CN116992297A - 基于分段均方根值比的转子监测方法、装置、终端及介质 - Google Patents
基于分段均方根值比的转子监测方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN116992297A CN116992297A CN202311257824.2A CN202311257824A CN116992297A CN 116992297 A CN116992297 A CN 116992297A CN 202311257824 A CN202311257824 A CN 202311257824A CN 116992297 A CN116992297 A CN 116992297A
- Authority
- CN
- China
- Prior art keywords
- mean square
- root mean
- square value
- early warning
- segmented
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 7
- 239000000306 component Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/14—Determining imbalance
- G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于分段均方根值比的转子监测方法、装置、终端及介质，所述方法包括获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，设定所述目标转子的均方根值预警值；对所述训练集的样本数据进行排序分段处理，计算得到所述目标转子的分段均方根值比，确定分段均方根值比的初始上下预警值；根据初始上下预警值以及均方根值预警值对测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，对生产过程中的转子进行实时在线监测，动态更新分段均方根值比的上下预警值。因此，本发明实施例通过比值化处理将有量纲指标均方根值转化为无量纲指标，降低人为或偶然的冲击，减少设备误报的情况，提高了监测的实时性和准确性。
Description
技术领域
本发明涉及机器状态监测技术领域，尤其涉及一种基于分段均方根值比的转子监测方法、装置、终端及介质。
背景技术
在状态监测领域中的时域特征指标分为有量纲和无量纲。其中有量纲指标包括：均方根值（RMS）、均值、绝对均值、最大值等等；无量纲指标包括：峰值因子、峭度、峭度因子、脉冲因子等等。在实际运用中有量纲指标对故障特征敏感，其数值会随着故障的发展而上升，极易受工作条件（如负载、转速等）以及一些干扰的影响，表现不够稳定。而无量纲指标对振动监测信号的扰动不敏感，性能较为稳定。尤其是对信号的幅值和频率的变化不敏感，即受机器工作环境影响较小。因此，无量纲指标在旋转机械故障监测和诊断中得到了广泛的应用。
转子作为旋转设备的核心部件，其正常运转是工业生产的重要保证，一旦旋转设备的转子失衡，其零部件会受到额外的应力和变形，引起旋转设备的振动，影响运行安全，还会造成产品质量下降，浪费能量，恶化工作环境等问题；转子不平衡是由于转子部件质量偏心或转子部件出现缺损造成的故障，它是旋转机械最常见的故障之一，有许多其它故障都是由于转子不平衡造成的，如果不平衡程度比较严重，还有可能造成动静件摩擦、支承件松动、轴承缺陷等。因此，为了保证转子在服役全寿命过程中平稳安全地运行，对转子进行状态监测尤为重要。
对转子进行监测时，预警的实时性、可靠性、准确性要求很高。在现有的监测过程中，是根据国标（机器状态监测与诊断）中的《GBT 6075.1-2012机械振动在非旋转部件上测量评价机器的振动第1部分总则》设置均方根值来进行监测，当均方根值超过某个设定的预警值时，才对其进行预警处理。因此，通过均方根值对转子进行监测在实际生产过程中会留下很大的隐患。故，对转子监测方法进行改进，具有重要意义。
发明内容
本发明提供一种基于分段均方根值比的转子监测方法、装置、终端及介质，对传统的均方根值进行分段处理，得到的两个均方根值，构建出新的无量纲指标（分段均方根值比），将转子数据集划分为训练集和测试集，利用分段均方根值比的无量纲指标对转子进行监测，可以抑制人为干扰和偶然冲击所导致的影响，有效地增强转子不平衡故障的监测能力，比有量纲指标具有更好的实时性、可靠性及准确性。
为了实现上述目的，第一方面，本发明实施例提供了一种基于分段均方根值比的转子监测方法，包括：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
作为上述方案的改进，所述对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值，具体包括：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；/>、/>分别表示所述第一样本和第二样本。
作为上述方案的改进，所述采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值，具体包括：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
作为上述方案的改进，所述获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值，具体为：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定所述目标转子的均方根值预警值。
作为上述方案的改进，所述根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值，具体包括：
根据所述分段均方根值比的计算公式，对所述测试集进行计算，得到所述测试集的分段均方根值比；
根据所述初始上下预警值、所述均方根值预警值以及所述测试集的分段均方根值比，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值。
第二方面，本发明实施例提供了一种基于分段均方根值比的转子监测装置，包括：
数据处理模块，用于获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
排序计算模块，用于对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
测试验证模块，用于根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
应用更新模块，用于采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
作为上述方案的改进，所述排序计算模块，具体用于：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；/>、/>分别表示所述第一样本和第二样本。
作为上述方案的改进，所述应用更新模块，具体用于：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
作为上述方案的改进，所述数据处理模块，具体用于：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定所述目标转子的均方根值预警值。
第三方面，本发明实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于分段均方根值比的转子监测方法。
此外，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述基于分段均方根值比的转子监测方法。
与现有技术相比，本发明实施例公开的一种基于分段均方根值比的转子监测方法、装置、终端及介质，通过获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。因此，本发明实施例通过比值化处理将有量纲指标均方根值转化为无量纲指标，可以更好的突出异常信息、降低人为或偶然的冲击，减少设备误报的情况，提高了监测的实时性和准确性；且通过选取最大的数据值进行均方根值计算，能够降低人为或偶然冲击所带来的过高数值，有效地增强转子故障的监测能力，使其监测更加可靠。
附图说明
图1是本发明实施例提供的一种基于分段均方根值比的转子监测方法的流程示意图；
图2是本发明实施例提供的一种基于分段均方根值比的转子监测装置的结构示意图；
图3是本发明实施例提供的一种训练集的分段均方根值比图；
图4是本发明实施例提供的一种训练集的均方根值图。
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作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，本发明的术语“包括”和“具体”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、系统、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。
请参阅图1，图1是本发明实施例提供的一种基于分段均方根值比的转子监测方法的流程示意图，该基于分段均方根值比的转子监测方法，包括步骤S11至S14：
S11：获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
S12：对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
S13：根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
S14：采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
具体的，所述步骤S12中，具体包括：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；/>、/>分别表示所述第一样本和第二样本。
示例的，假设一个样本x里面有1024个数据，在这里通过对样本里的数据进行降序排序。将排序后样本中的前a%和后b%的数据合并为样本x1（若是1024×a%不是整数，则通过四舍五入将其转换为整数，后续的b、c和d数值亦是如此，所述a、b、c、d为不同数值，最优为整数），进而求出均方根值F1；再次对排序后样本中的c%至d%的数据合并为样本x2，进而求出均方根值F2；最后将F=F1/F2就得到了本发明的无量纲指标分段均方根值比F。例如：在这里设置a=10、b=90、c=40和d=60。即将排序后样本前后10%的数据合并为样本x1，进而求出均方根值F1；将排序后样本40%-60%的数据合并为样本x2，进而求出均方根值F2。最后将F1/F2就得到了分段均方根值比F。
需要说明的是，因为均方根值是有量纲指标，当前的监测方法都是对均方根值的上升值进行监测，当上升值超出设置的固定阈值就对其进行预警处理，并没有考虑下降值的监测。本发明的监测指标是分段均方根值比，将两个均方根值进行相比，得到的是无量纲指标。因此，在这里本发明选择上下不同的预警值对转子进行监测，并且设置上预警值为H1，下预警值H2。当监测指标的数值超过预警值H1或低于预警值H2的时候，对其进行预警处理。
例如：通过对训练集绘制出分段均方根值比和均方根值的图形，如图3、4所示。将两个图形进行比较，显然在201个样本时，分段均方根值比和均方根值指标都发生明显的变化。但是，均方根值的大小从0.2突然就跳到了4，变化程度过大，并且在前面时间里是非常平稳，很明显利用均方根值指标对其进行监测的效果是不好的。本发明的监测指标分段均方根值比在201个样本也发生明显的变化，但是在这之前，分段均方根值比很明显出现有上顶峰和下顶峰，所蕴含的故障信息比均方根值好，故在这里设置H1=16、H2=8。通常均方根值的预警值是设置在H0=2.8，所以得到均方根值的预警时间；根据设置H1=16、H2=8，使用本发明的分段均方根值比得到预警时间。将两者进行比较，显然相较于均方根值，本发明分段均方根值比的预警时间提前了8小时32分。
具体的，所述步骤S14中，具体包括：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
示例的，根据的训练和测试得到监测指标参数H1、H2，对生产过程中的转子进行实时在线监测。在实时在线监测过程中，如果存在误报的情况，则通过选择误报的数据，对H1、H2的值进行增大或减小，将更新后的监测指标参数H1’、 H2’与H1、H2进行替换。最终实现分段均方根值比的实时在线监测与监测指标参数H1、H2的动态更新。
具体的，所述步骤S11中，具体包括：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定所述目标转子的均方根值预警值。
需要说明的是，在数据预处理中，先要获取目标转子的数据集，将数据集随机划分为训练集和测试集，读取训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定预警值，振动烈度通常用表征振动水平的参数(如位移、速度与加速度)的最大值、平均值或均方根值表示。国际标准组织(IS0)推荐振动烈度用机械设备上指定点处的振动速度的均方根值表示，所述振动烈度范围为转子运行不发生故障的振动速度范围。
在具体实施当中，根据《GBT 6075.1-2012机械振动在非旋转部件上测量评价机器的振动第1部分总则》及其附录2设置区域边界值的资料性指南，对均方根振动速度（下文统称为均方根值）的预警值进行设定。因此，结合评价区域和区域边界，设置均方根值的预警值为区域边界B中的H0=2.8（均方根值越小表示越早预警），用于与本发明监测指标（分段均方根值比）的预警时间进行对比。
具体的，所述步骤S13中，具体包括：
根据所述分段均方根值比的计算公式，对所述测试集进行计算，得到所述测试集的分段均方根值比；
根据所述初始上下预警值、所述均方根值预警值以及所述测试集的分段均方根值比，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值。
本发明将分段均方根值比作为监测指标，是设置上下两个预警值H1和H2进行预警操作，后续可以进行更新。通过对原始数据x降序排列后，通过设置a、b、c和d的数值确定样本的分段区间，得到不同的样本x1和x2，进而求出不同的均方根值F1和F2，最后将其进行相除操作，构建了一个新的无量纲指标：分段均方根值比。
图2是本发明实施例提供的一种基于分段均方根值比的转子监测装置的结构示意图，该基于分段均方根值比的转子监测装置，包括：
数据处理模块21，用于获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
排序计算模块22，用于对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
测试验证模块23，用于根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
应用更新模块24，用于采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
具体的，所述排序计算模块22，具体用于：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；/>、/>分别表示所述第一样本和第二样本。
具体的，所述应用更新模块24，具体用于：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
具体的，所述数据处理模块21，具体用于：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定所述目标转子的均方根值预警值。
本发明实施例所提供的一种基于分段均方根值比的转子监测装置能够实现上述实施例的基于分段均方根值比的转子监测方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例的基于分段均方根值比的转子监测方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例对应提供的一种终端设备，所述终端设备包括：处理器、存储器以及存储在所述存储器中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上述基于分段均方根值比的转子监测方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述基于分段均方根值比的转子监测装置实施例中各模块的功能。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的基于分段均方根值比的转子监测方法。
综上所述，本发明实施例公开的一种基于分段均方根值比的转子监测方法、装置、终端及介质，通过获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。因此，本发明实施例通过比值化处理将有量纲指标均方根值转化为无量纲指标，可以更好的突出异常信息、降低人为或偶然的冲击，减少设备误报的情况，提高了监测的实时性和准确性；且通过选取最大的数据值进行均方根值计算，能够降低人为或偶然冲击所带来的过高数值，有效地增强转子故障的监测能力，使其监测更加可靠。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于分段均方根值比的转子监测方法，其特征在于，包括：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
2.如权利要求1所述的基于分段均方根值比的转子监测方法，其特征在于，所述对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值，具体包括：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；、/>分别表示所述第一样本和第二样本。
3.如权利要求1所述的基于分段均方根值比的转子监测方法，其特征在于，所述采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值，具体包括：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
4.如权利要求1所述的基于分段均方根值比的转子监测方法，其特征在于，所述获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值，具体为：
获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，根据所述目标转子振动烈度范围的最大值设定所述目标转子的均方根值预警值。
5.如权利要求2所述的基于分段均方根值比的转子监测方法，其特征在于，所述根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值，具体包括：
根据所述分段均方根值比的计算公式，对所述测试集进行计算，得到所述测试集的分段均方根值比；
根据所述初始上下预警值、所述均方根值预警值以及所述测试集的分段均方根值比，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值。
6.一种基于分段均方根值比的转子监测装置，其特征在于，包括：
数据处理模块，用于获取目标转子的数据集，将所述数据集随机划分为训练集和测试集，读取所述训练集中的时间序列数据，设定所述目标转子的均方根值预警值；
排序计算模块，用于对所述训练集的样本数据进行排序分段处理，计算得到的两个均方根值，从而得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
测试验证模块，用于根据所述初始上下预警值以及所述均方根值预警值对所述测试集进行测试，验证所述初始上下预警值是否具备一定的适应性，若是，则获得所述分段均方根值比的上下预警值；
应用更新模块，用于采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测，根据监测结果动态更新所述分段均方根值比的上下预警值。
7.如权利要求6所述的基于分段均方根值比的转子监测装置，其特征在于，所述排序计算模块，具体用于：
对所述训练集的样本数据进行降序排序，将排序后样本中的前a%和后b%的数据合并为第一样本，进而求出第一均方根值；
将所述排序后样本中的c%至d%的数据合并为第二样本，进而求出第二均方根值；
基于所述第一均方根值与第二均方根值的比值，得到所述目标转子的分段均方根值比，确定所述分段均方根值比的初始上下预警值；
其中，所述a、b、c、d为不同数值，所述分段均方根值比的计算公式为：
，
式中，为所述目标转子的分段均方根值比；/>、/>分别为所述第一样本和第二样本的总数据量；/>为所述第一样本的第n个样本数据；/>为所述第二样本的第m个样本数据；、/>分别表示所述第一样本和第二样本。
8.如权利要求6所述的基于分段均方根值比的转子监测装置，其特征在于，所述应用更新模块，具体用于：
采用所述分段均方根值比的上下预警值，对生产过程中的转子进行实时在线监测；
若存在误报的情况，则根据误报的数据，对所述分段均方根值比的上下预警值进行增大或减小，动态更新所述分段均方根值比的上下预警值。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述的基于分段均方根值比的转子监测方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-5中任意一项所述的基于分段均方根值比的转子监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311257824.2A CN116992297B (zh) | 2023-09-27 | 2023-09-27 | 基于分段均方根值比的转子监测方法、装置、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311257824.2A CN116992297B (zh) | 2023-09-27 | 2023-09-27 | 基于分段均方根值比的转子监测方法、装置、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992297A true CN116992297A (zh) | 2023-11-03 |
| CN116992297B CN116992297B (zh) | 2023-12-15 |
Family
ID=88525237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311257824.2A Active CN116992297B (zh) | 2023-09-27 | 2023-09-27 | 基于分段均方根值比的转子监测方法、装置、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992297B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050188765A1 (en) * | 2004-02-27 | 2005-09-01 | Rolls-Royce Plc | Method and machine for rotor imbalance determination |
| JP2008058191A (ja) * | 2006-08-31 | 2008-03-13 | Jfe Steel Kk | 回転機械の診断方法、そのプログラム、及びその診断装置 |
| CN101504309A (zh) * | 2009-02-09 | 2009-08-12 | 郭军君 | 往复机械振动信号的分析方法 |
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN115115864A (zh) * | 2022-08-26 | 2022-09-27 | 济宁安泰矿山设备制造有限公司 | 一种泵精密转子轴动平衡测试方法及系统 |
| CN115434870A (zh) * | 2022-07-29 | 2022-12-06 | 国家电投集团云南国际电力投资有限公司 | 风力发电组振动数据的处理方法、装置、设备及存储介质 |
| CN116465627A (zh) * | 2023-04-04 | 2023-07-21 | 广东石油化工学院 | 机械设备故障监测系统 |
-
2023
- 2023-09-27 CN CN202311257824.2A patent/CN116992297B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050188765A1 (en) * | 2004-02-27 | 2005-09-01 | Rolls-Royce Plc | Method and machine for rotor imbalance determination |
| JP2008058191A (ja) * | 2006-08-31 | 2008-03-13 | Jfe Steel Kk | 回転機械の診断方法、そのプログラム、及びその診断装置 |
| CN101504309A (zh) * | 2009-02-09 | 2009-08-12 | 郭军君 | 往复机械振动信号的分析方法 |
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN115434870A (zh) * | 2022-07-29 | 2022-12-06 | 国家电投集团云南国际电力投资有限公司 | 风力发电组振动数据的处理方法、装置、设备及存储介质 |
| CN115115864A (zh) * | 2022-08-26 | 2022-09-27 | 济宁安泰矿山设备制造有限公司 | 一种泵精密转子轴动平衡测试方法及系统 |
| CN116465627A (zh) * | 2023-04-04 | 2023-07-21 | 广东石油化工学院 | 机械设备故障监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张清华: "基于人工免疫系统的机组故障诊断技术研究", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》, no. 11, pages 140 - 114 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992297B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10809153B2 (en) | Detecting apparatus, detection method, and program | |
| US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN107944721B (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
| US10895873B2 (en) | Machine health monitoring of rotating machinery | |
| CN110333078B (zh) | 一种滚动轴承退化状态阶段确定方法 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| JP5780870B2 (ja) | 回転機器の健全性診断装置、方法およびプログラム | |
| CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
| CN108009063B (zh) | 一种电子设备故障阈值检测的方法 | |
| CN110864902B (zh) | 一种基于分数阶散布熵的滚动轴承早期故障检测方法 | |
| CN116124398A (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
| CN116992297B (zh) | 基于分段均方根值比的转子监测方法、装置、终端及介质 | |
| CN110455536A (zh) | 一种压气机试验轴承温度数据处理方法及装置 | |
| Mohamad et al. | Gear fault diagnostics using extended phase space topology | |
| Sassi et al. | TALAF and THIKAT as innovative time domain indicators for tracking BALL bearings | |
| CN113945290B (zh) | 一种温度报警方法、装置以及介质 | |
| JP2004361286A (ja) | 回転機械の劣化診断方法 | |
| CN113704871A (zh) | 车轮弯曲疲劳的确定方法、装置、终端设备及介质 | |
| JP6459345B2 (ja) | 変動データ管理システム及びその特異性検出方法 | |
| CN112161742B (zh) | 功率传感器检测方法、装置、设备及存储介质 | |
| US20240144101A1 (en) | Generation system, computer-readable storage medium, and method for generating waveform evaluation model | |
| CN114705430B (zh) | 一种滚动轴承故障监测方法、装置、设备及存储介质 | |
| Tajiani et al. | RUL prediction of bearings using empirical wavelet transform and Bayesian approach |
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 |