CN107831024B - 基于多点振动信号特征值的风机振动故障状态诊断方法 - Google Patents
基于多点振动信号特征值的风机振动故障状态诊断方法 Download PDFInfo
- Publication number
- CN107831024B CN107831024B CN201710234507.7A CN201710234507A CN107831024B CN 107831024 B CN107831024 B CN 107831024B CN 201710234507 A CN201710234507 A CN 201710234507A CN 107831024 B CN107831024 B CN 107831024B
- Authority
- CN
- China
- Prior art keywords
- vibration
- fan
- fault
- fan vibration
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
风机振动故障的检测和诊断研究一直是多年来的研究热点,在振动信号的自动检测上已有较成熟的方法和技术,但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平,缺少实用的和在线的方法和技术。为了解决上述问题,本发明提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法,包括以下步骤:建立模型;得到多振动特征值平均值;判定不同测点是否发生振动故障;用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量。本发明所依据的特征值可以是振动信号的时域特征值,如烈度、歪度、峭度、加速度有效值、加速度峰值等,也可以是振动信号的频域特征值,如1倍频、3倍频、6倍频等。
Description
技术领域
本发明涉及一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。
背景技术
现代工业设备中,风机是一种典型的旋转机械设备。风机设备在长期运行后,由于磨损、变形、松动、材料疲劳等原因,发生振动故障的概率大为增加。从保障生产安全的要求出发,非常需要对风机运行进行严密监视,并及时预测和诊断出振动故障的类型,以便开展针对性维修。因此,风机振动故障的检测和诊断研究一直是多年来的研究热点,并且已经出现不少有实用价值的研究成果。
然而目前的研究现状仍然是:在振动信号的自动检测上已有较成熟的方法和技术,但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平,缺少实用的和在线的方法和技术。
发明内容
本发明的目的是提供一种风机振动信号故障的在线自动诊断方法。
为了达到上述目的,本发明的技术方案是提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法,其特征在于,包括以下步骤:
步骤1、建立多种风机振动常见故障类型的特征值样板区模型,在特征值样板区模型中,为不同振动测点及所对应的不同特征值设立发生风机常见振动故障时的上限值及下限值;
步骤2、对于某风机设备自动检测得到多点振动加速度信号,多点振动加速度信号被提取为多个特征值,各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值;
步骤3、根据各特征值平均值,依据某风机设备及相应工况所匹配的特征值样板区模型,判定不同测点是否发生振动故障,以及所发生的振动故障对应的风机振动故障类型,不同风机振动故障类型对应不同的风机振动故障类型序号;
步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据,用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量;
步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j),得到针对某测点的故障诊断结论:或者发生风机振动故障类型序号kmax(j)对应的风机振动故障,或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障;
步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j,得到针对整个风机设备的诊断结论:或者发生风机振动故障类型序号kmaxj对应的风机振动故障,或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
本发明的优点是:提出了一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。本发明所依据的特征值可以是振动信号的时域特征值,如烈度、歪度、峭度、加速度有效值、加速度峰值等,也可以是振动信号的频域特征值,如1倍频、3倍频、6倍频等。
具体实施方式
为使本发明更明显易懂,兹以优选实施例作详细说明如下。
本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法应用的前提条件是基于以下几点:
(1)对于某风机设备已自动检测得到多点振动加速度信号;
(2)已检测得到多点振动加速度信号被提取为个数为N的特征值;
(3)各特征值的采样序列被提取为移动数据窗预定时长的特征值平均值,记为E(i,j)。假设各特征值平均值用两个数字编序,设i为特征值序号,j为振动测点序号。
(4)根据机理分析知识、试验建模模型和专家经验预先建立对应某类风机设备及相应工况的风机振动常见故障的特征值样板区模型库,该样板区模型可用特征值上边界值Eup(i,j,k,g)和下边界值Edown(i,j,k,g)表示,其中k为风机振动故障分类序号,g为风机振动故障模型库的匹配序号。
在本实施例中,已建的风机振动故障类型的特征值样板区模型示例如下表1及表2所示:
表1特征值样板区下边界值模型Edown(i,j,k,g)示例
j=1 | j=2 | j=3 | |
i=1 | 2277 | 3828 | 986 |
i=2 | 343 | 492 | 170 |
i=3 | 285 | 409 | 104 |
i=4 | 93 | 276 | 131 |
i=5 | 497 | 1632 | 519 |
i=6 | 0.521 | 2.09 | 0.82401 |
i=7 | 5.945 | 7.36 | 5.60 |
i=8 | 3.01 | 5.71 | 3.84 |
i=9 | -2.55 | -0.101 | -0.391 |
i=10 | -0.693 | 4.20 | 0.168 |
表2特征值样板区上边界值模型Eup(i,j,k,g)示例
j=1 | j=2 | j=3 | |
i=1 | 4096 | 8419 | 1833 |
i=2 | 426 | 561 | 208 |
i=3 | 338 | 435 | 111 |
i=4 | 209 | 324 | 159 |
i=5 | 1369 | 3239 | 943 |
i=6 | 1.189 | 2.90 | 1.06 |
i=7 | 10.65 | 15.6 | 10.44 |
i=8 | 12.79 | 10.41 | 6.75 |
i=9 | 0.006 | 0.31 | -0.176 |
i=10 | 14.3 | 9.49 | 0.694 |
基于以上几点,本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法,包括以下步骤:
步骤1、根据以上第(1)点至第(3)点获得实测的各特征值的振动信号平均值,在本实施例中,如下表3所示:
表3实际特征值数据E(i,j)
步骤2、若特征值的平均值满足条件:Edown(i,j,k,g)<E(i,j)<Eup(i,j,k,g),则可令针对某特征值、某测点和某风机振动故障类型的故障诊断结果变量Er(i,j,k)=1,否则令Er(i,j,k)=0;结果见表4。
表4故障诊断结果变量Er(i,j,4)示例
j=1 | j=2 | j=3 | |
i=1 | 0 | 1 | 1 |
i=2 | 1 | 1 | 1 |
i=3 | 1 | 1 | 1 |
i=4 | 1 | 1 | 1 |
i=5 | 1 | 1 | 1 |
i=6 | 1 | 1 | 1 |
i=7 | 1 | 1 | 1 |
i=8 | 1 | 1 | 1 |
i=9 | 1 | 1 | 1 |
i=10 | 1 | 1 | 1 |
表5故障诊断结果变量Eri(j,k)示例
k=1 | k=2 | k=3 | k=4 | |
j=1 | 3 | 0 | 0 | 9 |
j=2 | 0 | 2 | 0 | 10 |
j=3 | 0 | 4 | 0 | 10 |
步骤4、用最优化算法算出针对某测点的故障诊断结果变量Eri(j,k)的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量Eri(j,k)的第二大值所对应的风机振动故障类型序号kmax1(j),得到针对某测点的故障诊断结论:或者发生风机振动故障类型序号kmax(j)对应的风机振动故障,或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障。如果始终有Eri(j,k)=0,那么可诊断为发生与所用风机振动故障模型库不匹配的其他未知故障。
步骤5、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j,得到针对整个风机设备的诊断结论:或者发生风机振动故障类型序号kmaxj对应的风机振动故障,或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
针对某测点的第一可能的风机振动故障类型序号kmax(j)举例(表6)和第二可能的风机振动故障类型序号kmax1(j)举例(表7)。于是有针对某风机的第一可能的风机振动故障类型序号kmaxj=4和第二可能的风机振动故障类型序号kmax1j=2。所以,最后的故障诊断结论是针对某风机的第一可能发生类型序号为4的风机振动故障和第二可能发生类型序号为2的风机振动故障。
表6风机振动故障类型序号kmax(j)举例
kmax(j) | |
j=1 | 4 |
j=2 | 4 |
j=3 | 4 |
表7风机振动故障类型序号kmax1(j)举例
Claims (1)
1.一种基于多点振动信号特征值的风机振动故障状态自动诊断方法,其特征在于,包括以下步骤:
步骤1、建立多种风机振动常见故障类型的特征值样板区模型,在特征值样板区模型中,为不同振动测点及所对应的不同特征值设立发生风机振动常见故障时的上限值及下限值;
步骤2、对于某风机设备自动检测得到多点振动加速度信号,多点振动加速度信号被提取为多个特征值,各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值;
步骤3、根据各特征值平均值,依据某风机设备及相应工况所匹配的特征值样板区模型,判定不同测点是否发生振动故障,以及所发生的振动故障对应的风机振动故障类型,不同风机振动故障类型对应不同的风机振动故障类型序号;
步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据,用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量;
步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j),得到针对某测点的故障诊断结论:或者发生风机振动故障类型序号kmax(j)对应的风机振动故障,或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障,j表示振动测点序号;
步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j,得到针对整个风机设备的诊断结论:或者发生风机振动故障类型序号kmaxj对应的风机振动故障,或者发生风机振动故障类型序号kmax1j对应的风机振动故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710234507.7A CN107831024B (zh) | 2017-04-11 | 2017-04-11 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710234507.7A CN107831024B (zh) | 2017-04-11 | 2017-04-11 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107831024A CN107831024A (zh) | 2018-03-23 |
CN107831024B true CN107831024B (zh) | 2020-06-16 |
Family
ID=61643108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710234507.7A Active CN107831024B (zh) | 2017-04-11 | 2017-04-11 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107831024B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108800954B (zh) * | 2018-05-31 | 2019-12-31 | 中冶华天工程技术有限公司 | 基于音源特征的环冷机风量控制方法及*** |
CN110790105B (zh) * | 2019-11-20 | 2021-11-16 | 上海电气集团股份有限公司 | 电梯门***诊断、衰退时间的预测方法及诊断预测*** |
CN111319787B (zh) * | 2020-02-24 | 2021-09-28 | 北京安达维尔航空设备有限公司 | 一种直升机动部件振动监测数据有效性评估方法 |
CN111594893B (zh) * | 2020-05-13 | 2021-05-18 | 宁波方太厨具有限公司 | 一种吸油烟机抖动故障诊断方法 |
CN111855178B (zh) * | 2020-07-23 | 2022-04-19 | 贵州永红航空机械有限责任公司 | 一种旋转类产品运行状态的诊断方法 |
CN113482945B (zh) * | 2021-06-29 | 2023-02-10 | 中电华创电力技术研究有限公司 | 基于振动特征值的风机振动故障诊断方法及装置 |
CN113623194A (zh) * | 2021-09-02 | 2021-11-09 | 安徽德通智联科技有限公司 | 一种机泵设备的快速故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995290A (zh) * | 2009-08-28 | 2011-03-30 | 西门子公司 | 风力发电机振动监测的方法和*** |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动***故障特征提取方法 |
CN105158002A (zh) * | 2015-08-28 | 2015-12-16 | 华南理工大学 | 一种基于振动信号的循环水换热器的故障诊断方法 |
CN105277852A (zh) * | 2015-11-09 | 2016-01-27 | 广州航海学院 | 配电网线路工况分类识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104048825B (zh) * | 2014-05-28 | 2016-05-25 | 北京航空航天大学 | 一种多传感器融合的风电机组齿轮箱故障定位方法 |
CN104408322B (zh) * | 2014-12-08 | 2017-05-10 | 杭州电子科技大学 | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 |
-
2017
- 2017-04-11 CN CN201710234507.7A patent/CN107831024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995290A (zh) * | 2009-08-28 | 2011-03-30 | 西门子公司 | 风力发电机振动监测的方法和*** |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动***故障特征提取方法 |
CN105158002A (zh) * | 2015-08-28 | 2015-12-16 | 华南理工大学 | 一种基于振动信号的循环水换热器的故障诊断方法 |
CN105277852A (zh) * | 2015-11-09 | 2016-01-27 | 广州航海学院 | 配电网线路工况分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107831024A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831024B (zh) | 基于多点振动信号特征值的风机振动故障状态诊断方法 | |
CN106528975B (zh) | 一种应用于电路与***的故障预测与健康管理方法 | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及*** | |
CN105241680B (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN106897509B (zh) | 一种动态非高斯结构监测数据异常识别方法 | |
CN116839682A (zh) | 一种基于物联网的电缆加工制造实时监控*** | |
CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及*** | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
CN111382809A (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
CN111721834A (zh) | 一种电缆局部放电在线监测缺陷辨识方法 | |
CN115307896A (zh) | 一种基于机器学习的设备健康状态检测方法 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及*** | |
CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
CN107798149B (zh) | 一种飞机维修性评估方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN115170476B (zh) | 基于图像处理的印制线路板缺陷检测方法 | |
JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 200240 Shanghai city Minhang District Jianchuan Road No. 1115 Patentee after: SHANGHAI POWER EQUIPMENT Research Institute Address before: 200240 Shanghai city Minhang District Jianchuan Road No. 1115 Patentee before: SHANGHAI POWER EQUIPMENT Research Institute |