CN117268535A - 一种基于振动数据的电机转轴状态监测方法 - Google Patents
一种基于振动数据的电机转轴状态监测方法 Download PDFInfo
- Publication number
- CN117268535A CN117268535A CN202311557535.4A CN202311557535A CN117268535A CN 117268535 A CN117268535 A CN 117268535A CN 202311557535 A CN202311557535 A CN 202311557535A CN 117268535 A CN117268535 A CN 117268535A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- data
- vibration data
- motor
- rotating shaft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000036541 health Effects 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于振动数据的电机转轴状态监测方法,涉及监测领域,包括:采集电机处于正常状态以及异常状态下的电机转轴的振动数据,获得电机转轴的历史故障及健康振动数据;分别获得所有历史故障及健康振动数据的幅值数据集;基于幅值数据集进行分析处理获得第一幅值阈值和第二阈值,采集待监测电机的电机转轴的实时振动数据,计算获得实时振动数据的幅值数据,基于实时振动数据的幅值数据和第一幅值阈值分析判断待监测电机的电机转轴是否正常,或,基于实时振动数据的幅值数据和第二阈值分析判断待监测电机的电机转轴是否正常;本发明能够解决现有基于振动数据的状态监测方法存在的训练时间长、需要故障样本多以及模型复杂度高的问题。
Description
技术领域
本发明涉及监测领域,具体地,涉及一种基于振动数据的电机转轴状态监测方法。
背景技术
目前基于振动数据的状态监测方法主要是将振动信号的时域特征、频域特征、时域和频域的混合特征作为指标,利用机器学习、神经网络、深度学习等方法进行状态监测。但这些方法需要大量的训练时间和故障样本,且随着模型的复杂度增加,训练的时间将大幅增加,对故障样本的需求也会越大。
发明内容
为解决现有基于振动数据的状态监测方法存在的训练时间长、需要故障样本多以及模型复杂度高的问题,本发明提供了一种基于振动数据的电机转轴状态监测方法,所述方法包括:
步骤1:采集电机处于正常状态以及异常状态下的电机转轴的振动数据,并将采集的数据存储至数据库中;
步骤2:基于所述数据库中电机处于异常状态下的电机转轴的振动数据,获得电机转轴的历史故障振动数据;基于所述数据库中电机处于正常状态下的电机转轴的振动数据,获得电机转轴的历史健康振动数据;
步骤3:分别将历史故障振动数据和历史健康振动数据中的每段故障振动数据和每段健康振动数据的时域信号变换到频域,分别获得每段故障振动数据和每段健康振动数据的幅频谱,从获得的幅频谱中提取1至n阶频率所对应的幅值,获得每段故障振动数据和每段健康振动数据的幅值数据,分别基于所有故障振动数据和所有健康振动数据的幅值数据获得所有历史故障振动数据的第一幅值数据集G和所有历史健康振动数据的第二幅值数据集D,n为阶数,表示第n阶频率;
步骤4:计算第一幅值数据集G的第k阶频率的幅值的最大值Mk、平均值和标准差以及计算第二幅值数据集D的第k阶频率的幅值的最小值Pk、平均值/>和标准差/>,获得计算结果,基于计算结果获得第k阶频率的第一幅值阈值Jk;
计算获得第二幅值数据集D的第一平均值,计算第i段健康振动数据的幅值数据与第一平均值/>的距离hi,获得第二幅值数据集中所有幅值数据与第一平均值/>的第一距离集R,计算获得第一距离集R的最大值Q、平均值/>和标准差/>,1≤i≤m,m为健康振动数据的段数总量;
计算获得第一幅值数据集的第二平均值,计算第j段故障振动数据的幅值数据与第二平均值/>的距离Sj,获得第一幅值数据集中所有幅值数据与第二平均值/>的第二距离集S,计算获得第二距离集S的平均值/>和标准差/>,1≤j≤p,p为故障振动数据的段数总量;
计算第j段故障振动数据的幅值数据与第一平均值的距离Xj,获得第一幅值数据集中所有幅值数据与第一平均值的第三距离集X,计算获得第三距离集X的最小值Y;
基于第一距离集R的最大值Q、第一距离集R的标准差和第二距离集S的标准差/>计算获得整体幅值数据的第二阈值J;
步骤5:采集待监测电机的电机转轴的实时振动数据,计算获得实时振动数据的幅值数据,基于实时振动数据的幅值数据中任意k阶频率的幅值数据和第一幅值阈值Jk分析判断待监测电机的电机转轴是否正常,或,基于实时振动数据的1~n阶频率的幅值数据、第一平均值和整体幅值数据的第二阈值J分析判断待监测电机的电机转轴是否正常。
其中,本方法与传统基于振动数据的状态监测方法不同的是,本方法并不采用机器学习、神经网络、深度学习等方法进行状态监测,而是发现电机转轴振动信号中包含了大量电机转轴运行状态的信息,对电机转轴振动进行监测可以有效的判断电机转轴的运行状态,从而实现状态监测,降低电机发生重大事故的概率,本方法利用电机转轴的振动数据,通过傅里叶变换提取幅频谱来达到监测电机转轴工作状态的目的,进而来发现电机的转轴是否正常,并不需要大量的故障样本进行训练和构建复杂的模型,使得本方法能够高效的实现电机转轴是否正常的快速判断。
在一些实施例中,所述步骤1具体包括:为了获得电机转轴的振动数据,在电机转轴上安装振动传感器,基于振动传感器采集电机处于正常状态以及异常状态下的电机转轴的振动数据,将振动数据通过数据传输单元传输至服务器的数据库中存储,存储在数据库中便于后续调取分析判断。
在一些实施例中,所述步骤2中历史故障振动数据为F,F=(f1,f2,...,fj,...,fp),fj为第j段故障振动数据;历史健康振动数据为H,H=(H1,H2,...,Hi,...,Hm),Hi为第i段健康振动数据,分别采集历史健康振动数据和历史故障振动数据的目的是利用故障数据和健康数据确定阈值。
在一些实施例中,所述步骤3获得第i段健康振动数据的第1至n阶频率的幅值数据为Di,,1≤k≤n,所述步骤3获得第j段故障振动数据的第1至n阶频率的幅值数据为Gj,/>;第一幅值数据集为G,G=(G1,G2,...,Gj,...,Gp),第二幅值数据集为D,D=(D1,D2,...,Di,...,Dm)。分别求取幅值数据的目的是健康振动数据和故障振动数据在不同阶频率中表现出的幅值不同。
在一些实施例中,步骤4中第二幅值数据集D的第k阶频率的幅值为:,其中,通过求得第二幅值数据集D的第k阶频率的幅值,可以获取健康振动数据中同一阶频率下的幅值,用于获得健康振动数据中同一阶频率下的幅值信息,例如最大值、平均值等;
第二幅值数据集D的第k阶频率的幅值的最大值为Mk,,第二幅值数据集D的第k阶频率的幅值的平均值为/>,/>,第二幅值数据集D的第k阶频率的幅值的标准差为/>,;其中,通过上述方式可以求得幅值的特征值:最大值、平均值和标准差属于,求最大值的原因是同一阶频率下健康数据的幅值一般比故障数据小。因此,计算同一阶频率下健康数据的最大值幅值。
步骤4中第一幅值数据集G的第k阶频率的幅值为:,其中,由于同一阶频率下健康数据的幅值比故障数据小。因此,计算同一阶频率下故障数据的最小值幅值。第一幅值数据集G的第k阶频率的幅值的最小值为Pk,,第一幅值数据集G的第k阶频率的幅值的平均值为/>,/>,第一幅值数据集G的第k阶频率的幅值的标准差为/>,;本方法通过求取幅值的平均值来方便求标准差,求标准差是为了判断幅值波动有多大,以便在最小值的基础上减去标准差的倍数(倍数即系数)。
步骤4中第一幅值阈值Jk的计算方式为:
判断是否满足,若满足则/>,若不满足则。/>为第二幅值数据集D的第k阶频率的幅值的标准差/>的系数,/>为第一幅值数据集G的第k阶频率的幅值的标准差/>的系数。这两个系数可根据实际情况进行确定。
其中,是在健康数据第k节频率下最大幅值加上标准差的倍数,作为基于健康数据的阈值,/>是在故障数据第k节频率下最小幅值减去标准差的倍数,作为基于故障数据的阈值,第一幅值阈值Jk采用上述两个阈值的最小值,通过上述方式能够准确快速的计算出第一幅值阈值Jk。
在一些实施例中,步骤4中第一平均值的计算方式为:/>,距离hi的计算方式为:/>,第一距离集R=(R1,R2,...,Ri,...,Rm),Ri为第一距离集R中的第i个元素,第一距离集R的最大值Q=max(R1,R2,...,Ri,...,Rm),第一距离集R的平均值/>,第一距离集R的标准差/>;
步骤4中第二平均值,距离/>,第二距离集S=(S1,S2,...,Sj,...,Sp),Sj为第二距离集S的第j个元素,第二距离集S的平均值/>,第二距离集S的标准差/>,距离/>,第三距离集X=(X1,X2,...,Xj,...,Xp),第三距离集X的最小值Y=min(X1,X2,...,Xj,...,Xp),Xj为第三距离集X的第j个元素;
第二阈值J的计算方式为:
判断是否满足,若满足则第二阈值/>,若不满足则第二阈值/>,/>为/>的系数,/>为/>的系数,这两个系数可根据实际情况进行确定。
其中,是在健康数据下最大距离加上标准差的倍数,作为基于健康数据的阈值,/>是在故障数据第k节频率下最小距离减去标准差的倍数,作为基于故障数据的阈值,第二阈值采用上述两个阈值的最小值,通过上述方式能够准确且快速的计算出第二阈值J。
在一些实施例中,若电机的电机转轴出现异常,则实时振动数据的幅值数据中至少有1个阶频率的幅值数据大于第一幅值阈值Jk,因此,所述步骤5中若实时振动数据的幅值数据中任意k阶频率的幅值数据均大于第一幅值阈值Jk,则判断待监测电机的电机转轴异常,否则判断待监测电机的电机转轴正常;或实时振动数据的1~n阶频率的幅值数据与第一平均值的距离大于第二阈值J,则判断待监测电机的电机转轴异常,否则判断待监测电机的电机转轴正常。
在一些实施例中,步骤5中实时振动数据为fnew,实时振动数据的幅值数据为Dnew,,/>为实时振动数据的第k阶频率的幅值数据,Dnew与第一平均值的距离为hnew,/>。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本方法能够高效的实现电机转轴是否正常的快速判断。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为一种基于振动数据的电机转轴状态监测方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
请参考图1,图1为一种基于振动数据的电机转轴状态监测方法的流程示意图,本发明提供了一种基于振动数据的电机转轴状态监测方法,所述方法包括:
步骤1:采集电机处于正常状态以及异常状态下的电机转轴的振动数据,并将采集的数据存储至数据库中;
步骤2:基于所述数据库中电机处于异常状态下的电机转轴的振动数据,获得电机转轴的历史故障振动数据;基于所述数据库中电机处于正常状态下的电机转轴的振动数据,获得电机转轴的历史健康振动数据;
步骤3:分别将历史故障振动数据和历史健康振动数据中的每段故障振动数据和每段健康振动数据的时域信号变换到频域,分别获得每段故障振动数据和每段健康振动数据的幅频谱,从获得的幅频谱中提取1至n阶频率所对应的幅值,获得每段故障振动数据和每段健康振动数据的幅值数据,分别基于所有故障振动数据和所有健康振动数据的幅值数据获得所有历史故障振动数据的第一幅值数据集G和所有历史健康振动数据的第二幅值数据集D;
步骤4:计算第一幅值数据集G的第k阶频率的幅值的最大值Mk、平均值和标准差以及计算第二幅值数据集D的第k阶频率的幅值的最小值Pk、平均值/>和标准差/>,获得计算结果,基于计算结果获得第k阶频率的第一幅值阈值Jk;
计算获得第二幅值数据集D的第一平均值,计算第i段健康振动数据的幅值数据与第一平均值/>的距离hi,获得第二幅值数据集中所有幅值数据与第一平均值/>的第一距离集R,计算获得第一距离集R的最大值Q、平均值/>和标准差/>,1≤i≤m,m为健康振动数据的段数总量;
计算获得第一幅值数据集的第二平均值,计算第j段故障振动数据的幅值数据与第二平均值/>的距离Sj,获得第一幅值数据集中所有幅值数据与第二平均值/>的第二距离集S,计算获得第二距离集S的平均值/>和标准差/>,1≤j≤p,p为故障振动数据的段数总量;
计算第j段故障振动数据的幅值数据与第一平均值的距离Xj,获得第一幅值数据集中所有幅值数据与第一平均值的第三距离集X,计算获得第三距离集X的最小值Y;
基于第一距离集R的最大值Q、第一距离集R的标准差和第二距离集S的标准差/>计算获得整体幅值数据的第二阈值J;
步骤5:采集待监测电机的电机转轴的实时振动数据,计算获得实时振动数据的幅值数据,基于实时振动数据的幅值数据中任意k阶频率的幅值数据和第一幅值阈值Jk分析判断待监测电机的电机转轴是否正常,或,基于实时振动数据的1~n阶频率的幅值数据、第一平均值和整体幅值数据的第二阈值J分析判断待监测电机的电机转轴是否正常。
申请人发现电机转轴振动信号中包含了大量电机转轴运行状态的信息。对电机转轴振动进行监测可以有效的判断电机转轴的运行状态,从而实现状态监测,降低电机发生重大事故的概率。对此,本方法拟利用电机转轴的振动数据,通过傅里叶变换提取幅频谱来达到监测电机转轴工作状态的目的。
第一步,数据获取阶段。在电机转轴上安装振动传感器和无线传输模块(或通过有线的传输方式,本发明对具体数据的传输方式不进行限定),在服务器上安装无线接收模块。当电机开始工作时,振动传感器采集振动数据,并通过无线模块发送到服务器。服务器通过无线接收模块接收振动数据并将其存储于数据库中。
第二步,数据提取阶段。
通过历史数据库获得电机转轴的历史故障振动数据F=(f1,f2,...,fj,...,fp),其中,fj为第j段故障振动数据,1≤j≤p,p为故障振动数据的段数总量,p为故障振动数据的数量。
通过历史数据库获得电机转轴的历史健康振动数据:
H=(H1,H2,...,Hi,...,Hm),其中,Hi为第i段健康振动数据,1≤i≤m,m为健康振动数据的段数总量。
第三步,数据处理阶段。
利用傅里叶变换将每段振动数据的时域信号变换到频域,从而获得每段振动数据的幅频谱,并提取幅频谱中第1至n(n为正整数,根据实际情况而定)阶频率所对应的幅值,得到第i段健康振动数据的第1至n阶频率的幅值数据为和第j段故障振动数据的第1至n阶频率的幅值数据为/>,其中,/>为第i段健康振动数据的第k阶频率的幅值,1≤k≤n,/>为第j段故障振动数据的第k阶频率的幅值。从而得到所有历史健康振动数据的第二幅值数据D=(D1,D2,...,Di,...,Dm)和所有历史故障振动数据的第一幅值数据G=(G1,G2,...,Gj,...,Gp)。
第四步,阈值确定阶段。
计算第二幅值数据D的第k阶频率的幅值的最大值、平均值/>和标准差。
计算第一幅值数据G的第k阶频率的幅值的最小值、平均值/>和标准差。
如果,则设置第k阶频率的第一幅值阈值/>,反之,设置第k阶频率的第一幅值阈值/>,/>和/>是根据实际情况而定。
计算D=(D1,D2,...,Di,...,Dm)的第一平均值,然后计算第i段振动数据的幅值数据与第一平均值/>的距离/>,得到D中所有幅值数据与第一平均值/>的第一距离集R=(R1,R2,...,Ri,...,Rm),Ri为第一距离集R中的第i个元素,计算R的最大值Q=max(R1,R2,...,Ri,...,Rm)、平均值/>和标准差。
计算G=(G1,G2,...,Gj,...,Gp)的第二平均值,然后计算第j段振动数据的幅值数据与第二平均值/>的距离/>,得到G中所有幅值数据与第二平均值/>的第二距离集S=(S1,S2,...,Sj,...,Sp),Sj为第二距离集S的第j个元素,计算S的平均值/>和标准差/>。
接着计算第j段振动数据的幅值数据与第一平均值的距离/>,得到G中所有幅值数据与第一平均值/>的第三距离集X=(X1,X2,...,Xj,...,Xp),Xj为第三距离集X的第j个元素,再计算X的最小值Y=min(X1,X2,...,Xj,...,Xp)。
如果,则设置整体幅值数据的第二阈值/>,反之,设置整体幅值数据的第二阈值/>,/>和/>是根据实际情况而定。
第五步,决策阶段。当获得最新的振动数据fnew,计算振动数据的幅值数据,/>为实时振动数据的第k阶频率的幅值数据,判断Dnew中任意第k阶频率的幅值数据/>或幅值数据Dnew与第一平均值/>的距离/>,则判断电机转轴有异常,需要进行检查,并在服务器上显示报警。否则,电机转轴正常。
先通过安装振动传感器和无线传输模块获取历史振动数据,然后根据历史振动数据,利用振动数据的频谱中第1~n阶频率的幅频谱数值,并设置了第1~n阶频率的n个阈值和整体幅频谱数据的阈值,最后制定了决策规则,从而实现快速判断电机转轴的工作状态是否有异常。
本发明能充分利用历史振动数据,快速判断电机转轴的工作状态是否有异常。具有计算量小,速度快等特点。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于振动数据的电机转轴状态监测方法,其特征在于,所述方法包括:
步骤1:采集电机处于正常状态以及异常状态下的电机转轴的振动数据,并将采集的数据存储至数据库中;
步骤2:基于所述数据库中电机处于异常状态下的电机转轴的振动数据,获得电机转轴的历史故障振动数据;基于所述数据库中电机处于正常状态下的电机转轴的振动数据,获得电机转轴的历史健康振动数据;
步骤3:分别将历史故障振动数据和历史健康振动数据中的每段故障振动数据和每段健康振动数据的时域信号变换到频域,分别获得每段故障振动数据和每段健康振动数据的幅频谱,从获得的幅频谱中提取1至n阶频率所对应的幅值,获得每段故障振动数据和每段健康振动数据的幅值数据,分别基于所有故障振动数据和所有健康振动数据的幅值数据获得所有历史故障振动数据的第一幅值数据集G和所有历史健康振动数据的第二幅值数据集D;
步骤4:计算第一幅值数据集G的第k阶频率的幅值的最大值Mk、平均值和标准差/>以及计算第二幅值数据集D的第k阶频率的幅值的最小值Pk、平均值/>和标准差/>,获得计算结果,基于计算结果获得第k阶频率的第一幅值阈值Jk;
计算获得第二幅值数据集D的第一平均值,计算第i段健康振动数据的幅值数据与第一平均值/>的距离hi,获得第二幅值数据集中所有幅值数据与第一平均值/>的第一距离集R,计算获得第一距离集R的最大值Q、平均值/>和标准差/>,1≤i≤m,m为健康振动数据的段数总量;
计算获得第一幅值数据集的第二平均值,计算第j段故障振动数据的幅值数据与第二平均值的距离Sj,获得第一幅值数据集中所有幅值数据与第二平均值/>的第二距离集S,计算获得第二距离集S的平均值/>和标准差/>,1≤j≤p,p为故障振动数据的段数总量;
计算第j段故障振动数据的幅值数据与第一平均值的距离Xj,获得第一幅值数据集中所有幅值数据与第一平均值的第三距离集X,计算获得第三距离集X的最小值Y;
基于第一距离集R的最大值Q、第一距离集R的标准差和第二距离集S的标准差/>计算获得整体幅值数据的第二阈值J;
步骤5:采集待监测电机的电机转轴的实时振动数据,计算获得实时振动数据的幅值数据,基于实时振动数据的幅值数据中任意k阶频率的幅值数据和第一幅值阈值Jk分析判断待监测电机的电机转轴是否正常,或,基于实时振动数据的1~n阶频率的幅值数据、第一平均值和整体幅值数据的第二阈值J分析判断待监测电机的电机转轴是否正常。
2.根据权利要求1所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,所述步骤1具体包括:在电机转轴上安装振动传感器,基于振动传感器采集电机处于正常状态以及异常状态下的电机转轴的振动数据,将振动数据通过数据传输单元传输至服务器的数据库中存储。
3.根据权利要求1所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,所述步骤2中历史故障振动数据为F,F=(f1,f2,...,fj,...,fp),fj为第j段故障振动数据;历史健康振动数据为H,H=(H1,H2,...,Hi,...,Hm),Hi为第i段健康振动数据。
4.根据权利要求1所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,所述步骤3获得第i段健康振动数据的第1至n阶频率的幅值数据为Di,,1≤k≤n,/>为第i段健康振动数据的第k阶频率的幅值,所述步骤3获得第j段故障振动数据的幅值数据为Gj,/>,/>为第j段故障振动数据的第k阶频率的幅值;第一幅值数据集为G,G=(G1,G2,...,Gj,...,Gp),第二幅值数据集为D,D=(D1,D2,...,Di,...,Dm)。
5.根据权利要求4所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,步骤4中第二幅值数据集D的第k阶频率的幅值为:,第二幅值数据集D的第k阶频率的幅值的最大值为Mk,/>,第二幅值数据集D的第k阶频率的幅值的平均值为/>,/>,第二幅值数据集D的第k阶频率的幅值的标准差为/>,/>;
步骤4中第一幅值数据集G的第k阶频率的幅值为:,第一幅值数据集G的第k阶频率的幅值的最小值为Pk,/>,第一幅值数据集G的第k阶频率的幅值的平均值为/>,/>,第一幅值数据集G的第k阶频率的幅值的标准差为/>,/>;
步骤4中第一幅值阈值Jk的计算方式为:
判断是否满足,若满足则/>,若不满足则,/>为第二幅值数据集D的第k阶频率的幅值的标准差/>的系数,/>为第一幅值数据集G的第k阶频率的幅值的标准差/>的系数。
6.根据权利要求4所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,步骤4中第一平均值的计算方式为:/>,距离hi的计算方式为:,第一距离集R=(R1,R2,...,Ri,...,Rm),Ri为第一距离集R中的第i个元素,第一距离集R的最大值Q=max(R1,R2,...,Ri,...,Rm),第一距离集R的平均值,第一距离集R的标准差/>;
步骤4中第二平均值,距离/>,第二距离集S=(S1,S2,...,Sj,...,Sp),Sj为第二距离集S的第j个元素,第二距离集S的平均值/>,第二距离集S的标准差/>,距离/>,第三距离集X=(X1,X2,...,Xj,...,Xp),第三距离集X的最小值Y=min(X1,X2,...,Xj,...,Xp),Xj为第三距离集X的第j个元素;
第二阈值J的计算方式为:
判断是否满足,若满足则第二阈值/>,若不满足则第二阈值,/>为/>的系数,/>为/>的系数。
7.根据权利要求1所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,所述步骤5中若实时振动数据的幅值数据中任意k阶频率的幅值数据均大于第一幅值阈值Jk,则判断待监测电机的电机转轴异常,否则判断待监测电机的电机转轴正常;或实时振动数据的1~n阶频率的幅值数据与第一平均值的距离大于第二阈值J,则判断待监测电机的电机转轴异常,否则判断待监测电机的电机转轴正常。
8.根据权利要求7所述的一种基于振动数据的电机转轴状态监测方法,其特征在于,步骤5中实时振动数据为fnew,实时振动数据的幅值数据为Dnew,,/>为实时振动数据的第k阶频率的幅值数据,Dnew与第一平均值/>的距离为hnew,/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557535.4A CN117268535B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动数据的电机转轴状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557535.4A CN117268535B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动数据的电机转轴状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117268535A true CN117268535A (zh) | 2023-12-22 |
CN117268535B CN117268535B (zh) | 2024-01-26 |
Family
ID=89219986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311557535.4A Active CN117268535B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动数据的电机转轴状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117268535B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004361286A (ja) * | 2003-06-05 | 2004-12-24 | Nittetsu Yahata Eng Kk | 回転機械の劣化診断方法 |
JP2006292734A (ja) * | 2005-03-15 | 2006-10-26 | Omron Corp | 検査装置用の判定モデル作成支援装置および検査装置ならびに耐久試験装置および耐久試験方法 |
US20120192407A1 (en) * | 2011-02-01 | 2012-08-02 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Process and Apparatus for Nondestructive Evaluation of the Quality of a Crimped Wire Connector |
CN104048749A (zh) * | 2014-06-24 | 2014-09-17 | 东北电力大学 | 一种风电机组振动故障检测系统及方法 |
US20140298099A1 (en) * | 2010-12-31 | 2014-10-02 | Institute Of Automation, Chinese Academy Of Sciences | Intelligent detection system and method for detecting device fault |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
US20160370260A1 (en) * | 2015-06-19 | 2016-12-22 | Conocophillips Company | System and method for event detection using streaming signals |
CN111259730A (zh) * | 2019-12-31 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于多变量状态估计的状态监测方法及系统 |
CN111946559A (zh) * | 2020-08-03 | 2020-11-17 | 武汉理工大学 | 一种风机基础和塔架结构检测方法 |
CN115358286A (zh) * | 2022-07-11 | 2022-11-18 | 陕西千山航空电子有限责任公司 | 一种直升机振动健康状态监测方法 |
CN115824636A (zh) * | 2022-12-23 | 2023-03-21 | 西安交通大学 | 一种自适应能量增长稀疏性度量的汽车变速箱状态监测方法 |
CN116383633A (zh) * | 2023-04-20 | 2023-07-04 | 中铁二院工程集团有限责任公司 | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 |
CN117072460A (zh) * | 2023-10-16 | 2023-11-17 | 四川中测仪器科技有限公司 | 一种基于振动数据和专家经验的离心泵状态监测方法 |
-
2023
- 2023-11-22 CN CN202311557535.4A patent/CN117268535B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004361286A (ja) * | 2003-06-05 | 2004-12-24 | Nittetsu Yahata Eng Kk | 回転機械の劣化診断方法 |
JP2006292734A (ja) * | 2005-03-15 | 2006-10-26 | Omron Corp | 検査装置用の判定モデル作成支援装置および検査装置ならびに耐久試験装置および耐久試験方法 |
US20140298099A1 (en) * | 2010-12-31 | 2014-10-02 | Institute Of Automation, Chinese Academy Of Sciences | Intelligent detection system and method for detecting device fault |
US20120192407A1 (en) * | 2011-02-01 | 2012-08-02 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Process and Apparatus for Nondestructive Evaluation of the Quality of a Crimped Wire Connector |
CN104048749A (zh) * | 2014-06-24 | 2014-09-17 | 东北电力大学 | 一种风电机组振动故障检测系统及方法 |
US20160370260A1 (en) * | 2015-06-19 | 2016-12-22 | Conocophillips Company | System and method for event detection using streaming signals |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
CN111259730A (zh) * | 2019-12-31 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于多变量状态估计的状态监测方法及系统 |
CN111946559A (zh) * | 2020-08-03 | 2020-11-17 | 武汉理工大学 | 一种风机基础和塔架结构检测方法 |
CN115358286A (zh) * | 2022-07-11 | 2022-11-18 | 陕西千山航空电子有限责任公司 | 一种直升机振动健康状态监测方法 |
CN115824636A (zh) * | 2022-12-23 | 2023-03-21 | 西安交通大学 | 一种自适应能量增长稀疏性度量的汽车变速箱状态监测方法 |
CN116383633A (zh) * | 2023-04-20 | 2023-07-04 | 中铁二院工程集团有限责任公司 | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 |
CN117072460A (zh) * | 2023-10-16 | 2023-11-17 | 四川中测仪器科技有限公司 | 一种基于振动数据和专家经验的离心泵状态监测方法 |
Non-Patent Citations (1)
Title |
---|
张曦 等: "基于核主元分析和模式匹配的非线性性能监控和故障诊断", 华北电力大学学报(自然科学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117268535B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829402A (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN111170103B (zh) | 设备故障识别方法 | |
Cui et al. | An investigation of rolling bearing early diagnosis based on high-frequency characteristics and self-adaptive wavelet de-noising | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN104318305B (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN113177537A (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN117268535B (zh) | 一种基于振动数据的电机转轴状态监测方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN111307461A (zh) | 一种基于特征向量基线法的滚动轴承故障检测方法 | |
CN111743535A (zh) | 一种基于图模型的脑电异常监测方法及系统 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN109359699A (zh) | 一种基于Alpha稳定分布的工业机组故障诊断方法 | |
CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN115048960A (zh) | 一种设备状态检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |