CN117367570B - 一种基于单点声信号的空气压缩机智能故障诊断方法 - Google Patents
一种基于单点声信号的空气压缩机智能故障诊断方法 Download PDFInfo
- Publication number
- CN117367570B CN117367570B CN202311447921.8A CN202311447921A CN117367570B CN 117367570 B CN117367570 B CN 117367570B CN 202311447921 A CN202311447921 A CN 202311447921A CN 117367570 B CN117367570 B CN 117367570B
- Authority
- CN
- China
- Prior art keywords
- signal
- fault diagnosis
- air compressor
- signals
- features
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000005236 sound signal Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010206 sensitivity analysis Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于单点声信号的空气压缩机智能故障诊断方法,属于空气压缩机故障诊断技术领域。通过在被诊断对象周围根据经验布置多个单向麦克风测点进行信号采集,并用EMD算法进行位置敏感性分析找到敏感度最大的位置作为测量位置,并将测量的声信号经过预处理、时频域特征提取、mRMR特征选择、OAO‑SVMs分类后实现空气压缩机的实时故障诊断。改进了传统空气压缩机工作状态评估和故障诊断技术,且不受被诊断设备结构体几何外形限制,仅通过麦克风采集声学信号即可对空气压缩机进行智能状态检测和故障诊断,该方法准确率高且计算量小,可编译成c代码下载到边缘设备实现实时诊断运行。
Description
技术领域
本发明涉及空气压缩机故障诊断技术领域,尤其是涉及一种基于单点声信号的空气压缩机智能故障诊断方法。
背景技术
工业领域中,旋转机械设备产生的故障会导致生产能力下降和人员安全受到威胁,因此对于旋转机械的故障进行自动识别成为一个重要的研究领域。空气压缩机作为一种经典的旋转机械设备,在工作中容易产生磨损,进而导致损坏并产生危险的后果,为克服设备的进一步损坏、保障生产环境的安全,对其进行状态监测和智能故障诊断具有重要的理论和工程意义。
L.C.James等开发了基于压力、温度、电压和水流量等不同参数特征的高压空气压缩机的故障诊断系统,该系统运用到声发射(AE)传感器,AE信号具有对结构阻力和机械背景噪声相对不敏感,可以提供良好的趋向参数。W.Lijun等在振动信号上使用了提升小波变换,用于诊断往复式空气压缩机的转子不平衡的故障诊断和叶片故障诊断。Y.J.Xu等采用了SVM对轴承进行了故障分类,B.S.Yang等使用了ANN和SVM为小型往复式空气压缩机开发状态监控系统。
上述方法采用了多种参数对空气压缩机进行故障诊断,实施操作难度大,并且诊断方法计算量大做不到实时在线诊断。
发明内容
本发明的目的是提供一种基于单点声信号的空气压缩机智能故障诊断方法,改进了传统空气压缩机工作状态评估和故障诊断技术,提出了不受被诊断设备结构体几何外形限制且仅通过麦克风采集声学信号即可对空气压缩机进行智能状态检测和故障诊断,该故障诊断方法准确率高且计算量小,可编译成c代码下载到边缘设备实现实时诊断运行。
为实现上述目的,本发明提供了一种基于单点声信号的空气压缩机智能故障诊断方法,包括以下步骤:
S1、数据采集:采用单向传声器的麦克风采集声学信号,通过NI USB4431模块对麦克风输出的模拟量进行采集并转换为数字量,再利用LabVIEW接口将采集到的信号储存在计算机上;
S2、敏感位置分析:使用经验模态分解法EMD对采集的声学信号进行信号降噪,再对从不同位置采集到的声学信号进行筛选排序,排序依据为峰值、绝对平均值、标准偏差和均方根4个统计参数的高低;
S3、数据预处理:使用预处理模块对信号进行滤波、剪辑、平滑化和标准化处理;
S4、特征提取:从时域、频域、时频域三种特征领域中得到143个特征;
S5、特征选择:利用最大相关最小冗余算法mRMR,从输入的特征集合中去除很少或不提供预测信息的特征,得到一个与目标分类c相关性最大的最优特征子集S;
S6、故障分类:使用训练好的一对一SVM多分类算法诊断模型,进行实时故障诊断。
优选的,步骤S1中,麦克风放在距离压缩机1-2厘米处,以50kHz的频率进行采样,采样时间为5-10秒,录音以24BitPCM格式进行存储。
优选的,步骤S2中,经验模态分解法EMD的降噪过程为:
S201、识别原始声学信号x(t)的局部最大值和局部最小值;
S202、通过三次样条插值法提取信号的上包络面和下包络面,计算两个包络面的平均值m1(t);
S203、原始信号x(t)和包络面平均值m1(t)之差为细节信号
d1(t)=x(t)-m1(t)
dk(t)=dk-1(t)-mk(t)
重复上述过程,直到极值和零交叉数之间的差变为0或1,并且连续细节信号的差求和SDk小于0.1,停止迭代,最后一个细节信号为IMFs
r1(t)=x(t)-c1(t)
其中,r1(t)为残差信号,利用残差信号计算下一个IMFs。
优选的,步骤S2中,敏感位置的排序过程为:
对不同位置麦克风采集的声信号执行步骤S21至S24;
S21、对原始声信号进行预处理,并使用EMD将原始信号分解为IMFs;
S22、根据阈值,采用相关性大于阈值的IMFs构建新信号;
S23、对重建的新信号进行Hilbert变换,得到包络线;
S24、根据包络线计算所有采集点信号的4个统计参数:峰值、绝对平均值、标准偏差和均方根;
S25、按照单个参数降序排列所有位置的采集信号;
S26、对4个统计参数求和,按照升序排列,排名最高的为最敏感的采集点位置。
优选的,步骤S3中,
1)滤波:采用截止频率为500Hz的高通FIR滤波器过滤声音信号中的冷却风扇噪声,采用截止频率为12kHz的18阶低通滤波器过滤高频噪声;
2)剪辑:将采集到的时长为5-10秒的声音信号分为9-19个片段,每个片段时长为1秒,重叠率为50%,取具有最小标准偏差值的片段作为输出信号;
3)平滑:计算当前样本和两侧连续样本的统计平均值,移动平均平滑;
4)归一化:采用最大-最小归一化进行声学信号的归一化。
优选的,步骤S4中,
时域特征包括绝对统计平均值、最大峰值、均方根、方差、峰度、波峰因子、形状因子、偏度7个特征;
频域特征取10个,对信号做FFT变换,将频谱按频率等分为10段,每一段为能量仓,各个仓的能量占总能量的比率作为频域的特征;
时频域特征通过对信号做小波包变换WPT,将信号分解为6层,共有127个节点,每个节点利用小波包系数计算能量并作为特征,除去根节点得到126个特征。
优选的,步骤S5中,最大相关最小冗余算法mRMR的选择步骤为:
S51、找出与目标分类c相关性最大的m个特征,特征集S与类c的相关性为特征xi和类c之间的所有信息值的平均值;
S52、消除m个特征之间的冗余;
S53、根据以上步骤求出最大相关度-最小冗余度的特征集合S。
因此,本发明采用一种基于单点声信号的空气压缩机智能故障诊断方法,实现的有益效果为:
(1)本发明利用mRMR进行特征降维,采用通用的OAO-SVMs分类算法,大大减小了故障诊断的计算量,实现了实时计算,同时MATLAB coder将故障诊断算法自动生成代码并部署到嵌入式边缘设备可实现实时故障诊断。
(2)采用EMD算法进行声信号测点位置敏感性分析,能够对任意几何形状空气压缩机进行智能故障诊断,增大了故障诊断算法的适用范围。
(3)本发明只需要在一个测点进行声学测量,无需建立覆盖整个被测对象的测点网格;降低了实施难度和测量成本,具有更高的实用价值。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明故障诊断的步骤流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
如图1所示,本发明提供了一种基于单点声信号的空气压缩机智能故障诊断方法(其过程可以通过MATLAB编码器支持包完成ARM Cortex-A的C代码,通过边缘设备实现空压机的实时故障诊断,故障诊断准确率可高达99.1%),包括以下步骤:
一、(步骤S1)数据采集
基于声学信号进行故障诊断,声学信号采用单向传声器的麦克风进行采集,这样可减少环境噪声的干扰。通过NI USB4431模块对麦克风输出的模拟量进行采集并转换为数字量,然后使用LabVIEW接口将采集到的信号储存在计算机上。为获得更干净的声音,麦克风放置于距离压缩机1-2厘米左右的位置,以50kHz的频率进行采样,采样时间为5-10秒,录音以24BitPCM格式存储。
二、(步骤S2)敏感位置分析
为了提高故障诊断的准确率,传感器需要布置在对故障特征特别敏感的位置,传统做法这些敏感位置都是根据有经验的技术人员凭直觉确定的,对不同的人和不同型号的空压机敏感位置判断存在一定的不确定性。进行敏感位置分析,可以更好的确定高质量声学信号采集位置,采集到的原始数据质量高,可以更好的反应空压机的工作状况。
为了获取对故障特征最敏感的声学信号,需要对从不同位置采集到的声学信号进行筛选排序,排序的依据是信号的4个统计参数即:峰值、绝对平均值、标准偏差和均方根,将4个参数按照高低分别进行排序,然后将名次进行相加按照总和进行升序排列,并选取排序最高的位置为敏感位置。
为提高敏感位置分析的可靠性,在按统计排名之前对采集的声信号使用经验模态分解法(EMD)做信号降噪。EMD可以将复杂的声信号分解为一系列的固有模态函数(IMFs),通过选择和筛选IMFs就可以实现降噪,过程如下:
S201、识别原始声信号x(t)的局部最大值和局部最小值;
S202、通过三次样条插值法提取信号的上下包络面,并计算两个包络面的平均值m1(t);
S203、原始信号x(t)和包络面平均值m1(t)之差为细节信号:
d1(t)=x(t)-m1(t)
dk(t)=dk-1(t)-mk(t)
重复上述过程,直到极值和零交叉数之间的差变为0或1,并且连续细节信号的差求和SDk小于0.1,停止迭代,最后一个细节信号被称为IMFs。
r1(t)=x(t)-c1(t)
最终的IMFs为c1(t),残差信号为r1(t),利用残差信号可以计算下一个IMFs,直到残差分量失去局部最大值或局部最小值,最终原始信号被分解为多个IMFs和一个单调递增或递减的残差信号。接下来通过与原始信号的相关系数来确定IMFs的相关性,对多个信号的IMFs进行经验分析,找到相关值的阈值(一般设置为0.5),利用该阈值将所有的IMFs信号分为相关和不相关。
通过如下步骤可以对敏感位置进行排序:
对不同位置麦克风采集的声信号执行步骤S21至S24;
S21、对原始声信号进行预处理,并使用EMD将原始信号分解为IMFs,其中:
A={imf1,imf2,......}x(t)=∑A+residue
S22、根据阈值,只用相关性大于阈值的IMFs构建新信号
S23、对重建的新信号进行Hilbert变换,得到包络线;
S24、根据包络线计算所有采集点信号的4个统计参数:峰值、绝对平均值、标准偏差和均方根;
S25、按照单个参数降序排列所有位置的采集信号;
S26、对4个统计参数求和,按照升序排列,排名最高的为最敏感的采集点位置。
三、(步骤S3)数据预处理
由于采集到的原始数据具有不一致性和噪音,需要对数据进行预处理以减小噪音和异常值的影响;预处理过程分为滤波、剪辑、平滑化和标准化。
滤波:采用高通FIR滤波器过滤声音信号中的冷却风扇噪声,截止频率为500Hz(具体频率值根据具体空压机冷却风扇转速确定);采用截止频率为12kHz的18阶低通滤波器过滤高频噪声。
剪辑:为了计算和分析的方便,将采集到的时长为5-10秒的声音信号分为9-19个片段,每个片段时长1秒,重叠率为50%,取具有最小标准偏差值的片段作为输出信号。
平滑:通过计算当前样本和两侧连续样本的统计平均值,实现移动平均平滑,考虑到过度平滑具有危害性,将平滑度设置为q=2,平滑公式为:
归一化:为实现在指定范围内缩放数据,将采用最大-最小归一化进行声学信号的归一化。高斯分布中±3σ包含了99.95%的数据,因此将0.025%的样本从统计平均值的两个极端中消除,并且找到了最大最小值。最大-最小归一化的公式如下:
为了将值缩放到-1到1,将上下限的值a、b分别设置为-1和1。
预处理可以将原始信号的频率分量变得更加清晰可见,提高了数据的质量,为后期特征值的提取做准备。
四、(步骤S4)特征提取
步骤S4是故障诊断系统中最重要的一步,与系统的性能好坏具有密切关系。不同机器状态的声学信号是可以区分的,其频谱差别明显,特征通常分为三种不同的领域:时域、频域、时频域。
时域特征选取包括绝对统计平均值、最大峰值、均方根、方差、峰度、波峰因子、形状因子、偏度7个特征。
频域特征取10个,对信号做FFT变换,将频谱按频率等分为10段,每一段称之为能量仓,各个仓的能量占总能量的比率作为频域的特征。
时频域特征是对信号做小波包变换(WPT),将信号分解为6层,共有127个节点,每个节点利用小波包系数计算它的能量作为特征,除去根节点则可以得到126个特征。
以上总共得到143个特征,7个来自时域,10个来自频域,126个来自WPT。
五、(步骤S5)特征选择
随着特征维度增加,特征矩阵会变的更为稀疏,对分类算法来说计算量会增加同时数据会过于拟合,这对于实时故障检测非常不利。
特征选择利用最大相关最小冗余算法(mRMR),从输入的特征集合中剔除那些很少或者不提供预测信息的特征,得到一个与目标分类c相关性最大的最优特征子集S。
mRMR特征选择法步骤如下:
S51、找出与目标分类c相关性最大的m个特征
特征集S与类c的相关性为特征xi和类c之间的所有信息值的平均值;
S52、消除m个特征之间的冗余
S53、根据以上步骤求出最大相关度-最小冗余度的特征集合S
六、(步骤S6)故障分类
采用一对一SVM多分类算法(OAO-SVMs)对选择的特征进行分类。一对一的解决方法是在k类问题中进行两两组合,需构造个二分类器,每个分类器只针对两类数据进行训练。
本故障诊断模型考虑压缩机正常、气阀泄漏、出气阀泄漏、止回阀泄露、活塞环泄露、飞轮磨损、传动带打滑和轴承磨损等8种状态,所以是8分类问题。
第i类和第j类的数据构造的分类器的决策函数为:fij(x)=(wi,j)Tφ(x)+bi,j,有了分类器后采用投票法对测试样本进行预测,票数最高的那个类别就是样本所属的类别。考虑到诊断模型的泛化性能,OAO-SVMs训练模型时采用K-折交叉验证,使得诊断模型的泛化性能最优。
因此,本发明采用一种基于单点声信号的空气压缩机智能故障诊断方法,改进了传统空气压缩机工作状态评估和故障诊断技术,提出了不受被诊断设备结构体几何外形限制且仅通过麦克风采集声学信号即可对空气压缩机进行智能状态检测和故障诊断,该故障诊断方法准确率高且计算量小,可编译成c代码下载到边缘设备实现实时诊断运行。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (3)
1.一种基于单点声信号的空气压缩机智能故障诊断方法,其特征在于,包括以下步骤:
S1、数据采集:采用单向传声器的麦克风采集声学信号,通过NI USB4431模块对麦克风输出的模拟量进行采集并转换为数字量,再利用LabVIEW接口将采集到的信号储存在计算机上;
S2、敏感位置分析:使用经验模态分解法EMD对采集的声学信号进行信号降噪,再对从不同位置采集到的声学信号进行筛选排序,排序依据为峰值、绝对平均值、标准偏差和均方根4个统计参数的高低;
S3、数据预处理:使用预处理模块对信号进行滤波、剪辑、平滑化和标准化处理;
S4、特征提取:从时域、频域、时频域三种特征领域中得到143个特征;
S5、特征选择:利用最大相关最小冗余算法mRMR,得到一个与目标分类相关性最大的最优特征子集/>;
S6、故障分类:使用训练好的一对一SVM多分类算法诊断模型,进行实时故障诊断;
步骤S2中,敏感位置的排序过程为:
对不同位置麦克风采集的声信号执行步骤S21至S24;
S21、对原始声信号进行预处理,并使用EMD将原始信号分解为IMFs;
S22、根据阈值,采用相关性大于阈值的IMFs构建新信号;
S23、对重建的新信号进行Hilbert变换,得到包络线;
S24、根据包络线计算所有采集点信号的4个统计参数:峰值、绝对平均值、标准偏差和均方根;
S25、按照单个参数降序排列所有位置的采集信号;
S26、对4个统计参数求和,按照升序排列,排名最高的为最敏感的采集点位置;
步骤S3中,
1)滤波:采用截止频率为500Hz的高通FIR滤波器过滤声音信号中的冷却风扇噪声,采用截止频率为12kHz的18阶低通滤波器过滤高频噪声;
2)剪辑:将采集到的时长为5-10秒的声音信号分为9-19个片段,每个片段时长为1秒,重叠率为50%,取具有最小标准偏差值的片段作为输出信号;
3)平滑:计算当前样本和两侧连续样本的统计平均值,移动平均平滑;
4)归一化:采用最大-最小归一化进行声学信号的归一化;
步骤S4中,
时域特征包括绝对统计平均值、最大峰值、均方根、方差、峰度、波峰因子、形状因子、偏度7个特征;
频域特征取10个,对信号做FFT变换,将频谱按频率等分为10段,每一段为能量仓,各个仓的能量占总能量的比率作为频域的特征;
时频域特征通过对信号做小波包变换WPT,将信号分解为6层,共有127个节点,每个节点利用小波包系数计算能量并作为特征,除去根节点得到126个特征;
步骤S5中,最大相关最小冗余算法mRMR的选择步骤为:
S51、找出与目标分类相关性最大的/>个特征,特征集/>与类/>的相关性为特征/>和类之间的所有信息值的平均值;
S52、消除个特征之间的冗余;
S53、根据以上步骤求出最大相关度-最小冗余度的特征集合。
2.根据权利要求1所述的一种基于单点声信号的空气压缩机智能故障诊断方法,其特征在于:步骤S1中,麦克风放在距离压缩机1-2厘米处,以50kHz的频率进行采样,采样时间为5-10秒,录音以24Bit PCM格式进行存储。
3.根据权利要求2所述的一种基于单点声信号的空气压缩机智能故障诊断方法,其特征在于:步骤S2中,经验模态分解法EMD的降噪过程为:
S201、识别原始声学信号的局部最大值和局部最小值;
S202、通过三次样条插值法提取信号的上包络面和下包络面,计算两个包络面的平均值;
S203、原始信号和包络面平均值/>之差为细节信号:
;
;
重复上述过程,直到极值和零交叉数之间的差变为0或1,并且连续细节信号的差求和小于0.1,停止迭代,最后一个细节信号为IMFs
;
;
其中,为残差信号,利用残差信号计算下一个IMFs;/>为最终的IMFs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447921.8A CN117367570B (zh) | 2023-11-02 | 2023-11-02 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447921.8A CN117367570B (zh) | 2023-11-02 | 2023-11-02 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117367570A CN117367570A (zh) | 2024-01-09 |
CN117367570B true CN117367570B (zh) | 2024-04-12 |
Family
ID=89389079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447921.8A Active CN117367570B (zh) | 2023-11-02 | 2023-11-02 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117367570B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11117875A (ja) * | 1997-10-14 | 1999-04-27 | Tokyo Gas Co Ltd | 音響によるコンプレッサの監視装置 |
JP2010066244A (ja) * | 2008-09-13 | 2010-03-25 | Chugoku Electric Power Co Inc:The | 設備異常診断方法およびシステム |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
CN109026639A (zh) * | 2018-05-31 | 2018-12-18 | 华南理工大学 | 纯电动车怠速工况下空调压缩机低频异响诊断和改善方法 |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
CN110333074A (zh) * | 2019-07-30 | 2019-10-15 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和系统 |
CN110569813A (zh) * | 2019-09-12 | 2019-12-13 | 天津华春智慧能源科技发展有限公司 | 一种移动式供热机组故障诊断方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN113532829A (zh) * | 2021-07-15 | 2021-10-22 | 东北石油大学 | 基于改进的rcmde往复压缩机故障诊断方法 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及系统 |
WO2022156330A1 (zh) * | 2021-01-19 | 2022-07-28 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN116771662A (zh) * | 2023-06-29 | 2023-09-19 | 中国石油化工股份有限公司 | 一种基于多特征融合的机泵故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318353A1 (en) * | 2009-06-16 | 2010-12-16 | Bizjak Karl M | Compressor augmented array processing |
JP6721591B2 (ja) * | 2014-12-12 | 2020-07-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 音響的監視システム、監視方法及び監視するコンピュータプログラム |
-
2023
- 2023-11-02 CN CN202311447921.8A patent/CN117367570B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11117875A (ja) * | 1997-10-14 | 1999-04-27 | Tokyo Gas Co Ltd | 音響によるコンプレッサの監視装置 |
JP2010066244A (ja) * | 2008-09-13 | 2010-03-25 | Chugoku Electric Power Co Inc:The | 設備異常診断方法およびシステム |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
CN109026639A (zh) * | 2018-05-31 | 2018-12-18 | 华南理工大学 | 纯电动车怠速工况下空调压缩机低频异响诊断和改善方法 |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
CN110333074A (zh) * | 2019-07-30 | 2019-10-15 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和系统 |
CN110569813A (zh) * | 2019-09-12 | 2019-12-13 | 天津华春智慧能源科技发展有限公司 | 一种移动式供热机组故障诊断方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
WO2022156330A1 (zh) * | 2021-01-19 | 2022-07-28 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN113532829A (zh) * | 2021-07-15 | 2021-10-22 | 东北石油大学 | 基于改进的rcmde往复压缩机故障诊断方法 |
CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及系统 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN116771662A (zh) * | 2023-06-29 | 2023-09-19 | 中国石油化工股份有限公司 | 一种基于多特征融合的机泵故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
C501压缩机故障诊断研究;刘贵杰,杨志诚;山东轻工业学院学报;19950925(03);全文 * |
Improved EMD Local Energy with SVM for Fault Diagnosis in Air Compressor;Maurya, S;Computational Intelligence: Theories, Applications and Future DirectionsVolume II. ICCI-2017. Advances in Intelligent Systems and Computing (AISC 799);20191231;全文 * |
小波包与SVM用于压缩机在线故障检测的研究;吴祖迥;五邑大学学报(自然科学版);20140815;全文 * |
往复压缩机故障诊断方法研究概述;张谦;舒悦;王乐;谢传东;;流体机械;20180331(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117367570A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chao et al. | Adaptive decision-level fusion strategy for the fault diagnosis of axial piston pumps using multiple channels of vibration signals | |
CN101135614B (zh) | 异常监控设备和方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
Joshuva et al. | Crack detection and localization on wind turbine blade using machine learning algorithms: a data mining approach | |
Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
CN110555243B (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
CN114742111B (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN116304751A (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN106441843A (zh) | 一种旋转机械故障波形识别方法 | |
Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
Manjare et al. | A review: Condition based techniques and predictive maintenance for motor | |
Mishra et al. | Performance evaluation of support vector machine for system level multi-fault diagnosis | |
Cheng et al. | A research about pattern recognition of control chart using probability neural network | |
CN117367570B (zh) | 一种基于单点声信号的空气压缩机智能故障诊断方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN117685176A (zh) | 一种机组状态监测方法和系统 | |
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 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
Bulla et al. | Feature extraction analysis using filter banks for faults classification in induction motors | |
Strączkiewicz et al. | The use of a fuzzy logic approach for integration of vibration-based diagnostic features of rolling element bearings | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 |
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 |