CN104121985A - 过采样数据的选择性抽取和分析 - Google Patents
过采样数据的选择性抽取和分析 Download PDFInfo
- Publication number
- CN104121985A CN104121985A CN201410173043.XA CN201410173043A CN104121985A CN 104121985 A CN104121985 A CN 104121985A CN 201410173043 A CN201410173043 A CN 201410173043A CN 104121985 A CN104121985 A CN 104121985A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- sampling interval
- sampling
- interval data
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
有用和有意义的机械特性信息可通过对由例如振动分析器的动态信号分析器采集到的过采样数字数据的分析而获得。这样的数据一般在现有技术***中已被丢弃。除了峰值和抽取值之外,还使用与正被监视的机器、收集所述数据的传感器和电路的特性相关联的其它过采样值。相比于在采样间隔内先前从过采样数据中获得信息,这提供了更多的有用信息。
Description
技术领域
本发明涉及机器性能和故障分析领域。更特别地,本发明涉及来自与机器感应接触的一个或多个动态换能器的过采样数据的分析。
相关申请案
本申请要求于2013年4月29日提交的,申请号为61/816,974,名为《过采样数据的选择性抽取和分析》的联合未决的临时专利申请的优先权,其全部内容通过引用并入本文。
背景技术
例如振动分析器的现代机械分析器通常在比数据采集的最大频率(FMAX)大许多倍的采样速率上过采样动态的数字数据。过采样的数据典型地通过抽取滤波或峰值滤波换算到期望的频率。这些方法中的一个或其它方法通常被用于在采样间隔期间,将采集到的过采样数据换算到单标量值。通过利用抽取滤波,所述标量值一般对应于机械振动信息。通过利用峰值滤波,所述标量值一般符合于机械应力波信息。峰值滤波与抽取滤波的区别在于:抽取滤波任意的抛弃过采样的数据,而峰值滤波选择性的抛弃过采样的数据。
在采样间隔期间,过采样和抽取滤波机械振动信号以获得所感应到的机械振动的标量幅值,首次在US5633811中由Canada提出。峰值滤波(也称为"PeakVueTM″,计算***股份有限公司的商标)过采样的机械振动数据以获得表示应力波信息的标量PeakVueTM值,首次在US5895857中由Robinson描述。PeakVueTM与抽取的区别在于抽取有点任意地抛弃过采样数据,而PeakVueTM选择性地抛弃过采样数据,并且PeakVueTM是在矫正了的信号(rectified signal)上执行的。Leigh(US7,493,230)教导了一种数字抽取的方式,所述数字抽取的方式使用"一种平均器以确定矫正后样本的算术平均值或均方根值(RMS)"。
包络技术与抽取滤波和峰值滤波是不同的。包络技术的示例包括均方根(RMS)、解调、短-时RMS(STRMS)、谱辐射能量(Spectral Emission Energ,SEETM—SKF集团的商标)、电火花能量(Spike Energy,又称为gSE,通常由Entek IRD援引)以及冲击脉冲监视(Shock PulseMonitoring,SPM,通常由SPM仪器援引)。这些包络方法与峰值滤波和抽取滤波的区别在于所述包络方法固有地具有最低的平流或衰减,导致包络不包含被测量值的实际幅度。
用于趋势分析以及趋势数据块压缩的已知技术,例如使用在线或漫游情况监视设备所采集到的数据,一般使用每个块的最大值、每个块的平均值以及每个块的最小值。例如,在长期趋势中每个数据点可表示64个记录值的最小、最大和平均值。(参见参考手册AMSTM:用于CSI4500机械健康TM监视器的机械健康TM管理员在线***应用软件,编号#97460.7,艾默生过程管理(2007),3-53页)。
通过引用于此全文并入本文的现有技术的***和方法包括由Canada(US5,633,811)、Robinson(US5,895,857和US7,424,403)、Piety(US5,965,819和US5,943,634),Baldwin(US2012/0041695)、Leigh(US7,493,220)以及Leigh(US8,219,361)所描述的。本发明的各种实施例区别于上述所有现有技术。
下面的表1概略地示出了其中数字振动信号被后处理和抽取的各种应用(标注为“后处理”和“抽取”的各列)。注意此图表也表示模拟信号,例如来自压电加速度计的一个模拟信号,其典型地在模数转换之前(见"数字信号"列)被发送至模拟处理步骤(见“预-处理”列)。然后数字信号被后处理以及频繁地抽取。接着是抽取步骤(如果抽取被跳过,则是后处理步骤),例如使用AMS机械健康TM管理软件,分析数字振动信号信息,以及例如通过使用机械健康TM管理员软件的振动分析器,解读数字振动信号信息。
表1:用于解读模拟传感器信号信息的过程
表1中概述的步骤最常见的是通过使用模拟加速度计(I)接合模拟振动数据采集器(II)或模拟振动分析器(III)来执行。对来自数据采集器或来自振动分析器的数字数据流的分析或更进一步分析的完成可以通过使用可编程的计算机分析器来执行。
例如,可在机器上安装模拟压电加速度计以采集机械振动并且将机械振动转变为模拟信号。模拟信号典型地在电缆中传输,模拟电压信号是个比值,例如mV/g。所述电缆也被连接至振动分析器,例如CSITM型2140手持分析器或CSITM型6500在线分析器。例如CSITM型2140的手持分析器常用于分析并且帮助操作者解读振动信号信息。例如CSITM型6500在线分析器常被连接至利用例如机械健康TM管理员软件的振动分析软件编程的个人计算机。在线分析器和利用振动分析软件编程的个人计算机的结合使得操作者能够分析并且解读振动信号信息。
例如CSITM型4100的振动发送器(V)和例如与CSI型9420振动发送器耦合的模拟换能器是精心设计的并且被编程的以执行全部分析和分析结果的解读。为了类似这些独立的,半自动的设备解读结果而不需要人类分析者的存在,在中心处理单元的可编程逻辑固件典型地代替了情况监视分析信息的人类解读。
例如数字加速度计(VI)的数字换能器典型地包括嵌入式模拟加速度计或MEMS传感器或其它情况监视换能器。模拟信号的预处理、模数转换、数字信号的后处理和抽取典型地发生在通过有线或无线媒介将数字波形或其它数字数据流发送到例如计算机分析器(IV)或可编程的数字振动分析器(VII)的接收设备之前。
发明内容
使得在此描述的各种实施例区别于现有技术的普遍方案包括特别的数字信号后处理,或选择性的(例如,不是任意的)抽取技术的应用,或两者。在表1中列出的所述后处理步骤和抽取步骤可通过多于一种途径并且在多于一个位置上完成。如果需要获得机器情况信息,在此描述的各种实施例可以合并表1中行A到G中的两行或更多行,其以模拟动态信号开始,并以解读的情况状态或其它有意义的解读形式输出最后的结果。
本发明的实施例提供了一种***,通过对在现有技术***中通常会被丢弃的过采样数字数据进行分析获得有用和有意义的信息。所述各种的实施例适用于通过使用例如振动分析器、电动机电流信号分析器和电动机通量分析器的动态信号分析器采集到的过采样数据,其可作为手持设备、在线监视器、保护***和发送器实施。
除了用在现有技术***的峰值和抽取值之外,本发明优选的实施例使用其它过采样值,这些其它过采样值与正被监视的机械、收集数据的传感器和电路的特性相关联。相比于在采样间隔内先前从过采样数据中获得信息,这提供了更多的有用信息。
在一些实施例中,机器或设备情况信息、换能器或者传感器性能信息以及电子或电路性能信息,在各个动态信号的采样间隔内,是从过采样数字数据中提取的。采样率间隔是1/FSR,采样间隔是1/FMAX,以及在采样间隔内数据点的数目为FSR/FMAX。例如,当FSR=100kHz并且FMAX=2kHz时,在一个采样间隔内有50个数据点。
一些在此描述的实施例包括可编程逻辑器以便自动地解读在过采样数据集内的因果数据(例如根本原因)的可能性,这通过下列技术中的至少一种实现:(i)比较中间值和平均值,(ii)比较模式值和矫正后的最小值,(iii)比较模式值和矫正后的最大值,(iv)比较标准偏差值和最大值与最小值或峰峰值之间的差,以及(v)计算偏斜度或其它统计形状因子。
一些实施例包括可编程逻辑器以区别因果数据和高斯数据,以及基于在一个或一系列过采样数据集的统计证据,指定从如下情况列表中选出的可能情况:冲击、传感器故障、电路故障、机器运行、噪音、稳定情况、随机事件、***事件以及环境参数变化。注意所述环境参数可能是运行特性、基础材料、温度或来自附近机器的串音的变化。
在一些实施例中,可编程逻辑器对数字加速度计数据进行操作以处理过采样的数字数据集,同时从包括中间值、平均值、RMS以及模式的集合中获得中间范围值的波形,以及从包括最大值,最小值,最大到最小的峰峰值以及矫正后的最大值的集合中获得最大范围值的波形。
一些实施例包括对数字加速度计数据进行可编程逻辑操作,以处理过采样的数字数据集,同时从包括中间值、方差、偏斜度,峰度和其它统计值的集合中获得统计中间范围值的波形。
在一些实施例中,可编程逻辑器同时产生中间值波形和矫正后的最大值波形,并且从所述矫正后的最大值波形中减去中间值波形以将精力集中于发生在每个采样间隔内的峰值事件。这个波形差可进一步通过使用FFT或自相关来处理,以识别例如冲击故障的特性频率和幅度故障。
一些实施例包括可编程逻辑器,通过使用统计模式和在过采样的采样间隔内采集到的最小和最大值数据,分析过采样数据,来解读故障传感器。可在连续的采样间隔上比较这些统计信息,以检测可能的传感器故障,从而避免由故障传感器造成的机器错误。
在一些实施例中,当确定用于正态振动波形的正态振动数据值时,通过将由于应力波产生的过采样数据与剩余的过采样数据分离,然后显示所述剩余部分,可编程逻辑器改进了正态振动测量。
一个实施例提供了一种计算机化的方法,为通过与机器或处理进程感应接触所采集到的过采样动态测量数据的采样间隔数据集指定高斯属性或非高斯属性。本方法优选地包含如下步骤:
(a)确定来自所述采样间隔数据集的中间值;
(b)确定来自所述采样间隔数据集的平均值;
(c)确定所述采样间隔数据集中所述中间值和所述平均值之间的差值;
(d)将在步骤(c)中确定的所述差值与阈值极限比较,以确定所述采样间隔数据集是否包含高斯正态数据或非高斯正态数据的可能性,其中超过所述阈值极限的差值指出了非高斯正态数据的可能性;
(e)指定与所述采样间隔数据集相关的高斯属性或非高斯属性;以及
(f)抽取所述采样间隔数据集,以在一系列包含动态测量波形的标量值中获得至少一个标量值;以及
(g)存储与所述数据集或波形相关的高斯属性或非高斯属性。
一个实施例提供了一种计算机化的方法,用于抽取数字数据,所述数字数据从由与机器或处理进程感应接触的模拟传感器生成的模拟信号中获得。本方法优选地包含如下步骤:
(a)将所述模拟信号转换为过采样的数字数据流;
(b)低通滤波过采样的数字数据流以获得机器或者进程情况信息;
(c)将过采样的数字数据流划分成采样间隔数据集;
(d)分析所述采样间隔数据集的至少一部分,以确定选自群组的数据集的统计属性,所述群组由中间值、模式值、标准偏差值、最大值、范围值、最小值和通过将所述群组中的值与平均值或参考值比较而确定的比较值组成;
(e)抽取步骤(d)中分析的循序采样间隔数据集,以产生与每个采样间隔数据集对应的标量值;
(f)生成包含在步骤(e)中产生的所述标量值的波形;以及
(g)保存与所述波形相关的数据集统计属性。
各种不同的实施例提供了计算机化的方法,用于处理过采样的动态测量数据,所述过采样的动态测量数据包含通过一个或多个附加到机器或进程的传感器所采集到的多个过采样的数据集,其中每个过采样的数据集对应于特定的采样间隔。在第一实施例中,所述方法包含如下步骤:
(a)确定多个标准偏差值,每个标准偏差值从多个过采样数据集中相对应的一个中获得;
(b)确定多个最大值,每个最大值从多个过采样数据集中相对应的一个中获得;
(c)确定多个最小值,每个最小值从多个过采样数据集中相对应的一个中获得;
(d)确定多个第一差值,每个第一差值通过确定相对应的过采样数据集的最大值和最小值之间的差来确定;
(e)确定多个第二差值,每个第二差值通过确定相对应的过采样数据集的标准偏差值和第一差值之间的差来确定;
(f)将在步骤(e)中确定的一个或多个第二差值与阈值比较,以确定是否所述动态测量数据包含因果数据或高斯正态数据的可能性,其中大于所述阈值的第二差值表明了因果数据的可能性;以及
(g)在比较步骤(f)表明了所述动态测量数据包含因果数据的情形下,指定可能引起所述因果数据的情况,其中所述情况自由冲击、传感器故障、电路故障、机械操作、噪音、稳定情况、随机事件、***事件以及环境参数变化组成的群组中选出。
在第二实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)获得包含多个中间范围值的中间范围波形,其中所述中间范围波形中的多个中间范围值中的每个中间范围值从多个过采样数据集中相对应的一个过采样数据集中选择,其中所述多个中间范围值包含多个中间值、多个平均值、多个RMS值或多个模式值;
(b)获得包含多个最大范围值的最大范围波形,其中所述最大范围波形中的多个最大范围值中的每个最大范围值从多个过采样数据集中相对应的一个过采样数据集中选择,其中所述多个最大范围值包含多个绝对最大值、多个矫正后的最大值、多个最小值或多个最大到最小的峰峰值;
(c)获得包含多个统计离散值的统计离散波形,其中所述统计离散波形中的多个统计离散值中的每个统计离散值从多个过采样数据集中相对应的一个过采样数据集中选择,其中所述多个统计离散值包含多个方差值、多个偏斜度值或多个峰度值;
(d)获得包含多个矫正后的最大值的矫正后的最大波形,其中所述矫正后的最大波形中的多个矫正后的最大值中的每个矫正后的最大值从多个过采样数据集中相对应的一个过采样数据集中选择,以及
(e)通过以下方式获得合并的波形:
将包含步骤(a)至(d)中获得的波形中的一个波形的值与包含步骤(a)至(d)中获得的波形中的另一个波形的相对应的值相加,或
从包含步骤(a)至(d)中获得的所述波形中的另一个波形的相对应的值中减去包含步骤(a)至(d)中获得的所述波形中的一个波形的值,
其中合并的波形表示在过采样数据集内的峰值。
在第三实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)确定多个模式值,每个模式值基于出现在多个过采样数据集中相对应的一个过采样数据集内的最频繁重复的值或值范围;
(b)确定多个最小值,每个最小值从多个过采样数据集中相对应的一个中获得;
(c)确定多个最大值,每个最大值从多个过采样的数据集中相对应的一个中获得;
(d)确定多个MODE-MIN差值,每个MODE-MIN差值通过确定相对应的过采样数据集的模式值和最小值之间的差来确定;
(e)确定多个MAX-MODE差值,每个MAX-MODE差值通过确定相对应的过采样数据集的最大值和模式值之间的差来确定;
(f)如果在来连续的过采样的数据集上所述MODE-MIN差值小于预设的阈值,确定一个或多个传感器中至少一个是故障的;以及
(g)如果在连续的过采样的数据集上所述MAX-MODE差值小于预设的阈值,确定一个或多个传感器中至少一个处于饱和情况。
在第四实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从多个过采样数据集中相对应的一个中获得;
(b)基于所述多个最大值确定一个或多个峰度动量值;
(c)通过从至少一个峰度动量值中减去整数3来确定形状因子;
(d)当所述形状因子等于零时,确定过采样动态测量数据为正态分布;
(e)当所述形状因子大于0时,确定过采样动态测量数据为尖峰分布,以及
(f)当所述形状因子小于0时,确定过采样的动态的测量数据为平坦分布。
在第五实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个模式值,每个模式值基于出现在所述过采样数据集中相对应的一个内的最频繁重复的值或值范围;
(b)确定多个中间值,每个中间值从所述过采样数据集中相对应的一个中获得;
(c)确定多个MODE-MED差值,每个MODE-MED差值通过确定相对应的过采样数据集的模式值和中间值之间的差来确定;以及
(d)在连续的过采样数据集上如果一个或多个MODE-MED差值的绝对值小于预设阈值,确定存在稳定的测量情况。
在第六实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个中间值,每个中间值从过采样数据集中相对应的一个中获得;
(b)确定多个最大值,每个最大值从多个过采样数据集中相对应的一个中获得;以及
(c)确定多个波峰因子,每个波峰因子基于相对应的过采样数据集的中间值和最大值的差来确定。
在第七实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从过采样数据集中相对应的一个中获得;
(b)确定多个最小值,每个最小值从过采样数据集中相对应的一个中获得;
(c)确定多个MAX-MIN差值,每个MAX-MIN差值通过确定相对应的过采样数据集的最大值和最小值之间的差来确定;
(v)确定多个标准偏差值,每个标准偏差值从过采样数据集中的相对应的一个中获得;
(e)确定多个SDV差值,每个SDV差值通过确定相对应的过采样数据集的标准偏差值和MAX-MIN差值之间的差来确定;
(f)将在步骤(e)中确定的一个或多个所述SDV差值与阈值比较,以确定是否所述动态测量数据包含因果数据或高斯正态数据的可能性,其中大于所述阈值的差值表征因果数据的可能性。
在第八实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从所述过采样数据集中相对应的一个中获得;
(b)确定紧接一个或多个过采样数据集的最大值之前的3个或更多个值;
(c)确定紧接一个或多个过采样数据集的最大值之后的3个或更多个值;
(d)对于一个或多个过采样数据集,基于所述最大值、紧接所述最大值之前的3个或更多个值和紧接所述最大值之后的3个或更多个值,确定峰值形状因子特性;以及
(e)基于在步骤(d)中确定的峰值形状因子特性,确定与所述最大值相关的可能因果事件。
在第九实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从所述过采样数据集中相对应的一个中获得;
(b)确定多个标准偏差值,每个标准偏差值从所述过采样数据集中相对应的一个中获得;
(c)确定多个参数因果比特性,每个参数因果比特性从所述过采样数据集中相对应的一个中获得;
(d)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样数据集中相对应的一个中获得;以及
(e)基于所述最大值、标准偏差值、参数因果比特性和峰值形状因子特性,确定是否存在一个或多个如下情况:
由于滚子轴承部件的疲劳而存在的碎裂情况,以及由于齿轮组件的疲劳失效而存在的断齿情况。
在第十实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最小值,每个最小值从所述过采样数据集中相对应的一个中获得;
(b)确定多个中间值,每个中间值从所述过采样数据集中相对应的一个中获得;
(c)确定多个模式值,每个模式值从所述过采样数据集中相对应的一个中获得;
(d)确定多个平均值,每个平均值从所述过采样数据集中相对应的一个中获得;
(e)确定多个标准偏差值,每个标准偏差值从所述过采样数据集中相对应的一个中获得;
(f)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样数据集中相对应的一个中获得;以及
(g)基于所述最小值、中间值、模式值、平均值、标准偏差值和峰值形状因子特性,确定是否存在由于润滑不足造成的滑行摩擦情况。
在第十一实施例中,用于处理过采样的动态测量数据的所述计算机化方法包含如下步骤:
(a)确定多个中间值,每个中间值从所述过采样数据集中相对应的一个中获得;
(b)确定多个模式值,每个模式值从所述过采样数据集中相对应的一个中获得;
(c)确定多个平均值,每个平均值从所述过采样数据集中相对应的一个中获得;
(d)确定多个标准偏差值,每个标准偏差值从所述过采样数据集中相对应的一个中获得;
(e)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样数据集中相对应的一个中获得;以及
(f)基于所述中间值、模式值、平均值、标准偏差值和峰值形状因子特性,确定是否存在由于适当的润滑造成的平稳运行情况。
在第十二实施例中,用于处理过采样动态测量数据的计算机化方法包含如下步骤:
(a)确定多个中间值,每个中间值从所述过采样数据集中相对应的一个中获得;
(b)确定多个平均值,每个平均值从所述过采样数据集中相对应的一个中获得;
(c)确定多个标准偏差值,每个标准偏差值从所述过采样数据集中相对应的一个中获得;
d)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样数据集中相对应的一个中获得;以及
(e)基于所述中间值、平均值、标准偏差值和峰值形状因子特性,确定是否存在未对准情况。
在第十三实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从所述过采样的数据集中相对应的一个中获得;
(b)确定多个标准偏差值,每个标准偏差值从所述过采样的数据集中相对应的一个中获得;
(c)确定多个参数因果比特性,每个参数因果比特性从所述过采样的数据集中相对应的一个中获得;
(d)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样的数据集中相对应的一个中获得;以及
(e)基于所述最大值、标准偏差值、参数因果比特性和峰值形状因子特性,确定在管线布置过程中是否因套管谐振而存在次表层疲劳裂纹。
在第十四实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)确定多个最大值,每个最大值从所述过采样的数据集中相对应的一个中获得;
(b)确定多个平均值,每个平均值从所述过采样的数据集中相对应的一个中获得;
(c)确定多个标准偏差值,每个标准偏差值从所述过采样的数据集中相对应的一个中获得;
(d)确定多个峰值形状因子特性,每个峰值形状因子特性从所述过采样的数据集中相对应的一个中获得;以及
(e)基于所述最大值、平均值、标准偏差值和峰值形状因子特性,确定是否由于在加载界面上的静态摩擦系数过大而发生滑动粘附现象。
在第十五实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)确定下列各项中的至少一个:
多个最小值,每个最小值从所述过采样的数据集中相对应的一个中获得;
多个中间值,每个中间值从所述过采样的数据集中相对应的一个中获得;
多个模式值,每个模式值从所述过采样的数据集中相对应的一个中获得;
多个标准偏差值,每个标准偏差值从所述过采样的数据集中相对应的一个中获得;以及
多个峰值形状因子特性,每个峰值形状因子特性从所述过采样的数据集中相对应的一个中获得;以及
(b)至少部分地基于步骤(a)中确定的值,确定是否存在一个或多个如下情况:
发生在高压电气设备附近的局部放电;以及
发生在受压泄漏孔附近的产生流体湍流的泄漏情况。
在第十六实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)确定以下各项中的至少一个:
多个中间值,每个中间值从所述过采样的数据集中相对应的一个中获得;
多个模式值,每个模式值从所述过采样的数据集中相对应的一个中获得;
多个标准偏差值,每个标准偏差值从所述过采样的数据集中相对应的一个中获得;以及
多个峰值形状因子特性,每个峰值形状因子特性从所述过采样的数据集中相对应的一个中获得;以及
(b)基于步骤(a)确定的值,确定三相电源线是否存在间歇故障情况。
在第十七实施例中,用于处理过采样的动态测量数据的计算机化方法包含如下步骤:
(a)对于一个或多个过采样的数据集,生成多个表示数据集内的动态测量数据的标量值;
(b)基于所述多个标量值,确定一个或多个指示数据集内的动态测量数据的特征、品质或特性的特性值;以及
(c)保存与计算机存储器中数据集的标识符相关的多个标量值和一个或多个特性值。
在第十八实施例中,用于处理过采样的动态测量数据的所述计算机化方法包含如下步骤:
(a)确定多个第一统计标量值,每个第一统计标量值从多个过采样的数据集中对应的一个中获得;
(b)基于一个或多个所述第一统计标量值,确定机器或处理进程处于第一状态而不是处于第二状态;
(c)确定多个第二统计标量值,每个第二统计标量值从多个过采样的数据集中对应的一个中获得;以及
(d)基于一个或多个所述第二统计标量值,确定机器或处理进程处于第二状态而不是处于第一状态。
一个实施例提供了一种计算机化方法,用于减轻过采样动态测量数据频率变换中的混叠效应,所述过采样动态测量数据包含通过一个或多个附加到机器或处理进程中的传感器所采集到的多个过采样的数据集,其中每个过采样的数据集对应于特定的采样间隔。此方法优选地包含如下步骤:
(a)对于一个或多个过采样的数据集,按照从最小到最大将数据值排序,以形成排序后的累积数据分布;以及
(b)对于一个或多个过采样的数据集,确定中间值为两个或更多个紧接排序后的累积数据分布的绝对中间值的之上或之下的数据值的平均值。
一个实施例提供了一种在处理通过一个或多个附加到机器或处理进程的传感器所采集到的过采样的动态测量数据时避免混叠效应的计算机化方法。此本方法中,在采样速率FS上对过采样的动态测量数据进行采样。涉及抽取过采样的动态测量数据的非线性处理的执行将引起混叠效应。此方法优选地包含如下步骤:
(a)通过在过采样的动态测量数据中相邻的数据样本之间***N-1个0,在整数上采样率N上对所述过采样的动态测量数据进行上采样,从而生成上采样数据;
(b)通过使用截止频率FS/2的低通滤波器对所述上采样数据进行低通滤波,去除任何在步骤(a)中产生的频谱图像,其中L是大于或等于1的整数,从而生成不含FS/2以上的频谱图像的低通滤波后的上采样数据。
(c)如果N<L并且L>1,则表明了存在部分重采样率,通过保留每个第L个样本并丢弃位于每个第L个样本之间的L-1个样本,对所述低通滤波后的上采样数据进行下采样,从而生成不含有上采样频率FS×(N/L)上的频谱图像的低通滤波后下采样数据;
(d)对所述低通滤波后的上采样数据执行抽取的非线性处理,从而生成具有混叠在FS/2以上的失真分量的数据;
(e)通过使用截止频率为FS/2的低通滤波器,对在步骤(d)中生成的数据进行滤波,从而生成去除掉FS/2以上的混叠分量的数据;以及
(f)通过保留每个第N个样本并且丢弃每个第N个样本之间的N-1个样本,对在步骤(e)中生成的数据进行下采样,从而生成了其中混叠效应得以减轻的非线性后处理数据。
一个实施例提供了以固定的采样频率,在一段扩展的时间周期内,采集过采样的动态测量数据的计算机化方法。所述过采样动态测量数据包含通过一个或多个附加到机器或进程的传感器所采集到的多个过采样的数据集,其中每个过采样的数据集对应于特定的采样间隔。本方法优选地包含如下步骤:
(a)在扩展时间周期内的第一周期期间,使用第一采样间隔1/FSR1采集所述动态测量数据,产生在第一周期期间内采集到的每个过采样数据集中的第一数目的样本;以及
(b)在扩展时间周期内的第二周期期间,使用比第一采样间隔1/FSR1持续时间长的第二采样间隔1/FSR2采集所述动态测量数据,产生在第二周期期间采集到的每个过采样数据集中的第二数目的样本;其中样本的第二数目多于所述第一数目。
一个实施例提供了采集和处理通过多个附加到用于材料处理的机械结构的传感器所采集到的过采样的振动数据的计算机化方法。所述机械结构可操作地将振动的能量从材料发送到振动传感器。所述过采样的振动数据包含多个过采样数据集,其中每个过采样的数据集对应于特定的采样间隔。本方法优选地包含如下步骤:
(a)接收所述多个振动传感器的第一振动传感器的振动能量,其中所述振动能量是通过事件生成的,所述事件发生在所述材料正被处理时并且通过所述机械结构传送到第一振动传感器之内;
(b)基于所述振动能量,所述第一振动传感器生成第一振动信号;
(c)过采样所述第一振动信号以生成包含多个第一过采样的数据集的第一过采样振动数据;
(d)对于多个第一过采样的数据集中的每一个,确定一个或多个从由最大值、最小值、平均值、中间值、模式值、标准偏差值、最大到最小范围值、峰度值、偏斜度值和波长值组成的群组中选出的第一标量值;
(e)基于一个或多个所述第一标量值,确定一个或多个提供事件类型标示的第一特性值;
(f)生成第一时间戳值,所述第一时间戳值表示所述事件生成的振动能量在第一振动传感器处被接收的时间;
(g)接收多个所述振动传感器中的第二振动传感器的振动能量,其中所述振动能量由所述机械结构传送到第二振动传感器;
(h)基于所述振动能量,所述第二振动传感器生成第二振动信号;
(i)过采样所述第二振动信号,以生成包含多个第二过采样数据集的第二过采样的振动数据;
(j)对于多个第二过采样的数据集中的每一个,确定一个或多个从由最大值、最小值、平均值、中间值、模式值、标准偏差值、最大到最小范围值、峰度值、偏斜度值和波长值组成的群组中选出的第二标量值;
(k)基于一个或多个所述第二标量值,确定一个或多个提供事件类型标示的第二特性值;
(l)生成第二时间戳值,所述第二时间戳值表示通过所述事件生成的振动能量在所述第二振动传感器处被接收的时间;以及
(m)通过将一个或多个第一特征值与一个或多个第二特征值比较,以确定通过一个或多个第一特征值表征的事件类型与通过一个或多个第二特征值表征的事件类型相同。
一个实施例提供了一种采集和处理机械振动数据的计算机化方法,用在机械保护***中以实现自动触发机器关机的目的。所述机械振动数据由一个或多个附加到机器的振动传感器采集。此方法优选地包含如下步骤:
(a)以远高于尼奎斯特频率的采样速率过采样所述机械振动数据;
(b)处理过采样的数字数据;
(c)生成一系列过采样的数字数据集;
(d)对于一个或多个所述过采样的数字数据集,生成表示数据集内的机械振动数据的标量值或属性,所述数据集至少部分基于选择性抽取值的群组,所述选择性抽取值包括中间值、最大值、最小值、标准偏差值和峰值形状因子值;以及
(e)至少部分地基于在步骤(d)中确定的标量值和属性,获得用于采集所述机械振动数据的机器或方法的特性。
一个实施例提供了一种通过使用一个或多个电流传感器,采集和处理电动机电流数据的计算机化方法。此方法优选地包含如下步骤:
(a)通过使用一个或多个电流传感器,测量模拟电动机电流信号信息;
(b)以至少为行频的10倍的采样速率,将模拟电动机电流信号信息转换为过采样的数字电动机电流数据;
(c)生成一系列来自所述过采样的数字电动机电流数据的过采样数据集,每个过采样的数据集对应于一采样间隔;
(d)抽取所述过采样的数据集以获得抽取后的标量值;
(e)选择性地抽取所述过采样的数据集,以基于从由中间值、峰度值、最大值、最小值、标准偏差和峰值形状因子组成的群组中选出的数据集特性,获得对应的属性;以及
(f)把在步骤(d)中确定的抽取后的标量值、在步骤(e)中确定的属性与电动机电流数据的特性联系起来。
一个实施例涉及一种采集和处理机器或处理进程的振动数据的装置。所述装置包括附加到机器的振动传感器,所述机器产生一个最大频率为FMAX的模拟振动信号,其中FMAX大于发生在机器或过程中的事件的时间频率。所述装置还包括在至少为FMAX7倍的采样频率上过采样模拟振动信号的模数转换器,以生成多个采样数据集,每个数据集对应于特定的采样间隔。所述装置还包括含有多个并行现场可编程阵列(FPGAs)的抽取模块。第一FPGA接收过采样数据集并从每个过采样数据集中确定第一标量值。所述第一标量可以是最大值、最小值、中间值、模式值、平均值、标准偏差值、参数因果比值、运行情况值或峰值形状因子值。第二FPGA接收过采样数据集并从每个过采样数据集中确定与第一标量值不同的第二标量值。所述第二标量可以是最大值、最小值、中间值、模式值平均值、标准偏差值、参数因果比值,运行情况值或峰值形状因子值。
附图说明
参照结合附图的详细描述,本发明的进一步优点变得显而易见,其中为了更清楚地显示出细节,元件并没有按照比例绘制,其中贯穿多个附图的相同参考标记表征相同的元件,其中:
图1示出了根据本发明实施例的用于采集和分析机器数据的装置;
图2示出了根据本发明实施例的用于采集和分析机器数据的方法;
图3A示出了数据集的双尾正态或参数分布;
图3B示出了数据集从零开始的偏态累积分布;
图3C示出了数据集的从高位值开始的偏态累积分布;
图3D示出了具有离散数据的数据集从高位值开始的偏态累积分布;
图4示出了时间同步趋势数据的曲线图;
图5示出了由本发明实施例所生成的振动数据显示窗口的示例;
图6示出了由本发明实施例所生成的MAX时域波形和频谱数据;
图7示出了由本发明实施例所生成的MED时域波形和频谱数据;
图8示出了由本发明实施例所生成的MODE时域波形和频谱数据;
图9示出了由本发明实施例所生成的MIN时域波形和频谱数据;
图10示出了由本发明实施例所生成的AVE时域波形和频谱数据;
图11示出了由本发明实施例所生成的SDV时域波形和频谱数据;
图12示出了由本发明实施例所生成的偏斜度数据;
图13示出了由本发明实施例所生成的峰度数据;
图14示出了由本发明实施例所生成的相关系数波形;
图15示出了根据本发明实施例在抽取处理器中实施的并行处理方案;
图16示出了由本发明实施例所生成的振动数据显示窗口的示例;
图17示出了由本发明实施例所生成的单个采样波形和沿着采样间隔在渐进位置上获取的相对应的频谱数据的显示;
图18示出了根据本发明实施例的通过选择性抽取可用于故障诊断的频谱模式的示例;
图19和20示出了定位在表面上的传感器阵列的示例;
图21示出了根据本发明实施例的成像发送器;
图22示出了根据本发明实施例的多个成像发送器视场的重叠区域;
图23示出了在根据本发明实施例的成像发送器视场区域中的机械;
图24示出了在根据本发明实施例的成像发送器视场区域中的电气部件;
图25示出了在根据本发明实施例的成像发送器视场区域中的配管和阀;
图26示出了在根据本发明实施例的成像发送器视场区域中的电力传输和分配部件;
图27示出了在根据本发明实施例的成像发送器视场区域中的参考点。
具体实施方式
以下是在本发明实施例的描述中使用的一些缩写:
AVE-均值类型的测量值,例如平均值;
MAX-绝对最大峰值,或表示最大值的两个或三个实际最大值或绝对最大值的平均值;
MAX-MIN–通常表示最大值和最小值之间的差值的一系列特性;
MED-中间值,也为累积分布内第50个百分位值;
MIN-绝对最小值,或表示最小值的两个或三个实际最小值或绝对最小值的平均值;
MODE-模式值类型的测量值,如在采样间隔整体范围内最常见的值,或最常见值的窄范围;
OPC-传感器或电路的运行情况;
过采样数据(Oversampled data)-在大于数据采集的最大频率(FMAX)许多倍的采样率上进行过采样得到的动态数字数据;
PeakVueTM-一种在采样间隔期间典型地与所选的峰值保持值相关的特性,并典型地包括所述峰值保持步骤之前的全波整流(rectification)步骤或采样间隔内用来从被测量值中确定峰值的其它技术;
百分位(Percentile)-与累积分布或概率密度分布有关的位置,其中的值从最低(0%)到最高(100%)排列,并且在第1,第3,第5,第10,第50(例如MED),第90,第95,第97,第99百分位的值可能对选择性抽取具有重要的意义;
PSF-峰形状因子特性;
PVC-参数因果比特性,其中参数受到表现良好的双尾分布统计学上的控制,以及因果不受期望的"原因",常见的单尾分布,也常与偏斜度或峰度有关特性的统计学控制;
RMS-均方根特性;
SDV-统计离散类型的测量,例如标准偏差;
Sk-偏斜度特性;
Smax-如由ISO7919所定义的动力学轨道的最大冲程;
SopMax-如由ISO7919所定义的最大振动位移;
SppMax-如由ISO7919所定义的最大振动位移值;
SPC-常与参数,高斯正态分布相关的统计过程控制;
本发明的实施促进了现有技术的发展,在丢弃过采样数据之前,通过分析过采样数据重新获取定性测量、传感器以及电路的有用信息。本发明的实施例所提供的重要的新信息是与正态的振动数据不同的根源数据。根源或"因果"数据集在统计学上区别于正态或高斯数据集,例如其使用平均值与中间值之间的差比较或过采样数据集的形状因子分析。因果数据的一个示例为通过使用PeakVueTM检测冲击产生的高频应力波,这是因为事件通常在采样间隔内瞬时发生。例如由机器不平衡产生的正态振动,更有可能是高斯数据,因为其在每个轴旋转中在多个采样间隔上散布。在另一方面,由于润滑情况不足造成的摩擦振动可能记录了从采样间隔的开始到结束时读取的高PeakVueTM。
本发明实施例提供的显著优点包括每个过采样数据集的中间(median)值或"中间(middle)"值的捕获。中间值表示在采样间隔期间发生了正态振动。很容易地比较中间值和平均值,以确定因果-高斯数据。此外,同时处理过采样数据集是合理的,以产生矫正后的中间值、矫正后的最大值以及为了进一步显示、分析和解读而被解读、丢弃或保留的未矫正的标量值。
在各个实施例中,借助例如在频率转换之前进行低通滤波然后抽取的带宽压缩技术,采取措施来减轻在频率变换过程中观察到的混叠效应。在选择性抽取技术,例如过采样数据的中间值具有查找到混叠信息的潜力的情况下,为了抑制混叠增加,可包括平均化步骤。例如,对于中间值,不是从已排序的累积分布中取出单个中间值,而是将位于已排序的累积分布的中间的3个值一起求平均。
基于统计指标的选择性抽取过程是一个会引起失真的非线性过程。当所述失真包含高于奈奎斯特频率(FS/2)的频率分量时,这些分量混叠返回到0至FS/2Hz的频谱上,从而污染了频谱纯度。有分量混叠返回的频率被称为"折叠频率"。保持0至FS/2Hz的频谱纯度的一种新颖方法是在非线性过程之前执行预处理步骤来延伸所述折叠频率,以及在混叠返回到从0至FS/2HZ的范围之前,为非线性失真分量建立更多的可填入的频谱空间。类似的技术在音频处理领域用来数字化地模拟由高增益吉他放大器产生的非线性失真,如在美国No.5789689('689专利)中描述的,其全部内容通过参考在此并入本文。'689专利的预处理定义为"超级采样(ubersampling)"技术,在"超级采样"技术中,所捕获的数据以较高的速率进行重采样,所述速率由合理的整数比(N/L)定义,其中N是整数的上采样率,L是整数的下采样率。为了执行超级采样,引入因子N,通过在每对输入的样本之间***N-1个0首先对所述数据进行上采样。如果定义下采样速率L大于1,利用截止频率为(FS/2)*N)/L的滤波器对所述上采样数据进行低通滤波,保留每个第L个采样并且丢弃每个第L采样之间的L-1个采样。频域中此操作的作用是生成在初始带宽上与初始信号具有相同频谱分量的频谱,但在多重初始采样速率上具有初始频谱的图像。为了确保初始信号没有被这些图像损坏,利用在FS/2截止的低通滤波器去除全部大于FS/2的频率。滤波后的结果频谱与从0至FS/2Hz的初始频谱是相同的,但是目前不包含从FS/2至FS/2*(N/L)范围的频谱分量(死区)。此死区充当将由选择性抽取所生成的所述高频非线性分量的频谱存储箱的作用。新的可折叠频率目前为比初始频谱高N/L。根据失真产生的严重程度,可提高超级采样速率,以确保在混叠返回到从0至FS/2的范围之前,有足够的频谱空间来容纳可能降低频谱纯度的失真分量。完成非线性处理之后,在FS/2上使用低通滤波器对超级采样数据进行滤波,以执行一个相反的过程将所述超级采样数据转换返回到初始带宽,然后以等于所述超级采样速率的倒数的比率进行下采样。正如一个示例所示的那样,假定N=2和L=1的比率,其产生有效的超级采样速率为2。如果所述采样速率是50kHz,所述初始可折叠的频率为FS/2=25kHz。通过速率为2并且在25KHZ的低通滤波的上采样之后,结果获得与初始的频谱相同,但具有从25kHz至50kHz延伸的附加频谱空间和50kHz的新的折叠频率的频谱。如果所述非线性处理生成大于25kHz初始折叠频率的分量,这可以被视为初始频谱中的混叠分量。然而,使用超级采样比率为2的所述超级采样方法,混叠发生之前的最高频率分量(混叠限度(AL))目前为75kHz。混叠限度可以通过AL=FS((N/L)–0.5)来计算。
本发明的实施例提供了可编程逻辑器,用于通过使用如振动分析器的动态信号分析器,采集先前丢弃的过采样的数字数据,再分析所述数据来获得有用的、有意义的信息。本实施例适用于多个动态信号分析器,所述动态信号分析器包括但不限于振动分析器、电动机电流信号分析器以及电动机的通量分析器,其可以在手持设、在线监视器、保护***、发射机和与其中一个或多个相关联的***上实现。
优选的实施例在每个动态信号采样间隔内从过采样数字数据中提取机器或设备的情况信息、换能器或测量传感器性能信息以及电子或电路性能信息。过采样间隔可以表示为1/FSR,动态采样间隔可以表示为1/FMAX,在动态采样间隔内的数据点的数目可以表示为FSR/FMAX,其中FSR是过采样的采样速率,FMAX是动态采样速率。例如,当FSR=100kHz并且FMAX=2kHz时,每动态采样间隔内存在50个过采样数据点。
除了峰值和抽取值之外,本发明的优选实施例使用提取的并且与设备、传感器和电路的特性有关的其它过采样值,以在采样间隔内从过采样数据中获取信息之前提供更多的有用信息。
本发明的一些实施例改善了趋势数据分析。一种改善趋势分析的方法为在时间波形中,利用选择性的抽取信息来设想和分析选择性抽取的特点。由此产生的信息可以利用可编程逻辑器或人类逻辑思维或两者来解读,以寻求和识别例如故障模式趋势的模式。这有时有助于寻找可能与机械状态、过程参数和其它振动交互相关的或有所涉及的模式。图4显示了一个趋势图的示例。尽管这是可提供给人类解读的图形曲线,但是时间同步的趋势数据和相关信息的分析和解读可以使用可编程逻辑器来实现。
累积分布或概率密度分布有时被应用在选择性抽取中。将所有在采样间隔期间产生的标量值从最低到最高进行排序,以有效地表示采样间隔数据集的累积分布或概率密度分布。在一些实施例中,一个或多个关系属性可以被指定给例如反映采样间隔内的被测量值相关联的顺序的位置或时序的序列号的标量值。下面的每个小节讨论了可能在过采样波形内的每个采样间隔执行的测量值。许多这些测量值的示例也包括在内。
图1示出了采集和处理过采样数字数据的多通道机械振动测量装置80的一个优选实施例。在本实施例中,模拟前端包括8个输入传感器82a-82d和84a-84d。虽然本发明不限于任何特定类型的传感器,但是所述传感器82a-82d是优选的加速度计以及所述传感器84a-84d是优选的电压传感器。在每个传感器82a-82d和84a-84d之后,模拟信号链包括差分放大器85a-85h,3分频电路86a-86h,差分放大器对88a1-88h1和88a2-88h2和低通滤波器90a-90h。这8个模拟传感器通道被提供给8个采样速率由固定时钟94所控制的24位Σ-Δ模数转换器(ADC’s)的92a-92h的输入端。
8-4交叉点开关96提供了将在ADC92a-92h输出端的8通道中的任意一个切换到数字信号处理器98的4个数字处理通道98a-98d中的任意一个,在一个优选的实施例中,所述数字信号处理器98为FPGA。在图1中,FPGA通道98a得以详细描述。在此优选的实施例中,通道98b、98c和98d的部件与通道98a的部件相同。所述FPGA的通道98a包括滤波器模块102,所述滤波器模块102可包括高通滤波器、低通滤波器或带通滤波器,所述FPGA的通道98a还包括第一积分器模块106、第二积分器模块110、数据块指示器模块114、数据管理器模块116、数据抽取器模块118和FIFO120。FIFO120的输出被提供至处理器100。
在一个优选的实施例中,滤波器102为高通滤波器,其在其输入端去除了信号中的直流分量。开关104在DC偏置信号需要被测量的应用中提供了对高通滤波器102的旁路。
第一积分器106将加速度信号积分,以将其转换成速度信号。在一个优选实施例中,第一积分器106是无限输入响应(IIR)积分器。在可替代的实施例中,第一积分器106可执行使用其它积分算法的其它积分方案。开关108在不需要第一阶积分的应用中,提供对第一积分器106的旁路。
第二积分器110将速度信号积分,以将其转换成位置信号。在一个优选实施例中,第二积分器110是在结构上和功能上等同于第一积分器106的IIR积分器。在可替代的实施例中,第二积分器108可以可执行使用其它积分算法的其它积分方案。开关112在不需要第二阶积分的应用中,提供对第二积分器110的旁路。例如,当只需要第一积分器106从加速度转换成速度时,可旁路所述第二积分器110。当期望输出的是加速度时,可旁路两个积分器106和110。当期望输出是位移时,使用两个积分器106和110。
在一些实施例中,在至少一个FPGA通道98a-98d中的一个或两个积分器106和110可在其输入端对振动信号进行双重积分。例如,第一积分器106可接收加速度信号并执行双重积分以在其输出端提供位移信号。在本实施例中,第二积分器110被开关112旁路,以便数据块指示器模块114从第一积分器106接收位移信号。在一个可替代的实施例中,第一积分器106被开关108旁路,使得第二积分器110接收加速度信号,并且使第二积分器110执行双重积分以在其输出端提供位移信号。在另一实施例中,FPGA通道98a-98d中的至少一个仅包括单个积分器,所述积分器接收加速度信号并执行双重积分以在其输出端端提供位移信号。
数据块指示器模块114指定了单个采样间隔的过采样数据块,这在下文中会得到更详细的说明。
数据管理器模块116管理采样间隔数据集,这在下文中会得到更详细的说明。
数据抽取器模块118确定数据集的特性值,例如MAX、、MED、MIN、AVE、SDV、PvC、OPC和PSF。在一些实施例中,数据抽取器模块118,在单一过程或通过执行顺序的步骤和其它的并行步骤,如图15所示,通过将信号分成多个并行处理/电路路径,或者通过编译例如MAX值和MED值的多个值,抽取过采样数据。利用现场可编程门阵列(FPGAs)实现的数据抽取器模块118特别擅长并行或顺序处理从过采样数据中提取的多个值。
FIFO120允许FPGA98生成实时的振动数据,同时允许处理器100异步地访问所述数据。
处理器100从每个4FPGA通道98A-98D中接收振动信号数据,并执行一个或多个振动分析功能,例如时域波形分析、平均分析、交叉通道分析、FFT频谱分析、相位分析、自相关分析和数据分布分析。所述处理器100还可以处理用户界面和显示功能。在可替代的实施例中,一些或所有的由处理器100执行的功能可以由FPGA98执行。
在图1所示***的一个优选实施例中,ADC92a-92h是非常高品质的24位Σ-Δ转换器。最新一代的ADC具有大于120dB的动态范围和大于110dB的信噪比。通过大的动态范围,整个电压输入范围可以获取足够高的分辨率,以消除对增益放大器和AC耦合放大器的需要。ADC92a-92h的大动态范围解析了叠加在大的DC偏移上的小AC信号,传感器输出信号可以直接耦合到ADC,DC分量可以通过FPGA98中的实时数字滤波去除。
图2示出了利用如图1所示的机械振动测量装置采集和分析过采样机械振动数据的方法200的一个优选实施例。首先,在多个采样间隔上采集机械振动数据(步骤202)。对于每个采样间隔,从最低幅度到最高幅度将所有标量值进行排序,从而有效地表示采样间隔数据集的累积分布或概率密度分布(步骤204)。在一些实施例中,采样间隔数据集内数据的标量值可以是在排序之前,取绝对值的全波整流,如通常由PeakVue和其它峰值检测技术完成。在一些实施例中,从最低到最高将正负值进行排序。在一些实施例中,一个或多个关系属性可以被指定给不同的标量值,例如反映采样间隔内的被测量值相关联的顺序的位置或时序的序列号的标量值。对于每个采样间隔,确定,储存和处理几个标量的值,正如在下面详细描述的。
图5示出了由本发明的实施例产生的振动数据的显示窗口的一个示例。在图5中,未处理的、过采样的波形显示在窗口的顶部。在其下面,在每个时间间隔通过取这些值的平均值而产生的抽取波形沿着与其对应的频谱显示。平均抽取的波形和频谱下方的选择器允许用户在抽取过程中选择将被使用的各种测量值。做出选择之后,显示每个时间间隔的所选测量的抽取波形和相对应的频谱。
确定峰值保持类型的测量值,例如最大值(MAX),其表示一个绝对最大峰值幅度或在采样间隔数据集中的2个或3个绝对最大峰值的平均值(图2中步骤206)。MAX值可以用于波形、频谱或其它变换的进一步PeakVueTM处理。由本发明的一个实施例生成的MAX时域波形和频谱数据的示例显示在图6中。
MAX值可以用于波形、频谱或其它变换的进一步PeakVueTM处理。接收到的过采样数据的峰值保持测量典型地是甚高频采样速率数据,例如,>>20kHz。很多时候,这些高频测量值反映了应力波信息的特性,例如由在滚柱-座圈负载下滚柱轴承缺陷的影响所产生的或由在啮合负载下齿缺陷的影响产生的压缩或剪切波信息。另一方面,在采样速率相对低的情形下,例如在一个可以发现正被测量的结构的机械谐振的频率范围内,峰值保持或传统的PeakVueTM测量值也可以揭示关于所述结构的机械运动的许多信息,而不仅仅是应力波信息。可编程逻辑器或人类的解读可以用于解读这些差异和推断演绎的信息。本发明的实施例是峰度动量结合MAX的应用,加强或反驳了表明根本原因的因果方面。这是本发明的许多逻辑器示例之一,其可被教给操作者或通过采用可编程逻辑器实现其应用,并且显示给操作者,或用于触发例如报警指示器的自动功能或者影响或控制机器运行的跳脱功能。
确定中间值类型的测量值,例如中间值(MED),其表示一个绝对单个中间值或在所述采样间隔数据集中的2个或3个绝对中间值的平均。图7示出了由本发明的实施例产生的MED时域波形和频谱数据的一个示例显示。所述MED值可用于正态振动处理,类似于波形/频谱或其它变换中的RMS值。MED值的处理是本发明的一些实施例的重要的优势。虽然RMS和平均值可用于参数数据,但是有时所述数据在情况监视下不是参数化的。相反,其可以是具有嵌入式根源的偏斜分布,涉及到此处称为“因果数据集”。当根源强制测量到一个极端或其它--典型的高值时,但是有时是低值–其对所述均值或平均值具有重要的影响。然而,这种事件对中间值具有较小的影响或没有影响。所述中间值的分布由在任一分布的末端的极端数据值造成的影响非常小甚至没有影响。本发明的实施例利用选自具有因果数据的过采样的数据集的中间值的含义和稳定性,以使在分布的一个末端或其它末端的极端值的改变对中间值与平均值的比较影响非常小甚至没有影响。
确定模式类型的测量值,例如模式值(MODE),其表示在采样间隔数据集中的最频繁重复的值或值范围。图8示出了由本发明的实施例产生的MODE时间域波形和频谱数据的一个示例显示(因为所述MODE算法的一些实施例不总产生时间间隔值,在一些情形下并不能获得频谱数据)。因为所述MODE值是频繁循环的测量,其是好的或者坏的测量的标示,其可用作检测或确认传感器的运行情况。例如,当所述MODE值相对地接近MIN值或MAX值时,这标示了故障或轨道外传感器。当MODE值约等于MED值时,这标示了稳定的测量情况。良好的测量典型地具有接近MED值或AVE值的MODE值,依据其分布是否是正态的或因果的。因果分布是可能影响因素的根源确定的触发开关。例如,0-最小传感器的接近低极端的MODE值可以指示有缺陷的传感器、选择不当的传感器、不适当安装的传感器或故障电子电路。本领域技术人员可以在逻辑上从解读MODE、MED、AVE和MIN值的比较中获得许多因果关系。本发明的各种实施例采用这些经验或理论的解读。
确定测量的低值类型,例如最小值(MIN),其表示一个绝对最小的被测量值或在采样间隔数据集中的2个或3个绝对最小的测量值的平均值。图9示出了由本发明的实施例产生的MIN时间域波形和频谱数据的一个示例显示。MIN值可以用作验证传感器和电路运行的适合性。MIN值也可以用作评估信噪比极限测定的噪声基底。例如当模式值接近相关的MIN值而远离MED值时,所述MIN值也是有潜在缺陷的传感器的标识。
确定均值类型的测量,例如平均值(AVE),其表示采样间隔数据集中数据的平均。所述AVE值可用于正态振动处理,类似于波形,频谱或其它变换中的RMS值。图10示出了由本发明的实施例产生的AVE时间域波形和频谱数据的一个示例显示。当分析过采样数据并且遵循高斯正态分布构建的过采样数据时,给予通过AVE值的测量值传送的信息更多的置信。在一个采样间隔中AVE值和MAX值之间的差可以为过采样数据集内的过采样数据指示波峰因子的形式。所述MED值和AVE值之间实质的差(或用本质上相似的计算)揭示了在正态振动技术中的明显因果偏差。
确定统计离散类型的测量值,例如标准偏差值(SDV),其代表在采样间隔数据集中的Σ(sigma)值。图11示出了由本发明的实施例产生的SDV时间域波形和频谱数据的一个示例显示。所述SDV值可以用于揭示在采样间隔数据集内部的因果数据和例如摩擦或物理磨损或滑动接触的其它影响。在此结合其它值进行讨论,SDV值可以指示不适当传感器的使用,例如那些带宽不足或其它的误用。与MAX-MIN范围比较,SDV值可用于确定在各自的数据集或测量群体内因果数据的可能性。在一些实施例中,来自一个或多个采样间隔的施图登特(Student)T分布或菲舍尔(Fisher)分布的数据分析可用于确定置信(confidence)间隔分析和进一步与通过过采样数据群体中被测量值所传达的概率性解读相关联的统计信息。
如图12和13所示,SDV值又可以用于计算偏斜度和峰度值。偏斜度和峰度是信号的三阶和四阶动差。也可确定二阶和六阶动差的方差。偏斜度和峰度可用于揭示由冲击、***和声发射造成的波形分布形状相比于静止事件的微小变化。
参考图2,优选的实施例确定了参数因果比(PVC)信息,其可以是一个或多个标量值,所述标量值指示用于在采样间隔内评估被测量数据的偏斜形状因子或其它概率密度形状因子(步骤208)。PVC可用于揭示影响采样间隔数据集的根源证据,例如冲击、***和声发射或其它。参数数据的分布也可以被称为高斯正态分布数据。根源或因果数据的分布往往正面或负面地偏斜于分布数据集。有几种技术可用于表征概率密度的偏斜或形状因子。例如,AVE值和MED值之间的简单差可能是偏斜度的测量。PVC偏斜度计算的其它示例包括偏斜度的达戈斯蒂诺-皮尔森试验和皮尔逊系数,表示为SK=3×(AVE-MED)/SDV。另一种众所周知的技术是峰度。各种实施例可用于区别正偏斜、负偏斜和其它形状特性。使用峰度值,由Pearson和Ascome&Glynn做出特殊贡献的达戈斯蒂诺(D’Agostino)K-平方试验,是用于检验分布的技术的一个示例。
一些实施例计算了标量值,其表示MIN值或SDV值或两个或多个上述值的数学比较,以定性传感器或电路(OPC)(步骤210)的运行情况。OPC值可以用于揭示可能的无功能性或间断的传感器或电路。
在一些实施例中,通过例如绝对值、符号值和Δ(delta)值的比较,捕获紧跟在MAX值之前或之后的3个标量值,并且计算最大值的峰形因子(PSF)(步骤212)。PSF值可用于通过与MAX标量峰值关联的可能原因的经验性测试或物理理论,表征相关的固有特性或品质。
相关系数为另一个标量值,从过采样数据集、教导数据集、预置数据集或者生成的数据集的自协方差中获得。作为在此使用的术语,"教导数据集"是经验过程的结果的数据集,"预置数据集"是储存在***存储(例如,一个储存状态良好的参考数据集)或者在外部数据库中的数据集,"生成数据集"是由***几何信息和典型故障模式信息(齿啮合,球旋转,外圈,内圈的频率)创建的数据集。相关系数可以根据下式计算:
其中,C(i,j)为协方差矩阵,i是输入数据段的矢量(每个分段归一化),而j是一个正弦波参考信号的矢量。图14示出了由本发明的实施例产生的相关系数波形一个示例显示。
在优选实施例中,采样间隔数据集内数据的标量值可以是在排序之前,取绝对值的全波整流(rectification),如通常由PeakVueTM和其它峰值检测技术完成。然而,在一些实施例中,将正负值按照从最低到最高排序。
人们可采用如n阶导数的数学运算来产生例如斜率或速率改变的所需特性,如果这是相关的或者是为来自标量的波形式传达的数据的信息提供更好的程序或人类的解读的话。
使用滤波专注于特定的频带以消除高基带分量,使数据集可与随机分布信号相比较,并调整存在不同的衰减和共振的安装位置的频率响应。滤波可在本说明书中概括的统计分析步骤之前,期间,或之后执行。例如,实际上是在滤波数据流之前计算过采用数据流的统计属性,在滤波之后计算其它的统计属性。
优选地,储存一些或所有的标量值MAX、MED、MIN、AVE、SDV、PvC、OPC和PSF以供进一步处理(步骤214)。对一个或多个MAX、MED、MIN、AVE、SDV、PVC、OPC和PSF的进一步的处理可以包括波形分析、频谱分析、倒谱分析和其它变换分析,如下文所述。倒谱分析是有效功率谱的逆FFT,提供不同频谱带上有关变化速率的信息。一种或多种分析技术可用于A-B-A-B比较或A-B-C比较。例如,这样的分析可以在"A数据集","B数据集"和"C数据集"上执行。这激活了不同状态或情况的比较,例如将好的状态与稍差一点的状态或甚至根本为坏的状态进行比较。执行这样的分析来引用或比较基准情况和当前操作情况。这种比较可以通过使用可编程逻辑来解读,或者它可以例如通过检查表格或图形数据演示文稿由操作者直观地解读。
时域波形分析(步骤216)-在现有***中,使用抽取的标量值或PeakVueTM所选定的峰值保持值执行时域波形分析。在本发明优选的实施例中,MAX值(表示PeakVueTM),MED值(表示有或无因果数据的正态振动),AVE值(表示假设忽略因果数据的正态振动),SDV值(监测噪声和其它方差)都在时域波形以及本文所述的其它分析技术中进行处理。
平均分析(步骤218)-平均分析一般缓和或去除了随机性,从而使重复出现变得明显。采样数据的平均值包括对采样样本内的各行求平均,其中采样样本是许多行的数据,并且一行是来自单个采样间隔的数据值。在优选的实施例中,用户可选择采样样本中一些行的值,例如400线或12800线或通常在这两个之间的其它数字,这取决于期望的分辨率。“采样样本”是数据类型测量值的数目,例如,400线或12800线或选定的任何行。用户通常选择一些平均值,如2或20或一些其它的数字,来设置取平均的采样样本数目。
交叉通道分析(步骤220)-交叉通道分析采用通常来自一台机械上的两个点的信号的同步比较。这种分析通过比较当前采样信号和在学习阶段或在机械良好状态期间存储的参考信号来执行。这种技术揭示了相位相关的信息,并有助于辨别和定位故障。
快速傅立叶变换(FFT)频谱分析(步骤222)-传统上,使用抽取的标量值或PeakVueTM所选定的峰值保持值执行FFT频谱分析。在本发明优选的实施例中,MAX值(表示PeakVueTM),MED值(表示有或无因果数据的正态振动),AVE值(表示假设忽略因果数据的正态振动),SDV值(监测噪声和其它方差)都在FFT频谱分析中以及本文所述的其它分析技术中进行处理。
相位分析(步骤224),-相位分析采用转速计信息或交叉通道分析或其它技术来识别时域数据中的相位相关的模式。
自相关分析(步骤226)-在优选的实施例中,自相关分析包括:(1)将所述波形(信号)分割成段,(2)在每个段上执行给定的峰值算法,以及(3)比较段之间结果的均匀性。这与设法计算所述均值、中间值或甚至STD是分离的并且是不同的。如果所述信号是高度周期性的,则所述段应该是非常相似的。如果所述信号几乎是恒定的但是实际上不是周期性的,则所述段仍然是相似的,但自相关值应该是完全不同的。如果事件是瞬时的,那么在段之间将存在显著差异,其中可能所有段中只有一个具有相似的值,一个段具有实质上不同的值。为了最大化进行比较的值的数目,"重叠"可应用于类似于FFT处理。这与检验信号的一致性的想法是一致的。
数据分布分析(步骤228)-一些实施例合并了累积分布或概率密度分布或其它统计分布的可编程逻辑解读,其它统计分布表示采样间隔数据集或多个采样间隔或采样间隔数据集阵列的同化数据集,例如400线或3200线采样间隔数据集或采样间隔内的介于两者之间或超过这些线数目的采样间隔数据集的这些群体。
图3A-3D(从ASTMD7720中获得)提供了累积分布特性的示例。图3A示出了双尾参数分布,又称为高斯正态分布。本类型的分布是"统计学上表现良好的",这意味着其遵从统计控制下处理的期望。在这种情况下,人们期望统计过程控制(SPC)标准偏差值来描述数据集中离散的数据的所述离散特性。图3B示出了基于零的测量值的单尾分布特性。这种类型的分布典型地展示了相比于中间值或中间值的高度平均值或均值。图3C示出了基于度参考的偏斜分布,其中具有上尾或上限,此处数据测量看上去也许是人工地或是自然地被限制。例如,此种传感器响应可以指示在特定应用中不适当传感器的使用(即带宽不足的传感器)。图3D示出了与前面3个大体上连续分布不同的离散分布。离散分布经常视为整数数据,数字数据或一些其它步骤功能。
本发明的一些实施例具有至少一部分的累积分布或概率密度分布的特征,例如采样间隔数据集或数组的排列值分布。除MED、MAX和MIN值之外,其它有用的信息可以从这样的分布中提取,例如:
-在低端的数据,例如0-1%或1-5%;
-在高端的数据,例如99-100%或97-99%;
-在低端数据分布图的线性和/或log斜率;
-通过四分位数的数据分布图的线性和/或log斜率;
-在所述中间的区域中数据分布图的线性和/或log斜率;
-在高端数据分布图的线性和/或log斜率;以及
-在线性和/或log分布的拐点,所述拐点发生位置以及所述拐点发生位置的斜率。
处理过采样数据的示例
下面的表2阐明了为了获得物理状态相关信息的可能步骤和顺序的示例。应当理解变化或可替代的顺序和各种步骤是适当的,并且有顺序的一些步骤可被跳过或可包含附加的步骤。例如,如果需要积分,可执行步骤C或E或两者。又例如,容易想到可以将模拟信号转换为数字信号,无线传送所述数字数据至另一个位置,然后在第二位置将数字数据转换返回为模拟信号以用于进一步处理,例如步骤C。在另一示例中,如果需要信号整流,可在模拟域或在数字域中完成。因此,所述领域的技术人员可以选择许多变化和重新排列。
表2:用于从与机械感应接触的动态换能器中获得情况信息的可能步骤和顺序的示例。
步骤A将物理状态转变为传感器响应。在机械健康应用中,物理状态的示例包括例如(1)由滚子轴承组件疲劳造成的破裂情况,(2)由齿轮疲劳失效造成的断齿情况,(3)由润滑不足造成的滑动摩擦情况,(4)由适当的润滑造成的平稳运行情况,以及(5)在机械操作期间由热量增加所造成的未对准情况。在非机械资产健康应用中,物理情况的示例包括例如(6)由管线处理中套管谐振造成的次表面疲劳,(7)当在加载界面上的静态摩擦系数过大而发生滑动粘附现象,(8)高压电气设备附近的局部放电,(9)在受到压力的易漏孔附近产生流体湍流的泄漏状态,以及(10)三相电源线的间歇故障情况。
为了监视物理状态,步骤A在典型地包括在将被监视的机械或结构上放置传感器,例如加速度计、位移探针、声发射传感器、超声波传感器、电流钳、通量线圈、电压表或其它类型的传感器。
步骤B典型地包括将传感器响应转换为模拟信号。一些类型的模拟信号的示例在表2中列出。在图1的实施例中,步骤B通过传感器82a-82d和84a-84d执行。
步骤C典型地包括通过滤波预处理模拟信号或调节信号以删除不必要的信息或更好地将信号内容与噪音隔离。在图1的实施例中,步骤C通过放大器85a-85h,3分频电路86a-86h,放大器88a1-88h2以及低通滤波器90a-90h来执行。
步骤D典型地包括将信号从模拟转换为数字。现代的模数转换器通常利用十重或更多重来过采样数据。六十四(64)次过采样是惯例。当解读本发明的实施例的应用中多少过采样是充足的,所属技术领域人员应用了统计理论和实践经验。在一些情况,例如计算MED值,其只需要数据集内的少数过采样的数据。另一方面,计算MODE值需要更多的数据。在图1的实施例中,步骤D通过模数转换器92a-92h来执行。
步骤E包括把过采样数字数据转换成已处理的数字数据。本步骤可包括对过采样数字数据进行高通滤波、低通滤波、积分、双重积分或其它数字处理。在图1的实施例中,步骤E通过所述高通滤波器102,第一积分器106和第二积分器108执行。
步骤F指派了单个采样间隔的过采样数据块。典型地,块是一些在采样间隔期间以采样频率采集到的数字幅度值。例如,如果使用200kHz的采样速率,2000Hz的Fmax值,那么所述采样间隔为1/2000或0.0005秒,在采样间隔期间幅度测量值的数目为0.0005x200,000=100。在本示例中,一个采样间隔包括100次测量。另外一个示例中,如果采样速率为200kHz,Fmax值为10Hz,那么采样间隔是1/10或0.1秒,在采样间隔期间幅度测量值的数目为0.1×200000=20000。在本示例中,一个采样间隔包括20000个测量值。另一个示例中,如果采样速率为200kHz,Fmax值为20000Hz,那么采样间隔是1/20000或0.00005秒,在采样间隔期间幅度测量的数目为0.00005×200000=10。在本示例中,一个采样间隔包括10个测量值。步骤F的所述间隔数据集是(典型地为幅度)数值的集合,所述值在每个顺序的采样间隔中被测量,其是在采样间隔期间以采样频率采集到的数值块。在图1的实施例中,步骤F通过数据块指示器模块114执行。
步骤G中管理间隔数据的是采样间隔数据集。它是包含绝对值的所述数据最频繁出现的全波整流后的版本。其它管理行为可包括排序,整理成累计分布或概率密度分布;分割,例如四分位数或其它划分;或用于进一步的分析和/或处理的在采样间隔数据集内想要管理数据的其它处理。在图1的实施例中,步骤G通过数据管理器模块116执行。
步骤H包括确定例如MAX、MED、MIN、AVE、SDV、PvC、OPC和PSF的数据集特征值。在图1的实施例中,步骤H通过抽取处理器模块118执行。根据机械健康和非机械的设备两者物理状态的示例,如下时间间隔特性的输出时常是有关联的,有意义的和启示的。可编程逻辑可以用于比较,解读和演绎潜在的情况的可能指示,例如:
(1)利用MAX、SDV、PvC和PSF以便检测由滚子轴承组件疲劳造成的破裂情况;
(2)利用MAX、SDV、PvC和PSF以便检测由齿轮组件的疲劳失效造成的断齿情况;
(3)利用MIN、MED、MODE、AVE、SDV和PSF以便检测由润滑不足造成的滑动摩擦情况;
(4)利用MED、AVE、MODE、SDV和PSF以便检测由适当的润滑造成的平稳的运行情况;
(5)利用MED、AVE、SDV和PSF以便检测由在操作期间由热量增加所造成的未对准情况;
(6)利用MAX、SDV、PvC和PSF以便检测管线处理中套管谐振所造成的次表面疲劳;
(7)利用MAX、AVE、SDV和PSF以便检测当在加载界面上的静态摩擦系数过大而发生滑动粘附现象;
(8)利用MIN、MED、MODE、AVE、SDV和PSF以便检测高压电气设备附近的局部放电;
(9)利用MIN、MED、AVE、MODE、SDV和PSF以便检测在受到压力的易漏孔附近产生流体湍流的泄漏情况;以及
(10)利用MED、MODE、SDV和PSF以便检测三相电源线的间歇故障情况。
在步骤I中,域数据典型地是波形时域数据序列。容易想到本发明的实施例可使用空间参照,在这种情况下,所述域将是空间域(间隔Δ-距离而不是顺序的测量值之间的Δ-时间)。在图1的实施例中,步骤I通过处理器100执行。
步骤J的信息典型地通过波形的分析或通过例如快速傅里叶变换(FFT)的变换的分析或通过自相关分析,交叉通道分析,相位分析或波形数据或从波形数据中获得的数据的其它分析中获得。在图1的实施例中,步骤j通过处理器100执行。
使用自适应采样间隔的选择性抽取
本发明的某些实施例采用自适应的采样间隔,其中在采样间隔的持续时间,在采样间隔内采集到的采样数目,或甚至是在过采样波形内的采样间隔的位置与状态改变相适应。注意例如FFT的变换分析可变得无用,除非所有在FFT内的数据使用恒定的采样间隔采集。
典型地采样速率是固定的频率采样速率,例如204800采样每秒。根据优选的实施例,这样的固定频率采样速率可保持恒定,同时采样间隔可以调整以适应实际上增加或减少的在一个采样间隔内采样的数目。具有固定采样速率的更长的采样间隔增加了有助于选择性的抽取步骤的采样测量值的统计群体。具有固定采样速率的自适应加长采样间隔的结果包含了更好的统计置信度和原始数据的更好压缩。具有固定采样速率的较短的采样间隔减少了有助于选择性的抽取步骤的采样测量值的统计群体。具有固定采样速率的自适应缩短采样间隔的结果包含了采样间隔内较少的统计置信度和测量信息的较大带宽。
一个可替换的实施例包括基于在信号中发生的情况,在相同的数据集内不同的采样间隔的使用。例如,抽取可以通过在波形的一部分或多部分期间,使用相对更长的采样间隔而发生,同时,所述抽取可以在波形的另一部分或多部分期间,在相对较短采样间隔上而发生。
使用适当采样间隔的实验的有些出乎意料的结果是在过采样波形内的采样间隔位置对产生抽取的数据有重要影响。图16示出了用于本调查的测试程序的抓屏。在图16中,未处理的,过采样波形显示在窗口的顶部。作为参考,在过采样波形下面,通过将每个间隔取平均产生的抽取波形通过与其对应的频谱来显示。在窗口的底部,通过从每个间隔取得单个采样而形成的抽取波形通过与其对应的频谱来显示。在单个采样图下面的用户输入控件允许所述用户在每个间隔内选择将用于抽取的采样。图17中提供的图像示范了这种控件的使用以便在单个抽取中研究采样间隔位置的作用。图17中提供的图像示出了沿着所述采样间隔在不同的位置取得的图像。本研究的一个吸引人的结果是有多少抽取波形的特性和频谱变化是由于间隔内采样位置而改变。
自适应调整采样间隔的基本原理包括需要获得数据压缩,需要改变统计置信度或需要调整被测量数据的频率成份。任何这些需要可在改变机械表现的响应或外部触发(即过程变量)的响应中被识别。例如,在正常运行情况期间同时参数信息一般在正常范围内,可以根据优选的实施例编程选择性抽取规划,以从长的示例间隔采集相对大的数据块。然后,为了适应于一个或多个改变的状态,可以相同的选择性抽取规划,以采集并且选择性抽取相对较小的相对更频繁的数据块。可选地,可以通过调整采样速率采用自适应的选择性的抽取,以在固定的持续采样间隔期间,采集更多或更少的数据。
此外,在给定的过采样波形内,希望响应于过采样波形本身的变化特性来改变采样间隔。例如,如果能量的迸发是显而易见的(可能由于冲击或一些其它类似脉冲事件),较小间隔可用于迸发的邻近时域,而大的间隔用于其它地方。进一步的实施例提供为响应于变化情况,修正过采样波形本身的采样速率。
变化的采样间隔或变化的采样速率的更进一步应用包括自适应地选择采样间隔,自适应地选择FMAX,自适应地选择采样间隔数据的平均值,以及自适应地选择选择性抽取技术。每次选择优选地基于信号特征,例如可以通过使用可编程逻辑器运行的过采样数据分析研究的结果而被检测并触发,或通过使用人类逻辑检测并触发。自适应的采样间隔和自适应的采样速率的组合可被用于调用。
通过加长间隔或增加采样速率,可以在每个采样间隔,采样更多数据。这种采集过程中增加的数据暴露使得选择性抽取技术及时辨别或挑选出相对稀少的事件,倘若使用统计或其它选择性的抽取技术,幅度或与本事件有关联的其它测量信息是可辨别的,以便及时辨别事件的一个或多个这样的特性。可选择地,通过缩短间隔或减少采样速率,可以在每个采样间隔,采样更少的数据。这种采集过程中减少的数据暴露使得选择性抽取技术在特定时域内记录更高的频率测量成份。
使用自相关、频率变换或倒谱分析的选择性抽取
传统地,在第一步,抽取在每个采样间隔内的过采样数据,随后的处理步骤为通过使用自相关、FFT或其它频率变换或倒谱分析来分析获得的波形。本发明的某些实施例对采样间隔内的数据使用这些和其它分析技术来识别包含在过采样数据内的有意义的信息。例如,采样间隔数据集内的循环模式可通过采用可编程逻辑器检测。波长或在采样间隔内这种模式的相续出现之间的持续时间,可揭示与非周期内容相反的周期内容的周期性指示。
过采样的数据的分析和选择性的抽取典型地用于产生一个或多个表示其采样间隔的标量值。当识别出周期的或其它相关的特性时,可进一步在所述一个或多个标量值中增加属性或特性标识。
例如,一个选择性的抽取过程可以从每个采样间隔中产生第一、第二和第三标量值。例如,来自单个间隔的所有数据可被抽取以在单个选择性抽取过程中产生平均值,最小值和最大值。除了这3个标量值之外,例如周期性特征的特性或品质特征可被触发,或者因果数据特征被触发,或高斯正态分布特性可被触发。所有的这些计算可在单个来自采样间隔的数据处理中实现。可配置所述3个标量值(例如平均值最大值和最小值)和属性或特性特征(例如指示可能的因果数据集或周期的信息状态)。配置数据典型地通过使用优选的数字数据通信协议和使用可编程逻辑的信息解读来汇编,其中优选的数字数据通信协议适合实际的数据存储,数据传输,数据接收,数据处理和数据分析。
过采样数据的附加应用
因为下一代机机器保护***变得更加先进并且整合了高性能的电子器件,它们的前端也必须具备固有能力来产生过采样的数据。这些电路的采样速率通常比初次测量所需的采样速度高10-20倍。所述处理将对本数据进行抽取和滤波以获得期望的测量带宽,去除高频分量。这样做的原因是在开发和维护效率-这本质上更明智地设计了一个高性能的前端,并用它获取高频和低频数据。换句话说,以本领域的当前状态,低频数据可以从使用相同硬件的高频流中获得,而且基本上没有额外的成本-使用当今标准数字信号处理器,可相对简单地获得需要滤波和抽取的附加处理。
这种方法的一个副作用是,原始的未滤波的和未抽样的数据流包括也可以用于PeakVueTM分析的过采样数据。历史上,这些全采样率测量路径只产生包络型测量值,其仍然是主要的输出,但是现在通过使用PeakVueTM,相同的原始数据可同时用于峰值分析。此外,峰值保持值或MAX值和从未抽取流中获得的其它代表性的标量能用在抽样信号处理路径中执行峰值分析,这样做是为了标准频带分析中的RMS、峰值和峰峰值。
加速度输入传统上用在保护***中以产生包括RMS、峰值(Peak)、峰峰值(Peak-to-Peak)和SMAX的“外壳振动”测量,(注意,“保护”指的是为了自动地触发诸如涡轮机的机械的停机的目的的在线振动分析),也可被用于产生PeakVueTM波形,以及如果需要,用作进一步分析的频谱。
速度输入传统上用在保护***中以产生包括RMS,峰值,峰峰值和SMAX的"外壳振动"测量,也可被用于产生PeakVueTM波形,以及如果需要,用作进一步分析的频谱。过采样速度数据的数字微分产生过采样的加速度数据,然后所述加速度数据被用于产生PeakVueTM波形,以及如果需要,用作进一步分析的频谱。
位移输入传统上用在保护***中以产生包括RMS、峰值、峰峰值和SMAX的径向振动位移测量或轴向推力位移测量,也可被用于产生PeakVueTM波形,以及如果需要,用作进一步分析的频谱。过采样位移数据的数字双重微分产生过采样的加速度数据,然后所述加速度数据被用于产生PeakVueTM波形,以及如果需要,用作进一步分析的频谱。
在采样间隔内表征一个或多个事件
在某些实施例中,在时域中描述采样间隔内的事件。例如,除了在一个间隔之内捕获的一个峰值或多个峰值之外,可能识别在幅度中的至少一个给定的百分比,例如最大峰高度的80%,的多个峰,并进一步识别有多少特征项发生在间隔或事件之间的间距中-见表4“测量间隔”。这样的事件可通常进一步从机械故障中识别出来,例如冲击或摩擦或传感器故障或可能识别为来自其它物理源。发生在整个间隔的峰值的重要幅度可以通过经验逻辑识别出可能的结果或者润滑不足、疲劳裂纹、破裂或齿轮缺陷的后果。在过采样数据采样间隔内用于识别事件信号的许多技术将在本说明书中得到进一步讨论。
数字数据传输
然而,本发明各种实施例的另一个重要应用涉及从传感器到主机的数字数据传输。相比于以模拟形式传送数据,以数字形式传送数据具有许多优点,特别在某些应用中。例如,通过蓝牙或从传感器到手持数据采集器或分析器的其它无线信号来无线地传送数据具有优点:不需要电缆,操作者握住采集器或分析器的风险更小,更自由的运动,更舒适,可以无需保留无线传感器,等等。再比如,通过射频无线地将数据传送到用于监视机械健康的无线情况的节点或集线器或网络具有优点:可有多个冗余信号传输路径,不安装管道所以省钱,安装快,更易于安置,更容易在难以到达的地点建立连接,减少操作者的风险,等等。再比如通过直接的有线路径,例如多线的信号线或者例如通过电力传输线的载波信号或例如总线网络上的总线通信协议,传送数字信息具有优点:数字数据信号通常比长导线的模拟信号更鲁棒,更可靠,因为数字信号不容易受温度,电缆的阻抗,电缆的电容,电磁干扰的影响,以及它们倾向于不需要对通信路径的数字分支进行校准或补偿调整。
参考上面的表2,完成了步骤D中从预处理信号到过采样数字数据的变换之后,数据被处理为数字形式。步骤D中的带宽是相当高,对于某些窄带宽的结构,它可能不利于传送全带宽数据。例如,对于从数字传感器到手持采集器或分析器的无线蓝牙信号,特别有利于在数字传感器中,在将过采样的数字数据或预处理的数字数据,或采样间隔数据集的数据或者间隔的特征数据,或域数据传送到手持采集器之前,通过步骤E、F、G、H和I中的一个或多个步骤处理数据,用于进一步将在此产生的数据在产生期望信息的过程中的后面步骤中进行处理。
以相似的方式,在将它从传感器装置的附近传送到信息装置的附近之前,有利于处理表2中步骤D至J的数据。这适用于漫游数据采集、无线监视和在线监视。
然而,这有利于在传送数字数据并且完成所述剩余部分的后处理和抽取之前,执行一部分后处理,或一部分抽取,以及可能在不同于发生模数转换的所述设备或者位置的另一位置的另一设备的后续处理步骤。
表3:用于解读模拟传感器信号信息的过程
例如,表3中示出的的“TBD”或“待定”为可能选择执行后处理,在步骤(II)中的模拟振动分析器或在(VI)中的数字加速度计的抽取中的所有或一部分。这在逻辑上要求完成未执行相关的后处理和其它如(IV)电脑分析器或(VII)数字振动分析器的装置中抽取。
测量速率和测量间隔
表4.测量速率和测量间隔
表4提供了怎样使用选择性抽取的测量速率和测量间隔的示范。在此示例中给定了ADC的采样速率,例如200kHz。第2到第4列示出了从慢(每10分钟1个周期)到快(每分钟60000周期)识别到的感应输入频率的数量级范围。这些表示发生在被测量机器或被测量过程中的工作周期或重复间隔,其具有发生在工作周期内的可能性。例如,机器的不平衡很可能每次循环出现一次。另一个示例,每次齿连接至另一个时,齿轮啮合事件可能发生,以及一次完整的齿轮旋转周期,将出现追逐齿缺陷。类似来自重复的工作周期的许多机械信号将具有周期性的内容。又例如,在特定频率的电晕或放电或摩擦,典型地具有相对的高频,常在5至100千赫范围内,在电晕的情况下,与行频率相关的重要的周期性可以带有所述电晕或放电信号。在另一个示例中,具有流体结构交互作用的过程,例如淤浆法工艺或粉碎过程或碎矿工艺或剪切工艺或湍流过程或许多其它制造或机电工艺将具有特性信号,所述信号典型地具有频率成分,根据处理操作的性质,可以是周期或非周期性的。用于感应输入频率的感应影响范围的周期是用来遍及许多这种将进入满足采样速率的ADC的传感器信号。
测量速率列(表4中的第四和第五列)涉及传统上用于测量振动或电动机电流信号来分析的机械分析器的Fmax。在这种情况下,类似于Fmax的最大频率可以基于目标的周期性感应输入,或基于与不是工作周期的某物有关而另一个实际局限,例如测量***局限或设置局限或具有适用范围广的感应输入速率的常规目标测量速率的要求,来选择。无论根于什么原因,典型地选择测量速率,大于2的奈奎斯特因子,例如2.56,典型地应用于导出测量速率,因此获得测量间隔。
表4的最后四列涉及测量间隔特性,包括间隔持续时间,一些测量间隔每工作周期(例如,例如分量循环周期或覆盖相对地完整的信息集合的跨距),工作周期每测量间隔的倒数,以及最后一些在每个测量间隔(采样速率/测量间隔持续时间)采集到的过采样数字数据。
当测量间隔持续时间比重复事件的工作周期长时,例如摩擦事件在1kHz的速率产生40kHz的被测量信号,然后再给定的测量间隔期间(例如,采样间隔),信号将循环。因为摩擦通常不是周期性输入,在测量间隔内没有可能出现周期性的信号。相反,它可能是随机的,非周期的输入。
典型地,为了从单个过采样的测量间隔获得有意义的频率或周期的指示,每个间隔的周期数目应>>1。大多数故障分析感兴趣的频率成份必然从分析所述波形中获得。例如,使用选择性的抽取的机械振动分析可在与轴承相关的过采样数据中发现故障信息,然而为了辨别通常与球旋转、空转以及转笼旋转有关的测量频率,应该对抽取或选择性地抽取测量波形数据流进行分析。
关系属性
关系属性传达了可能与测量值相关的细节的可编程逻辑解读。关系属性通常在数学上使用和、差、比、n阶导数或n次积分而得。通常指定关系属性与另外一个量度的标量有关,然而在一个选择的情况下,它可以根据自身特点变成有意义的度量。关系属性可以从其它数据或其它信息检索,并可能具有质的关联,例如“合格”或“不合格”,“是”或“否”,“加”或“减”,“开”或“关”,“低”或“中等”或“高”,“正常”或“超速”,或“其它”。关系属性的主要目标是提供可被编程的逻辑器来进一步解读的细节。可编程逻辑器可能具备并且结合有意义的数据集和情况信息,使得关系属性的解读和标量值一起更容易被正确应用,从而最小化了假正数或假负数结果。可编程逻辑可用来扩展和近似于或至少表示在波形的过采样的采样间隔部分内关注的特性。这种重建的波形可能会比原始波形整齐,因为不感兴趣的数据被削弱,而感兴趣的数据以记录或图形方式显示,甚至强调以便于机器或人的解读。这样重建的波形可容许高带宽的数据穿过狭窄的带宽路径进行传输,稍后再重新扩大。
显示了包含因果数据的正态和非正态高斯数据集的排序分布的示例
在下面的表5a、5b、6a、6b、7b和7a中,提供了一些实例,用于反映测量值的正态或高斯分布的数据集,典型地显示在每个表的第n1列。另一个数据集的示例提供了包含有其它正态数据的因果数据。表5a、6a和7a都被赋予“0”(零)值基准并且输出所有的正测量。常见的情况是,零值可以指示故障的传感器,然而限制或削波的信号可以具有不同的影响以及本领域的技术人员将根据给定的传感器和其配置的相关信息通过测量值应用逻辑来解读物理情况。可从这些示例性的表格中观察出多个输出可以从数据集的一个流中获得。多个输出可包括例如中间值,最大值和范围(MAX-MIN)的多个标量值,并且它可以进一步包括多个属性或特性标识。所有这些可以从一系列数据集中的每个数据集中采集以获得在波形内被指定给一些或全部标量值的属性的波形。
表5a和5b中列“n1”表示近似高斯正态分布的已排序的数据集。列“n2”到“n10”呈现了相同的数据集的分布,其中可代替的"10"值表示峰值影响或其它发生了取代正态分布值之一的短持续时间因果事件。表5a和5b中加亮单元可指示因果影响事件。这显示了极端值的大小,“最高值”或MAX,以及在加-减测量值,一些“最低值”或MIN的情况下,很容易与所述数据集的所有其它被测量值和统计参数区别。也是显而易见的是SDEV、平均值-中间值(Mean-Median)、平均值-模式值(Mean-Mode)、(MAX-MIN)/(Mean-MIN)和MAX-MIN是这种已排序的产生影响的因果事件或在数据集内产生高峰值的其它因果事件的所有可能指示。
表5A,正态和因果数据集中大于0的测量值的已排序分布,其中高冲击值发生在一次测量中,并取代了其它正态分布的一个值。
表6a和6b中列"N1"表示近似高斯正态分布的已排序的数据集。列"N2"到"N10"呈现了类似的数据集分布,其中来自物理事件的附加的间断的高标量值产生感应响应(见表2中行A)。物理事件的一个示例是摩擦,其中超过另一个固体表面的晶粒边界(grain boundary)的一个固体表面的晶界滑动产生声音,振动,或其它可通过传感器接收的有效信号信息。间断的高信号信息的其它示例可以产生类似在表6a和6b的"N2"到"N10"示出的偏斜的数据集,所述偏斜的数据集可能包含电晕、放电、边界润滑状态、混合模式润滑状态、流体结构交互作用、磨料磨损、黏附磨损、切削颤振、粘滑运动、湍流、泄露孔、干接触、松动、碰摩、破碎、剪切、撕裂、撕坏、碰撞、快速氧化、开裂、剥落、切削、胶合、点连接的打开或关闭、***和引爆。物理理论和经验证据可以用来辨别和区别这些和其它事件之间的时域和变换域分析。这样的分析可能被编程到固件或软件或硬件逻辑中以通过选择性抽取的方式实现快速自动解读。表6a和6b中加亮单元可指示因果影响事件。这显示了“最高的值”或MAX的幅度是可区别的。也是显而易见的是统计的平均值、中间值、模式、SDEV、平均值-中间值(Mean-Median)、平均值-模式值(Mean-Mode)、(MAX-MIN)/(Mean-MIN)和MAX-MIN是这种已排序的产生影响的因果事件或在数据集内产生高峰值的其它因果事件的所有可能指示。
表6a,正态和因果数据集中大于0的测量值的已排序分布,其中源间断地产生因果类型的感应信息。
数据集 | n1 | n2 | n3 | n4 | n5 | n6 | n7 | n8 | n9 | n10 |
最高值 | 5 | 12 | 8 | 16 | 13 | 15 | 9 | 15 | 10 | 11 |
第二高 | 4 | 12 | 7 | 15 | 11 | 14 | 6 | 13 | 10 | 10 |
第三高 | 4 | 11 | 7 | 11 | 7 | 14 | 6 | 10 | 7 | 9 |
… | 3 | 11 | 5 | 8 | 5 | 10 | 4 | 9 | 5 | 8 |
… | 3 | 8 | 4 | 8 | 3 | 9 | 3 | 7 | 4 | 6 |
… | 3 | 6 | 3 | 4 | 3 | 7 | 3 | 5 | 3 | 3 |
第三低 | 2 | 3 | 3 | 3 | 2 | 2 | 2 | 2 | 2 | 2 |
第二低 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
最低值 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
平均值 | 3.0 | 7.4 | 4.4 | 7.6 | 5.2 | 8.2 | 4.0 | 7.1 | 4.9 | 5.8 |
中间值 | 3.0 | 8.0 | 4.0 | 8.0 | 3.0 | 9.0 | 3.0 | 7.0 | 4.0 | 6.0 |
模式值 | 3.0 | 12.0 | 7.0 | 8.0 | 3.0 | 14.0 | 6.0 | 2.0 | 10.0 | 2.0 |
SDEV | 1.2 | 4.3 | 2.5 | 5.5 | 4.3 | 5.6 | 2.5 | 5.0 | 3.4 | 3.9 |
平均值-中间值 | 0.0 | -0.6 | 0.4 | -0.4 | 2.2 | -0.8 | 1.0 | 0.1 | 0.9 | -0.2 |
平均值-模式值 | 0.0 | -4.6 | -2.6 | -0.4 | 2.2 | -5.8 | -2.0 | 5.1 | -5.1 | 3.8 |
(MAX-MIN)/(Mean-MIN) | 2.0 | 4.6 | 3.6 | 8.4 | 7.8 | 6.8 | 5.0 | 7.9 | 5.1 | 5.2 |
MAX-MIN | 4.0 | 10.0 | 7.0 | 15.0 | 12.0 | 14.0 | 8.0 | 14.0 | 9.0 | 10.0 |
数据集解读 | 高斯 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 |
高斯属性 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
峰值属性 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
摩擦属性 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
电路故障属性 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表6b,正态和因果数据集中加或减的测量值的已排序分布,其中源间断地产生因果类型的感应信息。
数据集 | n1 | n2 | n3 | n4 | n5 | n6 | n7 | n8 | n9 | n10 |
最高值 | 2 | 9 | 5 | 12 | 10 | 11 | 3 | 12 | 7 | 8 |
第二高 | 1 | 8 | 4 | 5 | 4 | 7 | 1 | 7 | 2 | 6 |
第三高 | 1 | 3 | 1 | 1 | 0 | 4 | 0 | 4 | 1 | 3 |
… | 0 | 0 | 0 | 0 | 0 | -1 | 0 | -1 | 0 | 0 |
… | 0 | -1 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | -1 |
… | 0 | -1 | -1 | -2 | -1 | -2 | -1 | -2 | -1 | -1 |
第三低 | -1 | -5 | -2 | -5 | -2 | -6 | -2 | -2 | -2 | -2 |
第二低 | -1 | -8 | -2 | -8 | -2 | -11 | -3 | -6 | -4 | -5 |
最低值 | -2 | -9 | -4 | -13 | -8 | -12 | -6 | -10 | -7 | -7 |
平均值 | 0.0 | -0.4 | 0.1 | -1.2 | 0.0 | -1.2 | -1.0 | 0.1 | -0.6 | 0.1 |
中间值 | 0.0 | -1.0 | 0.0 | -1.0 | -1.0 | -1.0 | -1.0 | -1.0 | -1.0 | -1.0 |
模式值 | 0.0 | -1.0 | 0.0 | None | 0.0 | -1.0 | 0.0 | -1.0 | -1.0 | -1.0 |
SDEV | 1.2 | 6.4 | 2.9 | 7.2 | 4.9 | 7.7 | 2.5 | 6.7 | 3.9 | 4.9 |
平均值-中间值 | 0.0 | 0.6 | 0.1 | -0.2 | 1.0 | -0.2 | 0.0 | 1.1 | 0.4 | 1.1 |
平均值-模式值 | 0.0 | 0.6 | 0.1 | None | 0.0 | -0.2 | -1.0 | 1.1 | 0.4 | 1.1 |
(MAX-MIN)/(Mean-MIN) | 2.0 | 9.4 | 4.9 | 13.2 | 10.0 | 12.2 | 4.0 | 11.9 | 7.6 | 7.9 |
MAX-MIN | 4.0 | 18.0 | 9.0 | 25.0 | 18.0 | 23.0 | 9.0 | 22.0 | 14.0 | 15.0 |
数据集解读 | 高斯 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 | 因果 |
高斯属性 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
峰值属性 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
摩擦属性 | 0 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 1 |
电路故障属性 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表7a和7b中列"N1"表示近似高斯正态分布的已排序的数据集。列“N2”到“N10”呈现了相同的数据集,其中可替代的一个或多个“0”值表示间断的或永久的故障传感器或电路故障或不运行机械或不运行过程或停止的机械或停止的过程或逆转的机械或逆转的过程或可能产生来自否则会产生显著大于零的值的传感器的零电平输出或"噪声中"电平输出的其它因果事件。请注意,对于其它的示例可以发现传递不同的产品,例如不是零值的极端值。在表7a和7b的示例中,这个低值的偏压测量也可以由于能够产生具有零或接近零的感应输入的物理事件的其它原因而产生。在表7a和7b中的加亮单元可能揭示了这种类型的因果数据集的信息。请注意,“最低值”或MIN的标志、零或接近零值的标志、中间值和模式的标志以及对于任何除以零或几乎为零的被测量值或计算值,除以零错误的标志(例如列"n6"到"n10"中的中间值和列“N10”中的SDEV)。
表7a,正态和因果数据集中大于0的测量值的已排序分布,其中故障传感器或故障电路产生非典型的零个被测量值。
表7b,正态和因果数据集中加和减测量值的已排序分布,其中故障传感器或故障电路产生非典型的零个被测量值。
数据集 | n1 | n2 | n3 | n4 | n5 | n6 | n7 | n8 | n9 | n10 |
最高值 | 2 | 2 | 2 | 1 | 2 | 1 | 2 | 1 | 2 | 0 |
第二高 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 0 | 0 | 0 |
第三高 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
… | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
… | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
… | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
第三低 | -1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
第二低 | -1 | -1 | -1 | 0 | 0 | -1 | 0 | 0 | 0 | 0 |
最低值 | -2 | -1 | -1 | -2 | -1 | -2 | -1 | -2 | 0 | 0 |
平均值 | 0.0 | 0.2 | 0.1 | 0.0 | 0.2 | -0.2 | 0.2 | -0.1 | 0.2 | 0.0 |
中间值 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
模式值 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
SDEV | 1.2 | 1.0 | 0.9 | 0.9 | 0.8 | 0.8 | 0.8 | 0.8 | 0.7 | 0.0 |
平均值-中间值 | 0.0 | 0.2 | 0.1 | 0.0 | 0.2 | -0.2 | 0.2 | -0.1 | 0.2 | 0.0 |
平均值-模式值 | 0.0 | 0.2 | 0.1 | 0.0 | 0.2 | -0.2 | 0.2 | -0.1 | 0.2 | 0.0 |
(MAX-MIN)/(Mean-MIN) | 2.0 | 1.8 | 1.9 | 1.0 | 1.8 | 1.2 | 1.8 | 1.1 | 1.8 | 0.0 |
最大值-最小值 | 4.0 | 3.0 | 3.0 | 3.0 | 3.0 | 3.0 | 3.0 | 3.0 | 2.0 | 0.0 |
数据集解读 | 高斯 | 高斯 | 高斯 | 高斯 | 高斯 | 高斯 | 高斯 | 高斯 | 高斯 | 因果 |
高斯属性 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
峰值属性 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
摩擦属性 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
电路故障属性 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 1 |
通过选择性抽取诊断机器振动故障
图18示出了可用于通过选择性抽取诊断机械振动故障的频谱模式的示例。在用于机械状态监视的数据采集的实践中,频谱数据典型地存储FMAX的范围为大约5kHz,即使数据可在能产生大约80kHz的FMAX的速率进行采样。采样的波形被“抽取”到较低的频率波形,然而它可能利于提供更高的频率分辨率。高频率检测(HFD)是用来检测是否存在高频成份,但不提供所述更高频率成份的模式分析的一种技术。选择性的抽取可以通过在抽取波形中通常被丢弃的数据采样的存储特性(例如平均值,中间值,峰度等等),提供例如电机电流数据和机械振动数据的较高频率数据的诊断,而无需保存/存储整个高频数据采样集合。(撇号(')用来将对正态的抽取采样之间的采样(在通常的抽取波形中被丢弃的)执行的这些计算与对最终正态的抽取后的波形执行的相似运算进行区分。)使用具有多个处理器的数据采集器,例如图1的FPGA,可能有利于同时计算多种类型的波形抽取技术。图18示出了可能存在于典型存储的频谱(即使用正态的抽取技术的频谱)的FMAX上的可能可区别的频率信号。
处理中的通过选择性抽取的材料诊断
选择性的抽取过采样信息可能会潜在地发现结构谐振或摩擦的证据,由于过程中的干接触或边界润滑或压力泄漏或固体物质运动,或过程内材料对例如配管的结构组件的冲击。谐振是例如结构的弯曲方式的固有频率在幅度增加直到衰减的能量抵消了激励能量的频率上受到的强制作用激励。它不是在此重要的固有频率,但事实上是激励迫使功能在谐振频率放入能量。像麦克风中的“反馈”,它应是实际上使用选择性抽取连同一个或多个周期的信号指示技术来检测上升的谐振。
摩擦往往是非常宽带振动能量的来源,特别是在比固有谐振频率高得多的频率。应该很容易发现干接触摩擦(摩擦系数~0.3)、边界润滑(摩擦系数~0.1)、湍流和流体泄漏。需要注意的是湍流和流体泄漏往往发生在下面的情况下:穿过孔口的气体或液体超过声速,因此,发出高频的超声波稳态流。选择性的抽取可以用来辨别在采样间隔内的信号信息的周期性,缺乏周期性,或自相关,以及比较后续采样间隔之间的这些事情来辨别摩擦并将其与其它高频信息源区别。
配管中的流体湍流,叶轮背面的气蚀和表面的腐蚀也是可使用选择性抽取通过密切接触的加速度计能检测到的能量的输入。岩石破碎机,水泥窑,旋转磨的片材,砂轮机的研磨,车床的切割,铣磨纱锭都是具有好的表现或机械振动或其它不好表现的活动。选择性抽取可用于监视这些品质。
检测、定位和跟踪过程中的事件可使用如振动换能器或其它动态换能器的换能器阵列来实现。本发明的实施例包括根据历来用于机械健康监测的传感器的测量、分析、监测、调节或控制操作。应用包括经受谐振或失稳的结构。进一步的应用包括破碎机、磨粉机、粉碎机、配管、秤盘、铲斗、铲子和通过在一个优选的实施例中的加速度计监测的结构。可替代的实施例采用其它换能器。各种实施例所使用的传感器是最有可能被选用于应力波、振动、应变、声音和/或超声波的感应特性测量。
过采样数据的选择性抽取是一种确定事件的接近度和时间顺序的技术。接近度是通过比较传感器阵列中相对的事件检测的到达时间和相对的事件信号衰减来确立的。
优选的选择性抽取技术包括一个或多个来自过采样数据集的下述定量的标量值和定性属性的空间和时间顺序分析:最大值、最小值、平均值、中间值、标准偏差、范围、峰态或偏斜度和峰峰值波长(例如,频率成份)。选择性的抽取也可包括机械或过程的音频特征提取或指纹识别,类似的“声音特征提取”或“音频指纹识别”在“MPEG-7音频和超越:音频内容索引和检索”中由John Wiley&Sons,Ltd.的Hyoung-GookKim,Nicolas Moreau和ThomasSikora于2005年公开。
传感器阵列内的空间布局考虑到被测量距离,面积和体积的几何形状,是符合逻辑的。例如,相邻传感器之间的间距可以是足够小的,使得一个事件可以由序列中的多于一个的传感器发觉。此外,所述间距被逻辑地布置,使得信号传播时间典型地长于或远长于一个数据集的采样间隔,所述信号传播时间为穿过结构或流体介质,从一个事件的位置到第一传感器,然后到第二传感器的信号传播时间。例如,如果信号以应力波的形式以所在结构的声速穿过所述结构传播,然后以此声速传播的信号需要长于从第一传感器到第二传感器获得的一个采样间隔。以这种方式,一个事件将至少部分地与一个同时从两个传感器采集数据的采样数据集区分开。
本发明的实施例采用包括多个传感器的阵列。阵列可以由两个或更多个传感器几何地布置。典型地,这是一个二维阵列。例如,策略性地定位传感器以采集覆盖二维表面(即,矩形或环形或圆柱形)或三维表面(即,球形或圆锥形或其它轴对称或桁架或其它结构)有意义的信息。所述阵列可以是一维的,例如一条线或半径。所述阵列可以是固定的或可移动的。通过所述阵列的过程或其它相关的媒介可能会流入或移动。所述阵列可表现为行扫描仪。可以通过一个或多个这样的技术构建数字数据,以构造可视的表示,例如图像阵列或“图片”。图象***可用来描述把测量数据转变成由人类或由可编程逻辑解读的信息的时间顺序或空间表示。
图19示出了传感器5、10、15、20、25、30、35和40例如围绕圆锥形或圆柱形磨机或过程配管的外径,放在表面上的传感器阵列的示例。在磨机或配管内包含有过程材料,例如固体、半固体、糊状或固体和液体的淤浆或凝胶或液体,其中过程材料表现为流体结构交互作用或固体接触。固-固交互作用可涉及干接触或边界润滑接触或腐蚀或研磨或压碎或磨损或破坏机理的组合的形式的滑动接触。固-固交互作用可涉及冲击和反跳。内部包含结构的流体结构交互作用或半固体/糊状/凝胶的交互作用可涉及层流或湍流或空洞形成或其它气蚀或压力或体积力。一些强制作用产生输入至传感器的能量的宽带或宽广的空间阵列。其它局部事件,例如图19中描绘的事件A、B和C,在一个或多个位置和序列中发生。
本发明实施例的一个首要主题是发生在接近并且具有时间顺序的与其它传感器输入不同的事件之间的区别。例如,如果一个峰事件是在具有第一特征信号的第一传感器中被检测到,所述第一特征信号稍后在第二传感器中被检测到,然后在第三传感器中被检测到等等,可编程逻辑可以用来区分第一特征信号并报告在传感器阵列的不同的传感器的信号的到达顺序。序列本身可以为可编程逻辑提供有用的信息来反算所述事件在空间和时间的估计位置和时序。因此振动或应力波被用于“三角测量”的冲击源的位置。例如,事件A可能在传感器5被检测到,然后在传感器10中被检测到,然后传感器25和20在几乎相同的时间检测到事件A,然后在传感器30中被检测到,等等。高频信号信息典型地为随着距离而快速地减少,所以这些信号被减弱,当可编程逻辑已经识别出并且预测了下一个位置和时序时,但它们也可以与背景噪声区分开,以作为在可预计的下一个传感器位置的信号特征。
本发明实施例的另一个首要主题是无关系的或背景信号信息的补偿或减少。这通过从使用实质上更靠近源或信号信息源的传感器采集到的相关信号信息中减去一个或多个远程传感器采集到的信号信息来完成。本技术使用适合的滤波技术。例如,传感器的阵列中的一个可以被识别为用于测量当前背景信号的补偿传感器。背景信号可包括噪音,来自其它工厂机械的信号信息和来自过程操作的信号信息。在一些情况下,背景信号可能是“响亮的”。在这些情况下,通过使用选择性抽取技术特别有益地区分兴趣特征信号和背景信号信息,其中选择性的抽取技术对统计分析的信号信息比对静态分析的背景信号信息更敏感。
来自阵列的信息可以使用可编程逻辑器和人类理解来解读,以表征和生在处理容器内的过程特性。表征过程操作情况的关键区别性因素包括使用多个传感器在空间和时间检测和跟踪事件。
在图20中,围绕事件A、B和C扩展的星型轮廓图表示信号信息的衰减。例如,来自事件A的信号信息是强劲的高电平信号或者低频率信号。与较高频率信号信息相比,较低频率通常衰减较少,传播距离更远。在这个示例中,在其中信噪信息减少到可检测的合理水平之前,来自事件A的信息传播了更远的距离。事件B表示中级幅度或中间范围频率的信号,所以随着相对缩短的距离,可区分的信号丢失。以类似的方式,事件C表示高频信号或低幅度信号。
来自事件A、B和C的信号信息典型地从源辐射并且穿过媒介传播。图20图表地表示了二维测量空间,如围绕一段配管或磨机可能安装有传感器的轴对称表面。应当注意,并非所有的源或事件都是点源或点事件。相反,通过本发明的实施例被测量的信号信息源可来源于其它几何形状,例如线源或类似的体积力或压力的区域源。事件中通常具有波信息,例如压缩应力波或声波或其它机械能量转移。在这些图解示例中,能量波包含从点源传播的事件信息。在第一时间间隔,图表地表示为同心星形轮廓之间的空间中,采集用于分析的过采样数据。
在采样时间间隔期间,例如在一个星形图和下一个外侧的星形图之间的空白空间的持续时间,采集并处理大量的测量值。例如,可以在一个采样间隔内采集10、100或1000个测量值。这些数据被称为数据集,用于通过使用如本文所述的选择性的抽取技术分析过采样数据。采集在每个采样间隔来自阵列中的两个或更多个传感器的定量标量和定性属性以用于随后的比较和分析。
人类理解的过程和可能事件可用于构建有关事件机械可能信号的知识库。某些事件是局部的,以及持续时间短。例如,固-固冲击为典型的持续时间相对较短的事件,所述事件产生具有不同的使用加速度计可检测到的信号的应力波。滑动接触和湍流是两种可能具有相似的峰值幅度特性,但明显不同的平均值、中间值和标准偏差特性的事件。
使用可编程设备操作由与容器感应接触的传感器搜集到的感应数据,本发明的优选实施例识别那些可能在容器内发生的处理机制。所述实施例采用例如选择性抽取的技术,以检测事件以及区分多个感应输入源。本发明也使用测量值阵列来发现过程内空间接近的事件。此外,本发明使用来自阵列的相邻顺序的采样间隔分析数据,以进一步定位和或跟踪/跟随事件,所述事件基于随着距离(主要)衰减的信号以及传输不同传感器信号的时间。最后,本发明的实施例提供了过程内周期性和物质运动的时间顺序表示。周期性通过使用冲击或其它事件之间的时间来完成。通过比较一段时期的事件位置来完成运动。基于结构或流体媒介的声速来定位事件的过程在过程中定位材料移动的轨迹相比非常地快。钢中的声速比空气中的声速快一个数量级。在这两种情况下,相比于典型的处理运动,这是非常快速的。
如果根据设计计划以及正常运行,一些事件可能是正态的。然而,在许多情况下,一些类型的事件可能导致严重的副作用。例如,失稳事件或其它突然跳变事件典型地包括当没有增加负载时,增加压缩驱动的偏转。在不能复原的损害之前没有警告,梁或柱可能失稳。塑性变形、蠕变变形或蠕变松弛是典型的对于未经历过弹性响应的负载的另一种机制,这些影响可产生致命失效、材料迟滞或其它可能降低性能特性。结构性谐振是可能具有不利的影响的另一个特性,特别是如果其持续时。
可以使用本发明的实施例当外力作用引起失稳、蠕变、塑性变形和谐振时,使用关于正被监视的结构和关于所述结构的可能表现行为的知识,通过监视、分析和比较来自传感器阵列的两个或更多个感应输出,来检测失稳、蠕变、塑性变形和谐振。基于负载路径未对准,基于表面张力或基于典型地在中间-间距的横向移动的运动,可以检测到接近于失稳情况。活跃的失稳状态可被足够快速地检测到,用来自动地卸下负载,从而防止进一步的破坏。
蠕变或塑性变形情况可以通过张力和压缩负载周期观察到的滞后或通过永久变形而被检测到。谐振情况可以通过比较传感器之间的相位和偏斜而被检测到,如果可行,传感器被安装在逻辑节点和反节点位置。这些位置可以通过与节点相关联的管脚或连接处和与反节点相关联的中点进行识别。模式分析或碰撞试验将极大地给予帮助。
成像发送器。成像发送器包括例如一个焦平面阵列的成像探测器,适合于检测电磁辐射光子,如紫外线(UV)或可见光或红外(IR)频谱波长或一个或多个不同的频谱波长范围的组合。所述成像探测器通常具有例如8×8或16×16或80×80或160×120或320×240或640×480的像素阵列。阵列中的每个像素类似于一个单独的传感器。全部的阵列信号能够检测例如照明、颜色、物质的化学特性、物质的温度特性、物质的放射特性、媒介或物质的传输特性、物质的吸收特性、物质的电特性、物质的能量特性、物体的距离或面积或其它空间特性、物质的水分特性、物质的热传递特性、物质的摩擦特性、物质的荧光或磷光特性以及更多的特征中的一个或多个特性。被动地基于与正被感应的物体,媒介或物质相关联的周边环境中的电磁辐射,或主动地基于电磁辐射的受激发射或传输或反射,可以感应到特性
被动式的成像探测的示例是使用IR探测器被动地观察材料发出的黑体辐射。例如,由SOFRADIR EC,INC.,373US Hwy46W,Fairfield,NJ07004USA制造的型号为ATOM80的探测器有以下规格:80×80的微辐射阵列,频谱响应为8-14μm,探测器NETD<100mK(f/1,27℃),功耗<0.25W,工作温度范围从-20℃到+60℃,帧频为30Hz,电气接口USB2.0和14位数字输出流。
主动式的成像探测的一个示例是感应对例如脉冲激光的激励能量作出反应的物质的荧光或磷光。材料的荧光和磷光特征通常具有基于所述材料例如温度的状态下可预测的衰变常数。通过时间脉冲激励能量具有已知的脉冲持续时间的发送器可被编程以从以不同方式的激励脉冲的其它大多数能源中区分出活跃的能量源及其原因和作用结果,并且所述发送器可以被进一步编程,以辨别物质对活跃的脉冲能量源的特征响应。在这个示例中,第一特性响应可以是通过荧光或磷光的激发或缺乏激发,以及随后第二特征可以是衰变或缺乏衰变。特性响应可以通过使用可编程逻辑和附加信息进行解读,所述附加信息是例如用来推断所希望的例如物质的温度或物质的浓度的被测量值的理论或经验证据。
主动式和被动式成像探测的示例是在最接近泄漏的附近,并结合例如附加的宽带照明或附加的窄带照明或附加的高通频带的照明或附加的低通频带照明的补充照明,感应物质的泄漏气体,所述物质吸收了与激活被动式探测的周边环境共同的特征谱能带。附加的照明可以是稳态或脉冲的以获得期望的响应。
图21示出了成像发送器122,其包括发送器部分124、无线电天线126、传感器外壳128、用于空气载声和空载超声的一个或多个输入130以及用于电磁辐射的光子能量的一个或多个输入132。本描述不是旨在限制所述许多个组件的逻辑排列,本领域的技术人员可以结合本描述来构建发送器和获得一个传感器或一组传感器。
所述成像发送器122可独立使用,或者更有效地具有与其它成像发送器的视图重叠的视场(FOV)。
图22图表地表示了具有第一视场(FOV1)的第一成像发送器122a、具有第二视场(FOV2)的第二成像发送器122b和具有第三视场(FOV3)的第三成像发送器122c的重叠视场FOVs。所有重叠的视场包围了来自不同透镜的不同的目标点,包括机械P1、电气部件P2、具有阀门P3的配管、电力线P4、天空位置参考R1和接地位置参考R2。图22还示出了拿着用于帮助配置成像发送器122a、122b和122c的手持设备D1的一个技术人员。在不同的实施例中,显示器D1可以是手持的或固定的本地显示器,并通过使用近场通信(NFC),蓝牙TM,或其它无线通信协议与成像发送器122a、122b和122c进行无线通信。可替代地,显示器D1可与成像发送器122a、122b和122c有线连接。
优选的实施例通过目标点(例如P1、P2、P3和P4)和参考点(如R1和R2)被自动或人工地识别,实现了选择和鉴别过程。一种这样做的技术是为了例如通过蓝牙TM或其它无线装置,从成像发送器122a、122b和122c发送成像数据到手持设备D1,以及使用设备D1中的可编程逻辑器来帮助在现场的操作员配置成像发送器。在一个实施例中,在设备D1的显示示出了所述成像发送器内的焦平面阵列的几何表示。在查看显示时,操作者可以指定一个或多个目标以及一个或多个参考点。由于显示图像与像素化的焦平面阵列的位置协调一致,使用其表示目标点与参考点之间的空间的几何关系是合理的。只要成像发送器的FOVs不移动,这种相互关系应予以保留。甚至即使FOVs改变时,逻辑地保留物质世界中目标点和参考点之间的一些或全部几何关系,并在成像探测器的平面上表示。
作为在此使用的术语,目标点典型地是在FOV中将被观察监视和诊断的位置。典型地,监视和诊断基于理论和经验知识,通过使用成像信息的可编程逻辑的解读来完成。如上讨论,目标点的示例包括阀门、电连接、部分机械或电源线、电开关装置或其它目标物品。
来自机械和电气部件的成像信息的选择性的抽取
图23图示了机械P1,提供了如何基于双侧对称,自动或半自动地配置目标区域的空间选择性的抽取的解读。图23示出了机械的轮廓,其特征在于扇区P1A和P1B是双侧对称的,使得由一半确定的统计值可以具有与由另一半确定的统计值相似的期望。机械P1很可能具有统计学上相当数量的像素被测量值,例如用于成像探测器的数据阵列。例如,每个图像可以在片段P1A以及也可以在段P1B中具有5至50000个值。人们可以设想双侧对称的许多其它片段,如四分位数或更多的分段区域。在优选的实施例中,可编程逻辑自动执行统计学上的峰值保持值、平均值、中间值、最小值和标准偏差,例如机械P1的双侧对称物体的左半和右半之间的其它逻辑统计的比较关系,以辨别测量信息是否包括因果数据或每个片段或两个片段是否通过高斯正态数据群体测试。
通过对来自FOV1、FOV2和/或FOV3的关于在扇区P1A和P1B的数字数据或关于在其它双侧对称的面积片段的数字数据的成像数据执行这样的运算,可编程逻辑器可以更好地解读和推断正确的结论,并避免假正数或假负数结果。例如,利用电磁光子检测的一种常见问题是反射的影响。从表面的反射可包括天空的位置信息或地面的位置信息或另一个光子从至少一部分表面反射的实源。通过从多个角度观察例如机械P1的一个物品,在多个视图中反射的指示的错误机会不太可能比在单一视图的少。这种反射的影响可以进一步被检测、解读与说明,并在后续计算、发现和推荐中做适当地处理。如果不出意外,可以发布警报给操作员或技术人员,以评估结果或执行其它检查或测试或测量。这些关于多个FOV透视优势的观察也适合分别讨论的其它目标点。
将空载振动的声音或超声波测量直接关联到视场内侧或外侧的任意具体点可能是不实际的。然而,将基于经验或理论知识的信号关联到一个或多个声音或超声波的可能的原因或源是实际的。可编程逻辑器或人类逻辑可以将来自图像数据源的信息的这种推论与可能的推论联合来改善逻辑解读的似然性或可能性。
本发明的优选的实施例可用于挑选与视场中具有相似外形的物体。例如,图24示出了所述电气部件P2,所述电气部件可以是包含有熔丝的开关盒。视场中相似物体的其它示例包括调车场中的相似部件或输送线上的相似轴承或配管的相似片段。成像发送器具有的优点是能够挑选出具有例如形状、尺寸(允许距离透镜)、轮廓、温度或其它不同的和相似的几何形状或幅度方向图的相似特性的多个物品。
在本示例中,可编程逻辑器可以识别一系列14个相似的物品,例如熔丝P2A到P2N。在这种情况下,图像数据的空间选择性的抽取可包括将所有在例如在含有熔丝P2A的扇区的每个扇区中的像素统计学上降低为例如峰值保持值、中间值、平均值、最小值、标准偏差或方差的标量值。峰值保持被用在一个优选的实施例中。它很可能是一些在使用中的熔丝以及未使用的熔丝。可能一些熔丝是有缺陷的,或出现在连接到熔丝的电气线路有故障。预计每个供电的熔丝可能高于周边的温度。故障的供电熔丝可能异常热或异常冷。可能没法区别没有供电的故障熔丝与其它没供电的熔丝。Δ(delta)温度计算可以通过使用可编程逻辑和经验信息来执行,以评估如下文所述的电阻的变化。
图25示出了在图像发送器的视场中具有阀的配管P3。所述配管P3具有片段P3a、P3b、和P3C。可编程逻辑可用来推断去哪里选择片段P3a、P3b和P3C。这三个片段的各自区域包括多个像素值,在所述多个像素值上可应用空间选择性的抽取,以将过采样的数据分解为有意义的值。在这个示例中,阀的特征在于其典型地具有随着配管在两个方向运行的上游侧和下游侧。阀可以正常地完全打开或正常地完全关闭。它可以在操作上从一个状态改变到其它状态或介于两者之间的某处。对于在控制***内的人类或可编程逻辑器,解读和验证的阀和配管的正态情况是重要的。此逻辑也适用于其它过程包含容器,而不仅仅是阀。成像发送器可以使用成像探测器,使用声波或超声波探测器来检测和监测的阀的操作或另一个过程容器的操作。通过比较从配管上游部分到配管下游部分的表示信息和阀部分,可以逻辑地推断出关于阀操作状态的信息。声波或超声波信号可以确认或驳倒基于来自成像探测器的信息所作的推论。
结垢。有时,从配管或罐或其它容器的内侧表面上堆积或去除材料可以使用成像发送器来检测。这种检测基于所添加或去除的材料对能量转移的影响,所述能量转移例如在过程材料和在其中包含有材料的配管,罐或容器之间的热传导或热对流。安装在所述配管或罐或其它容器外侧的成像发送器,可以监视配管或罐或其它容器的表面能。例如热图像的基线图像典型地作为基准或参考频谱图像。可以在预计材料的水垢或其它堆积或侵蚀或其它去除最终发生的地方,选择一个或多个目标点。
检测流动。配管或过程容器中的流也可以通过使用成像发送器来检测或显现出来。一种在一个过程中揭示配管或其它容器的流动情况或不流动情况的方法是沿着预期的流动路径,识别两个或两个以上目标点。如果发生流动,然后预计逻辑温度或其它热迹象将跟随该流动路径,考虑到在流动情况的开始和停止期间的瞬态间隔。例如,如果配管没有在周边温度情况下,甚至一个温度指示就能揭示流动发生在配管的那个部分。从配管内的流体传递或传递进入配管内流体的热对流或热传导将典型地影响流体流过的配管或阀门或容器外侧表面的温度。
检测堵塞。当固体材料积聚并且变成限制流动或堵塞配管或阀或其它处理机制的障碍,常常需要检测并识别堵塞情况。例如图25示出了一个方法,用于将在入口或上游部分的成像发送器测量与容器本体或与阀或配管或其它流动设备的出口或下游部分的成像发送器测量值进行比较。当未堵塞并在稳态情况下,由大量流体或其它过程媒介流过所述部分对来自成像发送器的测量值的影响比当已经发生部分或完全堵塞对来自成像发送器的测量的影响更强烈。例如一个热图像检测器的成像阵列可以用来检测对流或传导的热传导的影响,所述对流或传导的热传导由于在容器壁附近的流动而发生变化。
围绕配管或容器或阀的隔离可能限制成像发送器揭示在配管或容器或阀内的流的能力。可能在某些情形下,通过识别作为导热翅片或其它导热材料的目标点来观察温度和热传导的热指示,其中其它导热材料例如吊管架或配管法兰或支架或其它直接与隔离配管或容器或阀连接的导热物体。
电力传输和分配。自动或半自动的片段选择图像区域的电力传输段P4A和P4B在图26中示出。演示电力线的图象发送器通常具有天空位置背景,但不是总是具有。存在典型相似的电力传送和分配物品的外观,使得可编程逻辑能够挑选出电力传输分配集合的部件,所述电力传输分配集合由例如电源线、发电塔、电绝缘子、变压器以及更多的物品组成。如前面提到的,选择性的抽取技术可用于将过采样图像数据分解为用于进一步的分析和解读的有意义的标量值。通常选择峰值保持,因为天空位置的背景往往是压倒性的低值数据集。电力传输和分配部件的线性特性和其它可区别的几何以及电磁图像特性,通过可编程逻辑的使用和由可编程逻辑辅助的人类逻辑,使得它们轻易地与许多其它情况区分开。
导致在使用成像发送器时的重要故障指示包括来自风、雨、雪或冷凝,视场内对象的移动、探测器的振动、成像发送器的移动或目标点的移动引起的起作用的影响。例如,当在背景或在反射中检测到太阳能图像时,可能引发故障指示。反射特性或日光暴露特性或天空背景的特性可以完全被计算在内以及应该被用于可编程逻辑,为了避免从反射和曝光到天空和地面引起的误动作,假正数指示,或假负数指示。
温度轮廓。一个对象在燃烧过程中产生的电磁的信号,例如在燃烧过程中的活性催化剂,可给出关于例如催化材料的适当的形式和对象的功能的指示。类似于图26,与背景相比电力线表现出夸张的高度响应时,例如在燃烧过程中的催化剂的材料可能产生可预测的几何学图形状,所述几何学图形状使用具有选择的电磁频谱发现能力的成像发送器可被轻易地监视。如果催化材料的每个单独的元素可被区分以作为单独的目标点,如图24,然后如同图24中描述的统计分析方法可被应用于将大量的象素抽取为单个或几个标量值。特征或属性可进一步与每个标量值相关联。如果催化媒介的多个部分是无法区分的,那么适当地分配离开的目标点和围绕例如入口点,中间部分点和出口点中每个点的临近点是更好的。基于例如入口和出口这样的点之间的Δ测量值,比较关系可能在逻辑上被指定给分析和报警。另外,用于分析和报警的绝对参数可以基于其它特性,例如过程优化、材料退化、燃料效率、化学散发或其它催化剂相关的特性。
参照点的自动选择。可编程逻辑器可用于辨别和识别的一个或多个参考点。两种通常使用的参考点包括:(1)基于陆地的位置,如地面位置或植物的位置,和(2)的天空位置或空间位置。如地面位置的基于陆地的位置或空间位置可为补偿和确认被测量值和来自内部或附近的目标点位置的方位提供有用的参考。根据不同的场景,地面基准位置和天空的位置基于一个可能与之关联的逻辑特性将是与众不同的。基于地面的位置逻辑上处于或接近周边温度。通常与水平或“地形”图像的较低部分相关联。基于天空或基于空间的位置逻辑上处于相对冷的温度,通常在接近几何上良好导向的图像的上部分的附近扩展。存在很多种方法,本领域的技术人员可以使用技术,设备和可编程逻辑器来解读和区分这些和其它参考位置。
如图27所示,在这个示例中参考点R1和R2分别表示天空位置和地面位置。可编程逻辑和/或人类逻辑可以用来选择这些点以及用来接近点R1和R2,分别构建段R1A到R1d以及R2a到R2d。空间选择性的抽取可以用来分析、证实并确定用于天空位置测量和地面位置测量的在统计学上重要的参考值。这些参考值由可编程逻辑和人类逻辑使用来解读实际被测量值的含意,因为它们可能会受到环境特性的影响,如地面或天空的曝光。如在其它实施例中提到的,执行选择性的抽取,并且通过构建具有四个段的“X-图案”,统计分析能够有效地具备一个参考值。为了具备选择性抽取值,可将左、右段进行比较,可将顶部和底部的部分进行比较,以通过逻辑测试。像素信息的同心环也可有效地用来代替或增加至饼状区段。期望可从在统计上受约束的数据集合获得数据群体信息的高斯正态分布就像期望从参考点选择性的抽取分析一样。
在封闭建筑物或矿井或另一个这样的封闭区域,甚至在户外场所内,也存在其中的另一种结构可被识别作为参考的情形,例如地板、墙壁、天花板、柱、栏、窗户、门、地基、水池或其它物体或对象的反射。一般选择参考值用于在补偿或校正中使用或用于在比率或差分计算中使用。
目标点典型地是一个区域附近的用于分析数据的焦点,以获得有关所述区域附近的有意义信息。典型地目标点位于用于第一成像发送器的像素化视场之内。在优选的实施例中,通过独立地使用像素化成像区域领域设备来定位相同的目标点。
数据采集间隔可以是几乎连续的或间断的或触发的或预定的。
不同类型的图像数据可以被采集以用于成像发送器***内的分析。例如,第一类是传统的经过典型的处理将被显示在图像或视频格式中的离散图像数据。另一个示例中,第二和第三类型是选择性抽取的图象数据,这些数据被处理以在空间和时间域压缩过采样的图像信息。
遍及本说明书,术语图像不仅与人在显示器或页面上观察到的图形图片有关。对于本发明的成像发送器,图像这个词涉及强度或频谱数据值的二维阵列,其可图型地以“图片”形式呈现。代替人眼看见的模拟形式的所有图像,成像发送器解读在电磁频谱成像器之后的数据阵列以及在空间和时间上处理数字信息。
不同实施例的一个首要主题是利用选择性抽取来将部分的"过采样"的图像数据压缩为可管理的信息,所述可管理的信息典型是逻辑上相关的有意义的分析参数的测量,其中所述意义是与现实世界的具有一些重要性的现象的测量或描述相关联的。
图像流和视频数据。第一类型的数据是典型地用于人类的观看和解读的图像数据流,例如参照在图22中描述的显示设备D1。所述图像表示可以是整个视场,仅仅目标限定的区域,仅仅高于阈值电平的图像像素,例如等于或大于60℃,或等容积的绘制线,例如等温线或定义所述探测器级别在某些边界内部的类轮廓曲线。低分辨率(40×40)的图像可以在大约5分钟后,经由无线HARTTM网络进行传输,或者要求更高的分辨率80x80,或甚至更高。可以传输一部分图像叠加在已经存储在接收主机的内存中的参考图像的顶上,其提供了可用于特殊数据的显示和分析的几何透视图。
选择性地抽取来自成像发送器的空间数据。第二类型的数据包括与所述目标点和与图像中参考点相关联的分析参数的信息。这种第二类型的数据通常包括二维图象数据的选择性的抽取。例如,使用在成像器具有单个目标点和2个参考点的视场内的HART,一个4-20mA信号可发送表示邻近的目标点附近的选择性抽取值所选定的标量。此外,数字HARTTM主值可与4-20mA信号相关的标量值一起被传输,第二位的值可与第一参考点相关的标量值一起被传输,以及第三位的值可与第二参考点相关的标量值一起被传输。最后,第四位值可与计算出的补偿结果标量值一起被传输,其中所述主值的环境或操作方差在数学上获得了补偿,例如使用来自第一或第二参考点的信息进行补偿。
选择性地抽取来自成像发送器的时间数据。第三类型的数据是与时间序列图像中的目标点和参考点相关联的分析参数的信息。第三种类型的数据表征了一个连续的时域的变化数据,典型地用于识别定性和定量的特征或属性或功能,例如具有定量值的稳定情况,具有定量值的稳态,具有定量速率或其它值的增加或减少,具有定量值的加速或减速,具有定量的变化,具有定量值的缺乏置信度的置信或错误,具有相应的数量级的超范围,以及例如"高斯"或"非高斯"或"超过控制极限"或具有相应的度量值的另一个统计测量的统计分析结果。
第三类型的数据对于确定有效性或置信水平或来自第一或第二类型的数据分析的调查结果的特征是有必要的。此外,存在很多只能使用时序时域分析检测或能更好的检测的错误、调查结果和确证。
可编程逻辑器对来自所述成像发送器的数字数据进行分析。优选的实施例采用对成像发送器中的数字数据进行操作的可编程逻辑,通过典型地包括选择性抽取的过程的方式来减少所述数据。优选的实施例也典型地把可编程逻辑器用于接收设备中,例如在发送来自所述成像发送器的信号的命令中心中。接收设备中的可编程逻辑典型地对选择性抽取到的数据进行操作以解读图像内的情况状态或解读变化的情况。
过采样空间或时间数据的选择性抽取。来自成像数据的空间或时间波形数据群体的实际值的选择性抽取的示例可能包括,但不限于,中间值、模式值、最大值、最小值、标准偏差或选自群体的另一个实际值。
本发明的选择性抽取技术可以包括但不限于,来自所述群体的实际值,来自所述群体的变换的实际值,以及描述了采样间隔群体的被测量值。选择性抽取值可以是定量的或定性的或两者兼而有之。
本发明的选择性抽取技术可以计算图像数据的近似的区域(面积或体积),允许来自相对较远的图像数据很少或没有贡献。面积表示典型地表示在给定的图像中临近目标点或目标参考位置的图像数据。体积表示是典型地探测器面积随着时间而扩大。例如,非线性的极性的表示,其中非线性间隔被应用在空间和时间中,但极性的几何表示仅应用在探测器空间,是一种解析几何配置的示例,用于选择性地抽取临近数据以及获得表示在有关目标点的空间半径的数据体积(圆柱形状的)阵列的抽取到的值,以及随着时域“轴”被采集。
优选的实施例包括选择性抽取成像发送器。一个优选的实施例通过在采样间隔内从多个值中的峰值保持值使用选择性抽取。这里所用的峰值保持值的缩写是PeakVue,其中“峰”一般是指一种类型的极端,如从所述采样间隔群体中所选择的最大值或最小值,“Vue”指的是所选择的值。应当理解的是,任何此处提及的术语PeakVue可被一个或多个其它选择性抽取技术替代。
选择性抽取值的示例可能不是来自时间或空间波形群体的实际值,以及可改为表示群体的测量或来自变换的群体的测量的选择性抽取值,可能包括但不限于,平均值、标准偏差、方差、峰度、偏斜度、相互关系、频率分布值、直方图群体值、概率密度分布值以及其它有意义的测量值。
选择性抽取值也可以从上面提到的统计值和其它计算值的组合产生的。这样的组合对于已获得的数据的品质以及任何异常的可能原因,能够提供重要的洞察力。例如,当对过取样的数据进行分析,结果发现其遵循高斯正态分布,然后放置更高的置信在由平均测量值传达的信息中。中间值和平均数(或基本类似的计算)之间的巨大差异揭示了扭曲所述分布的因果偏差。
出于说明和描述的目的,前述对本发明优选实施例的描述得以呈现。它们不旨在穷举或将本发明限制为所公开的确实形式。根据上述教导,明显的修改或变化是可能的。选择和描述这些实施例,以努力为本发明及其实际应用的原理提供最佳的解读,并由此使本领域的普通技术人员能够利用本发明的各种实施例和各种修改作为适合于预期的特定用途。当依照公平、合法、公平地享有的宽度范围解读时,所有这些修改和变型都在由附属权利要求时确定的本发明的范围内。
Claims (38)
1.一种处理来源于由与机器感应接触或者处理进程中的模拟传感器生成的模拟信号的动态测量数据的方法,所述方法包括:
(a)通过与机械感应接触或者处理进程中的模拟传感器生成模拟信号;
(b)将所述模拟信号转换为过采样的数字数据流;
(c)指定所述过采样的数字数据流中的采样间隔数据集;
(d)分析所述采样间隔数据集的至少一部分,以确定选自群组的一个或者多个数据集属性,所述群组由中间值、模式值、标准偏差值(SDV)、最大值、范围值、最小值、均方根值(RMS)、统计散射值、动量值、方差值、偏态值、峰度值、峰形系数(PSF)特性、参数因果比(PvC)特性以及一个或者多个不同值;
(e)抽取步骤(d)中分析的序贯采样间隔数据集,以生成与每个采样间隔数据集对应的一个或者多个标量值;
(f)生成包含步骤(e)中产生的所述标量值的波形;以及
(g)保存与所述波形相关的所述一个或者多个数据集属性中的一个或者多个。
2.根据权利要求1所述的方法,进一步包括基于一个或者多个数据集属性分析所述波形,以提供一个或者多个情况的表征,所述情况包括冲击情况、摩擦情况、故障信号情况、噪音信号情况、电弧放电情况、电晕情况、接触情况、放电情况、流动情况、腐蚀情况、气蚀情况、滑动情况,阀运行情况以及阀闭合情况。
3.根据权利要求1所述的方法,在步骤(b)后步骤(c)前,过滤过采样数字数据流以获得机器或者处理进程的情况信息。
4.根据权利要求1所述的方法,进一步包括:
步骤(d)包括确定多个采样间隔数据集中的每一个的中间值和平均值,并从多个采样间隔数据集中确定所述中间值和平均值的差值;
(h)对于所述采样间隔数据集中的一个或者多个,将所述差值与阀值极限相比较以确定所述采样间隔数据集是否含有高斯正态数据或非高斯正态数据的可能性,其中所述差值超出阈值极限则表明非高斯正态数据的可能性;
(i)分配与所述采样间隔数据集相关联的高斯属性或非高斯属性;以及
(j)存储与所述采样间隔数据集和波形中的一个或者多个相关联的高斯属性或者非高斯属性。
5.根据权利要求4所述的方法,进一步包括,在进行比较的步骤(h)指明动态采样间隔数据集被划分为非高斯正态数据的情形下,进一步解释数据集属性并分配指明有可能导致非高斯正态数据分类的情况的属性,其中所述情况从由冲击、传感器故障、电路故障、机器运行、噪音、稳定情况、随机事件、***事件以及环境参数改变组成的群组中选取。
6.根据权利要求4所述的方法,进一步包括,在进行比较的步骤(h)指明动态采样间隔数据集含有非高斯正态数据的情形下,为测量数据的光谱分析使用多个在步骤(d)中确定的中间值。
7.根据权利要求4所述的方法,其中,步骤(f)包括使用从采样间隔数据集中选出用于产生高斯正态和非高斯正态分类的至少一个值生成所述波形。
8.根据权利要求1所述的方法,其中,步骤(b)包括在远大于奈奎斯特频率的采样率上对动态测量数据进行过采样。
9.根据权利要求1所述的方法,进一步包括,至少部分基于一个或者多个标量值或者数据集属性获得用于收集机器振动数据的机器的特性或者方法的特性。
10.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个标准偏差值,每个标准偏差值从多个过采样的数据集中相对应的一个中获得;
(d2)确定多个最大值,每个最大值从多个采样间隔数据集中相对应的一个中获得;
(d3)确定多个最小值,每个最小值从多个采样间隔数据集中相对应的一个中获得;
(d4)确定多个第一差值,每个第一差值通过确定所述相对应的采样间隔数据集的所述最大值和所述最小值之间的差来确定;
(d5)确定多个第二差值,每个第二差值通过确定所述相对应的采样间隔数据集的所述标准偏差值和所述第一差值之间的差来确定;
(h)将确定的一个或多个所述第二差值与阈值比较,以确定是否所述动态测量数据包含因果数据或高斯正态数据的可能性,其中大于所述阈值的第二差值表征因果数据的可能性;以及
(i)在所述比较步骤(h)表征所述动态测量数据包含因果数据的情形中,指定可能引起所述因果数据的情况,其中所述情况从冲击、传感器故障、电路故障、机器运行、噪音、稳定情况、随机事件、***事件以及环境参数变化组成的群组中选出。
11.根据权利要求1所述的方法,进一步包括:
步骤(f)包括
(f1)生成包含多个中间范围值的中间范围波形,其中所述中间范围波形中的多个中间范围值中的每一个均从多个采样间隔数据集中相对应的一个中选出,其中所述多个中间范围值包含多个中间值,多个平均值,多个RMS值或者多个模式值;
(f2)生成包含多个最大范围值的最大范围波形,其中所述最大范围波形中的多个最大范围值中的每一个均从多个采样间隔数据集中相对应的一个中选出,其中所述多个最大范围值包含多个绝对最大值,多个调整后的最大值,多个最小值或多个最大到最小的峰峰值;
(f3)生成包含多个统计离散值的统计离散波形,其中所述统计离散波形中的多个统计离散值中的每一个均从多个过采样数据集中相对应的一个中选出,其中所述多个统计离散值包含多个方差值,多个偏斜度值,或者多个峰度值;
(f4)生成包含多个调整后的最大值的调整后的最大波形,其中所述矫正后的最大波形中的多个矫正后的最大值中的每一个均从多个采样间隔数据集中相对应的一个中选出,以及
(f5)通过以下方式生成合并的波形:
将包含步骤(f1)至(f2)中获得的所述波形中的一个的值与包含步骤(f1)至(f4)中获得的所述波形中的另一个的相对应的值相加,或
从包含步骤(f1)至(f4)中获得的所述波形中的另一个的相对应的值中减去包含步骤(f1)至(f2)中获得的所述波形中的一个的值,
其中所述合并的波形表示在所述采样间隔数据集内的峰值。
12.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个模式值,每个模式值基于出现在多个采样间隔数据集中相对应的一个内的最频繁重复的值或值范围;
(d2)确定多个最小值,每个最小值从多个采样间隔数据集中相对应的一个中获得;
(d3)确定多个最大值,每个最大值从多个采样间隔数据集中相对应的一个中获得;
(d4)确定多个MODE-MIN差值,每个MODE-MIN差值通过确定相对应的采样间隔数据集的模式值和最小值之间的差来确定;
(d5)确定多个MAX-MODE差值,每个MAX-MODE差值通过确定相对应的采样间隔数据集的最大值和模式值之间的差来确定;
(h)如果在连续的采样间隔数据集上所述MODE-MIN差值小于预设的阈值,则确定所述一个或多个传感器中的至少一个有故障;以及
(i)如果在连续的采样数据集上所述MAX-MODE差值小于预设的阈值,则确定所述一个或多个传感器中的至少一个处于饱和情况。
13.根据权利要求12所述的方法,进一步包括生成包含第一位集合和第二位集合的标量值,其中所述第一位集合包括所述MODE-MIN差值,以及所述第二位集合包括表征传感器故障状态或传感器无故障状态的相关属性值。
14.根据权利要求12所述的方法,进一步包括生成包含第一位集合和第二位集合的标量值,其中所述第一位集合包括所述MAX-MODE差值,以及所述第二位集合包括表征传感器饱和状态或传感器未饱和状态的相关属性值。
15.根据权利要求1所述的方法,进一步包括:
步骤(a)包括按照从最小到最大对数据值进行排序,以形成排序后的累积数据分布;以及
步骤(d)进一步包括,对于一个或多个采样间隔数据集,确定作为两个或更多个紧邻所述排序后的累积数据分布的绝对中间值之上或之下的数据值的平均值的中间值。
16.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从多个采样间隔数据集中相对应的一个中获得;
(d2)基于所述多个最大值确定一个或多个峰度动量值;
(h)通过从所述峰度动量值中的至少一个中减去整数3来确定形状因子;
(i)当所述形状因子等于零时,确定所述过采样动态测量数据为正态分布;
(j)当所述形状因子大于0时,确定所述过采样动态测量数据为尖峰分布,以及
(k)当所述形状因子小于0时,确定所述过采样的动态的测量数据为平坦分布。
17.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个模式值,每个模式值基于出现在所述采样间隔数据集中相对应的一个内的最频繁重复的值或值范围;
(d2)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个MODE-MED差值,每个MODE-MED差值通过确定相对应的采样间隔数据集的模式值和中间值之间的差来确定;以及
(h)如果在连续的采样间隔数据集上一个或多个MODE-MED差值的绝对值小于预设阈值,确定存在稳定的测量情况。
18.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个最大值,每个最大值从多个采样根据数据集中相对应的一个中获得;
以及
(h)确定多个波峰因子,每个波峰因子基于相对应的采样间隔数据集的中间值和最大值的差来确定。
19.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个最小值,每个最小值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个MAX-MIN差值,每个MAX-MIN差值通过确定相对应的采样间隔数据集的最大值和最小值之间的差来确定;
(d4)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d5)确定多个SDV差值,每个SDV差值通过确定相对应的采样间隔数据集的标准偏差值和MAX-MIN差值之间的差来确定;
(h)将一个或多个所述SDV差值与阈值相比较,以确定动态测量数据是否包含因果数据或高斯正态数据的可能性,其中大于所述阈值的差值表征因果数据的可能性。
20.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定紧接一个或多个所述采样间隔数据集的最大值之前的3个或更多个值;
(d3)确定紧接一个或多个所述采样间隔数据集的最大值之后的3个或更多个值;
(d4)对于一个或多个所述采样间隔数据集,基于所述最大值、紧接所述最大值之前的3个或更多个值和紧接所述最大值之后的3个或更多个值,确定峰值形状因子特性;以及
(h)基于所述峰值形状因子特性,确定与所述最大值相关的可能因果事件。
21.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d3)确定多个参数因果比特性,每个参数因果比特性从所述采样间隔数据集中相对应的一个中获得;
(d4)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;
(h)基于所述最大值、标准偏差值、参数因果比特性和峰值形状因子特性,确定是否存在一个或多个如下情况:
由于滚子轴承部件疲劳而存在的碎裂情况,以及
由于齿轮部件疲劳失效而存在的断齿情况。
22.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最小值,每个最小值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个模式值,每个模式值从所述采样间隔数据集中相对应的一个中获得;
(d4)确定多个平均值,每个平均值从所述采样间隔数据集中相对应的一个中获得;
(d5)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d6)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于所述最小值、中间值、模式值、平均值、标准偏差值和峰值形状因子特性,确定是否存在由于润滑不足造成的滑行摩擦情况。
23.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个模式值,每个模式值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个平均值,每个平均值从所述采样间隔数据集中相对应的一个中获得;
(d4)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d5)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于所述中间值,模式值,平均值,标准偏差值和峰值形状因子特性,确定是否存在由于适当润滑造成的平稳运行情况。
24.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个平均值,每个平均值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d4)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于所述中间值、平均值、标准偏差值和峰值形状因子特性,确定是否存在未对准情况。
25.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d3)确定多个参数因果比特性,每个参数因果比特性从所述采样间隔数据集中相对应的一个中获得;
(d4)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于所述最大值、标准偏差值、参数因果比特性和峰值形状因子特性,确定是否存在由于管线布置过程中套管谐振而产生的内部疲劳裂纹。
26.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个最大值,每个最大值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个平均值,每个均值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;
(d4)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于所述最大值、平均值、标准偏差值和峰值形状因子特性,确定是否由于在加载界面上静态摩擦系数过大而导致滑动粘附现象。
27.根据权利要求1所述的方法,进一步包括:
步骤(d)包括以下中的至少一项:
(d1)确定多个最小值,每个最小值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个模式值,每个模式值从所述采样间隔数据集中相对应的一个中获得;
(d4)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;以及
(d5)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)至少部分地基于步骤(d)中确定的值,确定是否存在一个或多个以下情况:
发生在高压电气设备附近的局部放电;以及
发生在受压泄漏孔附近产生流体湍流的泄漏情况。
28.根据权利要求1所述的方法,进一步包括:
步骤(d)包括以下中的至少一项:
(d1)确定多个中间值,每个中间值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个模式值,每个模式值从所述采样间隔数据集中相对应的一个中获得;
(d3)确定多个标准偏差值,每个标准偏差值从所述采样间隔数据集中的相对应的一个中获得;以及
(d4)确定多个峰值形状因子特性,每个峰值形状因子特性从所述采样间隔数据集中的相对应的一个中获得;以及
(h)基于步骤(d)中确定的值,确定三相电源线是否存在间歇故障情况。
29.根据权利要求1所述的方法,进一步包括:
步骤(e)包括,对于一个或者多个采样间隔数据集,生成多个表示所述数据集内的动态测量数据的标量值;
(h)基于所述多个标量值,确定一个或多个指示所述数据集内的动态测量数据的特征、品质或特性的特性值;以及
步骤(g)包括保存与数据集的标识符相关的多个标量值和一个或多个特性值。
30.根据权利要求1所述的方法,进一步包括:
步骤(d)包括:
(d1)确定多个第一统计标量值,每个第一统计标量值从所述采样间隔数据集中相对应的一个中获得;
(d2)确定多个第二统计标量值,每个第二统计标量值从所述采样间隔数据集中相对应的一个中获得;
(h)基于所述第一统计标量值中的一个或者多个,确定机器或者处理进程处于第一状态而不是第二状态;
(i)基于所述第二统计标量值中的一个或者多个,确定机器或者处理进程处于第二状态而不是第一状态。
31.一种在扩展时间周期上以固定的采样频率采集过采样动态测量数据的方法,所述过采样动态测量数据包含通过一个或多个附加到机器上或进程中的传感器采集到的多个采样间隔数据集,每一采样间隔数据集对应于特定的采样间隔,所述方法包括:
(a)在所述扩展时间周期内的第一周期期间,使用第一采样间隔1/FSR1采集所述动态测量数据,以在第一周期期间采集到每一采样间隔数据集中第一数目的样本;以及
(b)在所述扩展时间周期内的第二周期期间,使用比第一采样间隔1/FSR1持续时间更长的第二采样间隔1/FSR2采集所述动态测量数据,以在第二周期期间采集到每一采样间隔数据集中第二数目的样本,其中样本的第二数目大于样本的第一数目。
32.一种采集和处理由多个附加到用于材料处理的机械结构的振动传感器采集到的过采样振动数据的方法,其中所述机械结构可操作地将振动的能量从材料发送到振动传感器,其中所述过采样振动数据包含多个采样间隔数据集,其中每一采样间隔数据集对应于特定的采样间隔,所述方法包括:
(a)接收所述多个振动传感器中的第一振动传感器的振动能量,其中所述振动能量由发生在正被处理的材料之内的事件所生成并通过所述机械结构传送到所述第一振动传感器;
(b)基于所述振动能量,所述第一振动传感器生成第一振动信号;
(c)过采样所述第一振动信号以生成包含多个第一采样间隔数据集的第一过采样振动数据;
(d)对于多个第一采样间隔数据集中的每一个,确定一个或多个选自由最大值、最小值、平均值、中间值、模式值、标准偏差值、最大到最小范围值、峰度值、偏斜度值和波长值组成的群组中的第一标量值;
(e)基于所述一个或多个第一标量值,确定一个或多个提供事件类型标示的第一特性值;
(f)生成表示在第一振动传感器处接收的所述事件生成的振动能量的时间的第一时间戳值;
(g)接收所述多个振动传感器中的第二振动传感器的振动能量,其中所述振动能量通过所述机械结构传送到所述第二振动传感器;
(h)基于所述振动能量,所述第二振动传感器生成第二振动信号;
(i)过采样所述第二振动信号,以生成包含多个第二采样间隔数据集的第二过采样振动数据;
(j)对于多个第二采样间隔数据集中的每一个,确定一个或多个选自由最大值、最小值、平均值、中间值、模式值、标准偏差值、最大到最小范围值、峰度值、偏斜度值和波长值组成的群组中的第二标量值;
(k)基于所述一个或多个第二标量值,确定一个或多个提供事件类型标示的第二特性值;
(l)生成表示在所述第二振动传感器处接收的所述事件生成的振动能量的时间的第二时间戳值;以及
(m)通过将一个或多个第一特征值与一个或多个第二特征值比较,以确定通过一个或多个第一特征值表征的事件类型与通过一个或多个第二特征值表征的事件类型相同。
33.根据权利要求32所述的方法进一步包括:
(n)确定第一时间戳和第二时间戳之间的时间差;以及
(o)至少部分地基于所述时间差,确定事件相对于第一振动传感器和第二振动传感器的位置。
34.根据权利要求32所述的方法,其中所述机械结构包含管道、容器、磨粉机、破碎机、磨研机和金属切割工具中的一个或多个。
35.根据权利要求32所述的方法,其中所述事件选自由冲击事件、反跳事件、气蚀事件、空洞形成事件、材料运动事件、干接触摩擦事件、边界润滑摩擦事件、液体泄漏事件、流体湍流事件、表面腐蚀事件、颤振事件、谐振事件以及失稳事件构成的群组。
36.一种使用一个或多个电流传感器采集和处理电动机电流数据的方法,所述方法包括:
(a)使用一个或多个电流传感器测量模拟电动机电流信号信息;
(b)以至少为行频的10倍的采样速率,将所述模拟电动机电流信号信息转换为过采样的数字电动机电流数据;
(c)从过采样的数字电动机电流数据中生成一系列的采样间隔数据集,每个采样间隔数据集对应于一采样间隔;
(d)抽取所述采样间隔数据集以获得抽取后的标量值;
(e)选择性地抽取所述采样间隔数据集,以基于选自由中间值、峰度值、最大值、最小值、标准偏差值和峰值形状因子组成的群组的数据集特性,获得对应的属性;以及
(f)将在步骤(d)中确定的抽取后的标量值和在步骤(e)中确定的属性与所述电动机电流数据的特性联系起来。
37.一种采集和处理机器或处理进程中的振动数据的装置,包括:
附加到机器上的至少一个振动传感器,所述至少一个振动传感器生成至少一个具有最大相应频率FMAX的模拟振动信号,其中FMAX大于发生在所述机器或处理进程中的事件的事件频率;
至少一个模数转换器,在至少为FMAX7倍的采样频率上过采样至少一个模拟振动信号,以生成多个采样间隔数据集,其中每个采样间隔数据集对应于特定的采样间隔;
含有多个并行现场可编程阵列的抽取模块,包括:
第一现场可编程门阵列,接收多个采样间隔数据集并从每个采样间隔数据集中确定第一标量值,所述第一标量选自由最大值、最小值、中间值、模式值、平均值、标准偏差值、参量因果比值、运行情况值或峰值形状因子值构成的群组;以及
第二现场可编程门阵列,接收多个采样间隔数据集并从每个采样间隔数据集中确定第二标量值,所述第二标量选自由最大值、最小值、中间值、模式值、平均值、标准偏差值、参数因果比值、运行情况值或峰值形状因子值构成的群组。
38.一种在处理由一个或多个附加到机器或处理进程中的传感器采集的过采样动态测量数据时避免混叠效应的方法,其中在采样速率FS上采样所述过采样动态测量数据,其中涉及抽取所述过采样动态测量数据的非线性处理的执行将引起混叠效应,所述方法包括:
(a)通过在过采样动态测量数据中的相邻数据样本之间***N-1个0在整数上采样率N上对过采样动态测量数据进行上采样,从而生成上采样数据;
(b)通过使用具有截止频率FS/2的低通滤波器对所述上采样数据进行低通滤波去除任何在步骤(a)中产生的频谱图像,从而生成不含FS/2以上频谱图像的低通滤波的上采样数据;
(c)如果N<L且L>1,表明存在部分重采样率,则通过保留每一第L个样本并且丢弃位于每个第L个样本之间的L-1个样本对所述低通滤波的上采样数据进行下采样,从而生成不含上采样频率FS×(N/L)的频谱图像的低通滤波的下采样数据;
(d)执行涉及抽取所述低通滤波的上采样数据的非线性处理,从而生成具有混叠在FS/2以上的失真分量的数据;
(e)使用具有截止频率FS/2的低通滤波器对在步骤(d)中生成的数据进行滤波,从而生成去除FS/2以上的混叠分量的数据;以及
(f)通过保留每一第N个样本并且丢弃在每个第N个样本间的N-1个样本对在步骤(e)生成的数据进行下采样,从而生成了其中混叠效应得以减轻的非线性后处理数据。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361816974P | 2013-04-29 | 2013-04-29 | |
US61/816,974 | 2013-04-29 | ||
US14/252,943 US9778080B2 (en) | 2013-04-29 | 2014-04-15 | Selective decimation and analysis of oversampled data |
US14/252,943 | 2014-04-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104121985A true CN104121985A (zh) | 2014-10-29 |
CN104121985B CN104121985B (zh) | 2020-07-14 |
Family
ID=51767492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410173043.XA Active CN104121985B (zh) | 2013-04-29 | 2014-04-25 | 过采样数据的选择性抽取和分析 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104121985B (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105806904A (zh) * | 2016-01-04 | 2016-07-27 | 杭州电子科技大学 | 抗癌药物异环磷酰胺药效检测装置及检测方法 |
CN105823810A (zh) * | 2016-01-04 | 2016-08-03 | 杭州电子科技大学 | 紫杉醇化疗效果检测装置及检测方法 |
CN106419840A (zh) * | 2016-09-13 | 2017-02-22 | 广州视睿电子科技有限公司 | 信号处理方法、装置及监护设备 |
CN106873034A (zh) * | 2017-03-28 | 2017-06-20 | 中国地震局工程力学研究所 | 识别强震记录中非对称波形的方法及装置 |
CN106897728A (zh) * | 2015-12-21 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 基于业务监控***的样本选择方法、装置和*** |
CN107103162A (zh) * | 2017-05-26 | 2017-08-29 | 中国人民解放军国防科学技术大学 | 一种基于疲劳损伤累积理论的振动加速试验方法及*** |
CN107131905A (zh) * | 2016-02-26 | 2017-09-05 | 高准公司 | 检测两个或更多计量组件 |
CN107426054A (zh) * | 2017-07-28 | 2017-12-01 | 郑州云海信息技术有限公司 | 一种基于qpi协议链路层验证***及其验证方法 |
CN107703377A (zh) * | 2016-08-09 | 2018-02-16 | 北京维森科技有限公司 | 故障电弧检测方法和装置 |
CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN108174126A (zh) * | 2017-12-28 | 2018-06-15 | 北京空间机电研究所 | 一种基于可见光图像的ccd信号采样位置精确选取方法 |
CN108415352A (zh) * | 2017-02-09 | 2018-08-17 | 欧姆龙株式会社 | 数据转换器、信号传递方法以及信号传递*** |
CN108470070A (zh) * | 2018-03-29 | 2018-08-31 | 重庆大学 | 一种多元时间序列数据分布存储及恢复方法 |
CN108490311A (zh) * | 2018-03-22 | 2018-09-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于工频采样的弱冲击信号提取与分离方法 |
CN108509558A (zh) * | 2018-03-23 | 2018-09-07 | 太原理工大学 | 一种抗变速干扰的采样计数音频检索方法 |
CN108895018A (zh) * | 2018-04-20 | 2018-11-27 | 浙江理工大学 | 一种监测离心泵叶片汽蚀发展过程的装置及方法 |
CN109196560A (zh) * | 2016-01-14 | 2019-01-11 | 棱镜传感器公司 | 用于x射线检测器的测量电路和相应的方法与x射线成像*** |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
CN109586767A (zh) * | 2017-09-29 | 2019-04-05 | 恩智浦有限公司 | 联合点对点信号和冲突检测方法 |
CN109754817A (zh) * | 2017-11-02 | 2019-05-14 | 北京三星通信技术研究有限公司 | 信号处理方法及终端设备 |
CN110956800A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视***技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
CN110969260A (zh) * | 2019-10-22 | 2020-04-07 | 成都信息工程大学 | 不平衡数据过采样方法、装置及存储介质 |
CN110967182A (zh) * | 2019-11-13 | 2020-04-07 | 鞍钢集团矿业有限公司 | 圆锥破碎机振动数据采集与预处理方法 |
CN111063183A (zh) * | 2019-12-25 | 2020-04-24 | 宁波三星医疗电气股份有限公司 | 一种基于蓝牙的电能表统计方法、装置及存储介质 |
CN111994087A (zh) * | 2020-09-02 | 2020-11-27 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、***、车辆及介质 |
CN113146274A (zh) * | 2021-04-02 | 2021-07-23 | 南京航空航天大学 | 振动辅助切削装置的振幅无传感检测与控制***及方法 |
CN113407734A (zh) * | 2021-07-14 | 2021-09-17 | 重庆富民银行股份有限公司 | 基于实时大数据的知识图谱***的构建方法 |
CN113552545A (zh) * | 2021-07-21 | 2021-10-26 | 合肥中科环光技术有限公司 | 一种雷达设备探测结果一致性比对方法 |
CN113676506A (zh) * | 2020-05-13 | 2021-11-19 | 计算***有限公司 | 机器频谱数据压缩 |
WO2022053540A1 (de) * | 2020-09-09 | 2022-03-17 | iNDTact GmbH | Verfahren und vorrichtung zur bewertung eines zustands eines objekts sowie computerprogramm |
CN114938707A (zh) * | 2019-11-15 | 2022-08-23 | Abb瑞士股份有限公司 | 用于处理传感器数据以进行传输的方法和*** |
CN116956650A (zh) * | 2023-09-21 | 2023-10-27 | 沈阳航天新光集团有限公司 | 基于matlab app designer的姿控动力***力学环境试验条件设计*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5633811A (en) * | 1994-12-09 | 1997-05-27 | Computational Systems, Inc. | Hand held data collector and analyzer system |
US5799114A (en) * | 1993-05-05 | 1998-08-25 | Liberty Technologies, Inc. | System and method for stable analysis of sampled transients arbitrarily aligned with their sample points |
US5895857A (en) * | 1995-11-08 | 1999-04-20 | Csi Technology, Inc. | Machine fault detection using vibration signal peak detector |
CN1516814A (zh) * | 2001-06-16 | 2004-07-28 | ά˹�ض���Ƶ���ع�����˾ | 处理数据的方法 |
CN1524346A (zh) * | 2000-08-11 | 2004-08-25 | �ʼҷ����ֵ�������˾ | 用于同步∑△调制器的方法和装置 |
CN102374876A (zh) * | 2010-08-16 | 2012-03-14 | Csi技术股份有限公司 | 集成的振动测量和分析*** |
-
2014
- 2014-04-25 CN CN201410173043.XA patent/CN104121985B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5799114A (en) * | 1993-05-05 | 1998-08-25 | Liberty Technologies, Inc. | System and method for stable analysis of sampled transients arbitrarily aligned with their sample points |
US5633811A (en) * | 1994-12-09 | 1997-05-27 | Computational Systems, Inc. | Hand held data collector and analyzer system |
US5895857A (en) * | 1995-11-08 | 1999-04-20 | Csi Technology, Inc. | Machine fault detection using vibration signal peak detector |
CN1524346A (zh) * | 2000-08-11 | 2004-08-25 | �ʼҷ����ֵ�������˾ | 用于同步∑△调制器的方法和装置 |
CN1516814A (zh) * | 2001-06-16 | 2004-07-28 | ά˹�ض���Ƶ���ع�����˾ | 处理数据的方法 |
CN102374876A (zh) * | 2010-08-16 | 2012-03-14 | Csi技术股份有限公司 | 集成的振动测量和分析*** |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN107851294B (zh) * | 2015-07-10 | 2022-07-12 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN106897728B (zh) * | 2015-12-21 | 2019-12-17 | 腾讯科技(深圳)有限公司 | 基于业务监控***的样本选择方法、装置和*** |
CN106897728A (zh) * | 2015-12-21 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 基于业务监控***的样本选择方法、装置和*** |
CN105823810A (zh) * | 2016-01-04 | 2016-08-03 | 杭州电子科技大学 | 紫杉醇化疗效果检测装置及检测方法 |
CN105806904A (zh) * | 2016-01-04 | 2016-07-27 | 杭州电子科技大学 | 抗癌药物异环磷酰胺药效检测装置及检测方法 |
CN109196560A (zh) * | 2016-01-14 | 2019-01-11 | 棱镜传感器公司 | 用于x射线检测器的测量电路和相应的方法与x射线成像*** |
CN107131905A (zh) * | 2016-02-26 | 2017-09-05 | 高准公司 | 检测两个或更多计量组件 |
CN107703377A (zh) * | 2016-08-09 | 2018-02-16 | 北京维森科技有限公司 | 故障电弧检测方法和装置 |
WO2018049762A1 (zh) * | 2016-09-13 | 2018-03-22 | 广州视睿电子科技有限公司 | 信号处理方法、装置及监护设备 |
CN106419840B (zh) * | 2016-09-13 | 2019-06-25 | 广州视睿电子科技有限公司 | 信号处理方法、装置及监护设备 |
CN106419840A (zh) * | 2016-09-13 | 2017-02-22 | 广州视睿电子科技有限公司 | 信号处理方法、装置及监护设备 |
CN108415352A (zh) * | 2017-02-09 | 2018-08-17 | 欧姆龙株式会社 | 数据转换器、信号传递方法以及信号传递*** |
US10775762B2 (en) | 2017-02-09 | 2020-09-15 | Omron Corporation | Data converter, signal transmission method, and signal transmission system |
CN106873034B (zh) * | 2017-03-28 | 2018-09-04 | 中国地震局工程力学研究所 | 识别强震记录中非对称波形的方法及装置 |
CN106873034A (zh) * | 2017-03-28 | 2017-06-20 | 中国地震局工程力学研究所 | 识别强震记录中非对称波形的方法及装置 |
CN107103162A (zh) * | 2017-05-26 | 2017-08-29 | 中国人民解放军国防科学技术大学 | 一种基于疲劳损伤累积理论的振动加速试验方法及*** |
CN107426054A (zh) * | 2017-07-28 | 2017-12-01 | 郑州云海信息技术有限公司 | 一种基于qpi协议链路层验证***及其验证方法 |
CN107426054B (zh) * | 2017-07-28 | 2020-10-20 | 苏州浪潮智能科技有限公司 | 一种基于qpi协议链路层验证***及其验证方法 |
CN109586767B (zh) * | 2017-09-29 | 2021-08-06 | 恩智浦有限公司 | 联合点对点信号和冲突检测方法 |
CN109586767A (zh) * | 2017-09-29 | 2019-04-05 | 恩智浦有限公司 | 联合点对点信号和冲突检测方法 |
CN109754817A (zh) * | 2017-11-02 | 2019-05-14 | 北京三星通信技术研究有限公司 | 信号处理方法及终端设备 |
CN108174126B (zh) * | 2017-12-28 | 2020-09-18 | 北京空间机电研究所 | 一种基于可见光图像的ccd信号采样位置精确选取方法 |
CN108174126A (zh) * | 2017-12-28 | 2018-06-15 | 北京空间机电研究所 | 一种基于可见光图像的ccd信号采样位置精确选取方法 |
CN108490311A (zh) * | 2018-03-22 | 2018-09-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于工频采样的弱冲击信号提取与分离方法 |
CN108509558B (zh) * | 2018-03-23 | 2021-11-05 | 太原理工大学 | 一种抗变速干扰的采样计数音频检索方法 |
CN108509558A (zh) * | 2018-03-23 | 2018-09-07 | 太原理工大学 | 一种抗变速干扰的采样计数音频检索方法 |
CN108470070A (zh) * | 2018-03-29 | 2018-08-31 | 重庆大学 | 一种多元时间序列数据分布存储及恢复方法 |
CN108895018A (zh) * | 2018-04-20 | 2018-11-27 | 浙江理工大学 | 一种监测离心泵叶片汽蚀发展过程的装置及方法 |
CN110956800A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视***技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
CN110956800B (zh) * | 2018-09-27 | 2021-07-23 | 杭州海康威视***技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
CN110969260A (zh) * | 2019-10-22 | 2020-04-07 | 成都信息工程大学 | 不平衡数据过采样方法、装置及存储介质 |
CN110967182B (zh) * | 2019-11-13 | 2021-07-13 | 鞍钢集团矿业有限公司 | 圆锥破碎机振动数据采集与预处理方法 |
CN110967182A (zh) * | 2019-11-13 | 2020-04-07 | 鞍钢集团矿业有限公司 | 圆锥破碎机振动数据采集与预处理方法 |
CN114938707B (zh) * | 2019-11-15 | 2024-06-11 | Abb瑞士股份有限公司 | 用于处理传感器数据以进行传输的方法和*** |
CN114938707A (zh) * | 2019-11-15 | 2022-08-23 | Abb瑞士股份有限公司 | 用于处理传感器数据以进行传输的方法和*** |
CN111063183A (zh) * | 2019-12-25 | 2020-04-24 | 宁波三星医疗电气股份有限公司 | 一种基于蓝牙的电能表统计方法、装置及存储介质 |
CN111063183B (zh) * | 2019-12-25 | 2021-03-19 | 宁波三星医疗电气股份有限公司 | 一种基于蓝牙的电能表统计方法、装置及存储介质 |
CN113676506A (zh) * | 2020-05-13 | 2021-11-19 | 计算***有限公司 | 机器频谱数据压缩 |
CN111994087B (zh) * | 2020-09-02 | 2021-11-05 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、***、车辆及介质 |
CN111994087A (zh) * | 2020-09-02 | 2020-11-27 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、***、车辆及介质 |
WO2022053540A1 (de) * | 2020-09-09 | 2022-03-17 | iNDTact GmbH | Verfahren und vorrichtung zur bewertung eines zustands eines objekts sowie computerprogramm |
CN113146274A (zh) * | 2021-04-02 | 2021-07-23 | 南京航空航天大学 | 振动辅助切削装置的振幅无传感检测与控制***及方法 |
CN113407734A (zh) * | 2021-07-14 | 2021-09-17 | 重庆富民银行股份有限公司 | 基于实时大数据的知识图谱***的构建方法 |
CN113407734B (zh) * | 2021-07-14 | 2023-05-19 | 重庆富民银行股份有限公司 | 基于实时大数据的知识图谱***的构建方法 |
CN113552545A (zh) * | 2021-07-21 | 2021-10-26 | 合肥中科环光技术有限公司 | 一种雷达设备探测结果一致性比对方法 |
CN116956650A (zh) * | 2023-09-21 | 2023-10-27 | 沈阳航天新光集团有限公司 | 基于matlab app designer的姿控动力***力学环境试验条件设计*** |
CN116956650B (zh) * | 2023-09-21 | 2023-11-28 | 沈阳航天新光集团有限公司 | 基于matlab app designer的姿控动力***力学环境试验条件设计*** |
Also Published As
Publication number | Publication date |
---|---|
CN104121985B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104121985A (zh) | 过采样数据的选择性抽取和分析 | |
US10175070B2 (en) | Selective decimation and analysis of oversampled data | |
US11073826B2 (en) | Systems and methods for data collection providing a haptic user interface | |
US11036215B2 (en) | Data collection systems with pattern analysis for an industrial environment | |
US11269319B2 (en) | Methods for determining candidate sources of data collection | |
KR102392510B1 (ko) | 산업용 사물 인터넷을 위한 방법들 및 시스템들 | |
CA3139505A1 (en) | Platform for facilitating development of intelligence in an industrial internet of things system | |
CA3072045A1 (en) | Methods and systems for detection in an industrial internet of things data collection environment with large data sets | |
JP2021526250A (ja) | 産業用のモノのインターネットを利用した解析及びメンテナンスのための機械信号のデータ収集、学習、ストリーミングのための方法並びにシステム | |
JP2019523425A5 (zh) | ||
CN104937554A (zh) | 用于在非破坏性测试***中分析数据的***和方法 | |
WO2014109645A1 (en) | Method, device and computer program for monitoring an industrial control system | |
CN104937616A (zh) | 利用位置信息在非破坏性测试***中协作的***和方法 | |
EP3539028B1 (en) | Systems and methods for supervision of local analytics | |
JP2011198021A (ja) | 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム | |
Carratù et al. | Earthquake early detection as an IEEE1451 transducer network trigger for urban infrastructure monitoring and protection | |
Ramezani et al. | Automatic boiler tube leak detection with deep bidirectional LSTM neural networks of acoustic emission signals | |
CN205581632U (zh) | 一种用于热电厂内部信息的控制管理*** | |
CN106301621A (zh) | 一种运用k线图发现无线台站和分析无线干扰的方法 | |
Visier et al. | A fault detection tool for school buildings | |
KR102407707B1 (ko) | 회전체 이상 진단 시스템 | |
Bouroumine et al. | Smart diagnosis using an on-board middleware | |
Kuo et al. | An Enhanced Structural Damage Identification Approach Using Statistical Analysis and Optimization | |
Coffey et al. | Data Quality Control of Diverse IMS Seismo-Acoustic Station Channels | |
Filali et al. | Standards Evaluation HMI: Application of the guideline GEDIS to the systems SCADA of the NAP (Network Access Point) Canary Islands |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |