CN116578856A - 故障检测方法、装置、计算机设备和存储介质 - Google Patents
故障检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116578856A CN116578856A CN202310554349.9A CN202310554349A CN116578856A CN 116578856 A CN116578856 A CN 116578856A CN 202310554349 A CN202310554349 A CN 202310554349A CN 116578856 A CN116578856 A CN 116578856A
- Authority
- CN
- China
- Prior art keywords
- signal
- target
- vibration
- signals
- fault detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000000926 separation method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000002087 whitening effect Effects 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 28
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002311 subsequent 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种故障检测方法、装置、计算机设备和存储介质,方法包括:获取待检测的目标设备的多通道振动信号;对多通道振动信号进行信号分离处理,得到振动源信号;基于振动源信号的脉冲相关参数从振动源信号中筛选出目标源信号;基于目标源信号对应的共振解调谱确定目标设备的故障检测结果。本申请实施例提供的故障检测方法,基于多通道振动信号完成对源信号的分离,以及基于脉冲特性完成对故障源信号的自动筛选,无需依赖于人工经验,实现了对设备故障的自适应检测,保证了检测效果的稳定。
Description
技术领域
本申请涉及设备检测技术领域,具体涉及一种故障检测方法、装置、计算机设备和存储介质。
背景技术
轴承机械是广泛应用于各行各业的重要设备,其种类繁多且占比巨大。常见的轴承设备包括发电机、汽轮机、飞机引擎、水泵、通风机等等。为保障这些机械的安全正常运作,对设备的振动信号进行监测至关重要,其中,一些常见的故障特征往往会和设备固有频率发生复杂的调制现象,因此在对机械设备进行故障诊断时,往往需要先从振动信号中分离出故障成分。
目前,对设备的故障检测主要是基于共振解调的方法实现,该方法通常需要预先基于人工经验选择故障特征明显的频带以提高故障的检测效果。然而,上述方式往往依赖于工程师个人经验判断,人为因素干扰严重,导致检测效果不够稳定。
发明内容
基于此,有必要针对上述技术问题,提供一种故障检测方法、装置、计算机设备和存储介质,用以解决现有的故障检测方法存在的检测效果不够稳定的问题。
第一方面,本申请提供一种故障检测方法,包括:
获取待检测的目标设备的多通道振动信号;
对所述多通道振动信号进行信号分离处理,得到振动源信号;
基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
作为本申请的一种可行实施例,所述基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号,包括:
计算各所述振动源信号的正包络信号;
基于各所述振动源信号的正包络信号的归一化结果,计算各所述振动源信号的脉冲相关参数中的包络熵值;
基于各所述振动源信号的包络熵值的大小关系,从所述振动源信号中筛选出目标源信号。
作为本申请的一种可行实施例,所述基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果,包括:
对所述目标源信号进行信号分解,得到若干模态信号分量;
基于所述模态信号分量的脉冲相关参数从所述模态信号分量中筛选出目标故障分量;
基于所述目标故障分量的共振解调谱确定所述目标设备的故障检测结果。
作为本申请的一种可行实施例,所述基于所述目标故障分量对应的共振解调谱确定所述目标设备的故障检测结果,包括:
基于希尔伯特变换计算所述目标故障分量对应的正包络信号;
对所述正包络信号进行离散傅里叶变换得到目标共振解调谱;
基于所述目标共振解调谱查询预设的设备故障参数表得到所述目标设备的故障检测结果。
作为本申请的一种可行实施例,所述信号分解包括小波分解、经验模态分解、集合模态分解、变分模态分解中的至少一种。
作为本申请的一种可行实施例,所述对所述多通道振动信号进行信号分离处理,得到振动源信号,包括:
获取所述多通道振动信号在零时延下的第一协方差矩阵,并计算所述第一协方差矩阵对应的特征值以及各特征值对应的特征向量;
基于所述特征值的大小关系,从所述特征值中筛选出目标特征值,并基于所述特征值中所述目标特征值之外的剩余特征值计算噪声水平估计值;
基于所述噪声水平估计值、所述目标特征值以及所述目标特征值对应的目标特征向量计算白化矩阵;
基于所述白化矩阵与所述多通道振动信号在预设时延下的第二协方差矩阵生成振动源信号。
作为本申请的一种可行实施例,所述获取待检测的目标设备的多通道振动信号,包括:
获取待检测的目标设备上各传感器采集的初始振动信号;
对所述初始振动信号进行去均值处理,得到预处理振动信号;
对所述预处理振动信号进行强度归一化处理,得到所述目标设备的多通道振动信号。
第二方面,本申请提供一种故障检测装置,包括:
获取模块,用于获取待检测的目标设备的多通道振动信号;
分离模块,用于对所述多通道振动信号进行信号分离处理,得到振动源信号;
筛选模块,用于基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
检测模块,用于基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述任一项提供的故障检测方法。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行上述任一项所述的故障检测方法。
本申请实施例提供的故障检测方法,通过获取到目标设备的多通道振动信号,并对多通道振动信号进行盲源分离处理提取得到信号中的主要成分,也就是振动源信号,然后利用故障源信号的脉冲特性,基于各个振动源信号的脉冲相关参数从中筛选出更可能是由故障源所产生的目标源信号,并最终利用共振解调的方式对目标源信号进行处理,从而得到设备的故障检测结果,本申请实施例提供的方案,基于多通道振动信号完成对源信号的分离,以及基于脉冲特性完成对故障源信号的自动筛选,无需依赖于人工经验,实现了对设备故障的自适应检测,保证了检测效果的稳定。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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(a)为本申请实施例提供的一种多通道振动信号的示意图;
图1(b)为本申请实施例提供的多通道振动信号的频谱图的示意图;
图2为本申请实施例提供的一种故障检测方法的步骤流程示意图;
图2(a)为本申请实施例提供的一种对信号进行分离所得到的源信号的示意图;
图3为本申请实施例提供的一种基于包络熵值对源信号进行筛选的步骤流程示意图;
图4为本申请实施例提供的一种对源信号进行进一步分解以提取故障分量用于故障检测的步骤流程示意图;
图4(a)为本申请实施例提供的一种对信号进行分解所得到的若干模态信号分量的示意图;
图5为本申请实施例提供的一种基于共振解调实现故障检测结果的步骤流程示意图;
图5(a)为本申请实施例提供的一种对故障分量进行处理所得到的共振解调谱的示意图;
图6为本申请实施例提供的一种信号分离的步骤流程示意图;
图7为本申请实施例提供的一种对振动信号进行预处理的步骤流程示意图;
图8为本申请实施例提供的一种故障检测装置的结构示意图;
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
为便于理解本申请实施例提供的故障检测方法,先对故障检测方法的实施场景进行说明。本申请实施例提供的故障检测方法通常运用于大型机械设备中,例如,比较常见的有轴承设备,如发电机、汽轮机、飞机引擎、水泵、通风机等等。这些设备在正常工作时,会产生相对规律的振动信号,因此,基于设备的振动监测可以确定机械设备是否处于正常运行状态下,从而保证机械设备的安全正常运行。但是,部分典型故障特征,例如,滚动轴承的内圈、外圈、滚动体、保持架故障,齿轮的点蚀、磨损等故障,往往也会产生故障源振动信号,该信号往往会和设备固有的振动信号发生复杂的调制现象,因此,对机械设备进行故障检测时,往往需要借助共振解调的方法才能有效地从原始信号中解调出故障成分,以用于故障检测。
然而,在实际工作环境中,在对振动信号进行共振解调前往往需要对原始信号进行滤波预处理,选择故障特征明显的频带进行处理,以增强检测效果,而这依赖于工程师个人经验,容易因人为因素而产生干扰,导致检测效果不够稳定。此外,目前的共振解调算法一般都只是针对单一通道数据而研发,但对于大型的轴承设备,其潜在故障一般分布较为分散,往往需要在不同位置布置多个振动传感器,并分别对每个位置的振动信号注意进行共振解调,影响着故障诊断的效率。具体的,如图1(a)所示,图1(a)为本申请实施例提供的一种多通道振动信号的示意图,其中,该多通道振动信号包含了三个通道,也就是三个测点处的振动数据。在对信号进行共振解调以进行故障检测之前,技术人员可以通过对各个通道上振动信号逐一进行频谱分析,从而得到各个通道振动信号的频谱图,从而从中筛选出故障特征明显的振动信号以进行后续的故障检测。具体的,如图1(b)所示,图1(b)为本申请实施例提供的多通道振动信号的频谱图的示意图。其中,可以发现,图(1)a中通道1的信号的脉冲性弱于其他两个通道信息,且图1(b)中通道1的信号的数据谱成分也相对较少,这可能是由于通道1对应的传感器安装位置偏差导致,因此,通道2和通道3的信号明显更适用于通过共振解调以进一步确定故障类型,但在实际工作中,受限于传统共振解调单通道的限制,技术人员仍只能逐一对通道2和通道3的信号进行共振解调,并综合来确定最终的故障检测结果。
而正是为了解决上述问题,本申请实施例提供了一种故障检测方法、装置、计算机设备和存储介质。其中,故障检测方法是以计算机程序的方式安装于故障检测装置中,故障检测装置是以处理器的形式设置于计算机设备中,计算机设备中的故障检测装置通过运行故障检测方法对应的计算机程序,从而执行本申请实施例所提供的故障检测方法。具体的,如图2所示,图2为本申请实施例提供的一种故障检测方法的步骤流程示意图,具体的,包括步骤S210~S240:
S210,获取待检测的目标设备的多通道振动信号。
本申请实施例中,目标设备一般运行时会产生周期振动的机械设备,例如,前述所提供的发电机、汽轮机、飞机引擎、水泵、通风机等等,本申请在此对目标设备的型号种类不做限制。而目标设备的多通道振动信号则往往是指在目标设备各处所产生的振动信号,其中,当设备存在故障时,这些振动信号均是由设备故障信号源所产生的信号和正常信号源所产生的信号按照不同比例所组成的混合信号。具体的,多通道振动信号通常可以是由设备上各处安装的传感器所采集得到,当然,为更好展示信号的变化特征,降低因相位偏移所带来的干扰,同时便于多通道振动信号的比较,作为本申请的一种可行实施例,在通过传感器采集得到振动信号后,会对各通道的振动信号进行去均值、归一化等预处理操作,从而提高所得到的多通道振动信号的效果,使信号更适合进行后续的分析、处理或应用。具体的实现方案可以参阅后续图7及其解释说明的内容。
S220,对所述多通道振动信号进行信号分离处理,得到振动源信号。
本申请实施例中,在前述得到多通道振动信号的基础上,考虑到故障源及设备正常振动源彼此独立,且设备故障源基于实际位置提供不同的贡献比例到各个不同的传感器中,因此,可以通过对传感器所采集到的多通道振动信号联合进行信号分离处理,并从中分离得到隐藏在其中的若干成分相对独立的振动源信号。具体的,信号分离处理通常是基于独立成分分离算法实现,当然,也可以采用其他盲源分离算法实现,例如,如后续图6所示,图6提供了一种信号分离处理过程的具体实现流程。
进一步的,为理解本申请实施例提供的信号分离过程,如图2(a)所示,图2(a)为本申请实施例提供的一种对信号进行分离所得到的源信号的示意图。具体的,图2(a)中所示出的两个源信号即为对图1(a)中三个通道的振动信号进行盲源分离处理得到。
S230,基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号。
本申请实施例中,前述所得到若干成分相对独立的振动源信号中包括了设备振动源正常所产生的振动信号以及故障源所产生的故障信号,因此,需要从中筛选出更可能是由故障源所产生的故障源信号。而考虑到故障信号的脉冲性明显强于正常源信号,也就是故障信号中一些与脉冲相关的参数指标会明显异常于正常源信号,因此,可以基于各个振动源信号的脉冲相关参数从振动源信号中筛选出更可能是与故障源相关的目标源信号。具体的,脉冲相关参数可以是与脉冲强度所相关的一些参数如包络总值、峭度、谱峭度等等,也可以是与脉冲稀疏度所相关的一些参数如包络熵值等等。
进一步的,在实际应用过程中,相较于与脉冲强度所相关的一些参数,与脉冲稀疏度相关的包络熵值更能体现出故障源信号与其他正常源信号的差异,因此,作为本申请的一种可行实施例,可以是基于振动源信号的包络熵值来从振动源信号中筛选出目标源信号,具体的,振动源信号的包络熵值可以是通过其包络信号处理得到,具体的实现方案可以参阅后续图3及其解释说明的内容。
S240,基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
本申请实施例中,在前述得到与故障源最可能相关的目标源信号后,基于共振解调的思路对该目标源信号进行处理即可得到目标设备的故障检测结果,例如,作为一种可行的方案,可以直接计算该目标源信号的共振解调谱,并确定出该源信号最主要成分,然后查询相应的设备故障参数表即可得到对应的设备故障检测结果。
然而,考虑到该目标源信号中仍可能存在其他设备振动源正常所产生的振动信号的部分成分,为进一步提高设备的故障检测结果,作为本申请的一种可行实施例,还可以对目标源信号进行进一步的信号分解,得到若干信号分量,并再次筛选出其中的故障分量,以用于后续的共振解调,得到设备的故障检测结果。具体的实现方案可以参阅后续图4及其解释说明的内容。
本申请实施例提供的故障检测方法,通过获取到目标设备的多通道振动信号,并对多通道振动信号进行盲源分离处理提取得到信号中的主要成分,也就是振动源信号,然后利用故障源信号的脉冲特性,基于各个振动源信号的脉冲相关参数从中筛选出更可能是由故障源所产生的目标源信号,并最终利用共振解调的方式对目标源信号进行处理,从而得到设备的故障检测结果,本申请实施例提供的方案,基于多通道振动信号完成对源信号的分离,以及基于脉冲特性完成对故障源信号的自动筛选,无需依赖于人工经验,实现了对设备故障的自适应检测,保证了检测效果的稳定。
如图3所示,图3为本申请实施例提供的一种基于包络熵值对源信号进行筛选的步骤流程示意图,具体的,包括步骤S310~S330:
S310,计算各所述振动源信号的正包络信号。
本申请实施例中,包络熵值的计算通常情况下依赖于各个振动源信号的正包络信号。因此,在基于包络熵值作为脉冲相关参数用于筛选源信号时,可以预先计算得到各个振动源信号的正包络信号。具体的,正包络信号可以通过希尔伯特变换、均方根包络法、峰值检测法、小波包络法等不同的方式得到。但相较于其他方式,希尔伯特变换能够直接提取信号的包络线,而无需通过额外的滤波器处理,因此,作为本申请的一种可行实施例,振动源信号的正包络信号是基于振动源信号的希尔伯特变换处理得到。
S320,基于各所述振动源信号的正包络信号的归一化结果,计算各所述振动源信号的脉冲相关参数中的包络熵值。
本申请实施例中,在前述得到各个振动源信号的正包络信号后,为消除幅值差异对包络熵值计算结果的影响,还需要对各个振动源信号的正包络信号进行归一化处理,然后利用各个振动源信号的正包络信号的归一化结果进一步计算各振动源信号的的包络熵值,具体的,第i个振动源信号的包络熵值Ei的计算公式具体如下:
其中,是第i个振动源信号的正包络信号ki(t)的归一化结果,而第i个振动源信号的正包络信号ki(t)即为前述步骤S310所提供,例如,可以是通过对第i个振动源信号的希尔伯特变换得到。
S330,基于各所述振动源信号的包络熵值的大小关系,从所述振动源信号中筛选出目标源信号。
本申请实施例中,在前述得到各个振动源信号的包络熵值后,由于故障源信号的脉冲性越强,即描述脉冲稀疏度的包络熵值也应当更小,因此,可以基于各振动源信号的包络熵值的大小关系,从振动源信号中筛选出目标故障分量,例如,作为一种常见的可行实现方案,可以将包络熵值最低的振动源信号确定为更可能与故障源相关的目标源信号。例如,以前述图2(a)提供的两个源信号为例,通过计算得到,第一个源信号的包络熵值为9.23,第二个源信号的包络熵值为10.16,即第一个源信号上依然保留了更强的脉冲特征,因此,可以认为第一个源信号更可能为故障源信号,因此,可以将第一个源信号视为目标源信号,用于后续的处理。
当然,需要说明的是,上述方案通常是针对于设备中出现的单个故障为例进行说明,也就是通常情况下只需要筛选得到一个目标源信号即可。但事实上,在少数情况下,当设备可能存在多个不同的故障源时,则需要对应从目标源信号中筛选出对应数量的目标源信号,因此,本申请也可以基于实际需求选择包络熵值最高的若干振动源信号作为目标源信号,以进行后续的分析。当然,在实际筛选的过程中,在不知晓所需要筛选出的目标源信号的数量时,同样也可以考虑包络熵值与预设熵值阈值的大小关系,亦或是基于各个振动源信号的包络熵值之间的差距来确定,例如将包络熵值小于预设熵值阈值的振动源信号确定为目标源信号等等,本申请实施例在此不再赘述。
本申请实施例提供的一种基于振动源信号的正包络信号计算振动源信号的包络熵值,并视为脉冲相关参数以从振动源信号中筛选出和故障源信号更相关的目标源信号,相较于其他脉冲相关参数,基于包络熵值能够更准确的从多个振动源信号中筛选出与故障源信号更相关的目标源信号。
如图4所示,图4为本申请实施例提供的一种对源信号进行进一步分解以提取故障分量用于故障检测的步骤流程示意图,具体的,包括步骤S410~S430:
S410,对所述目标源信号进行信号分解,得到若干模态信号分量。
本申请实施例中,基于前述相关的描述可知,在部分场景下,目标源信号虽然主要是由故障源所产生的振动信号组成,但仍可能存在少量的其他设备振动源正常所产生的振动信号的成分,因此,为提高后续的故障检测效果,本申请实施例还可以进一步对目标源信号进行信号分解,从而得到若干模态信号分量。
具体的,本申请实施例提供的信号分解可以是基于小波分解、经验模态分解、集合模态分解、变分模态分解等等信号分解算法所实现,具体可以是基于实际需求选择对应的信号分解算法进行处理,例如,通常情况下,考虑到方案实施的时效性,可以采用处理效率更高的经验模态分解方法来对目标源信号进行信号分解,从而得到若干模态信号分量。当然,若为了提高得到的模态信号分量的准确性,从而进一步提高故障检测的准确性,也可以在经验模态分解方法的基础上采用改进的模态分解方法,例如集合模态分解、变分模态分解等到更准确的模态信号分量,本申请实施例在此对信号分解的方法不做赘述。
具体的,为便于理解,如图4(a)所示,图4(a)为本申请实施例提供的一种对信号进行分解所得到的若干模态信号分量的示意图。具体的,该模态信号分量即为通过对图2(a)中所提供的第一个源信号进行经验模态分解(Empirical Mode Decomposition,EMD)所得到的若干本征模态分量(Intrinsic Mode Function,IMF)。
S420,基于所述模态信号分量的脉冲相关参数从所述模态信号分量中筛选出目标故障分量。
与前述步骤230从振动源信号中筛选出目标源信号的思想相似,考虑到故障信号的脉冲性,本申请实施例提供了进一步基于模态信号分量的脉冲相关参数从模态信号分量中筛选出目标故障分量的实现方案。具体的,这里的脉冲相关参数同样可以是包络熵值、包络总值、峭度以及谱峭度的一种,因此,基于模态信号分量的脉冲相关参数可以进一步从模态信号分量中筛选出与故障源更相关的目标故障分量。
此外,基于前述的相关描述可知,相较于其他脉冲相关参数包络熵值能够更好的体现出故障源信号与其他正常源信号的差异,该特性同样能够体现在信号分量中,并且考虑到后续共振解调同样也需要依赖于信号的正包络信号,因此,为提高处理效率以及处理效果,作为本申请的一种可行实施例,可以采用与前述图3相似的算法思路,基于包络熵值来完成对目标故障分量的筛选,具体的实现方案可以参考前述图3的相关说明,本申请实施例在此不再赘述。
具体的,以前述图4(a)提供的若干本征模态分量为例,通过计算得到5个本征模态分量的包络熵值依次为9.012,9.276,9.512,9.871以及10.023,此时,则可以选择第一个本征模态分量作为目标故障分量进行后续的故障分析。
S430,基于所述目标故障分量的共振解调谱确定所述目标设备的故障检测结果。
本申请实施例中,与目标源信号相比于,目标故障分量进一步去除了信号中其他与故障源信号无关的成分,因此基于目标故障分量的共振解调谱可以更准确的确定出目标设备的故障检测结果。具体的,基于共振解调谱确定故障检测结果的具体实现方案可以参阅后续图5及其解释说明的内容。
如图5所示,图5为本申请实施例提供的一种基于共振解调实现故障检测结果的步骤流程示意图,具体的,包括步骤S510~S530:
S510,基于希尔伯特变换计算所述目标故障分量对应的正包络信号。
本申请实施例中,共振解调主要是通过将一个共振电路与复杂信号进行耦合,产生一个包络跟随振动器的振动,并将其放大得到正包络信号,然后采用离散傅里叶变换得到共振解调谱以用于分析信号频谱,从而得到所需信号的频率信息。因此,本申请实施例可以选择基于希尔伯特变换计算目标故障分量对应的正包络信号,以用于后续的步骤处理。
S520,对所述正包络信号进行离散傅里叶变换得到目标共振解调谱。
本申请实施例中,在前述得到正包络信号的基础上,通过对正包络信号进行离散傅里叶变换可以得到信号的共振解调谱,以用于分析信号频谱。具体的,为便于理解,如图5(a)所示,图5(a)为本申请实施例提供的一种对故障分量进行处理所得到的共振解调谱的示意图。具体的,该共振解调谱即为通过对图4(a)中所提供的第一个本征模态分量进行处理得到。
S530,基于所述目标共振解调谱查询预设的设备故障参数表得到所述目标设备的故障检测结果。
本申请实施例中,在前述得到共振解调谱的基础上,通过对信号的共振解调谱进行分析,可以得到该信号的频谱分析结果。具体的,以前述图5(a)提供的共振解调谱为例,可以发现该共振解调谱主要以47.8Hz及其谐波成分为主,无其他噪声成分干扰,谱线清晰,在此基础上,可以通过查询预设的设备故障参数表,该表中记录了47.8Hz对应了电机处轴承外圈故障,因此,可以确定目标设备的故障检测结果为电机处轴承外圈故障,结果准确。
需要说明的是,设备故障参数表具体是与设备的型号、类型等等相关,因此,预设的设备故障参数表通常是与该机械设备关联存储,针对于不同机械设备的故障检测需要采用对应的设备故障参数表处理,以避免检测异常。
如图6所示,图6为本申请实施例提供的一种信号分离的步骤流程示意图,具体的,包括步骤S610~S640:
S610,获取所述多通道振动信号在零时延下的第一协方差矩阵,并计算所述第一协方差矩阵对应的特征值以及各特征值对应的特征向量。
本申请实施例中,基于前述所获取到的m个通道的多通道振动信号X=[x1,..xm]T,计算其在零时延状态下,也就是时间延迟τ=0时刻的协方差矩阵,可以得到第一协方差矩阵Rxx(0)。进一步,基于矩阵分解可以进一步计算得到该第一协方差矩阵Rxx(0)的特征值λ,以及各特征值λ对应的特征向量v,其中,λ的数量为m。
S620,基于所述特征值的大小关系,从所述特征值中筛选出目标特征值,并基于所述特征值中所述目标特征值之外的剩余特征值计算噪声水平估计值。
本申请实施例中,通过将前述得到的特征值λ按照大小关系从大到小顺序排列,并保留值大于全部值总和的一定比例,例如,5%的前若干个特征值λ1,…λn,这些特征值即为目标特征值。在此基础上,针对剩余的特征值λn+1…λm,可进一步计算得到噪声水平估计值,具体的,噪声水平估计值的计算公式如下:
其中,当n=m时可以认为输入通道数不足以支撑噪声强度的估计,可以取进行后续计算。
S630,基于所述噪声水平估计值、所述目标特征值以及所述目标特征值对应的目标特征向量计算白化矩阵。
本申请实施例中,在前述得到的噪声水平估计值基础上,基于目标特征值及其对应的目标特征向量可以进一步计算得到白化矩阵W,具体的,白化矩阵W的计算公式如下:
其中,符号H代表矩阵的埃尔米特转置,而v1,…vn则分别是目标特征值λ1,…λn的特征向量。
S640,基于所述白化矩阵与所述多通道振动信号在预设时延下的第二协方差矩阵生成振动源信号。
本申请实施例中,在前述得到白化矩阵W的基础上,可以与多通道振动信号X做乘积运算可以得到矩阵Z,其中矩阵Z=WX,然后计算该矩阵在预设的K个随机时间延迟[τ1,…τK]时刻的协方差矩阵,得到第二协方差矩阵Rzz(τ)。
进一步的,在前述得到的第二协方差矩阵Rzz(τ)的基础上,通过对该矩阵进行联合对角化操作,计算正交矩阵U使得{Rzz(τ)}K=U{D}KUH,其中,{D}K协为K对对焦矩阵,此时,就可以进一步得到若干振动源信号
本申请实施例提供的一种信号分离方法,通过在提取主成分的过程中,基于剩余信号成分估计了噪音水平,并排除了故障信号中噪声的干扰,能够有效解决现有技术中因数据噪音水平干扰而导致的信号分离结果不准确的问题,保证了本申请可以在噪声强度较大的现场环境中正常工作。
如图7所示,图7为本申请实施例提供的一种对振动信号进行预处理的步骤流程示意图,具体的,包括步骤S710~S730:
S710,获取待检测的目标设备上各传感器采集的初始振动信号。
相较于直接将传感器上采集的振动信号作为多通道振动信号,本申请实施例提供了一种对传感器上采集的振动信号进行预处理,以提高后续信号处理效果的方案,具体的,记目标设备上各传感器直接采集得到的信号为初始振动信号。
S720,对所述初始振动信号进行去均值处理,得到预处理振动信号。
本申请实施例中,为更好展示信号的变化特征,降低因相位偏移所带来的干扰,可以先去除初始振动信号中的直流成分,因此,可以对初始振动信号进行去均值处理,即针对每一初始振动信号,计算该初始振动信号的平均信号强度,然后在该初始振动信号的基础上减去该平均信号强度,即可得到预处理振动信号。
S730,对所述预处理振动信号进行强度归一化处理,得到所述目标设备的多通道振动信号。
本申请实施例中,考虑到不同通道的振动信号幅值范围可能不同,为便于后续的比对和分析,还可以进一步对各预处理振动信号进行强度归一化处理,使得所有通道的信号幅值范围缩放到相同的区间内,从而保证信号在不同通道之间具有相同的能量水平。
本申请实施例通过对传感器采集得到的信号进行预处理,能够提高后续对信号处理的效果,进一步提高了对设备故障检测的准确率。
为便于理解本申请实施例提供的故障检测方法,下述将结合前述图1~图7提供的内容,提供一种机械设备的故障检测方法的完整实现流程,具体的,包括如下步骤:
1)获取目标设备上至少两处的传感器所采集得到的高频振动信号;例如,在3个不同测点处,以固定采样频率,如12000Hz,持续采集设备的高频加速度数据,并统一截取一定长度,例如L=8192的数据进行后续的故障处理;
2)对采集的高频振动信号进行去除均值和强度归一化的预处理操作,得到多通道振动信号X=[x1,..xm]T;例如,对前述采集得到的数据进行预处理,可以得到三通道的多通道振动信号,多通道振动信号的示意图可以参考前述图1(a);
3)针对振动信号X,计算其在零时延下,也就是时间延迟τ=0时刻的协方差矩阵Rxx(0);
4)基于矩阵分解可以进一步计算得到该第一协方差矩阵Rxx(0)的特征值λ,以及各特征值λ对应的特征向量υ;
5)通过将前述得到的特征值λ按照大小关系从大到小顺序排列,并保留值大于全部值总和的5%的前若干个特征值λ1,…λn,并利用剩余的特征值λn+1…λm计算得到噪声水平估计值在n=m时可以认为输入通道数不足以支撑噪声强度的估计,可以取/>进行后续计算;
6)基于前述得到的数据,计算白化矩阵,具体的,白化矩阵的计算公式如下:
7)计算矩阵Z=WX,然后计算该矩阵在预设的K个随机时间延迟[τ1,…τK]时刻的协方差矩阵,得到第二协方差矩阵Rzz(τ);
8)通过对Rzz(τ)进行联合对角化操作,计算正交矩阵U使得{Kzz(τ)}K=U{D}KUH,其中,{D}K协为K对对焦矩阵,并进一步计算得到振动源信号例如,以对前述提供的三通道的多通道振动信号进行处理为例,此时得到的振动源信号的示意图可以参考前述图2(a);
9)在得到的振动源信号的基础上,计算第i个振动源信号的包络熵值其中ki(t)是分离得到第i个振动源信号的希尔伯特变换后的正包络信号,/>是ki(t)的归一化结果;例如,以前述图2(a)提供的振动源信号为例,此时第一个振动源信号的包络熵值是9.23,第二个振动源信号的包络熵值是10.16;
10)选择具有最小包络熵值的振动源信号作为与故障源相关的目标源信号,并对该源信号进行经验模态分解(EMD),得到多个本征模态分量(IMF);例如,以前述图(a)提供的振动源信号为例,此时选择第一个振动源信号作为目标源信号,此时对该源信号进行经验模态分解所得到的本征模态分量如图4(a)所示;
11)参考前述步骤9)计算得到每个本征模态分量的包络熵值,并选择最小包络熵值的本征模态分量作为故障分量;例如,以前述图4(a)提供的本征模态分量为例,此时5个本征模态分量的包络熵值依次为9.012,9.276,9.512,9.871以及10.023,此时可以选择第一个本征模态分量作为故障分量进行后续的处理;
12)计算故障分量的正包络信号Envj,然后对Envj进行离散傅里叶变换求出故障信号的共振解调谱,然后基于共振解调谱查询设备故障参数表,得到目标设备的故障检测结果;例如,以前述提供的筛选出的故障分量为例,图5(a)示出了该故障分量的共振解调谱,可以看出,该共振解调谱主要以47.8Hz及其谐波成分为主,无其他噪声成分干扰,谱线清晰。在查询对应的设备故障参数表后,得到该频率对应电机处轴承外圈故障,而经过实际检修确认电机处轴承外圈确实存在故障,因此,本申请提供的实施方案具有较好的识别精度。
为了更好实施本申请实施例提供的故障检测方法,在本申请实施例所提供的故障检测方法的基础之上,本申请实施例中还提供一种故障检测装置,如图8所示,故障检测装置800包括:
获取模块810,用于获取待检测的目标设备的多通道振动信号;
分离模块820,用于对所述多通道振动信号进行信号分离处理,得到振动源信号;
筛选模块830,用于基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
检测模块840,用于基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
在本申请一些实施例中,所述筛选模块830用于计算各所述振动源信号的正包络信号;基于各所述振动源信号的正包络信号的归一化结果,计算各所述振动源信号的脉冲相关参数中的包络熵值;基于各所述振动源信号的包络熵值的大小关系,从所述振动源信号中筛选出目标源信号。
在本申请一些实施例中,所述检测模块840用于对所述目标源信号进行信号分解,得到若干模态信号分量;基于所述模态信号分量的脉冲相关参数从所述模态信号分量中筛选出目标故障分量;基于所述目标故障分量的共振解调谱确定所述目标设备的故障检测结果。
在本申请一些实施例中,所述检测模块840用于基于希尔伯特变换计算所述目标故障分量对应的正包络信号;对所述正包络信号进行离散傅里叶变换得到目标共振解调谱;基于所述目标共振解调谱查询预设的设备故障参数表得到所述目标设备的故障检测结果。
在本申请一些实施例中,所述分离模块820用于获取所述多通道振动信号在零时延下的第一协方差矩阵,并计算所述第一协方差矩阵对应的特征值以及各特征值对应的特征向量;基于所述特征值的大小关系,从所述特征值中筛选出目标特征值,并基于所述特征值中所述目标特征值之外的剩余特征值计算噪声水平估计值;基于所述噪声水平估计值、所述目标特征值以及所述目标特征值对应的目标特征向量计算白化矩阵;基于所述白化矩阵与所述多通道振动信号在预设时延下的第二协方差矩阵生成振动源信号。
在本申请一些实施例中,所述获取模块,用于获取待检测的目标设备上各传感器采集的初始振动信号;对所述初始振动信号进行去均值处理,得到预处理振动信号;对所述预处理振动信号进行强度归一化处理,得到所述目标设备的多通道振动信号。
关于故障检测装置的具体限定可以参见上文中对于故障检测方法的限定,在此不再赘述。上述故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请一些实施例中,故障检测装置800可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该故障检测装置800的各个程序模块,比如,图8所示的获取模块810、分离模块820、筛选模块830以及检测模块840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的故障检测方法中的步骤。
例如,图9所示的计算机设备可以通过如图8所示的故障检测装置800中的获取模块810执行步骤S210。计算机设备可通过分离模块720执行步骤S220。计算机设备可通过筛选模块830执行步骤S230。计算机设备可通过检测模块840执行步骤S240。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种故障检测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现以下步骤:
获取待检测的目标设备的多通道振动信号;
对所述多通道振动信号进行信号分离处理,得到振动源信号;
基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行以下步骤:
获取待检测的目标设备的多通道振动信号;
对所述多通道振动信号进行信号分离处理,得到振动源信号;
基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种故障检测方法、装置、计算机设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种故障检测方法,其特征在于,包括:
获取待检测的目标设备的多通道振动信号;
对所述多通道振动信号进行信号分离处理,得到振动源信号;
基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
2.根据权利要求1所述的故障检测方法,其特征在于,所述基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号,包括:
计算各所述振动源信号的正包络信号;
基于各所述振动源信号的正包络信号的归一化结果,计算各所述振动源信号的脉冲相关参数中的包络熵值;
基于各所述振动源信号的包络熵值的大小关系,从所述振动源信号中筛选出目标源信号。
3.根据权利要求1所述的故障检测方法,其特征在于,所述基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果,包括:
对所述目标源信号进行信号分解,得到若干模态信号分量;
基于所述模态信号分量的脉冲相关参数从所述模态信号分量中筛选出目标故障分量;
基于所述目标故障分量的共振解调谱确定所述目标设备的故障检测结果。
4.根据权利要求3所述的故障检测方法,其特征在于,所述基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果,包括:
基于希尔伯特变换计算所述目标故障分量对应的正包络信号;
对所述正包络信号进行离散傅里叶变换得到目标共振解调谱;
基于所述目标共振解调谱查询预设的设备故障参数表得到所述目标设备的故障检测结果。
5.根据权利要求3所述的故障检测方法,其特征在于,所述信号分解包括小波分解、经验模态分解、集合模态分解、变分模态分解中的至少一种。
6.根据权利要求1所述的故障检测方法,其特征在于,所述对所述多通道振动信号进行信号分离处理,得到振动源信号,包括:
获取所述多通道振动信号在零时延下的第一协方差矩阵,并计算所述第一协方差矩阵对应的特征值以及各特征值对应的特征向量;
基于所述特征值的大小关系,从所述特征值中筛选出目标特征值,并基于所述特征值中所述目标特征值之外的剩余特征值计算噪声水平估计值;
基于所述噪声水平估计值、所述目标特征值以及所述目标特征值对应的目标特征向量计算白化矩阵;
基于所述白化矩阵与所述多通道振动信号在预设时延下的第二协方差矩阵生成振动源信号。
7.根据权利要求1~6任一项所述的故障检测方法,其特征在于,所述获取待检测的目标设备的多通道振动信号,包括:
获取待检测的目标设备上各传感器采集的初始振动信号;
对所述初始振动信号进行去均值处理,得到预处理振动信号;
对所述预处理振动信号进行强度归一化处理,得到所述目标设备的多通道振动信号。
8.一种故障检测装置,其特征在于,包括:
获取模块,用于获取待检测的目标设备的多通道振动信号;
分离模块,用于对所述多通道振动信号进行信号分离处理,得到振动源信号;
筛选模块,用于基于所述振动源信号的脉冲相关参数从所述振动源信号中筛选出目标源信号;所述脉冲相关参数包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
检测模块,用于基于所述目标源信号对应的共振解调谱确定所述目标设备的故障检测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的故障检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554349.9A CN116578856A (zh) | 2023-05-16 | 2023-05-16 | 故障检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554349.9A CN116578856A (zh) | 2023-05-16 | 2023-05-16 | 故障检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578856A true CN116578856A (zh) | 2023-08-11 |
Family
ID=87537274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554349.9A Pending CN116578856A (zh) | 2023-05-16 | 2023-05-16 | 故障检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578856A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学(保定) | 一种基于振动数据的风电机组轴承故障特征提取方法 |
CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及可读介质 |
CN112287780A (zh) * | 2020-10-19 | 2021-01-29 | 苏州容思恒辉智能科技有限公司 | 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质 |
CN115344824A (zh) * | 2022-07-13 | 2022-11-15 | 中国人民解放军63921部队 | 一种特种装备无源转速计算方法和系统 |
CN115791169A (zh) * | 2022-11-22 | 2023-03-14 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种滚动轴承故障的诊断方法、装置及电子设备 |
-
2023
- 2023-05-16 CN CN202310554349.9A patent/CN116578856A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学(保定) | 一种基于振动数据的风电机组轴承故障特征提取方法 |
CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及可读介质 |
CN112287780A (zh) * | 2020-10-19 | 2021-01-29 | 苏州容思恒辉智能科技有限公司 | 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质 |
CN115344824A (zh) * | 2022-07-13 | 2022-11-15 | 中国人民解放军63921部队 | 一种特种装备无源转速计算方法和系统 |
CN115791169A (zh) * | 2022-11-22 | 2023-03-14 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种滚动轴承故障的诊断方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN117235476B (zh) * | 2023-11-14 | 2024-02-13 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
Brkovic et al. | Early fault detection and diagnosis in bearings for more efficient operation of rotating machinery | |
Yan et al. | Fault diagnosis of rolling element bearing using a new optimal scale morphology analysis method | |
US20170356936A1 (en) | Enhanced system and method for conducting pca analysis on data signals | |
KR102209401B1 (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
CN116578856A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
Wang et al. | A new blind fault component separation algorithm for a single-channel mechanical signal mixture | |
Mo et al. | Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis | |
CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
CN117473338B (zh) | 一种核电用泵机运行监测方法及系统 | |
Kestel et al. | Informed sparsity-based blind filtering in the presence of second-order cyclostationary noise | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN116593145B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Ou et al. | Research on Rolling Bearing Fault Diagnosis Using Improved Majorization‐Minimization‐Based Total Variation and Empirical Wavelet Transform | |
CN110946573A (zh) | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN111938594B (zh) | 基于层次图模型的癫痫脑电信号异常监测系统及设备 | |
CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
CN114238368A (zh) | 变压器故障诊断方法、装置、计算机设备和可读存储介质 | |
CN117235476B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN110631810B (zh) | 风力发电机组振动异常的检测方法和设备及风力发电机组 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Chi Inventor after: Liu Zhengfang Inventor before: Xu Chi Inventor before: Liu Zhengfang Inventor before: Ding Pan |
|
CB03 | Change of inventor or designer information |