CN117073900A - 一种电动机转子动平衡监测系统 - Google Patents
一种电动机转子动平衡监测系统 Download PDFInfo
- Publication number
- CN117073900A CN117073900A CN202311043897.1A CN202311043897A CN117073900A CN 117073900 A CN117073900 A CN 117073900A CN 202311043897 A CN202311043897 A CN 202311043897A CN 117073900 A CN117073900 A CN 117073900A
- Authority
- CN
- China
- Prior art keywords
- model
- motor rotor
- dynamic balance
- module
- monitoring system
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000003775 Density Functional Theory Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G01M1/22—Determining imbalance by oscillating or rotating the body to be tested and converting vibrations due to imbalance into electric variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种电动机转子动平衡监测系统，包括，传感器网络、信号处理模块、监测模块；其中所述传感器网络、信号处理模块及监测模块依次连接；通过传感器网络采集电动机转子的振动信号和基准信号；通过信号处理模块对振动信号进行滤波及特征提取，得到振动信号对应的幅值与相位，并根据基准信号生成转速信息；通过监测模块采用集成学习模型对幅值、相位及转速信息进行处理，生成电动机转子动平衡量的大小和位置。
Description
技术领域
本发明涉及动平衡监测技术领域，特别涉及一种电动机转子动平衡监测系统。
背景技术
电动机转子由于材质不均匀或毛坏缺陷、加工及装配中产生的误差，其至设计时就且有非对称的，但形状等多种因素，使得转子在旋转时，其上每个微小质点产生的离心惯性力不能相与抵消，离心惯性力通讨轴承作用到机械及其其础上，引起振动，产生了噪音，加速轴承摩捐，缩短了机械寿命，严重时能造成破坏性事故。为此，必须对转子进行平衡，使其达到允许的平衡精度等级，或使因此产生的机械振动幅度降在允许的范围内。进而亟需能够对电动机转子动平衡进行有效准确监测的系统。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种电动机转子动平衡监测系统，能够对电动机转子动平衡进行准确且有效的监测。
为了实现上述技术目的，本发明提供了如下技术方案：一种电动机转子动平衡监测系统，包括：
传感器网络、信号处理模块、监测模块；其中所述传感器网络、信号处理模块及监测模块依次连接；
通过传感器网络采集电动机转子的振动信号和基准信号；
通过信号处理模块对振动信号进行滤波及特征提取，得到振动信号对应的幅值与相位，并根据基准信号生成转速信息；
通过监测模块采用集成学习模型对幅值、相位及转速信息进行处理，生成电动机转子动平衡量的大小和位置。
可选的，所述传感器网络包括振动传感器和霍尔传感器，其中所述霍尔传感器采用光电传感器。
可选的，在所述信号处理模块中，通过带通滤波器和整周期截断DFT法对对振动信号进行滤波及特征提取。
可选的，在所述监测模块中，集成学习模型包括第一层模型和第二层模型，其中所述第一层模型和第二层模型通过堆叠集成策略及加权均值融合方法进行融合；其中所述第一层模型和第二层模型采用机器学习模型。
可选的，在所述监测模块中，构建若干个机器学习模型，通过迁移学习的方式对若干个机器学习模型进行训练，并对训练后的机器学习模型进行验证，根据第一次验证结果对训练后的机器学习模型进行筛选，生成第一层模型；
根据第一层模型的输出，对若干个机器学习模型进行训练及验证，并根据第二次验证结果对训练后的机器学习模型进行筛选，生成第二层模型。
可选的，还包括预警模块，其中所述预警模块与所述监测模块连接，通过预警模块对所述电动机转子动平衡量的大小进行阈值判断，并根据阈值判断结果进行报警。
可选的，还包括存储模块，其中所述存储模块与所述监测模块连接；所述存储模块用于对监测模块中的集成学习模型及数据进行存储。
可选的，在所述存储模块中，分别通过模型库及数据库对集成学习模型及数据进行存储，其中所述模型库及数据库均采用树形存储结构。
可选的，机器学习模型包括随机森林回归模型，梯度提升模型，支持向量回归模型、极端梯度提升模型和自适应提升模型。
可选的，所述第一层模型包括随机森林回归模型和极端梯度提升模型，第二层模型采用支持向量回归模型，支持向量回归模型采用RBF函数。
本发明具有如下技术效果：
本发明通过上述技术方案，通过传感器网络对电动机转子的相关振动信号和基准信号进行信号采集，信号采集完成后，通过信号处理模块对采集的信号进行关键信息的提取，通过监测模块对提取的信息采用集成学习模型进行处理，处理生成不平衡量的大小和位置，能够提升不平衡量相关数据的测量精度，同时通过存储模块对上述内容进行相关存储，方便模型的调用和相关人员对于电动机转子不同方面的数据查看及溯源，具有较强的实用性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的系统示意图。
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。
为了解决在现有技术中存在的问题，本发明提供了如下方案：
如图1所述，本发明提供了一种电动机转子动平衡监测系统，包括：
传感器网络、信号处理模块、监测模块、预警模块和存储模块。
传感器网络，传感器网络包括振动传感器和霍尔传感器，其中霍尔传感器采用光电传感器用于获取基准信号以提供相位信息；
振动传感器安装于电动机转子的轴承节点处，用于采集电动机转子支承处的振动信号，霍尔传感器固定安装于不易产生振动的固定支撑结构上，且与电动机转子之间存在一定距离，非接触式测量转子的转动的基准信号，也可安装于动平衡测试仪监测平台上，本发明通过相关的动平衡测试仪的测试平台对相关数据进行采集，同时为了方便测量，或可将振动传感器和霍尔传感器之间安装于电动机的固定结构中，振动传感器安装于转子支承处，霍尔传感器固定于支承结构上或某一不易产生振动的固定位置，能够对电动机转子进行非接触式测量即可，上述本领域技术人员根据经验常识即可选择霍尔传感器对应安装位置，此处不做赘述。并将上述相关数据通过信号转换器和信号放大器进行相关的信号处理，将传感器信号转换为对应的电压波形信号传输给后续的信号处理模块；
通过信号处理模块对上述的信号进行相关的滤波及提取处理；信号处理模块采用DSP集成芯片，通过带通滤波器对上述的振动信号和基准信号进行滤波处理。带通滤波器是一种能够滤除一定低频和高频的信号，并保留一定带宽范围内信号的滤波器。它的工作原理是，将信号从输入端进行滤波，只让指定范围内的信号通过，剩余的信号则被滤除。带通滤波器的频率响应曲线是一个中间带宽的矩形纹波，因此也称为矩形滤波器。当使用高通滤波器过滤信号时，会滤除低频信号，但是前后还会留有一部分低频信息。
通过带通滤波器后，针对滤波后的信号，通过整周期截断DFT法进行对应的赋值与相位，其方法以旋转的周期为基础，对振动信号进行整周期采样，然后对信号进行DFT计算，进而提取其对应的振动信号的幅值与相位。具体的，对针对针对信号进行一定采样率进行采样，生成离散信号，将离散信号转换为离散序列，对离散序列进行截断，只取一部分作为部分离散序列，对部分离散序列进行DFT变换，并其中DFT变换结果与振动信号的幅值和相位存在确定的对应关系，根据DFT变换结果，生成振动信号的幅值和相位。在生成振动信号的幅值和相位后，通过基准信号确定转子转速，基准信号中的脉冲出现一次表示转子转动一圈，通过基准信号中的脉冲的次数和对应的时间长度，能够得到转子的转速，将转速、幅值和相位、传输给监测模块进行动平衡相关数据的测量。
通过监测模块对提取后的数据进行检测，通过相关的集成学习模块对提取的数据进行处理，最终输出动平衡的结果，同时输出对应的不平衡数值及相位。监测模块采用微处理芯片。转子系统在不平衡情况下的振动响应与不平衡量的大小和数值存在一定的动力学关系，一般该关系通过数学经验模型进行求解，但是数学经验模型求解过程复杂且固定系数无法有效拟合数据间的关系导致计算不够完善且精度不够，进而本发明借此希望通过机器学习模型对振动响应的相关数据和不平衡的相关数据之间的拟合关系，同时机器学习模型的单一模型具有不同方面的优势，本发明通过相关的融合算法，将不同的机器算法进行融合，以此生成对应的集成学习模型，集成学习模型的输入为转速、振动数据的幅值和相位、设备参数，对应输出为动平衡中不平衡量的大小和位置，设备参数包括电动机的转子尺寸和重量。
具体的测量模型中的集成学习模型通过相关的单一模型通过堆叠集成策略进行集成，集成后通过加权均值融合方法对上述机器模型进行融合，形成集成学习模型，在此过程中，首先将收集不同的单一模型，其中单一模型包括不同的机器学习模型，具体的包括随机森林回归模型，梯度提升模型，支持向量回归模型、极端梯度提升模型和自适应提升模型，可根据实际需求构建设计不同的模型，在收集构建不同的模型后，对上述模型进行分别的训练和验证，根据验证结果对上述的模型进行选择；
训练过程中，针对样本数据不足的情况，本发明通过对设计仿真模拟和试验，同时结合相关的动平衡检测的历史数据以迁移学习的增加样本数量的方式对上述模型进行训练，具体的，通过相关的仿真软件模拟现有的针对转子动平衡的相关经验公式，设置不同的仿真参数，仿真参数包括设备参数、不平衡量的大小和位置，计算对应的振动响应，通过对上述内容根据输入参数和输出参数划分为源域训练集及对应标签，通过对转子进行相关的试验，在通过人工查找试验以明确的电动机不平衡量和位置，并进行相关的试验检测，获取对应的振动响应进而构建目标域训练集及对应标签，并对历史数据进行整合，形成中间域训练集及对应标签，并对上述不同域的训练接及标签进行去噪和标准化处理，通过上述的技术方案，通过不同的方式构建不同域的训练集及标签，分别依次通过源域、中间域及部分目标域的训练集及标签分别对上述机器学习模型进行训练，将剩余的目标域的训练集及标签对上述机器学习模型进行验证，根据验证结果结合对应的模型性能，筛选机器学习模型作为第一层模型；其中，验证结果以均方误差作为精度验证的评价指标，根据均方误差的大小进行排序，其中将排序较为靠前如前两个或前三个的模型作为备选模型，并分析其不同模型的特性。本实施例中将随机森林回归模型和极端梯度提升模型作为备选模型，随机森林回归模型泛化能力强且具有一定的抗噪能力，极端梯度提升模型能够提取不同数据中的特征且泛化能力和学习速度较快，上述模型均具有较好的优势，所以选择上述两个模型作为第一层模型。
将所述第一层模型的输出分别设置权值，并根据权值对其进行加权均值计算，权值根据人工经验进行设置，将加权均值计算结果作为第二层模型的输入，并对第二层模型进行选取，其中将上述不同域的训练集输入到验证后的第一层模型中，并将第一层模型的加权均值计算结果作为输入，通过上述内容对不同的机器学习模型进行训练，训练后，通过部分目标域的训练集及标签对训练后的机器学习模型进行验证，同样对验证结果进行从大到小排序，将排序第一的机器学习模型作为第二层模型，其中根据上述内容，第二层模型选择支持向量回归模型，采用RBF函数。
通过集成堆叠策略及加权均值融合方法将第一层模型和第二层模型进行融合，其中第一层模型的输入为设备参数、振动响应即振动幅值及相位，并将第一层模型的输出通过上述加权均值计算结果作为第二层模型的输入，第二层模型输出最终的不平衡量大小和位置。集成学习模型能够表现不同模型的优势，且通过第一层模型对数据之间的回归关系进行拟合，并通过第二层模型对最终结果进行调整校正，进而提升模型对于电动机不平衡量的大小和位置的有效监测。
在对集成模型进行构建完成后，通过再次采集相关的现场测试数据，根据人工对不同平衡量和位置进行检测，生成集成训练集，通过十折交叉验证方法对集成学习模型进行再次训练和验证，当验证精度达到一定精度时，通过训练完成的集成学习模型对实时采集的设备参数、振动响应进行输入，输出最终不平衡量的大小和位置预测结果。
在监测模块对上述数据处理完成后，将不平衡量的大小和位置传输到预警模块中，预警模块采用单片机对不平衡量的大小进行阈值判断，当超出一定阈值时进行声光报警处理，同时对传输给存储模块对上述内容进行存储，存储模块采用云上存储器，存储过程中，将测量模型中的模型结构和参数数据及输入的实时数据和监测结果进行存储，存储中，构建模型库和数据库，其中模型库和数据库均采用树形存储结构，模型库中，将电动机设备型号作为起始的根元素，将设备参数作为电动机设备型号的子元素，并将模型结构和参数数据作为设备参数下的详细描述，将监测模块中的模型结构和参数数据存储到对应位置，当对电动机进行监测时，可通过直接从模型库中进行关键字查找，对应的模型相关数据，并根据模型相关数据进行模型提取和构建，方便上述集成学习模型的使用，同时对实时采集的设备参数、振动响应数据及对应的不平衡量大小和位置通过数据库进行存储，将设备参数作为根元素，监测的电动机设备时间作为下方的子元素，并将时间下的振动相应和不平衡量大小和位置作为子元素的详细描述，进而生成数据库，数据库中将监测模型中的数据进行对应位置的编写，通过关键字查找方法对上述内容进行查找，方便相关人员对于数据的查看和溯源。
本发明通过上述技术方案，通过传感器网络对电动机转子的相关振动信号和基准信号进行信号采集，信号采集完成后，通过信号处理模块对采集的信号进行关键信息的提取，通过监测模块对提取的信息采用集成学习模型进行处理，处理生成不平衡量的大小和位置，能够提升不平衡量相关数据的测量精度，同时通过存储模块对上述内容进行相关存储，方便模型的调用和相关人员对于电动机转子不同方面的数据查看及溯源，具有较强的实用性。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种电动机转子动平衡监测系统，其特征在于，包括：
传感器网络、信号处理模块、监测模块；其中所述传感器网络、信号处理模块及监测模块依次连接；
通过传感器网络采集电动机转子的振动信号和基准信号；
通过信号处理模块对振动信号进行滤波及特征提取，得到振动信号对应的幅值与相位，并根据基准信号生成转速信息；
通过监测模块采用集成学习模型对幅值、相位及转速信息进行处理，生成电动机转子动平衡量的大小和位置。
2.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
所述传感器网络包括振动传感器和霍尔传感器，其中所述霍尔传感器采用光电传感器。
3.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
在所述信号处理模块中，通过带通滤波器和整周期截断DFT法对对振动信号进行滤波及特征提取。
4.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
在所述监测模块中，集成学习模型包括第一层模型和第二层模型，其中所述第一层模型和第二层模型通过堆叠集成策略及加权均值融合方法进行融合；其中所述第一层模型和第二层模型采用机器学习模型。
5.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
在所述监测模块中，构建若干个机器学习模型，通过迁移学习的方式对若干个机器学习模型进行训练，并对训练后的机器学习模型进行验证，根据第一次验证结果对训练后的机器学习模型进行筛选，生成第一层模型；
根据第一层模型的输出，对若干个机器学习模型进行训练及验证，并根据第二次验证结果对训练后的机器学习模型进行筛选，生成第二层模型。
6.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
还包括预警模块，其中所述预警模块与所述监测模块连接，通过预警模块对所述电动机转子动平衡量的大小进行阈值判断，并根据阈值判断结果进行报警。
7.根据权利要求1所述的电动机转子动平衡监测系统，其特征在于：
还包括存储模块，其中所述存储模块与所述监测模块连接；所述存储模块用于对监测模块中的集成学习模型及数据进行存储。
8.根据权利要求7所述的电动机转子动平衡监测系统，其特征在于：
在所述存储模块中，分别通过模型库及数据库对集成学习模型及数据进行存储，其中所述模型库及数据库均采用树形存储结构。
9.根据权利要求5所述的电动机转子动平衡监测系统，其特征在于：
机器学习模型包括随机森林回归模型，梯度提升模型，支持向量回归模型、极端梯度提升模型和自适应提升模型。
10.根据权利要求5所述的电动机转子动平衡监测系统，其特征在于：
所述第一层模型包括随机森林回归模型和极端梯度提升模型，第二层模型采用支持向量回归模型，支持向量回归模型采用RBF函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043897.1A CN117073900A (zh) | 2023-08-18 | 2023-08-18 | 一种电动机转子动平衡监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043897.1A CN117073900A (zh) | 2023-08-18 | 2023-08-18 | 一种电动机转子动平衡监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117073900A true CN117073900A (zh) | 2023-11-17 |
Family
ID=88714628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311043897.1A Pending CN117073900A (zh) | 2023-08-18 | 2023-08-18 | 一种电动机转子动平衡监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117073900A (zh) |
-
2023
- 2023-08-18 CN CN202311043897.1A patent/CN117073900A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105510038B (zh) | 风电机组故障监测方法和装置 | |
| CN106408088B (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
| RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
| CN112629647B (zh) | 大跨悬索桥涡振事件的实时识别和监测预警方法 | |
| CN104819766B (zh) | 基于谐噪比的包络解调频带确定方法 | |
| CN104111154B (zh) | 风力发电机组的振动趋势分析方法和振动趋势分析系统 | |
| CN107167318A (zh) | 一种轴承智能快捷故障诊断仪及诊断方法 | |
| CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
| CN102192825A (zh) | 不基于测量历史诊断旋转机器状况的用户界面系统和方法 | |
| CN105067239B (zh) | 基于扫频激励振动的梁裂纹故障检测装置及方法 | |
| CN107209512A (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
| CN102706560B (zh) | 一种风力发电机组的状态监测方法和装置 | |
| CN110816588B (zh) | 一种机车车轮失圆检测方法、装置、设备及系统 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN102735442A (zh) | 一种转子在线监测与故障诊断方法 | |
| CN111504587A (zh) | 一种立式水轮发电机导轴承支架振动特性评估系统及方法 | |
| CN110018322A (zh) | 一种基于深度学习的转速检测方法及系统 | |
| CN102080955A (zh) | 一种用于桥梁安全检查的移动荷载定位方法 | |
| CN103267652A (zh) | 一种智能早期设备故障在线诊断方法 | |
| CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
| CN108152458A (zh) | 气体检测方法及装置 | |
| CN106446320B (zh) | 基于imf瞬时能量曲率差值的井架钢结构损伤识别方法 | |
| CN103528775B (zh) | 一种基于响应灵敏度的结构健康检测方法 | |
| CN117073900A (zh) | 一种电动机转子动平衡监测系统 | |
| CN110219816A (zh) | 用于风机故障诊断的方法和系统 |
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 |