CN117570013A - 一种轴向柱塞泵故障诊断监测方法、装置和系统 - Google Patents
一种轴向柱塞泵故障诊断监测方法、装置和系统 Download PDFInfo
- Publication number
- CN117570013A CN117570013A CN202410043731.8A CN202410043731A CN117570013A CN 117570013 A CN117570013 A CN 117570013A CN 202410043731 A CN202410043731 A CN 202410043731A CN 117570013 A CN117570013 A CN 117570013A
- Authority
- CN
- China
- Prior art keywords
- plunger pump
- axial plunger
- fault
- historical
- correlation
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 150
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 77
- 238000006073 displacement reaction Methods 0.000 claims description 75
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013154 diagnostic monitoring Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请提供一种轴向柱塞泵故障诊断监测方法、装置和系统。本申请提供的轴向柱塞泵故障诊断监测方法,应用于轴向柱塞泵故障诊断监测系统,包括:基于轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;基于历史故障信息获得轴向柱塞泵的历史系统压力、历史主轴转速与轴向柱塞泵的故障特征的相关性;根据轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型;根据基于轴向柱塞泵故障特征的修正模型对轴向柱塞泵的实时故障特征进行修正;根据修正后的轴向柱塞泵的实时故障特征,对轴向柱塞泵进行故障诊断。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种轴向柱塞泵故障诊断监测方法、装置和系统。
背景技术
轴向柱塞泵故障诊断监测系统中的故障诊断模型 是通过特定工况下(主轴转速1000 rpm,系统压力15 MPa)的状态数据集训练得到的,尚未考虑系统环境对模块的影响。轴向柱塞泵的应用广泛,使用工况并不唯一,因此会导致由于环境变量的差异使得在相同的运行状态下提取的特征并不相同,发生误诊断。为了能够提升故障诊断模型的泛化能力,需要对轴向柱塞泵故障状态与测试系统环境之间的关系进行分析。
提升诊断模型的环境适应能力,一种是通过在各种已知存在的各种工况条件下对存在故障的轴向柱塞泵进行实验,得到完备的故障数据集,在进行故障诊断模型的训练之前,对所有的数据进行标签,均匀的构造训练集和测试集,在此条件下获得的故障诊断模型可以涵盖所测的所有应用工况,理论上能够得到完备的故障诊断模型。但是这种方法需要测试所有的训练集,工作量巨大,而且实际的工况条件难以枚举穷尽,导致数据集无法做到完备。
因此需要通过另一种方法,即对采集的数据特征进行预处理,此种方法需要对环境量对状态特征的影响进行分析,需要在实验前对特征进行分析,对数据进行修正,使得修正后的数据可以直接通过实验条件下获得的故障诊断模型进行辨识。这种方法的突出优点是处理方便。然而,现有技术为了便于使用,均采用经验确定数据的修正方式和修正量,且修正通常也是基于自选的单个参数,修正的准确度差,对人为经验依赖严重,修正量的尺度不唯一。
发明内容
有鉴于此,本申请提供一种轴向柱塞泵故障诊断监测方法、装置和系统,用以解决现有的轴向柱塞泵故障诊断监测方法在系统环境下故障诊断结果不准确的问题。
具体地,本申请是通过如下技术方案实现的:
本申请第一方面提供一种轴向柱塞泵故障诊断监测方法,所述轴向柱塞泵故障诊断监测方法应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述方法包括:
基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;
基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性;
基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性;
根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;
根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
本申请第二方面提供一种轴向柱塞泵故障诊断监测装置,所述轴向柱塞泵故障诊断监测装置应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述装置包括:获取模块、分析模块、构造模块、修正模块和诊断模块,其中,
所述获取模块,用于基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;
所述分析模块,用于基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性;
所述分析模块,还用于基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性;
所述构造模块,用于根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述修正模块,用于根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;
所述诊断模块,用于根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
本申请第三方面提供一种轴向柱塞泵故障诊断监测系统,所述轴向柱塞泵故障诊断监测系统包括信号采集部分、闭环控制部分和故障诊断部分;其中,
所述信号采集部分,用于获取轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速,所述信号采集部分还用于采集实时故障信息、实时系统压力和实时主轴转速;
所述闭环控制部分,用于根据所述故障诊断部分的诊断结果触发控制操作;
所述故障诊断部分,用于基于所述轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速构造轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述故障诊断部分还用于根据所述轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
本申请第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
本申请提供的轴向柱塞泵故障诊断监测方法、装置和系统,应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息,并基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,从而基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,进而根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响,并根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正,从而根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。这样,可基于轴向柱塞泵的历史系统压力、历史主轴转速与轴向柱塞泵的故障特征的相关性构造基于轴向柱塞泵故障特征的修正模型,并根据经修正模型修正后的轴向柱塞泵的故障特征,对轴向柱塞泵进行故障诊断,这样通过对实时故障特征进行修正,解决了现有的轴向柱塞泵故障诊断监测方法在系统环境下故障诊断结果不准确的问题,提高了故障诊断的效率和准确性,提高了轴向柱塞泵故障诊断监测系统的环境适应能力。
附图说明
图1为本申请提供的轴向柱塞泵故障诊断监测方法实施例一的流程图;
图2为本申请提供的轴向柱塞泵故障诊断监测系统的硬件结构图;
图3为本申请提供的轴向柱塞泵故障诊断监测装置实施例一的结构示意图;
图4为本申请一示例性实施例示出的轴向柱塞泵故障诊断监测系统的功能框架;
图5为本申请一示例性实施例示出的整个故障诊断的流程设置;
图6为本申请一示例性实施例示出的基于LabVIEW开发的用户界面;
图7为本申请一示例性实施例示出的基于IOS移动端的UI数据读取界面中WIFI模块的连接实物。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供一种轴向柱塞泵故障诊断监测方法、装置和系统,用以解决现有的轴向柱塞泵故障诊断监测方法在系统环境下工作量巨大且实际工况复杂难以实现的问题。
本申请提供的轴向柱塞泵故障诊断监测方法、装置和系统,应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息,并基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,从而基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,进而根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响,并根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正,从而根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。这样,可基于轴向柱塞泵的历史系统压力、历史主轴转速与轴向柱塞泵的故障特征的相关性构造基于轴向柱塞泵故障特征的修正模型,并根据经修正模型修正后的轴向柱塞泵的故障特征,对轴向柱塞泵进行故障诊断,这样通过对实时故障特征进行修正,解决了现有的轴向柱塞泵故障诊断监测方法在系统环境下故障诊断结果不准确的问题,提高了故障诊断的效率和准确性,提高了轴向柱塞泵故障诊断监测系统的环境适应能力。
下面给出具体的实施例,用以详细介绍本申请的技术方案。
图1为本申请提供的轴向柱塞泵故障诊断监测方法实施例一的流程图。请参照图1,本实施例提供的方法,所述轴向柱塞泵故障诊断监测方法应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述方法包括:
S101、基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息。
具体的,可基于安装在轴向柱塞泵故障诊断检测系统上的传感器,采集轴向柱塞泵的历史故障信息。其中,历史故障信息包括泵壳的振动信号和/或斜盘摆角的角位移信号。
S102、基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性。
具体的,将S101采集获得的历史故障信息用于分析系统压力与故障特征之间的相关性,该步骤的具体实现过程包括:
(1)将所述轴向柱塞泵置于不同的系统压力下,采集轴向柱塞泵的故障特征。
具体的,在一种可能的实现方式中,若所述轴向柱塞泵的故障特征为泵壳的振动信号,所述采集轴向柱塞泵的故障特征具体为:采集泵壳的振动信号。
具体实现时,对泵壳的振动信号进行采集时,需要排除开关阀产生的振动干扰,由于所选用的先导阀是两位三通的常开式高速开关阀,因此,在使用过程中,对开关阀常通低电平,使得先导阀常开,变量活塞的活塞腔直接与轴向柱塞泵的出口相连,斜盘的摆角处于最大位移处,在压力作用下,斜盘被顶在最大摆角处,此时的轴向柱塞泵可视作是一个定量泵。在转速不变的条件下(1000 rpm),分别采集轴向柱塞泵工作在空载(0.86 MPa)、5 MPa、10 MPa和20 MPa设定压力下的泵壳及端盖的振动数据。
进一步地,在另一可能的实现方式中,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,所述采集轴向柱塞泵的故障特征具体为:采集斜盘摆角的角位移信号。具体实现时,以轴向柱塞泵的正常工况为例,分析系统压力对斜盘摆角的角位移信号特征的影响。
(2)根据所述不同的系统压力下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性。
具体的,在一种可能的实现方式中,若所述轴向柱塞泵的故障特征为泵壳的振动信号,本步骤中,就根据所述不同的系统压力下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与泵壳的振动信号的相关性。
需要说明的是,相关性包括相关系数和信息熵,其中,相关系数表征数据之间的相似性,信息熵表征数据的自我相似性。信息熵通常用来衡量序列的自我相似性,样本熵的值越大,样本序列就越复杂,若一段信号的信息熵恒定,则可以认为其复杂度并不随压力的变化而改变。
所述相关性的计算具体包括如下步骤:分别从振动信号的特征频率、平均功率、信息熵以及不同压力条件下振动信号的互相关系数进行计算,得到系统压力与振动信号的关系。
对于一组时间序列,其信息熵可表示为:
,
其中,n表示样本数目;表示样本值;/>表示n维样本状态空间;/>表示样本的概率分布;/>表示样本信息熵。
振动信号的平均功率可以表示信号段的幅值特征,与信号幅值的平方成线性关系。若不同压力条件下,多段振动信号的功率值为定值,则可认为信号的幅值特征不会随着压力的变化而改变。信号的平均功率表示为:
,
其中,表示样本数值的方差;n表示样本数目;/>表示样本值。
此外,时序序列的相关系数可以用来表示序列的相似性,可以直观的对不同压力条件下振动信号的相似性进行衡量,序列的相关系数表示为:
,
其中,、/>表示n维样本状态空间;/>、/>表示变量x1、x2的标准差。
具体实现时,以轴向柱塞泵的正常工况端盖的振动信号为例,单从振动信号的时域分布来看,在4种压力等级条件下的端盖振幅并无明显差异。
信号的特征频率可以直接的反馈一段序列的频域特征,对于旋转机械而言,其振动信号常表现为显著的周期性,故障的特征频率通常可以直接作为诊断识别的状态特征,若处于不同压力条件下的振动信号具有相近的频域分布,则可认为其频域特征不会随压力的变化而改变。相较于现有技术直接对故障的状态特征矩阵进行修正,本发明利用故障的频域特征进行修正,更好地反映了环境变换对故障特征的影响,将状态特征矩阵中单个数值的影响变换为频域特征的整体影响,提高了特征修正的准确度。
举例来说,根据本发明实施例提供的上述步骤,对不同压力条件下,振动信号的频域分布、信息熵、信号的功率值、原始信号及CEEMDAN分解得到的前4阶IMF的相关性进行计算,系统压力并不会影响信号的特征频率和频谱特征。振动信号的信息熵在不同的压力条件下保持不变。空载条件下,振动信号的功率值接近0,随着压力值的增加,振动信号的功率值可保持不变。振动信号的相关系数在不同压力条件下,原始数据的互相关性表现为弱相关关系(相关系数 <0.3),而经CEEMDAN分解后得到的前4阶IMF分量的相关系数表示振动信号的主要特征频率分量之间具有强相关性(相关系数 >0.7)。根据上述的分析结果,在非空载条件下,采集的振动信号在不同的系统压力条件下,IMF分量及其频域特征表现出较强的相关性。
需要说明的是,在非空载工况下,泵壳的振动信号不受系统压力的影响,时频分解后得到的主要特征频率分量具有强相关性。
具体的,在另一可能的实现方式中,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,本步骤中,就根据所述不同的系统压力下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与斜盘摆角的角位移信号的相关性。
需要说明的是,轴向柱塞泵的历史系统压力与斜盘摆角的角位移信号的相关性的计算方法与上述相关性的计算方法类似,此处不再赘述。
具体实现时,按照本发明实施例提供的计算步骤,示例性的,计算斜盘摆角的角位移信号的特征分量的频域特征,分析分量频域特征的相关性,斜盘摆角的角位移信号的频域分布在均呈现出较强的相关性(相关系数>0.3),压力间隔越小的状态之间的相关系数越大(相关系数>0.5)。提高系统的压力会使得斜盘摆角的角位移信号的时域幅值呈线性增加,而斜盘摆角的角位移信号的频域特征不受系统压力变化的影响。
进一步地,计算0.2 s内的斜盘摆角的角位移信号的平均功率和时域序列的相关性,斜盘摆角的角位移信号的幅值(即信号的功率值)与系统压力呈线性正相关,时域特征体现出较弱的相关性。不同系统压力下的斜盘摆角的角位移信号之间的相关系数均小于0.2。不同系统压力下,斜盘摆角的角位移信号的频域特征呈现出较强的相关性。
需要说明的是,斜盘摆角的角位移信号、时域特征的幅值与系统压力呈线性关系,频域特征表现出较强的相关性。
S103、基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性。
具体的,该步骤的具体实现过程包括:
(1)将所述轴向柱塞泵置于不同的主轴转速下,采集轴向柱塞泵的故障特征。
具体的,在一种可能的实现方式中,若所述轴向柱塞泵的故障特征为泵壳的振动信号,本步骤中,就采集泵壳的振动信号。
具体实现时,分析轴向柱塞泵的主轴转速对泵壳的振动信号的影响。采集正常状态下轴向柱塞泵工作在725 rpm,1000 rpm,1250 rpm,1500 rpm转速条件下的振动信号,工作压力为15 Mpa。
进一步地,在另一可能的实现方式中,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,本步骤中,就采集斜盘摆角的角位移信号。
具体实现时,在系统压力为15 MPa时,将斜盘摆角维持在5°状态下,测试不同的主轴转速(750 rpm,1000 rpm,1250 rpm,1500 rpm和1750 rpm)下斜盘摆角的角位移信号。
(2)根据所述不同的主轴转速下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性。
具体的,在一种可能的实现方式中,若所述轴向柱塞泵的故障特征为泵壳的振动信号,本步骤中,就根据所述不同的主轴转速下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与泵壳的振动信号的相关性。
需要说明的是,轴向柱塞泵的历史主轴转速与泵壳的振动信号的相关性与上述相关性的计算方法类似,此处不再赘述。
具体实现时,考察不同的主轴转速下泵壳的振动信号的频域归一化分布(采样频率10k,将分解后的频谱映射到0-500 Hz)、信息熵、振动信号的功率特征、振动信号及特征频率分量的相关系数,当改变主轴转速时,主轴转速较低时,频域分布的干扰较大。从信号的信息熵可以看出主轴转速与信息熵呈线性关系。信号的功率能量可以通过4次多项式进行拟合。对振动信号进行时频分解,得到不同的频率分量,由于IMF是按照特征频率降序提取,原始信号间的相关性较弱,而特征分量间的相关性较强,可以认为原始信号时域特征由于信息熵以及信号功率的差异,导致直接计算得到的相关性较差,但是由于特征频率分量之间具有较强相关性,因此可以认为改变主轴转速不会影响到状态的频域特征。
需要说明的是,轴向柱塞泵的主轴转速会影响故障的特征频率,泵壳的振动信号的信息熵呈线性增长,信号的功率与转频的4次方相关,即,归一化后的频域特征相关性较强,即认为主轴转速并不影响特征的频域特征。
具体的,在另一可能的实现方式中,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,本步骤中,就根据所述不同的主轴转速下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与斜盘摆角的角位移信号的相关性。
需要说明的是,轴向柱塞泵的历史主轴转速与斜盘摆角的角位移信号的相关性的计算方法与上述相关性的计算方法类似,此处不再赘述。
具体实现时,依次计算斜盘摆角的角位移信号的平均功率以及相关系数,主轴转速的改变并不会对斜盘摆角的角位移信号的幅值特征产生影响,斜盘摆角的角位移信号的功率基本保持不变。进一步分析频域的相关性,对斜盘摆角的角位移信号的频域分布而言,不同的主轴转速下频域序列具有较强的相关性,可以认为改变主轴转速,并不会影响状态的特征频率。
需要说明的是,轴向柱塞泵的主轴转速不会对斜盘摆角的角位移信号的时域特征和频域特征产生影响。
S104、根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响。
具体的,在一可能的实现方式中,若所述轴向柱塞泵的故障特征为泵壳的振动信号,所述构造基于轴向柱塞泵故障特征的修正模型为:根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,确定泵壳的振动信号的强相关性影响因素,所述强相关性影响因素为系统压力和主轴转速中的一个,基于所述强相关性影响因素计算振动信号修正因子,基于修正因子与振动信号的乘积构建基于泵壳的振动信号的修正模型,所述振动信号修正因子用于表征故障状态下环境中干扰性最强的因素对振动信号的影响程度,所述基于泵壳的振动信号的修正模型可以表示为第一公式:
,
其中,所述表示修正后的泵壳的振动信号;/>表示修正前的泵壳的振动信号;/>表示状态的工况系数,与不同的故障状态有关;n1、n0表示不同系统压力下的主轴转速。
本申请提供的方法,基于轴向柱塞泵的系统压力、主轴转速与泵壳的振动信号的相关性,构造基于泵壳的振动信号的修正模型,使得修正后的泵壳的振动信号更具有代表性,提高了后续故障诊断的准确性。
进一步地,在另一可能的实现方式中,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,所述构造基于轴向柱塞泵故障特征的修正模型为:根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,确定斜盘摆角的角位移信号的强相关性影响因素,所述强相关性影响因素为系统压力和主轴转速中的一个,基于所述强相关性影响因素计算角位移信号修正因子,基于修正因子与角位移信号的乘积构建基于斜盘摆角的角位移信号的修正模型,所述角位移信号修正因子用于表征故障状态下环境中干扰性最强的因素对斜盘摆角的角位移信号的影响程度,所述基于斜盘摆角的角位移信号的修正模型可以表示为第二公式:
,
其中,D1表示修正后的斜盘摆角的角位移信号;D0表示修正前的斜盘摆角的角位移信号;DKi表示状态的工况系数,与不同的故障状态有关;、/>表示不同主轴转速下的系统压力。
本申请提供的方法,基于轴向柱塞泵的系统压力、主轴转速与斜盘摆角的角位移信号的相关性,构造基于斜盘摆角的角位移信号的修正模型,使得修正后的斜盘摆角的角位移信号更具有代表性,提高了后续故障诊断的准确性。
S105、根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正。
具体的,每隔指定时间采集所述轴向柱塞泵的实时故障特征,将采集到的实时故障特征放入所述基于轴向柱塞泵故障特征的修正模型中,得到修正后的轴向柱塞泵的实时故障特征。指定时间是根据实际需要设定的,本实施例中,不对指定时间的具体值进行限定。例如,一实施例中,指定时间为5秒。
S106、根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
具体的,将修正后的轴向柱塞泵的实时故障特征输入到诊断分类器,得到此时的故障诊断结果。
本实施例提供的方法,所述方法应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息,并基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,从而基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,进而根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响,并根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正,从而根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。这样,可基于轴向柱塞泵的历史系统压力、历史主轴转速与轴向柱塞泵的故障特征的相关性构造基于轴向柱塞泵故障特征的修正模型,并根据经修正模型修正后的轴向柱塞泵的故障特征,对轴向柱塞泵进行故障诊断,这样通过对实时故障特征进行修正,解决了现有的轴向柱塞泵故障诊断监测方法在系统环境下故障诊断结果不准确的问题,提高了故障诊断的效率和准确性,提高了轴向柱塞泵故障诊断监测系统的环境适应能力。
与前述一种轴向柱塞泵故障诊断监测方法的实施例相对应,本申请还提供了一种轴向柱塞泵故障诊断监测装置的实施例。
本申请一种轴向柱塞泵故障诊断监测装置的实施例可以应用在轴向柱塞泵故障诊断监测系统上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在轴向柱塞泵故障诊断监测系统的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图2所示,为本申请提供的轴向柱塞泵故障诊断监测装置所在轴向柱塞泵故障诊断监测系统的一种硬件结构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的轴向柱塞泵故障诊断监测系统通常根据该轴向柱塞泵故障诊断监测装置的实际功能,还可以包括其他硬件,对此不再赘述。
图3为本申请提供的轴向柱塞泵故障诊断监测装置实施例一的结构示意图。请参照图3,本实施例提供的装置,所述轴向柱塞泵故障诊断监测装置应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述装置包括:获取模块1610、分析模块1620、构造模块1630、修正模块1640和诊断模块1650,其中,
所述获取模块1610,用于基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;
所述分析模块1620,用于基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性;
所述分析模块1620,还用于基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性;
所述构造模块1630,用于根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述修正模块1640,用于根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;
所述诊断模块1650,用于根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
本实施例提供的装置,所述装置应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息,并基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,从而基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,进而根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响,并根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正,从而根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。这样,可基于轴向柱塞泵的历史系统压力、历史主轴转速与轴向柱塞泵的故障特征的相关性构造基于轴向柱塞泵故障特征的修正模型,并根据经修正模型修正后的轴向柱塞泵的故障特征,对轴向柱塞泵进行故障诊断,这样通过对实时故障特征进行修正,解决了现有的轴向柱塞泵故障诊断监测方法在系统环境下故障诊断结果不准确的问题,提高了故障诊断的效率和准确性,提高了轴向柱塞泵故障诊断监测系统的环境适应能力。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的系统压力下,采集轴向柱塞泵的故障特征;
所述分析模块1610,具体还用于根据所述不同的系统压力下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的主轴转速下,采集轴向柱塞泵的故障特征;
所述分析模块1610,具体还用于根据所述不同的主轴转速下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的系统压力下,采集泵壳的振动信号;
所述分析模块1610,具体还用于根据所述不同的系统压力下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与泵壳的振动信号的相关性。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的系统压力下,采集斜盘摆角的角位移信号;
所述分析模块1610,具体还用于根据所述不同的系统压力下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与斜盘摆角的角位移信号的相关性。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的主轴转速下,采集泵壳的振动信号;
所述分析模块1610,具体还用于根据所述不同的主轴转速下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与泵壳的振动信号的相关性。
可选的,所述分析模块1610,具体用于将所述轴向柱塞泵置于不同的主轴转速下,采集斜盘摆角的角位移信号;
所述分析模块1610,具体还用于根据所述不同的主轴转速下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与斜盘摆角的角位移信号的相关性。
请继续参照图2,本申请还提供一种轴向柱塞泵故障诊断监测系统,所述轴向柱塞泵故障诊断监测系统包括信号采集部分、闭环控制部分和故障诊断部分;其中,
所述信号采集部分,用于获取轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速,所述信号采集部分还用于采集实时故障信息、实时系统压力和实时主轴转速。
具体的,轴向柱塞泵故障诊断监测系统的功能框架如图4所示。请参照图4,其中,信号采集部分是整个控制及诊断系统的输入,信号采集部分获得的监测信号包括斜盘摆角的角位移信号、轴向柱塞泵的出口压力信号、泵壳及盖端的振动信号。根据轴向柱塞泵变量控制的原理,用于斜盘闭环控制的检测信号为出口压力信号及斜盘摆角的角位移信号。诊断系统的检测信号为斜盘摆角的角位移信号、出口压力信号以及泵壳及端盖的振动信号。
本申请提供的轴向柱塞泵故障诊断监测系统中,所述信号采集部分包括传感器、板载ADC模块、CPU,传感器信号的采集基于板载ADC模块,占用两个通道的ADC,使DMA功能能将数据在地址空间进行赋值,不需要通过中断处理的方式保留现场和恢复现场,避免CPU直接控制传输,使得CPU的效率大大提高。传感器至少包括角位移传感器、压力传感器和振动传感器。
所述闭环控制部分,用于根据所述故障诊断部分的诊断结果触发控制操作。
具体的,对于变量控制环节,由于轴向柱塞泵的变量控制响应时间直接影响到轴向柱塞泵的性能,同时在变量控制的过程中,并不需要对反馈信号进行预处理,因此系统对算力的要求较低,对实时性要求较高,因此设计以STM32为处理单元的嵌入式可编程控制器,集成功率放大和开关阀反向卸荷电路,实现轴向柱塞泵的变量切换功能。所述闭环控制部分至少包括对压力/流量/功率闭环控制,通过输入控制参数,下发控制指令,最终通过交互界面显示控制结果。
具体的,通过对斜盘结构的改造,在斜盘的摆动轴心嵌入角位移传感器对斜盘的摆动特性进行数据采集,结合出口的压力数据作为闭环反馈变量,通过专家PID对先导高速开关阀的输入占空比进行调节,实现对斜盘的控制。
进一步地,轴向柱塞泵的可编程控制器的处理器用于控制信号采集部分、闭环控制部分和故障诊断部分,处理器的选型为Cortex-M7系列内核的STM32F767,集成最小系统、串口及CAN总线通信模块、PWM功率放大模块、高速开关阀反向卸荷电路等功能模块。
需要说明的是,轴向柱塞泵的变量控制,是通过先导阀调节变量活塞的控制流量。STM32F767可通过内部的定时器调整输出PWM信号的占空比,其中预分频器(TIMxPSC)和自动重载寄存器(TIMxARR)决定了PWM的频率,比较寄存器(TIMxCCR)和自动重载寄存器(TIMxARR)决定了PWM的占空比,表1为不同变量控制方式的切换性能:
表1 不同变量控制方式的切换性能
所述故障诊断部分,用于基于所述轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速构造轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述故障诊断部分还用于根据所述轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
具体的,在故障诊断部分,由于实时性数据处理和状态辨识的频率较低,但是在此过程中需要对传感器数据进行预处理以及前期的模型训练,因此对于处理器的性能有较高的要求,因此通过上位机处理器进行计算和故障辨识。
进一步地,故障诊断部分的功能包括传感器信号的采集和工况状态的辨识。其中信号的采集选用NI-6211系列数据采集卡,通过USB直接与上位机PC进行数据交互,在LabVIEW中调用Matlab脚本文件实现LabVIEW和Matlab的混合编程。其中数据的预处理、状态特征的计算、诊断模型的训练、故障模式的辨识等均在Matlab中进行计算,并将结果上传至LabVIEW上位机界面。同时开发通过外接Usart-WIFI模块,通过USB转串口的方式,将诊断及控制参数上传至移动端系统进行查看。整个故障诊断的流程设置如图5所示。请参照图5,当开始故障诊断后,对传感器数据进行采集和存储;设定状态监测的数据读取时间间隔T,即每隔T分钟对采集的数据进行处理,将采集到的数据输入诊断分类器,得到此时的工况状态诊断结果。诊断分类器基于诊断离线数据库进行预先训练,若样本分析结果为故障,则系统故障报警,并将故障的特征空间存入故障数据库,在数据库更新之后,对诊断模型重新进行训练和更新。若故障的特征被识别为异常点,则根据拆机的诊断结果将其归为未知故障。目前,由于在实验室条件对轴向柱塞泵故障的模拟能力以及得到的故障类型有限,只能对轴向柱塞泵的滑靴磨损故障、柱塞磨损故障、配流盘磨损故障和轴承故障进行诊断。轴向柱塞泵上安装的传感器包括斜盘摆角传感器、振动加速度传感器、压力传感器、噪声传感器,传感器的选型如表2所示。
表2 传感器选型
进一步地,故障诊断部分还包括PC用户操作界面和移动端UI数据读取界面。其中,基于LabVIEW开发的用户操作界面是PC端的监控界面,包括两个功能环节,即轴向柱塞泵的变量控制环节和轴向柱塞泵的状态监测与故障预警环节。采用LabVIEW与Matlab混合编程的方法,进行用户界面的开发。将故障诊断模型预先在Matlab中完成编程、训练工作,将信号的预处理、特征的提取、特征的可视化、SVM的训练等诊断过程通过COM进行封装,并通过LabVIEW进行调用。基于LabVIEW开发的柱塞泵状态监测界面如图6所示。
需要说明的是,基于移动端UI数据读取界面的开发包括两部分工作内容:上位机与移动端的数据通信以及用户界面的设计。采用一个以太网-WIFI模块(ATK-RM04)实现上位机与移动端的通信。通过配置模块的WIFI AP(Access Point)模式,该模式下允许设备进行接入,并可以提供数据访问功能,实现数据从电脑的串口-模块-移动设备的传输过程。用户交互的过程需要移动端向PC端发送指令,再由PC端从接收到的指令向移动端发送其需要的数据。因此,在进行串口通信的过程中,需要约定移动端操作与下位机发送数据的通讯协议,数据指令以ASCII进行表示,如表3所示。
表3 移动端操作与下位机发送数据的通讯协议
进一步的,WIFI模块的连接实物如图7所示。请参照图7,在开启移动端UI之前,需要将移动端设备与模块自建的客户端连接,此时若连接成功,移动端会向下发送一个连接成功的指令;开启UI界面之后,会发送数据更新的指令,此时PC端采集的数据以及此时的状态数据会通过计算机串口-WIFI模块传递至移动端设备,在移动端进行解码和显示。在移动端的不同界面下,可以进行手动界面刷新或等待60 s自动进行状态更新,需要更新状态时会再一次发送更新指令,获得更新后的状态数据。目前开发的UI界面demo主要面向轴向柱塞泵进行故障诊断工作,在状态显示界面会显示此时轴向柱塞泵的工作状态,包括压力、流量、功率转速等信息。
点击轴向柱塞泵的图片会进入故障诊断界面,故障诊断界面的显示内容包括三个方面,其中运行状态、运行时间、状态评估等反映此时的状态信息;若有故障发生,则会显示各个故障的发生情况,同一行中会依次显示基于振动信号的诊断结果、基于斜盘摆角的诊断结果和基于传感器信息融合框架的诊断结果,若诊断出故障结果,则标记为1,若如故障发生或诊断出不是此类故障则标记为0。
对轴向柱塞泵的实时状态评估则显示目前轴向柱塞泵的工作状态,若为正常,则实时状态记为1,若出现故障,则将状态标记为10;后续若引入故障的劣化程度评价模型,则可以将实时的状态评价进行细化。以根据被测轴向柱塞泵的实时状态决策后续的操作决策。
本申请提供的轴向柱塞泵故障诊断监测系统,将故障诊断和闭环控制划分成两个相互独立的部分,相互独立互不干扰,提高了整个系统的稳定性。诊断模型的训练和数据集的更新在离线状态下进行,降低了整个系统的资源消耗。故障数据集只更新已辨识的故障数据,对于未能有效辨识的故障类型,首先将其记录为未知数据,待后续工程师拆机检验后更新标签。通过设定实时诊断的事件节点,每隔30分钟对泵的工作状态进行评价,实现了全时段的状态监控。
进一步地,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种轴向柱塞泵故障诊断监测方法,其特征在于,所述轴向柱塞泵故障诊断监测方法应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述方法包括:
基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;
基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性;
基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性;
根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;
根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的系统压力下,采集轴向柱塞泵的故障特征;
根据所述不同的系统压力下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性。
3.根据权利要求1所述的方法,其特征在于,基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的主轴转速下,采集轴向柱塞泵的故障特征;
根据所述不同的主轴转速下轴向柱塞泵的故障特征的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性。
4.根据权利要求2所述的方法,其特征在于,若所述轴向柱塞泵的故障特征为泵壳的振动信号,所述基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的系统压力下,采集泵壳的振动信号;
根据所述不同的系统压力下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与泵壳的振动信号的相关性,历史系统压力与泵壳的振动信号呈线性相关。
5.根据权利要求2所述的方法,其特征在于,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,所述基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的系统压力下,采集斜盘摆角的角位移信号;
根据所述不同的系统压力下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史系统压力与斜盘摆角的角位移信号的相关性,历史系统压力与斜盘摆角的角位移信号呈线性相关。
6.根据权利要求3所述的方法,其特征在于,若所述轴向柱塞泵的故障特征为泵壳的振动信号,所述基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的主轴转速下,采集泵壳的振动信号;
根据所述不同的主轴转速下泵壳的振动信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与泵壳的振动信号的相关性,主轴转速与泵壳的振动信号呈线性关系。
7.根据权利要求3所述的方法,其特征在于,若所述轴向柱塞泵的故障特征为斜盘摆角的角位移信号,所述基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性,包括:
将所述轴向柱塞泵置于不同的主轴转速下,采集斜盘摆角的角位移信号;
根据所述不同的主轴转速下斜盘摆角的角位移信号的特征频率和平均功率,得到轴向柱塞泵的历史主轴转速与斜盘摆角的角位移信号的相关性,历史主轴转速与斜盘摆角的角位移信号呈不相关。
8.根据权利要求2所述的方法,其特征在于,所述历史系统压力与轴向柱塞泵的故障特征的相关性包括相关系数和信息熵,其中,相关系数表征数据之间的相似性,相关系数为不同信号差值的乘积与不同信号之间的距离的商;信息熵表征数据的自我相似性,信息熵为平均功率与平均功率的对数的乘积。
9.一种轴向柱塞泵故障诊断监测装置,其特征在于,所述轴向柱塞泵故障诊断监测装置应用于轴向柱塞泵故障诊断监测系统,轴向柱塞泵的故障特征包括泵壳的振动信号和/或斜盘摆角的角位移信号,所述装置包括:获取模块、分析模块、构造模块、修正模块和诊断模块,其中,
所述获取模块,用于基于所述轴向柱塞泵故障诊断监测系统获取轴向柱塞泵历史故障信息;
所述分析模块,用于基于所述历史故障信息获得轴向柱塞泵的历史系统压力与轴向柱塞泵的故障特征的相关性;
所述分析模块,还用于基于所述历史故障信息获得轴向柱塞泵的历史主轴转速与轴向柱塞泵的故障特征的相关性;
所述构造模块,用于根据所述轴向柱塞泵的历史系统压力与轴向柱塞泵故障特征的相关性、所述轴向柱塞泵的历史主轴转速与轴向柱塞泵故障特征的相关性,构造基于轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述修正模块,用于根据所述基于轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;
所述诊断模块,用于根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
10.一种轴向柱塞泵故障诊断监测系统,所述轴向柱塞泵故障诊断监测系统包括信号采集部分、闭环控制部分和故障诊断部分;其中,
所述信号采集部分,用于获取轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速,所述信号采集部分还用于采集实时故障信息、实时系统压力和实时主轴转速;
所述闭环控制部分,用于根据所述故障诊断部分的诊断结果触发控制操作;
所述故障诊断部分,用于基于所述轴向柱塞泵历史故障信息、历史系统压力和历史主轴转速构造轴向柱塞泵故障特征的修正模型,所述修正模型用于在实时故障特征中融合实时系统压力和实时主轴转速对所述故障特征的影响;
所述故障诊断部分还用于根据所述轴向柱塞泵故障特征的修正模型对所述轴向柱塞泵的实时故障特征进行修正;根据修正后的轴向柱塞泵的实时故障特征,对所述轴向柱塞泵进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043731.8A CN117570013B (zh) | 2024-01-11 | 2024-01-11 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043731.8A CN117570013B (zh) | 2024-01-11 | 2024-01-11 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117570013A true CN117570013A (zh) | 2024-02-20 |
CN117570013B CN117570013B (zh) | 2024-04-05 |
Family
ID=89884728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043731.8A Active CN117570013B (zh) | 2024-01-11 | 2024-01-11 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117570013B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59131786A (ja) * | 1983-01-19 | 1984-07-28 | Hitachi Constr Mach Co Ltd | 油圧ポンプの故障診断装置 |
DE19625947C1 (de) * | 1996-06-28 | 1997-09-18 | Uraca Pumpen | Verfahren zur Störungsfrüherkennung an Pumpen sowie entsprechende Vorrichtung |
CN108825482A (zh) * | 2018-04-25 | 2018-11-16 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵的故障检测方法及检测系统 |
US20200166029A1 (en) * | 2017-08-03 | 2020-05-28 | Voith Patent Gmbh | Method for regulating the output pressure of a hydraulic drive system, use of the method and hydraulic drive system |
CN111502974A (zh) * | 2020-05-28 | 2020-08-07 | 美国杰瑞国际有限公司 | 一种柱塞泵状态监测与故障诊断系统 |
CN113027741A (zh) * | 2021-03-11 | 2021-06-25 | 浙江大学 | 一种智能可编程式轴向柱塞泵控制器和控制方法 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
CN115562133A (zh) * | 2022-11-10 | 2023-01-03 | 浙江大学 | 一种轴向柱塞泵智能网关 |
CN116257948A (zh) * | 2022-12-12 | 2023-06-13 | 温州大学 | 一种带液工况下含轴承故障的轴向柱塞泵分析方法及系统 |
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
CN116720112A (zh) * | 2023-05-11 | 2023-09-08 | 青岛埃恩斯信息技术科技有限公司 | 一种基于机器学习的机泵故障诊断方法及系统 |
-
2024
- 2024-01-11 CN CN202410043731.8A patent/CN117570013B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59131786A (ja) * | 1983-01-19 | 1984-07-28 | Hitachi Constr Mach Co Ltd | 油圧ポンプの故障診断装置 |
DE19625947C1 (de) * | 1996-06-28 | 1997-09-18 | Uraca Pumpen | Verfahren zur Störungsfrüherkennung an Pumpen sowie entsprechende Vorrichtung |
US20200166029A1 (en) * | 2017-08-03 | 2020-05-28 | Voith Patent Gmbh | Method for regulating the output pressure of a hydraulic drive system, use of the method and hydraulic drive system |
CN108825482A (zh) * | 2018-04-25 | 2018-11-16 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种飞机轴向柱塞泵的故障检测方法及检测系统 |
CN111502974A (zh) * | 2020-05-28 | 2020-08-07 | 美国杰瑞国际有限公司 | 一种柱塞泵状态监测与故障诊断系统 |
US11047379B1 (en) * | 2020-05-28 | 2021-06-29 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
CN113027741A (zh) * | 2021-03-11 | 2021-06-25 | 浙江大学 | 一种智能可编程式轴向柱塞泵控制器和控制方法 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
CN115562133A (zh) * | 2022-11-10 | 2023-01-03 | 浙江大学 | 一种轴向柱塞泵智能网关 |
CN116257948A (zh) * | 2022-12-12 | 2023-06-13 | 温州大学 | 一种带液工况下含轴承故障的轴向柱塞泵分析方法及系统 |
CN116720112A (zh) * | 2023-05-11 | 2023-09-08 | 青岛埃恩斯信息技术科技有限公司 | 一种基于机器学习的机泵故障诊断方法及系统 |
CN116541800A (zh) * | 2023-07-06 | 2023-08-04 | 利维智能(深圳)有限公司 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117570013B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
CN108628263A (zh) | 控制系统、控制装置、计算机可读存储介质以及控制方法 | |
CN107271170A (zh) | 一种机械设备故障类型的自动诊断方法及系统 | |
CN110174878A (zh) | 一种无人化智能装备健康与保障综合管理通用系统 | |
CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
CN108871438A (zh) | 一种基于三轴振动的电机监测诊断方法 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN117570013B (zh) | 一种轴向柱塞泵故障诊断监测方法、装置和系统 | |
CN117536872B (zh) | 一种罗茨风机状态监测系统与故障预测方法 | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
CN117232564A (zh) | 基于云计算的驱动电机光栅编码器实时诊断与校准系统 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116079724A (zh) | 机器人的故障检测方法、装置、存储介质和机器人 | |
CN108829084A (zh) | 一种基于粒子滤波的分布式智能故障诊断方法及其装置 | |
CN116820038A (zh) | 一种基于数字孪生技术的智慧工厂系统及方法 | |
CN109488473A (zh) | 发动机的在线预判系统和在线预判方法 | |
CN111291239B (zh) | 机组测试方法、装置、设备和存储介质 | |
CN113075547A (zh) | 电机数据的采集方法及系统 | |
CN103425125B (zh) | 基于连续状态的电气系统故障诊断方法 | |
CN118246905B (zh) | 一种基于数据分析的小分子检测设备维护管理系统 | |
CN109634254A (zh) | 一种智能制造设备的在线故障诊断方法及装置 |
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 |