RU2818697C1 - Способ распознавания неисправности в приводе - Google Patents

Abstract

Изобретение относится к способу для распознавания неисправности в приводе. Способ заключается в определении нормированного спектра (8, 37), который зависит от скорости, причем распознаются пиковые значения (34, 35, 36, 38, 39) в спектре (8), причем первое пиковое значение (34, 35) распознается при первой частоте (21, 22), причем второе пиковое значение (35, 36) распознается при второй частоте (22, 23). На основе первой и второй частот (22, 23) распознается образец, причем образец относится к частотам (21, 22, 23, 31, 32, 33) и/или амплитудам пиковых значений (34, 35, 36, 38, 39), причем частоты (21, 22, 23, 31, 32, 33) являются кратными относительно друг друга. Причем пиковое значение (34, 35, 36, 38, 39) распознается посредством превышения первого минимального значения (25), причем одно из пиковых значений (34, 35, 36, 38, 39) имеет боковые пиковые значения в боковых полосах (16, 16’), причем боковые пиковые значения распознаются по превышению второго минимального значения, причем образец распознается также в зависимости от боковых пиковых значений в боковых полосах (16, 16’). Причем сохраняется множество образцов, а с множеством образцов соотнесена одна неисправность. Технический результат - улучшение распознавания неисправности в приводе. 8 з.п. ф-лы, 5 ил.

Description

Изобретение относится к способу для распознавания неисправности в приводе.

Привод имеет, например, электрическую машину, передаточный механизм, клиновой ремень, преобразователь мощности и т.д. Привод также имеет, например, один или несколько подшипников. Подшипник или подшипники являются, в частности, частью электрической машины передаточного механизма и т.д. Электрическая машина представляет собой, например, электродвигатель высокого напряжения. Подобные электродвигатели используются, например, во многих отраслях промышленности. Своевременное техническое обслуживание этих машин является ключевым аспектом, чтобы клиентам подобных установок предоставлять бесперебойную работу или обслуживание. При этом целью может быть, например, распознавать заблаговременный прогноз механических неисправностей в подвижных элементах электродвигателя и предоставлять возможность своевременно сигнализировать оператору установки или электродвигателя или команде клиентской службы, чтобы избежать незапланированного времени вывода машины или установки.

Из EP1304463B1 известен, например, способ для контроля состояния подшипника, который расположен на конце вращающегося вала, причем датчик вибрации, контролирующий подшипник, расположен на другом конце вращающегося вала, однако вблизи него. В способе, с помощью датчика вибрации определяется широкополосный сигнал, посредством которого подшипник контролируется на наличие неисправности.

Из US7231303B2 известен датчик колебаний для контроля состояния вращающегося компонента. Имеющаяся для этого электроника оценки имеет аналого-цифровой преобразователь и устройство формирования сигнала с множеством сигналов, которые регистрируются сенсорным элементом и, таким образом, могут диагностироваться.

Из US5895857A известно устройство обработки сигнала для обработки колебаний машины. Здесь применяется детектор пиковых значений для определения пиков амплитуды вибрации в течение предопределенных промежутков времени взятия выборок.

Задачей изобретения является улучшить распознавание неисправности в приводе.

Решение задачи обеспечивается способом согласно пункту 1 формулы изобретения. Варианты осуществления обеспечиваются, например, согласно пунктам 2-13 формулы изобретения. Кроме того, решение задачи обеспечивается компьютерным программным продуктом согласно пункту 14 формулы изобретения. Преимущества и варианты осуществления, приведенные далее в отношении способа, могут переноситься по смыслу на компьютерную программу и компьютерный программный продукт.

В способе для распознавания неисправности в приводе определяется нормированный спектр, нормированный частотный спектр. При этом распознавание неисправности относится не только к неисправности, но и также к износу конструктивного компонента или износу нескольких конструктивных компонентов привода. Конструктивный компонент представляет собой, например, подшипник, муфту и/или передаточный механизм. Также износ может, в частности, начиная с порогового значения, обозначаться как неисправность. Не каждая неисправность должна автоматически приводить, например, к остановке привода. Примерами мер, принимаемых при неисправности, являются снижение максимальной скорости, снижение максимального ускорения, снижение максимальной нагрузки подшипника и/или передаточного механизма, планирование ремонта и/или замены неисправного подшипника и/или неисправного передаточного механизма. Спектр касается, например, скорости, производной скорости (в частности, ускорения), вибрации (причем вибрация также может быть зависимой от скорости) или значений такого же или подобного вида. Скорость относится, например, к числу оборотов подшипника, передаточного механизма, электродвигателя, генератора, муфты и т.д. Вибрация относится, например, к вибрации подшипника, передаточного механизма, электродвигателя, генератора, муфты и т.д. Вибрация воспринимается, например, посредством датчика вибрации, причем вибрация, в частности, воспринимается на корпусе или внутри передаточного механизма. Вибрация вызывается, частности, движением. Движение относится, в частности, к вращательному движению, то есть, тем самым также к скорости (в частности, скорости вращения). Неисправность подшипника может, например, при вращении конструктивного компонента посредством подшипника вызвать вибрацию. Эта вибрация, таким образом, также зависит от скорости, числа оборотов. Предпочтительно, спектр нормируется. Так, например, можно устанавливать или изменять пороговое значение, такое как, например, минимальное значение, независимо от места использования и/или времени выполнения способа. Это касается, например, использования способа для различных типов подшипников. Например, за счет нормирования также обеспечивается преимущество при рассмотрении по меньшей мере одного или нескольких пиковых значений в спектре.

В варианте осуществления способа определяется нормированный спектр, который зависит от скорости, причем распознаются пиковые значения в спектре, причем первое пиковое значение распознается при первой частоте, причем второе пиковое значение распознается при второй частоте, причем на основе первой частоты и второй частоты распознается образец. Пиковые значения в спектре могут также обозначаться как пики.

В варианте осуществления способа, он основывается на распознавании частотных отношений, то есть, в частности x-кратных частот различных пиковых значений (максимумов). Тем самым может преодолеваться недостаток узкополосных полосовых фильтров для распознавания отдельного максимума.

В способе для распознавания неисправности в приводе также может определяться нормированный спектр скорости, причем распознается первое пиковое значение, и причем распознается первый образец. Скорость представляет собой, например, число оборотов. Путем распознавания пикового значения или образца в нормированном спектре скорости могут распознаваться неисправности. При этом распознается пиковое значение или образец, который отклоняется от нормального режима работы. Отклонение может проявляться из-за неисправности. Так, например, может распознаваться неисправность в приводном ремне, такая как смещение ремня.

Чтобы, например, распознать неисправность в подшипнике, может в зависимости от определенного подшипника и в зависимости от определенной картины неисправности сохраняться и распознаваться эта сохраненная картина неисправности. Чтобы исключить влияние помех, рассматриваются только определенные частотные диапазоны, в которых в случае неисправности должно возникать соответствующее пиковое значение. Это рассмотрение предопределенных частотных диапазонов обеспечивается применением полосовых фильтров. При таком способе действий, неисправность распознается, только если пиковые значения попадают в диапазон полосовых фильтров. Полосовые фильтры служат для распознавания картины неисправности. Следовательно, если частоты смещаются, например, из-за внешних влияний, то неисправность больше не распознается.

Если образец распознается на основе пиковых значений и соотнесенных с пиковыми значениями частот, так как отсюда получается образец, то распознавание является независимым от, возможно, слишком узких полосовых фильтров.

В варианте осуществления способа, образец относится к частотам и/или амплитудам пиковых значений, причем, в частности, частоты являются кратными друг другу. Путем рассмотрения амплитуд, пиковое значение можно идентифицировать тем, что оно, например, превышает минимальное значение. Идентифицированное или распознанное таким образом пиковое значение имеет соответствующую частоту. Отсюда получаются различные частоты для пиковых значений. Из соответствующих частот для пиковых значений можно теперь, в частности, распознать зависимость или отношение друг к другу. Так, одна частота одного пикового значения может быть кратным значение другой частоты другого пикового значения. Образцы получаются, в частности, из того, что распознаются кратные значения частот, которые соответственно соотнесены с пиковыми значениями. Поэтому образец неисправности может быть распознан, даже если образец этой неисправности смещается в частотном диапазоне.

В варианте осуществления способа, таким образом, пиковое значение распознается или пиковые значения распознаются за счет превышения первого минимального значения (порогового значения или граничного значения). Первое минимальное значение или другие минимальные значения могут, например, устанавливаться.

В другом варианте осуществления способа, по меньшей мере одно из пиковых значений имеет боковые пиковые значения в боковых полосах, причем, в частности, боковые пиковые значения распознаются посредством превышения второго минимального значения. Пиковые значения боковин (боковые пиковые значения) могут также, в частности, способствовать идентификации неисправности и быть частью образца.

В варианте осуществления способа, образец, следовательно, распознается также в зависимости от боковых пиковых значений в боковых полосах. Это способствует надежности распознавания неисправности, так как должен распознаваться более сложный образец.

В варианте осуществления способа, множество образцов сохраняют, причем с множеством образцов соотносится соответственно по меньшей мере одна неисправность. Поэтому с помощью различных образцов могут распознаваться различные неисправности. С одним образцом может, например, быть соотнесено также множество неисправностей. Например, с одной неисправностью также может быть соотнесено множество образцов. Тем самым можно, например, улучшить распознавание неисправности.

В варианте осуществления способа, неисправность относится к износу. Таким образом, может также, в частности, распознаваться износ подшипника передаточного механизма и/или муфты. Отсюда можно, например, планировать замену или техническое обслуживание подшипника, передаточного механизма и/или муфты.

В варианте осуществления способа, в качестве спектра определяется нормированный спектр ускорения и/или нормированный спектр скорости, причем, в частности, в различных спектрах распознаются различные образцы. Предпочтительно, в зависимости от распознаваемой неисправности, может рассматриваться подходящий спектр.

В варианте осуществления способа, определяется нормированный спектр огибающей ускорения, причем распознается второе пиковое значение, и причем также распознается второй образец. Поэтому может, например, распознаваться неисправность подшипника и/или неисправность передаточного механизма или элемента передаточного механизма.

В варианте осуществления способа выполняется анализ колебаний в частотном диапазоне спектра на основе нормированного спектра скорости.

В варианте осуществления способа выполняется анализ колебаний в частотном диапазоне спектра на основе нормированной огибающей ускорения.

В варианте осуществления способа выполняется анализ колебаний в частотном диапазоне на основе нормированного спектра скорости. Поэтому могут распознаваться, например, неисправности, которые относятся к машине, такие как, например, дефект выравнивания (центрирования) или расшатывание крепления машины.

В варианте осуществления способа выполняется анализ колебаний в частотном диапазоне на основе спектра нормированной огибающей ускорения. Анализ колебаний в частотном диапазоне выполняется, в частности, на основе экспертных знаний (с помощью информаций о подшипниках) на основе спектров нормированной огибающей ускорения, чтобы распознать неисправности, которые относятся к элементу подшипника.

В варианте осуществления способа применяется статистический вывод на статистике временной области, такой как асимметрия и эксцесс. Таким образом, можно распознать аномальное поведение в сигнале колебаний.

В варианте осуществления способа для распознавания образца применяется искусственный интеллект. Подобный искусственный интеллект является, в частности, обучаемым. Для обучения могут применяться информации о приводе, так как, например, номинальная мощность, пиковая мощность, номинальное число оборотов, максимальное число оборотов и т.д.

В варианте осуществления способа для распознавания неисправности применяется рабочее состояние привода. Поэтому может различаться, возникает ли вибрация в состоянии покоя, во время фазы ускорения или только при высоких числах оборотов. В зависимости от этих рабочих состояний может затем анализироваться частотный спектр.

В варианте осуществления способа выполняется анализ колебаний на данных колебаний, которые регистрируются датчиками колебаний, которые смонтированы на стороне привода и на стороне обслуживания машины. Датчики могут быть смонтированы, например, в различных ориентациях относительно оси вращения электродвигателя: аксиально, вертикально или горизонтально. Например, анализ вибрации может дополнительно базироваться на простом формировании порогового значения KPI во временной области, такого как, например, RMS-значение, коэффициент амплитуды, удвоенная амплитуда (размах), эксцесс и асимметрия/перекос. Также возможно базировать анализ колебаний, например, на спектральном анализе, причем сигнал колебаний во временной области преобразуется в частотную область и анализируется. Поэтому могут контролироваться, например, предопределенные области спектров, которые относятся к неисправностям подшипников, и если спектральные пики этой области лежат выше установленного порогового значения, то неисправность распознается и сообщается. Ключевые информации спектральных областей, которые относятся к неисправностям подшипников качения, можно получить, например, из технических паспортов подшипников качения.

В варианте осуществления способа, инструментальное средство анализа колебаний получает данные колебаний. Подобные данные колебаний могут оцениваться в инструментальном средстве посредством вычислений. Инструментальное средство анализа колебаний находится, например, в месте расположения контролируемой машины или на удалении от этого места, так что требуемые для этого данные могут передаваться на инструментальное средство анализа колебаний, например, через Интернет. Вычисление относится, например, к спектрам колебаний в частотном диапазоне, статистике колебаний во временной области и/или рабочим состояниям контролируемой машины.

В варианте осуществления способа осуществляется, таким образом, по меньшей мере одно из следующих вычислений или анализов:

- спектры колебаний в частотном диапазоне (спектры огибающих скорости и ускорения),

- статистика временной области, такая как значение математического ожидания, дисперсия, асимметрия и/или эксцесс,

- рабочие состояния машины, которые определятся, в частности, на основе числа оборотов и крутящего момента машины к заданному моменту времени.

В варианте осуществления способа, важные информации оборудования, такие как тип подшипника, детали применения, такие как, например, зубчатый передаточный механизм, ременной передаточный механизм, сохраняются в базе данных и применяются при анализе измеренных фактических значений, таких как скорость или вибрация. Таким образом, распознавание неисправности электродвигателя может применять эти данные для распознавания неисправностей, которые относятся, например, к различным подвижным элементам электрической машины, таким как, например, элементы подшипника, ремень или передаточный механизм.

В варианте осуществления способа, спектры зарегистрированных данных или фактические значения нормируются по амплитуде или числу оборотов (нормализуются), чтобы получить нормированные по амплитуде систематизированные спектры. Таким образом, алгоритм для нормировки может быть сделан надежным по отношению к различным рабочим состояниям. Амплитудная нормировка основана, например, на спектральной z-оценке.

В варианте осуществления способа параллельно применяются по меньшей мере два из приведенных далее этапов, так как они независимы друг от друга:

a) Выполнение основанного на экспертных знаниях анализа колебаний в частотном диапазоне на основе нормированных спектров скорости, чтобы распознавать неисправности, которые относятся к машине, такие как, например дефект выравнивания, расшатывание.

b) Выполнение анализа колебаний в частотном диапазоне на основе экспертных знаний (с помощью информаций о подшипниках) на основе спектров нормированной огибающей ускорения, чтобы распознавать неисправности, которые относятся к элементу подшипника.

c) Выполнение статистического вывода на основе статистики временной области, такой как кривизна и выпуклость, чтобы распознавать аномальное поведение в сигнале колебаний.

d) Применение модуля распознавания пиков и образцов на нормированных спектрах скорости, чтобы распознавать неисправности в приводном ремне, такие как смещение ремня.

e) Применение модуля распознавания пиков и образцов на нормированных спектрах огибающей ускорения, чтобы распознавать неисправности в подшипниках или в элементе передаточного механизма.

Этапы [a-c] представляют собой этапы для распознавания неисправностей подшипников в машине посредством анализа колебаний. Используемый модуль распознавания пиков и образцов для распознавания пиковых значений и образцов не только устойчив по отношению к отклонениям в информациях о подшипниках, но и также дает возможность распознавать неисправности подшипников при отсутствии информаций о подшипниках. Модуль распознавания пиков и образцов также обеспечивает возможность распознавания неисправностей, не относящихся к подшипникам, таких как перекос ремня и/или неисправный передаточный механизм.

В варианте осуществления способа, модуль для распознавания пиковых значений и образцов применяет спектр колебаний в качестве входного сигнала. Он применяет, в частности, пороговое значение к спектру и удаляет меньшие, менее заметные пики, так как эти пики не содержат информаций о неисправностях.

В варианте осуществления способа, на одном этапе оценивается, содержит ли один из заметных пиков целочисленные многократные гармоники. Это, в частности, делается со всеми пиками. Формируются пики, которые не содержат гармоник, или если пик уже является гармоникой заметного пика меньшего порядка. Так получают пики с гармониками. Пики с гармониками могут быть указанием на неисправность. Как только эти пики определены, тип неисправности может быть ограничен тем, что оцениваются спектральные образцы вокруг этих пиков и их гармоник.

В варианте осуществления способа, результаты анализируются из [a-e] с помощью экспертных знаний или искусственного интеллекта, чтобы сделать заключение о возможной неисправности и ее весомости.

В варианте осуществления способа, распознавание неисправности электродвигателя, например, инициируется своевременно, если все вышеназванные этапы выполняются на отрезке [a-e]. Вывод может представлять собой визуальную графику для оператора. Также, например, возможно генерировать составленный отчет с детальной графикой и историческим анализом.

В варианте осуществления способа, при автоматизированном анализе колебаний в частотном диапазоне, можно отказаться от информаций о подшипниках для их функциональности. Поэтому анализ больше не зависит от знания точных частот неисправностей подшипника. Во многих случаях, информации о подшипниках являются неточными или недоступны, что могло бы привести к худшей производительности или полному сбою при распознавании неисправных элементов подшипника. В противоположность многим методам машинного обучения для распознавания образца, описанный способ не требует большого количества данных обучения. Описанный способ обеспечивает надежный метод для преодоления зависимости от информаций о подшипниках.

Посредством одного из описанных способов возможно, например, контролировать также очень старые машины, для которых недоступны информации о подшипниках. Посредством описанного способа можно получить надежные информации о техническом состоянии установки и/или своевременно информировать о потенциальной неисправности.

В варианте осуществления способа передаются фактические значения или выведенные из них значения (например, данные колебаний электродвигателя) передаются через Интернет, и обеспечивается возможность анализа данных посредством облачного приложения.

В варианте осуществления способа, он предоставляется на масштабируемых экземплярах посредством облачного приложения, то есть на основе Интернет-технологии, в подходящей среде Python. Это имеет преимущество, состоящее в возможности обеспечения автоматизации процесса. Способ реализуется, например, посредством алгоритмов, которые базируются на экспертных знаниях и поиске паттернов.

В варианте осуществления способа применяется комбинация различных методов. Ими являются, в частности, следующие:

a) статистический вывод основанных на временной области KPI данных колебаний,

b) анализ колебаний в частотном диапазоне с применением предопределенного спектрального вычисления порогового значения на основе экспертных знаний (вычисления порогового значения для определения дефектного и бездефектного состояния) и информаций подшипников,

c) спектральное определение порогового значения образцов пиков, которые были получены из распознавания пиков и образцов нового типа, что разрабатывается, в частности, на основе экспертных знаний.

Окончательное решение основывается, в частности, на объединенных результатах из a, b и c.

В варианте осуществления способа, при недостатке информаций о подшипниках алгоритм опирается на (a, c), чтобы принять решение. При наличии информаций о подшипниках алгоритм применяет, в частности, (a, b, c), чтобы принять решение.

В варианте осуществления способа, в спектре распознаются главные максимумы. Для этих распознанных главных максимумов распознаются побочные максимумы, которые соответственно представляют соответствующую боковую полосу главного максимума. Из образца главных максимумов и побочных максимумов посредством устройства анализа делается заключение об определенной неисправности. Это устройство анализа имеет, в частности, искусственный интеллект.

Может быть предусмотрена компьютерная программа, которая имеет исполняемое компьютером программное средство и при выполнении на вычислительном устройстве с процессорным средством и средством хранения данных обеспечивает возможность выполнения способа по одному из описанных типов. Таким образом, основополагающая поставленная задача решается компьютерным программным продуктом, который может служить для моделирования способа работы. Компьютерный программный продукт, в частности, предусмотрен для инсталляции на соотнесенном с управляющим устройством вычислительном блоке, причем компьютерный программный продукт выполнен для осуществления описанного способа при выполнении на вычислительном блоке.

Признаки отдельных заявленных или описанных объектов могут комбинироваться без проблем друг с другом. Далее изобретение более подробно изображается и описывается в качестве примера со ссылками на чертежи. Показанные на чертежах признаки могут объединяться специалистами в новые формы выполнения, без отклонения от изобретения. Подобные элементы обозначены одинаковыми ссылочными позициями. На чертежах показано следующее:

Фиг. 1 - электрическая машина с анализом данных,

Фиг. 2 - первый случай со спектральным анализом,

Фиг. 3 - второй случай со спектральным анализом,

Фиг. 4 - третий случай со спектральным анализом и

Фиг. 5 - четвертый случай со спектральным анализом.

Представление на фиг. 1 показывает электродвигатель 1 и датчик 2 для получения фактических значений. Фактические значения принимаются от устройства 3 анализа, и формируется спектр 4. На следующем этапе 5 распознается образец главных максимумов (то есть существенных максимумов). На следующем этапе 6 распознаются образцы боковых полос, которые соответственно принадлежат главным максимумам. На следующем этапе, на основе предыдущих этапов (образцы главных максимумов и образцы боковых полос) распознаются неисправности. Подобные неисправности могут классифицироваться по типам неисправностей подшипников. Подобные типы представляют собой, например: внутреннее кольцо подшипника, внешнее кольцо подшипника, вращающийся элемент подшипника, сепаратор, неисправный передаточный механизм, неисправный приводной ремень.

Представление на фиг. 2 показывает первый случай со спектральным анализом. Фиг. 2 показывает теоретические и практические образцы неисправностей при неисправности элемента подшипника. Показан спектр в трех областях 10, 11 и 12, причем эти области относятся к теоретическому представлению 13. Область 10 относится к определенной скорости. Область 11 относится к ускорению. Область 12 относится к высоким частотам. Отсюда получается тогда спектр для скорости 8 и спектр для ускорения 9. Кроме того, показана BPFO (англ. Ball Pass Frequency Outer Race - частота вращения наружного кольца подшипника) с максимумом и вторая гармоника этой частоты с другим максимумом (2×BPFO). В представлении реальных значений для спектров в области 14 получаются различные образцы при различных скоростях и различных моментах (крутящих моментах).

Представление на фиг. 3 показывает второй случай со спектральным анализом. Фиг. 3 показывает спектры и образцы неисправностей при BPFI (англ. Ball Pass Frequency Inner Race - частота вращения внутреннего кольца подшипника). Показаны главные максимумы 15 и 17, то есть пиковые значения, а также их соответствующие боковые полосы 16 и 16’ с боковыми пиковыми значениями, для главного максимума BPFI и боковых полос 18 и 18’ для другого главного максимума 17 с 2×BPFI. Становится понятно, что на основе образца частотного анализа можно сделать заключение об определенных неисправностях или источниках неисправностях.

Представление на фиг. 4 показывает третий случай со спектральным анализом. Этот третий случай относится к вращению шариков (англ. ball spin, BS), т.е., в частности, BSF (англ. Ball Spin Frequency - частота вращения шариков). Таким образом, может иметь место неисправность шариков шарикоподшипника. Можно видеть, что здесь из-за боковых полос (FT) образец максимумов получил дополнительное выражение.

Посредством спектрального распознавания образцов может, следовательно, осуществляться обнаружение неисправности. Спектральное распознавание образцов основывается, с одной стороны, на распознавании максимумов, в частности главных максимумов, и распознавании побочных максимумов боковых полос главных максимумов. Из анализа главных максимумов и побочных максимумов, неисправности подшипника могут быть соотнесены с классом неисправностей. Это, в частности, неисправности в области наружного кольца, неисправности в области внутреннего кольца и/или неисправности шариков шарикоподшипника. Это соответственно применимо также для сферических подшипников с бочкообразными роликами или игольчатых подшипников.

Представление на фиг. 5 показывает еще один спектральный анализ с частотным диапазоном 25, который может устанавливаться, например, с помощью полосового фильтра. Частотный диапазон 25 имеет нижнюю частоту 29 и верхнюю частоту 30. Нормированная амплитуда x(f) нанесена со своей величиной по частоте f[Гц]. Показаны пиковые значения 34, 35, 36, 38 и 39, причем они распознаются ввиду превышения минимального значения 25. Например, пик 40 не превышает минимального значения 25, и, следовательно, не квалифицируется как пиковое значение для распознавания образца. С пиковыми значениями 34, 35, 36, 38 и 39 соответственно соотнесены частоты 21, 22, 23, 31, 32 и 33. Кроме того, показаны полосовые фильтры 26, 27 и 28. Частота 22 равна, например, двукратной частоте относительно частоты 21. Частота 23 равна, например, трехкратной частоте относительно частоты 21. Таким образом, может распознаваться образец, который базируется на распознавании многократных значений некоторой частоты. Полосовые фильтры могут также располагаться по отношению к кратным значениям. Однако, если спектр смещается, при фиксированных полосовых фильтрах больше невозможно распознать неисправность, если пиковые значения смещаются вне наблюдаемой частотной области. За счет отказа от таких узкополосных полосовых фильтров для распознавания конкретного пикового значения, данный способ распознавания неисправности является более подходящим. Посредством образцов, которые базируются на распознавании частотных отношений, распознавание неисправностей улучшается.

Claims (9)

1. Способ для распознавания неисправности в приводе (1), причем определяется нормированный спектр (8, 37), который зависит от скорости, причем распознаются пиковые значения (34, 35, 36, 38, 39) в спектре (8), причем первое пиковое значение (34, 35) распознается при первой частоте (21, 22), причем второе пиковое значение (35, 36) распознается при второй частоте (22, 23), причем на основе первой частоты (21, 22) и второй частоты (22, 23) распознается образец, причем образец относится к частотам (21, 22, 23, 31, 32, 33) и/или амплитудам пиковых значений (34, 35, 36, 38, 39), причем частоты (21, 22, 23, 31, 32, 33) являются кратными относительно друг друга, причем пиковое значение (34, 35, 36, 38, 39) распознается посредством превышения первого минимального значения (25), причем одно из пиковых значений (34, 35, 36, 38, 39) имеет боковые пиковые значения в боковых полосах (16, 16’), причем боковые пиковые значения распознаются по превышению второго минимального значения, причем образец распознается также в зависимости от боковых пиковых значений в боковых полосах (16, 16’), причем сохраняется множество образцов, причем с множеством образцов соотнесена соответственно по меньшей мере одна неисправность, причем образец неисправности распознается, также когда образец неисправности смещается в частотном диапазоне, причем информации об оборудовании сохранены в базе данных и применяются при анализе измеренных фактических значений, причем тип подшипника и деталь применения являются информациями об оборудовании, причем эти данные применяются для распознавания неисправностей.

2. Способ по п. 1, причем способ используется при различных типах подшипников.

3. Способ по п. 1 или 2, причем неисправность относится к износу.

4. Способ по любому из пп. 1-3, причем в качестве спектра (8) определяется нормированный спектр ускорения (9) и/или определяется нормированный спектр скорости (8), причем, в частности, в различных спектрах распознаются различные образцы.

5. Способ по п. 4, причем выполняется анализ колебаний в частотном диапазоне спектра (8, 37) на основе нормированного спектра скорости.

6. Способ по п. 4 или 5, причем анализ колебаний выполняется в частотном диапазоне спектра (8, 37) на основе нормированной огибающей ускорения.

7. Способ по любому из пп. 1-6, причем применяется статистическое заключение на статистике временной области такой, как асимметрия и эксцесс.

8. Способ по любому из пп. 1-7, причем для распознавания образца применяется искусственный интеллект.

9. Способ по любому из пп. 1-8, причем для распознавания неисправности применяется рабочее состояние привода.