CN110108474B - 一种旋转机械运行稳定性在线监测与评估方法及*** - Google Patents
一种旋转机械运行稳定性在线监测与评估方法及*** Download PDFInfo
- Publication number
- CN110108474B CN110108474B CN201910481631.2A CN201910481631A CN110108474B CN 110108474 B CN110108474 B CN 110108474B CN 201910481631 A CN201910481631 A CN 201910481631A CN 110108474 B CN110108474 B CN 110108474B
- Authority
- CN
- China
- Prior art keywords
- sequence
- singular value
- mechanical
- state
- abnormal
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种旋转机械运行稳定性在线监测与评估方法及***,利用传感器收集设定时间内被监测旋转机械的机械信号;利用奇异值分解方法对收集的机械信号进行奇异值分解,设定时间中不同时间点机械信号经奇异值分解后得到的奇异值形成奇异值序列,将奇异值序列作为被监测旋转机械当前的状态特征信息;利用统计距离分析对状态特征信息进行时序上的距离度量,将度量后的距离作为异常度分数,多个异常度分数形成异常度序列;利用假设检验对异常度序列进行实时的检测,判断是否有异常点出现,以确定旋转机械设备运行过程中是否出现异常的状态。本发明能够收集旋转机械振动产生的机械信号,将设定时间的机械信号进行处理后监测机械运动的运行状态。
Description
技术领域
本发明属于机械***状态监测技术领域,具体涉及一种旋转机械运行稳定性在线监测与评估方法及***。
背景技术
随着机械工业技术的迅速发展,现代机械装备朝着高速度、高精度、高效率和高度自动化的方向发展,为保证这些机械设备的健康运行,避免在使用过程中出现关键零部件失稳、失效引起的机械故障、设备失效等状况;避免造成机械设备停机维修,产生大量的经济损失,甚至严重的工业生产事故;需要实时对机械设备的运行稳定性进行评估,监测出机械设备在运行过程中出现的异常状态,即可能出现的机械设备失效的早期征兆点,将其表征为机械运行的异常状态,提醒操作人员采取及时的处理。
发明人认为:目前旋转机械运行稳定性的监测主要是采用频域分析的方法,由于其计算量比较大,且基本上是离线的方式,同时诊断的结果也需要专业人员分析,从而使得目前的方法不能实时在线的监测和分析旋转机械的运行稳定性。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种旋转机械运行稳定性在线监测与评估方法及***。该方法能够实时在线的完成机械运行稳定性的监测,同时实现针对不同状态自适应的完成稳定性监测与评估。
本发明的第一目的是提供一种旋转机械运行稳定性在线监测与评估方法,能够实时收集被监测旋转机械振动产生的机械信号,将设定时间长度的机械信号进行处理后监测机械运动是否存在异常状态。
本发明的第二目的是提供一种旋转机械运行稳定性在线监测与评估***,基于上述的旋转机械运行稳定性在线监测与评估方法,实现旋转机械运行状态的实时监测,及时发现旋转机械运行状态的异常。
为实现上述目的,本发明采用下述技术方案:
一种旋转机械运行稳定性在线监测与评估方法,包括以下步骤:
步骤1,利用传感器以设定的采样频率收集设定时间内被监测旋转机械的机械信号;所述传感器包括振动传感器,所述机械信号包括振动信号。
步骤2,利用奇异值分解方法对收集的机械信号进行奇异值分解,设定时间中机械信号经奇异值分解后得到的奇异值形成奇异值序列,将奇异值序列作为被监测旋转机械当前的状态特征信息。奇异值序列包含了该片段信号数据的所有信息,同时该序列也能够表征出该片段信号机械运行状态的本质特征,这些奇异值序列在时间序列上能够反映出机械的运行状态变化情况。该提取奇异值作为信号中特征信息的方法已在轴承故障诊断中有所应用。
步骤3,利用统计距离分析对状态特征信息进行时序上的距离度量,将度量后的距离作为异常度分数,多个异常度分数形成异常度序列。统计距离分析能够快速的量化出奇异值序列之间的相似度,进而能够实现实时准确的效果。比采用神经网络的方法减少了大量的历史信号数据学习训练阶段,以及复杂的计算判别过程。统计距离分析在语音识别、文本识别或者视频行为识别中均已得到应用。
步骤4,利用假设检验对异常度序列进行实时的检测,判断是否有异常点出现,以确定旋转机械设备运行过程中是否出现异常的状态。假设检验是统计分析中十分常用的检验方法,它能实现在不同工作状态下自适应的稳定性分析,进而提高本方法的应用场景,增加实用能力。
一种旋转机械运行稳定性在线监测与评估***,包括状态采集模块、状态特征提取模块、状态异常度度量模块、状态变化时刻确定模块。
状态采集模块用于采集被监测旋转机械的机械信号;
状态特征提取模块与状态采集模块连接,状态特征提取模块用于利用奇异值分解方法提取机械信号中表征机械运行的状态特征信息;
状态采集模块与状态异常度度量模块连接,状态异常度度量模块用于分析度量机械运行的状态特征信息之间的异常度;
状态异常度度量模块连接与状态变化时刻确定模块连接,状态变化时刻确定模块用于利用假设检验异常度进行检测,评估机械运行稳定性,进而确定机械运行状态发生变化的时刻。
本发明的有益效果:
1)本发明采用传感器实时采集旋转机械运行状态中的振动信号,并且利用奇异值分解技术得到设定时间中的奇异值序列作为该时间片段中机械运行的状态特征信息,相对于其他的信号处理方式来说,运行状态特征信息的表征更精确。
2)采用统计距离分析的方式得到相邻两个时间长度的奇异值序列的异常度分数,并将多个异常度分数形成异常度序列,为后续的异常判断提供了数据基础;同时异常度的计算能够在很短的时间完成,能够实时在线的监测机械信号并评估机械运行状态。
3)采用假设检验能够方便的实现异常度序列中异常点的检验,将异常状况及时提供给操作人员,避免旋转机械运行状态异常造成的机械故障,设备失效的问题。
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限定。
图1是本发明实施例1中监测方法的流程图;
图2是本发明实施例1中设定时间长度的奇异值序列;
图3是本发明实施例1中设定时间长度的机械信号根据统计分析度量得到的异常度序列图;
图4是本发明实施例2中整体结构示意图;
图5是本发明实施例1中具体实验得到的数据分析图。
具体实施方式
应该指出,以下详细说明都是例示性的,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。
实施例1
如图1-5所示,提供一种旋转机械运行稳定性在线监测与评估方法,包括以下步骤:
步骤1,利用传感器以设定的频率收集设定时间内被监测旋转机械的机械信号;所述传感器包括振动传感器,所述机械信号包括振动信号。
步骤2,利用奇异值分解方法对收集的机械信号进行奇异值分解,设定时间中不同时间点的机械信号经奇异值分解后得到的奇异值形成奇异值序列,将奇异值序列作为被监测旋转机械当前的状态特征信息。
具体的,传感器收集的机械信号在时刻t时为x(t),取其中一段长度为T的机械信号XT=(x1,…,xT),XT表示按照时间顺序将各时间点机械信号排列形成的序列,x1,x2等表示序列中的对象,其下标数字表示其在序列中所处的位置。
将其转化为一个多维的时间序列Y1,…,YK其中Yi=(xi,…,xi+L-1)T为一维的列向量,L为滑动窗的长度,选取的范围为2≤L≤T/2,在实际的应用中,L取为T的三分之一长度且为整数。多维的时间序列又称为汉克尔矩阵Y:
其中,L、K表示矩阵Y有L行,K列;K的数值由L确定。yij表示矩阵Y中第i行第j列的元素。
对矩阵Y进行奇异值分解,矩阵Y可以分解为三个矩阵的乘积:
Y=UΣVT
其中,U为L×L的正交矩阵,V为K×K的正交矩阵,Σ为L×K的矩阵也称为Y的奇异值值矩阵;
Σ中的元素称为奇异值,因奇异值序列的前部分值包含的能量占据了整个奇异值序列,因此我们取前d=a×L长度的奇异值序列作为提取的特征,其中a为比例系数,取值范围为(0,...,1]。因此一个数据片段XT=(x1,…,xT)提取的奇异值序列的数据分布结构用于反映机械运行的当前状态特征,即为当前机械运行的状态特征信息。
如图2所示,是本实施例的一个设定时间长度的机械信号提取的奇异值序列,即提取的特征序列图。
步骤3,利用统计距离分析对状态特征信息进行时序上的距离度量,将度量后的距离作为异常度分数,多个异常度分数形成异常度序列;
具体的,由步骤2得到的连续两个设定时间长度的机械信号的两组奇异值序列为和其中n表示一个奇异值序列qi在多个奇异值序列之间所处的位置,即第n个奇异值序列qi。采用对称KL散度(Symmetric Kullback-Leibler Divergence)来实现对两组奇异值序列和之间的度量:
首先对于一个时间长度的奇异值序列的概率函数f(q)的计算如下:
对于用对称KL散度度量计算两个序列数据组分布概率函数f1(q)和f2(q)之间的距离D(f1||f2)和D(f2||f1):
最终对称KL散度的度量距离计算如下:
两个连续监测的信号片段的特征序列之间的异常度为sn。
图3是本发明的一段包含状态变化的信号根据统计分析度量得到的异常度序列图。
步骤4,利用假设检验对异常度序列进行实时的检测,判断是否有异常点出现,以确定旋转机械设备运行过程中是否出现异常的状态。
具体的:利用假设检验的3σ控制图对异常度序列进行检测,是否有异常状态的征兆点出现,其假设检验模型如下:
其中H0为接受域,H1为拒绝域。当H0为真,即H1被拒绝时,表示当前时刻片段的信号中没有异常的状态发生;
当H0被拒绝,即H1为真时,表示当前时刻片段的信号中有异常的状态发生,同时该时刻的异常度为异常度序列中的异常点;
实施例2
一种旋转机械运行稳定性在线监测与评估***,包括状态采集模块、状态特征提取模块、状态异常度度量模块、状态变化时刻确定模块。
状态采集模块用于采集被监测旋转机械的机械信号。
状态特征提取模块与状态采集模块连接,状态特征提取模块用于利用奇异值分解方法提取机械信号中表征机械运行的状态特征信息;所述状态特征提取模块能够从采集的机械信号中提取设定时间长度的机械信号构建汉克尔矩阵,对生成的矩阵进行奇异值分解,将得到的奇异值序列作为该设定时间长度提取的当前机械运行的状态特征信息。
状态采集模块与状态异常度度量模块连接,状态异常度度量模块用于分析度量机械运行的状态特征信息之间的异常度;所述状态异常度度量模块:利用对称KL散度度量方法计算连续两个设定时间长度信号的奇异值序列,即计算相邻两组奇异值序列的对称KL散度距离,将对称KL散度距离作为机械运行中状态变化的异常度分数。
状态异常度度量模块连接与状态变化时刻确定模块连接,状态变化时刻确定模块用于利用假设检验异常度进行检测,评估机械运行稳定性,进而确定机械运行状态发生变化的时刻。
所述状态变化时刻确定模块能够利用假设检验的3σ控制图对异常度序列进行检测,判断在机械运行中是否存在异常状态,并确定异常状态发生变化的时刻。
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 (7)
1.一种旋转机械运行稳定性在线监测与评估方法,其特征在于,包括以下步骤:
步骤1,利用传感器以设定的频率收集设定时间内被监测旋转机械的机械信号;
步骤2,利用奇异值分解方法对收集的机械信号进行奇异值分解,设定时间中不同时间点的机械信号经奇异值分解后得到的奇异值形成奇异值序列,将奇异值序列作为被监测旋转机械当前的状态特征信息;
步骤3,利用统计距离分析对状态特征信息进行时序上的距离度量,将度量后的距离作为异常度分数,多个异常度分数形成异常度序列;
所述步骤3中具体步骤为:
由步骤2得到的连续两个设定时间长度的机械信号的两组奇异值序列为和其中n表示一个奇异值序列qi在多个奇异值序列之间所处的位置,即第n个奇异值序列qi,采用对称KL散度来实现对两组奇异值序列和之间的度量,
首先对于一个时间长度的奇异值序列的概率函数f(q)的计算如下:
用对称KL散度度量计算两个序列数据组概率函数f1(q)和f2(q)之间的距离D(f1||f2)和D(f2||f1):
最终对称KL散度的度量距离计算如下:
两个连续监测的信号片段的特征序列之间的异常度为sn;
步骤4,利用假设检验对异常度序列进行实时的检测,判断是否有异常点出现,以确定旋转机械设备运行过程中是否出现异常的状态。
2.根据权利要求1所述的一种旋转机械运行稳定性在线监测与评估方法,其特征在于,所述传感器包括振动传感器,所述机械信号包括振动信号。
3.根据权利要求1所述的一种旋转机械运行稳定性在线监测与评估方法,其特征在于,所述步骤2中具体的方式为:
传感器收集的机械信号在时刻t时为x(t),取其中一段时间长度为T的机械信号XT=(x1,…,xT),将其转化为一个多维的时间序列,即转化为汉克尔矩阵Y,表示为:
XT表示按照时间顺序将各时间点机械信号排列形成的序列,x1至xT表示序列中的对象,其下标数字表示其在序列中所处的位置;L、K表示矩阵Y有L行,K列;K的数值由L确定,yij表示矩阵Y中第i行第j列的元素;
对矩阵Y进行奇异值分解,矩阵Y能够分解为三个矩阵的乘积:
Y=UΣVT
其中,U为L×L的正交矩阵,V为K×K的正交矩阵,Σ为L×K的矩阵也称为Y的奇异值矩阵;
5.一种旋转机械运行稳定性在线监测与评估***,利用了权利要求1-4中任意一项所述的旋转机械运行稳定性在线监测与评估方法,其特征在于,包括:
状态采集模块,用于采集被监测旋转机械的机械信号;
状态特征提取模块,用于通过奇异值分解方法提取机械信号中表征机械运行的状态特征信息;
状态异常度度量模块,用于分析度量机械运行的状态特征信息之间的异常度;所述状态异常度度量模块能够利用对称KL散度度量方法计算连续两个设定时间长度信号的奇异值序列,将对称KL散度距离作为机械运行中状态变化的异常度;
状态变化时刻确定模块,其用于利用假设检验异常度进行检测,评估机械运行稳定性,进而确定机械运行状态发生变化的时刻。
6.根据权利要求5所述的一种旋转机械运行稳定性在线监测与评估***,其特征在于,所述状态特征提取模块能够从采集的机械信号中提取设定时间长度的机械信号构建汉克尔矩阵,对生成的矩阵进行奇异值分解,将得到的奇异值序列作为该设定时间长度提取的当前机械运行的状态特征信息。
7.根据权利要求5所述的一种旋转机械运行稳定性在线监测与评估***,其特征在于,所述状态变化时刻确定模块能够利用假设检验的3σ控制图对异常度序列进行检测,判断在机械运行中是否存在异常状态,并确定异常状态发生变化的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481631.2A CN110108474B (zh) | 2019-06-04 | 2019-06-04 | 一种旋转机械运行稳定性在线监测与评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481631.2A CN110108474B (zh) | 2019-06-04 | 2019-06-04 | 一种旋转机械运行稳定性在线监测与评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108474A CN110108474A (zh) | 2019-08-09 |
CN110108474B true CN110108474B (zh) | 2020-05-15 |
Family
ID=67493748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481631.2A Active CN110108474B (zh) | 2019-06-04 | 2019-06-04 | 一种旋转机械运行稳定性在线监测与评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108474B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144267B (zh) * | 2019-12-23 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 设备运行状态检测方法、装置、存储介质及计算机设备 |
CN114414227B (zh) * | 2021-12-29 | 2023-05-26 | 华电电力科学研究院有限公司 | 一种设备碰撞感知方法、装置、设备及存储介质 |
CN115309090A (zh) * | 2022-09-28 | 2022-11-08 | 深圳市世坤科技实业有限公司 | 一种机械设备工作状态控制***及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100268455B1 (ko) * | 1997-11-18 | 2000-10-16 | 윤종용 | 비선형 동적 시스템의 신호들을 위한 필터링 방법 |
CN103743563B (zh) * | 2013-08-13 | 2016-01-06 | 华北电力大学(保定) | 一种基于温度数据的风机齿轮箱子空间故障预测方法 |
CN106650696B (zh) * | 2016-12-30 | 2019-12-10 | 山东大学 | 一种基于奇异值分解的手写电气元件符号识别方法 |
CN106959400B (zh) * | 2017-02-28 | 2020-03-31 | 中国南方电网有限责任公司 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
CN108444712A (zh) * | 2018-05-07 | 2018-08-24 | 东南大学 | 基于改进hht和模糊熵的风电传动***主轴承振动信号分析方法 |
CN109583386B (zh) * | 2018-11-30 | 2020-08-25 | 中南大学 | 一种智能旋转机械故障深度网络特征辨识方法 |
-
2019
- 2019-06-04 CN CN201910481631.2A patent/CN110108474B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110108474A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及*** | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测*** | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN115409131B (zh) | 基于spc过程管控***的生产线异常检测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111861272A (zh) | 一种基于多源数据的复杂机电***异常状态检测方法 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及*** | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及*** | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN108955855B (zh) | 面向旋转机械的振动信号特征提取方法、监测方法及装置 | |
CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及*** | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
Song et al. | Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 |
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 |