CN116929193A - 利用间隙检测技术判断磁轴承机组故障的方法和装置 - Google Patents
利用间隙检测技术判断磁轴承机组故障的方法和装置 Download PDFInfo
- Publication number
- CN116929193A CN116929193A CN202310886150.6A CN202310886150A CN116929193A CN 116929193 A CN116929193 A CN 116929193A CN 202310886150 A CN202310886150 A CN 202310886150A CN 116929193 A CN116929193 A CN 116929193A
- Authority
- CN
- China
- Prior art keywords
- current
- data set
- black
- magnetic bearing
- displacement curve
- 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 118
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000006073 displacement reaction Methods 0.000 claims abstract description 114
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000001307 helium Substances 0.000 description 3
- 229910052734 helium Inorganic materials 0.000 description 3
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 102100033620 Calponin-1 Human genes 0.000 description 2
- 102100033591 Calponin-2 Human genes 0.000 description 2
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 2
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/14—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring distance or clearance between spaced objects or spaced apertures
- G01B7/144—Measuring play on bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本申请提出了一种利用间隙检测技术判断磁轴承机组故障的方法,涉及电磁轴承技术领域,其中,该方法包括:获取磁轴承机组多次间隙检测的电流‑位移曲线,将所述电流‑位移曲线转化为黑白图像,并根据所述黑白图像构造数据集,其中,所述数据集包括第一数据集和第二数据集;利用所述第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;获取待检测磁轴承机组一次间隙检测的电流‑位移曲线,并将所述电流‑位移曲线转化为待检测黑白图像,将所述待检测黑白图像输入所述异常检测器,得到检测结果。本申请能够根据一次间隙检测判断磁轴承机组是否存在故障。
Description
技术领域
本申请涉及电磁轴承技术领域,尤其涉及一种利用间隙检测技术判断磁轴承机组故障的方法和装置。
背景技术
电磁轴承是依靠电磁力支承转子的机电一体化设备,其中,定转子之间需要保持间隙如图1所示。间隙检测是测量辅助轴承与转子之间的间隙,是电磁轴承能够正常工作的重要测试项目。使用塞尺和百分表需要打开主氦风机的端盖,耗时耗力,在压力壳内有压力时不能测试。在自动测试时,需要测量电流与转子偏心位置之间的关系。由于转子与辅助轴承之间存在挤压变形,在辅助轴承材质偏软的条件下,很难精确测量转子与辅助轴承刚刚接触的第一接触点。
自动间隙检测技术可以通过调整控制方案,利用电磁力不断移动转子位置,测量出转子位置与控制电流的关系,如图2所示,借助于特定的判定机制,确定辅助轴承与转子的第一接触点,从而判断出定转子之间的间隙大小。
安装有电磁轴承的系统设备,在正常状态下完成间隙检测。待需新的检测时,只需要将新的间隙检测结果与正常状态下的间隙值比较,如果差异较大,则判断系统中出现了碰磨或者间隙中落入杂质等问题。然而,如果之前未进行过间隙检测,或者电磁轴承的位移传感器出现了漂移,则间隙检测无法准确地计算实际的间隙值,从而无法判断机组是否出现故障。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种利用间隙检测技术判断磁轴承机组故障的方法,解决了现有方法若未进行过间隙检测或者电磁轴承的位移传感器出现了漂移则无法判断磁轴承机组是否出现故障的技术问题,无需拆检,也无需提前进行间隙测试,在无百分表等机械测量装置的条件下,只需要一次间隙检测即可判断装备有电磁轴承的机组是否存在故障。
本申请的第二个目的在于提出一种利用间隙检测技术判断磁轴承机组故障的装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种利用间隙检测技术判断磁轴承机组故障的方法,包括:获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。
可选地,在本申请的一个实施例中,方法,还包括:
通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果;
通过综合多次检测结果,得到磁轴承机组的故障判断结果。
可选地,在本申请的一个实施例中,获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,包括:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将正常运行的电流-位移曲线转化为黑白图像,根据正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将发生故障的电流-位移曲线转化为黑白图像,根据发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
可选地,在本申请的一个实施例中,利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器,包括:
从第一数据集中抽取样本作为第一输入和第二输入,并将第一输入和第二输入同时输入孪生卷积神经网络进行训练,直至孪生卷积神经网络输出的第一输入和第二输入的相似度为0;
分别从第一数据集和第二数据集中抽取样本作为第一输入和第二输入,并将第一输入和第二输入同时输入孪生卷积神经网络进行训练,直至孪生卷积神经网络输出的第一输入和第二输入的相似度为1,得到训练好的孪生卷积神经网络作为异常检测器。
可选地,在本申请的一个实施例中,将待检测黑白图像输入异常检测器,得到检测结果,包括:
将待检测黑白图像作为第一输入,并从第一数据集中抽取样本作为第二输入,将第一输入和第二输入同时输入异常检测器进行检测,生成第一输入和第二输入的相似度;
若相似度小于阈值,则磁轴承机组的检测结果为正常;
若相似度不小于阈值,则磁轴承机组检测结果为异常。
为达上述目的,本申请第二方面实施例提出了一种利用间隙检测技术判断磁轴承机组故障的装置,包括:
获取模块,用于获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;
训练模块,用于利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;
检测模块,用于获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。
可选地,在本申请的一个实施例中,还包括:
判断模块,用于通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果,并通过综合多次检测结果,得到磁轴承机组的故障判断结果。
可选地,在本申请的一个实施例中,获取模块,具体用于:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将正常运行的电流-位移曲线转化为黑白图像,根据正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将发生故障的电流-位移曲线转化为黑白图像,根据发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现上述施例所述的利用间隙检测技术判断磁轴承机组故障的方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,能够执行一种利用间隙检测技术判断磁轴承机组故障的方法。
本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法、装置、计算机设备和非临时性计算机可读存储介质,解决了现有方法若未进行过间隙检测或者电磁轴承的位移传感器出现了漂移则无法判断磁轴承机组是否出现故障的技术问题,无需拆检,也无需提前进行间隙测试,在无百分表等机械测量装置的条件下,只需要一次间隙检测即可判断装备有电磁轴承的机组是否存在故障。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请的电磁轴承的定转子示例图;
图2为本申请的间隙检测的电流-位移曲线示例图;
图3为本申请实施例一所提供的一种利用间隙检测技术判断磁轴承机组故障的方法的流程图;
图4为本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法的另一个流程图;
图5为本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法的将电流-位移曲线转化为黑白图像的示例图;
图6为本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法的异常检测器的结构示意图;
图7为本申请实施例二所提供的一种利用间隙检测技术判断磁轴承机组故障的装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法和装置。
图3为本申请实施例一所提供的一种利用间隙检测技术判断磁轴承机组故障的方法的流程图。
如图3所示,该利用间隙检测技术判断磁轴承机组故障的方法包括以下步骤:
步骤301,获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;
步骤302,利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;
步骤303,获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。
本申请实施例的利用间隙检测技术判断磁轴承机组故障的方法,通过获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。由此,能够解决现有方法若未进行过间隙检测或者电磁轴承的位移传感器出现了漂移则无法判断磁轴承机组是否出现故障的技术问题,无需拆检,也无需提前进行间隙测试,在无百分表等机械测量装置的条件下,只需要一次间隙检测即可判断装备有电磁轴承的机组是否存在故障。
本申请可以应用在高温气冷堆主氦风机、氦气压缩机等磁轴承支承的设备中。
本申请利用当安装有电磁轴承的系统间隙中存在杂质或者有碰磨故障时,间隙检测测量得到电流-位移曲线会发生形态变化的特点,将曲线转化为二维图像,并利用孪生卷积神经网络设计异常检测器,判断该图像与正常状态下的图像差异,并根据差异的大小,判定测试设备是否存在故障。本申请能够在没有先前测试作对照,且无法使用百分表的工况下,只根据一次间隙检测结果即可判断系统是否出现故障。
如图4所示,获取多次间隙检测的电流-位移曲线,构造黑白图像数据集,其中,所述黑白图像数据集包括正常样本数据集和异常样本数据集;根据正常样本数据集和异常样本数据集训练异常检测器,得到训练好的异常检测器;获取待检测磁轴承机组的间隙检测的电流-位移曲线,并将电流-位移曲线转化为黑白图像,将黑白图像与从正常样本数据集中抽取的样本同时输入训练好的异常检测器进行检测,若异常检测器的输出值小于阈值,则判断待检测磁轴承机组正常,若异常检测器的输出值不小于阈值,则判断待检测磁轴承机组异常。
本申请实施例中,在测试过程中,需要从正常样本库里抽取样本,与待检测的电流-位移曲线的黑白图像一起作为输入进行异常检测。
进一步地,在本申请实施例中,方法,还包括:
通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果;
通过综合多次检测结果,得到磁轴承机组的故障判断结果。
进一步地,在本申请实施例中,获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,包括:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将正常运行的电流-位移曲线转化为黑白图像,根据正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将发生故障的电流-位移曲线转化为黑白图像,根据发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
本申请实施例中,在多个正常运行的磁轴承机组上测试多组ΔI-x曲线,将每次测量的曲线所覆盖的区域划分为离散的方格,每个方格用0/1表示,曲线经过的位置均设置为0,其他位置设置为1,则ΔI-x曲线转化为黑白图像p(如图5所示)。将测得的所有的正常数据组成数据集P={p1,p2,p3,...,pa1},其中a1表示测量次数。
按照上述的方法,在发生故障的机组,收集相关的数据集N={n1,n2,n3,...,na2},其中a2表示测量次数。故障机组远少于正常运行的机组,因此a2<<a1。
对P中的数据加入少量的噪声,得到一系列带有噪点的黑白图像,加入噪声的数据集为Pn={p1,p2,p3,...,pa3}。在正常样本中引入噪声,会增加过程的鲁棒性。
进一步地,在本申请实施例中,利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器,包括:
从第一数据集中抽取样本作为第一输入和第二输入,并将第一输入和第二输入同时输入孪生卷积神经网络进行训练,直至孪生卷积神经网络输出的第一输入和第二输入的相似度为0;
分别从第一数据集和第二数据集中抽取样本作为第一输入和第二输入,并将第一输入和第二输入同时输入孪生卷积神经网络进行训练,直至孪生卷积神经网络输出的第一输入和第二输入的相似度为1,得到训练好的孪生卷积神经网络作为异常检测器。
如图6所示,异常检测器是由一个双分支的孪生网络构造成,CNN1和CNN2所有的参数是一致的,主要起到提取特征的作用。该双分支的孪生网络的输入Sample1和Sample2是一对样本,分别经过CNN1和CNN2提取特征后,得到数值相减,再输入到Sigmoid函数中,将数值的范围映射到[0,1]区间,即为Loss,定义为两个输入样本的相似度,即当Sample1和Sample2是都是从P或Pn中抽取的正常样本时,Loss值为接近于0,而当两个样本分别来自P/Pn和N中时,Loss值尽可能接近1。基于上述原则,训练得到异常检测器。
进一步地,在本申请实施例中,将待检测黑白图像输入异常检测器,得到检测结果,包括:
将待检测黑白图像作为第一输入,并从第一数据集中抽取样本作为第二输入,将第一输入和第二输入同时输入异常检测器进行检测,生成第一输入和第二输入的相似度;
若相似度小于阈值,则磁轴承机组的检测结果为正常;
若相似度不小于阈值,则磁轴承机组检测结果为异常。
本申请实施例中,利用异常检测器对待检测磁轴承机组进行检测的在线测试过程如下所示:
(1)在线间隙检测
针对一个待测试机组,实施一次间隙检测,得到的ΔI-x,并将ΔI-x曲线转化为黑白图像pt。
(2)异常检测
将pt作为异常检测器的第一输入Sample1,从P或Pn中任意抽取样本作为异常检测器的第二输入sample2,并把sample1和sample2同时输入到异常检测器之中,得到Loss。如果Loss<ε,则认为此时设备处于正常状态,否则为异常状态,ε为训练过程中得到的阈值。
(3)步骤(1)(2)可重复多次,综合各次测试结果进行投票决策,得到待测试机组的故障判断结果。
图7为本申请实施例二所提供的一种利用间隙检测技术判断磁轴承机组故障的装置的结构示意图。
如图7所示,该利用间隙检测技术判断磁轴承机组故障的装置,包括:
获取模块10,用于获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;
训练模块20,用于利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;
检测模块30,用于获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。
本申请实施例的利用间隙检测技术判断磁轴承机组故障的装置,包括获取模块,用于获取磁轴承机组多次间隙检测的电流-位移曲线,将电流-位移曲线转化为黑白图像,并根据黑白图像构造数据集,其中,数据集包括第一数据集和第二数据集;训练模块,用于利用第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;检测模块,用于获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将电流-位移曲线转化为待检测黑白图像,将待检测黑白图像输入异常检测器,得到检测结果。由此,能够解决现有方法若未进行过间隙检测或者电磁轴承的位移传感器出现了漂移则无法判断磁轴承机组是否出现故障的技术问题,无需拆检,也无需提前进行间隙测试,在无百分表等机械测量装置的条件下,只需要一次间隙检测即可判断装备有电磁轴承的机组是否存在故障。
进一步地,在本申请实施例中,还包括:
判断模块,用于通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果,并通过综合多次检测结果,得到磁轴承机组的故障判断结果。
进一步地,在本申请实施例中,获取模块,具体用于:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将正常运行的电流-位移曲线转化为黑白图像,根据正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将发生故障的电流-位移曲线转化为黑白图像,根据发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
为了实现上述实施例,本申请还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现上述施例所述的利用间隙检测技术判断磁轴承机组故障的方法。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的利用间隙检测技术判断磁轴承机组故障的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,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至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种利用间隙检测技术判断磁轴承机组故障的方法,其特征在于,包括以下步骤:
获取磁轴承机组多次间隙检测的电流-位移曲线,将所述电流-位移曲线转化为黑白图像,并根据所述黑白图像构造数据集,其中,所述数据集包括第一数据集和第二数据集;
利用所述第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;
获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将所述电流-位移曲线转化为待检测黑白图像,将所述待检测黑白图像输入所述异常检测器,得到检测结果。
2.如权利要求1所述的方法,其特征在于,所述方法,还包括:
通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果;
通过综合所述多次检测结果,得到磁轴承机组的故障判断结果。
3.如权利要求1所述的方法,其特征在于,所述获取磁轴承机组多次间隙检测的电流-位移曲线,将所述电流-位移曲线转化为黑白图像,并根据所述黑白图像构造数据集,包括:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试所述多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将所述正常运行的电流-位移曲线转化为黑白图像,根据所述正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试所述多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将所述发生故障的电流-位移曲线转化为黑白图像,根据所述发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
4.如权利要求1所述的方法,其特征在于,所述利用所述第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器,包括:
从第一数据集中抽取样本作为第一输入和第二输入,并将所述第一输入和所述第二输入同时输入孪生卷积神经网络进行训练,直至所述孪生卷积神经网络输出的所述第一输入和所述第二输入的相似度为0;
分别从第一数据集和第二数据集中抽取样本作为第一输入和第二输入,并将所述第一输入和所述第二输入同时输入所述孪生卷积神经网络进行训练,直至所述孪生卷积神经网络输出的所述第一输入和所述第二输入的相似度为1,得到训练好的孪生卷积神经网络作为异常检测器。
5.如权利要求1所述的方法,其特征在于,所述将所述待检测黑白图像输入所述异常检测器,得到检测结果,包括:
将所述待检测黑白图像作为第一输入,并从第一数据集中抽取样本作为第二输入,将所述第一输入和所述第二输入同时输入所述异常检测器进行检测,生成所述第一输入和所述第二输入的相似度;
若所述相似度小于阈值,则所述磁轴承机组的检测结果为正常;
若所述相似度不小于阈值,则所述磁轴承机组检测结果为异常。
6.一种利用间隙检测技术判断磁轴承机组故障的装置,其特征在于,包括:
获取模块,用于获取磁轴承机组多次间隙检测的电流-位移曲线,将所述电流-位移曲线转化为黑白图像,并根据所述黑白图像构造数据集,其中,所述数据集包括第一数据集和第二数据集;
训练模块,用于利用所述第一数据集和第二数据集对孪生卷积神经网络进行训练,得到异常检测器;
检测模块,用于获取待检测磁轴承机组一次间隙检测的电流-位移曲线,并将所述电流-位移曲线转化为待检测黑白图像,将所述待检测黑白图像输入所述异常检测器,得到检测结果。
7.如权利要求6所述的装置,其特征在于,还包括:
判断模块,用于通过获取待检测磁轴承机组多次间隙检测的电流-位移曲线进行多次检测,得到多次检测结果,并通过综合所述多次检测结果,得到磁轴承机组的故障判断结果。
8.如权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
获取磁轴承机组多次间隙检测的电流-位移曲线;
在多个正常运行的磁轴承机组上测试所述多组间隙检测的电流-位移曲线,得到正常运行的电流-位移曲线,并将所述正常运行的电流-位移曲线转化为黑白图像,根据所述正常运行的电流-位移曲线对应的黑白图像,构建第一数据集;
在多个发生故障的磁轴承机组上测试所述多组间隙检测的电流-位移曲线,得到发生故障的电流-位移曲线,并将所述发生故障的电流-位移曲线转化为黑白图像,根据所述发生故障的电流-位移曲线对应的黑白图像,构建第二数据集。
9.一种计算机设备,其特征在于,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计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886150.6A CN116929193A (zh) | 2023-07-18 | 2023-07-18 | 利用间隙检测技术判断磁轴承机组故障的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886150.6A CN116929193A (zh) | 2023-07-18 | 2023-07-18 | 利用间隙检测技术判断磁轴承机组故障的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116929193A true CN116929193A (zh) | 2023-10-24 |
Family
ID=88389087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310886150.6A Pending CN116929193A (zh) | 2023-07-18 | 2023-07-18 | 利用间隙检测技术判断磁轴承机组故障的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116929193A (zh) |
-
2023
- 2023-07-18 CN CN202310886150.6A patent/CN116929193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP6076751B2 (ja) | 異常診断方法およびその装置 | |
JP2015075821A (ja) | 状態診断方法および状態診断装置 | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
KR102495422B1 (ko) | 열화 검지 시스템 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
JP2013073414A (ja) | プラントのセンサ診断装置およびセンサ診断方法 | |
KR20110074092A (ko) | 선박엔진의 모니터링 시스템 및 그 방법 | |
JP2006300613A (ja) | タイヤ試験装置およびタイヤ試験方法 | |
KR20170067292A (ko) | 기계 시스템의 잔여 수명 예측 장치 및 방법 | |
KR101808390B1 (ko) | 기계 고장 진단 방법 | |
JP4616695B2 (ja) | マルチセンサ信号異常検知装置および方法 | |
KR101967065B1 (ko) | 환경 변화에 강인한 고장 진단 장치 및 방법 | |
KR102240775B1 (ko) | 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
US7860689B2 (en) | Method and computer programme for detecting the stationary state of a roller bearing and a roller bearing which may be analyzed thus | |
CN112377333B (zh) | 大推力液体火箭发动机涡轮泵实时故障监控方法 | |
KR101946631B1 (ko) | 압축센싱 기반 구조물 상태진단 시스템 및 그 방법 | |
CN116929193A (zh) | 利用间隙检测技术判断磁轴承机组故障的方法和装置 | |
CN117052609A (zh) | 风电机组状态评估与寿命预测方法、装置和电子设备 | |
KR101811962B1 (ko) | 비선형 데이터의 클래스 변별성 평가 방법 및 장치 | |
JP4782734B2 (ja) | プラント用計測器校正支援装置及びプラント用計測器校正支援方法 | |
KR101838857B1 (ko) | 열화 트랜드를 이용한 기계 열화 추이 추정 방법 | |
KR20140139955A (ko) | 엔진의 고장검출 시스템 및 방법 | |
CN113269266A (zh) | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |