CN116539296A - 基于三维轴心位置的采集诊断系统、方法、设备以及介质 - Google Patents
基于三维轴心位置的采集诊断系统、方法、设备以及介质 Download PDFInfo
- Publication number
- CN116539296A CN116539296A CN202310815026.0A CN202310815026A CN116539296A CN 116539296 A CN116539296 A CN 116539296A CN 202310815026 A CN202310815026 A CN 202310815026A CN 116539296 A CN116539296 A CN 116539296A
- Authority
- CN
- China
- Prior art keywords
- displacement sensor
- axis position
- rotating equipment
- axle center
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 196
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000009434 installation Methods 0.000 claims description 39
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种基于三维轴心位置的采集诊断系统、基于三维轴心位置的采集诊断方法、旋转设备以及计算机可读存储介质,该采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与第一轴心位移传感器和第二轴心位移传感器相连接的数据处理模块;第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,第二轴心位移传感器的安装方向相对于轴承座为竖直方向;数据处理模块根据第一轴心位移传感器和第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定旋转设备在三维空间当中的轴心位置数据,并将轴心位置数据输入预设的深度神经网络模型,以基于深度神经网络模型实时确定旋转设备的运行故障诊断结果。
Description
技术领域
本申请涉及旋转设备技术领域,尤其涉及一种基于三维轴心位置的采集诊断系统、基于三维轴心位置的采集诊断方法、旋转设备以及计算机可读存储介质。
背景技术
旋转设备中的转子是主要部件,转子在轴承中高速旋转时不只围绕自身中心旋转,还环绕某一中心作涡动运动(产生涡动运动的原因可能是转子不平衡、对中不良、转子和定子碰磨、油膜涡动等),当旋转设备正常时,旋转设备轴心位置的运行轨迹近似一个圆,而当出现异常时该轴心位置的轨迹会发生畸变。因此,针对旋转设备轴心位置的轨迹进行准确的监控分析,可以得出设备故障的前期征兆和发生故障的具体原因,进而采取合理的维修措施,以防止旋转设备事故的进一步发展。因此,如何准确的计算出旋转设备的轴心位置,以基于准确的轴心位置轨迹图高效进行设备分析,是行业内亟需解决的技术问题。
发明内容
本申请的主要目的在于提供一种基于三维轴心位置的采集诊断系统、基于三维轴心位置的采集诊断方法、旋转设备以及计算机可读存储介质,旨在准确的计算出旋转设备的轴心位置,以基于准确的轴心位置轨迹图高效进行设备分析。
为实现上述目的,本申请提供一种基于三维轴心位置的采集诊断系统,所述基于三维轴心位置的采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与所述第一轴心位移传感器和所述第二轴心位移传感器相连接的数据处理模块;
所述第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
所述数据处理模块根据所述第一轴心位移传感器和所述第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据,并将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,所述数据处理模块将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果,包括:
所述数据处理模块根据所述轴心位置数据确定所述旋转设备是否发生运行故障;并在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,所述数据处理模块根据所述轴心位置数据确定所述旋转设备是否发生运行故障,包括:
所述数据处理模块根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量,并检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,以在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若所述数据处理模块检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
进一步地,所述第一轴心位移传感器和所述第二轴心位移传感器均安装在所述轴承座上;
所述第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,所述水平X方向和所述水平Y方向相互正交;
所述第二位移传感器的安装方向为竖直Z方向,所述竖直Z方向相交于所述水平X方向和所述水平Y方向的正交点。
此外,为实现上述目的,本申请还提供一种基于三维轴心位置的采集诊断方法,所述基于三维轴心位置的采集诊断方法包括:
获取旋转设备的第一轴心位移传感器和第二轴心位移传感器各自采集到的轴心位移数据,其中,述第一轴心位移传感器的安装方向相对于所述旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
根据所述轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据;
将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,所述将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果的步骤,包括:
根据所述轴心位置数据确定所述旋转设备是否发生运行故障;
在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,所述根据所述轴心位置数据确定所述旋转设备是否发生运行故障的步骤,包括:
根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量;
检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,并在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
进一步地,所述第一轴心位移传感器和所述第二轴心位移传感器均安装在所述轴承座上;
所述第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,所述水平X方向和所述水平Y方向相互正交;
所述第二位移传感器的安装方向为竖直Z方向,所述竖直Z方向相交于所述水平X方向和所述水平Y方向的正交点。
此外,为实现上述目的,本申请还提供一种旋转设备,所述旋转设备集成在如上所述的基于三维轴心位置的采集诊断系统中,或者,所述旋转设备与所述采集诊断系统相连接,所述旋转设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于三维轴心位置的采集诊断程序,所述基于三维轴心位置的采集诊断程序被所述处理器执行时实现如上所述的基于三维轴心位置的采集诊断方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于三维轴心位置的采集诊断程序,所述基于三维轴心位置的采集诊断程序被处理器执行时实现如上所述的基于三维轴心位置的采集诊断方法的步骤。
本申请实施例提供的基于三维轴心位置的采集诊断系统、基于三维轴心位置的采集诊断方法、旋转设备以及计算机可读存储介质,该采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与所述第一轴心位移传感器和所述第二轴心位移传感器相连接的数据处理模块;所述第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;所述数据处理模块根据所述第一轴心位移传感器和所述第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据,并将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本申请实施例中,通过设置第一轴心位移传感器和第二轴心位移传感器,且令第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,和令第二轴心位移传感器的安装方向相对于该轴承座为竖直方向。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
如此,本申请实施例相比于传统仅依靠同一轴心截面来计算旋转设备轴心位置的方式,结合安装方向相对于轴承座为水平方向的第一轴心位移传感器,和,安装方向相对于该轴承座为竖直方向的第二轴心位移传感器,各自在一段时间内采集的数据进行计算,能够在极大程度上提高计算旋转设备轴心位置的准确性,从而确保基于轴心位置轨迹图进行高效地分析诊断。
此外,本申请实施例通过上述的第一轴心位移传感器和第二轴心位移传感器采集数据计算轴心位置,可以形成三维的轴心位置图,从而也便于分析旋转设备在水平及垂向方向的多角度轴心偏差情况。
附图说明
图1为本申请基于三维轴心位置的采集诊断系统的结构示意图;
图2是本申请实施例方案涉及的硬件运行环境的旋转设备的结构示意图;
图3为本申请基于三维轴心位置的采集诊断方法一实施例的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
需要说明的是,在本申请实施例中,旋转设备中的转子是主要部件,转子在轴承中高速旋转时不只围绕自身中心旋转,还环绕某一中心作涡动运动(产生涡动运动的原因可能是转子不平衡、对中不良、转子和定子碰磨、油膜涡动等),当旋转设备正常时,旋转设备轴心位置的运行轨迹近似一个圆,而当出现异常时该轴心位置的轨迹会发生畸变。因此,针对旋转设备轴心位置的轨迹进行准确的监控分析,可以得出设备故障的前期征兆和发生故障的具体原因,进而采取合理的维修措施,以防止旋转设备事故的进一步发展。因此,如何准确的计算出旋转设备的轴心位置,以基于准确的轴心位置轨迹图高效进行设备分析,是行业内亟需解决的技术问题。
针对上述技术问题,本申请实施例提出一种基于三维轴心位置的采集诊断系统,旨在准确的计算出旋转设备的轴心位置,以基于准确的轴心位置轨迹图高效进行设备分析。
在一种可行的实施例中,本申请实施例提供的采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与所述第一轴心位移传感器和所述第二轴心位移传感器相连接的数据处理模块;所述第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;所述数据处理模块根据所述第一轴心位移传感器和所述第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据,并将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本申请实施例中,通过设置第一轴心位移传感器和第二轴心位移传感器,且令第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,和令第二轴心位移传感器的安装方向相对于该轴承座为竖直方向。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
如此,本申请实施例相比于传统仅依靠同一轴心截面来计算旋转设备轴心位置的方式,结合安装方向相对于轴承座为水平方向的第一轴心位移传感器,和,安装方向相对于该轴承座为竖直方向的第二轴心位移传感器,各自在一段时间内采集的数据进行计算,能够在极大程度上提高计算旋转设备轴心位置的准确性,从而确保基于轴心位置轨迹图进行高效地分析诊断。
此外,本申请实施例通过上述的第一轴心位移传感器和第二轴心位移传感器采集数据计算轴心位置,可以形成三维的轴心位置图,从而也便于分析旋转设备在水平及垂向方向的多角度轴心偏差情况。
基于上述本申请基于三维轴心位置的采集诊断系的整体构思,提出本申请基于三维轴心位置的采集诊断系统的各个实施例。
请参照图1,在本申请基于三维轴心位置的采集诊断系统的第一实施例中,本申请基于三维轴心位置的采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与所述第一轴心位移传感器和所述第二轴心位移传感器相连接的数据处理模块;
所述第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
所述数据处理模块根据所述第一轴心位移传感器和所述第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据,并将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本实施例中,通过设置第一轴心位移传感器和第二轴心位移传感器,且令第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,和令第二轴心位移传感器的安装方向相对于该轴承座为竖直方向。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
可选地,在本实施例以及后文所阐述的其它各个可行的实施例中,第一轴心位移传感器和第二轴心位移传感器均安装在旋转设备的轴承座上;并且,该第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,而水平X方向和水平Y方向相互正交。更重要的是,第二位移传感器的安装方向为竖直Z方向,且竖直Z方向相交于水平X方向和水平Y方向的正交点。
可选地,在一些可行的实施例中,本申请基于三维轴心位置的采集诊断系统中的数据处理模块,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果,具体包括:
所述数据处理模块根据所述轴心位置数据确定所述旋转设备是否发生运行故障;并在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本实施例中,数据处理模块在获取得到上述的第一轴心位移传感器和第二轴心位移传感器各自在一段时间内采集到的轴心位移数据,并基于该轴心位移数据进行计算从而确定出旋转设备的轴心位置数据之后,该数据处理模块即可立即使用该轴心位置数据,检测该旋转设备在当前一段时间的运行过程当中是否发生了运行故障。如此,如果该数据处理模块检测到当前一段时间旋转设备已经发生了运行故障的情况,则立即进一步将从上述第一轴心位移传感器和第二轴心位移传感器处采集到的轴心位移数据,输入到预先就已经训练标记好的深度神经网络模型当中,从而基于该深度神经网络模型以该轴心位移数据进行训练计算,以输出得到该旋转设备在当前一段时间发生运行故障的运行故障诊断结果。
需要说明的是,在本实施例中,数据处理模块具体可以通过上述的第一轴心位移传感器和第二轴心位移传感器分别在已经知道旋转设备运行状态的情况下,持续采集该旋转设备轴心位置的轴心位移数据。然后,在分别采集得到该旋转设备不同运行状态下的轴心位移数据之后,该数据处理模块即以该已知的运行状态作为数据标签,以联合基于该已知的运行状态下的轴心位移数据进行计算得到的旋转设备的轴心位置数据,构建数据样本。再然后,处理设备即通过将该数据样本输入到预先选定的初始深度神经网络模型当中,以通过该初始深度神经网络模型使用该数据样本进行深度学习训练直至收敛。最后,数据处理模块使用旋转设备另一个已知的运行状态,和使用上述第一轴心位移传感器和第二轴心位移传感器分别在此运行状态下采集到的轴心位移数据,进行计算以确定的该旋转设备的轴心位置数据,将该轴心位置数据输入到已经训练收敛的初始深度神经网络模型当中,如果该初始深度神经网络模型进行模型训练计算后输出的数据标签与当前旋转设备已知的运行状态相同,那么就确认该已经训练收敛的初始深度神经网络模型也通过验证,并将该初始深度神经网络模型作为上述的深度神经网络模型。
可选地,在另一些可行的实施例中,本申请基于三维轴心位置的采集诊断系统中的数据处理模块,除了在检测确定旋转设备发生运行故障时,将上述的轴心位置数据输入到深度神经网络模型,以实时确定旋转设备的运行故障诊断结果之外,无论该数据处理模块是检测到了该旋转设备发生运行故障,还是没有检测到该旋转设备发生运行故障,该数据处理模块都还可以进一步针对该轴心位置数据进行识别分析,从而确定旋转设备在水平及垂向方向的多角度轴心偏差情况。
需要说明的是,在本实施例中,旋转设备的轴心位置数据具体可以是基于上述的第一轴心位移传感器和第二轴心位移传感器,各自在一段时间内采集轴心位移数据进行轴心位置计算,从而形成的三维的轴心位置图。
可选地,在一些可行的实施例中,本申请基于三维轴心位置的采集诊断系统中的数据处理模块,根据所述轴心位置数据确定所述旋转设备是否发生运行故障,可以包括:
所述数据处理模块根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量,并检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,以在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若所述数据处理模块检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
在本实施例中,数据处理模块在使用旋转设备的轴心位置数据,检测确定该旋转设备在当前一段时间的运行中是否发生运行过程的过程中,首先根据该轴心位置数据计算旋转设备的轴心位置运行轨迹的特征量,之后再检测该轴心位置运行轨迹的特征量是否达到了预设阈值。如此,如果数据处理模块检测到了上述的某一个或者多个特征量达到了预设阈值,则可以确定该旋转设备在当前一段时间的运行中发生了故障。反之,如果数据处理模块没有检测到了上述的任意一个特征量达到了预设阈值,就确定该旋转设备在当前一段时间的运行中没有发生故障。
需要说明的是,在本实施例中,数据处理模块根据选旋转设备的轴心位置数据,计算得到的该旋转设备的轴心位置运行轨迹的特征量,包括但不限于:峰值、峰峰值和圆度。这其中,峰值的计算过程为:
计算旋转设备轴心位置运行轨迹的圆心,即计算轴心位置运行轨迹在水平X方向上的圆心SavgX、轴心位置运行轨迹在水平Y方向上的圆心SavgY和轴心位置运行轨迹在竖直Y方向上的圆心SavgZ,具体如下:
、/>、/>。
其中,X(k)、Y(k)和Z(k)分别为旋转设备轴心在X方向、Y方向和Z方向上的振动采样值,k为采样序列号,N为当前轴心轨迹位置前一个机械旋转周期的采样点总数。
计算轴心位置运行轨迹的峰值Smax,具体如下:
。
其中,X(k)、Y(k)和Z(k)分别为旋转设备轴心在X方向、Y方向和Z方向上的振动采样值,k为采样序列号,M为采样点总数。
此外,上述峰峰值的计算过程为:
其中,S(p-p)max为旋转设备的轴心位置运行轨迹的峰峰值,X(a),X(b)为旋转设备的轴心位置运行轨迹在X方向的振动采样值,Y(a),Y(b)为旋转设备的轴心位置运行轨迹在Y方向的振动采样值,Z(a),Z(b)为旋转设备的轴心位置运行轨迹在Z方向的振动采样值,a,b为采样序列号,M为采样点总数。
此外,上述圆度的计算过程为:
其中,Cir为旋转设备轴心轨迹圆度,Smax,Smin分别为旋转设备的轴心位置运行轨迹的峰值和最小值,最小值Smin的计算与上述峰值Smax的计算公式相同。
此外,数据处理模块在检测轴心位置运行轨迹的特征量是否达到了预设阈值时,如果该特征量为上述的峰值时,则该特征量是否达到预设阈值的判别如:Smax≥Smax-set,其中,Smax-set为旋转设备的轴心位置运行轨迹的峰值越限动作门槛。而如果该特征量为上述的峰峰值时,则该特征量是否达到预设阈值的判别如:S(p-p)max≥S(p-p)max-set,其中,S(p-p)max-set为旋转设备的轴心位置运行轨迹的峰峰值越限动作门槛。而如果该特征量为上述的圆度时,该特征量是否达到预设阈值的判别如:Cir≥Cirset,其中,Cirset为旋转设备的轴心位置运行轨迹的峰峰值。
在本实施例中,本申请基于三维轴心位置的采集诊断系统通过设置第一轴心位移传感器和第二轴心位移传感器,且令第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,和令第二轴心位移传感器的安装方向相对于该轴承座为竖直方向。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
如此,本申请实施例相比于传统仅依靠同一轴心截面来计算旋转设备轴心位置的方式,结合安装方向相对于轴承座为水平方向的第一轴心位移传感器,和,安装方向相对于该轴承座为竖直方向的第二轴心位移传感器,各自在一段时间内采集的数据进行计算,能够在极大程度上提高计算旋转设备轴心位置的准确性,从而确保基于轴心位置轨迹图进行高效地分析诊断。
此外,本申请实施例通过上述的第一轴心位移传感器和第二轴心位移传感器采集数据计算轴心位置,可以形成三维的轴心位置图,从而也便于分析旋转设备在水平及垂向方向的多角度轴心偏差情况。
此外,请参照图2,图2为本申请实施例方案涉及的硬件运行环境的终端设备结构示意图。
需要说明的是,本申请实施例终端设备可以是执行本申请基于三维轴心位置的采集诊断系统的设备,该终端设备具体可以集成在本申请基于三维轴心位置的采集诊断系统中,或者也可以与该采集诊断系统进行连接。
此外,在一些可行的实施方式当中,该终端设备具体可以是该是本申请实施例涉及的基于三维轴心位置的采集诊断系统中的一个零部件,例如是该基于三维轴心位置的采集诊断系统中的数据处理模块,或者是集成在该系统中或者与该系统连接的旋转设备等。
如图2所示,该终端设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图2中示出的结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图2所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于三维轴心位置的采集诊断程序。
在图2所示的终端设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请终端设备中的处理器1001、存储器1005可以设置在终端设备中,所述终端设备通过处理器1001调用存储器1005中存储的基于三维轴心位置的采集诊断程序,并执行以下操作:
获取旋转设备的第一轴心位移传感器和第二轴心位移传感器各自采集到的轴心位移数据,其中,述第一轴心位移传感器的安装方向相对于所述旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
根据所述轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据;
将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,处理器1001调用存储器1005中存储的基于三维轴心位置的采集诊断程序,还执行以下操作:
根据所述轴心位置数据确定所述旋转设备是否发生运行故障;
在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
进一步地,处理器1001调用存储器1005中存储的基于三维轴心位置的采集诊断程序,还执行以下操作:
根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量;
检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,并在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
进一步地,所述第一轴心位移传感器和所述第二轴心位移传感器均安装在所述轴承座上;
所述第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,所述水平X方向和所述水平Y方向相互正交;
所述第二位移传感器的安装方向为竖直Z方向,所述竖直Z方向相交于所述水平X方向和所述水平Y方向的正交点。
基于上述的终端设备的硬件结构,提供本申请基于三维轴心位置的采集诊断系统的各个实施例。
请参照图3,图3为本申请基于三维轴心位置的采集诊断系统第一实施例的流程示意图。
应当理解的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,本申请基于三维轴心位置的采集诊断系统当然也可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,本申请基于三维轴心位置的采集诊断系统,可以包括以下步骤:
步骤S10:获取旋转设备的第一轴心位移传感器和第二轴心位移传感器各自采集到的轴心位移数据,其中,述第一轴心位移传感器的安装方向相对于所述旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
步骤S20:根据所述轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据;
步骤S30:将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本实施例中,通过设置第一轴心位移传感器和第二轴心位移传感器,且令第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,和令第二轴心位移传感器的安装方向相对于该轴承座为竖直方向。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
可选地,在本实施例以及后文所阐述的其它各个可行的实施例中,第一轴心位移传感器和第二轴心位移传感器均安装在旋转设备的轴承座上;并且,该第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,而水平X方向和水平Y方向相互正交。更重要的是,第二位移传感器的安装方向为竖直Z方向,且竖直Z方向相交于水平X方向和水平Y方向的正交点。
可选地,在一些可行的实施例中,上述的步骤S30,所述将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果,可以包括:
根据所述轴心位置数据确定所述旋转设备是否发生运行故障;
在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
在本实施例中,数据处理模块在获取得到上述的第一轴心位移传感器和第二轴心位移传感器各自在一段时间内采集到的轴心位移数据,并基于该轴心位移数据进行计算从而确定出旋转设备的轴心位置数据之后,该数据处理模块即可立即使用该轴心位置数据,检测该旋转设备在当前一段时间的运行过程当中是否发生了运行故障。如此,如果该数据处理模块检测到当前一段时间旋转设备已经发生了运行故障的情况,则立即进一步将从上述第一轴心位移传感器和第二轴心位移传感器处采集到的轴心位移数据,输入到预先就已经训练标记好的深度神经网络模型当中,从而基于该深度神经网络模型以该轴心位移数据进行训练计算,以输出得到该旋转设备在当前一段时间发生运行故障的运行故障诊断结果。
需要说明的是,在本实施例中,数据处理模块具体可以通过上述的第一轴心位移传感器和第二轴心位移传感器分别在已经知道旋转设备运行状态的情况下,持续采集该旋转设备轴心位置的轴心位移数据。然后,在分别采集得到该旋转设备不同运行状态下的轴心位移数据之后,该数据处理模块即以该已知的运行状态作为数据标签,以联合基于该已知的运行状态下的轴心位移数据进行计算得到的旋转设备的轴心位置数据,构建数据样本。再然后,处理设备即通过将该数据样本输入到预先选定的初始深度神经网络模型当中,以通过该初始深度神经网络模型使用该数据样本进行深度学习训练直至收敛。最后,数据处理模块使用旋转设备另一个已知的运行状态,和使用上述第一轴心位移传感器和第二轴心位移传感器分别在此运行状态下采集到的轴心位移数据,进行计算以确定的该旋转设备的轴心位置数据,将该轴心位置数据输入到已经训练收敛的初始深度神经网络模型当中,如果该初始深度神经网络模型进行模型训练计算后输出的数据标签与当前旋转设备已知的运行状态相同,那么就确认该已经训练收敛的初始深度神经网络模型也通过验证,并将该初始深度神经网络模型作为上述的深度神经网络模型。
可选地,在另一些可行的实施例中,本申请基于三维轴心位置的采集诊断系统中的数据处理模块,除了在检测确定旋转设备发生运行故障时,将上述的轴心位置数据输入到深度神经网络模型,以实时确定旋转设备的运行故障诊断结果之外,无论该数据处理模块是检测到了该旋转设备发生运行故障,还是没有检测到该旋转设备发生运行故障,该数据处理模块都还可以进一步针对该轴心位置数据进行识别分析,从而确定旋转设备在水平及垂向方向的多角度轴心偏差情况。
需要说明的是,在本实施例中,旋转设备的轴心位置数据具体可以是基于上述的第一轴心位移传感器和第二轴心位移传感器,各自在一段时间内采集轴心位移数据进行轴心位置计算,从而形成的三维的轴心位置图。
可选地,在一些可行的实施例中,上述“根据所述轴心位置数据确定所述旋转设备是否发生运行故障”的步骤,可以包括:
根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量;
检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,并在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
在本实施例中,数据处理模块在使用旋转设备的轴心位置数据,检测确定该旋转设备在当前一段时间的运行中是否发生运行过程的过程中,首先根据该轴心位置数据计算旋转设备的轴心位置运行轨迹的特征量,之后再检测该轴心位置运行轨迹的特征量是否达到了预设阈值。如此,如果数据处理模块检测到了上述的某一个或者多个特征量达到了预设阈值,则可以确定该旋转设备在当前一段时间的运行中发生了故障。反之,如果数据处理模块没有检测到了上述的任意一个特征量达到了预设阈值,就确定该旋转设备在当前一段时间的运行中没有发生故障。
需要说明的是,在本实施例中,数据处理模块根据选旋转设备的轴心位置数据,计算得到的该旋转设备的轴心位置运行轨迹的特征量,包括但不限于:峰值、峰峰值和圆度。这其中,峰值的计算过程为:
计算旋转设备轴心位置运行轨迹的圆心,即计算轴心位置运行轨迹在水平X方向上的圆心SavgX、轴心位置运行轨迹在水平Y方向上的圆心SavgY和轴心位置运行轨迹在竖直Y方向上的圆心SavgZ,具体如下:
、/>、/>。
其中,X(k)、Y(k)和Z(k)分别为旋转设备轴心在X方向、Y方向和Z方向上的振动采样值,k为采样序列号,N为当前轴心轨迹位置前一个机械旋转周期的采样点总数。
计算轴心位置运行轨迹的峰值Smax,具体如下:
。
其中,X(k)、Y(k)和Z(k)分别为旋转设备轴心在X方向、Y方向和Z方向上的振动采样值,k为采样序列号,M为采样点总数。
此外,上述峰峰值的计算过程为:
其中,S(p-p)max为旋转设备的轴心位置运行轨迹的峰峰值,X(a),X(b)为旋转设备的轴心位置运行轨迹在X方向的振动采样值,Y(a),Y(b)为旋转设备的轴心位置运行轨迹在Y方向的振动采样值,Z(a),Z(b)为旋转设备的轴心位置运行轨迹在Z方向的振动采样值,a,b为采样序列号,M为采样点总数。
此外,上述圆度的计算过程为:
其中,Cir为旋转设备轴心轨迹圆度,Smax,Smin分别为旋转设备的轴心位置运行轨迹的峰值和最小值,最小值Smin的计算与上述峰值Smax的计算公式相同。
此外,数据处理模块在检测轴心位置运行轨迹的特征量是否达到了预设阈值时,如果该特征量为上述的峰值时,则该特征量是否达到预设阈值的判别如:Smax≥Smax-set,其中,Smax-set为旋转设备的轴心位置运行轨迹的峰值越限动作门槛。而如果该特征量为上述的峰峰值时,则该特征量是否达到预设阈值的判别如:S(p-p)max≥S(p-p)max-set,其中,S(p-p)max-set为旋转设备的轴心位置运行轨迹的峰峰值越限动作门槛。而如果该特征量为上述的圆度时,该特征量是否达到预设阈值的判别如:Cir≥Cirset,其中,Cirset为旋转设备的轴心位置运行轨迹的峰峰值。
在本实施例中,本申请基于三维轴心位置的采集诊断方法通过采集诊断中设置的第一轴心位移传感器和第二轴心位移传感器(第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,第二轴心位移传感器的安装方向相对于该轴承座为竖直方向)。从而,通过数据处理模块根据该第一轴心位移传感器和该第二轴心位移传感器各自采集到的轴心位移数据进行计算,以确定该旋转设备在三维空间当中的轴心位置数据,并将该轴心位置数据输入预设的深度神经网络模型,进而基于该深度神经网络模型实时确定旋转设备的运行故障诊断结果。
如此,本申请实施例相比于传统仅依靠同一轴心截面来计算旋转设备轴心位置的方式,结合安装方向相对于轴承座为水平方向的第一轴心位移传感器,和,安装方向相对于该轴承座为竖直方向的第二轴心位移传感器,各自在一段时间内采集的数据进行计算,能够在极大程度上提高计算旋转设备轴心位置的准确性,从而确保基于轴心位置轨迹图进行高效地分析诊断。
此外,本申请实施例通过上述的第一轴心位移传感器和第二轴心位移传感器采集数据计算轴心位置,可以形成三维的轴心位置图,从而也便于分析旋转设备在水平及垂向方向的多角度轴心偏差情况。
此外,本申请还提供一种旋转设备,该旋转设备上有可在处理器上运行的基于三维轴心位置的采集诊断程序,所述旋转设备执行所述基于三维轴心位置的采集诊断程序时实现如以上任一项实施例所述的基于三维轴心位置的采集诊断方法的步骤。
本申请旋转设备的具体实施例与上述基于三维轴心位置的采集诊断方法的各实施例基本相同,在此不作赘述。
此外,本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有基于三维轴心位置的采集诊断程序,所述基于三维轴心位置的采集诊断程序被处理器执行时实现如以上任一项实施例所述基于三维轴心位置的采集诊断方法的步骤。
本发计算机可读存储介质的具体实施例与上述基于三维轴心位置的采集诊断方法的各实施例基本相同,在此不作赘述。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。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,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是执行本申请基于三维轴心位置的采集诊断系统的设备,该终端设备具体可以是配置有控制器的移动VR设备或固定VR设备等终端)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于三维轴心位置的采集诊断系统,其特征在于,所述基于三维轴心位置的采集诊断系统包括:第一轴心位移传感器、第二轴心位移传感器,和,分别与所述第一轴心位移传感器和所述第二轴心位移传感器相连接的数据处理模块;
所述第一轴心位移传感器的安装方向相对于旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
所述数据处理模块根据所述第一轴心位移传感器和所述第二轴心位移传感器各自采集到的轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据,并将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
2.如权利要求1所述的基于三维轴心位置的采集诊断系统,其特征在于,所述数据处理模块将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果,包括:
所述数据处理模块根据所述轴心位置数据确定所述旋转设备是否发生运行故障;并在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
3.如权利要求2所述的基于三维轴心位置的采集诊断系统,其特征在于,所述数据处理模块根据所述轴心位置数据确定所述旋转设备是否发生运行故障,包括:
所述数据处理模块根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量,并检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,以在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若所述数据处理模块检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
4.如权利要求1至3任一项所述的基于三维轴心位置的采集诊断系统,其特征在于,所述第一轴心位移传感器和所述第二轴心位移传感器均安装在所述轴承座上;
所述第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,所述水平X方向和所述水平Y方向相互正交;
所述第二位移传感器的安装方向为竖直Z方向,所述竖直Z方向相交于所述水平X方向和所述水平Y方向的正交点。
5.一种基于三维轴心位置的采集诊断方法,其特征在于,所述基于三维轴心位置的采集诊断方法包括:
获取旋转设备的第一轴心位移传感器和第二轴心位移传感器各自采集到的轴心位移数据,其中,述第一轴心位移传感器的安装方向相对于所述旋转设备的轴承座为水平方向,所述第二轴心位移传感器的安装方向相对于所述轴承座为竖直方向;
根据所述轴心位移数据进行计算以确定所述旋转设备在三维空间当中的轴心位置数据;
将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
6.如权利要求5所述的基于三维轴心位置的采集诊断方法,其特征在于,所述将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果的步骤,包括:
根据所述轴心位置数据确定所述旋转设备是否发生运行故障;
在检测到所述旋转设备发生运行故障时,将所述轴心位置数据输入预设的深度神经网络模型,以基于所述深度神经网络模型实时确定所述旋转设备的运行故障诊断结果。
7.如权利要求6所述的基于三维轴心位置的采集诊断方法,其特征在于,所述根据所述轴心位置数据确定所述旋转设备是否发生运行故障的步骤,包括:
根据所述轴心位置数据计算所述旋转设备的轴心位置运行轨迹的特征量;
检测所述轴心位置运行轨迹的所述特征量是否达到预设阈值,并在检测到所述特征量达到所述预设阈值时,确定所述旋转设备发生运行故障;
若检测到所述特征量未达到所述预设阈值,则确定所述旋转设备未发生运行故障。
8.如权利要求5至7任一项所述的基于三维轴心位置的采集诊断方法,其特征在于,所述第一轴心位移传感器和所述第二轴心位移传感器均安装在所述轴承座上;
所述第一轴心位移传感器包括:安装方向为水平X方向上的第一传感器,和,安装方向为水平Y方向上的第二传感器,所述水平X方向和所述水平Y方向相互正交;
所述第二位移传感器的安装方向为竖直Z方向,所述竖直Z方向相交于所述水平X方向和所述水平Y方向的正交点。
9.一种旋转设备,其特征在于,所述旋转设备集成在如权利要求1至4中任一项所述的基于三维轴心位置的采集诊断系统中,或者,所述旋转设备与所述采集诊断系统相连接,所述旋转设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于三维轴心位置的采集诊断程序,所述基于三维轴心位置的采集诊断程序被所述处理器执行时实现如权利要求5至8中任一项所述的基于三维轴心位置的采集诊断方法的步骤。
10.一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基于三维轴心位置的采集诊断程序,所述基于三维轴心位置的采集诊断程序被处理器执行时实现如权利要求5至8中任一项所述的基于三维轴心位置的采集诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815026.0A CN116539296A (zh) | 2023-07-05 | 2023-07-05 | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815026.0A CN116539296A (zh) | 2023-07-05 | 2023-07-05 | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116539296A true CN116539296A (zh) | 2023-08-04 |
Family
ID=87454549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815026.0A Pending CN116539296A (zh) | 2023-07-05 | 2023-07-05 | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116539296A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08159863A (ja) * | 1994-12-08 | 1996-06-21 | Toshiba Corp | 振動波形の識別方法と識別装置 |
CN101387575A (zh) * | 2008-10-20 | 2009-03-18 | 兖矿国泰化工有限公司 | 一种转子轴承系统故障全信息分析方法及装置 |
CN101907089A (zh) * | 2010-08-20 | 2010-12-08 | 西安交通大学 | 一种基于三维空间轴心轨迹的压缩机轴系故障诊断方法 |
CN106017802A (zh) * | 2016-06-24 | 2016-10-12 | 南京南瑞继保电气有限公司 | 一种动态监视轴心轨迹的方法 |
CN112816200A (zh) * | 2021-01-15 | 2021-05-18 | 东方电气集团科学技术研究院有限公司 | 一种基于深度学习的旋转机械轴心轨迹识别方法 |
CN115238785A (zh) * | 2022-07-19 | 2022-10-25 | 上海交通大学宁波人工智能研究院 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
CN116124424A (zh) * | 2022-09-09 | 2023-05-16 | 中国舰船研究设计中心 | 一种船舶旋转机械轴心轨迹测试与状态评估方法及系统 |
-
2023
- 2023-07-05 CN CN202310815026.0A patent/CN116539296A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08159863A (ja) * | 1994-12-08 | 1996-06-21 | Toshiba Corp | 振動波形の識別方法と識別装置 |
CN101387575A (zh) * | 2008-10-20 | 2009-03-18 | 兖矿国泰化工有限公司 | 一种转子轴承系统故障全信息分析方法及装置 |
CN101907089A (zh) * | 2010-08-20 | 2010-12-08 | 西安交通大学 | 一种基于三维空间轴心轨迹的压缩机轴系故障诊断方法 |
CN106017802A (zh) * | 2016-06-24 | 2016-10-12 | 南京南瑞继保电气有限公司 | 一种动态监视轴心轨迹的方法 |
CN112816200A (zh) * | 2021-01-15 | 2021-05-18 | 东方电气集团科学技术研究院有限公司 | 一种基于深度学习的旋转机械轴心轨迹识别方法 |
CN115238785A (zh) * | 2022-07-19 | 2022-10-25 | 上海交通大学宁波人工智能研究院 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
CN116124424A (zh) * | 2022-09-09 | 2023-05-16 | 中国舰船研究设计中心 | 一种船舶旋转机械轴心轨迹测试与状态评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101748559B1 (ko) | 회전체 진단 장치 및 방법 | |
CN104985598A (zh) | 一种工业机器人碰撞检测方法 | |
CN102564780B (zh) | 监测可电机驱动的设备部分的方法和装置 | |
CN109556895A (zh) | 旋转机械的故障分析方法及装置 | |
CN110118657A (zh) | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 | |
CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
CN105866250A (zh) | 基于振动的通风机叶片裂纹识别方法 | |
CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
JP6511573B1 (ja) | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム | |
CN109061224A (zh) | 列车车轴监测方法、装置和系统 | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
CN109211551A (zh) | 一种用于旋转机械的故障诊断装置 | |
Bondyra et al. | Development of the Sensory Network for the Vibration-based Fault Detection and Isolation in the Multirotor UAV Propulsion System. | |
CN116539296A (zh) | 基于三维轴心位置的采集诊断系统、方法、设备以及介质 | |
CN110196165A (zh) | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 | |
Parziale et al. | Physics-Informed Neural Networks for the Condition Monitoring of Rotating Shafts | |
CN111812511A (zh) | 一种基于大数据的电机故障诊断方法及装置 | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research | |
CN112945535B (zh) | 一种基于数值模拟的旋转机械故障检测方法及装置 | |
CN112051848B (zh) | 车辆解耦控制方法、仿真平台、电子设备及存储介质 | |
Aditiya et al. | Fault diagnosis system of rotating machines using Hidden Markov Model (HMM) | |
Dong et al. | Bearings in simulated space conditions running state detecton based on Tsallis entropy-KPCA and optimized fuzzy c-means model | |
CN115309630A (zh) | 自动驾驶仿真数据的生成方法、装置、设备及存储介质 | |
CN114536403A (zh) | 关节模组的定位精度测量系统及方法 | |
Bakhri et al. | Investigation and development of a real-time on-site condition monitoring system for induction motors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230804 |
|
RJ01 | Rejection of invention patent application after publication |