CN117589448A - 一种基于互联网大数据的机械故障监控系统 - Google Patents
一种基于互联网大数据的机械故障监控系统 Download PDFInfo
- Publication number
- CN117589448A CN117589448A CN202311217452.0A CN202311217452A CN117589448A CN 117589448 A CN117589448 A CN 117589448A CN 202311217452 A CN202311217452 A CN 202311217452A CN 117589448 A CN117589448 A CN 117589448A
- Authority
- CN
- China
- Prior art keywords
- lubricating oil
- bearing
- temperature
- concentration
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 239000010687 lubricating oil Substances 0.000 claims abstract description 251
- 239000002245 particle Substances 0.000 claims abstract description 103
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 239000013618 particulate matter Substances 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 30
- 238000005096 rolling process Methods 0.000 abstract description 27
- 230000000694 effects Effects 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 21
- 239000000314 lubricant Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005461 lubrication Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01M13/04—Bearings
-
- 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
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
Abstract
本发明公开了一种基于互联网大数据的机械故障监控系统，涉及互联网大数据技术领域，包括数据采集模块、数据分析模块和预警模块，采集多个时刻下轴承内多处的润滑油的温度和颗粒物浓度，生成润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，再通过将润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，与润滑油温度稳定阈值、润滑油颗粒物稳定阈值以及轴承综合稳定阈值一一进行对比，达到在轴承滚道和滚动体出现损伤的初期便进行报警的效果，避免因不能及时发现轴承损伤而增加潜在风险的问题。
Description
技术领域
本发明涉及互联网大数据技术领域，具体为一种基于互联网大数据的机械故障监控系统。
背景技术
机械设备种类繁多，机械设备运行时，其一些部件甚至其本身可进行不同形式的机械运动，机械设备由驱动装置、变速装置、传动装置、工作装置、制动装置、防护装置、润滑系统、冷却系统等部分组成，在工业生产中，机械设备长时间使用会出现故障问题；因此，需要对机械设备故障进行监控。
现有技术中，公开号为“CN114810513B”的一种基于5G通信的风力发电机轴承振动故障智能监测系统，该系统可以用于生产领域的人工智能优化，包括：数据采集模块，利用传感技术对数据进行记录和获取，并通过5G通信技术上传到互联网生产服务平台，获得轴承的振动幅度序列、温度序列和音频变化序列；轴承监测模块，利用特定数据处理方法，对获得的发电机轴承的工业数据进行数据处理，判断轴承是否需要检修；检修预测模块，获得未来某时刻轴承的检修判断标准，判断未来某时刻是否需要对轴承进行检修，获得的状态指数包含了多种信息，提高了轴承的监测结果；同时能够判断接近未来某一时刻时是否需要对轴承进行检修，能够避免轴承发生故障。
但现有技术仍有较大缺陷，如：现有技术中只是通过温度、振动和音频对轴承进行监测，而轴承在长时间使用过程中会发生磨损(如滚动体和滚道损伤)，在磨损发生初期症状较为轻微，很难通过振动和音频直观表现出来，且在磨损初期时轴承磨损处温度显著升高，而其他位置的温度升高较为缓慢，只对轴承单一处或整体进行温度监测，难以及时发现磨损处温度升高的问题，且轴承在磨损初期会导致润滑油颗粒物浓度分布不均匀以及整体浓度升高，而现有技术中未引用润滑油颗粒物浓度这一影响因素，使得对轴承的监控存在一定的不准确性和滞后性。
发明内容
本发明的目的在于提供一种基于互联网大数据的机械故障监控系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于互联网大数据的机械故障监控系统，包括数据采集模块、数据分析模块和预警模块；
数据采集模块，采集多个时刻下轴承内多处的润滑油温度和润滑油颗粒物浓度数据，将润滑油温度和润滑油颗粒物浓度数据分别构成润滑油温度矩阵和润滑油颗粒物浓度矩阵，并将润滑油温度矩阵和润滑油颗粒物浓度矩阵传递至数据分析模块中；
数据分析模块，所述数据分析模块根据润滑油温度矩阵和润滑油颗粒物浓度矩阵加载生成各个时刻的润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，并将各个时刻的润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数送入预警模块中进行判断；
预警模块，对比各个时刻的润滑油温度稳定系数和润滑油温度稳定阈值、润滑油颗粒物稳定系数和润滑油颗粒物稳定阈值、轴承综合稳定系数和轴承综合稳定阈值，判断对应时刻轴承是否发生损伤。
优选的，所述数据采集模块由多个呈环向安装在轴承内部的集成传感器组成，集成传感器又由采集轴承内润滑油温度的热电偶温度传感器，以及采集轴承内润滑油颗粒物浓度的油液颗粒计数器组成。
优选的，所述数据采集模块采集n时刻下轴承内m处的润滑油温度，所构成的润滑油温度矩阵为：
其中，WD为润滑油温度矩阵，为t时刻第i处的润滑油温度，且1≤t≤n、1≤i≤m、n≥2、m≥2；
根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油最高温度及润滑油最低温度，并根据润滑油最高温度和润滑油最低温度的差值获取所有时刻时润滑油温度差值，并根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油平均温度，所依据的公式如下：
其中，WDmaxt、WDmint为t时刻时轴承的润滑油最高温度及润滑油最低温度，WDczt、为t时刻时轴承的润滑油温度差值和润滑油平均温度；
根据润滑油温度差值和润滑油平均温度，计算出每一个时刻时轴承的润滑油温度稳定系数，计算公式如下：
其中，WDwdt为t时刻时轴承的润滑油温度稳定系数，a1、a2、a3分别为润滑油温度差值、润滑油温度差值和润滑油平均温度比值，以及润滑油平均温度的预设比例系数，且0<a3≤a2<a1，C1为常数修正参数。
优选的，所述数据采集模块采集n时刻下轴承内m处的润滑油颗粒物浓度数据，所构成的润滑油颗粒物浓度矩阵为：
其中，KLW为润滑油颗粒物浓度矩阵，为t时刻第i处的润滑油颗粒物浓度，且1≤t≤n、1≤i≤m、n≥2、m≥2；
根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取t时刻时轴承内部的润滑油最高颗粒物浓度，以及润滑油最低颗粒物浓度，并根据润滑油最高颗粒物浓度和润滑油最低颗粒物浓度的差值获取所有时刻时润滑油颗粒物浓度差值，并根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取所有同一时刻时轴承的润滑油平均颗粒物浓度，所依据的公式如下：
其中，KLWmaxt、KLWmint为t时刻时轴承的润滑油最高颗粒物浓度及润滑油最低颗粒物浓度，KLWczt、为t时刻时轴承的润滑油颗粒物浓度差值和润滑油平均颗粒物浓度；
根据润滑油颗粒物浓度差值和润滑油平均颗粒物浓度，计算出每一时刻时轴承的润滑油颗粒物稳定系数，计算公式如下：
其中，KLWwdt为t时刻时轴承的润滑油颗粒物稳定系数，b1、b2、b3分别为润滑油颗粒物浓度差值、润滑油颗粒物浓度差值和润滑油平均颗粒物浓度比值，以及润滑油平均颗粒物浓度的预设比例系数，且0<b3<b2≤b1，C2为常数修正参数。
优选的，所述轴承综合稳定系数的计算方法如下：
获取前一时刻的润滑油最高温度，以及润滑油最高颗粒物浓度得出目前时刻的轴承综合稳定系数，计算出除第一个时刻外其他所有时刻的轴承综合稳定系数，计算公式如下：
其中，ZCwdt为t时刻的轴承综合稳定系数，其中t≥2，e为自然常数，C3为大于0的修正常数。
优选的，对比t时刻的润滑油温度稳定系数和润滑油温度稳定阈值、润滑油颗粒物稳定系数和润滑油颗粒物稳定阈值，以及轴承综合稳定系数和轴承综合稳定阈值判断轴承是否损伤，若均满足润滑油温度稳定系数≤润滑油温度稳定阈值、润滑油颗粒物稳定系数≤润滑油颗粒物稳定阈值、轴承综合稳定系数≤轴承综合稳定阈值，预警模块不报警，否则预警模块提示t时刻时该轴承出现损伤。
与现有技术相比，本发明的有益效果是：
本发明的基于互联网大数据的机械故障监控系统，通过采集各个时刻时轴承内各处润滑油的温度和颗粒物浓度，生成润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，再通过将润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，与润滑油温度稳定阈值、润滑油颗粒物稳定阈值以及轴承综合稳定阈值一一进行对比，通过引用润滑油颗粒物浓度这一影响因素，提高了监控轴承是否发生磨损的准确性和及时性，达到在轴承滚道和滚动体出现损伤的初期便进行报警的效果，避免因不能及时发现轴承损伤而增加潜在风险的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于互联网大数据的机械故障监控系统的模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，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。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“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。
本发明提供了如图1所示的一种基于互联网大数据的机械故障监控系统，包括数据采集模块、数据分析模块，以及预警模块；
数据采集模块，数据采集模块由多个成环向安装在轴承内部的集成传感器组成，集成传感器又由采集轴承内润滑油温度的热电偶温度传感器，以及采集轴承内润滑油颗粒物浓度的油液颗粒计数器组成，以此使得数据采集模块采集轴承内各处润滑油的温度和颗粒物浓度。
轴承的滚动件通常是滚珠或滚子，它们以滚动的方式在滚道上移动，从而减少摩擦和磨损，滚动件的主要功能是承载和传递负荷，并使轴承在运转过程中能够平稳工作。轴承的滚道是滚动件运动的导向轨道，通常分为内圈滚道和外圈滚道。而润滑油填充在轴承的滚动件和滚道之间，以此起到润滑效果。
当轴承滚动件和滚道损伤时，会引起温度分布不均匀，以下为具体原因：
1，摩擦热不均匀分布：滚道和滚动件的损伤会导致摩擦热量的增加。在受损区域，摩擦产生的热量可能更多，导致该区域温度升高。相反，在未受损的区域，摩擦热量可能相对较少，温度会较低。因此，滚道和滚动件损伤会引起温度在轴承内部的不均匀分布。
2，润滑不均匀：轴承滚道和滚动件的损伤可能会影响润滑油的传播和分布。在损伤区域，润滑油的流动可能受阻或减少，导致该区域的润滑不良，并增加摩擦和热量。而在未受损的区域，润滑油的传播和分布可能较为正常。这种润滑不均匀性会导致温度在轴承内部的不均匀分布。
3，热扩散差异：滚道和滚动件的损伤可能会影响轴承内部的热扩散。受损区域的热量可能难以均匀地在整个轴承内部扩散，导致温度分布不均匀。较热的区域可能与较冷的区域形成温度梯度，导致温度分布不均。
因此，设置多个温度传感器监测轴承各个位置的温度尤为重要，如可做到如下效果：
1，早期故障检测：温度是轴承损伤的一个敏感指标之一。当轴承滚道或滚动件损伤时，会导致摩擦增加和能量损失，从而引起轴承的温度升高。通过监测轴承的温度变化，可以及早发现异常情况并作出反应。早期故障检测可避免损伤进一步恶化，减少维修成本，并确保设备的可靠性和安全性。
2，预防过热和断裂：轴承滚道和滚动件损伤会导致温度升高，而过高的温度可能会导致润滑脂失效、润滑油变质，使轴承处于不利的工作状态。如果温度继续升高，轴承甚至可能出现过热和断裂，从而导致设备停机和损伤。通过持续监测轴承的温度变化，可以及时采取措施，避免轴承过热和断裂，确保设备的正常运行。
3，健康状态评估：轴承的温度变化可以提供轴承的健康状态评估。通过对轴承的温度进行持续监测和分析，可以识别出温度异常的模式和趋势，以判断轴承的工作状态。例如，温度升高的速率加快可能表明轴承滚道或滚动件的损伤在加剧。这有助于预测可能的故障，并采取适当的维护和修复措施，以确保设备的可用性和可靠性。
同理，当轴承滚动件和滚道损伤时，会引起润滑油颗粒分布变化，以下为具体原因：
1，损伤局部积聚：滚道和滚动件的损伤点可能会在特定位置产生颗粒的积聚。例如，损伤表面上的凹坑、腐蚀或裂纹可能会导致金属颗粒或碎片在此处聚集。这种积聚会导致在特定区域形成颗粒聚集，而其他区域的颗粒数量较少。
2，润滑油流动差异：损伤区域的滚动摩擦和润滑状况可能与其他区域不同。这可能导致润滑油在损伤区域的流动速度或方向发生变化。流动差异可能导致润滑油中的颗粒在损伤区域停留更长时间，并在那里积聚。
3，颗粒分离效应：由于损伤引起的振动和冲击，在轴承中可能发生颗粒的分离现象。较大和重的颗粒可能会在润滑油中分离出来，并在轴承内部的特定区域沉积。这会导致颗粒在轴承内的不均匀分布。
因此，设置多个颗粒物监测轴承各个位置的润滑油颗粒物分布尤为重要，如可做到如下效果：
1，检测异常的颗粒物聚集：在润滑油中，异常的颗粒物聚集可能表明轴承滚道和滚动件损伤的存在。当轴承部件损坏时，颗粒物可能在润滑油中产生聚集或沉积。这种异常的颗粒物聚集可能会导致润滑油中的局部颗粒浓度增加。通过监测颗粒物分布，可以识别出颗粒物聚集的区域，指示轴承部件的受损位置。
2，评估损伤程度和进展：通过润滑油颗粒物的分布，可以评估轴承滚道和滚动件损伤的程度和进展情况。随着损伤的加剧，润滑油中的颗粒物数量和大小可能会增加，并且可能出现更多的异常颗粒物。通过监测颗粒物分布的变化，可以评估损伤的进展速度和程度，以确定是否需要采取相应的维修措施。
3，预测性维护和故障预警：监测润滑油颗粒物的分布可以为预测性维护和故障预警提供有力的依据。通过分析颗粒物的分布趋势和模式，可以预测轴承滚道和滚动件损伤的发展，并做出相应的维护安排。提前检测损伤并及时采取维修措施可以避免意外故障和停机时间，提高设备的可靠性和可用性。
综上所述，采集轴承内各个位置的润滑油温度和颗粒物浓度数据，对监控轴承的滚道和滚动件是否发生损伤有着极为重要的作用，以下为本实施方式中数据采集模块采集润滑油温度数据，以及润滑油颗粒物浓度数据的具体实施方式：
数据采集模块采集n时刻下轴承内m处的润滑油温度，所构成的润滑油温度矩阵为：
其中，WD为润滑油温度矩阵，为t时刻第i处的润滑油温度，且1≤t≤n、1≤i≤m、n≥2、m≥2；
且数据采集模块采集n时刻下轴承内m处的润滑油颗粒物浓度数据，所构成的润滑油颗粒物浓度矩阵为：
其中，KLW为润滑油颗粒物浓度矩阵，为t时刻第i处的润滑油颗粒物浓度，且1≤t≤n、1≤i≤m、n≥2、m≥2。
数据分析模块根据润滑油温度和润滑油颗粒物浓度KLWt i加载至目标学习模型中，生成润滑油温度稳定系数WDwdt、润滑油颗粒物稳定系数KLWwdt以及轴承综合稳定系数ZCwdt，并将润滑油温度稳定系数WDwdt、润滑油颗粒物稳定系数KLWwdt以及轴承综合稳定系数ZCwdt送入预警模块中进行判断，数据分析模块包括分别生成润滑油温度稳定系数WDwdt、润滑油颗粒物稳定系数KLWwdt以及轴承综合稳定系数ZCwd的第一数据分析模块、第二数据分析模块和第三数据分析模块。
其中，第一数据分析模块对润滑油温度稳定系数WDwdt的计算方法如下：根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油最高温度及润滑油最低温度，并根据润滑油最高温度和润滑油最低温度的差值获取所有时刻时润滑油温度差值，并根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油平均温度，所依据的公式如下：
其中，WDmaxt、WDmint为t时刻时轴承的润滑油最高温度及润滑油最低温度，WDczt、为t时刻时轴承的润滑油温度差值和润滑油平均温度；
根据润滑油温度差值和润滑油平均温度，计算出每一个时刻时轴承的润滑油温度稳定系数，计算公式如下：
需要说明的是，润滑油温度稳定系数WDwdt的数值越大，代表轴承内部温度分布越不均匀，轴承滚道和滚动件出现损伤的可能性越高，a1、a2、a3分别为润滑油温度差值WDczt、润滑油温度差值WDczt和润滑油平均温度比值，以及润滑油平均温度/>的预设比例系数，且0<a3≤a2<a1，C1为常数修正参数。
其中，第二数据分析模块对润滑油颗粒物稳定系数KLWwdt的计算方法如下：
根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取t时刻时轴承内部的润滑油最高颗粒物浓度，以及润滑油最低颗粒物浓度，并根据润滑油最高颗粒物浓度和润滑油最低颗粒物浓度的差值获取所有时刻时润滑油颗粒物浓度差值，并根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取所有同一时刻时轴承的润滑油平均颗粒物浓度，所依据的公式如下：
其中，KLWmaxt、KLWmint为t时刻时轴承的润滑油最高颗粒物浓度及润滑油最低颗粒物浓度，KLWczt、为t时刻时轴承的润滑油颗粒物浓度差值和润滑油平均颗粒物浓度；
根据润滑油颗粒物浓度差值和润滑油平均颗粒物浓度，计算出每一时刻时轴承的润滑油颗粒物稳定系数，计算公式如下：
需要说明的是，润滑油颗粒物稳定系数KLWwdt越大，代表轴承内部润滑油的颗粒分布越不均匀，轴承滚道和滚动件出现损伤的可能性越高，b1、b2、b3分别为润滑油颗粒物浓度差值KLWczt、润滑油颗粒物浓度差值KLWczt和润滑油平均颗粒物浓度比值，以及润滑油平均颗粒物浓度/>的预设比例系数，且0<b3<b2≤b1，C2为常数修正参数。
其中，第三数据分析模块对轴承综合稳定系数ZCwdt的计算方法如下：
获取前一时刻的润滑油最高温度，以及润滑油最高颗粒物浓度得出目前时刻的轴承综合稳定系数，计算出除第一个时刻外其他所有时刻的轴承综合稳定系数，计算公式如下：
需要说明的是，t≥2，t-1时刻时润滑油最高温度WDmaxt-1，以及润滑油最高颗粒物浓度KLWmaxt-1与t时刻时润滑油最高温度WDmaxt、润滑油最高颗粒物浓度KLWmaxt的获取方式相同；
需要说明的是，轴承综合稳定系数ZCwdt越大，代表轴承内部润滑油颗粒分布不均匀度的增长速率相比于轴承内部温度不均匀度的增长速率越大，轴承滚道和滚动件出现损伤的可能性越高，e为自然常数，C3为大于0的修正常数。
预警模块，预警模块接收数据分析模块润滑油温度稳定系数WDwdt、润滑油颗粒物稳定系数KLWwdt以及轴承综合稳定系数ZCwdt，再对比润滑油温度稳定系数WDwdt和润滑油温度稳定阈值WDyz、润滑油颗粒物稳定系数KLWwdt和润滑油颗粒物稳定阈值KLWyz，以及轴承综合稳定系数ZCwdt和轴承综合稳定阈值ZCyz，当WDwdt≤WDyz、KLWwdt≤KLWyz、ZCwdt≤ZCyz有一个不满足，预警模块均报警提示该轴承出现损伤，达到在轴承滚道和滚动体出现损伤的初期便进行报警的效果，避免因不能及时发现轴承损伤而增加潜在风险的问题。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种航道水下地形变化分析系统及方法逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于互联网大数据的机械故障监控系统，其特征在于：包括数据采集模块、数据分析模块和预警模块；
数据采集模块，采集多个时刻下轴承内多处的润滑油温度和润滑油颗粒物浓度数据，将润滑油温度和润滑油颗粒物浓度数据分别构成润滑油温度矩阵和润滑油颗粒物浓度矩阵，并将润滑油温度矩阵和润滑油颗粒物浓度矩阵传递至数据分析模块中；
数据分析模块，所述数据分析模块根据润滑油温度矩阵和润滑油颗粒物浓度矩阵加载生成各个时刻的润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数，并将各个时刻的润滑油温度稳定系数、润滑油颗粒物稳定系数以及轴承综合稳定系数送入预警模块中进行判断；
预警模块，对比各个时刻的润滑油温度稳定系数和润滑油温度稳定阈值、润滑油颗粒物稳定系数和润滑油颗粒物稳定阈值、轴承综合稳定系数和轴承综合稳定阈值，判断对应时刻轴承是否发生损伤。
2.根据权利要求1所述的基于互联网大数据的机械故障监控系统，其特征在于：所述数据采集模块由多个呈环向安装在轴承内部的集成传感器组成，集成传感器又由采集轴承内润滑油温度的热电偶温度传感器，以及采集轴承内润滑油颗粒物浓度的油液颗粒计数器组成。
3.根据权利要求1所述的基于互联网大数据的机械故障监控系统，其特征在于：所述数据采集模块采集n时刻下轴承内m处的润滑油温度，所构成的润滑油温度矩阵为：
其中，WD为润滑油温度矩阵，为t时刻第i处的润滑油温度，且1≤t≤n、1≤i≤m、n≥2、m≥2；
根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油最高温度及润滑油最低温度，并根据润滑油最高温度和润滑油最低温度的差值获取所有时刻时润滑油温度差值，并根据轴承在同一时刻下多处位置的润滑油温度，获取所有同一时刻时轴承的润滑油平均温度，所依据的公式如下：
其中，WD maxt、WD mint为t时刻时轴承的润滑油最高温度及润滑油最低温度，WDczt、为t时刻时轴承的润滑油温度差值和润滑油平均温度；
根据润滑油温度差值和润滑油平均温度，计算出每一个时刻时轴承的润滑油温度稳定系数，计算公式如下：
其中，WDwdt为t时刻时轴承的润滑油温度稳定系数，a1、a2、a3分别为润滑油温度差值、润滑油温度差值和润滑油平均温度比值，以及润滑油平均温度的预设比例系数，且0<a3≤a2<a1，C1为常数修正参数。
4.根据权利要求3所述的基于互联网大数据的机械故障监控系统，其特征在于：所述数据采集模块采集n时刻下轴承内m处的润滑油颗粒物浓度数据，所构成的润滑油颗粒物浓度矩阵为：
其中，KLW为润滑油颗粒物浓度矩阵，为t时刻第i处的润滑油颗粒物浓度，且1≤t≤n、1≤i≤m、n≥2、m≥2；
根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取t时刻时轴承内部的润滑油最高颗粒物浓度，以及润滑油最低颗粒物浓度，并根据润滑油最高颗粒物浓度和润滑油最低颗粒物浓度的差值获取所有时刻时润滑油颗粒物浓度差值，并根据轴承在同一时刻下多处位置的润滑油颗粒物浓度，获取所有同一时刻时轴承的润滑油平均颗粒物浓度，所依据的公式如下：
其中，KLW maxt、KLW mint为t时刻时轴承的润滑油最高颗粒物浓度及润滑油最低颗粒物浓度，KLWczt、为t时刻时轴承的润滑油颗粒物浓度差值和润滑油平均颗粒物浓度；
根据润滑油颗粒物浓度差值和润滑油平均颗粒物浓度，计算出每一时刻时轴承的润滑油颗粒物稳定系数，计算公式如下：
其中，KLWwdt为t时刻时轴承的润滑油颗粒物稳定系数，b1、b2、b3分别为润滑油颗粒物浓度差值、润滑油颗粒物浓度差值和润滑油平均颗粒物浓度比值，以及润滑油平均颗粒物浓度的预设比例系数，且0<b3<b2≤b1，C2为常数修正参数。
5.根据权利要求4所述的基于互联网大数据的机械故障监控系统，其特征在于：所述轴承综合稳定系数的计算方法如下：
获取前一时刻的润滑油最高温度，以及润滑油最高颗粒物浓度得出目前时刻的轴承综合稳定系数，计算出除第一个时刻外其他所有时刻的轴承综合稳定系数，计算公式如下：
其中，ZCwdt为t时刻的轴承综合稳定系数，其中t≥2，e为自然常数，C3为大于0的修正常数。
6.根据权利要求1-5任意一项所述的基于互联网大数据的机械故障监控系统，其特征在于：对比t时刻的润滑油温度稳定系数和润滑油温度稳定阈值、润滑油颗粒物稳定系数和润滑油颗粒物稳定阈值，以及轴承综合稳定系数和轴承综合稳定阈值判断轴承是否损伤，若均满足润滑油温度稳定系数≤润滑油温度稳定阈值、润滑油颗粒物稳定系数≤润滑油颗粒物稳定阈值、轴承综合稳定系数≤轴承综合稳定阈值，预警模块不报警，否则预警模块提示t时刻时该轴承出现损伤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217452.0A CN117589448A (zh) | 2023-09-20 | 2023-09-20 | 一种基于互联网大数据的机械故障监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217452.0A CN117589448A (zh) | 2023-09-20 | 2023-09-20 | 一种基于互联网大数据的机械故障监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117589448A true CN117589448A (zh) | 2024-02-23 |
Family
ID=89908771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311217452.0A Pending CN117589448A (zh) | 2023-09-20 | 2023-09-20 | 一种基于互联网大数据的机械故障监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117589448A (zh) |
-
2023
- 2023-09-20 CN CN202311217452.0A patent/CN117589448A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Selcuk | Predictive maintenance, its implementation and latest trends | |
| Gebraeel et al. | A neural network degradation model for computing and updating residual life distributions | |
| Daniyan et al. | Artificial intelligence for predictive maintenance in the railcar learning factories | |
| KR102344852B1 (ko) | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 | |
| Hu et al. | Dynamic degradation observer for bearing fault by MTS–SOM system | |
| Cheng et al. | A novel condition-monitoring method for axle-box bearings of high-speed trains using temperature sensor signals | |
| Tarawneh et al. | Prognostics models for railroad tapered roller bearings with spall defects on inner or outer rings | |
| Du et al. | Replacement scheme for lubricating oil based on Bayesian control chart | |
| Dempsey | Gear damage detection using oil debris analysis | |
| CN117589448A (zh) | 一种基于互联网大数据的机械故障监控系统 | |
| Kypuros et al. | Implementation of wireless temperature sensors for continuous condition monitoring of railroad bearings | |
| Akcan et al. | A new approach for remaining useful life prediction of bearings using 1D-ternary patterns with LSTM | |
| Zhang et al. | Asset health reliability estimation based on condition data | |
| Ma et al. | Research on condition monitoring of bearing health using vibration data | |
| Mishra et al. | Bearing life prediction with informed hyperprior distribution: a bayesian hierarchical and machine learning approach | |
| Dempsey et al. | Investigation of tapered roller bearing damage detection using oil debris analysis | |
| Sun et al. | Wear failure analysis of ball bearings based on lubricating oil for gas turbine | |
| Tinga et al. | Maintenance concepts | |
| Awatramani et al. | Investigating Strategies and Parameters to Predict Maintenance of an Elevator System | |
| Lucente | Condition monitoring system in wind turbine gearbox | |
| Li et al. | Predicting failure times of railcar wheels and trucks by using wayside detector signals | |
| Lelo et al. | Development of an approach to incorporate proportional hazard modelling into a risk-based inspection methodology | |
| Yang et al. | Fault detection of high-speed train axle bearings based on a hybridized physical and data-driven temperature model | |
| CN116380251B (zh) | 一种基于温升的轴承保持器状态检测方法、设备及介质 | |
| CN118128715B (zh) | 一种风电齿轮箱润滑结构预警与寿命管理方法 |
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 |