CN110631850A - 一种大型旋转机械运行状态故障诊断***及方法 - Google Patents
一种大型旋转机械运行状态故障诊断***及方法 Download PDFInfo
- Publication number
- CN110631850A CN110631850A CN201910783462.8A CN201910783462A CN110631850A CN 110631850 A CN110631850 A CN 110631850A CN 201910783462 A CN201910783462 A CN 201910783462A CN 110631850 A CN110631850 A CN 110631850A
- Authority
- CN
- China
- Prior art keywords
- vibration
- frequency
- vibrator
- characteristic
- fault
- 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
Images
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
-
- 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
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于大型旋转机械的故障智能诊断领域,公开了一种大型旋转机械运行状态故障诊断***及方法,***包括:数据采集模块用于获取大型旋转机械当前运行时间的振动数据;振动特征提取模块用于通过振动数据提取多种振动特征;振动特征分类模块用于将每种振动特征通过分类规则进行分类,得到对应的振动子特征;故障概率计算模块用于预设多种故障类型,根据所有振动子特征计算不同故障类型下的故障概率;故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。本发明能够根据大型旋转机械的振动数据特征进行智能分析,进而自动诊断出具体故障概率。
Description
技术领域
本发明属于大型旋转机械的故障智能诊断领域,具体涉及一种大型旋转机械运行状态故障诊断***及方法。
背景技术
目前,大型旋转机械的振动分析与故障诊断工作主要还是依靠专业人员人工分析完成,对人员的专业技术和诊断经验要求比较高,专业人员无法时刻守在用户现场,导致振动问题发生后处理故障的响应速度受到限制。随着近年来大数据分析和人工智能技术的发展,把数据分析技术与故障诊断技术、专家诊断经验进行有机融合,开发大型旋转机械的故障智能诊断***就具备了技术条件,并且有着非常广阔的应用前景。
在开发大型旋转机械的故障智能诊断***过程中,主要有两个重要问题需要解决:第一个是振动数据的智能分析、特征自动提取、专家经验的量化技术。第二个就是故障诊断规则库的设计,即根据不同故障原因所表现出来的不同故障特征,设计一套能够根据大型旋转机械的振动数据特征进行智能分析,进而诊断出具体故障原因的方法。
发明内容
本发明的目的在于提供一种大型旋转机械运行状态故障诊断***及方法,用以解决现有技术中存在的大型旋转机械的故障无法智能诊断的问题。
为了实现上述任务,本发明采用以下技术方案:
一种大型旋转机械运行状态故障诊断***,包括数据采集模块、振动特征提取模块、振动特征分类模块、故障概率计算模块和故障诊断模块;
所述数据采集模块用于获取大型旋转机械当前运行时间的振动数据;
所述振动特征提取模块用于通过数据采集模块采集到的振动数据提取多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
所述振动特征分类模块用于将振动特征提取模块得到的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
所述故障概率计算模块用于预设多种故障类型,根据振动特征分类模块得到的所有振动子特征计算不同故障类型下的故障概率;
所述故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
进一步的,所述振动数据包括大型旋转机械当前运行时间的振幅、频率、相位、旋转轴轴心位置和转速。
进一步的,所述振动特征提取模块包括波形特征提取子模块、频率特征提取子模块、轴心轨迹特征提取子模块、一倍频相位特征提取子模块、一倍频轴心轨迹长短轴比值特征提取子模块、工艺参数特征提取子模块、齿轮啮合特征提取子模块和振动稳定性特征提取子模块,其中,所述工艺参数相关性特征提取子模块用于获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;所述振动稳定性提取子模块用于根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A。
更进一步的,所述振动特征分类模块包括波形特征分类子模块、频率特征分类子模块、轴心轨迹特征分类子模块、一倍频相位特征分类子模块、一倍频轴心轨迹长短轴比值特征分类子模块、工艺参数特征分类子模块、齿轮啮合特征分类子模块和振动稳定性特征分类子模块;
所述波形特征分类子模块中的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波;
所述频率特征分类子模块的分类规则为:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;
所述轴心轨迹特征分类子模块中的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征分类子模块中的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征分类子模块的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征分类子模块的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
进一步的,所述故障类型包括不平衡、不对中、碰摩和松动,其中不平衡包括原始不平衡、渐变不平衡和突发不平衡,不对中包括轴承不对中和轴系不对中。
一种大型旋转机械运行状态故障诊断方法,包括如下步骤:
步骤1:获取大型旋转机械当前运行时间的振动数据;
步骤2:获取步骤1得到的振动数据的多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
步骤3:对步骤2获得的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
步骤4:预设多种故障类型,根据步骤3获得的所有振动子特征计算不同故障类型下的故障概率;
步骤5:根据步骤4得到的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
进一步的,所述与工艺参数相关性特征的获取方法为:获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;
所述振动稳定性特征的获取方法为:根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A。
更进一步的,所述波形特征的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波;
所述频率特征的分类规则为:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;
所述轴心轨迹特征的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
进一步的,所述故障类型包括不平衡、不对中、碰摩和松动,其中不平衡包括原始不平衡、渐变不平衡和突发不平衡,不对中包括轴承不对中和轴系不对中。本发明与现有技术相比具有以下技术特点:
本发明能够实现振动数据的智能分析和特征自动提取,同时能够量化诊断的标准,实现自动诊断,本发明还能够根据不同故障原因所表现出来的不同故障特征,并且结合大型旋转机械的振动数据特征进行智能分析,进而诊断出具体故障原因的方法并且计算其故障概率,具有很广阔的应用前景。
附图说明
图1为本发明的***结构示意图;
图2为本发明的一倍频振动幅值特征提取流程图;
图3为本发明的高倍频振动幅值特征提取流程图;
图4为本发明的高倍频与一倍频特征判决对比图;
图5为本发明的低频振动幅值特征提取流程图;
图6为本发明的低频与一倍频特征判决对比图;
图7为本发明的轴心轨迹特征提取流程图;
图8为本发明的轴心轨迹示意图。
具体实施方式
以下先对本发明中出现的技术名词进行解释:
大型旋转机械:主要依靠旋转动作完成特定功能的机械,典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机和航空发动机等,广泛应用于电力、石化、冶金和航空航天等部门。
大型旋转机械主要的振动故障有不平衡、不对中、碰摩和松动等。
通频振动:表示振动原始波形的振动幅值。
选频振动:表示所选定的某一频率正弦振动的幅值,如一倍频、高倍频、低频下的幅值。
高倍频:n倍频,n≥3且n为整数。
低频:m倍频,0<m<1且n为分数。
实施例1
在本实施例中公开了一种大型旋转机械运行状态故障诊断***,包括数据采集模块、振动特征提取模块、振动特征分类模块、故障概率计算模块和故障诊断模块;
所述数据采集模块用于获取大型旋转机械当前运行时间的振动数据;
所述振动特征提取模块用于通过数据采集模块采集到的振动数据提取多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
所述振动特征分类模块用于将振动特征提取模块得到的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
所述故障概率计算模块用于预设多种故障类型,根据振动特征分类模块得到的所有振动子特征计算不同故障类型下的故障概率;
所述故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
本***能够实现振动数据的智能分析和特征自动提取,同时能够量化诊断的标准,实现自动诊断,根据具体故障原因的方法并且计算其故障概率,具有很广阔的应用前景。
具体的,所述振动数据包括大型旋转机械当前运行时间的振幅、频率、相位、旋转轴轴心位置和转速。
具体的,所述振动特征提取模块包括波形特征提取子模块、频率特征提取子模块、轴心轨迹特征提取子模块、一倍频相位特征提取子模块、一倍频轴心轨迹长短轴比值特征提取子模块、工艺参数特征提取子模块、齿轮啮合特征提取子模块和振动稳定性特征提取子模块;
其中,所述工艺参数相关性特征提取子模块用于获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;所述振动稳定性提取子模块用于根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A,一个周期即为一次振动的时间。
波形特征提取子模块用于获取一个振动周期的振动数据并将数据分成32等份,设定每一份中振动的最大值与最小值之差为△i,对振动周期△i进行算术平均得到Δ=∑Δi/32;
频率特征提取子模块用于获取振动数据的频谱值,然后根据转速计算基频,获取通频、低频、一倍频和高倍频处的振动幅值;
如图4所示,轴心轨迹特征提取子模块用于获取一倍频轴心轨迹征和一倍频的轴心轨迹中椭圆长轴与短轴之比值μ;
具体的,所述振动特征分类模块包括波形特征分类子模块、频率特征分类子模块、轴心轨迹特征分类子模块、一倍频相位特征分类子模块、一倍频轴心轨迹长短轴比值特征分类子模块、工艺参数特征分类子模块、齿轮啮合特征分类子模块和振动稳定性特征分类子模块;
所述波形特征分类子模块中的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波;判决规则为:如果△小于峰峰值的7%,则判定振动子特征为波形光滑;如果△位于峰峰值的7%至20%之间,则判定振动子特征为波形存在毛刺现象;如果△>峰峰值的20%,即判定振动子特征为波形粗糙、毛刺明显;
如图2-图6所示,所述频率特征分类子模块的分类规则为:
首先,判断通频值,通频值低于报警值的40%(或者≤30um),此为正常状态;通频值居于报警值的40%~80%之间(或者居于30um~60um之间),此为振动稍高状态;通频值大于报警值的80%(或者大于60um),此为振动较大状态,在振动稍高和振动较大的状态下,进一步对各个频率进行判断:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;二倍频值居于5~10um之间,属于稍高状态;二倍频大于10um,属于较大状态。
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;高倍频值居于3~10um之间,属于稍高状态;大于10um,属于较大状态;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;低频值居于3~10um之间,属于稍高状态;大于10um,属于较大状态。
判断二倍频值、高倍频值和低频值具体所在的区间能够为振动子特征赋予影响能力强弱,若频率属于稍高状态则该振动子特征影响能力较强,若频率属于较大状态则该振动子特征影响能力很强。
所述轴心轨迹特征分类子模块中的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征分类子模块中的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征分类子模块的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征分类子模块的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
具体的,所述故障类型包括不平衡、不对中、碰摩和松动,其中不平衡包括原始不平衡、渐变不平衡和突发不平衡,不对中包括轴承不对中和轴系不对中。
实施例2
本实施例公开了一种大型旋转机械运行状态故障诊断方法,其特征在于,包括如下步骤:
步骤1:获取大型旋转机械当前运行时间的振动数据;
步骤2:获取步骤1得到的振动数据的多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
步骤3:对步骤2获得的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
步骤4:预设多种故障类型,根据步骤3获得的所有振动子特征计算不同故障类型下的故障概率;
步骤5:根据步骤4得到的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
具体的,所述波形特征的获取方法为:获取一个振动周期的振动数据并将数据分成32等份,设定每一份中振动的最大值与最小值之差为△i,对振动周期△i进行算术平均得到Δ=∑Δi/32;
所述频率特征的获取方法为:获取振动数据的频谱值,然后根据转速计算基频,获取通频、低频、一倍频和高倍频处的振动幅值;
所述轴心轨迹特征的获取方法为:获取一倍频的轴心轨迹椭圆长轴与短轴之比值μ;
所述与工艺参数相关性特征的获取方法为:获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;
所述振动稳定性特征的获取方法为:根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A。
优选的,所述波形特征的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波,所述波形特征的振动子特征判定方法为:如果△小于峰峰值的7%,则判定振动子特征为波形光滑;如果△位于峰峰值的7%至20%之间,则判定振动子特征为波形存在毛刺现象;如果△>峰峰值的20%,即判定振动子特征为波形粗糙、毛刺明显;
所述频率特征的分类规则为:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;
所述轴心轨迹特征的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
实施例3
在本实施例中公开了一种大型旋转机械运行状态故障诊断***,包括数据采集模块、振动特征提取模块、振动特征分类模块、故障概率计算模块和故障诊断模块;
所述数据采集模块用于获取大型旋转机械当前运行时间的振动数据;
所述振动特征提取模块用于通过数据采集模块采集到的振动数据提取多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
所述振动特征分类模块用于将振动特征提取模块得到的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
所述故障概率计算模块用于预设多种故障类型,根据振动特征分类模块得到的所有振动子特征计算不同故障类型下的故障概率;
所述故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
本实施例中根据门限判决模块得到的多种振动子特征建立故障诊断规则库,按照波形特征、频谱特征、趋势特征、相位特征、轴心轨迹特征、振动与工艺参数(温度、压力)的关系等方面对振动数据特征进行分类编号(见表1),每一种振动子特征对应一个编号从01-44。
根据各种故障类型的不同振动数据特征,对这些故障类型所对应的振动数据特征编号进行整理汇集,编制故障诊断规则库。
表1振动特征名称表
不同的故障类型具有不同的振动数据特征,这些振动数据特征在故障诊断过程中的权重影响系数也不同。根据振动数据特征的影响大小,本实施例对不同振动特征赋予不同的权重系数,然后设计不同故障的概率计算方法,最终计算出各类故障的发生概率。
本实施例如果检测不平衡故障,则故障概率计算模块预设三种不平衡故障类型,设计不平衡故障概率计算公式,根据振动特征分类模块得到的所有振动子特征计算三种不平衡故障类型下的故障概率得到A1、A2、A3,A1、A2、A3的取值均为0到1;
然后故障诊断模块根据故障概率计算模块的计算结果A1、A2、A3进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。例如,A1=0.5,A2=0.23,A3=0.05时,当前运行故障为原始不平衡。
首先将一段振动数据通过数据采集模块、振动特征提取模块、振动特征分类模块得到了具体的振动子特征,然后通过给各个振动子特征赋值(如果该特征存在赋值为1,不存在赋值为0),再将子特征输入不平衡故障概率计算公式,实现故障诊断的概率计算。然后根据不同的故障类型,设计具体的解决方案。表2中数字标号表示表1中对应的振动子特征。
表2故障概率计算表
Claims (9)
1.一种大型旋转机械运行状态故障诊断***,其特征在于,包括数据采集模块、振动特征提取模块、振动特征分类模块、故障概率计算模块和故障诊断模块;
所述数据采集模块用于获取大型旋转机械当前运行时间的振动数据;
所述振动特征提取模块用于通过数据采集模块采集到的振动数据提取多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
所述振动特征分类模块用于将振动特征提取模块得到的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
所述故障概率计算模块用于预设多种故障类型,根据振动特征分类模块得到的所有振动子特征计算不同故障类型下的故障概率;
所述故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
2.如权利要求1所述的大型旋转机械运行状态故障诊断***,其特征在于,所述振动数据包括大型旋转机械当前运行时间的振幅、频率、相位、旋转轴轴心位置和转速。
3.如权利要求1所述的大型旋转机械运行状态故障诊断***,其特征在于,所述振动特征提取模块包括波形特征提取子模块、频率特征提取子模块、轴心轨迹特征提取子模块、一倍频相位特征提取子模块、一倍频轴心轨迹长短轴比值特征提取子模块、工艺参数特征提取子模块、齿轮啮合特征提取子模块和振动稳定性特征提取子模块,其中,所述工艺参数相关性特征提取子模块用于获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;所述振动稳定性提取子模块用于根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A。
4.如权利要求3所述的大型旋转机械运行状态故障诊断***,其特征在于,所述振动特征分类模块包括波形特征分类子模块、频率特征分类子模块、轴心轨迹特征分类子模块、一倍频相位特征分类子模块、一倍频轴心轨迹长短轴比值特征分类子模块、工艺参数特征分类子模块、齿轮啮合特征分类子模块和振动稳定性特征分类子模块;
所述波形特征分类子模块中的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波;
所述频率特征分类子模块的分类规则为:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;
所述轴心轨迹特征分类子模块中的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征分类子模块中的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征分类子模块的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征分类子模块的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
5.如权利要求1所述的大型旋转机械运行状态故障诊断***,其特征在于,所述故障类型包括不平衡、不对中、碰摩和松动,其中不平衡包括原始不平衡、渐变不平衡和突发不平衡,不对中包括轴承不对中和轴系不对中。
6.一种大型旋转机械运行状态故障诊断方法,其特征在于,包括如下步骤:
步骤1:获取大型旋转机械当前运行时间的振动数据;
步骤2:获取步骤1得到的振动数据的多种振动特征,所述振动特征包括波形特征、频率特征、轴心轨迹特征、一倍频相位特征、一倍频轴心轨迹长短轴比值特征、工艺参数相关性特征、齿轮啮合特征和振动稳定性特征;
步骤3:对步骤2获得的每种振动特征通过分类规则进行分类,得到对应的振动子特征;
步骤4:预设多种故障类型,根据步骤3获得的所有振动子特征计算不同故障类型下的故障概率;
步骤5:根据步骤4得到的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。
7.如权利要求6所述的大型旋转机械运行状态故障诊断方法,其特征在于,所述与工艺参数相关性特征的获取方法为:获取振动发生时同步变化的工艺量与振动的相关性,所述工艺量包括速度、压力、温度和流量;
所述振动稳定性特征的获取方法为:根据当前运行时间内的振动数据,每10个周期获得一次振动幅值最高值与最低值之差△A。
8.如权利要求7所述的大型旋转机械运行状态故障诊断方法,其特征在于,所述波形特征的振动子特征包括光滑正弦波、畸变正弦波、低频成分正弦波、毛刺明显的正弦波和包含削波的正弦波;
所述频率特征的分类规则为:
(1)如果一倍频≥通频值的70%,则判定为没有其他频率振动,频率特征的振动子特征为一倍频;
(2)如果一倍频<通频值的70%,则判定包含其他频率成分的振动并进行其他频率成分判决;
(21)如果二倍频值小于5um时,忽略二倍频,否则,频率特征的振动子特征包含二倍频;
(22)如果高倍频值小于3um时,忽略高倍频,否则,频率特征的振动子特征包含高倍频;
(23)如果低频值小于3um时,忽略低频,否则,频率特征的振动子特征包含低频;
所述轴心轨迹特征的振动子特征包括光滑椭圆、“8”字形、香蕉形、双环套、部分区域接近直线和杂乱无章;
所述一倍频相位特征的振动子特征包括稳定、突变后稳定、渐变和非临界转速处振动异常;
一倍频轴心轨迹长短轴比值特征分类子模块的分类规则为:如果一倍频轴心轨迹长短轴比值μ≤1.5,则振动子特征为比值较小;如果μ>2,则振动子特征为比值较大;如果1.5<μ≤2,则振动子特征为比值居中;
所述工艺参数相关性特征的分类规则为:
如果振动发生变化时,工艺量也有同步变化现象的次数占振动变化次数的50%以上,则振动子特征为该工艺量与振动相关性明显;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%至50%之间,则振动子特征为该工艺量对振动有影响;如果工艺量有同步变化现象的次数占到振动变化次数的阈值20%以下,则振动子特征为该工艺量与振动无关;
所述振动稳定性特征的分类规则为:如果△A≤5um,则振动趋势平滑;如果振动趋势平滑,振动的平均值在一小时内变化幅度<3um,则振动子特征为振动平稳;如果振动平均值持续上升且变化超过了3um,则振动子特征为缓慢上升,如果振动平均值持续上升且变化超过了10um,则振动子特征为急剧上升;如果5um<△A≤10um,则振动子特征为轻微波动;如果△A>10um,则振动子特征为剧烈波动。
9.如权利要求6所述的大型旋转机械运行状态故障诊断***,其特征在于,所述故障类型包括不平衡、不对中、碰摩和松动,其中不平衡包括原始不平衡、渐变不平衡和突发不平衡,不对中包括轴承不对中和轴系不对中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783462.8A CN110631850B (zh) | 2019-08-23 | 2019-08-23 | 一种大型旋转机械运行状态故障诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783462.8A CN110631850B (zh) | 2019-08-23 | 2019-08-23 | 一种大型旋转机械运行状态故障诊断***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110631850A true CN110631850A (zh) | 2019-12-31 |
CN110631850B CN110631850B (zh) | 2021-05-11 |
Family
ID=68970773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783462.8A Active CN110631850B (zh) | 2019-08-23 | 2019-08-23 | 一种大型旋转机械运行状态故障诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110631850B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111473966A (zh) * | 2020-04-26 | 2020-07-31 | 深圳沈鼓测控技术有限公司 | 一种应用于流程工业的旋转机械故障诊断方法及*** |
CN113187715A (zh) * | 2021-05-26 | 2021-07-30 | 西安热工研究院有限公司 | 一种超临界二氧化碳压缩机振动智能诊断的矩阵分析方法 |
CN114010353A (zh) * | 2021-11-05 | 2022-02-08 | 深圳市云顶信息技术有限公司 | 电动牙刷压力检测方法和电动牙刷 |
CN114689161A (zh) * | 2022-03-30 | 2022-07-01 | 珠海格力电器股份有限公司 | 检测方法、非易失性存储介质以及检测*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
EP2221732A1 (en) * | 2009-02-23 | 2010-08-25 | Mitsubishi Electric R&D Centre Europe B.V. | Signal processing |
CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN108629430A (zh) * | 2018-05-14 | 2018-10-09 | 西安交通大学 | 一种重大设备智能运维管理*** |
CN109596357A (zh) * | 2018-12-12 | 2019-04-09 | 北京振测智控科技有限公司 | 一种汽轮发电机组非真实转轴振动信号的辨别方法 |
-
2019
- 2019-08-23 CN CN201910783462.8A patent/CN110631850B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
EP2221732A1 (en) * | 2009-02-23 | 2010-08-25 | Mitsubishi Electric R&D Centre Europe B.V. | Signal processing |
CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN108629430A (zh) * | 2018-05-14 | 2018-10-09 | 西安交通大学 | 一种重大设备智能运维管理*** |
CN109596357A (zh) * | 2018-12-12 | 2019-04-09 | 北京振测智控科技有限公司 | 一种汽轮发电机组非真实转轴振动信号的辨别方法 |
Non-Patent Citations (1)
Title |
---|
苑少刚: "风机常见振动故障的特征及诊断方法", 《冶金设备》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111473966A (zh) * | 2020-04-26 | 2020-07-31 | 深圳沈鼓测控技术有限公司 | 一种应用于流程工业的旋转机械故障诊断方法及*** |
CN113187715A (zh) * | 2021-05-26 | 2021-07-30 | 西安热工研究院有限公司 | 一种超临界二氧化碳压缩机振动智能诊断的矩阵分析方法 |
CN113187715B (zh) * | 2021-05-26 | 2022-12-13 | 西安热工研究院有限公司 | 一种超临界二氧化碳压缩机振动智能诊断的矩阵分析方法 |
CN114010353A (zh) * | 2021-11-05 | 2022-02-08 | 深圳市云顶信息技术有限公司 | 电动牙刷压力检测方法和电动牙刷 |
CN114689161A (zh) * | 2022-03-30 | 2022-07-01 | 珠海格力电器股份有限公司 | 检测方法、非易失性存储介质以及检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN110631850B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631850B (zh) | 一种大型旋转机械运行状态故障诊断***及方法 | |
CN102288283B (zh) | 汽轮发电机组振动故障的监测方法及装置 | |
CN101430239B (zh) | 大型汽轮发电机组油膜涡动故障实时诊断方法 | |
Yongbo et al. | Review of local mean decomposition and its application in fault diagnosis of rotating machinery | |
Bin et al. | Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network | |
CN105806613A (zh) | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 | |
CN106525337B (zh) | 基于在线数据的水轮发电机组磁拉力不平衡故障分析方法 | |
CN110940917B (zh) | 一种电动机故障预警方法及*** | |
Chen et al. | Fault features of large rotating machinery and diagnosis using sensor fusion | |
WO2017170270A1 (ja) | 歯車装置の状態監視システムおよび状態監視方法 | |
CN111401584B (zh) | 一种设备故障自动诊断方法及*** | |
Deng et al. | Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis | |
CN111881736A (zh) | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 | |
Hamomd et al. | Vibration based centrifugal pump fault diagnosis based on modulation signal bispectrum analysis | |
Da Silva et al. | Fault diagnosis in rotating machine using full spectrum of vibration and fuzzy logic | |
Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds | |
Marcal et al. | Detecting faults in rotating machines | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
US11898994B2 (en) | Waveform acquisition optimization | |
Ewert et al. | Application of selected higher-order methods to detect rotor unbalance of drive system with PMSM | |
CN1186600C (zh) | 高速旋转机械半速涡动在线稳定性特征提取与监测方法 | |
Jablonski et al. | Unsupervised detection of rotary machine imbalance based on statistical signal properties | |
CN115144171A (zh) | 一种变转速工况下的旋转机械振动信号归一化方法 | |
JP2017181283A (ja) | シングルピニオン式の遊星歯車装置の歯数特定装置および歯数特定方法 |
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 |