CN117077031A - 一种涡轮流量计故障识别方法、装置、设备和存储介质 - Google Patents

一种涡轮流量计故障识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117077031A
CN117077031A CN202310814140.1A CN202310814140A CN117077031A CN 117077031 A CN117077031 A CN 117077031A CN 202310814140 A CN202310814140 A CN 202310814140A CN 117077031 A CN117077031 A CN 117077031A
Authority
CN
China
Prior art keywords
fault
polarization
frequency
database
data
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
Application number
CN202310814140.1A
Other languages
English (en)
Inventor
王凡
黄冬虹
边海龙
董新利
王佩广
张翰
刘兴伟
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.)
Beijing Gas Group Co Ltd
Original Assignee
Beijing Gas Group 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 Beijing Gas Group Co Ltd filed Critical Beijing Gas Group Co Ltd
Priority to CN202310814140.1A priority Critical patent/CN117077031A/zh
Publication of CN117077031A publication Critical patent/CN117077031A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
    • G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
    • 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
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本发明提供了一种涡轮流量计故障识别方法、装置、设备和存储介质，采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；将偏振信号进行时频域转换，得到故障特征频率；将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。本发明可以分别从时域特征和频域特征进行识别，不仅能及时发现涡轮流量计性能下降，并且还能精准的识别出涡轮流量计导致计量性能下降的具体原因。

Description

一种涡轮流量计故障识别方法、装置、设备和存储介质
技术领域
本发明涉及涡轮流量计故障识别技术领域，具体涉及一种涡轮流量计故障识别方法、装置设备和存储介质。
背景技术
燃气涡轮流量计是一种带机械计数器并用于精确测量气体流量的流量计，随着涡轮流量计的转动，其运动部件不可避免的出现磨损，例如轴承滚珠与定圈内侧接触面的磨损，从而增大了机械阻力，同时也会增加转动部件间的间隙，主轴旋转幅度出现变化，尤其在主轴末端旋转的涡轮将会出现更大幅度变化。考虑到水平安装的轴承由于重力作用通常在轴承下端出现磨损，因此更容易出现下侧间隙增大而引起的偏振。此外其他转动零部件，如涡轮、齿轮、主轴等，如果出现弹性变形或塑性变形，也会造成涡轮偏振影响涡轮流量计的正常计量。这种损失这会直接影响到涡轮流量计的贸易结算公平性，给燃气企业和用户均带来一定的经济损失。
此外随着磨损的加剧，涡轮偏振会造成涡轮、内腔、轴承孔等精密结构或零部件的损坏，经济损失进一步扩大。
为解决以上问题，现有的措施是对流量计定期周检。将流量计从工作管道拆卸后送到计量检定单位进行性能检测，如果计量性能不合格(不符合计量标准要求)，则进行维修。但对于流量大、压力高、磨损快的流量计不太适用，因为这种流量计多安装在燃气管网中的重要节点，不但是燃气贸易结算依据，也是燃气输配系统的重要环节，一旦发生故障不但会造成计量差影响公平贸易结算，还会对燃气供应安全造成影响，尤其是对电厂、医院等供气稳定要求较高的用户，异常停气往往会带来重大损失。
发明内容
鉴于上述问题，本发明实施例一种涡轮流量计故障识别方法、装置设备和存储介质，解决现有的技术问题。
本发明提供以下技术方案：
第一方面，本发明提供一种涡轮流量计故障识别方法，所述方法包括如下步骤：
采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；
根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；
将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；
将偏振信号进行时频域转换，得到故障特征频率；
将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
一实施例中，所述将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号包括：
采集工作状态下电涡流传感器的输出数据作为工作数据；
筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。
一实施例中，所述将偏振信号进行时频域转换，得到故障特征频率包括：
利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号；
对故障特征信号进行滤波变换后生成对应的频谱曲线图像；
提取频谱曲线图像中峰值区域的频率范围，得到故障特征频率。
一实施例中，所述根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库包括：
采集不同偏振原因在低频频谱对应的偏振特征频率，所述偏振原因包括齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲；
将偏振原因与偏振特征频率形成映射关系；
将多种偏振原因与偏振特征频率形成映射关系组成映射关系集；
将映射关系集保存至数据库构成偏振特征数据库。
第二方面，本发明提供一种涡轮流量计故障识别装置，该装置包括：
初始数据采集模块：用于采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；
偏振特征数据库构建模块：用于根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；
偏振信号识别模块：用于将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；
故障特征频率获取模块：用于将偏振信号进行时频域转换，得到故障特征频率；
故障结果识别模块：用于将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
一实施例中，所述偏振信号识别模块具体用于：
采集工作状态下电涡流传感器的输出数据作为工作数据；
筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。
一实施例中，所述故障特征频率获取模块具体用于：
利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号；
对故障特征信号进行滤波变换后生成对应的频谱曲线图像；
提取频谱曲线图像中峰值区域的频率范围，得到故障特征频率。
一实施例中，所述偏振特征数据库构建模块具体用于：
采集不同偏振原因在低频频谱对应的偏振特征频率，所述偏振原因包括齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲；
将偏振原因与偏振特征频率形成映射关系；
将多种偏振原因与偏振特征频率形成映射关系组成映射关系集；
将映射关系集保存至数据库构成偏振特征数据库。
第三方面，本发明提供一种电子设备，包括：
处理器、存储器、与网关通信的接口；
存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行第一方面任一项提供的一种涡轮流量计故障识别方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行第一方面任一项提供的一种涡轮流量计故障识别方法。
从上述描述可知，本发明从时域识别的角度将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；偏振限号的产生表明涡轮流量计的转动部件出现了磨损情况，进而识别涡轮流量计的计量性能下降。从频域识别的角度将将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果，精准的识别出涡轮流量计导致计量性能下降的具体原因。得知具体故障原因后，运维人员可以快速维修，也能避免事态进一步扩大，减少贸易结算纠纷，无需外协二次鉴定故障，带来了降本增效的好处。
附图说明
图1所示为本发明一实施例提供的涡轮流量计故障识别方法流程示意图；
图2展示的为齿轮故障对应的频谱曲线图像；
图3为轴承内圈磨损对应的频谱曲线图像；
图4所示为本发明一实施例提供的涡轮流量计故障识别装置的结构示意图；
图5所示为本发明一实施例中的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。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。
基于现有技术的缺点，本发明实施例提供了一种控制方法的具体实施方式，其具体应用于涡轮流量计，需要借助电涡流传感器反馈电涡流传感器与涡轮叶片间的距离，并以此数据展开分析，识别涡轮流量计计量性能下降的产生以及定位产生计量性能下降的具体原因。如图1所示，该方法包括如下步骤：
S110:采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离。
具体地，每种型号的涡轮流量计在采集数据前首先检定涡轮流量计的计量性能是否符合标准。检定过程中至少5个流量点通过电涡流传感器对涡轮流量计的计量性能进行标定。检定完成后记录电涡流传感器与涡轮叶片的距离(即电涡流传感器的输出数据)形成初始数据。数据库中可以包含多种型号的涡轮流量计的初始数据，仅需将各型号的涡轮传感器对应的初始数据一一对应即可。构建的数据库可以作为离线数据库，对于同一型号的涡轮流量计可以将该数据库作为该型号涡轮流量计的缺省初始数据。
S120:根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库。
具体地，在本步骤中，首先需要采集不同偏振原因在低频频谱对应的偏振特征频率。偏振原因大多是因为涡轮流量计内的转动零部件出现磨损、塑性变形、齿轮缺齿等问题造成。本步骤中针对的偏振原因包括但不限于齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲。若发现其他偏振原因可以根据实际情况进行扩展。偏振特征频率的采集在频域的低频频谱开展，能够使得采集的偏振特征频率更为显著，从而提高识别精度与准确度。
然后将偏振原因与偏振特征频率形成映射关系。也就是说每种偏振原因均对应着自身的偏振特征频率。当发现某个偏振特征频率时，则对应的偏振原因就会被准确定位。偏振特征频率与故障特征频率相对应，均为一段频率范围。之后将多种偏振原因与偏振特征频率形成映射关系组成映射关系集，最后将映射关系集保存至数据库构成偏振特征数据库。
偏振特征数据库中偏振原因与偏振特征频率如表1所示。
表1
S130:将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号。
具体地，在本步骤中，首先需要采集工作状态下电涡流传感器的输出数据作为工作数据。然后筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。也就是说，被测涡轮流量计需要安装在现场管道上，并处于计量状态(管道内燃气流动)。读取电涡流传感器的输出数据，并与数据库中初始数据(即正常状态下，电涡流传感器与涡轮叶片的距离)进行对比，如果距离变化超过初始数据的20％，则说明转动零部件存在较大磨损，涡轮流量计的计量性能下降，应及时维修，更换磨损零部件，并将相关数据进行记录。
S140:将偏振信号进行时频域转换，得到故障特征频率。
具体地，通过步骤S130可以识别涡轮流量计是否发生偏振，但偏振信号在时域上呈现为与涡轮转动周期信号的叠加，从时间-幅度角度观察，只能发现涡轮偏振信号幅值的变化，无法准确判定偏振信号的来源。而此步骤的目的则是在频率-幅度角度观察，对应偏振信号的故障来源定位。
首先，利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号。
其具体转换过程如下式所示：
式中，z(t′)为偏振信号；为优化后的汉明窗；t为偏振信号时域变量；t'为的时域变量线性时移；f为偏振信号频域变量。
对故障特征信号进行滤波变换后生成对应的频谱曲线图像。
其滤波通过频域滤波器组进行实现，最终偏振信号在频域呈现为：
式中，Z(ω′)为偏振信号在频域上的频谱；Φ(ω)汉明窗的频域表达式；j为傅里叶变换参量；ω为傅里叶比那换符号常量。
经过上述滤波作用偏振信号能在时频联合窗口上将故障特征频率清晰呈现，如图2和图3所示。其中图2展示的为齿轮故障对应的频谱曲线图像，图3为轴承内圈磨损对应的频谱曲线图像。通过提取频谱曲线图像中峰值区域的频率范围，即可得到故障特征频率。
S150:将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
具体地，通过步骤S120构建的偏振特征数据库与步骤S140故障特征频率对比，故障特征频率落入哪个偏振特征频率，那么偏振特征频率所映射的偏振原因即为最终的识别结果。参照表1，若进行故障识别的涡轮流量计的型号为型号I，最后通过步骤S140得到一故障特征频率，若故障特征频率落入10-40HZ,那么识别结果为齿轮故障；若故障特征频率落入40-80HZ,那么识别结果为轴承保持架磨损；若故障特征频率落入80-120HZ,那么识别结果为轴承滚珠磨损；若故障特征频率落入120-150HZ,那么识别结果为轴承内圈磨损；若故障特征频率落入150-180HZ,那么识别结果为主轴弯曲。
综上所述，本发明从时域识别的角度将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；偏振限号的产生表明涡轮流量计的转动部件出现了磨损情况，进而识别涡轮流量计的计量性能下降。从频域识别的角度将将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果，精准的识别出涡轮流量计导致计量性能下降的具体原因。得知具体故障原因后，运维人员可以快速维修，也能避免事态进一步扩大，减少贸易结算纠纷，无需外协二次鉴定故障，带来了降本增效的好处。
基于同一发明构思，本申请实施例还提供了涡轮流量计故障识别装置装置，可以用于实现上述实施例所描述的涡轮流量计故障识别装置方法，如下面的实施例所述。由于涡轮流量计故障识别装置装置解决问题的原理与涡轮流量计故障识别装置方法相似，因此装置的实施可以参见涡轮流量计故障识别装置方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明提供了一种涡轮流量计故障识别装置，如图4所示。在图4中，该装置包括：
初始数据采集模块210：用于采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；
偏振特征数据库构建模块220：用于根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；
偏振信号识别模块230：用于将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；
故障特征频率获取模块240：用于将偏振信号进行时频域转换，得到故障特征频率；
故障结果识别模块250：用于将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
本发明一实施例中，偏振信号识别模块230具体用于：
采集工作状态下电涡流传感器的输出数据作为工作数据；
筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。
本发明一实施例中，故障特征频率获取模块240具体用于：
利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号；
对故障特征信号进行滤波变换后生成对应的频谱曲线图像；
提取频谱曲线图像中峰值区域的频率范围，得到故障特征频率。
本发明一实施例中，偏振特征数据库构建模块220具体用于：
采集不同偏振原因在低频频谱对应的偏振特征频率，偏振原因包括齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲；
将偏振原因与偏振特征频率形成映射关系；
将多种偏振原因与偏振特征频率形成映射关系组成映射关系集；
将映射关系集保存至数据库构成偏振特征数据库。
本申请的实施例还提供能够实现上述实施例中的涡轮流量计故障识别方法中全部步骤的一种电子设备的具体实施方式，参见图5，电子设备300具体包括如下内容：
处理器310、存储器320、通信单元330和总线340；
其中，处理器310、存储器320、通信单元330通过总线340完成相互间的通信；通信单元330用于实现服务器端设备以及终端设备等相关设备之间的信息传输。
处理器310用于调用存储器320中的计算机程序，处理器执行计算机程序时实现上述实施例中的涡轮流量计故障识别方法中的全部步骤。
本领域普通技术人员应理解：存储器可以是，但不限于，随机存取存储器(RandomAccess Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。进一步地，上述存储器内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
本申请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包括程序，所述程序在被处理器执行时用于执行前述任一方法实施例提供的涡轮流量计故障识别方法。
本领域普通技术人员应理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，具体的介质类型本申请不做限制。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种涡轮流量计故障识别方法，其特征在于，所述方法包括如下步骤：
采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；
根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；
将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；
将偏振信号进行时频域转换，得到故障特征频率；
将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
2.如权利要求1所述的一种涡轮流量计故障识别方法，其特征在于，所述将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号包括：
采集工作状态下电涡流传感器的输出数据作为工作数据；
筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。
3.如权利要求1所述的一种涡轮流量计故障识别方法，其特征在于，所述将偏振信号进行时频域转换，得到故障特征频率包括：
利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号；
对故障特征信号进行滤波变换后生成对应的频谱曲线图像；
提取频谱曲线图像中峰值区域的频率范围，得到故障特征频率。
4.如权利要求1所述的一种涡轮流量计故障识别方法，其特征在于，所述根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库包括：
采集不同偏振原因在低频频谱对应的偏振特征频率，所述偏振原因包括齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲；
将偏振原因与偏振特征频率形成映射关系；
将多种偏振原因与偏振特征频率形成映射关系组成映射关系集；
将映射关系集保存至数据库构成偏振特征数据库。
5.一种涡轮流量计故障识别装置，其特征在于，该装置包括：
初始数据采集模块：用于采集正常状态下电涡流传感器的输出数据作为初始数据，并将初始数据记录在数据库中；所述电涡流传感器的输出数据为电涡流传感器与涡轮叶片间的距离；
偏振特征数据库构建模块：用于根据已知故障类型以及对应的偏振特征频率构建偏振特征数据库；
偏振信号识别模块：用于将工作状态下电涡流传感器输出的数据与数据库中的初始参数对比，识别偏振信号；
故障特征频率获取模块：用于将偏振信号进行时频域转换，得到故障特征频率；
故障结果识别模块：用于将故障特征频率与偏振特征数据库内的偏振特征频率进行对比，得到转动部件故障的识别结果。
6.如权利要求5所述的一种涡轮流量计故障识别装置，其特征在于，所述偏振信号识别模块具体用于：
采集工作状态下电涡流传感器的输出数据作为工作数据；
筛选工作数据相对于初始数据变化超过设定阈值的数据，得到在时域的偏振信号。
7.如权利要求5所述的一种涡轮流量计故障识别装置，其特征在于，所述故障特征频率获取模块具体用于：
利用短时傅里叶变换将时域的偏振信号变换至频域，得到在频域的故障特征信号；
对故障特征信号进行滤波变换后生成对应的频谱曲线图像；
提取频谱曲线图像中峰值区域的频率范围，得到故障特征频率。
8.如权利要求5所述的一种涡轮流量计故障识别装置，其特征在于，所述偏振特征数据库构建模块具体用于：
采集不同偏振原因在低频频谱对应的偏振特征频率，所述偏振原因包括齿轮故障、轴承保持架磨损、轴承滚珠磨损和主轴弯曲；
将偏振原因与偏振特征频率形成映射关系；
将多种偏振原因与偏振特征频率形成映射关系组成映射关系集；
将映射关系集保存至数据库构成偏振特征数据库。
9.一种电子设备，其特征在于，包括：
处理器、存储器、与网关通信的接口；
存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行权利要求1至4任一项所述的一种涡轮流量计故障识别方法。
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程序，所述程序在被处理器执行时用于执行权利要求1至4任一项所述的一种涡轮流量计故障识别方法。
CN202310814140.1A 2023-07-04 2023-07-04 一种涡轮流量计故障识别方法、装置、设备和存储介质 Pending CN117077031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310814140.1A CN117077031A (zh) 2023-07-04 2023-07-04 一种涡轮流量计故障识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310814140.1A CN117077031A (zh) 2023-07-04 2023-07-04 一种涡轮流量计故障识别方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117077031A true CN117077031A (zh) 2023-11-17

Family

ID=88718300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310814140.1A Pending CN117077031A (zh) 2023-07-04 2023-07-04 一种涡轮流量计故障识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117077031A (zh)

Similar Documents

Publication Publication Date Title
US10495693B2 (en) Wind turbine fault detection using acoustic, vibration, and electrical signals
CN108780025B (zh) 状态监视系统和风力发电装置
CN104865400B (zh) 一种风电机组转速的检测识别方法及系统
CN103140672B (zh) 在风力发电厂中执行状况监测的方法
Jabłoński et al. Automatic validation of vibration signals in wind farm distributed monitoring systems
GB2616970A (en) Gearbox fault diagnosis model training method and gearbox fault diagnosis method
JP2012007612A (ja) ターボ機械のエーロフォイルの寿命管理システムおよび方法
CN110398384A (zh) 旋转机械的机器健康监测
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN116593811A (zh) 一种集成型变频器运行状态监测系统及监测方法
Gómez et al. Analysis of vibration signals of drivetrain failures in wind turbines for condition monitoring
Kannan et al. Demodulation band optimization in envelope analysis for fault diagnosis of rolling element bearings using a real-coded genetic algorithm
KR102226971B1 (ko) 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
CN115186701A (zh) 轴承寿命预测方法、装置、电子设备及存储介质
US20240053225A1 (en) Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component
CN117113200A (zh) 转子故障诊断方法、装置、电子设备及介质
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
CN114576102A (zh) 风电机组轴承状态的预测方法、装置、设备及存储介质
CN117077031A (zh) 一种涡轮流量计故障识别方法、装置、设备和存储介质
CN115270896B (zh) 一种用于识别航空发动机主轴承松动故障的智能诊断方法
CN114091197A (zh) 一种风电机组整机承载部件寿命评估方法
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
CN115539322A (zh) 一种风电机组故障在线检测方法
CN117851873B (zh) 一种基于动态接触角的轴承运行状态评估方法及系统

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