CN116738372A - 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 - Google Patents

一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 Download PDF

Info

Publication number
CN116738372A
CN116738372A CN202311023023.XA CN202311023023A CN116738372A CN 116738372 A CN116738372 A CN 116738372A CN 202311023023 A CN202311023023 A CN 202311023023A CN 116738372 A CN116738372 A CN 116738372A
Authority
CN
China
Prior art keywords
sensitive
factor
sensitivity
factors
value
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
CN202311023023.XA
Other languages
English (en)
Other versions
CN116738372B (zh
Inventor
刘建
陆军
崔振伟
李鹤
江学文
王�华
郭月明
黄秀东
苏洪全
田欣
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.)
Kunlun Digital Technology Co ltd
Petrochina Co Ltd
Original Assignee
Kunlun Digital Technology Co ltd
Petrochina Co Ltd
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 Kunlun Digital Technology Co ltd, Petrochina Co Ltd filed Critical Kunlun Digital Technology Co ltd
Priority to CN202311023023.XA priority Critical patent/CN116738372B/zh
Publication of CN116738372A publication Critical patent/CN116738372A/zh
Application granted granted Critical
Publication of CN116738372B publication Critical patent/CN116738372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0088—Testing machines
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及机泵状态监测诊断技术领域，尤其涉及一种炼化用离心泵滚动轴承故障诊断方法、装置及设备。包括，获取炼化用离心泵滚动轴承多维度的特征数据；按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子；根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。通过本发明的方法，克服特征数的稳定性与敏感性的矛盾，提取的敏感因子在监测判断设备状态时具有较好敏感性和稳定性；其次，采用多敏感因子判断故障特征，故障的分辨能力高，克服了轴承多种故障模式难以分辨的困境，提高了炼化用离心泵滚动轴承故障诊断精度。

Description

一种炼化用离心泵滚动轴承故障诊断方法、装置及设备
技术领域
本发明涉及机泵状态监测诊断技术领域，尤其涉及一种炼化用离心泵滚动轴承故障诊断方法、装置及设备。
背景技术
离心泵运行时，水力激振伴随所有运行工况，当工况偏离高效区时，水力激振会强化，水力噪声和振动会增大，进入汽蚀工况则会发生剧烈噪声和振动。泵作为流体机械，工作介质的流体力学特性，即流体的稳定性、汽蚀特性对泵的健康状态有较大影响。流体激振的振动频率宽，频率成分复杂，有非常复杂的水力振动现象，对滚动轴承振动（冲击）信号有较大的影响，容易造成漏诊和误诊。
轴承出现故障的早期阶段，轴承缺陷仅表现为金属材料的次表面劣化或弱化，但轴承本身没有任何明显的磨损迹象，振动、冲击能量微弱。
润滑不良的原因非常多，而且很多故障都会伴随着润滑不良现象。润滑不良引发的异常振动属于随机激励的强迫振动，主要激励源是大量无序随机的凸点碰擦，滚动体与滚道碰擦的响应表现为无序的随机激励频率，是宽频带的“白噪声”激励。润滑不良发生后一般都会造成多种衍生效应，常见如打滑，滚道损伤，保持架卡涩等，这些衍生效应会对振动频谱产生影响。
滚动轴承的劣化过程，从损伤初生到轴承失效，时间历程可能较长，也可能较短，离散性较大。当监测诊断发现轴承有损伤时，准确评估轴承的健康状态等级、故障的严重程度有较大困难，无法准确预测轴承的剩余寿命。
现在亟需一种炼化用离心泵滚动轴承故障诊断方法，从而解决现有技术中炼化用离心泵滚动轴承故障诊断易出错，容易造成漏诊和误诊的问题。
发明内容
为解决现有技术中的问题，本发明实施例提供了一种炼化用离心泵滚动轴承故障诊断方法、装置及设备，克服特征数的稳定性与敏感性的矛盾，提取的敏感因子在监测判断设备状态时具有较好敏感性和稳定性；其次，采用多敏感因子判断故障特征，故障的分辨能力高，克服了轴承多种故障模式难以分辨，剩余寿命预测不准的困境，提高了炼化用离心泵故障诊断精度。
为了解决上述技术问题，本发明的具体技术方案如下：
一方面，本发明实施例提供了一种炼化用离心泵滚动轴承故障诊断方法，包括，
获取炼化用离心泵滚动轴承多维度的特征数据；
按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
进一步地，按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子进一步包括：
对所述特征数据与预定的多个逻辑条件进行匹配；
根据所述逻辑条件与所述敏感因子之间预定的对应关系以及匹配结果确定所述特征数据对应的敏感因子。
进一步地，所述故障诊断规则包括特定敏感因子集；
根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系；
得到相匹配的特定敏感因子集对应的所述故障诊断规则与故障之间预定的第一对应关系；
根据所述第一匹配关系和第一对应关系确定所述故障。
进一步地，所述故障诊断规则中还包括一个或多个根据预定诊断精度确定的选择性敏感因子集；
根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
将全部特征数据对应的敏感因子中除与所述特定敏感因子集匹配的多个敏感因子作为剩余敏感因子，并得到所述剩余敏感因子与所述选择性敏感因子集之间的第二匹配关系；
得到与的特定敏感因子集和选择性敏感因子集均对应的所述故障诊断规则，并得到该故障诊断规则与故障之间预定的第二对应关系；
根据所述第二匹配关系和第二对应关系确定所述故障。
进一步地，所述故障诊断规则还包括所述特定敏感因子集中每一特定敏感因子对应的第一样本频率；
得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系的步骤进一步包括，
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件；
其中，所述第一样本频率表示所述特定敏感因子集中的特定敏感因子在固定啥时间段内应该出现的频率，所述第二样本频率表示与所述特定敏感因子相匹配的敏感因子在该固定时间段内实际出现的次数。
进一步地，所述第一样本频率包括在指定采样时间范围内，所述特定敏感因子的数量；所述第二样本频率包括在所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中，与所述特定敏感因子相匹配的所述敏感因子的数量；
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件进一步包括，
判断所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中与所述特定敏感因子相匹配的所述敏感因子的数量是否超过所述特定敏感因子的数量。
进一步地，所述故障诊断规则包括所述炼化用离心泵滚动轴承指定部位对应的故障诊断规则。
进一步地，根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命。
进一步地，所述剩余寿命计算规则中包括寿命指数计算规则以及指定敏感因子集；
根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命进一步包括，
判断多个所述特征数据对应的敏感因子与所述指定敏感因子集是否匹配；
若是，则根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数；
根据寿命指数和剩余寿命之间预定的对应关系以及计算出的所述寿命指数确定所述炼化用离心泵滚动轴承各部位的剩余寿命。
进一步地，根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数进一步包括：
根据所述所述特征数据的数值、所述敏感因子的预定值计算所述敏感因子的敏感分值；
根据所述敏感分值以及所述炼化用离心泵滚动轴承各部位的寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数。
进一步地，所述敏感因子包括振动加速度敏感因子、振动速度敏感因子、包络敏感因子、温度敏感因子、泵结构及运行参数敏感因子、历史信息对轴承故障的敏感因子。
进一步地，计算所述振动加速度敏感因子的振动加速度敏感分值的步骤包括：
选取故障后预定条数据样本的在振动加速度值第一预定频段内的峰值A（1）的算术均值A（1）n、振动加速度值第二预定频段内的峰值A（2）的算术均值A（2）n，选取故障前的预定条数据样本在振动加速度值第一预定频段内的峰值A（1）的算术均值A＇（1）n、振动加速度值第二预定频段内的峰值A（2）的算术均值A＇（2）n，其中n表示振动加速度值数据样本的条数；
应用公式A"= 计算所述振动加速度敏感分值；
其中，A"表示振动加速度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
进一步地，计算振动速度敏感因子的振动速度敏感分值的步骤包括：
选取故障后预定条数据样本的在振动速度值第一预定频段内的峰值V（1）的算术均值V（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V（2）n，选取故障前的预定条数据样本在振动速度值第一预定频段内的峰值V（1）的算术均值V＇（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V＇（2）n，其中n表示振动速度值数据样本的条数；
应用公式V"= 计算振动加速度敏感分值；
其中，V"表示振动速度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
进一步地，计算冲击包络敏感因子的冲击包络敏感分值的步骤包括：
选取故障后预定条数据样本的包络值E（0）的算术均值E（0）n，选取故障前的预定条数据样本的包络值E（0）的算术平均值E＇（0）n，其中n表示包络值数据样本的条数；
应用公式E"=计算振动冲击包络敏感分值；
其中，E"表示冲击包络敏感分值；
E22表示包络峰值趋势的特征的敏感因子E22的预定数值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
进一步地，计算温度敏感因子的温度敏感分值的步骤包括：
选取故障后预定条数据样本的轴承实时温度值B8的算术均值B8n，选取故障前的预定条数据样本的轴承实时温度值B8的算术均值B＇8n，其中n表示轴承实时温度值数据样本的条数；
应用公式T"=计算温度敏感分值；
其中，T"表示温度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
进一步地，根据所述敏感分值以及所述炼化用离心泵滚动轴承各部位的寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数进一步包括：
通过公式PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]计算所述寿命指数，其中，其中E"表示冲击包络敏感分值，A"表示振动加速度敏感分值，V"表示振动速度敏感分值，T"表示温度敏感分值。
另一方面，本发明实施例还提供了一种炼化用离心泵滚动轴承故障诊断装置，包括：
特征数据获取单元，用于获取炼化用离心泵滚动轴承多维度的特征数据；
敏感因子确定单元，用于按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
故障确定单元，用于根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
另一方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在存储器上的计算机程序，处理器执行所述计算机程序时实现上述的方法。
最后，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
利用本发明实施例，首先获取炼化用离心泵滚动轴承多维度的特征数据，然后应用经验、领域知识等确定特征数据对应的敏感因子，最后根据确定的敏感因子以及预定的故障诊断规则分析炼化用离心泵这一特定应用场景下的滚动轴承的健康状态，相比于现有技术中通过模型训练对特征数据进行分析确定故障的方法，本发明所使用的敏感因子是基于监测对象的物理机理进行综合提取的，每一项敏感因子与监测对象的健康状态相关，本发明采用的多敏感因子融合的方法，克服了特征数据对故障敏感、但工况或外部条件改变时敏感性丧失的缺点，或克服了特征数据不易随工况或外部条件发生变化，但对故障敏感性不足的矛盾的缺点，既保留了对故障的敏感性，又保留了稳定性。其次，利用敏感因子和预定的故障诊断规则确定故障的方法，分别以轴承各组成元件（包括外环、内环、滚动体和保持架）为对象，根据不同元件具有不同故障机理和故障规律，融合多维敏感因子，针对性的采用故障诊断规则和预测方法，提高了故障分辨能力和寿命预测能力，相比于通过模型计算的方法，解决了由于故障特征模糊导致故障的分辨能力低、轴承多种故障模式难以分辨、寿命预测准确性低的困境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示为本发明实施例一种炼化用离心泵滚动轴承故障诊断方法的流程示意图；
图2所示为本发明实施例中按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子的步骤；
图3所示为本发明实施例中根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障的步骤；
图4所示为本发明实施例中根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障的步骤；
图5所示为本发明实施例一种炼化用离心泵滚动轴承故障诊断装置结构示意图；
图6所示为本发明实施例计算机设备的结构示意图。
【附图标记说明】：
501、特征数据获取单元；
502、敏感因子确定单元；
503、故障确定单元；
602、计算机设备；
604、处理设备；
606、存储资源；
608、驱动机构；
610、输入/输出模块；
612、输入设备；
614、输出设备；
616、呈现设备；
618、图形用户接口；
620、网络接口；
622、通信链路；
624、通信总线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
轴承出现故障的早期阶段，轴承缺陷仅表现为金属材料的次表面劣化或弱化，但轴承本身没有任何明显的磨损迹象，振动、冲击能量微弱。
轴承润滑不良的原因非常多，而且很多故障都会伴随着润滑不良现象。润滑不良引发的异常振动属于随机激励的强迫振动，主要激励源是大量无序随机的凸点碰擦，滚动体与滚道碰擦的响应表现为无序的随机激励频率，是宽频带的“白噪声”激励。由于激励频带极宽，往往会引发接触副固有频率的共振现象。接触副的固有频率是由弹性变形的hertz接触刚度和油膜刚度共同组成的，在润滑不良时，接触刚度受凸点碰擦时接触副等效质量变化而波动，同时油膜刚度受油膜厚度变化也会有所波动，两者共同作用进而使接触副固有频率在一定范围内波动。在特定位置出现凸点碰擦现象，此时需要考虑特定位置对振动频率的调制，载波常见为瞬时固有频率或瞬时激励频率，调制频率则多种多样，根据碰擦发生位置而定。
润滑不良发生后一般都会造成多种衍生效应，常见如打滑，滚道损伤，保持架卡涩等，这些衍生效应会对振动频谱产生影响。轴承早期故障特征与润滑不良相似，在诊断中，往往难以分辨其特征之间的差异，造成误诊。
滚动轴承的劣化过程，从损伤初生到轴承失效，时间历程可能较长，也可能较短，离散性较大。当监测诊断发现轴承有损伤时，准确评估轴承的健康状态等级、故障的严重程度有较大困难，无法准确预测轴承的剩余寿命。
工程领域滚动轴承特征数诊断算法与本发明有一定的相似。
特征数诊断算法，是一种将特征数用于设备故障诊断的技术方法，即“无量纲诊断”方法。特征数由两个具有相同量纲的比值组成，当用它描述某一特定体系时会具有一定的物理意义。设备故障诊断工程经常采用以下无量纲振动特征参数进行故障诊断。峰值因数，脉冲因数，裕度因数，峭度因数，波形因数以及偏度因数等。峰值因数是信号峰值与有效值（RMS）的比值，用来检测信号中是否存在冲击的统计指标，峰值是一个时不稳参数，不同的时刻变动很大；脉冲因数是信号峰值与整流平均值（绝对值的平均值）的比值，脉冲因数用以检测信号中是否存在冲击；裕度因数是信号峰值与方根幅值的比值，裕度因数用于检测机械设备的磨损情况；波形因数是有效值（RMS）与整流平均值的比值，波形因数=脉冲因数/峰值因数，表示与正弦波的偏移和歪斜程度；峭度因数是表示波形平缓程度的，是四阶中心矩和标准差的四次方的比值，用于描述变量的分布；偏度因数，也叫偏斜度、偏态，是三阶中心矩和标准差的三次方的比值，描述的是分布。上述无量纲特征参数，在滚动轴承的冲击性故障诊断中有一定的应用，但由于自身的缺点，在应用的深度和广度方面都非常局限。
评价特征数诊断算法，用敏感性与稳定性来衡量。见下表1：
表1 特征参数的特点
参数 敏感性 稳定性
峰值因数 一般 一般
脉冲因数 较好 一般
裕度因数 好 一般
波形因数 差 好
峭度因数 好 一般
偏度因数 较好 一般
特征数在滚动轴承的长时间状态跟踪中，难以进行正确诊断，因为当轴承状态发生改变后，峰值因数、脉冲因数、裕度因数、峭度因数、偏度因数等特征参数的敏感性会发生改变，没有理想的稳定性；波形因数尽管稳定性好，但对滚动轴承冲击故障不敏感。
无量纲特征参数在炼化用离心泵滚动轴承的诊断中，特别是轴承早期故障、润滑故障在轻度流体激振或轻微汽蚀工况下，完全丧失了分辨以上故障的能力。同时，对于轴承剩余寿命的预测，也被证明是无效的。
为了解决现有技术中存在的问题，本发明实施例提供了一种炼化用离心泵滚动轴承故障诊断方法，首先是克服特征数的稳定性与敏感性的矛盾，提取的敏感因子在监测判断设备状态时具有较好敏感性和稳定性；其次，采用多敏感因子判断故障特征，故障的分辨能力高，克服了轴承多种故障模式难以分辨的困境。该方法摒弃了现有技术中通过模型训练的方式预测故障，而是根据预定的逻辑确定特征数据对应的敏感因子， 利用敏感因子和预定的故障诊断规则确定故障。图1所示为本发明实施例一种炼化用离心泵滚动轴承故障诊断方法的流程示意图。在本图中描述了根据炼化用离心泵滚动轴承多维度的特征数据确定故障的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，可以由处理器执行，所述方法可以包括：
步骤101：获取炼化用离心泵滚动轴承多维度的特征数据；
步骤102：按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
步骤103：根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
利用本发明实施例，首先获取炼化用离心泵滚动轴承多维度的特征数据，然后应用经验、领域知识等确定特征数据对应的敏感因子，最后根据确定的敏感因子以及预定的故障诊断规则分析炼化用离心泵这一特定应用场景下的滚动轴承的健康状态，相比于现有技术中通过模型训练对特征数据进行分析确定故障的方法，本发明所使用的敏感因子是基于监测对象的物理机理进行综合提取的，每一项敏感因子与监测对象的健康状态相关，本发明采用的多敏感因子融合的方法，克服了特征数据对故障敏感、但工况或外部条件改变时敏感性丧失的缺点，或克服了特征数据不易随工况或外部条件发生变化，但对故障敏感性不足的矛盾的缺点，既保留了对故障的敏感性，又保留了稳定性。其次，利用敏感因子和预定的故障诊断规则确定故障的方法，分别以轴承各组成元件（包括外环、内环、滚动体和保持架）为对象，根据不同元件具有不同故障机理和故障规律，融合多维敏感因子，针对性的采用故障诊断规则和预测方法，提高了故障分辨能力和寿命预测能力，相比于通过模型计算的方法，解决了由于故障特征模糊导致故障的分辨能力低、轴承多种故障模式难以分辨、寿命预测准确性低的困境。
在本发明实施例中，多维度的特征数据可以包括振动数据、冲击数据、温度数据、工艺参数、档案信息、检维修信息、履历信息、故障记录、故障案例信息、轴承信息等。可以在离心泵轴承部位安装振动加速度传感器和温度传感器以获得振动、冲击、温度数据。
进一步地，由上述检测和引入的相关信息，还可以建立数据间衍生的关联特征信息，这些关联的特征信息具有内在的物理关系，确立能够灵敏反映故障特征的物理量，找到这些物理量之间的规律，由此建立明确的故障诊断规则。
关联的特征数据可以包括振动特征、冲击特征、温度特征、工作介质流量特征、工作介质压力特征、工作介质特性、离心泵型号、离心泵履历、故障记录、故障案例、轴承信息。这些关联特征数据可以认作为第一级关联特征量，还可以继续对第一级关联特征量进行衍生分析，确定第二级关联特征量，再对第二级关联特征量进行衍生分析，确定第三级关联特征量。根据炼化用离心泵滚动轴承的原始特征数据确定这些关联特征量的数值，然后对关联特征量进行预定的逻辑分析，确定对应的敏感因子，这样能够扩大数据范围，提高数据深度和广度，确定更多的敏感因子进行故障诊断，从而更加准确地确定故障。
需要说明的是，还可以根据实际的需要衍生分析出更多级的特征量，本发明实施例不做限制。
优选地，第一级关联特征量11项，第二级关联特征量38项，第三级关联特征量33项。关联特征若延伸到第三级，则应用第三级关联特征；若只延伸到第二级，则应用第二级关联特征。可应用的第二级关联特征：B2、B4、B5～B30、B35～B38；可应用的第三级关联特征：C1～C33。关联特征衍生关系及相关数据信息见下表2：
表2 关联特征衍生关系及数据
/>
然后按照特征数据的数据类型对特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，具体地，根据本发明的一个实施例，如图2所示，按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子进一步包括：
步骤201：对所述特征数据与预定的多个逻辑条件进行匹配；
步骤202：根据所述逻辑条件与所述敏感因子之间预定的对应关系以及匹配结果确定所述特征数据对应的敏感因子。
在本发明实施例中，预定的逻辑条件可以根据经验或实验确定，可以根据实际精度需要确定每个特征数据对应的逻辑条件数量，每个特征数据仅能够符合其中的一个逻辑条件，一个逻辑条件与一个敏感因子相对应，特征数据符合哪个逻辑条件，则该特征数据的敏感因子即为其符合的逻辑条件对应的敏感因子，所以敏感因子能够表示对应的逻辑条件是否成立。对于不同的轴承，其逻辑条件是相同的，即对于不同数值的特征数据进行相同的逻辑条件判断，能够确定每个数值的特征数据对应的敏感因子，无论特征数据的数值如何变化，都能确定其唯一的一个敏感因子，即本发明的逻辑分析方法对于数值不断变化的特征数据仍能够保持敏感性。
示例性地，本发明实施例中的敏感因子类别可以包括振动加速度敏感因子类、振动速度敏感因子类、包络敏感因子类、温度敏感因子类、泵结构及运行参数敏感因子类以及历史信息对轴承故障的敏感因子类。这些敏感因子类中的敏感因子是对特征数据进行逻辑条件判断得到的。具体地，振动加速度敏感因子类可以如表3所示：
表3 振动加速度敏感因子类
在表3中，A（1）和A（2）表示振动加速度样本数据B3在两频段范围内的峰值，例如，振动加速度值覆盖10Hz～10000Hz频带，分为2个频段：1000Hz～3000Hz、3000Hz～10000Hz，分别计算2个频段的峰值（按峰值大小排序的前3个峰值带）能量（含底部噪音），分别为A（1）、A（2），根据设定阈值对A(1)、A（2）建立1级报警、2级报警、3级报警（等级越高，故障越严重）。若峰值A（1）为1级报警，则对应的敏感因子为A1。示例性地，若A（2）/A（1）大于0.5，则特征参数A（2）/A（1）对应的敏感因子为A7。
A（1）af和A（2）af表示报警频次，报警频次（alert frequency，缩写af）=报警次数/报警时间。根据报警频次和对应的阈值确定各级报警对应的敏感因子。
C3表示振动加速度波形，该波形可以通过现有技术的方法对安装在离心泵轴承部位的振动加速度传感器获取到的振动加速度数值进行分析得到，提取振动加速度波形的周期性冲击特征C3shock，或无周期性冲击特征C3noshock，若振动加速度波形的周期性冲击特征为C3shock，则对应的敏感因子为A21，若振动加速度波形的周期性冲击特征为C3noshock，则对应的敏感因子为A22。
振动速度敏感因子类可以如表4所示：
表4 振动速度敏感因子类
/>
在表4中，V（1）和V（2）表示振动速度样本数据B1在两频段范围内的有效值能量，例如，振动速度值覆盖10Hz～2000Hz频带，分为2个频段：200～1000Hz、1000Hz～1800Hz，分别计算2个频段的有效值能量，分别为V（1）、V（2）。
C1波形表示振动速度波形，取波形稳定性特征，波形是稳定的，特征标记为C1stable；波形是不稳定的，特征标记为C1unstable；（波形稳定性的判据：一个样本数据的波形，最大方差与最小方差的比值大于阈值，则判定为波形不稳定，小于阈值则判定为波形稳定）。若C1波形为C1stable，则对应的敏感因子为V4，若C1波形为C1unstable，则对应的敏感因子为V5。
包络冲击敏感因子类可以如表5所示：
表5 包络敏感因子类
在表5中，E（0）表示全频带包络值，E（5）表示前5阶段包络峰值，包络值覆盖10～1000Hz，计算E（5）/E（0）比值，预设阈值为0.6，E（5）/E（0）>0.6，则对应的敏感因子为E5，E（5）/E（0）<0.6，则对应的敏感因子为E6。
E1（0）、E2（0）、E3（0）的计算方法如下：提取包络波形B5的冲击特征，标记为B5shock；或提取包络无冲击特征，标记为B5noshock，计算统计最近第1个月的样本数据的全频带包络值E1（0）、第2个月的样本数据的全频带包络值E2（0）、第3个月的样本数据的全频带包络值E3（0），分别为E1（0）= 、E2（0）=/>、E3（0）=/>，其中，n、m、L分别表示时间长度，即计算指定时间长度内的全频带包络值的平均值。比较E1（0）、E2（0）、E3（0），对比结果：E1（0）>E2（0）>E3（0）则对应的敏感因子为E3，E1（0）=E2（0）=E3（0）则对应的敏感因子为E4。
B6outer表示轴承外环故障特征频率，B6inner表示轴承内环故障特征频率，B6rolling表示轴承滚动体故障特征频率，B6cage-outer表示轴承保持架与外环接触面的故障特征频率，B6cage- inner表示轴承保持架与内环接触面的故障特征频率。根据轴承几何参数、工作转速，分别设定外环、内环、滚动体、保持架与外环接触面、保持架与内环接触面发生故障时包络频率幅值的阈值，分别标记为B6outer-Threshhold，B6inner-Threshhold，B6rolling- Threshhold，B6cage- outer- Threshhold，B6cage- inner-Threshhold。
分别统计最近1个月、最近3个月、最近6个月内的， B6outer，B6inner，B6rolling，B6cage-outer，B6cage-inner超过阈值的次数，分别标记为B6outer-1，B6outer-3，B6outer-6；B6inner-1，B6inner-3，B6inner-6；B6rolling-1，B6rolling-3，B6rolling-6；B6cage-outer -1，B6cage-outer -3，B6cage-outer -6，B6cage-inner-1，B6cage-inner-3，B6cage-inner-6；上述超阈值次数是故障损伤严重程度的重要判据之一。每个超过阈值的次数为一个逻辑条件，即只要超过阈值的次数大于0，即确定对应的敏感因子成立。
B7trend表示包络峰值趋势特征，有3个特征：上升、平稳、下降，分别标记为B7trend-Up、B7trend-steady、B7trend-down，是预测轴承寿命的重要判据之一。每个特征为一个逻辑条件，若实际的包络峰值趋势特征为B7trend-Up，则对应的敏感因子为E22。
温度敏感因子类可以如表6所示：
表6 温度敏感因子类
在表6中，B8表示轴承实时温度值，与设定阈值比较，当B8>阈值，则判定轴承故障，对应的敏感因子T1成立。B8trend表示温度趋势值特征，有3个特征：上升、稳定、下降，分别标记为B8trend-Up、B8trend-steady、B8trend-down，是预测轴承寿命的重要判据之一，若实际的温度趋势特征B8trend为B8trend-Up，则对应的敏感因子为T2。
B9表示温升值，指本次温度样本与紧邻的上次温度样本的温度差，在炼化企业离心泵的轴承中，首次设定温差阈值为15度，标记为B9-15（需要说明的是，这里并非是减法，而是表示阈值15）。可根据环境温度的变化和工艺介质温度的变化进行调整，选择合适的温升阈值。若实际的温升值B9大于阈值15（即B9-15），则对应的敏感因子T5成立。
泵结构及运行参数的敏感因子类如表7所示：
表7 泵结构及运行参数敏感因子类
在表7中，B10表示泵运行的出口实时流量：运行流量偏离设计流量，内部流场涡流会增加，流场不稳定，水力激振频率复杂。设计流量为Q，若B10/Q>1.2则对应的敏感因子kx（x1）成立，若B10/Q<0.8则对应的敏感因子kx（x2）成立，稳定性劣化。
B11表示泵运行的进口实时压力：进口压力影响泵的吸入性能和工作性能。设计吸入压力为P0，若B11/P0<阈值则对应的敏感因子kx（x3）成立，若B11/P0>阈值则对应的敏感因子kx（x4）成立， 稳定性劣化。
B12表示泵运行的出口实时压力：出口压力随生产工艺的调整而变化，偏离设计压力P1，泵内水力激振变大。B12/P1>阈值则对应的敏感因子kx（x5）成立，若B12/P1<阈值则对应的敏感因子kx（x6）成立， 稳定性劣化。
B13表示介质粘度：介质粘度影响运行效率。以水的粘度λ为基准，B13/λ>阈值或B13/λ<阈值，确定表7中对应的敏感因子成立，泵的效率和热力学性能劣化。
B14表示介质实时温度：介质的实时温度B14，与轴承温度、健康状态、寿命之间有关联。按150度>B14>100度，200度>B14>150度，B14>200度分为3个等级，根据实际的介质实时温度确定对应的等级，进而能够对应的敏感因子。
B15表示泵型号：故障模式、故障规律与泵型号有关联。
B16表示悬臂泵：悬臂转子的动力学特性关联故障模式、故障规律。
B17表示两端支撑泵：两端支撑转子动力学特性关联故障模式、故障规律。
B18表示立式泵：立式转子动力学特性关联故障模式、故障规律。
B19表示叶轮级数：叶轮级数关联振动频率，是泵故障的重要因素。
B20表示叶轮叶片数：叶轮叶片数关联振动频率，是泵故障的重要因素。
B21表示设计流量：故障分析的基础信息。
B22表示设计扬程：故障分析的基础信息。
B23表示设计转速：故障分析的基础信息。
B24表示设计功率：故障分析的基础信息。
B25表示汽蚀余量：故障分析的基础信息。
需要说明的是，泵结构及运行参数的敏感因子还包括数值，其数值大小可以根据经验进行设定，优选地，kx（xi）的取值范围为 0<kx（xi）<2。
历史信息对轴承故障的敏感因子类可以如表8所示：
表8 历史信息对轴承故障的敏感因子类
/>
在表8中，B26表示制造时间：寿命起点时间信息，是故障预测的基准参数。
B27表示投运时间点：寿命起点时间信息，是故障预测的基准参数。
B28表示运行时长：寿命重要时间信息，是故障预测的基准参数。
B29表示检维修次数：健康评估的基础信息。
B30表示故障次数：健康评估的基础信息。
C5表示不对中：健康评估的基础信息。
C6表示不平衡：健康评估的基础信息。
C7表示叶轮损伤：健康评估的基础信息。
C8表示叶轮结垢：健康评估的基础信息。
C9表示松动：健康评估的基础信息。
C10表示变形：健康评估的基础信息。
C11表示碰磨：健康评估的基础信息。
C12表示轴承损伤：健康评估的基础信息。
C13表示轴承润滑不良：健康评估的基础信息。
C14表示汽蚀/抽空：健康评估的基础信息。
C15表示流量偏离：健康评估的基础信息。
C22表示异常振动：健康评估的基础信息。
C23表示异常噪声：健康评估的基础信息。
C24表示异常温度：健康评估的基础信息。
C25表示泄露：健康评估的基础信息。
C26表示不能满足工作性能要求：健康评估的基础信息。
C27表示振动速度有效值：健康评估的基础信息。
C28表示振动加速度峰值：健康评估的基础信息。
C29表示振动频率：健康评估的基础信息。
C30表示包络谱幅值：健康评估的基础信息。
C31表示包络谱频率：健康评估的基础信息。
C32表示温度值：健康评估的基础信息。
C33表示温升值：健康评估的基础信息。
B35表示故障原因：健康评估的基础信息。
B36表示轴承品牌：健康评估的基础信息。
B37表示轴承型号：健康评估的基础信息。
B38表示润滑油/脂型号：健康评估的基础信息。
需要说明的是，历史信息对轴承故障的敏感因子还包括数值，其数值大小可以根据经验进行设定，优选地，ky（yi）的取值范围为 0<ky（yi）<2。
需要说明的是，本说明书表3、表4、表5、表6和表8中的多个阈值可以根据故障状态特征反应离心泵滚动轴承的故障程度确定，各阈值可以是一个具体的数值，也可以是数值范围，也可以根据故障诊断要求的精度或普适性设定阈值的数值类型。
最后根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。根据本发明的一个实施例，所述故障诊断规则包括特定敏感因子集；
如图3所示，根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
步骤301：得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系；
步骤302：得到相匹配的特定敏感因子集对应的所述故障诊断规则与故障之间预定的第一对应关系；
步骤303：根据所述第一匹配关系和第二对应关系确定所述故障。
在本发明实施例中，特定敏感因子集中的敏感因子可以根据经验或实验确定，在根据预定的故障诊断规则确定故障时，可以对全部特征数据对应的敏感因子与故障诊断规则中的特定敏感因子进行匹配，例如判断全部敏感因子中是否包括特定敏感因子集中全部的特定敏感因子，若是，则说明这些特征数据与这个故障诊断规则匹配，则这些特征数据所对应的故障就是这个故障诊断规则所对应的故障。
需要说明的是，特定敏感因子集中可以包括多个特定敏感因子组成的逻辑关系式，例如指定需要包括的特定敏感因子以及需要排除的敏感因子。逻辑关系式可以根据经验或实验进行设定。
进一步地，为了提高故障诊断规则的精度，根据本发明的一个实施例，所述故障诊断规则中还包括一个或多个根据预定诊断精度确定的选择性敏感因子集；
如图4所示，根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
步骤401：将全部特征数据对应的敏感因子中除与所述特定敏感因子集匹配的多个敏感因子作为剩余敏感因子，并得到所述剩余敏感因子与所述选择性敏感因子集之间的第二匹配关系；
步骤402：得到与特定敏感因子集和选择性敏感因子集均对应的所述故障诊断规则，并得到该故障诊断规则与故障之间预定的第二对应关系；
步骤403：根据所述第二匹配关系和第二对应关系确定所述故障。
在本发明实施例中，可以根据预定诊断精度确定一个或多个选择性敏感因子组成选择性敏感因子集，即选择性敏感因子集中的选择性敏感因子并非是诊断规则中必须包含的条件，而是根据实际的诊断精度确定是否需要包含，若按照预定诊断要求确定需要包括的选择性敏感因子，则在利用诊断规则对特征数据的敏感因子进行匹配时，全部敏感因子中需要包括特定敏感因子集中的全部特定敏感因子以及选择性敏感因子集中诊断精度对应的选择性敏感因子。
在本发明实施例中，为了使得确定的故障能够表示轴承在一段时间内的故障，便于工作人员进行检修，根据本发明的一个实施例，可以对固定时间段内获取到的特征数据对应的敏感因子与故障诊断规则进行匹配，具体地，所述故障诊断规则还包括所述特定敏感因子集中每一特定敏感因子对应的第一样本频率；
得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系的步骤进一步包括，
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件。
在本发明实施例中，第一样本频率表示特定敏感因子集中的特定敏感因子在固定时间段内应该出现的频率，第二样本频率表示与特定敏感因子相匹配的敏感因子在该固定时间段内实际出现的频率，若两个频率相匹配（例如第二样本频率大于或等于第一样本频率）则说明该固定时间段内获取到的多个特征数据对应的故障为该故障诊断规则对应的故障。
更进一步地，所述第一样本频率包括在指定采样时间范围内，所述特定敏感因子的数量；所述第二样本频率包括在所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中，与所述特定敏感因子相匹配的所述敏感因子的数量；
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件进一步包括，
判断所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中与所述特定敏感因子相匹配的所述敏感因子的数量是否超过所述特定敏感因子的数量。
在本发明实施例中，第一样本频率表示特定敏感因子集中的特定敏感因子在固定时间段内应当出现的数量，即在固定时间段内获取多个特征数据，然后再确定这些特征数据对应的敏感因子，从这些敏感因子中找出与特定敏感因子相匹配的敏感因子，并确定其数量（即第二样本频率），若该数量超过了特定敏感因子应当出现的数量，则说明固定时间段内获取到的多个特征数据对应的故障为该故障诊断规则对应的故障。
本发明实施例所述的故障诊断规则的故障诊断过程不同于传统的模型诊断过程，本发明实施例的故障诊断规则是通过经验或实验值设定的，故障诊断规则中包括多个特定敏感因子或选择性敏感因子，在诊断故障时，只需要判断获取到的特征数据对应的敏感因子是否包含特定敏感因子集中的全部特定敏感因子以及选择性敏感因子集中的选择性敏感因子即可，不需要计算相似度等，因此本发明实施例的故障诊断方法更为直接，且工作人员能够对两个强相似的故障进行分析，设定特定敏感因子集和选择性敏感因子集，因此本发明实施例的故障诊断方法能够较为有效地区分强相似的两个故障。
示例性地，本发明实施例的故障诊断规则包括区分早期故障与润滑故障的诊断规则、区分润滑故障与轻微汽蚀故障的诊断规则、区分早期故障与轻微汽蚀故障的诊断规则、区分早期故障与轻度流体激振的诊断规则、区分轻微汽蚀故障与轻度流体激振的诊断规则。这些故障均是现有的模型分析方法很难区分的故障，而通过本发明实施例的故障诊断规则，只需要设定相应的特定敏感因子与选择性敏感因子即可。
具体地：
a、区分早期故障与润滑故障的诊断规则：
故障诊断规则：
（1）且A22成立，且A4、A7成立（取20个样本）；
（2）且V4也成立（取20个样本）；
（3）且E23、 E6也成立（取20个样本）；
（4）或T3成立（取10个样本）；
（5）或kx（X32）成立；
（6）或ky（y32）成立，或ky（y33）成立。
诊断结果：滚动轴承为早期故障，不是润滑故障。
在该故障诊断规则中，特定敏感因子集中的特定敏感因子为A22、A4、A7、V4、E23、E6。特定敏感因子之间的逻辑关系为：A22&&A4&&A7&&V4&&E23&&E6，其中“&&”表示两个敏感因子都需要成立，获取到的特征数据对应的敏感因子中需要包括特定敏感因子A22、A4、A7、V4、E23、E6。特定敏感因子A22、A4、A7均属于加速度敏感因子类，这些特定敏感因子都是根据振动加速度传感器获取到的特征数据所确定的，因此（1）中的“取20个样本”表示在固定时间段内，振动加速度传感器获取到的特征数据对应的多个敏感因子中，敏感因子A22、A4和A7的数量均需要包括20个或以上。特定敏感因子V4属于振动速度敏感因子类，是根据振动速度传感器获取到的特征数据所确定的，因此（2）中的“取20个样本”表示在同样的固定时间段内，振动速度传感器获取到的特征数据对应的多个敏感因子中，敏感因子V4的数量均需要包括20个或以上。特定敏感因子E23和E6属于包络敏感因子类，是对获得的冲击特征数据进行分析后确定的，因此（3）中的“取20个样本”表示在同样的固定时间段内，获取到的冲击特征数据对应的多个敏感因子中，敏感因子E23和E6的数量均需要包括20个或以上。
选择性敏感因子集为T3、kx（x32）、ky（y32）、ky（y33），表示在相同的固定时间段内获取到的多个特征数据对应的敏感因子中，根据诊断精度确定是否需要包含这些选择性敏感因子。其中，确定敏感因子kx（x32）、ky（y32）、ky（y33）的特征数据为轴承本身的固有数据，所以不需要判断出现数量。
若在该固定时间段内获取到的多个特征数据的敏感因子中包括该诊断规则中的特定敏感因子和根据诊断精度确定的选择性敏感因子，则说明该固定时间段内获取到的多个特征数据匹配到了该诊断规则，因此该诊断规则对应的故障就是这个固定时间段内轴承的故障。
b.区分润滑故障与轻微汽蚀故障的诊断规则：
诊断规则：
（1）且A4成立、或A5成立、或A6成立（取20个样本）；
（2）且A1不成立、或A2不成立、或A3不成立（取20个样本）；
（3）且A22成立（取20个样本）；
（4）且kx（x1）不成立、或kx（x2）不成立；
（5）且ky（y78）成立；
（6）或ky（y35）成立；
（7）或ky（y34）成立。
诊断结果：滚动轴承为润滑故障，不是轻微汽蚀故障。
在该故障诊断规则中，特定敏感因子集中的特定敏感因子为A4、A5、A6、A1、A2、A3、A22、kx（x1）、kx（x2）、ky（y78），特定敏感因子之间的逻辑关系为：（A4||A5||A6）&&（!A1||!A2||!A3）&&A22&&（!kx（x1）||!kx（x2））&&ky（y78）。其中，“||”表示“或”关系（多者中有一个成立即可），“！”表示取反（即不成立），“&&”表示多者都需要成立。选择性敏感因子为ky（y35）和ky（y34）。
c.区分早期故障与轻微汽蚀故障的诊断规则：
诊断规则：
（1）若A4成立、或A5成立、或A6成立（取20个样本）；
（2）且A7成立（取10个样本）；
（3）且A22成立（取20个样本）；
（4）且E1成立（取30个样本）；
（5）且kx（x3）不成立；
（6）且V4成立（取10个样本）；
（7）或ky（y35）成立。
诊断结果：滚动轴承为早期故障，不是轻微汽蚀故障。
在该故障诊断规则中，特定敏感因子集中的特定敏感因子为A4、A5、A6、A7、A22、E1、kx（x3）、V4，特定敏感因子之间的逻辑关系为（A4||A5||A6）&&A7&&A22&&E1&&kx（x3）&&V4。选择性敏感因子为ky（y35）。
d. 区分早期故障与轻度流体激振的诊断规则：
诊断规则：
（1）或A4成立、或A5成立、或A6成立（取20个样本）；
（2）且A7成立（取10个样本）；
（3）且A22成立（取20个样本）；
（4）且E1成立（取30个样本）；
（5）且kx（x1）不成立、kx（x2）不成立；
（6）且V4成立（取10个样本）；
（7）或ky（y37）成立。
诊断结果：滚动轴承为早期故障，不是轻度流体激振。
在该故障诊断规则中，特定敏感因子集中的特定敏感因子为A4、A5、A6、A7、A22、E1、kx（x1）、kx（x2）、V4，特定敏感因子之间的逻辑关系为（A4||A5||A6）&&A7&&A22&&E1&&（!kx（x1）&&! kx（x2））&&V4。选择性敏感因子为ky（y37）。
e.区分轻微汽蚀故障与轻度流体激振的诊断规则：
诊断规则：
（1）或A1成立、或A2成立、或A3成立（取20个样本）；
（2）且A8成立（取10个样本）；
（3）且A22成立（取20个样本）；
（4）且kx（x1）不成立、kx（x2）不成立；
（5）且kx（x3）成立；
（6）且V5成立（10个样本）。
诊断结果：是轻微汽蚀故障，不是轻度流体激振。
在该故障诊断规则中，特定敏感因子集中的特定敏感因子为A1、A2、A3、A8、A22、E1、kx（x1）、kx（x2）、kx（x3）、V5，特定敏感因子之间的逻辑关系为（A1||A2||A3）&&A8&&A22 （!kx（x1）&&! kx（x2））&&kx（x3）&&V5。无选择性敏感因子集。
根据本发明的一个实施例，所述故障诊断规则包括所述炼化用离心泵滚动轴承指定部位对应的故障诊断规则。
在本发明实施例中，只要获取到包络频率，则就能说明滚动轴承存在故障，具体地，外环、内环、滚动体、保持架与外环接触面或保持架与内环接触面中的哪个存在包络频率，则说明哪个位置可能存在故障。因此可以在炼化用离心泵滚动轴承指定部位对应的故障诊断规则中将该部位对应的敏感因子作为特定敏感因子。
具体地，f. 诊断滚动轴承故障部位的诊断规则：
诊断规则：
（1）包络敏感因子中，如果出现B6outer，或B6inner，或B6rolling，或B6cage-outer，或B6cage-inner等特征频率（取10个样本），即特定敏感因子E7-E21中任意一项（取10个样本）；
（2）且A21成立；
（3）或V1成立（取10个样本）；
（4）或V2成立（取10个样本）；
诊断结果：滚动轴承故障位置：外环，或内环，或滚动体，或保持架故障。
其中，如表5所示，特定敏感因子E7、E8和E9为外环对应的敏感因子，特定敏感因子E10、E11和E12为内环对应的敏感因子，特定敏感因子E13、E14和E15为滚动体对应的敏感因子，特定敏感因子E16、E17和E18为保持架与外环接触面对应的敏感因子，特定敏感因子E19、E20和E21为保持架与内环接触面对应的敏感因子。在敏感因子A21成立的基础上，若其中任意一个敏感因子成立，则说明该敏感因子对应的部位存在故障。
根据本发明的一个实施例，所述方法还包括，
根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命。
在本发明实施例中，炼化用离心泵滚动轴承各部位的剩余寿命计算规则可以根据经验或实验设定，每个部位的剩余寿命计算规则可以不同。敏感因子的预定数值可以根据经验或实验设定，例如表7和表8所示的敏感因子的数值范围。
需要说明的是，并非所有的故障部位都能够计算剩余寿命，因此需要设定判断条件确定是否能够计算剩余寿命，在本发明实施例中，该判断条件为剩余寿命计算规则中的一个或多个敏感因子。具体地，根据本发明的一个实施例，所述剩余寿命计算规则中包括寿命指数计算规则以及指定敏感因子集；
根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命进一步包括，
判断多个所述特征数据对应的敏感因子与所述指定敏感因子集是否匹配；
若是，则根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数；
根据寿命指数和剩余寿命之间预定的对应关系以及计算出的所述寿命指数确定所述炼化用离心泵滚动轴承各部位的剩余寿命。
在本发明实施例中，指定敏感因子集可以根据经验或实验设定，可以理解为，只有获取到的特征数据能够的敏感因子与指定敏感因子集中的指定敏感因子相符合，才能够计算该部位的剩余寿命。
根据本发明的一个实施例，根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数进一步包括：
根据所述所述特征数据的数值、所述敏感因子的预定值计算所述敏感因子的敏感分值；
根据所述敏感分值以及所述炼化用离心泵滚动轴承各部位的寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数。
具体地，g.预测故障轴承剩余寿命的诊断规则：
1、轴承外环故障时的寿命预测
诊断规则：
（1）轴承故障诊断为外环故障；
（2）且A3成立，或A6成立；或A14成立，或A20成立；
（3）且A9，或A10，或A11，或A15、或A16、或A17成立；
（4）且A21成立；
（5）或V1成立，或V2成立，或V1、V2同时成立；
（6）或E7成立，或E8成立，或E9成立；
（7）或T1成立，或T5成立；
其中指定敏感因子集中包括A3、A6、A14、A20、A9、A10、A11、A15、A16、A17、A21。此外还包括选择性敏感因子集，其中包括V1、V2、E7、E8、E9、T1、T5，选择性敏感因子集中的具体敏感因子可以根据实际的计算精度需求设定。
则轴承外环故障时的寿命预测如下：
a) 敏感因子K=Kx*Ky；K=3～4，微弱敏感；K=2～3，轻度敏感；K=1～2，中度敏感；0<K<1， 强度敏感。
其中，Kx通过表7所示的泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积，即该公式表示计算预定i个kx（xi）的乘积并开i次根号。
Ky通过表8所示的历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积，即该公式表示计算预定i个ky（yi）的乘积并开i次根号。
b) 振动加速度：选取故障后预定条数据样本的在振动加速度值第一预定频段内的峰值A（1）算术均值A（1）n、振动加速度值第二预定频段内的峰值A（2）算术均值A（2）n，选取故障前的预定条数据样本在振动加速度值第一预定频段内的峰值A（1）算术均值A＇（1）n、振动加速度值第二预定频段内的峰值A（2）算术均值A＇（2）n，其中n表示振动加速度值数据样本的条数；
然后应用公式A"= 计算振动加速度敏感分值，其中A"表示振动加速度敏感分值。
示例性地，选取故障后100条正常数据样本的A（1）算术均值A（1）100，A（2）算术均值A（2）100；选取故障发生前的100条正常数据样本的A（1）算术均值A＇（1）100，A（2）算术均值A＇（2）100；
计算下列关系式：A"= ，得到振动加速度敏感分值A"。
c) 振动速度：选取故障后预定条数据样本的在振动速度值第一预定频段内的峰值V（1）的算术均值V（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V（2）n，选取故障前的预定条数据样本在振动速度值第一预定频段内的峰值V（1）的算术均值V＇（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V＇（2）n，其中n表示振动速度值数据样本的条数。
然后应用公式V"= 计算振动加速度敏感分值，其中V"表示振动速度敏感分值。
示例性地，选取故障后100条正常数据样本的V（1）算术平均值V（1）100，
V（2）算术平均值V（2）100；选取故障发生前的100条正常数据样本的V（1）算术平均值V＇（1）100，V（2）算术平均值V＇（2）100；
计算下列关系式：V"=，其中V"表示振动速度敏感分值。
d) 冲击包络：选取故障后预定条数据样本的包络值E（0）的算术均值E（0）n，选取故障前的预定条数据样本的包络值E（0）的算术平均值E＇（0）n，其中n表示包络值数据样本的条数。
然后应用公式E"=计算振动冲击包络敏感分值，其中E"表示冲击包络敏感分值，E22表示敏感因子E22的预定数值。
示例性地，选取故障后100条正常数据样本的E（0）算术平均值E（0）100；选取故障发生前的100条正常数据样本的E（0）算术平均值E＇（0）100；
计算下列关系式：E"=，其中E"表示冲击包络敏感分值，E22表示敏感因子E22的预定数值，该数值根据经验设定。
e) 温度信息：选取故障后预定条数据样本的轴承实时温度值B8的算术均值B8n，选取故障前的预定条数据样本的轴承实时温度值B8的算术均值B＇8n，其中n表示轴承实时温度值数据样本的条数。
然后应用公式T"=计算温度敏感分值，其中T"表示温度敏感分值。
示例性地，选取故障后100条正常数据样本的B8算术平均值B8100；选取故障发生前的100条正常数据样本的B8算术平均值B＇8100；
计算下列关系式：T"=，其中，T"表示温度敏感分值。
f)寿命指数：通过公式PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]计算寿命指数。
需要说明的是，外环、内环、滚动体、保持架的寿命指数计算方法相同，后续不再赘述。
然后根据寿命指数PI范围确定轴承剩余寿命：
0<PI<5：轴承剩余寿命的1%～5%；
5<PI<10：轴承剩余寿命的5%～10%；
10<PI<20：轴承剩余寿命的10%～20%；
20<PI<30：轴承剩余寿命的20%～30%。
2、轴承内环故障时的寿命预测
诊断规则：
（1）轴承故障诊断为内环故障；
（2）且A2成立，或A5成立；或A10成立，或A16成立；
（3）且A9，或A10，或A11，或A15、或A16、或A17成立；
（4）且A21成立；
（5）或V1成立，或V2成立，或V1、V2同时成立；
（6）或E10成立；
则轴承内环故障时的寿命预测如下：
a) 敏感因子K=Kx*Ky；K=3～4，微弱敏感；K=2～3，轻度敏感；K=1～2，中度敏感；0<K<1， 强度敏感。
b) 振动加速度：选取故障后100条正常数据样本的A（1）算术均值A（1）100，
A（2）算术均值A（2）100；选取故障发生前的100条正常数据样本的A（1）算术均值A＇（1）100，A（2）算术均值A＇（2）100；
计算下列关系式：A"=+/>
c) 振动速度：选取故障后100条正常数据样本的V（1）算术平均值V（1）100，
V（2）算术平均值V（2）100；选取故障发生前的100条正常数据样本的V（1）算术平均值V＇（1）100，V（2）算术平均值V＇（2）100；
计算下列关系式：V"=+/>
d) 冲击包络：选取故障后100条正常数据样本的E（0）算术平均值E（0）100；选取故障发生前的100条正常数据样本的E（0）算术平均值E＇（0）100；
计算下列关系式：E"=
e) 温度信息：选取故障后100条正常数据样本的B8算术平均值B8100；选取故障发生前的100条正常数据样本的B8算术平均值B＇8100；
计算下列关系式：T"=
f) 寿命指数：PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]
0<PI<5：轴承剩余寿命的（1%～4%）；
5<PI<10：轴承剩余寿命的（4%～8%）；
10<PI<20：轴承剩余寿命的（8%～16%）；
20<PI<30：轴承剩余寿命的（16%～24%）。
3、轴承滚动体故障时的寿命预测
诊断规则：
（1）轴承故障诊断为滚动体故障；
（2）且A1，或A4成立；
（3）且A9，或A10，或A11，或A15、或A16、或A17成立；
（4）且A21成立；
（5）或E13成立；
则轴承滚动体故障时的寿命预测如下：
a) 敏感因子K=Kx*Ky；K=3～4，微弱敏感；K=2～3，轻度敏感；K=1～2，中度敏感；0<K<1，强度敏感。
b) 振动加速度：选取故障后100条正常数据样本的A（1）算术均值A（1）100，A（2）算术均值A（2）100；选取故障发生前的100条正常数据样本的A（1）算术均值A＇（1）100，A（2）算术均值A＇（2）100；
计算下列关系式：A"=+/>
c) 振动速度：选取故障后100条正常数据样本的V（1）算术平均值V（1）100，
V（2）算术平均值V（2）100；选取故障发生前的100条正常数据样本的V（1）算术平均值V＇（1）100，V（2）算术平均值V＇（2）100；
计算下列关系式：V"=+/>
d) 冲击包络：选取故障后100条正常数据样本的E（0）算术平均值E（0）100；
选取故障发生前的100条正常数据样本的E（0）算术平均值E＇（0）100；
计算下列关系式：E"=
e) 温度信息：选取故障后100条正常数据样本的B8算术平均值B8100；选取故障发生前的100条正常数据样本的B8算术平均值B＇8100；
计算下列关系式：T"=
f) 寿命指数：PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]
0<PI<5：轴承剩余寿命的（0.5%～2.5%）；
5<PI<10：轴承剩余寿命的（2.5%～5%）；
10<PI<20：轴承剩余寿命的（5%～10%）；
20<PI<30：轴承剩余寿命的（10%～15%）。
4、轴承保持架故障时的寿命预测
诊断规则：
（1）轴承故障诊断为保持架故障（其中包括保持架与外环接触面、保持架与内环接触面）；
（2）且A1，或A4成立；
（3）且A9，或A10，或A11，或A15、或A16、或A17成立；
（4）且A21成立；
（5）或E16成立，或E19成立；
则轴承保持架故障时的寿命预测如下：
a) 敏感因子K=Kx*Ky；K=3～4，微弱敏感；K=2～3，轻度敏感；K=1～2，中度敏感；0<K<1， 强度敏感。
b) 振动加速度：选取故障后100条正常数据样本的A（1）算术均值
A（1）100，A（2）算术均值A（2）100；选取故障发生前的100条正常数据样本的A（1）算术均值A＇（1）100，A（2）算术均值A＇（2）100；
计算下列关系式：A"=+/>/>
c) 振动速度：选取故障后100条正常数据样本的V（1）算术平均值
V（1）100，V（2）算术平均值V（2）100；选取故障发生前的100条正常数据样本的V（1）算术平均值V＇（1）100，V（2）算术平均值V＇（2）100；
计算下列关系式：V"=+/>
d) 冲击包络：选取故障后100条正常数据样本的E（0）算术平均值E（0）100；
选取故障发生前的100条正常数据样本的E（0）算术平均值E＇（0）100；
计算下列关系式：E"=
e) 温度信息：选取故障后100条正常数据样本的B8算术平均值B8100；选取故障发生前的100条正常数据样本的B8算术平均值B＇8100；
计算下列关系式：T"=
f) 寿命指数：PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]
0<PI<5：轴承剩余寿命的（0.2%～1%）；
5<PI<10：轴承剩余寿命的（1%～2%）；
10<PI<20：轴承剩余寿命的（2%～4%）；
20<PI<30：轴承剩余寿命的（4%～6%）。
基于同一发明构思，本发明实施例还提供了一种炼化用离心泵滚动轴承故障诊断装置装置，如图5所示，包括：
特征数据获取单元501，用于获取炼化用离心泵滚动轴承多维度的特征数据；
敏感因子确定单元502，用于按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
故障确定单元503，用于根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
由于上述装置解决问题的原理与上述方法相似，因此上述装置的实施可以参见上述方法的实施，重复之处不再赘述。
如图6所示为本发明实施例计算机设备的结构示意图，本发明中的装置可以为本实施例中的计算机设备，执行上述本发明的方法。计算机设备602可以包括一个或多个处理设备604，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备602还可以包括任何存储资源606，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源606可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备602的固定或可移除部件。在一种情况下，当处理设备604执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备602可以执行相关联指令的任一操作。计算机设备602还包括用于与任何存储资源交互的一个或多个驱动机构608，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备602还可以包括输入/输出模块610（I/O），其用于接收各种输入(经由输入设备612)和用于提供各种输出(经由输出设备614)。一个具体输出机构可以包括呈现设备616和相关联的图形用户接口(GUI)618。在其他实施例中，还可以不包括输入/输出模块610（I/O）、输入设备612以及输出设备614，仅作为网络中的一台计算机设备。计算机设备602还可以包括一个或多个网络接口620，其用于经由一个或多个通信链路622与其他设备交换数据。一个或多个通信总线624将上文所描述的部件耦合在一起。
通信链路622可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路622可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本发明实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
本发明实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行上述方法。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
还应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明中应用了具体实施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，对于本领域的一般技术人员，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，本发明内容不应理解为对本发明的限制。

Claims (19)

1.一种炼化用离心泵滚动轴承故障诊断方法，其特征在于，所述方法包括：
获取炼化用离心泵滚动轴承多维度的特征数据；
按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
2.根据权利要求1所述的方法，其特征在于，按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子进一步包括：
对所述特征数据与预定的多个逻辑条件进行匹配；
根据所述逻辑条件与所述敏感因子之间预定的对应关系以及匹配结果确定所述特征数据对应的敏感因子。
3.根据权利要求1所述的方法，其特征在于，所述故障诊断规则包括特定敏感因子集；
根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系；
得到相匹配的特定敏感因子集对应的所述故障诊断规则与故障之间预定的第一对应关系；
根据所述第一匹配关系和第一对应关系确定所述故障。
4.根据权利要求3所述的方法，其特征在于，所述故障诊断规则中还包括一个或多个根据预定诊断精度确定的选择性敏感因子集；
根据每一特征数据对应的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障进一步包括，
将全部特征数据对应的敏感因子中除与所述特定敏感因子集匹配的多个敏感因子作为剩余敏感因子，并得到所述剩余敏感因子与所述选择性敏感因子集之间的第二匹配关系；
得到与特定敏感因子集和选择性敏感因子集均对应的所述故障诊断规则，并得到该故障诊断规则与故障之间预定的第二对应关系；
根据所述第二匹配关系和第二对应关系确定所述故障。
5.根据权利要求3所述的方法，其特征在于，所述故障诊断规则还包括所述特定敏感因子集中每一特定敏感因子对应的第一样本频率；
得到全部特征数据对应的敏感因子与所述故障诊断规则中的特定敏感因子集之间的第一匹配关系的步骤进一步包括，
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件；
其中，所述第一样本频率表示所述特定敏感因子集中的特定敏感因子在固定时间段内应该出现的频率，所述第二样本频率表示与所述特定敏感因子相匹配的敏感因子在该固定时间段内实际出现的频率。
6.根据权利要求5所述的方法，其特征在于，所述第一样本频率包括在指定采样时间范围内，所述特定敏感因子的数量；所述第二样本频率包括在所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中，与所述特定敏感因子相匹配的所述敏感因子的数量；
判断与所述特定敏感因子相匹配的敏感因子的第二样本频率是否与所述第一样本频率满足预定条件进一步包括，
判断所述指定采样时间范围内获取到的多个所述特征数据对应的敏感因子中与所述特定敏感因子相匹配的所述敏感因子的数量是否超过所述特定敏感因子的数量。
7.根据权利要求1所述的方法，其特征在于，所述故障诊断规则包括所述炼化用离心泵滚动轴承指定部位对应的故障诊断规则。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括，
根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命。
9.根据权利要求8所述的方法，其特征在于，所述剩余寿命计算规则中包括寿命指数计算规则以及指定敏感因子集；
根据所述特征数据、敏感因子的预定数值以及所述炼化用离心泵滚动轴承各部位的剩余寿命计算规则计算所述炼化用离心泵滚动轴承各部位的剩余寿命进一步包括，
判断多个所述特征数据对应的敏感因子与所述指定敏感因子集是否匹配；
若是，则根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数；
根据寿命指数和剩余寿命之间预定的对应关系以及计算出的所述寿命指数确定所述炼化用离心泵滚动轴承各部位的剩余寿命。
10.根据权利要求9所述的方法，其特征在于，根据所述特征数据的数值、所述敏感因子的预定数值以及所述寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数进一步包括：
根据所述所述特征数据的数值、所述敏感因子的预定值计算所述敏感因子的敏感分值；
根据所述敏感分值以及所述炼化用离心泵滚动轴承各部位的寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数。
11.根据权利要求10所述的方法，其特征在于，所述敏感因子包括振动加速度敏感因子、振动速度敏感因子、包络敏感因子、温度敏感因子、泵结构及运行参数敏感因子、历史信息对轴承故障的敏感因子。
12.根据权利要求11所述的方法，其特征在于，计算所述振动加速度敏感因子的振动加速度敏感分值的步骤包括：
选取故障后预定条数据样本的在振动加速度值第一预定频段内的峰值A（1）的算术均值A（1）n、振动加速度值第二预定频段内的峰值A（2）的算术均值A（2）n，选取故障前的预定条数据样本在振动加速度值第一预定频段内的峰值A（1）的算术均值A＇（1）n、振动加速度值第二预定频段内的峰值A（2）的算术均值A＇（2）n，其中n表示振动加速度值数据样本的条数；
应用公式计算所述振动加速度敏感分值；
其中，A"表示振动加速度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
13.根据权利要求11所述的方法，其特征在于，计算振动速度敏感因子的振动速度敏感分值的步骤包括：
选取故障后预定条数据样本的在振动速度值第一预定频段内的峰值V（1）的算术均值V（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V（2）n，选取故障前的预定条数据样本在振动速度值第一预定频段内的峰值V（1）的算术均值V＇（1）n、振动速度值第二预定频段内的峰值V（2）的算术均值V＇（2）n，其中n表示振动速度值数据样本的条数；
应用公式V"= 计算振动加速度敏感分值；
其中，V"表示振动速度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
14.根据权利要求11所述的方法，其特征在于，计算冲击包络敏感因子的冲击包络敏感分值的步骤包括：
选取故障后预定条数据样本的包络值E（0）的算术均值E（0）n，选取故障前的预定条数据样本的包络值E（0）的算术平均值E＇（0）n，其中n表示包络值数据样本的条数；
应用公式E"=计算振动冲击包络敏感分值；
其中，E"表示冲击包络敏感分值；
E22表示包络峰值趋势的特征的敏感因子E22的预定数值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
15.根据权利要求11所述的方法，其特征在于，计算温度敏感因子的温度敏感分值的步骤包括：
选取故障后预定条数据样本的轴承实时温度值B8的算术均值B8n，选取故障前的预定条数据样本的轴承实时温度值B8的算术均值B＇8n，其中n表示轴承实时温度值数据样本的条数；
应用公式T"=计算温度敏感分值；
其中，T"表示温度敏感分值；
Kx通过对所述泵结构及运行参数敏感因子的数值kx（xi）计算乘积并开方得到，其公式为：Kx=，其中的/>表示计算从kx（x1）开始，计算与预定i个的kx（xi）的乘积；
Ky通过对所述历史信息对轴承故障的敏感因子的数值ky（yi）计算乘积并开方得到，其公式为：Ky=，其中的/>表示计算从ky（y1）开始，计算与预定i个的ky（yi）的乘积。
16.根据权利要求11所述的方法，其特征在于，根据所述敏感分值以及所述炼化用离心泵滚动轴承各部位的寿命指数计算规则计算所述炼化用离心泵滚动轴承各部位的寿命指数进一步包括：
通过公式PI=1/4[（E"）2.5+（A"）2+（V"）1.5 +T"]计算所述寿命指数，其中，其中E"表示冲击包络敏感分值，A"表示振动加速度敏感分值，V"表示振动速度敏感分值，T"表示温度敏感分值。
17.一种炼化用离心泵滚动轴承故障诊断装置，其特征在于，所述装置包括：
特征数据获取单元，用于获取炼化用离心泵滚动轴承多维度的特征数据；
敏感因子确定单元，用于按照所述特征数据的数据类型对所述特征数据进行预定的逻辑分析，确定每一特征数据对应的敏感因子，所述预定的逻辑用于对所述特征数据进行故障状态特征分析，确定属于所述数据类型的特征数据对应的故障状态特征，所述敏感因子表示所述特征数据对应的故障状态特征；
故障确定单元，用于根据确定的敏感因子以及预定的故障诊断规则确定所述炼化用离心泵滚动轴承的故障。
18.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至16任意一项所述的方法。
19.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至16中任意一项所述方法。
CN202311023023.XA 2023-08-15 2023-08-15 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 Active CN116738372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311023023.XA CN116738372B (zh) 2023-08-15 2023-08-15 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311023023.XA CN116738372B (zh) 2023-08-15 2023-08-15 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116738372A true CN116738372A (zh) 2023-09-12
CN116738372B CN116738372B (zh) 2023-10-27

Family

ID=87904779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311023023.XA Active CN116738372B (zh) 2023-08-15 2023-08-15 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116738372B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117359391A (zh) * 2023-12-08 2024-01-09 江苏雷鸣智能装备有限公司 数控机床滚动轴承的故障智能诊断方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008102107A (ja) * 2006-10-23 2008-05-01 Chugoku Electric Power Co Inc:The 正常データベースを用いた転がり軸受の余寿命診断方法、余寿命診断システム及び余寿命診断に用いるコンピュータプログラム
US20090093975A1 (en) * 2006-05-01 2009-04-09 Dynamic Measurement Consultants, Llc Rotating bearing analysis and monitoring system
CN109000921A (zh) * 2017-06-07 2018-12-14 中国大唐集团科技工程有限公司 一种风电机组主轴故障的诊断方法
CN110455546A (zh) * 2019-07-19 2019-11-15 广西大学 基于振动和油液信息的发动机状态监测和故障诊断方法
CN112836581A (zh) * 2021-01-05 2021-05-25 北京航空航天大学 一种基于相关性分析的敏感故障特征提取方法及装置
CN115046764A (zh) * 2022-05-05 2022-09-13 燕山大学 一种滚动轴承早期故障诊断方法
CN115423139A (zh) * 2022-05-30 2022-12-02 安徽省交通控股集团有限公司 基于动态贝叶斯的公路改扩建安全态势分析方法及装置
US20230044928A1 (en) * 2020-03-03 2023-02-09 Spm Oil & Gas Inc. Hydraulic fracturing pump health and performance monitoring using iot sensor networks
CN115795341A (zh) * 2022-11-09 2023-03-14 燕山大学 基于变转速的二维活塞泵健康状态评估方法
CN115876476A (zh) * 2023-02-16 2023-03-31 山东科技大学 滚动轴承故障诊断方法、系统、计算机设备以及存储介质
CN116502049A (zh) * 2023-06-25 2023-07-28 山东科技大学 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090093975A1 (en) * 2006-05-01 2009-04-09 Dynamic Measurement Consultants, Llc Rotating bearing analysis and monitoring system
JP2008102107A (ja) * 2006-10-23 2008-05-01 Chugoku Electric Power Co Inc:The 正常データベースを用いた転がり軸受の余寿命診断方法、余寿命診断システム及び余寿命診断に用いるコンピュータプログラム
CN109000921A (zh) * 2017-06-07 2018-12-14 中国大唐集团科技工程有限公司 一种风电机组主轴故障的诊断方法
CN110455546A (zh) * 2019-07-19 2019-11-15 广西大学 基于振动和油液信息的发动机状态监测和故障诊断方法
US20230044928A1 (en) * 2020-03-03 2023-02-09 Spm Oil & Gas Inc. Hydraulic fracturing pump health and performance monitoring using iot sensor networks
CN112836581A (zh) * 2021-01-05 2021-05-25 北京航空航天大学 一种基于相关性分析的敏感故障特征提取方法及装置
CN115046764A (zh) * 2022-05-05 2022-09-13 燕山大学 一种滚动轴承早期故障诊断方法
CN115423139A (zh) * 2022-05-30 2022-12-02 安徽省交通控股集团有限公司 基于动态贝叶斯的公路改扩建安全态势分析方法及装置
CN115795341A (zh) * 2022-11-09 2023-03-14 燕山大学 基于变转速的二维活塞泵健康状态评估方法
CN115876476A (zh) * 2023-02-16 2023-03-31 山东科技大学 滚动轴承故障诊断方法、系统、计算机设备以及存储介质
CN116502049A (zh) * 2023-06-25 2023-07-28 山东科技大学 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARIN MARINESCU 等: ""Malfunction detection using spectral analysis for automotive braking systems"", 2016 INTERNATIONAL CONFERENCE ON COMMUNICATIONS (COMM) *
周宏娣 等: ""基于局部联合稀疏边缘嵌入的滚动轴承故障诊断"", 《振动与冲击》, vol. 42, no. 14 *
孟宗 等: ""基于信号稀疏表示和瞬态冲击信号 多特征提取的滚动轴承故障诊断"", 《计量学报》, vol. 40, no. 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117359391A (zh) * 2023-12-08 2024-01-09 江苏雷鸣智能装备有限公司 数控机床滚动轴承的故障智能诊断方法及系统
CN117359391B (zh) * 2023-12-08 2024-02-13 江苏雷鸣智能装备有限公司 数控机床滚动轴承的故障智能诊断方法及系统

Also Published As

Publication number Publication date
CN116738372B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Amarnath et al. Exploiting sound signals for fault diagnosis of bearings using decision tree
CN116738372B (zh) 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备
CA2969414C (en) Apparatus and method for monitoring a device having a movable part
EP1097363B1 (en) Bearing condition evaluation
DK2169221T3 (en) A method for monitoring a gear of a wind power installation
CN110068435B (zh) 振动分析系统及方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
WO2018139144A1 (ja) 状態監視方法および状態監視装置
US11630028B2 (en) Method and controller for deciding whether a bearing is faulty or not
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
JPH07159231A (ja) ポンプ劣化診断システム
CN116304848B (zh) 一种滚动轴承故障诊断系统及方法
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
JP7083293B2 (ja) 状態監視方法および状態監視装置
CN108982106B (zh) 一种快速检测复杂系统动力学突变的有效方法
Thanagasundram et al. A fault detection tool using analysis from an autoregressive model pole trajectory
CN112101596A (zh) 设备运维方法、装置、电子设备和计算机可读存储介质
JP4071161B2 (ja) 回転機械の劣化診断方法
JP3103193B2 (ja) 回転機械の診断装置
Srivyas et al. Study of various maintenance approaches types of failure and failure detection techniques used in hydraulic pumps: a review
Ertunç A combined decision algorithm for diagnosing bearing faults using artificial intelligent techniques
CN112781843A (zh) 通过确定瞬时转速操作期间的振动趋势检测转子异常
Tajiani et al. RUL prediction of bearings using empirical wavelet transform and Bayesian approach
JP7476440B2 (ja) 回転機械の衝撃系異常の診断方法
CN117521528B (zh) 一种涡轮设备仿真模型进化方法、装置、介质及计算设备

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