CN107976304B - 基于对信号的周期性信息进行分析的机器故障预测 - Google Patents
基于对信号的周期性信息进行分析的机器故障预测 Download PDFInfo
- Publication number
- CN107976304B CN107976304B CN201710980433.1A CN201710980433A CN107976304B CN 107976304 B CN107976304 B CN 107976304B CN 201710980433 A CN201710980433 A CN 201710980433A CN 107976304 B CN107976304 B CN 107976304B
- Authority
- CN
- China
- Prior art keywords
- waveform
- vibration
- periodic
- periodic information
- amplitude
- 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
- 230000000737 periodic effect Effects 0.000 claims abstract description 231
- 238000001228 spectrum Methods 0.000 claims description 96
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000005461 lubrication Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000005311 autocorrelation function Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 7
- 230000003139 buffering effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 78
- 238000001845 vibrational spectrum Methods 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000004807 localization Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 101000603420 Homo sapiens Nuclear pore complex-interacting protein family member A1 Proteins 0.000 description 3
- UWSDONTXWQOZFN-UHFFFAOYSA-N N-nitrosopiperidine Chemical compound O=NN1CCCCC1 UWSDONTXWQOZFN-UHFFFAOYSA-N 0.000 description 3
- 102100038845 Nuclear pore complex-interacting protein family member A1 Human genes 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 244000309464 bull Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101150037263 PIP2 gene Proteins 0.000 description 1
- 101100262439 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) UBA2 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000009268 pathologic speech processing Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 208000032207 progressive 1 supranuclear palsy Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/11—Analysing solids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/50—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using auto-correlation techniques or cross-correlation techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/015—Attenuation, scattering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
“周期信号参数”(PSP)指示关于被监测机器中的自相关振动波形和潜在故障的周期性模式。该PSP基于从自相关波形和相关联的振动波形的特征推导出的统计量度来计算。该PSP提供周期性的指示和潜在故障的泛化,而相关联的波形的特征指示严重性。从使用两种分析技术进行处理的振动信号推导出“周期性信息图”(PIP),以产生共享公共X轴的两关于信号数据的X‑Y图。通过基于相应的X值将两个图上的Y值相关联来创建PIP。PIP中的Y值的幅度通过乘法、取比例、求平均值或保持最大值来两个源图中推导出。
Description
相关申请
本申请作为非临时申请要求于2016年10月21日提交的、申请号为62/410,935的美国临时专利申请的优先权,并且作为部分接续申请要求于2014年6月27日提交的、题为“对信号的周期性信息的分析(Analysis of Periodic Information in a Signal)”、申请号为14/316,883的美国非临时专利申请的优先权,该美国非临时专利申请要求于2013年7月2日提交的、题为“周期信号参数(Periodic Signal Parameter)”、申请序列号为61/842,035的美国临时专利申请的优先权。
技术领域
本发明涉及对信号的分析。更具体地,本发明涉及从包含周期性信息的振动波形或其他信号中提取周期性信息并应用该周期性信息的方法。
背景技术
据估计,加工厂所发生的所有机械故障中的一般都是由于加工条件造成的。因此,向操作者提供关于加工机器以非最佳配置运行的反馈为操作者提供了一种用于避免有害的操作状态方法,从而基本上延长了生产资产的平均故障间隔时间(MTBF)或平均维修间隔时间(MTBR)。
振动分析是一种用于检测旋转机械的故障的成熟技术。这与确定故障的严重性和特性的过程非常相关。分析过程的一部分涉及确定是否存在周期信号。尽管维护人员关心故障的具体分析,但是操作员只是想知道是否存在问题。为操作员提供少量故障相关参数就足以完成该任务。故障相关参数可以与特定振动频率的能量的幅度(带宽)、诸如峰值TM之类的信号处理技术,以及周期性信号和非周期性信号的存在有关。根据带宽和信号处理技术计算的参数被良好地定义。然而,并没有对指示周期性信号和非周期性信号的存在的参数进行定义。
此外,检测工业旋转设备的机械故障的能力是一个需要具有多年的训练和经验的熟练分析人员的任务。执行机器诊断的技术人员必须精通用于分析该机器的技术和方法。用于此分析的典型振动频谱包含1600个数据点,但是可能包含高达12800个点。实际上,这些数据值中只有少量数据值对于机器的诊断是重要的。对于技术人员而言,通常需要几周的培训,之后需要18-24个月的练习才能够熟练地识别需要进行诊断的一些峰值。发展和留住有资格担任技术人员的员工是行业中主要关注的因素,因为个体工厂可能只有一个这样的员工。由中心诊断员负责分析多个工厂现场所收集的数据的趋势—进一步降低了组织内冗余技能的可用性,进一步加剧了这种动态。因此,需要新的技术和数据图,这将减少培训需求,并简化对更大的数据集中的相关数据点的识别。
此外,振动分析师需要工具来帮助区分振动信号中的非周期性信息和周期性信息。例如,需要分析工具来从由于在润滑条件下而引起的大的非周期性信号(例如,70g信号)中提取指示轴承故障的低幅度周期信号(例如,10g信号)。这是一种常见的情况,其中,缺乏足够的润滑不可避免地导致轴承出现实际机械缺陷。尽早发现它对于延长机器寿命非常重要。
一个单独但同样重要的动态的是单个人被要求分析来自多个站点的数据。在这种情况下,即使是有经验的分析师也需要下述其他工具,所述其他工具从较大的数据集中预先选择和提取相关信息,从而显著地减少分析人员必须筛选的数据量,简化诊断过程,并提高诊断的效率和准确性。
此外,大数据集的管理对于与数据交互所需的任何个体都是一个持续的挑战。这包括对所收集的数据进行的传输、存储和检索。
-传输。由于传统振动分析所需的大数据集,振动数据的传输对于较小或受限的数据管道而言可能是非常具有挑战性的。一个示例是经由无线链路的传输,其中,存在特定的带宽分配。另一示例是诸如或无线之类的所规定的无线协议的应用,其中,每个数据分组具有预定义的尺寸,该预定义的尺寸太小难以适应传统的振动测量。
-存储。计算机内存的成本的大幅度下降导致包括振动分析的许多学科,以开发以数据为中心的工具。然而,随着基于云的数据存储器的出现,内存成本又在增加,迫使用户优先考虑存储或保留哪些信息。
-检索。被开发用于支持业务***的关系数据库已被证明不太适用于振动分析。这是由于振动读数的大文件大小。随着关系数据库的大小的增大,访问和显示特定数据集的检索时间显著增大。考虑到典型的振动频谱可以由超过12800的数据点组成,并且与该频谱相关联的原始振动波形可能具有超过30000的数据点,并且在典型的处理设备中可能存在数万个这样的测量,很容易看出振动数据库的大小如何快速地变得不适合应用关系数据库。
由于这些原因,迫切需要开发新技术来减少培训需求、提高分析师的效率,而不会影响精度,使得能够跨数据管道来传输数据、减少更大的数据管道上的振动流量、减少用于存储诊断数据的内容需求,并且使得用户能够以高响应速度和更快的检索时间访问和显示所存储的数据。
发明内容
周期信号参数
自相关系数函数是一个数学过程,该数学过程可用于确定波形中的能量有多少是周期性的。周期性峰值的模式或者周期性峰值的缺乏在识别故障类型方面非常有帮助。认识到这些模式以及如何应用这些模式需要有经验的分析师。本发明的优选实施例计算代表表示潜在故障的一般周期性模式的值。本文中被称为“周期性信号参数”(PSP)的值是基于从自相关波形以及相关联的振动波形的特性推导出的统计测量来计算的。虽然从自相关函数导出的PSP产生周期性的指示和潜在故障的泛化,但相关联的振动波形的特征提供了严重性的测量。这两个特性的组合提供了与车间机器相关的潜在问题的进一步指示。除了专注于振动分析师的努力之外,这对于可能具有很少振动分析经验或者没有震动分析经验的车间机器操作员来说是一个显著的优势。
计算PSP的过程开始于计算振动波形的自相关函数。一旦该计算完成,就进行几项统计计算。在一个优选实施例中,这些统计计算包括最大绝对波形峰值、波形的标准偏差、波形的前3%之后的最大绝对峰值、波形和正波形值两者的波峰因数,以及经排序的正波峰峰值的平均值。经排序的平均值优选地根据值的子集进行计算,在这种情况下,较大的集合是正波形峰值。经排序的子集优选地包括来自正波形的所有峰值,但不包括异常值。所述异常值是超过统计学上定义的关于平均值的标准偏差的峰值。因此,经排序的平均值是经排序的正波形峰值子集的平均值。
一旦计算出PSP,就评估初始振动波形(这在优选实施例中将是峰值TM波形中的峰值幅度)的峰-峰幅度。在专利号或公开号为5,895,857(Robinson等)、6,192,325(Piety等)、6,549,869(Piety等)、6,889,553(Robinson等)、7,561,200(Garvey等)、7,424,403(Robinson等)、8,174,402(Reeves等)、2014/0039833(White等)以及2012/0041695(Baldwin等)的美国专利或专利申请公开中描述了峰值TM方法的各个方面,其全部内容通过引用并入本文。然而,可以应用其他技术以从振动信号中提取相关信息以产生初始振动波形,包括但不限于包络、高频包络、频谱发射能量、波尖能量TM以及冲击脉冲TM。如果相关联的振动波形的峰-峰幅度超过预定义的警报限制,则会根据PSP值触发特定故障的指示。
由于波形的自相关归一化为±1,波形的最大标准偏差为1。因此,PSP的基值的范围为0-1。可以对基值执行数学运算,以实现所需的比例。一个实例是将基值乘以10,以实现从0到10的PSP范围。另外,取PSP基值的平方根会突出比例下端的变化,然后将PSP基值的平方根乘以10,以实现从0到10的PSP范围。如下文更详细地讨论的那样,基于自相关波形的标准偏差加上上述所计算的其他统计参数对经验观察值的贡献的值来计算PSP。在详细描述中,提供了自相关波形以及相关联的PSP值的示例。
PSP可以应用于根据经滤波和未滤波的加速度、速度或位移波形以及经处理的波形得到的自相关波形。经处理的波形的两个示例是峰值TM信号处理和解调技术的结果。
周期性信息图
如上所述,自相关系数函数是指示信号是否存在周期性的数学过程。当查看自相关波形时,数据中的周期信号通常很明显。然而,从自相关波形中区分出这些周期信号的精确频率或幅度并不容易。通过采用自相关波形的快速傅立叶变换(FFT),不同的频率值是明显的。通过将自相关谱与标准频谱进行比较,可以得到这些频率下每个信号的真实幅度。
本文所描述的优选实施例提供了用于分析和显示数据以显示信号周期性的方法。该实施例包括使用两组不同的分析技术来处理原始信号,由此产生信号数据的共享公共X轴的两个X-Y图形表示。通过基于相对应的X值将前两个图上的Y值相关联来创建第三个图。每个Y值的幅度可以使用各种技术从两个源图导出,这些技术包括乘法、取比例、平均或者保持最大值。所得到的在本文中也称为周期性信息图(PIP)的合成图突出了与所给出的诊断相关的信号分量,同时消除了其它不期望的信号分量。这提供了以简化对原始信号中所存在的期望特性的识别和量化的方式使得数据可视化。此外,缺乏周期信号分量在诊断上是重要的,并且对于在工厂中所执行的维护决策同样重要。诊断可以由人类或者计算机专家***完成。对于人类分析师,该技术降低了培训要求,同时提高了效率和准确性。通过电脑专家***,该技术为诊断软件提供了识别原始信号中包含的重要模式的新的方法。
因此,通过向分析人员提供仅显示数据中所存在的周期性信号的曲线,会使得分析过程变得更容易。虽然在从原始数据产生的原始频谱中存在相同的周期性信息,但是由于噪声和其它非周期性信号的电平等于或大于周期性信息的幅度,所以常常难以识别出周期性信息。
例如,下表1将传统的振动频谱(图9)与其相关的PIP进比较(图12)。
表1传统振动谱与PIP的比较
基于表1,显而易见的是,本发明的实施例显著地减少了待处理的数据点的数量,这降低了网络传输时间和所需的带宽。数据点的减少也减少了数据存储所需的空间以及从存储设备中检索数据所需的时间。因此,与现有的振动分析***相比,本文所述的实施例显著提高了图1A和图1B所示的测量***的效率和速度。
此外,从数据集中消除随机或无关紧要的峰值可以显著提高作为到专家诊断***的输入的数据质量。这不仅减少了处理时间,而且还改善了诊断结果并简化了解释。
基于周期信号参数(PSP)的预测故障
可以通过如下方式来预测滚动元件轴承的状况的估计:将PSP和根据其执行自相关的相关波形的最大峰值幅度以及可选的速度组合起来。例如,这些参数的组合可以指示可能存在的轴承故障的严重性和/或任何润滑问题。类似地,可以确定变速箱中的齿状况和变速箱中的滚动元件轴承的健康状况。
通常,大于0.1的PSP表示存在周期信号。任何不是运行速度的谐波的周期(这里称为非同步周期)通常与诸如内圈故障或外圈故障之类的轴承故障以及滚动元件和保持架故障相关联。轴承故障的严重性可以基于相关联的峰值波形的峰值幅度来确定。这种严重性与部分地通过轴承的转速确定的故障等级成比例。当变速箱被监控时,任何同步周期都与齿轮齿的健康有关。齿轮齿的故障的严重性与峰值波形峰值幅度有关,并与由相关齿轮速度决定的故障等级成正比。当峰值波形存在大峰值幅度值并且PSP≤0.1中时,会怀疑滚子轴承和/或变速箱存在润滑问题。
本文描述的优选实施例以易于理解的形式呈现轴承故障和润滑信息。在图18所描述的一个实施例中,该信息被呈现为指示轴承故障的存在和严重性的一个诊断规格以及指示润滑问题的存在和严重性的另一诊断规格。对于变速箱应用而言,第三规格可以指示变速箱中的齿轮齿的状况。其它实施例以其它图形格式示出了轴承状态信息,诸如,试管显示器,红-黄-绿光显示器等。因此,本发明不限于用于呈现严重性信息的任何特定格式。
通过将诊断规格所指示的结果与周期性信息图(PIP)相结合,分析人员可以轻松地显现被监测的机器的状况。基于这种简化的初始可视化,分析者可以根据需要预测要作用的或调查的故障。因此,PIP在计算中起着重要的作用并且是经简化的分析总结的组成部分。
本文描述的一些实施例提供了一种用于获取和分析与机器相关联的振动的周期性信息的装置。这些实施例的装置包括振动传感器、数据收集器以及周期性信息处理器。振动传感器被牢固地附接到机器的下述位置处,该位置提供从机器内的振动源到振动传感器的固体传动路径。数据收集器被配置成接收和调节来自振动传感器的振动信号。数据收集器包括用于将振动信号转换为数字振动数据的模数转换器,以及用于缓存数字振动数据的存储器。
周期性信息处理器被配置成执行用于处理数字振动数据的操作指令。当这些操作指令被执行时,所述操作指令进行以下操作:
-根据数字振动数据生成原始波形;
-对原始波形执行自相关函数以生成自相关波形;
-对原始波形执行快速傅里叶变换,以生成原始频谱;
-对自相关波形执行快速傅里叶变换,以生成自相关频谱;
-对从原始频谱的幅度峰值的第一列表进行编制;
-对从自相关频谱的幅度峰值的第二列表进行编制;
-将第二列表中的自相关幅度峰值与第一列表中的原始幅度峰值进行匹配;
-将与自相关幅度峰匹配的每个原始幅度峰值添加至峰值列表;
-当原始幅度峰值被添加至峰值列表中时,确定与峰值列表中的原始幅度峰值相关联的峰值能量的总量;以及
-在与峰值列表中的原始幅度峰值相关联的峰值能量的总量超过预定阈值之后,生成包括峰值列表中的原始幅度峰值的周期性信息图。
在一些实施例中,周期性信息处理器生成具有比原始频谱少至少80%的数据点的周期性信息图。
在一些实施例中,预定阈值包括百分比能量值,并且其中周期性信息处理器被配置成执行根据以下公式来计算百分比能量值的操作指令:
%原始能量=原始频谱的总能量×%周期能量,
其中,
其中,最大峰值(在波形的3%之后)包括自相关波形中的在自相关波形的前3%之外发生的最大绝对峰值。
在一些实施例中,原始波形是峰值波形。
在一些实施例中,周期性信息处理器被配置成执行操作指令,以按照幅度递减的顺序排列第一列表和第二列表中的幅度峰值,使得最大幅度峰值为第一个,最小幅度峰值为最后一个。
在一些实施例中,周期性信息处理器被配置成执行操作指令,以将幅度峰值分类为同步峰值和非同步峰值,将一个或多个第一显示颜色分配给周期性信息图中的同步峰值,并且将一个或多个第二显示颜色分配给周期性信息图中的非同步峰,其中,第一显示颜色与第二显示颜色不同。
在一些实施例中,周期性信息处理器被配置成执行操作指令,以将作为同步峰值的幅度峰值分离成多个族,并且为周期性信息图中的每族同步峰值分配不同的显示颜色。
在一些实施例中,该设备包括数据通信网络,周期性信息处理器被连接至该数据通信网络,通过该数据通信网络传送周期性信息图。分析计算机与数据通信网络连接,用于接收和显示分析人员查看的周期性信息图。
在一些实施例中,周期性信息处理器确定第二列表中的自相关幅度峰值与第一列表中的原始幅度峰值之间的匹配,在如下情况下:
|原始频率峰值-自相关频率峰值|≤n×Δ频率,
其中,原始峰值频率是第一列表中的原始幅度峰值的频率值,自相关峰值频率是第二列表中的自相关幅度峰值的频率值,以及n为整数值。Δ频率的值由下述公式确定:
在一些实施例中,数据收集器包括数字数据记录器或振动数据收集器。
在一些实施例中,数据收集器包括低通抗混叠滤波器。
在一些实施例中,周期性信息处理器是数据收集器的组件。
在一些实施例中,周期性信息处理器是分析计算机的、经由通信网络与数据收集器通信的组件。
在一些实施例中,周期性信息处理器被配置成执行操作指令,所述操作指令能够:
-根据数字振动数据生成原始波形;
-对原始波形进行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-对原始波形执行自相关函数以生成自相关波形;
-对自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,并且N为频率值的数量;
-根据以下公式将原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
以及
-根据下述公式将原始频谱和自相关频谱组合,以生成具有幅度值YPIP1(n)的周期性信息图,
YPIP1(n)=YMCVS(n)×YAS(n),其中,n=1至N。
将幅度值YPIP1(n)包含在周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
在一些实施例中,周期性信息处理器被配置成执行操作指令以根据下述条件产生具有幅度值YPIP3(n)的周期性信息图:
如果YPIP1(n)>YTHR,则YPIP3(n)=YPIP1(n),
如果YPIP1(n)≤YTHR,则YPIP3(n)=0,
其中,n=1至N,YTHR为预定阈值。
在一些实施例中,周期性信息处理器被配置成执行操作指令,以对周期性信息图执行反向快速傅里叶变换以生成信息波形。
在一些实施例中,周期性信息处理器被配置成执行操作指令以根据信息波形推导出循环信息图。
在一些实施例中,周期性信息处理器执行操作指令,所述操作指令使得:
-根据数字振动数据生成原始波形;
-对原始波形进行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-对原始波形执行自相关函数以生成自相关波形;
-对自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,并且N为频率值的数量;
-根据以下公式将原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
以及
-根据下述条件生成具有幅度值YPIP2(n)的周期性信息图:
如果YAS(n)>YTHR,则YPIP2(n)=YMCVS(n),
如果YAS(n)≤YTHR,则YPIP2(n)=0,
其中,n=1至N,YTHR为预定阈值。
仅仅将幅度值YPIP2(n)包含在周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
在一些实施例中,周期性信息处理器执行操作指令,所述操作指令使得:
-根据数字振动数据生成原始波形;
-对数字振动数据行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-根据以下公式将原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
-对原始波形执行自相关函数以生成自相关波形;
-对自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,其中,N为频率值的数量;以及
-将原始频谱与自相关频谱结合以生成具有根据以下公式确定的坐标值XPM(n)和YPM(n)
的周期图:
XPM(n)=YMCVS(n),
YPM(n)=YAS(n),
n=1至N。
在一些实施例中,周期性信息处理器执行操作指令,所述操作指令使得:
-根据数字振动数据生成原始波形;
-对原始波形执行自相关函数以生成自相关波形;
-对自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N;
-根据下述条件生成具有幅度值YNPIP(n)的非周期性信息图:
如果YAS(n)<YTHR,则YNPIP(n)=YAS(n),
如果YAS(n)≥YTHR,则YNPIP(n)=0,
其中,n=1至N,YTHR为预定阈值。
仅仅将幅度值YNPIP(n)包含在非周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
在一些实施例中,周期性信息处理器执行操作指令,所述操作指令使得:
-根据数字振动数据生成原始波形;
-确定原始波形的最大峰值;
-对原始波形执行自相关函数以生成自相关波形;
-至少部分地基于自相关波形来确定周期信号参数值,其中,周期信号参数值包括指示原始波形中的周期性信息的级别的单个实数;
-计算或接收故障限制级别;以及
-基于最大峰值幅度和故障限制级别来计算一个或多个严重性值。
在一些实施例中,原始波形是峰值波形。
在一些实施例中,如果周期信号参数值大于0.1且机器速度未知,则周期性信息处理器根据下述公式计算轴承故障严重性(BFS)值:
BFS=归一化严重性×%周期能量,
其中,
以及
在一些实施例中,如果周期信号参数值大于0.1且机器速度已知,则周期性信息处理器根据下述公式计算轴承故障严重性(BFS)值:
其中,
在一些实施例中,周期性信息处理器被配置成执行操作指令,以基于转弯速度来计算警报限制水平。如果周期信号参数值小于0.1并且原始波形的最大峰值幅度大于警报限制值,则周期性信息处理器根据以下公式计算润滑严重性(LS)值:
其中,非周期能量百分比(%NPE)是百分比周期能量(%周期能量)的函数,如图19示。百分比周期能量根据下述公式来根据自相关波形计算:
在一些实施例中,周期性信息处理器被配置成执行操作指令,以根据下述公式计算变速箱故障严重性(GFS)值:
其中,
归一化严重性=一般严重性×x
以及
一般严重性=最大峰值/(2×故障限制)
以及x是归一化因子。
附图说明
通过参考结合附图的详细描述,本发明的进一步的优点是显而易见的,其中,为了更清楚地显示细节元件并不按比例绘制,其中,贯穿几个附图,相同的附图标记表示相同的元件,并且在附图中:
图1A和图1B描绘了根据本发明的优选实施例的用于推导和分析信号中的周期性信息的***的功能框图;
图2描绘了根据本发明的优选实施例的用于确定周期信号参数的方法的流程图;
图3至图7描绘了对于周期信号参数的各种值的示例性自相关振动波形;
图8描绘了根据本发明的第一实施例的用于生成周期性信息图的方法的流程图;
图9描绘了示例性的标准振动频谱;
图10描绘了根据图9所示的频谱推导出的示例性自相关振动频谱;
图11至图17描绘了根据本发明的优选实施例的基于图9所示的频谱生成的周期性信息图;
图18描绘了根据优选实施例的诊断故障状态规格的图示;
图19描绘了根据与随机振动噪声有关的自相关波形计算的能量以及振动信号中存在的其他非周期能量的曲线;
图20描绘了根据本发明的第二实施例的用于生成周期性信息图的方法的流程图;
图21描绘了在第二轴的大齿轮上具有断齿的两级变速箱的诊断信息的图形显示;
图22描绘了根据本发明的优选实施例的用于确定轴承故障严重性值和润滑严重性值的方法的流程图;
图23描绘了没有故障的完全润滑轴承的诊断信息的图形显示;
图24描绘了对于除了由于缺乏润滑而运行“干燥”之外没有明显故障的良好轴承的诊断信息的图形显示;
图25描绘了具有内圈故障的完全润滑轴承的诊断信息的图形显示;;
图26描绘了具有内圈故障的轴承的诊断信息的图形显示,并且该轴承由于缺乏润滑而运行“干燥”。
图27描绘了根据本发明的优选实施例的用于确定轴承故障严重性值、变速箱故障严重性值以及润滑严重性值的方法的流程图;以及
图28描绘了根据一个实施例确定的用于内圈承载故障的峰值波形的代表警报水平的示例图。
具体实施方式
图1A和图1B描绘了用于推导出和分析振动信号的周期性信息的示例性***100。在图1A的实施例中,诸如加速度计之类的传感器104被附接至机器102以监测该机器的振动。尽管在图1A的示例性实施例中示出了加速度计,但是应当理解的是,可以使用其它类型的传感器,诸如速度传感器、位移探测器、超声波传感器或应力传感器。传感器104生成包含周期性信息的振动信号(或者对于除了加速度计之外的传感器的其他类型的信号)。为了得到可重复和最好的结果,优选地对每个传感器104进行设置使得存在从信号源(例如,轴承)到传感器的安装位置的过渡的固体路径。还应该执行传感器104的安装,以确保以尽可能小的失真来感测信号。优选实施例包括用于测量机器102的一个或多个旋转部件的转速的一个或多个转速计116。将振动信号和转速计信号提供给数据收集器106,该数据收集器106优选地包括用于对振动信号和转速计信号进行采样的模数转换器(ADC)108,可选的低通抗混叠滤波器110(或低通滤波器和高通滤波器的其它组合)以及缓存存储器112。例如,数据收集器106可以是数字数据记录器、手持式振动数据收集器,或者永久或临时安装的监视装置。振动信号数据被传送到执行本文所述的信息处理任务的周期性信息处理器114。在图1A的实施例中,周期性信息处理器114是数据收集器106的组件。在该实施例中,周期性信息处理器114经由机器数据网络122传送经处理的数据,该机器数据网络112可以是HARTTM或无线HARTTM网络,以太网或因特网。分析计算机120经由网络122接收经处理的数据,以便在显示装置118上进行显示。
在图1B所描述的可选实施例中,周期性信息处理器114是分析计算机120的组件。对于数据传输和存储不是主要关注的情况,该实施例可能是优选的,使得整个数据集可以经由网络122传送到分析计算机120或其他远程处理装置,以使用相同的算法和技术进行后处理。
关于用于轴承和齿轮诊断的传感器布置,传感器104通常被安装成垂直于轴。传感器优选地安装在靠近信号源(即,轴承或齿轮)的刚性的大块金属片上。传感器被安装到其上的大块金属有助于防止由于机器表面而引起信号的共振,其与机器内部发生的振动相反。应该安装传感器104,以使得传输期间信号完整性的损失最小化。这需要刚性连接—通常通过螺柱安装传感器104。在某些情况下,例如在机器的安装表面粗糙或被多层涂料覆盖的情况下,则需要打磨表面。
周期信号参数
图2描绘了根据本发明的优选实施例的用于计算周期信号参数(PSP)的方法的流程图。例如使用连接到正在监测的机器102的加速度计104或其它传感器测量时域振动波形(步骤12)。对振动波形执行自相关函数,以确定波形中的能量有多少是周期性的(步骤14)。在一个优选实施例中,自相关函数将振动信号与其自身交叉相关,以在波形内找到重复图案。自相关函数输出自相关波形16,其示例在图3至图7中被示出。自相关波形的几个统计特征被计算,这些统计特征包括标准偏差(σ)、波形中最大绝对峰值幅度(最大峰值)、波形的前3%之后的最大绝对峰值(最大峰值(前3%之后))以及波峰因数(CF1)(步骤18)。正波形峰被排序(步骤32),统计学上太大的那些峰值被丢弃(步骤34),并且剩余峰值的平均幅度(经排序的μ)和峰值因子(CF2)被计算(步骤35)。用于排序和丢弃统计学上太大的峰值的方法将在下文中进行描述。
如果最大峰值大于或等于0.3(步骤20)并且
(步骤22),则Y=0.025(步骤24)。
如果最大峰值大于或等于0.3(步骤20)并且(步骤22),则Y=0(步骤25)。
如果最大峰值小于0.3(步骤20),并且CF1小于4,以及σ小于或等于0.1(步骤26),则Z=0.025(步骤28)。如果最大峰值小于0.3(步骤20),CF1不小于4或者σ大于0.1(步骤26),则Z=0(步骤30)。
如果CF2大于或等于4并且丢弃峰的数量大于2(步骤36),则W=0.025(步骤38)。如果CF2小于4并且丢弃峰的数量不大于2(步骤36),则W=0(步骤40)。
如果(步骤42)并且σ介于0.1和0.9之间(步骤44),则X=0.1(步骤46)。如果(步骤42)或者σ介于0.1和0.9之间(步骤44),则X=σ(步骤48)。
PSP是X、W、Y和Z的值之和(步骤50)。
通常,较小的PSP值指示更多的非周期信号和较不显著的频率,而较大的PSP值是与大的单个频率有关的更周期的信号的症状。如图3所示,小于第一阈值(例如,0.1)的PSP值表示振动波形通常是非周期性的。如图4所示,用于PSP的算法为具有低幅度、较高频率数据的信号分配值0.1。该数据也可能被证明是不好的数据。如图5示,介于第一阈值和第二阈值之间的(诸如介于约0.10和0.14之间的)PSP值表示存在不同的频率,但是仍然存在大量的非周期性内容。如图6所示,大于第二阈值,例如大于约0.14的PSP值指示对分析重要的非常重要的频率,例如叶片传动频率或球传动频率,以及指示较低频率的小幅度信号,例如RPM或笼以及他们的谐波。如图7所示,大于第三阈值,例如大于0.5及更大的值的PSP值指示从振动波形获取的频谱中的主要单一频率。PSP值越接近1.0,则波形具有更多的周期性信号分量和更少的非周期性内容。
以下内容为生成PSP的一些优点。
-PSP提供指示波形中周期性内容的单个数字。
-根据自相关波形计算统计值,并将这些值中的一个或多个组合起来生成PSP。
-不良数据或非周期性信号的指示被提供。
-关于周期性的信息可以从大数据集中提取,并且经由诸如无线和其他类似协议之类小型带宽协议进行广播。
-PSP值可以专门应用于峰值TM数据,以区分周期性和非周期性故障,诸如润滑、气蚀、轴承、齿轮以及转子故障。
-PSP值可以与其他信息一起使用,以生成机器状况的指示(即,机械故障的性质、故障的严重性)。所述其他信息可以包括:
-原始波形;
-波形的经处理版本;
-从原始振动波形(即,峰值、波峰因数、峰度、偏度)获得的信息;
-从原始波形的经处理版本所获得的信息(即,峰值TM处理、整流或解调波形);
和/或
-一个或多个规则集。
下表2中示出了一个示例,其中,代表PSP输出和应力波分析输出的导出值(例如,峰值TM波形中的最大峰值或峰值TM型分析的另一种导数或其他形式的应力波分析)用于区分不同类型的故障。在大多数情况下,缺陷的严重程度随着峰值TM冲击的水平的增加而增加。尽管下面的示例涉及应力波值,但是其它实施例可以使用指示冲击或其他故障状况的其它振动波形信息。
表2 PSP和应力波分析输出
本发明的另一实施例使用采用程序逻辑进行编辑的诸如处理器114之类的可编程中央处理单元,以帮助用户解释波形信息。程序逻辑将周期信号参数和应力波分析信息与预期的或历史或经验派生的经验值进行比较,以辨别从低到高的相对排名。然后,采用诸如上述表2所示的输出之类的离散或分级输出,以用于选择逻辑排列的观测值、结果和建议。除了评估PSP和应力波分析信息之外,程序逻辑有时提示用户提供附加信息或从另一个来源(例如,知识库)获取附加信息,以使所述逻辑能够区分两个或更多可能的逻辑结果。例如,返回高PSP和高应力波分析发现的程序逻辑可以选择滚动元件缺陷发现而不是该类别内的其他可能发现,因为当程序逻辑将周期性频率发现与知识库中所标识的机器组件的轴承故障频率比较时相似度被计算。
区分润滑和泵气蚀的另一种技术是看应力波分析所指示的冲击的趋势。如果所述冲击缓慢增加,则应怀疑润滑不足。如果泵的冲击突然增加,则可能是泵气蚀。如果与控制***上的逻辑或输入相结合,则逻辑可以寻找在冲击增加的同时发生的过程配置更改以及低PSP以确认泵气蚀。在一些实施例中,***向操作者建议什么动作引起气蚀,从而操作者可以消除原因并且防止机器过度磨损并过早失效。
周期性信息图
本发明的优选实施例提出了一种新型的振动频谱,其在本文中被称为周期性信息图(PIP)。该PIP为用户提供了从起始频谱的主要周期性峰值的容易观察的总结,其是优选实施例中的峰值频谱。
PIP生成-第一实施例
在第一实施例中,信号从工厂设备(例如,旋转或往复运动的设备)被收集,并且使用如图8所示的两组不同的分析技术进行处理。
首先,获取波形(图8的步骤60),例如使用图1A所示的***获取的振动波形。如果对过采样波形采用高通滤波器和峰值保持抽取以捕获冲击信息(例如使用峰值TM过程),则冲击信息可以是所计算的波形。波形的FFT被采用(步骤62),得到在X轴上为频率和Y轴上为幅度的振动频谱(VS)64,其示例在图9中被示出。
来自步骤60的波形也被自相关(步骤66),以生成本文中被称为自相关波形68的波形,X轴上为时间和Y轴上为相关因子。自相关过程突出了原始波形的周期性分量,同时减少了原始信号中随机事件的存在。作为自相关计算的结果,自相关波形68的x轴(时间)值为原始振动波形60的x轴(时间)值的一半。因此,自相关波形68的时间间隔将是原始振动波形60时间间隔的一半。可选步骤(70)取自相关波形(Y轴值)的平方根来提供较低幅度值之间的更好的区分。
对自相关波形68进行FFT(步骤72),得到自相关谱(AS)74。由于随机事件已经大大地从自相关波形68中去除,所以自相关频谱74中的剩余信号与周期性事件密切相关。如图10所示,自相关谱74具有X轴上的频率和Y轴上的与相关因子相关的幅度。由于自相关波形的持续时间是振动波形60的持续时间的一半,所以相关联的自相关频谱74的分辨率线是振动频谱的分辨率线的一半。
在第一实施例中,振动频谱64和自相关频谱74被处理,以推导出本文中被称为周期性信息图(PIP)的图形(步骤76)。根据第一实施例,可以使用几种用于处理振动谱64和自相关谱74的方法,在下文中对其中的三种方法进行了描述。
因为振动频谱的分辨率是自相关频谱的分辨率的两倍,所以两个频谱之间的x轴(频率)上的值的点对点比较是不可能的。然而,可以通过针对自相关频谱中每个相关联的x轴值的振动频谱(步骤65)中的两个x轴值的幅度值进行数学上的组合来进行点对点的比较。自相关频谱的每个XAS(n)值(其中n=1...N,N是自相关频谱的分辨率的行数)被映射到振动频谱上的XVS(2n)值。对数学上结合的x轴值进行定义,使得XMCVS(n)=XVS(2n)。根据x轴的XVS(2n)和XVS(2n1)频率两者的幅度计算出与来自振动频谱的XMCVS(n)值相关联的数学上组合的幅度值YVS(2n)和YVS(2n-1)(在本文中被称为YMCVS(n))。用于推导来自振动频谱的XMCVS(n)值相关联的在数学上组合的幅度值的计算为:
其中,n=1...N,N是为自相关谱中所发现的分辨率的行数。
在第一种方法(步骤76a)中,对于PIP中的每个X值(XPIP1),PIP中的Y值(YPIP1)通过将振动谱中的数学组合Y值(YMCVS)乘以在自相关谱中相应的Y值(YAS),根据:
YPIP1(n)=YMCVS(n)×YAS(n) 公式(1)
n=1至N,其中,N是自相关频谱中的X值(频率值)的数量。由于自相关频谱中的周期性信号的幅度高于随机信号的幅度,所以乘法过程将突出周期峰值,而同时降低非周期峰值。图11描绘了由第一种方法形成的PIP的示例。在本文描述的所有示例中,N=1600。
在第二种方法(步骤76b)中,针对PIP中的每个X值(XPIP2),PIP中的Y值(YPIP2)通过将自相关频谱中的相应Y值(YAS)与预定的阈值(YTHR)进行比较来确定。对于大于该阈值的每个自相关频谱幅度,PIP(YPIP2(n))的相关幅度将被设置成来自振动频谱的相应的数学组合值(YMCVS(n))。高于预定阈值的YAS值表示大部分是周期性的数据。因此,YPIP2值根据以下条件来确定:
如果YAS(n)>YTHR,则YPIP2(n)=YMCVS(n) 公式(2a)
如果YAS(n)≤YTHR,则YPIP2(n)=0(或其他默认级别) 公式(2b) n=1至N。
在第二方法的一个优选实施例中,YTHR被设置为仅包括来自自相关频谱的最大峰值的百分比。该百分比可以基于自相关波形中的百分比周期信号来计算。百分比周期信号基于自相关系数被计算,该自相关系数是自相关波形中最大峰值的Y值的平方根。对于该方法,仅对自相关谱峰的总数的百分比周期信号进行评估。在图12中描绘了通过该方法形成的PIP的示例,其中,YTHR被设置为59%。
在第二种方法的另一优选实施方案中,YTHR被设置为仅包括具有下述值的峰值,这些值在自相关频谱的最大峰值的“百分比周期信号”内。这些峰以及出现在自相关频谱中的谐波将被用作与振动频谱中的那些峰相交的峰值组,以形成PIP。图13描绘了通过该方法形成的PIP的示例,其中,YTHR被设置为59%。
在第三方法(步骤76c)中,根据上述第一方法确定PIP,然后根据以下条件将第二方法的阈值应用于PIP:
如果YPIP1(n)>YTHR,则YPIP3(n)=YPIP1(n) 公式(3a)
如果YPIP1(n)≤YTHR,则YPIP3(n)=0(或其他默认级别) 公式(3b) n=1至N。图14描绘了通过该方法形成的PIP的示例。
一些实施例还推导出仅由小于预定阈值的自相关频谱的Y值组成的非周期性信息图(NPIP)(步骤78)。因此,NPIP仅包括非周期分量。图15描绘了通过该方法形成的NPIP形成的示例。
一些实施例还从振动频谱和自相关频谱推导出周期图(步骤82)。通过将来自与对应于自相关频谱的任何给定X值的振动频谱和自相关频谱的在数学上组合的Y值进行配对来创建周期图。这些配对被绘制成使得来自振动频谱的数学上组合的Y值YMCVS(n)为映射上的点的X值XPM(n),并且来自自相关频谱的Y值YAS(n)为映射上相对应的Y值YPM(n),根据:
XPM(n)=YMCVS(n) 公式(4a)
YPM(n)=YAS(n) 公式(4b) n=1至N。如图16所示,所得到的图形类似于概率映射。特定的软件实现将允许用户在每个点上运行光标以查看创建该点的值。
一些实施例还从上述的任何周期性信息图推导出循环信息图(步骤80)。一旦计算出线性PIP,就可以应用一个逆FFT来生成“信息波形”。可以根据该信息波形生成循环信息图。图15描绘了通过该方法形成的循环信息图的示例。
尽管本发明的优选实施例是对振动信号进行操作,但本发明不限于振动信号。周期信号参数和周期性信息图可以根据包含周期性分量的任何信号推导出。
PIP生成-第二实施例
在第二实施例中,信号从工厂设备(即,旋转或往复运动的设备)被收集,并且使用如图20所描绘的方法300进行处理。
首先,生成波形(图6的步骤302),例如使用图1A所示的***获取的振动波形。如果对过采样波形采用高通滤波器和峰值保持抽取来捕获冲击信息(诸如,使用峰值TM过程),则这可能是所计算的波形。对振动波形进行FFT(步骤304),得到振动频谱306,X轴上为频率和Y轴上为幅度,其示例在图9中被示出。振动频谱306在本文中还称为原始频谱,以区别于下文讨论的自相关频谱。
来自步骤302的波形被自相关(步骤314),以生成自相关波形316,X轴上为时间和Y轴上为相关因子。使用与原始波形的FFT的计算中使用的相同的F最大来计算自相关波形316的FFT(步骤318),得到自相关谱320。使用相同的F最大迫使自相关频谱320的分辨率(LOR)为计算原始频谱306时所使用的LOR的一半。由于已经从自相关波形316大幅度地去除随机事件,所以自相关频谱320中的剩余信号与周期性事件密切相关。如图10所示,自相关谱具有X轴上的频率和Y轴上的与相关因子相关的幅度。由于自相关波形的持续时间是原始波形的持续时间的一半,所以相关联的原始频谱的分辨率线是振动频谱的分辨率线的一半。
百分比周期能量(%周期能量)是与周期信号相关的原始频谱306中的能量百分比。在步骤322中据以下公式基于自相关波形316计算该百分比周期能量:
在一个优选实施例中,原始频谱306的总能量被计算为范围从0到F最大的原始频谱306中每个仓值的平方和的平方根。为了找到轴承和/或齿轮齿的故障,原始频谱306是峰值频谱。
根据以下公式,在步骤308计算原始频谱306的能量百分比:
%原始能量=原始频谱总能量×%周期能量。
来自原始频谱306的峰值的列表被生成,其中每个所列出的峰值是具有定位频率和相关联的定位幅度的定位峰值(步骤310)。还生成来自自相关谱320的峰的列表,其中每个所列出的峰值是具有定位频率和相关联的定位幅度的定位峰值(步骤324)。在这两个列表中,峰值按照幅度递减的顺序排列,使得具有最大幅度的峰值在列表中是第一个,并且具有最小幅度的峰值是最后一个(步骤312和步骤326)。
对于针对自相关谱所生成的峰值列表中的每个峰值的频率值,在针对原始频谱生成的峰值列表中找到相关联的匹配峰值(步骤328)。对于峰值“匹配”,来自原始频谱306的峰值的频率值必须在来自相关频谱320的峰值的频率值的N×Δ频率中,其中在优选实施例中N=4,Δ频率表示为:
因此,在如下情况下存在匹配:
|原始峰值频率-自相关峰值频率|≤N×Δ频率。
对于在步骤328中找到的来自原始频谱306的每个匹配峰值,将定位的频率和定位的幅度的值添加到PIP峰值列表(步骤330)。当每个匹配峰值被添加到PIP峰值列表时,对PIP峰列表中所有峰的值的运行的总峰值进行计算(步骤332)。因为在该实施例的FFT计算中使用汉宁窗口,所以定位的峰值的能量是在创建所定位的峰值时使用的三个仓(bin)值的能量的结果。
对于小于等于百分比原始能量的每个总峰值能量,在返回到步骤328之前,丢弃自相关频谱峰值列表步骤330中的相关峰值(步骤335)。
这个匹配峰值并将匹配峰值添加到PIP峰值列表的过程继续进行,直到达到下述条件为止:
总峰值能量>原始能量%(步骤334)。
通过绘制与PIP峰列表中的每个峰相关联的三个点来创建周期性信息图(PIP)(步骤336)。在优选实施例中,假设将汉宁窗口用于FFT计算,则三个点对应于与每个定位的峰值相关联的三个仓。在图21和图23至26中描绘了使用图20中的方法300创建的PIP的示例。
周期峰值
频谱中的周期峰值分为同步峰值或非同步峰值。同步峰值是在轴的运行速度及其谐波频率处出现的峰值。对于具有多个轴的变速箱,这里还存在多族同步峰值,其中每个峰值与变速箱中的特定轴的速度相关联。除了运行速度峰值,与变速箱相关的同步峰值也出现在所有的追逐齿基频及其谐波上。非同步峰值是并不是同步系列成员的谐波峰值的周期族。一族非同步的周期性峰值很可能与轴承缺陷有关。
因为可能存在与同步峰值或非同步峰值相关的多族峰值,所以优选的实施方案提供了将不同峰值的族分离的显示颜色方案。通过对频谱中的不同族进行颜色编码,可以容易地区分与轴承(非同步)相关的频率和与运行速度相关的频率。在变速箱中,分析这些运行速度谐波族(同步)可能会使得发现齿轮齿问题。使用颜色指定频谱显示或周期性信息图中的不同峰值的族简化了新手和有经验的分析师的分析。
图21描绘了示出在两级变速箱上存在断齿的示例性显示。在周期性信息图(PIP)130中同步周期峰值和非同步周期峰值的存在是显著的。如图2所示的图解所示,同步峰族包括以白色(由大实线表示)突出显示的“轴1”,以红色突出显示的“轴2”(由长划痕线表示)和以绿色突出显示“轴3”(以虚线表示)的运行速度基波和/或谐波。峰值的其他同步族包括追逐齿基频及其谐波,以蓝色突出显示的“HTF 1”(用点划线划线表示)以及以黄色突出显示的“HTF 2”(由虚线点划线表示)。峰的非同步族以紫色突出显示(以细实线_________表示)。应该注意的是,红色(长划痕线)所示的峰构成了绝大多数的同步峰族,其全部与变速箱的第二轴相关。在该示例中,第二轴上的大齿轮具有缺齿。
在统计学上对自相关波形中的偏离峰进行排序和丢弃的方法(图2中的步骤34)。
以下例程采用一组数据值,例如,自相关波形中的正峰值,并且丢弃统计学上所计算的边界以外的值。在优选实施例中,有四种用于设置边界的方法或标准。
方法1:非守恒的,使用最小统计边界和最大统计边界
考虑P值(或元素)的数组,其中,P0表示在评估中的当前数组中的值的个数。现在让P-1表示在P0之前单个步骤中所评估的数组中的值的个数,让P-2表示在P-1之前单个步骤中所评估的数组中的值的个数,并且让P-3表示在P-2之前单个步骤所评估的数组中的值的个数。
步骤1:
在第一次或P0≠P-1时对数组值进行评估时,
{
针对P0计算平均值(μ)和标准偏差(σ)
如果其中,在优选实施例中,x=0.1和n=1、2或3,则
包括使得μ-nσ<值<μ+nσ的数组值,
否则
停止,值在统计边界内。
结束判断
}
步骤2:
如果P0=P-1,则
当P-1≠P-2并且P0=P-1时
{
针对P0计算平均值(μ)和标准偏差(σ)
如果其中,在优选实施例中,x=0.1和n=1、2或3,则包括使得的数组值
否则
停止,值在统计边界内。
结束判断
}
结束判断
步骤3:
当P0=P-1=P-2,并且P-2≠P-3,则
针对P0计算平均值(μ)和标准偏差(σ)
包括使得0.9μ<值<1.1μ的数组值
否则
停止,值在统计边界内。
结束判断
方法2:非守恒的,仅使用最大统计边界(无最小边界)
使用与方法1相同的过程,除了只有超出上限统计边界的值才被丢弃之外。最小边界设置为零。
方法3:守恒的,使用最小统计边界和最大统计边界
仅基于方法1的步骤1丢弃值。
方法4:守恒的,仅使用最大统计边界(无最小边界)
仅基于方法1的步骤1并基于超过上限统计边界的值丢弃值。最小边界设置为零。
用于排序统计异常值方法1的示例
作为排序方法1的示例,考虑包含以下表3中列出的二十一个值的一组原始值P0,其中,n=1。
表3
该原始集合P0的平均值(μ)为0.54955,并且标准差(σ)为0.13982。因此,在方法1的步骤1中,
由于0.25442大于0.1,则计算
μ-nσ=0.54955-1*0.13982=0.409735,
以及
μ+nσ=0.54955+1*0.13982=0.689373。
接下来,定义集合P-1=P0,并定义一个新的集合P0,它们的值都是值在μ+σ=0.689343和μ-σ=0.409735之间的P-1的值。集合P0现在包含下表4中列出的值,其中三个异常值已被消除。
表4
由于P0≠P-1,重复步骤1,其中对于集合P0:
μ=0.50234,
σ=0.06946,
σ/μ=0.138263,
μ+σ=0.571797,以及
μ-σ=0.432887。
现在,定义集合P-2=P-1,并且P-1=P0并定义一个新的集合P0,它们的值都是值在μ+σ=0.571797和μ-σ=0.432887之间的P-1的值。集合P0现在包含下表5中列出的值,其中四个异常值已被消除。
表5
0.557367 |
0.545801 |
0.495215 |
0.486426 |
0.486053 |
0.475123 |
0.472348 |
0.467129 |
0.465488 |
0.446327 |
0.440497 |
0.437959 |
由于P0≠P-1,重复步骤1,其中对于集合P0:
μ=0.481311,
μ+σ=0.037568,以及
σ/μ=0.078053,
由于σ/μ=0.078053≤1,
数组P0的所有成员在统计上接近值,不需要更多的排序。
如果在任何一点出都满足计算P0=P-1并且P-1≠P-2,则将执行步骤2而不是步骤1。在上面的示例中,由于每次迭代的P0≠P-1,因此计算只需要步骤1。
基于周期信号参数(PSP)的轴承故障预测
图22描绘了用于生成轴承故障状况信息的方法400的优选实施例中的步骤。例如使用连接到正在监测的机器102的加速度计104或其它传感器测量时域过采样振动波形(步骤402)。然后,生成峰值TM波形(步骤404),例如通过高通滤波和峰值保持抽取过采样波形。确定峰值TM波形的最大峰值幅度(最大峰值)(步骤406),并且计算其相关的自相关波形(步骤408)。基于自相关波形,根据图2所示的方法计算周期信号参数(PSP)(步骤410)。
在优选实施例中,根据图28所示的关系,基于标称转速来确定警报幅度限制水平(以g为单位)(步骤412)。故障幅度限制水平优选地是警报水平的两倍。图28提供了一种用于根据机器轴的RPM确定峰值信号的警报限值的一种方法的图形表示。将警报级别与峰值波形中出现的峰值进行比较,并应用于发展中的内圈故障。应当理解的是,图28中所示的警报限制级别仅是建议,并且分析者可以决定使用已被确定为对于其机器而言最佳的值。在某些情况下,分析师可能会开始使用图28中的值,然后根据经验进行调整。
在计算严重性值之前,必须计算百分比周期能量。百分比周期能量根据下述公式来根据自相关波形计算(步骤414):
其中,自相关波形中的最大峰值不包括波形的前3%。通常,百分比周期能量计算对于小于50%的值不太准确。因此,如图19所示,小于50%的值的函数的斜率大于1.0。因此,对于小于50%的值,不对百分比周期性进行确定。对于所有严重性估计值,一般严重性值是必需的,根据以下公式进行计算:
(步骤416)。
在优选实施例中,通过将步骤416的结果乘以期望的最大规格值x来对严重性值进行归一化:
归一化一般严重性=一般严重性×x(步骤418)。
对于图18所示的规格,其中,x=10,
归一化一般严重性=一般严重性×10。
如果PSP大于0.1(步骤419),则可能存在轴承故障。轴承故障严重性(BFS)可以根据以下公式计算:
BFS=归一化严重性×%周期能量(步骤430)。
如果得到的答案大于x(在本例中为10),则该答案将被截断为x。
在一些实施例中,转向速度的知识提高了周期性与轴承故障相关的置信度而不是转速发生率。当转速已知时,周期性信息图(PIP)的周期性峰值可以分为同步和非同步。如果仅存在同步峰值,则不会指示轴承故障。如果存在显著的非同步峰值,则确认可能的轴承问题,如通过下述公式所指示的:
如果PSP≤0.1,最大峰值为<警报级别,则测量不表明故障,表示资产状况良好。
如果PSP小于或等于0.1,并且最大峰值大于警报幅度限制水平(步骤420),则表示轴承润滑不足。此外,当存在轴承故障时,可能会有润滑问题。(这在图22中被示出,箭头从步骤411和430之间移动到步骤422。)润滑问题的严重性通常取决于从相关联的自相关波形指示的起始波形(步骤406)和非周期能量百分比(%NPE)的最大峰值(步骤408)。
如图19所示,百分比非周期能量(%NPE)是百分比周期能量的函数,可以使用图19的曲线确定(步骤422)。百分比周期能量(%周期能量)被定义为与周期信号相关的峰值(原始)频谱中的能量百分比。%NPE被定义为与随机振动信号相关的峰值(原始)频谱中的能量百分比。
润滑严重性(LS)值取决于:
其中,x是归一化值(步骤426)。对于图18所示的润滑严重性规格而言,x=10,如果得到的值大于x(在本例中为10),则该值将被截断为x。
在一种可替代实施例中,代替在步骤114中确定PSP大于0.1的情况,确定%周期能量是否大于Y,其中,在大多数情况下Y为50%。
虽然上述算法的优选实施例和图22中所示的算法使用峰值波形,但是该算法还可以应用于从任何类型的信号(例如振动、电流、超声波等)产生的任何波形。
以下是示出使用图22的算法来确定不同条件下的轴承的状态的四个示例。图23描述了一种新的、没有故障的完全润滑轴承的结果。如图所示,轴承故障严重性和润滑严重性的规格都表示为零,因为轴承是新的并且状态良好。
图24表示轴承没有故障的结果,除了由于轴承没有足够的润滑而造成的运行“干燥”以外。如图所示,轴承故障严重性仍为零,但润滑严重程度为6.5。在这个例子中,%周期能量是44.3%。基于图19的所得%NPE为77.85%。应该注意的是PSP是0.0618。
图25描绘了具有小内圈故障并且没有润滑问题的轴承的结果。如所示出的那样,轴承故障严重性稍微升高到大约1.4,但是润滑严重性接近于零。在该示例中,%周期能量是88.8%。基于图19,所得的%NPE为11.2%。应该注意的是对于该示例PSP是0.213。
图26描绘了由于轴承运行“干燥”的事实而造成的具有小内圈故障的轴承以及润滑问题的结果。即使PSP为0.074,周期能量的百分比为51%。因此,信号具有一定的周期性。如图所示,轴承故障严重性几乎为3,而润滑严重性为3.25左右。本领域技术人员将意识到,该诊断结果是技术进步,不能由其他可用的算法来确定。以前从来没有可以从由缺乏润滑产生的非周期性能量(其幅度明显较高)对由轴承产生的机械损伤引起的较低幅度的非同步信号进行隔离的能力。
基于周期信号参数(PSP)预测变速箱故障
图27描绘了用于生成变速箱故障状况信息的方法200的优选实施例中的步骤。例如使用连接到正在监测的机器102的加速度计104或其它传感器测量时域过采样振动波形(步骤202)。然后,生成峰值TM波形(步骤204),例如通过高通滤波和峰值保持抽取过采样波形。确定峰值TM波形的最大峰值幅度(最大峰值)(步骤206),并且计算其相关的自相关波形(步骤208)。基于自相关波形,根据图2所示的方法计算周期信号参数(PSP)(步骤210)。
测量变速箱中的至少一个轴的转速,例如使用转速计(步骤212),并且基于在步骤212中测量的速度和知道其它轴的齿轮速比来计算变速箱中的每个其它轴的速度(步骤214)。此外,基于轴运行速度,基于本领域普通技术人员已知的技术来计算寻呼齿频率。在优选实施例中,警报幅度限制水平(g)基于如图28所示的关系的标称转弯、或者基于分析者的经验,或如上所述两者确定(步骤216)。故障幅度限制水平优选地是警报水平的两倍。
在计算特定严重性值之前,必须计算百分比周期能量。在优选实施例中,百分比周期能量根据下述公式通过自相关波形计算:
其中自相关波形的最大峰值不包括波形的前3%(步骤218)。通常,百分比周期能量计算对于小于50%的值不太准确。因此,如图19所示,小于50%的值的函数的斜率大于1.0。
为了计算不同故障的严重性值,确定一般严重性值。一般严重程度可按以下方式计算:
(步骤220)。
通过将步骤220的结果与期望的最大规格值x相乘,将严重性值归一化:
归一化一般严重性=一般严重性×x(步骤222)。
对于图18所示的规格,其中,x=10,
归一化一般严重性=一般性×10。
使用本文参照图20描述的过程生成PIP(步骤224)。
如果PSP大于0.1(步骤225),则存在与变速箱和/或轴承相关的周期性频率。
根据转速知识,周期性信息图(PIP)的周期性峰值可以分为同步和非同步。如果PIP中存在非同步峰值(步骤226),则轴承故障严重性(BFS)值可以根据以下来计算(步骤228)并显示(步骤234):
如果存在同步峰(步骤230)并且超过故障限制,则表示齿轮劣化。
可以根据以下方式来计算变速箱故障严重性(GFS)值(步骤232)并显示(步骤234):
如果得到的答案大于x(在本例中为10),则该答案将被截断为x。
如果PSP≤0.1,最大峰值为<警报级别,则测量表明没有故障,表示资产状况良好。
如果PSP小于或等于0.1,并且最大峰值大于警报幅度限制水平(步骤234),则表示轴承和/或变速箱润滑不足。此外,可能存在润滑问题以及存在的机械故障。(这在图22中被示出,润滑问题的严重性通常取决于从相关联的自相关波形指示的起始波形(步骤206)和百分比非周期能量(%NPE)的最大峰值(步骤208)。
如上文所讨论的那样,百分比非周期能量(%NPE)是百分比周期能量的函数,并且可以使用图19的曲线确定(步骤236)。百分比周期能量(%周期能量)被定义为与周期信号相关的峰值(原始)频谱中的能量百分比。百分比非周期能量被定义为与随机振动信号相关的峰值(原始)频谱中的能量百分比。
轴承或变速箱润滑严重度值根据以下要求确定和显示:
其中,x是归一化值(步骤240和步骤242)。对于图18所示的润滑严重性规格而言,x=10,如果得到的值大于x(在本例中为10),则该值将被截断为x。
在一种可替代实施例中,代替在步骤218中确定PSP大于0.1的情况,确定%周期能量是否大于Y,其中在大多数情况下Y为50%。
已经出于说明和描述的目的呈现了本发明的优选实施例的前述描述。它们并不旨在是穷尽性的或将本发明限制于所公开的精确形式。根据上述教导,显而易见的修改或变化是可能的。选择和描述实施例是为了提供本发明的原理及其实际应用的最佳说明,并且由此使得本领域普通技术人员能够在各种实施例中利用本发明并且进行适用于所设想的特定用途的各种修改。当所有的修改和变化根据它们公平,法律上和平等地被授权的宽度来解释,所有这些修改和变化在由所附权利要求所确定的本发明的范围内。
Claims (36)
1.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到所述机器,所述位置提供从所述机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
数据收集器,所述数据收集器与所述振动传感器通信,所述数据收集器被配置成接收和调节所述振动信号,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存数字振动数据;以及
周期性信息处理器,其能够操作成接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-对所述原始波形执行自相关函数以生成自相关波形;
-对所述原始波形执行快速傅里叶变换,以生成原始频谱;
-对所述自相关波形执行快速傅里叶变换,以生成自相关频谱;
-对来自所述原始频谱的幅度峰值第一列表进行编制;
-对来自所述自相关频谱的幅度峰值第二列表进行编制;
-将所述第二列表中的自相关幅度峰值与所述第一列表中的原始幅度峰值相匹配;
-将与自相关幅度峰值匹配的每个原始幅度峰值添加至峰值列表;
-当原始幅度峰值被添加至所述峰值列表中时,确定与所述峰值列表中的原始幅度峰值相关联的峰值能量的总量;以及
-在与所述峰值列表中的原始幅度峰值相关联的峰值能量的总量超过预定阈值之后,生成包括所述峰值列表中的原始幅度峰值的周期性信息图。
2.根据权利要求1所述的装置,其中,所述周期性信息处理器生成具有比所述原始频谱少至少80%的数据点的周期性信息图。
3.根据权利要求1所述的装置,其中,所述预定阈值包括百分比能量值,并且其中,周期性信息处理器被配置成执行用于根据下述公式计算所述百分比能量值的操作指令:
%原始能量=原始频谱总能量×%周期能量,
其中,
并且其中,自相关波形的前3%之后的最大峰值包括所述自相关波形中的在所述自相关波形的前3%之外发生的最大绝对峰值。
4.根据权利要求1所述的装置,其中,所述原始波形是峰值波形。
5.根据权利要求1所述的装置,其中,所述周期性信息处理器被配置成执行操作指令,以按照幅度降序的顺序对所述第一列表和所述第二列表中的幅度峰值进行排序,使得最大幅度峰值为第一个,最小幅度峰值为最后一个。
6.根据权利要求1所述的装置,其中,所述周期性信息处理器被配置成执行操作指令以将所述幅度峰值分类为同步峰值和非同步峰值,以将一个或多个第一显示颜色分配给所述周期性信息图中的所述同步峰值,并且分配一个或多个第二显示颜色给所述周期性信息图中的所述非同步峰值,其中,所述第一显示颜色不同于所述第二显示颜色。
7.根据权利要求6所述的装置,其中,所述周期性信息处理器被配置成执行操作指令以将为同步峰值的幅度峰值分离成多个族,并且为所述周期性信息图中的每个同步峰值族分配不同的显示颜色。
8.根据权利要求1所述的装置,还包括:
数据通信网络,周期性信息处理器被连接至所述数据通信网络,通过所述数据通信网络传送周期性信息图;以及
分析计算机,所述分析计算机与所述数据通信网络连接,所述分析计算机用于接收和显示周期性信息图以供分析人员查看。
9.根据权利要求1所述的装置,其中,所述周期性信息处理器确定来自所述第二列表的自相关幅度峰值与来自所述第一列表的原始幅度峰值之间的匹配,
|原始频率峰值-自相关频率峰值|≤n×Δ频率,
其中,所述原始频率峰值是所述第一列表中的原始幅度峰值的频率值,所述自相关峰值频率是所述第二列表中的自相关幅度峰值的频率值,以及n为整数值,并且Δ频率根据下述公式确定:
其中,F最大是所述原始频谱的最大频率,LOR是所述原始频谱中分辨率的行数。
10.根据权利要求1所述的装置,其中,数据收集器包括数字数据记录器或振动数据收集器。
11.根据权利要求1所述的装置,其中,所述数据收集器包括低通抗混叠滤波器。
12.根据权利要求1所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
13.根据权利要求1所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
14.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到所述机器,所述位置提供从所述机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
数据收集器,所述数据收集器与所述振动传感器通信,所述数据收集器被配置成接收和调节所述振动信号,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存数字振动数据;以及
周期性信息处理器,其能够操作以接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-对所述原始波形进行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-对所述原始波形执行自相关函数以生成自相关波形;
-对所述自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,并且N为频率值的数量;
-根据下述公式将所述原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
以及
-根据下述公式将所述原始频谱和所述自相关频谱组合,以生成具有幅度值YPIP1(n)的周期性信息图,
YPIP1(n)=YMCVS(n)×YAS(n),其中,n=1至N,
其中,将幅度值YPIP1(n)包含在周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
15.根据权利要求14所述的装置,其中,所述周期性信息处理器被配置成根据下述条件执行操作指令以生成具有幅度值YPIP3(n)的周期性信息图,所述条件为:
如果YPIP1(n)>YTHR,则YPIP3(n)=YPIP1(n),
如果YPIP1(n)≤YTHR,则YPIP3(n)=0,
其中,n=1至N,YTHR为预定阈值。
16.根据权利要求14所述的装置,其中,所述周期性信息处理器被配置成执行操作指令以对所述周期性信息图执行快速傅里叶逆变换以生成信息波形。
17.根据权利要求16所述的装置,其中,所述周期性信息处理器被配置成执行操作指令以根据所述信息波形中推导出循环信息图。
18.根据权利要求14所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
19.根据权利要求14所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
20.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到机器,所述位置提供从机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
数据收集器,所述数据采集器与所述振动传感器通信,所述数据收集器被配置成接收和调节所述振动信号,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存所述数字振动数据;以及
周期性信息处理器,其能够操作成接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-对所述原始波形进行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-对所述原始波形执行自相关函数以生成自相关波形;
-对所述自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,并且N为频率值的数量;
-根据以下公式将原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
以及
-根据下述条件生成具有幅度值YPIP2(n)的周期性信息图:
如果YAS(n)>YTHR,则YPIP2(n)=YMCVS(n),
如果YAS(n)≤YTHR,则YPIP2(n)=0,
其中,n=1至N,YTHR为预定阈值,
其中仅仅将幅度值YPIP2(n)包含在所述周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
21.根据权利要求20所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
22.根据权利要求20所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
23.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到所述机器,所述位置提供从机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
数据收集器,所述数据收集器与所述振动传感器通信,所述数据收集器被配置成接收和调节所述振动信号,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存所述数字振动数据;以及
周期性信息处理器,其能够操作成接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-对所述数字振动数据行快速傅里叶变换,以生成具有幅度值YVS(n)的原始频谱,其中,n=1至N,并且N为频率值的数量;
-根据以下公式将原始频谱中的相邻的幅度值对YVS(2n)和YVS(2n-1)组合起来:
-对所述原始波形执行自相关函数以生成自相关波形;
-对所述自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N,其中,N为频率值的数量;以及
-将所述原始频谱与所述自相关频谱结合以生成具有根据以下公式确定的坐标值XPM(n)和YPM(n)的周期图:
XPM(n)=YMCVS(n),
YPM(n)=YAS(n),
n=1至N。
24.根据权利要求23所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
25.根据权利要求23所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
26.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到所述机器,所述位置提供从所述机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
数据收集器,所述数据采集器与所述振动传感器通信,所述数据收集器被配置成接收和调节所述振动信号,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存所述数字振动数据;以及
周期性信息处理器,其能够操作成接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-对所述原始波形执行自相关函数以生成自相关波形;
-对所述自相关波形进行快速傅里叶变换,以生成具有幅度值YAS(n)的自相关频谱,其中,n=1至N;
-根据下述条件生成具有幅度值YNPIP(n)的非周期性信息图:
如果YAS(n)<YTHR,则YNPIP(n)=YAS(n),
如果YAS(n)≥YTHR,则YNPIP(n)=0,
其中,n=1至N,YTHR为预定阈值,
其中,仅仅将幅度值YNPIP(n)包含在非周期性信息图中突出了与分析人员的诊断相关的信号分量,同时消除了所不期望的非周期信号分量,从而改善相关信号分量的可视化。
27.根据权利要求26所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
28.根据权利要求26所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
29.一种用于获取和分析与机器相关联的振动的周期性信息的装置,所述装置包括:
振动传感器,其在下述位置处牢固地附接到所述机器,所述位置提供从机器内的振动源到振动传感器的固体传输路径,所述振动传感器用于生成振动信号;
转速计传感器,其被配置成附接到所述机器并生成转速;
数据收集器,所述数据收集器与所述振动传感器和所述转速计传感器通信,所述数据收集器被配置成接收和调节所述振动信号和所述转速,所述数据收集器包括:
模数转换器,其用于将所述振动信号转换成数字振动数据;以及
存储器,其用于缓存所述数字振动数据;
周期性信息处理器,其能够操作成接收所述数字振动数据,所述周期性信息处理器被配置成执行用于处理所述数字振动数据的操作指令,所述操作指令包括当其被执行时进行以下操作的指令:
-根据所述数字振动数据生成原始波形;
-确定所述原始波形的最大峰值幅度;
-对所述原始波形执行自相关函数以生成自相关波形;
-至少部分地基于所述自相关波形来确定周期信号参数值,其中,所述周期信号参数值包括指示原始波形中的周期性信息的级别的单个实数;
-计算或接收故障限制级别;以及
-根据最大峰值幅度和故障限制级别计算一个或多个严重性值。
30.根据权利要求29所述的装置,其中,所述周期性信息处理器是所述数据收集器的组件。
31.根据权利要求29所述的装置,其中,所述周期性信息处理器是分析计算机的、经由通信网络与所述数据收集器通信的组件。
32.根据权利要求29所述的装置,其中,所述原始波形是峰值波形。
33.根据权利要求29所述的装置,其中,如果所述周期信号参数值大于0.1或者%周期能量大于预定百分比,并且机器速度未知,则所述周期性信息处理器根据以下公式计算轴承故障严重性(BFS)值:
BFS=归一化严重性×%周期能量,
其中,
其中x是归一化因子
以及
34.根据权利要求29所述的装置,其中,如果所述周期信号参数值大于0.1或者%周期能量大于预定百分比,并且机器速度已知,则所述周期性信息处理器根据以下公式计算轴承故障严重性(BFS)值:
其中,
其中,x是归一化因子。
35.根据权利要求29所述的装置,还包括周期性信息处理器,所述周期性信息处理器被配置成执行操作指令以基于转弯速度计算警报限制水平,其中,如果所述周期信号参数值小于0.1或者%周期能量小于预定百分比,以及所述原始波形的最大峰值幅度大于警报限制值,则所述周期性信息处理器根据以下公式计算润滑寿命(LS)值:
其中,x是归一化因子,非周期能量百分比(%NPE)是百分比周期能量(%周期能量)的函数,并且通过以下公式根据自相关波形计算百分比周期能量:
36.根据权利要求29所述的装置,其中,如果所述周期性信号参数值大于0.1或者%周期能量大于预定百分比,则所述周期性信息处理器执行操作指令以根据以下公式计算变速箱故障严重性(GFS)值:
其中,
归一化严重性=一般严重性×x,
以及
一般严重性=最大峰值/(2×故障限制),
以及x是归一化因子。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662410935P | 2016-10-21 | 2016-10-21 | |
US62/410,935 | 2016-10-21 | ||
US15/697,911 US10416126B2 (en) | 2013-07-02 | 2017-09-07 | Machine fault prediction based on analysis of periodic information in a signal |
US15/697,911 | 2017-09-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107976304A CN107976304A (zh) | 2018-05-01 |
CN107976304B true CN107976304B (zh) | 2019-09-20 |
Family
ID=61865875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710980433.1A Active CN107976304B (zh) | 2016-10-21 | 2017-10-19 | 基于对信号的周期性信息进行分析的机器故障预测 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107976304B (zh) |
DE (1) | DE102017124135B4 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11635345B2 (en) | 2013-07-02 | 2023-04-25 | Computational Systems, Inc. | System for separating periodic frequency of interest peaks from non-periodic peaks in machine vibration data |
CN110646202B (zh) * | 2018-06-08 | 2021-09-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN109063668B (zh) * | 2018-08-14 | 2021-09-14 | 哈工大机器人(合肥)国际创新研究院 | 一种基于峰值保留降采样的冲击信号包络解调方法 |
US11435260B2 (en) * | 2018-10-16 | 2022-09-06 | Computational Systems, Inc. | Graphical display of discontinuous waveform data |
US11506569B2 (en) | 2019-01-15 | 2022-11-22 | Computational Systems, Inc. | Bearing and fault frequency identification from vibration spectral plots |
CN111581762B (zh) * | 2019-02-15 | 2023-04-14 | 中国航发商用航空发动机有限责任公司 | 早期故障诊断方法及*** |
DE102019127211A1 (de) * | 2019-03-05 | 2020-09-10 | Computational Systems, Inc. | System zum Trennen von periodischen Amplitudenspitzen von nicht-periodischen Amplitudenspitzen in Maschinenschwingungsdaten |
US11499946B2 (en) * | 2019-03-15 | 2022-11-15 | Computational Systems, Inc. | Waveform acquisition optimization |
CN110543965B (zh) * | 2019-07-19 | 2023-01-06 | 中国工商银行股份有限公司 | 基线预测方法、基线预测装置、电子设备和介质 |
US11300482B2 (en) * | 2019-08-06 | 2022-04-12 | Computational Systems, Inc. | Graphical differentiation of spectral frequency families |
US11573153B2 (en) * | 2019-08-21 | 2023-02-07 | Computational Systems, Inc. | Prediction of machine failure based on vibration trend information |
US11499889B1 (en) | 2021-09-10 | 2022-11-15 | Computational Systems, Inc. | Fault frequency matching of periodic peaks in spectral machine data |
DE102021214964A1 (de) | 2021-12-22 | 2023-06-22 | Rolls-Royce Deutschland Ltd & Co Kg | System und Verfahren zur Bestimmung radialer Auslenkungen eines drehbaren Bauteils |
CN115438704B (zh) * | 2022-11-04 | 2023-01-20 | 摩尔线程智能科技(北京)有限责任公司 | 从信号中提取周期性码型的装置及其方法、电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1361480A (zh) * | 2002-01-18 | 2002-07-31 | 武汉武水电力有限公司 | 水力机组振动摆度参量的监测和分析方法 |
US8174402B2 (en) * | 2005-01-31 | 2012-05-08 | Csi Technology, Inc. | Machine condition indication system |
CN103398768A (zh) * | 2008-12-22 | 2013-11-20 | S.P.M.仪器公司 | 分析具有旋转部件的机器的状态的方法和*** |
CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断***及方法 |
CN104407291A (zh) * | 2014-11-12 | 2015-03-11 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断***与方法 |
CN105738061A (zh) * | 2016-02-19 | 2016-07-06 | 莆田学院 | 一种振动信号的图像分析方法 |
CN105865793A (zh) * | 2016-03-25 | 2016-08-17 | 西北工业大学 | 一种提高多转子航空发动机振动监测精度的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5895857A (en) | 1995-11-08 | 1999-04-20 | Csi Technology, Inc. | Machine fault detection using vibration signal peak detector |
US6192325B1 (en) | 1998-09-15 | 2001-02-20 | Csi Technology, Inc. | Method and apparatus for establishing a predictive maintenance database |
US6549869B1 (en) | 2000-06-20 | 2003-04-15 | Csi Technology, Inc. | Expert analysis modules for machine testing |
US6889553B2 (en) | 2003-07-16 | 2005-05-10 | Pcb Piezotronics Inc. | Method and apparatus for vibration sensing and analysis |
US7561200B2 (en) | 2004-07-26 | 2009-07-14 | Csi Technology, Inc. | Apparatus and method for automation of imaging and dynamic signal analyses |
US7424403B2 (en) | 2006-09-29 | 2008-09-09 | Csi Technology, Inc. | Low power vibration sensor and wireless transmitter system |
US20120041695A1 (en) | 2010-08-16 | 2012-02-16 | Csi Technology, Inc. | Integrated vibration measurement and analysis system |
US9405291B2 (en) | 2012-07-31 | 2016-08-02 | Fisher-Rosemount Systems, Inc. | Systems and methods to monitor an asset in an operating process unit |
US9791422B2 (en) | 2013-07-02 | 2017-10-17 | Computational Systems, Inc. | Analysis of periodic information in a signal |
US20160014670A1 (en) * | 2014-07-10 | 2016-01-14 | Electronics And Telecommunications Research Institute | Method for generating network route using tv white space |
-
2017
- 2017-10-17 DE DE102017124135.3A patent/DE102017124135B4/de active Active
- 2017-10-19 CN CN201710980433.1A patent/CN107976304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1361480A (zh) * | 2002-01-18 | 2002-07-31 | 武汉武水电力有限公司 | 水力机组振动摆度参量的监测和分析方法 |
US8174402B2 (en) * | 2005-01-31 | 2012-05-08 | Csi Technology, Inc. | Machine condition indication system |
CN103398768A (zh) * | 2008-12-22 | 2013-11-20 | S.P.M.仪器公司 | 分析具有旋转部件的机器的状态的方法和*** |
CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断***及方法 |
CN103529386B (zh) * | 2013-10-12 | 2015-10-21 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断***及方法 |
CN104407291A (zh) * | 2014-11-12 | 2015-03-11 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断***与方法 |
CN105738061A (zh) * | 2016-02-19 | 2016-07-06 | 莆田学院 | 一种振动信号的图像分析方法 |
CN105865793A (zh) * | 2016-03-25 | 2016-08-17 | 西北工业大学 | 一种提高多转子航空发动机振动监测精度的方法 |
Non-Patent Citations (1)
Title |
---|
"基于Hilbert解包络及倒频谱分析的齿轮箱断齿";赵怀璧 等;《煤矿机械》;20110531;第32卷(第5期);第232-234页 * |
Also Published As
Publication number | Publication date |
---|---|
DE102017124135A1 (de) | 2018-04-26 |
CN107976304A (zh) | 2018-05-01 |
DE102017124135B4 (de) | 2023-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107976304B (zh) | 基于对信号的周期性信息进行分析的机器故障预测 | |
US10416126B2 (en) | Machine fault prediction based on analysis of periodic information in a signal | |
CN111664929B (zh) | 用于在机器振动数据中分离周期振幅波峰和非周期振幅波峰的*** | |
Singh et al. | Bearing damage assessment using Jensen-Rényi Divergence based on EEMD | |
US9791422B2 (en) | Analysis of periodic information in a signal | |
US11002641B2 (en) | System for separating periodic amplitude peaks from non-periodic amplitude peaks in machine vibration data | |
US11635345B2 (en) | System for separating periodic frequency of interest peaks from non-periodic peaks in machine vibration data | |
JP5460160B2 (ja) | 設備機器の診断装置 | |
WO2002073150A9 (en) | System and method for analyzing vibration signals | |
WO2010094915A1 (en) | Method and apparatus for monitoring and analyzing vibrations in rotary machines | |
WO2007130380A2 (en) | Rotating bearing analysis and monitoring system | |
CN112326236B (zh) | 一种齿轮箱运行状态在线监测方法、***及存储介质 | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
JP7083293B2 (ja) | 状態監視方法および状態監視装置 | |
CN110174281A (zh) | 一种机电设备故障诊断方法及*** | |
KR101543146B1 (ko) | 진동 장치의 상태 판단 방법 | |
EP1390739A2 (en) | Method and apparatus for determining the health of a component using condition indicators | |
JP7383367B1 (ja) | 回転機器の振動データ分析方法及び分析システム | |
Klinchaeam et al. | Fault detection of a spur gear using vibration signal with multivariable statistical parameters. | |
CN115203629A (zh) | 分离机器振动数据中感兴趣峰与非周期峰周期频率的*** | |
Wändell | Multistage gearboxes: Vibration based quality control | |
Alekseev et al. | Data measurement system of compressor units defect diagnosis by vibration value | |
Kumar et al. | Intelligent condition monitoring techniques for early fault diagnosis of rotating Machines-A review | |
US11499889B1 (en) | Fault frequency matching of periodic peaks in spectral machine data | |
JP2007051982A (ja) | 診断対象物の評価方法および評価装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |