CN116070103A - 基于多测点多指标的旋转设备健康识别方法和设备 - Google Patents
基于多测点多指标的旋转设备健康识别方法和设备 Download PDFInfo
- Publication number
- CN116070103A CN116070103A CN202310208829.XA CN202310208829A CN116070103A CN 116070103 A CN116070103 A CN 116070103A CN 202310208829 A CN202310208829 A CN 202310208829A CN 116070103 A CN116070103 A CN 116070103A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- weight
- calculating
- measuring point
- 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
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供了一种基于多测点多指标的旋转设备健康识别方法和设备,属于机械故障诊断技术领域。该方法包括:获取从旋转设备上的多个测点检测到的特征数据;基于所述特征数据生成对应的特征矩阵;基于所述特征矩阵中的元素值计算出每个指标的指标权值;基于所述特征矩阵中的元素值计算出对应的关联系数矩阵;基于所述特征数据计算出对应测点的故障预测结果;根据所述指标权值、所述故障预测结果和所述关联系数矩阵计算出所述旋转设备的设备健康度。本申请可以提高旋转设备故障识别的准确性。
Description
技术领域
本申请涉及机械故障诊断技术领域,具体涉及一种基于多测点多指标的旋转设备健康识别方法、存储介质和电子设备。
背景技术
机械设备在现代工业生产中的作用和影响越来越大,与机械设备有关的售后维护及其他费用也越来越高,机械设备运行中发生的任何故障或失效,不仅会引起严重后果,造成重大经济损失,甚至还可能导致灾难性的人员伤亡或恶劣的社会影响。
基于设备运行或监测数据进行智能故障诊断和设备综合评价,按诊断出的故障性质和部位,可以有目的地进行检修,不但可以节约大量的维修费用,而且不必要维修时间的减少能够大大增加机械设备正常运转时间,大幅度提高生产率,产生巨大的经济效益。
旋转机械设备通常由多个部件组成,如包括轴承、齿轮、转子等部件,对于旋转机械的健康识别技术通常为基于单一信号源的设备异常监测、故障诊断以及剩余寿命预测等,诊断结果可靠性较低;此外,基于各部件状态进行设备的综合评价方法较少,且通常表征设备状态的指标具有相同的权值,或者权值虽然不同,但设定的权值也不一定合理,导致评价结果准确性低。
发明内容
有鉴于此,有必要提出一种基于多测点多指标的旋转设备健康识别方法、存储介质和电子设备,以提高旋转设备的健康识别的准确性。
本申请第一方面,提供了一种基于多测点多指标的旋转设备健康识别方法,所述方法包括:
获取从旋转设备上的多个测点检测到的特征数据;
基于所述特征数据生成对应的特征矩阵,每个测点检测到的特征数据中包含至少一个指标的数值,所述特征矩阵中的元素值xij表示第i个测点对应的第j个指标的数值;
基于所述特征矩阵中的元素值计算出每个指标的指标权值;
基于所述特征矩阵中的元素值计算出对应的关联系数矩阵;
基于所述特征数据计算出对应测点的故障预测结果;
根据所述指标权值、所述故障预测结果和所述关联系数矩阵计算出所述旋转设备的设备健康度。
在其中一个实施例中,所述基于所述特征矩阵中的元素值计算出对应的关联系数矩阵,包括:
基于所述元素值计算出与所述指标对应的参考序列;
计算每个所述元素值与所述参考序列的差值的绝对值;
从所述差值的绝对值中确定全局最大值与全局最小值;
将所述参考序列、所述全局最大值与所述全局最小值作为预设的关联系数计算模型的输入,得到所述关联系数矩阵。
在其中一个实施例中,所述基于所述特征矩阵中的元素值计算出每个指标的指标权值,包括:
根据所述元素值计算与第j个指标下第i个测点对应的元素值占所有指标的比重Pij;
根据所述比重Pij计算所述第j个指标的熵值ej;
基于每个指标的熵值计算出所述第j个指标的权值wj;
基于所述权值wj确定所述每个指标的指标权值。
在其中一个实施例中,所述基于所述权值wj确定所述每个指标的指标权值,包括:获取与所述每个指标对应的预设权值;根据所述预设权值和所述权值wj确定所述每个指标的指标权值。
在其中一个实施例中,所述特征数据中包括振动数据;所述基于所述特征数据计算出对应测点的故障预测结果,包括:对所述振动数据进行包络分析,得到包络谱;从所述包络谱中进行a阶次的频谱数据提取,并从所提取的频谱数据中提取前b个幅值最大值;分析所述前b个幅值最大值中是否与对应测点的故障特征频率相匹配,基于匹配结果确定所述对应测点的故障预测结果。
在其中一个实施例中,所述故障预测结果包括有故障和无故障;所述根据所述指标权值、所述故障预测结果和所述关联系数矩阵计算出所述旋转设备的设备健康度,包括:选取有故障的测点对应的指标权值和关联系数矩阵计算出所述旋转设备的设备健康度。
在其中一个实施例中,所述元素值为归一化数值;所述方法还包括:获取每个指标对应的标准值、稳定值、报警值和危险值;所述基于所述特征数据生成对应的特征矩阵,包括:基于所述每个指标对应的标准值、稳定值、报警值和危险值对每个测点下的相应指标的数值进行归一化处理,将归一化处理后的数值作为所述特征矩阵中对应的元素值。
本申请第二方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本申请第一方面的方法。
本申请第三方面,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行本申请第一方面的方法。
上述的基于多测点多指标的旋转设备健康识别方法、存储介质和电子设备,通过旋转设备上的多个测点的多个指标的特征数据,构建出对应设备的特征矩阵,基于该特征矩阵来计算出各个指标的指标权值和各个测点下各个指标的关联系数矩阵,同时还根据特征数据来进行测点的故障预测,结合上述的关联系数矩阵、故障预测结果和指标权值来进行设备健康度计算,从而使得计算出来的设备健康度可以更加准确地反映出设备的健康情况。
附图说明
图1为一个实施例中基于多测点多指标的旋转设备健康识别方法的流程示意图;
图2为一个实施例中旋转设备为刮板输送机时的测点选取示意图;
图3为一个实施例中特征数据的示意图;
图4为一个实施例中对图3中的特征数据进行归一化后对应的数值的示意图;
图5为一个实施例中基于特征矩阵中的元素值计算出每个指标的指标权值的流程示意图;
图6为一个实施例中基于特征矩阵中的元素值计算出对应的关联系数矩阵的流程示意图;
图7为另一个实施例中基于多测点多指标的旋转设备健康识别方法的流程示意图;
图8为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
本申请所使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
再比如本申请所使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在一个实施例中,如图1所示,提供了一种基于多测点多指标的旋转设备健康识别方法,该方法包括:
步骤102,获取从旋转设备上的多个测点检测到的特征数据;基于特征数据生成对应的特征矩阵。
本实施例中,每个测点检测到的特征数据中包含至少一个指标的数值,特征矩阵中的元素值xij表示第i个测点对应的第j个指标的数值。其中,记该特征矩阵为矩阵X,其元素用x表示,xij表示第i个测点对应的第j个指标的数值。比如总共选取的有m个测点,指标有n个,则对应的特征矩阵即为m×n阶矩阵。i=1,2,3……m,j=1,2,3……n。
测点表示从旋转设备选取的用于测量得到的特征数据对应的检测位置。测点的数量可以具有多个,其点位可以在旋转设备上合适的位置中进行选取。旋转设备可为风机、刮板输送机等设备。设备上具有多个部件,可以在一个或几个部件上选取一个或几个测点。可以采用与各个指标相应的传感器针对测点处进行检测,形成特征数据。该特征数据包括各个测点下的各个指标的特征数据。
以设备为刮板输送机为例进行说明,结合图2所示,可在其电机201、输入轴202、二级轴203、输出轴204、驱动链轮205、齿轮206(包括206-1、206-2、206-3、206-4)等部件上进行合适的测点210(包括测点210-1~201-10)选取。比如选取电机201上的自由端测点210-1、驱动端测点210-2、传动机输入轴202两侧的测点210-3、210-4、二级轴203两侧的测点210-6、210-7、输出轴204两侧的测点210-7、210-8以及驱动链轮205两侧的测点210-9、210-10等其中的几处位置或者所有位置作为测点。
在测点所检测的数据可包括多种维度的特征数据,每种维度可形成一个或几个用于评价设备的健康度的指标。比如该特征数据可包括温度、电压、振动等几个维度的数据。该振动可以划分为水平振动和垂直振动。比如可从图2上的测点210-1~210-10可以检测到垂直振动(V)、水平振动(H)、温度(T)、电压(U)、电流(I)等各种维度的特征数据,每个测点可以检测其中的一个或一个维度的特征数据。比如在测点210-1、210-2、210-3可以测量得到垂直振动、水平振动和温度等维度的特征数据,测点210-4~210-10可以测量得到垂直振动、温度等维度的特征数据。其中,垂直振动、水平振动的特征数据可为加速度(a)数据;电压特征数据可为三相电压(u)数据,分别为Ua、Ub、Uc;电流特征数据可为三相电流(i)数据,分别为Ia、Ib、Ic;温度特征数据可为温度(t)数据。
基于各个维度的特征数据,可以提炼出对应的指标的数值,比如可以从振动特征数据中提取出RMS值、峭度、偏度、裕度因子、峰值因子等幅值域特征、滚动轴承故障特征频率幅值、齿轮箱啮合频率幅值等频域特征等数据,每个类型的数据可作为一个对应的指标。温度特征数据和电流特征数据可以作为对应的温度指标和电流指标。
在一个实施例中,特征数据可为在多个时间段采集的数据,经过清洗、特征提取和均值化等处理之后所形成的数据。数据清洗主要可以剔除其中的异常值和停机值;特征提取可为针对振动数据的提取,形成各个指标对应的数值,均值化操作即在特征提取后对该段时间的数据求均值作为该次综合评价的特征值。
可选地,数据清洗可采用3σ方法进行筛选和剔除,停机值可根据设备运行状态进行筛选。对于均值化操作,例如取1个小时内刮板传输机电机驱动端轴承水平振动数据(每隔5分钟采样一次,采样时长为1s,采样频率25.6KHz,则每个振动波形25600个点),1个小时共12条数据,数据清洗后对12条数据进行特征提取得到12×h的特征矩阵(h为从水平振动数据中提取出来的指标的数量),再对每个特征的12个值求均值作为最终的特征值。
特征矩阵中的元素值可基于该特征数据来确定,每个测点的每个指标对应的数值对应一个元素值,比如第i个测点的第j项指标对应的数值可对应确定元素值xij。
可选地,基于该特征值确定特征矩阵的元素值。比如可将该特征值直接作为元素值,或者将该特征值进行归一化等处理从而生成对应的元素值。
在一个实施例中,针对每个指标的数值进行归一化处理,将归一化处理后的数值作为特征矩阵中对应的元素值。其中,该指标的数值可为上述求均值后的特征值。
可选地,可获取每个指标对应的标准值和/或稳定值和/或报警值和/或危险值;基于每个指标对应的标准值和/或稳定值和/或报警值和/或危险值对每个测点下的相应指标的数值y进行归一化处理,将归一化处理后的数值作为特征矩阵中对应的元素值x。
标准值可为设备正常状态下对应的标准值,表示设备正常运行时状态的安全值。归一化处理后的元素值x的范围可处于0~1之内,其中,与标准值和/或稳定值越接近的,则归一化后的数值约接近0,与报警值和/或危险值越接近的,则归一化后的数值约接近1。
在一个实施例中,当标准值和/或稳定值和/或报警值和/或危险值分别为某个范围时,则可以取标准值、稳定值、报警值、危险值分别为各自的极大值、极小值或者平均值作为对应的标准值B、稳定值E、报警值W、危险值D。
归一化的计算方式可为:当|y-B|>D-B时,对应的x=1;当|y-B|≦|E-B|时,对应的x=0;当|E-B|<|y-B|≦|W-B|时,x=0.5(|y-B|-B)/(|W-B|-B);当|W-B|<|y-B|≦|D-B|时,x=0.5+0.5(|y-B|-|W-B|)/(|D-B|-|W-B|)。
比如图3和图4所示,图3中的横坐标表示时间,纵坐标表示设备运行时的某个指标对应的时序特征的数值。其标准值B可为0,稳定值可为0.2,报警值W可为0.4,危险值D可为0.6。则基于上述的归一化计算得到的各个数值下的归一化数值可如图4所示。图4中的横坐标表示该特征对应的数值,总坐标表示对应的归一化后的数值。
在一个实施例中,由于各个测点测量得到的指标并不一定都有,其对应的特征集合中存在空值,或者其对应的指标的数值为空。针对没有指标的数值的测点,可选择其他测点测量的指标的数值填充为该测点的指标的数值。其填充策略可为选取对应指标下,与该测点最相关的其他测点的数值进行填充。可选地,振动特征值用同一测点另一方向振动特征值填充,温度、电气值优先用同一部件测点值填充,次之使用相邻部件测点值。
如下表1所示,比如选取了刮板输送机中的10个测点,其对应的指标可为水平振动、垂直振动、温度、电气4个一级指标,水平振动可进一步提取出通频幅值、峭度、偏度、裕度因子、故障特征频率幅值、包络值、啮合频率幅值等其中的一个或多个二级指标,垂直振动同样可进一步提取出通频幅值、峭度、偏度、裕度因子、故障特征频率幅值、包络值、啮合频率幅值等其中的一个或多个二级指标。表1中打“√”的表示可以测量出对应的指标,打“×”的表示没有测量出对应的指标。可以看出有些测点可以测量上述的部分一级指标的特征数据,而有些测点可以测量出上述的另一部分一级指标特征数据。
表1
针对处于空的指标,可以按照上述的特征值填充的方式,形成了各个指标的归一化后的数值。比如选取水平振动下的通频幅值、垂直振动下的通频幅值、温度和电流4个指标,选取表1中的10个测点,最终得到的各个指标的归一化后的数值如表2所示。各测点的所有指标的归一化后的数值可形成对应的特征矩阵X,表中的每个值即可对应为特征矩阵中的元素值x。比如表2中的10个测点,4个指标可形成10×4的矩阵。第3个测点(电机自由端轴承)下的第2个指标(垂直振动下的通频幅值)对应元素x32,其数值为0.2。
表2
通过仅使用二级指标,由于二级指标为一级指标的子集,仅计算二级指标的权重已经能够代表一级指标的重要性。
步骤104,基于特征矩阵中的元素值计算出每个指标的指标权值。
本实施例中,元素值为从旋转设备上的测点检测到(并经过处理)的指标的数值。指标权值由整个特征矩阵中的元素值来确定,使得不同的特征矩阵,其计算得到的元素值并不一定相同。
在一个实施例中,可以基于熵值法来计算得到各个指标的指标权值。指标权值越大,则说明对应的指标的重要性越高。
相比较于固定的权值,按照元素值来进行指标权值的确定,差异性不同的元素值之间的权值不同。根据各项指标的数值的变异程度来确定指标权值,使得指标权值的赋值更加客观和准确,避免了人为因素带来的偏差。这样计算出来的权值更能够体现出各个指标的重要性大小,从而使得后续的设备健康度的计算结果更加准确。
步骤106,基于特征矩阵中的元素值计算出对应的关联系数矩阵。
本实施例中,关联系数矩阵Q的阶数与特征矩阵A相同。其中的每个元素qij表示第i个测点下第j个指标的关联系数。关联系数可以一定程度上反映出对应的位置下指标的健康状态。
可选地,关联系数与测点下的指标的健康性能正相关,关联系数越大,则表示对应测点越健康。反之,关联系数与测点的健康性能也可以呈负相关的关系。
步骤108,基于特征数据计算出对应测点的故障预测结果。
本实施例中,除了考虑到健康度,还进一步引入针对测点的故障预测,在获得了各测点各个指标的特征数据之后,对于待预测故障的测点,可以基于其中的一个或几个指标的特征数据对进行故障预测。
可选地,可以利用卷积神经网络等相关模型来进行故障预测,也可以使用灰色关联分析法来进行故障预测,还以基于相关模型与灰色关联分析法分别预测出来的结果,确定对应测点的故障预测结果。
故障预测结果可为有故障和无故障等几种结果中的一种。
可以理解地,步骤108、步骤106和步骤104之间的执行顺序可以不做限定。
步骤110,根据指标权值、故障预测结果和关联系数矩阵计算出旋转设备的设备健康度。
设备健康度用于表示旋转设备的整体健康情况,健康度的大小可以与健康性能正相关,即健康度越大,则表示设备越健康,可以理解地,设备健康度与设备的健康性能也可以呈负相关的关系。
在确定了指标权值、故障预测结果和关联系数矩阵之后,可以基于此综合计算出整个旋转设备的设备健康度。
可选地,可以基于故障预测结果确定出相应的健康权值。比如将预测结果为有故障的设置健康权值为1或0,将预测结果为无故障的设置健康权值为0或1。比如在关联系数数值与健康情况正相关时,则可以将预测结果为有故障的设置一个较小的权值,预测结果为无故障的设置一个较大的权值。或者根据该故障预测结果,仅选取存在故障的测点进行健康度识别,对于无故障的测点,说明该测点的健康度较好。
将每个测点下的健康权值、指标权值和关联系数矩阵相乘,得到各个测点的综合健康度,基于该综合健康度来确定整个旋转设备的设备健康度。可以选取综合健康度的极值、平均值或加权平均值等作为设备健康度。比如可选取其中的极小值作为设备健康度。其中,指标权值与关联系数矩阵相乘得到的结果可为测点健康度,基于该测点健康度和针对测点的故障预测结果可以确定出整个设备的设备健康度。
测点健康度用于表示对应测点的健康情况。由于特征矩阵中的元素值对应各个指标的数值,故而可以基于该元素值计算出对应测点的健康度。可以基于其中一个指标或几个指标或所有指标对应的元素值来进行测点的健康度计算。可选地,测点健康度与测点的健康性能正相关,测点健康度越大,则表示对应测点越健康。反之,测点健康度与测点的健康性能也可以呈负相关的关系。
在一个实施例中,选取有故障的测点对应的指标权值和关联系数矩阵计算出旋转设备的设备健康度。由于设备的健康度可以各测点中测点健康度最差的来体现,故而可筛选存在故障的测点,从这些存在故障的测点中根据这些测点健康度来确定旋转设备的设备健康度。比如直接将其中的测点健康度数值最小的作为设备健康度,或者针对这些测点健康度进行加权求和或者求均值,将得到的数值作为设备健康度。
以将预测结果为有故障的设置健康权值为1,仅在有故障的测点中进行设备健康度计算的话,取测点健康度最小的作为设备健康度,其方式即为健康度H=min(ci·ri)。其中,i=1,…,m,m为测点个数,H为设备整体健康度,ci为第i个测点的测点权值,ri为第i个测点的测点健康度。测点权值可为预设的合适的数值,比如可均为1或者其他不同的数值。
通过进一步设置各个测点的测点权值,基于各个测点的测点权值与测点健康度来体现设备的总体健康情况。
在一个实施例中还可以根据得到的设备健康度进行区间划分,判断该得到的设备健康度数值处于哪个区间,从而确定设备的健康等级或健康状态。比如可以设定健康等级H(或健康区间H)有多个,其中在健康数值H处于1≥H≥0.9的为健康,处于0.9>H≥0.8为良好,处于0.8>H≥0.6为报警,处于0.6>H≥0的为警告。
上述的基于多测点多指标的旋转设备健康识别方法,通过旋转设备上的多个测点的多个指标的特征数据,构建出对应设备的特征矩阵,基于该特征矩阵来计算出各个指标的指标权值和各个测点下各个指标的关联系数矩阵,同时还根据特征数据来进行测点的故障预测,结合上述的关联系数矩阵、故障预测结果和指标权值来进行设备健康度计算,从而使得计算出来的设备健康度可以更加准确地反映出设备的健康情况。
在一个实施例中,如图5所示,步骤104包括:
步骤502,根据元素值计算与第j个指标下第i个测点对应的元素值占所有指标的比重Pij。
其中,可采取熵值法来计算各个指标对应的指标权值。记特征矩阵为m×n阶矩阵,j=1,2,3……n,i=1,2,3……m。
可选地,可采用来计算出对应的比重,基于此计算出每个指标下的每个测点的比重。比如表2中计算出来的各个元素值xij对应的比重Pij的数值如下表3所示。
表3
步骤504,根据比重Pij计算第j个指标的熵值ej。
可选地,可采用来进行计算,基于此计算出每个指标的熵值。
步骤506,基于每个指标的熵值计算出第j个指标的权值wj。
可选地,在确定了熵值之后,可进一步计算出第j个指标的差异系数dj,某项指标的信息效用值取决于该指标的信息熵与1 之间的差值,它的值直接影响权值的大小。信息效用值越大,对评价的重要性就越大,权值也就越大。其中,dj=1-ej。
利用熵值法估算各指标的权值,其本质是利用该指标信息的差异系数来计算,其差异系数越高,对评价的重要性就越大(或称权值越大,对评价结果的贡献就越大)。可采用公式来计算出第j个指标的权值。
或者将以上两个公式进行整合,采用直接计算出第j个指标的权值。
比如上表2中的各个指标对应的熵值、差异系数和权值分别如下表4所示。
表4
步骤508,基于权值wj确定每个指标的指标权值。
可选地,可以直接将该权值wj作为第j个指标的指标权值w’j,也可以对所计算出来的权值wj做进一步处理,根据进一步处理来确定出各个指标的指标权值w’。
比如可以基于经验针对每个指标设定一个合适的经验权值,将该经验权值作为预设权值,基于该预设权值和该权值wj确定出对应各个指标的指标权值。
在一个实施例中,该指标权值可为经验权值和权值wj之间平均值或加权和,该加权的权值可为任意设置的合适的数值。可选地,该经验权值可为基于层次分析法(AHP)所计算出来的权值。
本实施例中所计算出来的指标权值可以更准确地或更客观地体现出各个指标对于设备健康度的影响大小。
在一个实施例中,如图6所示,步骤106包括:
步骤602,基于元素值计算出与指标对应的参考序列。
可选地,参考序列中的每个元素对应一个指标,即参考序列Z中的元素zj对应第j个指标。参考序列的数值大小可以根据设备中的各个指标的标准值来设定,比如可以将该标准值直接作为对应的参考序列,或者设定一个与该标准值相对较为接近的数值作为参考序列。比如可设置表2中的各个指标的参考序列值均为0.0001。
步骤604,计算每个元素值与参考序列的差值的绝对值。
具体的,将特征矩阵中归一化的各个元素值与对应的参考序列的元素值进行相减,并取绝对值。即元素值xij对应的绝对值即为|xij-zj|。
步骤606,从差值的绝对值中确定全局最大值与全局最小值。
其中,该全局最大值是指所有的绝对值|xij-zj|中,最大的数值,可表示为;全局最小值是指所有的绝对值|xij-zj|中,最小的数值,可表示为。其中,特征矩阵阵X中的元素xij表示第i个测点对应的第j个指标的数值。i=1,2,3……m,j=1,2,3……n。比如以参考序列均为0.0001时,表2对应的全局最大值为0,全局最小值为0.5999。
步骤608,将参考序列、全局最大值与全局最小值作为关联系数计算模型的输入,得到关联系数矩阵。
可基于上述的全局最大值与全局最小值设置相应的关联系数计算公式,从而得到每个测点的关联系数。可选地,针对每个元素对应的差值绝对值与全局最大值、全局最小值,求出对应的关联系数。
在一个实施例中,可根据公式
来计算出每个元素值xij对应的关联系数qij。其中,p为分辨系数,一般处于0~1范围内,分辨系数的大小可根据关联系数之间的差异来选取,差异越大,则区分能力越强,比如可选取p为0.5。
本实施例中,基于上述公式所计算来的关联系数可以体现出各个测点下各个指标的健康状态。
在一个实施例中,特征数据中包括振动数据;步骤108包括:对振动数据进行包络分析,得到包络谱;从包络谱中进行a阶次的频谱数据提取,并从所提取的频谱数据中提取前b个幅值最大值;分析前b个幅值最大值中是否与对应测点的故障特征频率相匹配,基于匹配结果确定对应测点的故障预测结果。
本实施例中,可以采用各个测点检测到的振动数据来进行对应测点的故障预测识别,判断对应测点是否存在一种或多种类型的故障。该振动数据可包括上述的水平振动数据、垂直振动数据中的一种或几种。
以滚动轴承为例,常见故障类型有保持架故障、内圈故障、外圈故障、滚动体故障以及轴承电蚀等,不同故障对应不同的故障特征频率,能够在频谱图中观测到对应故障特征频率幅值大的现象。
可选地,各个测点可以采用不同的故障识别模型进行针对性地故障预测识别,每种识别模型可以适应一个或几个测点的故障机理,从而提高故障预测的精准性。
比如故障识别模型包括滚动轴承故障识别、齿轮故障识别、转子故障识别以及定子故障识别。具体而言,对于各测点,根据部件结构组成关联相应识别模型,如电机驱动端轴承关联滚动轴承模型,齿轮对1关联齿轮故障识别模型。在检测对应测点是否存在故障时,可以选取对应的测点,基于该振动数据来判断测点是否存在故障。
具体地,可对振动数据(比如为振动波形数据)进行频谱分析或者包络谱分析,识别频谱中是否包含故障特征频率或者边频带,一次确定是否存在某种故障。对振动波形数据进行包络分析,得到包络谱后,可以提取适当阶次的频谱数据,该适当的a阶次可为0~20阶次。B可为3、5、8、10等任意合适的数值,比如可提取前5个幅值最大值,基于所提取的信息判断其对应频率和/或阶次是否有相应的故障特征频率。若存在,则判定对应测点有故障,若不存在,则可以判定对应测点无故障。
本实施例中,通过对振动数据进行包络分析和幅值最大值提取分析,可以实现将故障机理知识代码化,不需要人工查看频谱图识别故障,实现输入振动波形数据,直接识别故障类型的功能。避免了人工判断失误,提高了测点的故障识别准确性和识别效率。
在一个实施例中,如图7所示,提供了另一种基于多测点多指标的旋转设备健康识别方法,该方法包括:
步骤702,获取从旋转设备上的多个测点检测到的特征数据;基于特征数据生成对应的特征矩阵。
本实施例中,每个测点检测到的特征数据中包含多个指标的数值,基于该特征数据可以形成m×n阶的特征矩阵X。其中的元素值xij表示第i个测点对应的第j个指标的数值,该数值可为归一化处理后的数值。
具体的,可以针对从测点的特征数据中形成的每个指标的数值,对其进行归一化处理,得到归一化后的数值。该归一化处理可以根据与该指标对应的标准值、稳定值、报警值和危险值来处理,形成的归一化后的数值的数值范围可处于0~1之间。
步骤704,计算与第j个指标下第i个测点对应的元素值占所有指标的比重Pij,计算第j个指标的熵值ej,基于每个指标的熵值计算出第j个指标的权值wj。
本实施例中,可以按照熵值法来确定各个指标的权值。具体地,可以用来计算出对应的比重;根据来进行计算,基于此计算出每个指标的熵值;再根据来计算出第j个指标的权值wj。
步骤706,基于权值wj确定每个指标的指标权值。
在得到了每个指标的权值之后,可以直接将该权值作为指标权值,也可以结合其他方式所确定出来的权值,综合确定出每个指标的指标权值w’。比如可结合层次分析法来确定每个指标的权值,再将层次分析法确定的权值与该熵值法确定的权值进行求均值或加权求和,得到的数值作为指标权值。其中,该层次分析法确定的指标权值过程为:
用于针对各个指标构建判断矩阵A;对判断矩阵A进行归一化处理,形成归一化矩阵B;计算满足BV=λmaxV的归一化矩阵的特征根λ和特征向量V;其中,λmax为归一化矩阵B的最大特征根;针对计算出来的最大特征根λmax进行一致性校验;当一致性校验通过时,基于所计算出来的特征向量V确定各个指标的权值;当一致性校验不通过时,返回并重新执行针对各个指标构建判断矩阵A,直至计算出来的最大特征根λmax通过一致性校验。
其中,判断矩阵A中的元素aij表示的是第i个指标相对于第j个指标的重要程度,aij为任意设置的大于0的合适数值,且aij·aji=1。一致性校验可按照公式CR=CI/RI来计算,其中,CI=(λmax-n)/(n-1),CI表示一致性比例,RI为平均随机一致性指标,其数值可根据查表得到,比如可查表将n对应的数值作为RI的值。
电子设备可检测计算出来的CI值是否小于一致性阈值,若小于,则说明一致性校验通过,若不小于,则判定不通过。当不通过时,则返回对aij进行重新调整,直至计算出来的CI值一致性校验通过。
其中,最终所确定的特征向量V中的第j个元素vj即为对应第j个指标的权值。电子设备可以按照公式w’j=0.5(wj+vj)来确定出每个指标的指标权值。
步骤708,计算对应的关联系数矩阵Q。
其中,可按照来计算出每个元素值xij对应的关联系数qij。其中,p为分辨系数,一般处于0~1范围内,分辨系数的大小可根据关联系数之间的差异来选取,差异越大,则区分能力越强,比如可选取p为0.5。
比如该表2对应的关联系数矩阵中的各元素值保留2位小数,如下表5所示。
表5
在得到关联系数矩阵之后,针对每个测点,可将其各个指标下的关联系数的元素值与对应的指标权值进行相乘求和,得到的数值即为对应测点的测点健康度。即第i个测点的测点健康度。
比如以表4中的权值作为指标权值w’,以表5中的关联系数值作为对应测点的关联系数值来说,对应电机转子测点的测点健康度即为0.47(保留2位小数)。
步骤710,基于特征数据计算出对应测点的故障预测结果。
可选地,可采用一种或几种故障预测方式综合来确定各个测点的故障预测结果。
比如其中一种故障预测方式进行故障预测的过程为:对振动数据进行包络分析,得到包络谱;从包络谱中进行a阶次的频谱数据提取,并从所提取的频谱数据中提取前b个幅值最大值;分析前b个幅值最大值中是否与对应测点的故障特征频率相匹配,基于匹配结果确定对应测点的故障预测结果。
除此之外,还可以采用其他的故障预测模型,比如神经网络预测模型来进行故障预测的方式,预测出各个测点的故障预测结果。
在一个实施例中,还可以将该测点对应的振动数据进行去噪、切分,形成部件转动一圈的多个振动子数据,将该多个振动子数据进行融合,形成综合的振动子数据,并将该振动子数据转换成极坐标图像,输入到对应的神经网络预测模型中,输出对应的预测结果。
比如该振动数据为如图3所示的数据,其横坐标为时长(单位为s),纵坐标为加速度(单位为m/(s^2)),其转动一圈为0.05秒。则可对其去噪后,按照0.05秒对其进行切分融合,形成综合的振动子数据。针对该振动子数据,将该0.05秒的时长转换成极坐标下的360°的度数维度,保持其加速度数值不变,从而使得转换后的极坐标图形看起来呈一个齿形。基于所转换后的极坐标图像输入到对应的预测模型中,可以提高模型预测的准确性。
步骤712,根据指标权值、故障预测结果和关联系数矩阵计算出旋转设备的设备健康度。
可选地,可以在故障预测结果为有故障的测点对应的指标权值、关联系数矩阵来确定设备健康度。还可以根据故障预测结果确定对应测点的健康权值;基于健康权值和指标权值、关联系数矩阵计算出对应的设备健康度。
其中,健康权值可根据一种或几种故障预测方式的预测结果来确定,比如选取上面的两种故障预测方式来确定。以健康度与健康状态正相关为例,则当预测结果表示无故障时,其对应的健康权值要高于预测结果为有故障的健康权值。
比如当两种预测结果均为有故障时,则设置健康权值为0.5,当其中一种有故障时,则设置健康权值为1,当均无故障时,则设置对应测点的健康权值为0。本实施例中,可以选取健康权值不为0的所有测点,基于这些测点对应的指标权值、关联系数值和健康权值来计算出对应的设备健康度。
比如该设备健康度H=min(ci·ri),该hi表示第i个测点的健康权值。或者可以按照H=min(hi·ci·ri)来确定设备健康度,其中对于健康权值为0的,不参与计算。
本实施例中,评价待检测的转动设备,通过选择多个测点、多个指标信息进行处理分析和综合评价,能够从不同角度反应评价对象健康状态,且该多个测点往往监测不同的部件,本申请通过智能诊断方法确定各个测点的权重,取有故障测点的健康度作为设备整体健康度,从而更准确预测评价对象健康状态;且具体采用灰色关联分析法计算出关联系数值,并结合基于熵值法确定的各个指标的权重,提高灰色关联分析准确性,进而提高了设备健康度计算的准确性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述各方法实施例中的步骤。
在一个实施例中,还提供了一种电子设备,包括一个或多个处理器;存储器,存储器中存储有一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述各方法实施例中的步骤。
在一个实施例中,如图8所示,其示出了用于实现本申请的实施例的电子设备的结构示意图。电子设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,包括承载指令的在计算机可读介质,在这样的实施例中,该指令可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该指令被中央处理单元(CPU)801执行时,执行本申请中描述的各个方法步骤。
尽管已经描述了示例实施例,但是对于本领域技术人员来说显而易见的是,在不脱离本申请构思的精神和范围的情况下,可以进行各种改变和修改。因此,应当理解,上述示例实施例不是限制性的,而是说明性的。
Claims (10)
1.一种基于多测点多指标的旋转设备健康识别方法,其特征在于,所述方法包括:
获取从旋转设备上的多个测点检测到的特征数据;
基于所述特征数据生成对应的特征矩阵,每个测点检测到的特征数据中包含至少一个指标的数值,所述特征矩阵中的元素值xij表示第i个测点对应的第j个指标的数值;
基于所述特征矩阵中的元素值计算出每个指标的指标权值;
基于所述特征矩阵中的元素值计算出对应的关联系数矩阵;
基于所述特征数据计算出对应测点的故障预测结果;
根据所述指标权值、所述故障预测结果和所述关联系数矩阵计算出所述旋转设备的设备健康度。
2.根据权利要求1所述的方法,其特征在于,所述基于所述特征矩阵中的元素值计算出对应的关联系数矩阵,包括:
基于所述元素值计算出与所述指标对应的参考序列;
计算每个所述元素值与所述参考序列的差值的绝对值;
从所述差值的绝对值中确定全局最大值与全局最小值;
将所述参考序列、所述全局最大值与所述全局最小值作为预设的关联系数计算模型的输入,得到所述关联系数矩阵。
3.根据权利要求2所述的方法,其特征在于,所述关联系数计算模型包括:
所述表示所述全局最小值,所述表示所述全局最大值,所述qij表示所述元素值xij对应的关联系数,所述zj表示第j个指标对应的参考序列值,所述p表示分辨系数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述特征矩阵中的元素值计算出每个指标的指标权值,包括:
根据所述元素值计算与第j个指标下第i个测点对应的元素值占所有指标的比重Pij;
根据所述比重Pij计算所述第j个指标的熵值ej;
基于每个指标的熵值计算出所述第j个指标的权值wj;
基于所述权值wj确定所述每个指标的指标权值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述权值wj确定所述每个指标的指标权值,包括:
获取与所述每个指标对应的预设权值;
根据所述预设权值和所述权值wj确定所述每个指标的指标权值。
6.根据权利要求1所述的方法,其特征在于,所述特征数据中包括振动数据;所述基于所述特征数据计算出对应测点的故障预测结果,包括:
对所述振动数据进行包络分析,得到包络谱;
从所述包络谱中进行a阶次的频谱数据提取,并从所提取的频谱数据中提取前b个幅值最大值;
分析所述前b个幅值最大值中是否与对应测点的故障特征频率相匹配,基于匹配结果确定所述对应测点的故障预测结果。
7.根据权利要求1所述的方法,其特征在于,所述故障预测结果包括有故障和无故障;
所述根据所述指标权值、所述故障预测结果和所述关联系数矩阵计算出所述旋转设备的设备健康度,包括:
选取有故障的测点对应的指标权值和关联系数矩阵计算出所述旋转设备的设备健康度。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述元素值为归一化数值;所述方法还包括:
获取每个指标对应的标准值、稳定值、报警值和危险值;
所述基于所述特征数据生成对应的特征矩阵,包括:基于所述每个指标对应的标准值、稳定值、报警值和危险值对每个测点下的相应指标的数值进行归一化处理,将归一化处理后的数值作为所述特征矩阵中对应的元素值。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被处理器执行时使所述处理器执行如权利要求1至8中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208829.XA CN116070103B (zh) | 2023-03-07 | 2023-03-07 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208829.XA CN116070103B (zh) | 2023-03-07 | 2023-03-07 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070103A true CN116070103A (zh) | 2023-05-05 |
CN116070103B CN116070103B (zh) | 2023-06-30 |
Family
ID=86173350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310208829.XA Active CN116070103B (zh) | 2023-03-07 | 2023-03-07 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070103B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330258A (zh) * | 2014-10-23 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 |
CN111062271A (zh) * | 2019-11-29 | 2020-04-24 | 中国船舶工业系统工程研究院 | 建立旋转类设备故障识别模型的方法和装置 |
CN111272428A (zh) * | 2020-02-17 | 2020-06-12 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114971351A (zh) * | 2022-06-09 | 2022-08-30 | 郑州恩普特科技股份有限公司 | 一种基于熵值法的设备多指标健康状况评估方法 |
CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
CN115640940A (zh) * | 2022-10-24 | 2023-01-24 | 杭州轴承试验研究中心有限公司 | 基于蜘蛛网图-灰色关联度分析的盾构机主轴承性能评价方法 |
-
2023
- 2023-03-07 CN CN202310208829.XA patent/CN116070103B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330258A (zh) * | 2014-10-23 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 |
CN111062271A (zh) * | 2019-11-29 | 2020-04-24 | 中国船舶工业系统工程研究院 | 建立旋转类设备故障识别模型的方法和装置 |
CN111272428A (zh) * | 2020-02-17 | 2020-06-12 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114971351A (zh) * | 2022-06-09 | 2022-08-30 | 郑州恩普特科技股份有限公司 | 一种基于熵值法的设备多指标健康状况评估方法 |
CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
CN115640940A (zh) * | 2022-10-24 | 2023-01-24 | 杭州轴承试验研究中心有限公司 | 基于蜘蛛网图-灰色关联度分析的盾构机主轴承性能评价方法 |
Non-Patent Citations (2)
Title |
---|
刘大洪主编: "《区域创新系统的效率评价与演化》", 中国铁道出版社, pages: 235 - 238 * |
瞿红春,等.: "基于熵权优化的轴承故障诊断方法研究", 《中国民航大学学报》, vol. 33, no. 5, pages 2 - 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116070103B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singleton et al. | Extended Kalman filtering for remaining-useful-life estimation of bearings | |
US10408879B2 (en) | Method and apparatus for diagnosing a fault condition in an electric machine | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
US20070282545A1 (en) | Probabilistic Stress Wave Analysis System and Method | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN116070103B (zh) | 基于多测点多指标的旋转设备健康识别方法和设备 | |
CN116879662A (zh) | 基于数据分析的变压器故障检测方法 | |
CN112327191B (zh) | 一种基于几何特征融合决策的电池跳水概率评估方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
WO2014123443A1 (ru) | Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и устройство | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
US20110166799A1 (en) | Trending of vibration data taking into account torque effect | |
CN115901249A (zh) | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 | |
CN116505040A (zh) | 一种铁铬液流电池储能管理诊断系统及方法 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN110864902A (zh) | 一种基于分数阶散步熵的滚动轴承早期故障检测方法 | |
Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
CN111474476A (zh) | 一种电机故障预测方法 | |
CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure | |
CN114894479A (zh) | 一种基于vmd参数优化的风机主轴轴承故障诊断方法 | |
RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |