CN108520093A - 一种基于知识库的机械设备故障诊断方法和装置 - Google Patents
一种基于知识库的机械设备故障诊断方法和装置 Download PDFInfo
- Publication number
- CN108520093A CN108520093A CN201810175974.1A CN201810175974A CN108520093A CN 108520093 A CN108520093 A CN 108520093A CN 201810175974 A CN201810175974 A CN 201810175974A CN 108520093 A CN108520093 A CN 108520093A
- Authority
- CN
- China
- Prior art keywords
- equipment
- knowledge
- library
- characteristic frequency
- diagnostic method
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于知识库的机械设备故障诊断方法和装置,所述方法包括:接收待监测设备进行振动信号测量;基于特征频率知识库,计算所述设备的特征频谱;基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;其中,所述特征频率知识库存储特征频率的计算方法;所述状态知识库存储设备不同运行状态与特征频率之间的关系。本发明建立了诊断知识库,具备较多的诊断依据,具有诊断结果准确的特点。
Description
技术领域
本发明涉及旋转类机械设备故障诊断技术领域,特别是涉及一种基于知识库的机械设备故障诊断方法和装置。
背景技术
故障诊断技术是指在***运行状态或工作状态下,通过各种监测手段判别其工作是否正常。通常故障诊断技术采用各种状态检测、测量、分析和判别方法,结合被监测设备的历史状况以及运行环境因素,对设备运行状态进行评估,判断设备处于正常或非正常状态,并对状态进行显示和记录。如果设备处于异常状态,需做出报警,以便运行人员及时处理,并为故障分析、性能评估、合理使用及安全工作提供信息和基础数据。
随着现代科技的发展,人们对发电机、鼓风机等旋转类机械设备长周期、高负荷下的可靠性提出了更高要求。利用故障诊断技术手段实现机械设备的安全运行是一种行之有效的途径。及时了解***运行状态,快速诊断并判明故障,不仅可以显著提高维修效率、降低维修成本,还可以延长***的使用寿命。因此,对故障诊断技术的研究具有重要现实意义。
故障诊断技术由于现代大生产的迫切需要而迅猛发展,如今的故障诊断技术的内容已日益丰富。但相关技术对某一特定部件的研究较多,对通用性设备、***研究较少,且以振动信号采集、分析功能较多,故障诊断功能较少。
在故障诊断方法中,基于振动信号处理及分析是实践证明最为有效的常用方法。在现有对振动信号的频域特征分析中,主要参考的是机械装备转速的倍频,如1倍频、2倍频、3倍频等。虽然根据特征频率进行故障诊断是目前比较常用的技术手段,但目前尚无较为全面的根据被诊断机械装备的具体组成参数产生特征频率的方法。
因此,如何基于设备的具体参数进行准确的故障诊断,是目前本领域技术人员迫切需要解决的技术问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种故障诊断方法,通过设备参数建立相关模型,计算出特征频率集合,再根据历史振动数据、特征频率处的振幅和人工状态标记,生成设备状态知识库,利用该知识库对待诊断振动信号进行分析获得设备状态。如果设备状态异常,给出故障严重程度和处理方案。
为实现上述目的,本发明采用如下技术方案:
一种基于知识库的机械设备故障诊断方法,包括以下步骤:
接收待监测设备进行振动信号测量;
基于特征频率知识库,计算所述设备的特征频谱;
基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;
其中,所述特征频率知识库存储特征频率的计算方法;
所述状态知识库存储设备不同运行状态与特征频率之间的关系。
进一步地,所述特征频率的计算是基于设备的结构参数。
进一步地,所述结构参数包括电机参数、轴承参数和具体机械参数。
进一步地,所述运行状态包括正常和故障;运行状态为故障时,还包括故障等级。
进一步地,所述状态知识库建立方法为:
对各设备表面历史振动数据进行运行状态标记,生成特征谱线与各设备不同运行状态之间的关系;
计算各设备不同运行状态对应的特征频率处振幅范围,形成状态知识库。
进一步地,所述状态标记包括:
首先标记正常运行或故障类型;
根据历史测量记录得到各设备对应的各特征频率的最大值和最小值,从而确定各特征频率的正常取值范围;
根据所述正常取值范围,进一步标记各设备的故障等级。
根据本发明的第二目的,本发明还提供了一种基于知识库的机械设备故障诊断***,包括存储器和处理器,所述存储器存储设备库、特征频率知识库、状态知识库,以及可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
接收待监测设备的设备名称,从设备库调取相应结构参数;
接收待监测设备的振动信号测量结果;
基于特征频率知识库,计算所述设备的特征频谱;
基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;
其中,所述特征频率知识库存储特征频率的计算方法;
所述状态知识库存储设备不同运行状态与特征频率之间的关系。
本发明的有益效果
1、本发明重点针对通用机械设备普遍存在的轴承故障及电机故障,进行故障诊断建模及算法设计,实现多种类型机械故障的识别和故障等级分析。可根据机械装备的具体组成参数,如轴承的内径、外径等,确定20-30个不同的特征频率,大大增加了诊断时所依据的信息内容,因此具有诊断结果准确的特点。
2、本发明采用基于知识库的自动诊断技术,知识库包括特征频率知识库和设备状态知识库。特征频率知识库记录设备型号和特征频率集合,设备状态知识库中记录设备状态、设备特征频谱范围等内容。对不同的机械装备,可根据其具体组成参数而不是简单根据设备转速来决定特征频率,因此同时具有适应性较强的特点,可靠性和可维护性比较强。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明设备故障建模和故障诊断流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于知识库的机械设备故障诊断建模方法,包括以下步骤:
步骤1:接收旋转类设备的结构参数。
所述结构参数包括:电机参数、轴承参数和具体机械参数。具体地,
1)电机类参数包括:电机主频、电机转速、电机定子齿数、电机转子齿数、电机极对数。
2)轴承参数包括:轴承内圈直径、轴承外圈直径、轴承滚珠直径、轴承内圆半径、轴承滚珠个数、轴承列数、轴承螺旋线数。
3)设备参数包括:设备转速、设备轴承数、设备叶片数、设备转子级数、设备一级转子齿数、设备二级转子齿数、设备齿轮比。
步骤2:建立特征频率知识库,所述特征频率知识库中包括故障诊断时需要的特征频率计算公式,以及根据这些公式求取的各旋转类设备对应的特征频率集合,生成特征频谱。
特征频率T1~T26计算公式:
T1=电机转速/60.0;
T2=2.0*T1;
T3=(T1*轴承内圆半径*轴承列数)/(2.0*(Z1+(轴承滚珠直径/2.0)));
T4=T3*轴承滚珠个数*轴承列数;
T5=T4*Z4*轴承列数;
T6=(T1*轴承内圆半径*轴承列数)/轴承滚珠直径;
T7=T6*轴承滚珠个数*轴承列数;
T8=(T6–T1)*轴承列数;
T9=T8*轴承滚珠个数*轴承列数;
T10=(T1–T3)*轴承列数;
T11=T10*轴承滚珠个数*轴承列数;
T12=T1*电机定子齿数;
T13=T1*电机转子齿数;
T14=T1*(电机转子齿数+电机定子齿数)
T15=T1*设备转子叶片数
T16=T1*设备转子级数
T17=2.0*电机主频
T18=4.0*电机主频
T19=2.0*电机主频*Z3
T20=引擎主频*(1–Z3)
T21=引擎主频*(1-2.0*Z3)
T22=2.0*电机主频*(1-2.0*Z3)
T23=2300
T24=3150
T25=4500
T26=电机主频;
其中涉及的中间参数包括:
Z1=(轴承内圈直径+轴承外圈直径)/4.0-(轴承滚珠直径/2.0);
Z2=(电机主频*60.0)/(电机极对数);
Z3=(Z2-电机转速)/Z2
Z4=(Z1+2*轴承滚珠直径)/(轴承滚珠直径2.0);
Z5=轴承滚珠直径
步骤3:建立状态知识库,所述状态知识库中包括各设备不同运行状态与特征频谱之间的关系。所述运行状态为正常运行,或故障类型及故障等级。
所述状态知识库建立方法为:
由专家对各设备表面历史振动数据进行运行状态标记,标记正常运行或故障类型;
根据历史测量记录得到各设备对应的各特征频率的最大值和最小值,从而确定各特征频率的正常取值范围;
根据所述正常取值范围,进一步标记各设备的故障等级;
根据上述标记,生成特征谱线(振动信号在不同特征频率处的振幅)与各设备不同运行状态之间的关系;
计算各设备不同运行状态对应的特征频率处振幅范围,形成状态知识库。
步骤4:对待监测设备进行振动信号测量,根据步骤2中生成的特征频率集合,计算特征频谱,然后根据步骤3中的状态知识库对特征频谱进行知识推理,得到对应的运行状态。
本发明重点针对通用机械设备普遍存在的轴承故障及电机故障,进行故障诊断建模及算法设计,实现多种类型机械故障的识别和故障等级分析。
优选地,所述特征频率知识库记录设备型号和特征频率集合,设备状态知识库中记录设备型号、设备运行年限、设备状态、设备特征频谱范围等内容。知识库可以根据设备型号、年限等因素进行动态更新和补充。
实施例二
本实施例的目的是提供一种计算装置。
一种基于知识库的机械设备故障诊断装置,包括存储器和处理器,所述存储器存储设备库、特征频率知识库、状态知识库,以及可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
接收待监测设备的设备名称,从设备库调取相应结构参数;
接收待监测设备的振动信号测量结果;
基于特征频率知识库,计算所述设备的特征频谱;
基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;
其中,所述特征频率知识库存储特征频率的计算方法;
所述状态知识库存储设备不同运行状态与特征频率之间的关系。
实施例三
本实施例的目的是提供一种计算机存储介质。
一种计算机存储介质,包括设备库、特征频率知识库、状态知识库,以及可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
接收待监测设备的设备名称,从设备库调取相应结构参数;
接收待监测设备的振动信号测量结果;
基于特征频率知识库,计算所述设备的特征频谱;
基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;
其中,所述特征频率知识库存储特征频率的计算方法;
所述状态知识库存储设备不同运行状态与特征频率之间的关系。
本发明的有益效果:
1、本发明重点针对通用机械设备普遍存在的轴承故障及电机故障,进行故障诊断建模及算法设计,实现多种类型机械故障的识别和故障等级分析。可根据机械装备的具体组成参数,如轴承的内径、外径等,确定20-30个不同的特征频率,大大增加了诊断时所依据的信息内容,因此具有诊断结果准确的特点。
2、本发明采用基于知识库的自动诊断技术,知识库包括特征频率知识库和设备状态知识库。特征频率知识库记录设备型号和特征频率集合,设备状态知识库中记录设备状态、设备特征频谱范围等内容。对不同的机械装备,可根据其具体组成参数而不是简单根据设备转速来决定特征频率,因此同时具有适应性较强的特点,可靠性和可维护性比较强。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于知识库的机械设备故障诊断方法,其特征在于,包括以下步骤:
接收待监测设备进行振动信号测量;
基于特征频率知识库,计算所述设备的特征频谱;
基于状态知识库,对所述特征频谱进行知识推理,获取所述设备的运行状态;
其中,所述特征频率知识库存储特征频率的计算方法;
所述状态知识库存储设备不同运行状态与特征频率之间的关系。
2.如权利要求1所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述特征频率的计算是基于设备的结构参数。
3.如权利要求1所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述设备的结构参数获取方法为:接收待监测设备的设备名称,从设备库调取相应结构参数。
4.如权利要求2所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述结构参数包括电机参数、轴承参数和具体机械参数。
5.如权利要求1所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述运行状态包括正常和故障;运行状态为故障时,还包括故障等级。
6.如权利要求1所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述状态知识库建立方法为:
对各设备表面历史振动数据进行运行状态标记,生成特征谱线与各设备不同运行状态之间的关系;
计算各设备不同运行状态对应的特征频率处振幅范围,形成状态知识库。
7.如权利要求5所述的一种基于知识库的机械设备故障诊断方法,其特征在于,所述状态标记包括:
首先标记正常运行或故障类型;
根据历史测量记录得到各设备对应的各特征频率的最大值和最小值,从而确定各特征频率的正常取值范围;
根据所述正常取值范围,进一步标记各设备的故障等级。
8.一种基于知识库的机械设备故障诊断装置,包括存储器和处理器,其特征在于,所述存储器存储可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1‐7任一项所述的基于知识库的机械设备故障诊断方法。
9.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时执行如权利要求1‐7任一项所述的基于知识库的机械设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810175974.1A CN108520093B (zh) | 2018-03-02 | 2018-03-02 | 一种基于知识库的机械设备故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810175974.1A CN108520093B (zh) | 2018-03-02 | 2018-03-02 | 一种基于知识库的机械设备故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520093A true CN108520093A (zh) | 2018-09-11 |
CN108520093B CN108520093B (zh) | 2020-08-18 |
Family
ID=63433470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810175974.1A Active CN108520093B (zh) | 2018-03-02 | 2018-03-02 | 一种基于知识库的机械设备故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520093B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020138217A1 (en) * | 2001-03-20 | 2002-09-26 | Shen Hwa N. | Dynamically configurable process for diagnosing faults in rotating machines |
CN101672723A (zh) * | 2009-10-28 | 2010-03-17 | 北京中能联创风电技术有限公司 | 一种风电机组振动分析故障诊断方法和*** |
CN105065639A (zh) * | 2015-06-19 | 2015-11-18 | 北京唐智科技发展有限公司 | 齿轮箱及传动***共振破裂自动侦察识别与防范监控方法 |
CN105264181B (zh) * | 2012-07-25 | 2017-11-17 | 西门子能量股份有限公司 | 用于监视旋转叶片的健康状况的方法和*** |
-
2018
- 2018-03-02 CN CN201810175974.1A patent/CN108520093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020138217A1 (en) * | 2001-03-20 | 2002-09-26 | Shen Hwa N. | Dynamically configurable process for diagnosing faults in rotating machines |
CN101672723A (zh) * | 2009-10-28 | 2010-03-17 | 北京中能联创风电技术有限公司 | 一种风电机组振动分析故障诊断方法和*** |
CN105264181B (zh) * | 2012-07-25 | 2017-11-17 | 西门子能量股份有限公司 | 用于监视旋转叶片的健康状况的方法和*** |
CN105065639A (zh) * | 2015-06-19 | 2015-11-18 | 北京唐智科技发展有限公司 | 齿轮箱及传动***共振破裂自动侦察识别与防范监控方法 |
Non-Patent Citations (1)
Title |
---|
李向前: "复杂装备故障预测与健康管理关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108520093B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3631205B1 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
CN109973325B (zh) | 识别异常振动的方法和设备 | |
CN110940917B (zh) | 一种电动机故障预警方法及*** | |
CN105863970A (zh) | 一种风机故障识别方法及装置 | |
CN109840666B (zh) | 一种预测未来风电机组发生故障的模型构建方法及*** | |
CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
CN108520093A (zh) | 一种基于知识库的机械设备故障诊断方法和装置 | |
CN116292147A (zh) | 一种风机传动***故障诊断装置及方法 | |
CN113468728B (zh) | 一种基于神经网络的变桨***故障预测方法 | |
CN114412726A (zh) | 风电机组变桨轴承检测方法、装置及风力机组 | |
CN113759876A (zh) | 基于案例推理的风电机组故障诊断方法及*** | |
CN118133074A (zh) | 一种适用于货运机车牵引***的健康诊断***phm | |
JP6577394B2 (ja) | 風力発電設備の異常診断装置 | |
KR101468627B1 (ko) | 풍력발전기 데이터 분류 시스템 | |
CN112594141B (zh) | 轴承的故障监测方法、***、装置、控制器及存储介质 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及*** | |
CN115165364A (zh) | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 | |
Sułowicz et al. | Specialized diagnostic system for induction motors | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 | |
CN109209781A (zh) | 风力发电机组的故障定位方法及装置 | |
JP2017150884A (ja) | 異常診断装置および異常診断方法 | |
CN110108490B (zh) | 一种表征机器轴承健康状态特征指标的提取方法及*** | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing |
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 |