CN117345680B - 通风机检测方法、装置、计算机设备以及存储介质 - Google Patents
通风机检测方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN117345680B CN117345680B CN202311646449.0A CN202311646449A CN117345680B CN 117345680 B CN117345680 B CN 117345680B CN 202311646449 A CN202311646449 A CN 202311646449A CN 117345680 B CN117345680 B CN 117345680B
- Authority
- CN
- China
- Prior art keywords
- sample
- ventilator
- determining
- target
- order
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 205
- 238000005070 sampling Methods 0.000 claims abstract description 187
- 230000001133 acceleration Effects 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
本申请涉及一种通风机检测方法、装置、计算机设备以及存储介质。所述方法包括:获根据样本通风机的加速度传感数据确定样本采样波形;根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;根据样本振动信号确定样本通风机的样本阶次谱特征;获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。上述方案,提高了对通风机运行状态是否异常的检测效率,同时避免了转速波动对通风机检测结果的影响,提高了通风机检测结果的精确度。
Description
技术领域
本申请涉及通风机技术领域,特别是涉及一种通风机检测方法、装置、计算机设备以及存储介质。
背景技术
通风机状态检测系统承载着通风运行状态监控的重要作用。传统通风远程监控系统,需具备专业的统计分析能力及相关经验才能对通风机运行状态进行分析,运行值班人员很难进行分析发现潜在故障等问题。对于通风机这种大型旋转机械设备来说,往往是通过部署温度测点和振动测点来进行状态检测。
此外,现阶段通风机传统状态检测方法还可以是基于通风机结构参数计算的故障频率,通过等时间间隔振动信号采样波形进行快速傅里叶变换获得频谱,在频谱上提取故障特征频率对应的谱线幅值,结合风机振动烈度根据专家规则进行风机状态检测及故障诊断。由于通风机运行过程转速存在波动,而通风机运行故障特征频率与转速成线性关系,频谱变换为全局变换,难以通过频谱准确获取故障频率对应的谱线特征幅值,导致对通风机运行状态检测结果的误报。因此,如何提高通风机检测结果的精确性,是需要解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高通风机检测结果的精确性的通风机检测方法、装置、计算机设备以及存储介质。
第一方面,本申请提供了一种通风机检测方法,所述方法包括:
根据样本通风机的加速度传感数据确定样本采样波形;
根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常。
在其中一个实施例中,获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常,包括:
根据所述样本阶次谱特征确定状态因子阈值;
根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,根据所述目标阶次谱特征确定所述目标通风机的目标状态因子;
根据所述目标状态因子和所述状态因子阈值,确定所述目标通风机是否存在异常。
在其中一个实施例中,根据所述样本阶次谱特征确定状态因子阈值,包括:
对所述样本阶次谱特征进行一阶差分,确定样本趋势特征;
根据所述样本趋势特征确定样本状态因子,并根据所述样本状态因子确定状态因子阈值。
在其中一个实施例中,根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,根据所述目标阶次谱特征确定所述目标通风机的目标状态因子,包括:
根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,对所述目标阶次谱特征进行一阶差分,确定目标趋势特征;
根据所述目标趋势特征确定所述目标通风机的目标状态因子。
在其中一个实施例中,根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号,包括:
通过重采样算法,根据所述样本采样波形、所述样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定等角度振动信号;
通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,将所述角域平均振动信号作为样本振动信号。
在其中一个实施例中,根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,包括:
对所述样本采样波形进行短时傅里叶变换,确定样本变换系数集;
对所述样本变换系数集进行傅里叶逆变换,确定样本时域数据集;
对所述样本时域数据集中的时序数据进行过零点统计,根据过零点统计结果确定样本转速序列。
在一个实施例中,根据样本通风机的加速度传感数据确定样本采样波形,包括:
基于采样频率和采样长度,通过振动传感器获取样本通风机对应的样本测点的加速度传感数据;
根据所述加速度传感数据确定样本采样波形。
第二方面,本申请还提供了一种通风机检测装置,所述装置包括:
样本采样波形确定模块,用于根据样本通风机的加速度传感数据确定样本采样波形;
信号采样频率确定模块,用于根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
样本振动信号确定模块,用于根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
样本特征确定模块,用于根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
通风机检测模块,用于获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据样本通风机的加速度传感数据确定样本采样波形;
根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据样本通风机的加速度传感数据确定样本采样波形;
根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常。
上述通风机检测方法、装置、计算机设备以及存储介质,根据样本通风机的加速度传感数据确定样本采样波形;根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;根据样本振动信号确定样本通风机的样本阶次谱特征;获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。上述方案,解决了直接根据通风机的温度测点和振动测点的传感数据对通风机的运行状态进行检测,或者根据通风机运行故障特征频率对通风机的运行状态进行检测时,对通风机的运行状态检测精确度和检测效率较低的问题。通过对样本通风机的加速度传感数据进行数据处理,确定样本通风机的样本阶次谱特征,根据样本阶次谱特征和目标通风机的目标阶次谱特征确定目标通风机是否存在异常,避免了直接根据加速度传感数据对通风机进行检测导致的检测数据冗余现象,提高了对通风机运行状态是否异常的检测效率,同时避免了转速波动对通风机检测结果的影响,提高了通风机检测结果的精确度。
附图说明
图1为一个实施例中通风机检测方法的应用环境图;
图2为一个实施例中通风机检测方法的流程示意图;
图3为另一个实施例中通风机检测方法的流程示意图;
图4为另一个实施例中通风机检测方法的流程示意图;
图5为一个实施例中通风机检测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的通风机检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104根据样本通风机的加速度传感数据确定样本采样波形;根据样本采样波形确定样本时域数据集,以及样本时域数据集的样本转速序列,并确定阶次信号采样频率;根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;根据样本振动信号确定样本通风机的样本阶次谱特征;获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常,通过通信网络将目标通风机的检测结果发送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种通风机检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S210、根据样本通风机的加速度传感数据确定样本采样波形。
其中,样本通风机为能够正常运行的通风机。加速度传感数据是指样本通风机对应的样本振动测点检测到的加速度数据。样本采样波形是指一段时间内样本通风机的加速度数据形成的波形。
具体的,预先为样本通风机部署至少一个样本振动测点,样本通风机的采集板卡通过部署于通风机轴端径向垂直方向的振动传感器获取样本振动测点的加速度传感数据,并将样本振动测点的加速度传感数据作为样本通风机的加速度传感数据。例如,单个样本振动测点在t时刻的采样波形可以用Xt表示,,n为采样长度。
S220、根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率。
具体的,对样本采样波形进行时域信号带通短时傅里叶变换,确定样本时域数据集,对样本时域数据集中每一列时序数据进行转速提取,确定各列时许数据对应的转速,并将各列时许数据对应的转速进行整合,确定样本转速序列。可以根据通风机部件的运动学原理,以及通风机部件的结构参数确定样本通风机的阶次信号采样频率。例如可以获取样本通风机的最大故障频率,将最大故障频率和样本转速序列的比值作为通风机运行最大故障频率对应的电机转频阶次,根据电机转频阶次确定阶次信号采样频率。阶次信号采样频率的计算公式如公式(1)所示:
(1)
其中,为阶次信号采样频率,k为通风机运行最大故障频率对应的电机转频阶次。
S230、根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号。
其中,可以采用等角度振动信号作为样本振动信号。振动传感器的传感器采样频率是指预设的样本通风机的加速度传感数据的采样频率。
示例性的,通过重采样算法,根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率确定等角度振动信号,将等角度振动信号作为样本振动信号。可以将获取的样本转速序列、样本振动信号、样本转速序列对应的时间戳和样本振动信号对应的时间戳存入数据库中,以便后续根据数据库中存储的数据对样本阶次谱特征进行更新。
S240、根据样本振动信号确定样本通风机的样本阶次谱特征。
需要说明的是,通风机由叶片、转轴和轴承组成,对应的,样本阶次谱特征包括样本通风机叶片的阶次谱特征、样本通风机转轴的阶次谱特征和样本通风机轴承的阶次谱特征。
具体的,基于运动学理论知识可以获取通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次。对样本振动信号进行傅里叶变换确定样本阶次谱,基于通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次,从样本阶次谱中提取出样本通风机转轴的转动阶次对应的阶次谱幅值作为转轴的阶次谱特征,从样本阶次谱中提取出样本通风机轴承的转动阶次对应的阶次谱幅值作为轴承的阶次谱特征,从样本阶次谱中提取出样本通风机叶片的转动阶次对应的阶次谱幅值作为叶片的阶次谱特征。将样本通风机转轴的阶次谱特征、样本通风机轴承的阶次谱特征和样本通风机叶片的阶次谱特征作为样本通风机的样本阶次谱特征。其中,样本通风机叶片的样本阶次谱特征包括前六阶叶片振动频率谐频,样本通风机转轴的样本阶次谱特征包括前六阶转频谐频,样本通风机轴承的样本阶次谱特征包括前四阶内圈故障频率谐频、前四阶外圈故障频率谐频和前四阶滚动体故障频率谐频。
S250、获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。
具体的,获取目标通风机的加速度传感数据,根据目标通风机的加速度传感数据确定目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征的比较结果确定目标通风机是否存在异常。
例如,根据样本阶次谱特征的置信度对样本阶次谱特征进行特征提取,确定有效阶次谱特征,确定有效阶次谱特征的特征平均值,将目标阶次谱特征和特征平均值之间的差值作为特征差值,若特征差值小于预设的差值阈值,则确定目标通风机不存在异常;若特征差值大于或等于预设的差值阈值,则确定目标通风机存在异常。
上述通风机检测方法中,根据样本通风机的加速度传感数据确定样本采样波形;根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;根据样本振动信号确定样本通风机的样本阶次谱特征;获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。上述方案,解决了直接根据通风机的温度测点和振动测点的传感数据对通风机的运行状态进行检测,或者根据通风机运行故障特征频率对通风机的运行状态进行检测时,对通风机的运行状态检测精确度和检测效率较低的问题。通过对样本通风机的加速度传感数据进行数据处理,确定样本通风机的样本阶次谱特征,根据样本阶次谱特征和目标通风机的目标阶次谱特征确定目标通风机是否存在异常,避免了直接根据加速度传感数据对通风机进行检测导致的检测数据冗余现象,提高了对通风机运行状态是否异常的检测效率,同时避免了转速波动对通风机检测结果的影响,提高了通风机检测结果的精确度。
在一个实施例中,如图3所示,获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和所述样本阶次谱特征确定目标通风机是否存在异常,包括:
S310、根据样本阶次谱特征确定状态因子阈值。
示例性的,确定状态因子阈值的方法可以是:对样本阶次谱特征进行一阶差分,确定样本趋势特征;根据样本趋势特征确定样本状态因子,并根据样本状态因子确定状态因子阈值。
其中,一阶差分是指离散函数中连续相邻两项之差。样本趋势特征是指可以表征样本阶次谱特征在一段时间内变化趋势的数据。
例如,样本趋势特征可以包括一段时间内样本阶次谱的上升次数、下井次数和平滑次数,可以根据一段时间内样本阶次谱的上升次数、下井次数和平滑次数确定样本通风机的样本状态因子,根据样本状态因子确定状态因子阈值。可以将样本状态因子的平均值作为状态因子阈值,也可以确定健康状况最差的样本通风机对应的样本状态因子为状态因子阈值。
根据样本阶次谱特征的一阶差分结果确定样本状态因子,根据样本状态因子确定状态因子阈值,可以使得样本状态因子可以表征样本阶次谱特征的变化趋势,提高状态因子阈值的可靠性。
S320、根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,根据目标阶次谱特征确定目标通风机的目标状态因子。
其中,滑动窗数据是指包含有目标通风机的目标振动测点的阶次谱特征以及目标振动测点的阶次谱特征的上下文数据的数据集。
具体的,根据目标通风机的滑动窗数据确定目标振动测点的阶次谱特征以及目标振动测点的阶次谱特征的上下文数据,将目标振动测点的阶次谱特征以及目标振动测点的阶次谱特征的上下文数据作为目标阶次谱特征。根据目标阶次谱特征确定目标通风机的目标状态因子。若样本状态因子为样本阶次谱特征的平均值,则目标状态因子为目标阶次谱特征的平均值。
示例性的,目标通风机的目标状态因子的确定方法可以是:根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,对目标阶次谱特征进行一阶差分,确定目标趋势特征;根据目标趋势特征确定目标通风机的目标状态因子。
具体的,根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,目标阶次谱特征的表达式如公式(2)所示:
(2)
其中,l表示滑动窗长度,k表示目标振动测点传输的目标传感数据中提取的特征个数,i表示目标振动测点的编号,,/>,R为实域。目标振动测点是指为检测目标通风机加速度数据的位置,目标传感数据是指目标振动测点的加速度。
对目标阶次谱特征进行一阶差分,确定目标趋势特征,目标趋势特征的表达式如公式(3)所示:
(3)
其中,为目标趋势特征,/>,,/>。目标通风机的目标状态因子的计算公式如公式(4)所示:
(4)
其中,为目标通风机的目标状态因子。
上述方案,根据目标通风机的滑动窗数据确定目标阶次谱特征,根据目标阶次谱特征确定目标趋势特征,根据目标趋势特征确定目标通风机的目标状态因子,可以使得目标状态因子能够表征目标阶次谱特征的变化趋势,从而在后续根据目标状态因子和状态因子阈值确定目标通风机是否存在异常时,提高所确定的目标通风机运行状态判定结果的可靠性。
S330、根据目标状态因子和状态因子阈值,确定目标通风机是否存在异常。
具体的,比较目标状态因子和状态因子阈值,若目标状态因子大于状态因子阈值,确定目标通风机存在异常,若目标状态因子小于或等于状态因子阈值,确定目标通风机不存在异常。若目标通风机存在异常,则发出通风机异常告警信息。
上述方法,根据样本阶次谱特征确定状态因子阈值,根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,根据目标阶次谱特征确定目标状态因子,根据目标状态因子和状态因子阈值的比较结果确定目标通风机是否存在异常,实现了在对通风机的运行状态进行检测时,充分考虑到通风机在一段时间内的运行数据变化情况,避免由于通风机运行过程转速存在波动导致的对通风机运行状态检测结果的误报,提高了通风机的运行状态检测结果的可靠性。
在一个实施例中,根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号,包括:
通过重采样算法,根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定等角度振动信号;通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,将角域平均振动信号作为样本振动信号。
其中,等角度振动信号是指所采集的相邻两个振动信号之间的角度相同,振动信号即样本通风机的加速度传感数据。角域平均振动信号是指角域平均后的振动信号。
具体的,将样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率作为重采样算法的输入数据,并根据重采样算法的输出数据确定等角度振动信号。通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,并将角域平均震动信号作为样本振动信号。
可以理解的是,角域平均后的振动信号的光滑度优于等角度振动信号,因此采用角域平均振动信号作为样本振动信号,并对样本振动信号进行傅里叶变换确定样本阶次谱特征,可以提高样本阶次谱特征的准确度。
在一个实施例中,如图4所示,根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,包括:
S410、对样本采样波形进行短时傅里叶变换,确定样本变换系数集。
示例性的,样本变换系数集的确定方式如公式(5)所示:
(5)
其中,表示t时刻第m个样本通风机的滑动窗数据集离散傅里叶变换后频率f对应的样本变换系数,频率f是指第m个滑窗数据集的周期对应的周期频率,/>是指样本通风机的加速度传感数据的采样频率,样本通风机的滑动窗数据集是指样本采样波形对应的样本通风机的加速度数据。样本通风机的滑动窗数据可以通过局部自适应算法,根据样本采样波形确定,/>为定义的带通滤波器,/>为滑窗函数,且:
,/>,,
其中,表示滑动窗口长度,且/>,N为自然数集合。/>为样本通风机在正常运行时能够保持的最小转速工况,/>样本通风机在正常运行时能够保持的最大转速工况,即样本通风机在正常运行时的转速工况条件范围/>可以表示为:。
S420、对样本变换系数集进行傅里叶逆变换,确定样本时域数据集。
具体的,对样本变换系数集进行傅里叶逆变换,得到样本时域数据集,样本时域数据集可以表示为:/>,/>。
S430、对样本时域数据集中的时序数据进行过零点统计,根据过零点统计结果确定样本转速序列。
其中,过零点统计是指统计时序数据对应的波形越过纵坐标零点的次数。样本时域数据集为,则/>为样本时域数据集中的时序数据。
具体的,对样本时域数据集中的每一列时序数据均进行过零点统计,根据各列时序数据的过零点统计结果确定样本转速序列。样本转速序列可以表示为Zt,且。
示例性的,对St中第k列时序数据进行过零点统计的公式如公式(6)所示:
(6)
其中,nzero为第k列时序数据过零点统计结果,,,/>,。
sk的转速的计算公式如公式(7)所示:
(7)
其中,为sk的转速,/>表示滑动窗口长度。
本实施例中,提供了一种根据样本采样波形确定样本转速序列的方法,通过对样本采样波形的傅里叶变换结果进行傅里叶逆变换确定样本时域数据集,基于样本时域数据集中的时序数据过零点统计结果确定样本转速序列,可以提高样本转速序列的完整性和准确性。
在一个实施例中,根据样本通风机的加速度传感数据确定样本采样波形,包括:
基于采样频率和采样长度,通过振动传感器获取样本通风机对应的样本测点的加速度传感数据;根据加速度传感数据确定样本采样波形。
其中,采样频率fs和采样长度n可以根据实际需要进行设置。基于固定的采样频率和采样长度采集样本测点的加速度传感数据,并根据加速度传感数据确定样本采样波形,可以令获取的样本采样波形在采样频率和采样长度上具有统一性,从而保证后续提取出的样本阶次谱特征的可靠性。
示例性的,在上述实施例的基础上,通风机检测方法包括:
样本通风机的采集板卡通过部署于通风机轴端径向垂直方向的振动传感器,基于固定的采样频率fs和采样长度n获取样本振动测点的加速度传感数据,并将样本振动测点的加速度传感数据作为样本通风机的加速度传感数据,根据样本通风机的加速度传感数据确定样本采样波形。
对样本采样波形进行短时傅里叶变换,确定样本变换系数集。对样本变换系数集进行傅里叶逆变换,确定样本时域数据集。对样本变换系数集进行傅里叶逆变换,得到样本时域数据集,对样本时域数据集中的每一列时序数据均进行过零点统计,根据各列时序数据的过零点统计结果确定样本转速序列。获取样本通风机的最大故障频率,将最大故障频率和样本转速序列的比值作为通风机运行最大故障频率对应的电机转频阶次,根据电机转频阶次确定阶次信号采样频率。
将样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率作为重采样算法的输入数据,并根据重采样算法的输出数据确定等角度振动信号。通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,并将角域平均震动信号作为样本振动信号。
基于运动学理论知识可以获取通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次。对样本振动信号进行傅里叶变换确定样本阶次谱,基于通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次,从样本阶次谱中提取出样本通风机转轴的转动阶次对应的阶次谱幅值作为转轴的阶次谱特征,从样本阶次谱中提取出样本通风机轴承的转动阶次对应的阶次谱幅值作为轴承的阶次谱特征,从样本阶次谱中提取出样本通风机叶片的转动阶次对应的阶次谱幅值作为叶片的阶次谱特征。将样本通风机转轴的阶次谱特征、样本通风机轴承的阶次谱特征和样本通风机叶片的阶次谱特征作为样本通风机的样本阶次谱特征。
样本阶次谱特征进行一阶差分,确定样本趋势特征;根据样本趋势特征确定样本状态因子,并根据样本状态因子确定状态因子阈值。根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,对目标阶次谱特征进行一阶差分,确定目标趋势特征;根据目标趋势特征确定目标通风机的目标状态因子。比较目标状态因子和状态因子阈值,若目标状态因子大于状态因子阈值,确定目标通风机存在异常,若目标状态因子小于或等于状态因子阈值,确定目标通风机不存在异常。若目标通风机存在异常,则发出通风机异常告警信息。
上述通风机检测方法中,根据样本通风机的加速度传感数据确定样本采样波形;根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;根据样本振动信号确定样本通风机的样本阶次谱特征;获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。上述方案,解决了直接根据通风机的温度测点和振动测点的传感数据对通风机的运行状态进行检测,或者根据通风机运行故障特征频率对通风机的运行状态进行检测时,对通风机的运行状态检测精确度和检测效率较低的问题。通过对样本通风机的加速度传感数据进行数据处理,确定样本通风机的样本阶次谱特征,根据样本阶次谱特征和目标通风机的目标阶次谱特征确定目标通风机是否存在异常,避免了直接根据加速度传感数据对通风机进行检测导致的检测数据冗余现象,提高了对通风机运行状态是否异常的检测效率,同时避免了转速波动对通风机检测结果的影响,提高了通风机检测结果的精确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的通风机检测方法的通风机检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个通风机检测装置实施例中的具体限定可以参见上文中对于通风机检测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种通风机检测装置,包括:样本采样波形确定模块501、信号采样频率确定模块502、样本振动信号确定模块503、样本特征确定模块504和通风机检测模块505,其中:
样本采样波形确定模块501,用于根据样本通风机的加速度传感数据确定样本采样波形;
信号采样频率确定模块502,用于根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
样本振动信号确定模块503,用于根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
样本特征确定模块504,用于根据样本振动信号确定样本通风机的样本阶次谱特征;
通风机检测模块505,用于获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。
示例性的,通风机检测模块505具体用于:
根据样本阶次谱特征确定状态因子阈值;
根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,根据目标阶次谱特征确定目标通风机的目标状态因子;
根据目标状态因子和状态因子阈值,确定目标通风机是否存在异常。
进一步的,通风机检测模块505还具体用于:
对样本阶次谱特征进行一阶差分,确定样本趋势特征;
根据样本趋势特征确定样本状态因子,并根据样本状态因子确定状态因子阈值。
进一步的,通风机检测模块505还具体用于:
根据目标通风机的滑动窗数据确定目标通风机的目标阶次谱特征,对目标阶次谱特征进行一阶差分,确定目标趋势特征;
根据目标趋势特征确定目标通风机的目标状态因子。
示例性的,样本振动信号确定模块503具体用于:
通过重采样算法,根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定等角度振动信号;
通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,将角域平均振动信号作为样本振动信号。
示例性的,信号采样频率确定模块502具体用于:
对样本采样波形进行短时傅里叶变换,确定样本变换系数集;
对样本变换系数集进行傅里叶逆变换,确定样本时域数据集;
对样本时域数据集中的时序数据进行过零点统计,根据过零点统计结果确定样本转速序列。
示例性的,样本采样波形确定模块501具体用于:
基于采样频率和采样长度,通过振动传感器获取样本通风机对应的样本测点的加速度传感数据;
根据加速度传感数据确定样本采样波形。
上述通风机检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种通风机检测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤一、根据样本通风机的加速度传感数据确定样本采样波形;
步骤二、根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
步骤三、根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
步骤四、根据样本振动信号确定样本通风机的样本阶次谱特征;
步骤五、获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。
在一个实施例中,提供了一种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以下步骤:
步骤一、根据样本通风机的加速度传感数据确定样本采样波形;
步骤二、根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
步骤三、根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
步骤四、根据样本振动信号确定样本通风机的样本阶次谱特征;
步骤五、获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
步骤一、根据样本通风机的加速度传感数据确定样本采样波形;
步骤二、根据样本采样波形确定样本时域数据集,根据样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
步骤三、根据样本采样波形、样本转速序列、阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
步骤四、根据样本振动信号确定样本通风机的样本阶次谱特征;
步骤五、获取目标通风机的目标阶次谱特征,根据目标阶次谱特征和样本阶次谱特征确定目标通风机是否存在异常。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (7)
1.一种通风机检测方法,其特征在于,包括:
根据样本通风机的加速度传感数据确定样本采样波形;
根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常;
根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号,包括:
通过重采样算法,根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定等角度振动信号;
通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,将所述角域平均振动信号作为样本振动信号;
根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,包括:
对所述样本采样波形进行短时傅里叶变换,确定样本变换系数集;
对所述样本变换系数集进行傅里叶逆变换,确定样本时域数据集;
对所述样本时域数据集中的时序数据进行过零点统计,根据过零点统计结果确定样本转速序列;
根据所述样本振动信号确定所述样本通风机的样本阶次谱特征,包括:
对样本振动信号进行傅里叶变换确定样本阶次谱,基于通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次,从样本阶次谱中提取出样本通风机转轴的转动阶次对应的阶次谱幅值作为转轴的阶次谱特征,从样本阶次谱中提取出样本通风机轴承的转动阶次对应的阶次谱幅值作为轴承的阶次谱特征,从样本阶次谱中提取出样本通风机叶片的转动阶次对应的阶次谱幅值作为叶片的阶次谱特征,将样本通风机转轴的阶次谱特征、样本通风机轴承的阶次谱特征和样本通风机叶片的阶次谱特征作为样本通风机的样本阶次谱特征;
获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常,包括:
根据所述样本阶次谱特征确定状态因子阈值;
根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,根据所述目标阶次谱特征确定所述目标通风机的目标状态因子;
根据所述目标状态因子和所述状态因子阈值,确定所述目标通风机是否存在异常。
2.根据权利要求1所述的方法,其特征在于,根据所述样本阶次谱特征确定状态因子阈值,包括:
对所述样本阶次谱特征进行一阶差分,确定样本趋势特征;
根据所述样本趋势特征确定样本状态因子,并根据所述样本状态因子确定状态因子阈值。
3.根据权利要求1所述的方法,其特征在于,根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,根据所述目标阶次谱特征确定所述目标通风机的目标状态因子,包括:
根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,对所述目标阶次谱特征进行一阶差分,确定目标趋势特征;
根据所述目标趋势特征确定所述目标通风机的目标状态因子。
4.根据权利要求1所述的方法,其特征在于,根据样本通风机的加速度传感数据确定样本采样波形,包括:
基于采样频率和采样长度,通过振动传感器获取样本通风机对应的样本测点的加速度传感数据;
根据所述加速度传感数据确定样本采样波形。
5.一种通风机检测装置,其特征在于,所述通风机检测装置包括:
样本采样波形确定模块,用于根据样本通风机的加速度传感数据确定样本采样波形;
信号采样频率确定模块,用于根据所述样本采样波形确定样本时域数据集,根据所述样本时域数据集确定样本转速序列,并确定阶次信号采样频率;
样本振动信号确定模块,用于根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定样本振动信号;
样本特征确定模块,用于根据所述样本振动信号确定所述样本通风机的样本阶次谱特征;
通风机检测模块,用于获取目标通风机的目标阶次谱特征,根据所述目标阶次谱特征和所述样本阶次谱特征确定所述目标通风机是否存在异常;
样本振动信号确定模块,还用于通过重采样算法,根据所述样本采样波形、所述样本转速序列、所述阶次信号采样频率和振动传感器的传感器采样频率,确定等角度振动信号;通过时域同步平均算法,对等角度振动信号进行均值滤波处理,确定角域平均振动信号,将所述角域平均振动信号作为样本振动信号;
信号采样频率确定模块,还用于对所述样本采样波形进行短时傅里叶变换,确定样本变换系数集;对所述样本变换系数集进行傅里叶逆变换,确定样本时域数据集;对所述样本时域数据集中的时序数据进行过零点统计,根据过零点统计结果确定样本转速序列;
样本特征确定模块,还用于对样本振动信号进行傅里叶变换确定样本阶次谱,基于通风机转轴的转动阶次、轴承的转动阶次和叶片的转动阶次,从样本阶次谱中提取出样本通风机转轴的转动阶次对应的阶次谱幅值作为转轴的阶次谱特征,从样本阶次谱中提取出样本通风机轴承的转动阶次对应的阶次谱幅值作为轴承的阶次谱特征,从样本阶次谱中提取出样本通风机叶片的转动阶次对应的阶次谱幅值作为叶片的阶次谱特征,将样本通风机转轴的阶次谱特征、样本通风机轴承的阶次谱特征和样本通风机叶片的阶次谱特征作为样本通风机的样本阶次谱特征;
通风机检测模块,还用于根据所述样本阶次谱特征确定状态因子阈值;根据目标通风机的滑动窗数据确定所述目标通风机的目标阶次谱特征,根据所述目标阶次谱特征确定所述目标通风机的目标状态因子;根据所述目标状态因子和所述状态因子阈值,确定所述目标通风机是否存在异常。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求4中任一项所述的方法的步骤。
7.一种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权利要求1至权利要求4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646449.0A CN117345680B (zh) | 2023-12-04 | 2023-12-04 | 通风机检测方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646449.0A CN117345680B (zh) | 2023-12-04 | 2023-12-04 | 通风机检测方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117345680A CN117345680A (zh) | 2024-01-05 |
CN117345680B true CN117345680B (zh) | 2024-04-02 |
Family
ID=89359793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311646449.0A Active CN117345680B (zh) | 2023-12-04 | 2023-12-04 | 通风机检测方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117345680B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0264469A (ja) * | 1988-08-31 | 1990-03-05 | Mitsubishi Electric Corp | 信号分折装置 |
CN102288286A (zh) * | 2011-06-16 | 2011-12-21 | 中国科学院沈阳自动化研究所 | 一种振动加速度传感器齿轮箱测点精度分析与评价方法 |
CN102979755A (zh) * | 2012-11-19 | 2013-03-20 | 桂林电子科技大学 | 基于嵌入式数据采集系统的矿用风机机械故障诊断装置 |
CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
CN104077474A (zh) * | 2014-06-23 | 2014-10-01 | 华南理工大学 | 基于啮合频率和频谱校正技术的风电齿轮箱阶次跟踪方法 |
JP2019028032A (ja) * | 2017-08-03 | 2019-02-21 | 一般財団法人電力中央研究所 | 予兆検出装置、予兆検出方法、予兆検出プログラムおよび予兆検出システム |
CN112734001A (zh) * | 2020-12-09 | 2021-04-30 | 东南大学 | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 |
CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、系统及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8084968B2 (en) * | 2007-09-17 | 2011-12-27 | Sony Ericsson Mobile Communications Ab | Use of an accelerometer to control vibrator performance |
CA2869487A1 (en) * | 2013-10-30 | 2015-04-30 | Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project, As Such Owners Exist Now And In The Future | Method for diagnosing faults in slurry pump impellers |
-
2023
- 2023-12-04 CN CN202311646449.0A patent/CN117345680B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0264469A (ja) * | 1988-08-31 | 1990-03-05 | Mitsubishi Electric Corp | 信号分折装置 |
CN102288286A (zh) * | 2011-06-16 | 2011-12-21 | 中国科学院沈阳自动化研究所 | 一种振动加速度传感器齿轮箱测点精度分析与评价方法 |
CN102979755A (zh) * | 2012-11-19 | 2013-03-20 | 桂林电子科技大学 | 基于嵌入式数据采集系统的矿用风机机械故障诊断装置 |
CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
CN104077474A (zh) * | 2014-06-23 | 2014-10-01 | 华南理工大学 | 基于啮合频率和频谱校正技术的风电齿轮箱阶次跟踪方法 |
JP2019028032A (ja) * | 2017-08-03 | 2019-02-21 | 一般財団法人電力中央研究所 | 予兆検出装置、予兆検出方法、予兆検出プログラムおよび予兆検出システム |
CN112734001A (zh) * | 2020-12-09 | 2021-04-30 | 东南大学 | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 |
CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、系统及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于阶次窄带包络分析的直驱风机轴承微弱故障诊断;丁雪娟;王红星;;噪声与振动控制(第03期);第159-163页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117345680A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8311772B2 (en) | Outlier processing | |
Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
US11023577B2 (en) | Anomaly detection for time series data having arbitrary seasonality | |
Duong et al. | A reliable health indicator for fault prognosis of bearings | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP7285187B2 (ja) | 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
Sun et al. | A two-stage method for bearing fault detection using graph similarity evaluation | |
JP5780870B2 (ja) | 回転機器の健全性診断装置、方法およびプログラム | |
Hazra et al. | Fault detection of gearboxes using synchro-squeezing transform | |
JP7423998B2 (ja) | 二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム | |
CN112179653A (zh) | 滚动轴承振动信号盲源分离方法、装置及计算机设备 | |
Fang et al. | Minimum noise amplitude deconvolution and its application in repetitive impact detection | |
CN117345680B (zh) | 通风机检测方法、装置、计算机设备以及存储介质 | |
Yang et al. | On multi-fault detection of rolling bearing through probabilistic principal component analysis denoising and Higuchi fractal dimension transformation | |
Song et al. | Fault feature recognition of centrifugal compressor with cracked blade based on SNR estimation and adaptive stochastic resonance | |
CN116046396A (zh) | 一种轴承故障诊断方法、装置、设备及介质 | |
US20150091907A1 (en) | Method and system for storing waveform data | |
CN116929753B (zh) | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 | |
Chen et al. | A rolling bearing fault diagnosis method via 2D feature map of CSCoh after denoising and MSCNN under different conditions | |
CN114448661A (zh) | 慢速拒绝服务攻击检测方法及相关设备 | |
Su et al. | Fault diagnosis method based on a new manifold learning framework | |
Balakin et al. | Principles of Diagnosing: The Technical Condition of the Bearings of the Gas Turbine Engine Supports Using Rhythmogram and Scatterogram | |
CN117235650B (zh) | 一种高空作业状态检测方法、装置、设备及介质 | |
CN115683631B (zh) | 轴承故障检测方法及装置 |
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 |