2021
- 2021-09-24 CN CN202111122917.5A patent/CN115855491A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
US10539932B2 (en) | Machine diagnostics based on overall system energy state | |
EP3206103B1 (en) | Model based system monitoring | |
Medjaher et al. | Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data | |
US5629870A (en) | Method and apparatus for predicting electric induction machine failure during operation | |
FI112972B (fi) | Laakerin kunnon arviointi | |
CN107884214B (zh) | 一种列车走行部部件故障多参数综合决策方法及装置 | |
US20070227246A1 (en) | Methods and systems for analyzing engine unbalance conditions | |
US20130211768A1 (en) | Monitoring system for an engine test bench | |
CN106368816A (zh) | 一种基于基线偏差的船舶低速柴油机在线异常检测方法 | |
US10539602B2 (en) | Active shaft grounding system with diagnostic waveform analysis | |
EP2646884A1 (en) | Machine anomaly detection and diagnosis incorporating operational data | |
JP2931187B2 (ja) | ポンプ劣化診断システム | |
JP2021108110A (ja) | 車両の損傷の監視及び予測を行うためのシステム並びに方法 | |
CN111929091A (zh) | 设备异常的检测方法、装置、可读存储介质及电子设备 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
US10078062B2 (en) | Device health estimation by combining contextual information with sensor data | |
WO2014031291A2 (en) | Fleet anomaly detection system and method | |
CN115855491A (zh) | 一种发电机轴承的故障检测方法及装置 | |
WO2017176401A1 (en) | Shaft ground monitoring with diagnostic waveform analysis | |
CN113557414A (zh) | 用于设备监测的装置 | |
KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
US11228606B2 (en) | Graph-based sensor ranking |
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 |