CN116434372A - 用于变工况设备的智能化数据采集系统、工况识别系统 - Google Patents

用于变工况设备的智能化数据采集系统、工况识别系统 Download PDF

Info

Publication number
CN116434372A
CN116434372A CN202310690657.4A CN202310690657A CN116434372A CN 116434372 A CN116434372 A CN 116434372A CN 202310690657 A CN202310690657 A CN 202310690657A CN 116434372 A CN116434372 A CN 116434372A
Authority
CN
China
Prior art keywords
data
rotating speed
current
equipment
target 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.)
Granted
Application number
CN202310690657.4A
Other languages
English (en)
Other versions
CN116434372B (zh
Inventor
刘畅
贺飞飞
肖剑
范冰冰
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202310690657.4A priority Critical patent/CN116434372B/zh
Publication of CN116434372A publication Critical patent/CN116434372A/zh
Application granted granted Critical
Publication of CN116434372B publication Critical patent/CN116434372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/10—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting speed or number of revolutions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种用于变工况设备的智能化数据采集系统、工况识别系统，数据采集系统包括转速预测模块、参数配置模块、数据采集模块；工况识别系统包括获取模块、确定模块、数据存储模块。本发明通过对转速进行预测，从而自动匹配不同转速下各传感器的采样率以及系统每次采集的采样时间间隔，并对所采集的数据根据设备不同物理量的特性曲线区间自动识别工况，根据工况不同将数据保存或者删除，这不仅大大提高了用于变工况设备状态监测和故障诊断的数据的有效性以及系统存储空间使用的合理性，同时也能很大程度地保证对设备状态评估和故障诊断的准确性。

Description

用于变工况设备的智能化数据采集系统、工况识别系统
技术领域
本发明涉及一种用于变工况设备的智能化数据采集系统、工况识别系统，属于机械系统故障诊断领域。
背景技术
我国越来越重视制造业的发展，而制造业的蓬勃发展离不开各种机械设备，而大多数机械设备在实际应用中工况都是在发生变化的。但是很多机械设备由于长时间、高负荷运行以及缺乏专业的保养维护，很容易使得设备的状态下降甚至发生故障，轻则影响设备寿命和生产效率，重则造成人员伤亡。故很多企业为了在设备出现故障降低时降低对生产的影响，便会提前斥巨资准备数量较大的配件，这极大增加了工厂的成本。于是很多人针对该问题提出了很多变工况机械设备故障诊断系统，但由于此类设备在加工过程中存在的不确定性和非周期性，导致设备的转速和负载存在较大的波动，常规数据采集方法所采集的数据无法对其状态进行有效的评估和诊断，而且现在所使用的大多数数据采集系统是在以固定的采样间隔时间和采样率直接进行数据采集，这也会导致采集系统会采集大量变工况设备停机状态下的数据，而这部分数据就设备的状态监测和故障诊断而言属于无效数据。
针对普通旋转机械故障诊断所使用的长时间的数据采集策略是等时间间隔采集，而这种数据采集方式对于变工况设备这种加工过程具有不确定性和非周期性的机械设备上难以适用，其采集到的数据多为停机状态的数据，不仅对于状态监测和故障诊断无效，还会浪费大量的资源，若无法准确识别到有效的工况，则难以对变工况设备的状态进行有效的评估和诊断。对此有必要设计一种不仅能够根据转速不同自适应配置采集参数进行采集，还能够通过数据分析获取工况信息，并将所采集数据按工况分类存储和删除的一种用于变工况设备的智能化数据采集系统和工况识别系统。
发明内容
本发明提供了一种用于变工况设备的智能化数据采集系统，以用于在转速预测的基础上根据变化情况完成参数配置，自适应配置采集参数进行采集；进一步地，提供了一种用于变工况设备的工况识别系统，依据本发明数据采集系统获取的多种信号融合进行工况识别，并将所采集数据按工况分类存储和删除。
本发明的技术方案是：
根据本发明的一方面，提供了一种用于变工况设备的智能化数据采集系统，包括：转速预测模块，用于依据上一次采集时目标设备实际转速及上一次预测转速，计算当前预测转速；依据相邻两预测转速，计算转速变化率；参数配置模块，用于判断转速变化率是否大于预设变化率阈值，如果小于等于预设变化率阈值，则继续采用上一次的采样参数对目标设备执行采样；否则，在预设的参数配置文件中，选取与转速变化率匹配的采样参数键值对目标设备执行采样；数据采集模块，用于依据参数配置模块获取的采样参数执行单次数据采集，获取采集的目标设备数据。
所述当前预测转速表达式为：
Figure SMS_1
其中，
Figure SMS_2
为当前预测转速，/>
Figure SMS_3
为上一次采集的目标设备实际转速，/>
Figure SMS_4
为上一次预测转速，/>
Figure SMS_5
为平滑常数，范围为0~1之间。
将上一次采集的电流信号自动进行滤波处理，去除电流信号中的部分干扰信号，然后将降噪后的信号做频谱测量，在频谱中提取幅值最高的频谱对应的频率作为目标设备电机的转频，从电机铭牌中获取电机的级数，取级数的一半即为极对数，将转频和极对数带入如下目标设备电机的实际转速计算公式，将得到的目标设备电机实际转速作为上一次采集的目标设备实际转速；
Figure SMS_6
式中，n为目标设备电机的实际转速，f为所采集的电流信号频率，p为电机的极对数。
根据本发明的另一方面，提供了一种数据采集终端，所述数据采集终端用于实现如上述中任意一项所述的用于变工况设备的智能化数据采集系统。
根据本发明的另一方面，提供了一种用于变工况设备的智能化工况识别系统，包括：获取模块，用于获取用于变工况设备的智能化数据采集系统采集的目标设备数据；确定模块，用于对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况；数据存储模块，用于将第一工况数据进行存储，将第二工况数据进行删除。
所述对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况，包括：将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据；对预处理后的目标设备数据进行特征值提取；依据特征值，确定目标设备当前工况。
所述将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据，包括：将采集的目标设备振动、电流和温度数据分别进行预处理：将采集的振动数据中异常点剔除，再进行滤波降噪处理，以获得有效的预处理振动数据；将采集的电流数据进行滤波降噪处理，以获得有效的预处理电流信号；将采集的温度传感器的电压信号中异常点剔除，然后将电压信号转化为实际温度值。
所述对预处理后的目标设备数据进行特征值提取，包括：依据预处理振动数据，获得振动有效值；依据预处理电流信号，获取当前实际转速；将当前实际温度与上一次实际温度通过变换率公式计算得到温度变化率。
所述依据特征值，确定目标设备当前工况，包括：判断温度变化率是否位于温度变化率区间：在满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间、当前实际温度在第一温度预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；在满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间、当前实际温度在第二温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；在满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间、当前实际温度在第三温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；否则,判定此时目标设备为其它状态。
根据本发明的另一方面，提供了一种数据处理终端，所述数据处理终端用于实现如上述中任意一项所述的用于变工况设备的智能化工况识别系统。
本发明的有益效果是：本发明通过对转速进行预测，从而自动匹配不同转速下各传感器的采样率以及系统每次采集的采样时间间隔，并对所采集的数据根据设备不同物理量的特性曲线区间自动识别工况，根据工况不同将数据保存或者删除，这不仅大大提高了用于变工况设备状态监测和故障诊断的数据的有效性以及系统存储空间使用的合理性，同时也能很大程度地保证对设备状态评估和故障诊断的准确性。
附图说明
图1是根据本发明实施例提供的一种用于变工况设备的智能化数据采集系统和工况识别系统结构框图；
图2是根据本发明实施例提供的系统参数配置的流程示意图；
图3是根据本发明实施例提供的不同状态下物理量对应的特性区间示意图；
图4是根据本发明实施例提供的系统进行工况识别的流程示意图；
图5是根据本发明实施例提供的数据存储的结构示意图。
具体实施方式
下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-5所示，根据本发明实施例的一方面，一种用于变工况设备的智能化数据采集系统，包括：转速预测模块，用于依据上一次采集时目标设备实际转速及上一次预测转速，计算当前预测转速；依据相邻两预测转速，计算转速变化率；参数配置模块，用于判断转速变化率是否大于预设变化率阈值，如果小于等于预设变化率阈值，则继续采用上一次的采样参数对目标设备执行采样；否则，在预设的参数配置文件中，选取与转速变化率匹配的采样参数键值对目标设备执行采样；数据采集模块，用于依据参数配置模块获取的采样参数执行单次数据采集，获取采集的目标设备数据。
进一步地，所述当前预测转速表达式为：
Figure SMS_7
其中，
Figure SMS_8
为当前预测转速，/>
Figure SMS_9
为上一次采集的目标设备实际转速，/>
Figure SMS_10
为上一次预测转速，/>
Figure SMS_11
为平滑常数，范围为0~1之间。
进一步地，将上一次采集的电流信号自动进行滤波处理，去除电流信号中的部分干扰信号，然后将降噪后的信号做频谱测量，在频谱中提取幅值最高的频谱对应的频率作为目标设备电机的转频，从电机铭牌中获取电机的级数，取级数的一半即为极对数，将转频和极对数带入如下目标设备电机的实际转速计算公式，将得到的目标设备电机实际转速作为上一次采集的目标设备实际转速；
Figure SMS_12
式中，n为目标设备电机的实际转速，即上一次采集的目标设备实际转速；f为所采集的电流信号频率，p为电机的极对数。
根据本发明实施例的另一方面，提供了一种数据采集终端，所述数据采集终端用于实现如上述中任意一项所述的用于变工况设备的智能化数据采集系统。
根据本发明实施例的另一方面，提供了一种用于变工况设备的智能化工况识别系统，包括：获取模块，用于获取用于变工况设备的智能化数据采集系统采集的目标设备数据；确定模块，用于对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况；数据存储模块，用于将第一工况数据进行存储，将第二工况数据进行删除。
进一步地，所述对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况，包括：将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据；对预处理后的目标设备数据进行特征值提取；依据特征值，确定目标设备当前工况。
进一步地，所述将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据，包括：将采集的目标设备振动、电流和温度数据分别进行预处理：将采集的振动数据中高于正常振动范围的异常点剔除，再进行滤波降噪处理，以获得对故障诊断和工况识别有效的预处理振动数据；将采集的电流数据进行滤波降噪处理，以获得有效的预处理电流信号；将采集的温度传感器的电压信号中不处于正常范围的异常点剔除，然后将电压数据根据传感器规格转化为实际温度值。
进一步地，所述对预处理后的目标设备数据进行特征值提取，包括：依据预处理振动数据，获得振动有效值；依据预处理电流信号，获取当前实际转速；将当前实际温度与上一次实际温度通过变换率公式计算得到温度的变化率。
进一步地，所述依据特征值，确定目标设备当前工况，包括：判断温度变化率是否位于温度变化率区间：在满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间、当前实际温度在第一温度预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；在满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间、当前实际温度在第二温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；在满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间、当前实际温度在第三温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；在不满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；否则,判定此时目标设备为其它状态。
进一步地，所述第二工况数据为停机状态数据；第一工况数据为非停机状态数据。
根据本发明实施例的另一方面，提供了一种数据处理终端，所述数据处理终端用于实现如上述中任意一项所述的用于变工况设备的智能化工况识别系统。
进一步地，可以将本发明用于含有滚珠丝杠的机床、机床主轴等变工况设备，即目标设备。
实施例2：本实施例公开了一种可选地用于变工况设备的智能化数据采集系统和工况识别系统，运用一种预测算法对转速进行预测，从而自动匹配不同转速下各传感器的采样率以及系统每次采集的采样时间间隔，并对所采集的数据根据设备不同物理量的特性曲线区间自动识别工况，根据工况不同将数据保存或者删除，以下结合附图进行详细说明。
图1示出了根据本发明实施例提供的一种用于变工况设备的智能化数据采集系统和工况识别系统。如图1所示，主要包括转速预测模块、参数配置模块、数据采集模块、工况识别模块和数据存储模块，系统每进行一次采集都需要将以上功能执行一次。
在本申请实施例中，运用预测算法对设备电机的转速进行预测，具体的，该系统转速预测算法使用一次平滑指数预测算法，其需要上一次采集的实际转速和上一次的转速预测值，通过设定平滑常数的大小，自动进行转速的预测，如图2所示，其公式计算如下：
Figure SMS_13
其中，
Figure SMS_14
为当前预测转速，/>
Figure SMS_15
为上一次采集的目标设备实际转速，/>
Figure SMS_16
为上一次预测转速，/>
Figure SMS_17
为平滑常数，范围为0~1之间。
详细地，系统在每次采集之前，将上一次采集的电流信号自动进行滤波处理，去除电流信号中的部分干扰信号，然后将降噪后的信号做频谱测量，在频谱中提取幅值最高的频谱对应的频率即为设备电机的转频，从电机铭牌中获取电机的级数，利用转速计算公式将设备带电机转速计算出来，其公式计算如下：
Figure SMS_18
式中，n为目标设备电机的实际转速，f为所采集的电流信号频率，p为电机的极对数。
在一个具体的实施例中，系统将上一次采集的电流信号通过低通滤波器，过滤掉部分噪声信号，提取到较为干净的电流信号基波分量，然后利用傅里叶变换获得电流信号的频谱，在频谱中最大的一个谐波分量对应着电机的转频，从电机规格说明书中获取变更工况设备电机的级数，取级数的一半即为极对数，将转频和极对数带入上述转速计算公式，则可得到设备在上次数据采集时的目标设备实际转速，而上一次的转速预测值会自动缓存以参与当前转速的预测，即可得到设备当前转速的预测值，而且由于变工况设备工作环境的不稳定，为了保证转速的预测对实际转速能有良好的响应性，所述系统选定
Figure SMS_19
的值为0.9—0.95之间。
需要注意的是，系统初次启动时，由于没有前一次的实际转速和前一次的预测转速作为参考，则默认前一次实际转速和前一次的预测转速为0。
在本申请实施例中，根据当前转速预测的值自动匹配相应的采样参数，具体地，将预测到的相邻两次转速进行转速变化率的计算，当变换率在设定的区间内，则仍按照上一次的采样参数进行采集，当变化率超过所设定的转速变化率阈值，系统则自动从配置文件匹配适合当前转速的采样参数，配置好采样参数后即可进行数据的采集，如图2所示，转速变化率计算公式如下：
Figure SMS_20
其中，
Figure SMS_21
为相邻两预测转速的变化率，/>
Figure SMS_22
为上一次预测转速，/>
Figure SMS_23
为当前预测转速。
详细地，参数配置文件中为预先设定的不同转速下对应的采样参数键值对，当需要匹配参数时，系统自动从中索引合适的参数键值对，若配置文件中没有当前转速所对应的采样参数键值对，系统则选择默认参数，而文件中不存在的参数键值对则可以进行需要进行更新录入。
在一个具体的实施例中，所述系统在计算得到当前转速预测值后，结合上一次转速的预测值，运用转速变化率计算公式，得到相邻两次转速的变化率运用相邻两次的数值计算变化率可以更准确地了解一段时间内的变化情况，因为它可以反映出两个时间点之间的具体变化量，而不仅仅是整个时间段内的平均变化率。所述系统则对计算得到的转速变化率和设定的阈值5%进行对比，若判断得到转速变化率未超过5%，则系统不进入参数配置文件，仍用前一次的采样参数；当判断得到转速变化率大于5%，系统会自动进入参数配置文件.ini根据当前预测转速选择相应的参数键值对，其中参数键值对包括振动传感器的采样率和采样点数、电流传感器的采样率和采样点数、温度传感器的采样率和采样点数以及整个系统的采样间隔时间即系统的循环时间间隔，例如转速变化率大于5%，且当前预测转速为0-500转时，则与之匹配的参数键值对如下：振动传感器的采样率和采样点数都为6400，电流传感器的采样率和采样点数都为500，温度传感器的采样率和采样点数都为500，整个系统的采样间隔时间即系统的循环时间间隔为120s；再如转速变化率大于5%，且当前预测转速为1000-1500转时，则与之匹配的参数键值对如下：振动传感器的采样率和采样点数都为10000，电流传感器的采样率和采样点数都为800，温度传感器的采样率和采样点数都为800，整个系统的采样间隔时间即系统的循环时间间隔为60s。将选择的参数键值对进行相应的设置，系统则可按照采样参数进行数据采集。
在本申请实施例中，所述系统在配置好参数后自动开始数据的采集，且每次配置后只进行单次采集，而采集的数据则进行缓存，然后系统自动判断是否到达设定的采样时间间隔。
在一个具体的实施例中，智能化数据采集系统在配置好传感器采样率和系统循环时间间隔后进行数据采集，并将采集到的数据缓存以进行后续的处理和存储，且数据采集为单次采集即每次采集前都需要进行参数的配置，采集程序才可以执行，然后系统自动判断是否到达设定的采样时间间隔，若未到达设定的时间间隔，系统则继续等待，直到达到设定的时间间隔后系统再进行转速预测，开启新一轮的参数配置和数据采集进程。
在本申请实施例中，所述系统将采集的信号进行处理后，即可进行工况识别，具体地，系统将采集的数据进行处理、分析，获取到相应数据的特征值，根据设备不同物理量的特性曲线区间的不同，融合从电流信号中获取的转速、从振动信号中获取的有效值以及从温度信号中获取的温度的变化率，将特征数据进行分类，从而识别设备当前工况，如图3所示。
详细地，对于振动信号，系统采集的振动数据由于设备工作环境的影响，会由于某些因素影响使得信号中出现极少很大的冲击信号，所述系统自动将数据中存在的异常点剔除，留下较为稳定的数据，而留下的数据中会存在较大的噪声干扰，于是系统将含有噪声的信号进行滤波降噪处理，处理过的振动数据进行所需的数据分析，在工况识别时需要利用振动信号的有效值作为判别条件之一，故在对处理后的振动数据分析时仅需要计算有效值，并将其缓存，振动信号有效值的计算公式如下：
Figure SMS_24
在上式中，RMS为有效值，k+1表示每条振动数据的总样本点数，
Figure SMS_25
第i点处的幅值大小。
详细地，对于电流信号的处理和分析，在本申请实施例计算上一次数据采集时的实际转速中附有详细介绍。
详细地，对于温度信号，所述系统采集的温度数据是传感器电压信号，系统将该数据通过换算得到实际的温度值，将当前温度与上一时刻的温度通过变换率公式计算得到温度的变化率，温度变化率的公式如下：
Figure SMS_26
在上式中，
Figure SMS_27
为温度的变化率，T pre 为当前实际温度，T pa 为上一次的实际温度。
在一实施例中，为了更加全面、准确获取机械设备的状态信息，于是使用机械设备的多个物理量共同判断设备所处的状态。如果只用单一物理量来判断设备状态，可能会忽略其他物理量的变化，导致状态判断不准确，同时考虑多个物理量，可以综合判断设备的状态，减小因单个参数误差而导致的误判概率，建立更加精确的设备状态判别体系。
所述多物理量设备状态判别体系即本申请中的工况识别体系，具体实施如下：采集的数据经过处理和相关特征值计算，并通过与设定的各参数的特性区间进行对比，自动判别出变工况机械设备当前所处状态，判别过程和设备不同状态不同物理量的特性区间示意图如图3、4所示。首先，系统自动识别温度变化率α是否位于温度变化率区间(如α<α0；其中，α0表示温度变化率阈值)，再根据不同的情况运用多物理量进行工况识别。若α位于温度变化率区间，则通过转速、振动有效值和设备当前温度共同判别，如当机械设备的转速n≤m，振动有效值在停机特性区间即位于第一振动有效值预设区间，如RMS∈[0,RMS 1]，且当前温度处在停机特性区间内即位于第一温度预设区间，如T＜T 1，则系统自动识别当前设备处于停机状态；当机械设备的转速n＞m， 振动有效值在空转特性区间即位于第二振动有效值预设区间，如RMS∈(RMS 1,RMS 2]，且当前温度处在空转特性区间内即位于第二温度预设区间，如T∈[T 2，T 3]，则系统自动识别当前设备处于空转状态；当机械设备的转速n＞m，振动有效值在加工特性区间即位于第三振动有效值预设区间，如RMS∈(RMS 2,RMS 3]，且当前温度处在加工特性区间内即位于第三温度预设区间，如T∈[T 4，T 5]，则系统自动识别当前设备处于加工状态。若α不位于温度变化率区间，则通过转速、振动有效值共同判别设备的工况，如当机械设备的转速n≤m，振动有效值在停机特性区间，如RMS∈[0,RMS 1]，则系统自动识别当前设备处于停机状态；当机械设备的转速n＞m，振动有效值在空转特性区间，如RMS∈(RMS 1,RMS 2]，则系统自动识别当前设备处于空转状态；当机械设备的转速n＞m，振动有效值在加工特性区间，如RMS∈(RMS 2,RMS 3]，则系统自动识别当前设备处于加工状态。
针对以上的物理量的设定，以实验室的轴承疲劳实验台为例进行相应的说明，将温振一体传感器安装在相应的测点位置，电流传感器安装在三相交流电机的U相。
当实验台处于停机状态时，温度变化率趋近于0，将采集到的电流信号数据运用所述方法求得当前实际转速为0r/min，振动有效值小于0.05，而温度则低于25.8℃；对于从停机状态进入空转状态/加工状态给出两组试验：
第一组试验：
当实验台在空转状态下时，温度变化率在0.0047-0.0083之间，根据电流信号计算获得当前实际转速为2380r/min，振动有效值为0.35左右，而空转状态下的温度最终会稳定在37.4℃左右；
当实验台处于加工状态时即给实验对象施加负载，温度变化率在0.013-0.036之间，根据电流信号计算获得当前实际转速为2380r/min，振动有效值为0.8左右，而加工状态下的温度最终会稳定在44.2℃左右；
第二组试验：
空转和加工状态，运用本发明方法计算当前实际转速为995r/min，而在空转状态下，温度变化率在0.0025-0.0058之间，振动有效值为0.2左右，温度最终趋于35.8℃，而在加工状态即施加负载后，温度变化率在0.0042-0.0091之间，振动有效值为0.5左右，温度最终趋于40.5℃。
由以上数据可知，对于该实验台常用的转速区间进行工况识别时，则可以设置温度变化率阈值α0=0.002，相应的RMS 1=0.05,RMS 2=0.4,RMS 3=1.5;对于温度，则设置T 1=26℃,T 2=35℃,T 3=38℃,T 4=40℃,T 5=45℃。以上两个转速的实验仅为简单说明工况识别时各个物理量对应的设置方法和依据。
需要注意的是，上述物理量预设转速阈值大小m可以是转速很小的一个值如20或30等，非0的m可以很大程度增加系统的容错率。其次，除运用以上特征参数组合方式识别工况外，其余情况下的数据均按照状态异常处理即其他状态。
在本申请实施例中，数据存储用来将不同工况数据存储在不同的文件夹中。
在一实施例中，所述系统的数据存储针对不同工况的数据存储，具体地，在所述系统中，缓存的数据包括振动、电流以及温度的原始数据，当系统识别设备当前处于空转、加工以及其他工况时，数据文件将以时间命名的格式保存到对应的空转、加工和其他工况文件夹；当系统识别设备当前为停机状态时，缓存的原始数据将自动清除。
所述系统将本次采集的数据删除或存储到对应文件夹后，此次数据采集结束，系统在等待本次采集匹配的采样时间间隔后，重新开始进行下次数据采集进程。
基于所述系统存储其他数据的格式，所采集的数据在预设数据类型中不存在，则将其分类到单独的文件夹中进行存储，以对设备故障诊断做数据补充。
应用上述技术方案可知,本发明运用一种平滑指数预测算法对转速进行预测，从而自动匹配不同转速下各传感器的采样率以及系统每次采集的采样时间间隔，并对所采集的数据根据设备不同物理量的预设区间自动识别工况，根据所识别工况的不同将数据进行保存或者删除。通过采用上述技术方案，解决了等间隔数据采集存在的有效数据比重少、资源浪费严重以及挑选有效工况数据繁琐等问题，能够通过设备在不同状态下的不同数据特征，融合多种数据准确识别变工况设备的不同工况，而且通过自动对系统采样时间间隔的调整，能使其采集到更多有效工况时的数据，提高了用于变工况设备状态监测和故障诊断的数据的有效性以及系统存储空间使用的合理性，同时也能很大程度保证对此类设备状态评估和故障诊断的准确性，且使用范围广。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种用于变工况设备的智能化数据采集系统，其特征在于，包括：
转速预测模块，用于依据上一次采集时目标设备实际转速及上一次预测转速，计算当前预测转速；依据相邻两预测转速，计算转速变化率；
参数配置模块，用于判断转速变化率是否大于预设变化率阈值，如果小于等于预设变化率阈值，则继续采用上一次的采样参数对目标设备执行采样；否则，在预设的参数配置文件中，选取与转速变化率匹配的采样参数键值对目标设备执行采样；
数据采集模块，用于依据参数配置模块获取的采样参数执行单次数据采集，获取采集的目标设备数据。
2.根据权利要求1所述的用于变工况设备的智能化数据采集系统，其特征在于，所述当前预测转速表达式为：
Figure QLYQS_1
；其中，/>
Figure QLYQS_2
为当预测转速，/>
Figure QLYQS_3
为上一次采集的目标设备实际转速，
Figure QLYQS_4
为上一次预测转速，/>
Figure QLYQS_5
为平滑常数，范围为0~1之间。
3.根据权利要求1所述的用于变工况设备的智能化数据采集系统，其特征在于，将上一次采集的电流信号自动进行滤波处理，去除电流信号中的部分干扰信号，然后将降噪后的信号做频谱测量，在频谱中提取幅值最高的频谱对应的频率作为目标设备电机的转频，从电机铭牌中获取电机的级数，取级数的一半即为极对数，将转频和极对数带入如下目标设备电机的实际转速计算公式，将得到的目标设备电机实际转速作为上一次采集的目标设备实际转速；
Figure QLYQS_6
；式中，n为目标设备电机的实际转速，f为所采集的电流信号频率，p为电机的极对数。
4.一种数据采集终端，其特征在于，所述数据采集终端用于实现如权利要求1-3中任意一项所述的用于变工况设备的智能化数据采集系统。
5.一种用于变工况设备的智能化工况识别系统，其特征在于，包括：
获取模块，用于获取用于变工况设备的智能化数据采集系统采集的目标设备数据；
确定模块，用于对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况；
数据存储模块，用于将第一工况数据进行存储，将第二工况数据进行删除。
6.根据权利要求5所述的用于变工况设备的智能化工况识别系统，其特征在于，所述对采集的目标设备数据自动进行数据处理、数据分析和数据分类，确定目标设备当前工况，包括：
将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据；
对预处理后的目标设备数据进行特征值提取；
依据特征值，确定目标设备当前工况。
7.根据权利要求6所述的用于变工况设备的智能化工况识别系统，其特征在于，所述将采集的目标设备数据进行预处理，以获取预处理后的目标设备数据，包括：将采集的目标设备振动、电流和温度数据分别进行预处理：
将采集的振动数据中异常点剔除，再进行滤波降噪处理，以获得有效的预处理振动数据；
将采集的电流数据进行滤波降噪处理，以获得有效的预处理电流信号；
将采集的温度传感器的电压信号中异常点剔除，然后将电压信号转化为实际温度值。
8.根据权利要求6所述的用于变工况设备的智能化工况识别系统，其特征在于，所述对预处理后的目标设备数据进行特征值提取，包括：
依据预处理振动数据，获得振动有效值；
依据预处理电流信号，获取当前实际转速；
将当前实际温度与上一次实际温度通过变换率公式计算得到温度变化率。
9.根据权利要求6所述的用于变工况设备的智能化工况识别系统，其特征在于，所述依据特征值，确定目标设备当前工况，包括：
判断温度变化率是否位于温度变化率区间：
在满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间、当前实际温度在第一温度预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；
在满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间、当前实际温度在第二温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；
在满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间、当前实际温度在第三温度预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；
在不满足位于温度变化率区间的情况下,如果振动有效值在第一振动有效值预设区间且当前实际转速小于等于预设转速阈值，则判定此时目标设备为停机状态；
在不满足位于温度变化率区间的情况下,如果振动有效值在第二振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为空转状态；
在不满足位于温度变化率区间的情况下,如果振动有效值在第三振动有效值预设区间且当前实际转速大于预设转速阈值，则判定此时目标设备为加工状态；
否则,判定此时目标设备为其它状态。
10.一种数据处理终端，其特征在于，所述数据处理终端用于实现如权利要求5-9中任意一项所述的用于变工况设备的智能化工况识别系统。
CN202310690657.4A 2023-06-12 2023-06-12 用于变工况设备的智能化数据采集系统、工况识别系统 Active CN116434372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310690657.4A CN116434372B (zh) 2023-06-12 2023-06-12 用于变工况设备的智能化数据采集系统、工况识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310690657.4A CN116434372B (zh) 2023-06-12 2023-06-12 用于变工况设备的智能化数据采集系统、工况识别系统

Publications (2)

Publication Number Publication Date
CN116434372A true CN116434372A (zh) 2023-07-14
CN116434372B CN116434372B (zh) 2023-08-18

Family

ID=87085869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310690657.4A Active CN116434372B (zh) 2023-06-12 2023-06-12 用于变工况设备的智能化数据采集系统、工况识别系统

Country Status (1)

Country Link
CN (1) CN116434372B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114680653A (zh) * 2020-12-31 2022-07-01 广东美的厨房电器制造有限公司 烹饪器具
CN117238468A (zh) * 2023-11-10 2023-12-15 苏州真趣信息科技有限公司 定位能效数据处理的方法、标签、及存储介质
CN117226530A (zh) * 2023-11-13 2023-12-15 成都飞机工业（集团）有限责任公司 一种无人生产线设备进给轴电流数据自动采集方法及系统
CN117631630A (zh) * 2024-01-17 2024-03-01 东莞市鹏锦机械科技有限公司 一种涂布回收一体机的最佳工况控制方法、系统及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5935577A (ja) * 1982-08-23 1984-02-27 Hitachi Ltd 電動機の速度制御方法
US20140316577A1 (en) * 2013-04-23 2014-10-23 Quanta Computer Inc. Apparatus and method for controlling fan
US20180373233A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Failure predicting apparatus and machine learning device
CN109901537A (zh) * 2019-03-18 2019-06-18 北京大通惠德科技有限公司 用于边缘计算侧的机械设备运行状态监测方法和系统
CN113343384A (zh) * 2021-06-01 2021-09-03 西安交通大学 一种变速器变转速工况下声品质主客观评价方法
CN113514264A (zh) * 2020-03-25 2021-10-19 三菱动力株式会社 旋转机的诊断监视装置及方法
CN113607415A (zh) * 2021-06-25 2021-11-05 宝鸡文理学院 一种变转速下基于短时随机共振的轴承故障诊断方法
CN114880790A (zh) * 2022-04-08 2022-08-09 华能汕头海门发电有限责任公司 一种汽动引风机变工况机理建模方法、系统及存储介质
CN114942385A (zh) * 2022-06-24 2022-08-26 郑州恩普特科技股份有限公司 一种电机转速估算方法及系统
CN115481564A (zh) * 2022-07-27 2022-12-16 南京航空航天大学 一种基于数字孪生模型的轴承滚子动静接触刚度测量方法
CN115878986A (zh) * 2022-11-25 2023-03-31 华中科技大学 一种变工况轴承的退化趋势评估方法
CN115979661A (zh) * 2022-12-15 2023-04-18 无锡赛思亿电气科技有限公司 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5935577A (ja) * 1982-08-23 1984-02-27 Hitachi Ltd 電動機の速度制御方法
US20140316577A1 (en) * 2013-04-23 2014-10-23 Quanta Computer Inc. Apparatus and method for controlling fan
US20180373233A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Failure predicting apparatus and machine learning device
CN109144025A (zh) * 2017-06-27 2019-01-04 发那科株式会社 故障预测装置以及机器学习装置
CN109901537A (zh) * 2019-03-18 2019-06-18 北京大通惠德科技有限公司 用于边缘计算侧的机械设备运行状态监测方法和系统
CN113514264A (zh) * 2020-03-25 2021-10-19 三菱动力株式会社 旋转机的诊断监视装置及方法
CN113343384A (zh) * 2021-06-01 2021-09-03 西安交通大学 一种变速器变转速工况下声品质主客观评价方法
CN113607415A (zh) * 2021-06-25 2021-11-05 宝鸡文理学院 一种变转速下基于短时随机共振的轴承故障诊断方法
CN114880790A (zh) * 2022-04-08 2022-08-09 华能汕头海门发电有限责任公司 一种汽动引风机变工况机理建模方法、系统及存储介质
CN114942385A (zh) * 2022-06-24 2022-08-26 郑州恩普特科技股份有限公司 一种电机转速估算方法及系统
CN115481564A (zh) * 2022-07-27 2022-12-16 南京航空航天大学 一种基于数字孪生模型的轴承滚子动静接触刚度测量方法
CN115878986A (zh) * 2022-11-25 2023-03-31 华中科技大学 一种变工况轴承的退化趋势评估方法
CN115979661A (zh) * 2022-12-15 2023-04-18 无锡赛思亿电气科技有限公司 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENTAO YANG: "Application of multirate sampling approach in pitch control of wind generator systems", 《 PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》, pages 6969 - 6972 *
沈飞: "迁移学习理论及机械故障诊断和寿命预测研究", 《中国优秀博士学位论文全文数据库工程科技Ⅱ辑》, no. 02, pages 029 - 41 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114680653A (zh) * 2020-12-31 2022-07-01 广东美的厨房电器制造有限公司 烹饪器具
CN117238468A (zh) * 2023-11-10 2023-12-15 苏州真趣信息科技有限公司 定位能效数据处理的方法、标签、及存储介质
CN117238468B (zh) * 2023-11-10 2024-02-02 苏州真趣信息科技有限公司 定位能效数据处理的方法、标签、及存储介质
CN117226530A (zh) * 2023-11-13 2023-12-15 成都飞机工业（集团）有限责任公司 一种无人生产线设备进给轴电流数据自动采集方法及系统
CN117226530B (zh) * 2023-11-13 2024-03-15 成都飞机工业（集团）有限责任公司 一种无人生产线设备进给轴电流数据自动采集方法及系统
CN117631630A (zh) * 2024-01-17 2024-03-01 东莞市鹏锦机械科技有限公司 一种涂布回收一体机的最佳工况控制方法、系统及介质

Also Published As

Publication number Publication date
CN116434372B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116434372B (zh) 用于变工况设备的智能化数据采集系统、工况识别系统
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN112881014B (zh) 传动总成的下线nvh测试系统及方法
CN109783903A (zh) 一种基于时间序列的工业用水管道故障诊断方法及系统
CN117391481B (zh) 一种基于大数据的电力数据监视方法及系统
CN114323642A (zh) 风电机组振动数据处理系统以及数据稀释方法
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN115219184A (zh) 一种基于声学指纹的断路器机械状态检测系统及方法
CN114878172A (zh) 一种船舶主机气缸温度信号特征提取方法及系统
CN107702919A (zh) 基于声发射的滑动轴承润滑状态监测方法
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
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件
CN110749443A (zh) 一种基于高阶原点矩的滚动轴承故障诊断方法及系统
AU2021415086B2 (en) Blade fault diagnosis method, apparatus and system, and storage medium
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration
CN111007281B (zh) 基于小波函数相关性的转速传感器故障诊断方法及系统
CN112525337A (zh) 一种针对机械压力机振动监测数据预处理方法
CN113723732A (zh) 用于离心泵的状态判定方法及系统
CN107436244B (zh) 基于频率分段振动数据采集的设备故障报警方法
CN113567123B (zh) 旋转机械冲击类故障自动诊断方法
CN115213735B (zh) 一种铣削加工过程刀具状态监测系统及方法
CN118114082B (zh) 基于云计算的离心机数据远程监控与分析系统
CN115712832A (zh) 一种用于给水泵故障诊断的多源信号融合处理方法和系统
JP2022039905A (ja) 異常診断装置、異常診断システム及び異常診断方法

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