CN111664929A - 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*** - Google Patents
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*** Download PDFInfo
- Publication number
- CN111664929A CN111664929A CN201911104353.5A CN201911104353A CN111664929A CN 111664929 A CN111664929 A CN 111664929A CN 201911104353 A CN201911104353 A CN 201911104353A CN 111664929 A CN111664929 A CN 111664929A
- Authority
- CN
- China
- Prior art keywords
- vibration
- peaks
- peak
- periodic
- autocorrelation
- 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
- 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
- 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
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
-
- 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
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/16—Amplitude
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
采用统计方法分离自相关频谱中的周期振动波峰和非周期振动波峰。通常自相关频谱不是正态分布的,因为相对于一般高斯噪声,周期波峰的振幅明显是较大且随机的。对于正态分布信号,统计的参数的波峰度值为3。该方法根据频谱中的波峰顺序地移除每个最大振幅峰,直到波峰度为3或更小。所有被移除的波峰都视为是周期性的并且被放在一个集合中。该集合中的波峰的总能量被认为是该频谱的总周期能量。当建立波峰集合的进程在进行时,如果它的总能量在其波峰度达到3或更小之前变得大于或等于预定的能量阈值,则该进程停止,并且周期波峰集合被限定。
Description
技术领域
本发明涉及信号分析。更具体地说,本发明涉及一种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***。
背景技术
周期性是一个用来量化信号中多少能量是周期的术语。自相关系数函数是一个数学过程,可以用来确定信号波形中有多少能量是周期的。周期波峰图样或者非周期波峰图样-可以非常有助于识别故障类型。“周期波峰”一词是描述一个或多个谐波峰族的一般特征。与机器运行速度相关的周期波峰称为同步周期波峰。一类与运行速度(如轴承和皮带频率)不相关的周期波峰被称为非同步周期波峰。
传统上,识别这些图样以及如何应用这些图样需要有经验的振动分析人员。需要做的是首先计算一个指标,它代表一般的周期图样。这个值在本文被称为“周期信号参数”(PSP),是根据来源于起始波形的自相关波形导出的统计度量来计算的。根据原始频谱中的波峰与从自相关波形中提取的波峰和PSP值相结合,可以生成周期信息图(PIP)。该图中只包含了原始频谱中的周期波峰(同步和非同步周期波峰)。
从自相关波形中发现的最大振幅可以确定估算原始波形中存在多少周期。自相关波形中最大振幅的平方根用于估计周期能量百分比(定义为原始频谱中与周期信号相关的能量百分比)。一般来说,如果PSP的值大于0.1,或者周期能量百分比大于50%,则存在一个周期信号。
通过了解与周期波峰相关的原始频谱中的所估算的能量,可以生成“基本”周期信息图(PIP)。这个“基本”PIP是通过每次绘制一个周期波峰来创建的-从最大的波峰开始,并以降序继续进行-直到得到的图中的能量等于该周期能量百分比。但是,由于周期能量百分比值是一个估计值,因此产生的“基本”PIP通常包含过多的噪声。
发明内容
本文描述的是一种统计方法,用于更精确地确定自相关频谱中的哪些波峰是周期性的。一旦获得精确的周期波峰,就可以构造一个“更干净”(噪音较小)的PIP。下面将更详细地描述PIP算法。
基于对每一组波峰的分布的理解,产生了用于在自相关频谱中分离周期与非周期数据的统计方法。作为一个整体,自相关频谱不是正态分布的,因为周期波峰相对于噪声基底的振幅是显著的、随机的。然而,噪声基底通常是正态分布的(假设是高斯噪声)。在此基础上,提出了一种将周期波峰与噪声(非周期波峰)分离的方法。
最能描述噪声基底的统计参数是波峰度。对于正态分布信号,波峰度的值应为3。因此,在将波峰按最大振幅到最小振幅进行分类之后,计算出该波峰集合的波峰度,并将最大波峰依次从该集合中移除,直到波峰度等于波峰度阈值为止。优选的实施例中,波峰度阈值为3。在其他实施例中,波峰度阈值可为2.9或3.1,或接近3的一些其他值。当每个大的波峰从波峰集合中移除时,计算集合中剩余波峰的累积能量。所有被剔除的波峰(形成一个周期波峰集合)都被认为是周期性的。该周期波峰集合的能量被认为是原始频谱的周期能量。当进行剔除波峰的过程时,在波峰集合波峰度达到3或以下的波峰度阈值之前如果该“递增的”周期波峰集合的总能量大于或等于周期能量百分比,则该过程停止,并由此限定了该周期波峰集合。
本文描述的波峰度算法可以应用于任何FFT,而不仅仅是自相关FFT。例如,通过将该算法应用于速度FFT,可以剔除主要的定位波峰并用于确定FFT中最有影响的波峰。(这些波峰不一定是全部周期波峰,例如是对于本公开中可以找到的波峰)。这些有影响的波峰可以作为提高速度检测以及主要谐波族的基础。谐波族可与形成齿轮啮合的机械部件、齿轮齿、偏心(静态和动态)和轴承异常等有关。
当应用于PeakVueTM数据时,采用本文描述的周期性技术是特别有用的。“PeakVuePlus”指的是将PeakVueTM过程与本文描述的周期性相结合的过程。任何不是运行速度谐波的周期性(在这里称为“非同步周期性”)通常与轴承故障(例如内圈或外圈故障或球旋转故障或保持架故障)相关联。轴承故障的严重程度可以由相关联的PeakVueTM波形的波峰振幅来确定。这种严重程度与由轴承转动速度决定的故障等级成正比。当齿轮箱处于监控状态时,任何同步的周期性都与齿轮的健康有关。齿轮故障的严重程度与PeakVueTM波形的波峰振幅有关,并与由相关的齿轮转速所决定的故障等级成正比。当在PeakVueTM波形中出现大波峰并且和PSP≤0.1时,则怀疑滚子元件轴承和/或变速箱存在润滑问题。
通过确定波形的周期性,可以生成PIP从而使分析人员能够很容易地直观地看到被监测的机器的状况。从这个简化的图表,分析者可以预测故障,以根据需要采取行动或调查。下面描述用于生成PIP的过程的优选实施例。
本文描述的一些实施例提供了用于获取和分析在与机器相关的振动中的周期信息的装置。在一个优选实施例中,该装置包括振动传感器、数据采集器和处理器。振动传感器连接在机器上并生成振动信号。数据采集器与振动传感器通信,接收并确定振动信号。数据采集器包括模数转换器,用于将振动信号转换为数字振动数据。处理器接收该数字振动数据并执行用于处理该数字振动数据的操作指令,以:
-基于数字振动数据生成振动波形;
-对振动波形执行自相关函数以生成自相关波形;
-对所述振动波形进行快速傅里叶变换,以生成包含振动振幅波峰的振动频谱;
-对所述自相关波形进行快速傅里叶变换,以生成包含自相关振幅波峰的自相关频谱;
-编制来自振动频谱的振动振幅波峰的第一列表;
-编制自相关振幅波峰的周期波峰列表,该周期波峰列表仅包括与振动波形中的噪声无关的自相关振幅波峰;
-生成一波峰列表,将与周期波峰列表中的自相关振幅波峰相匹配的第一列表中的每个振动振幅波峰依次添加到波峰列表中;
-当振动振幅波峰被添加到该波峰列表时,确定与该波峰列表中的振动振幅波峰相关联的总波峰能量;以及
-在总波峰能量超过预定阈值之后,生成包含该波峰列表中的振动振幅波峰的周期信息图。
在一些实施例中,处理器通过以下方式编制周期波峰列表:
(a)编制自相关振幅波峰的第二个列表,该列表包含自相关频谱中的多个最大自相关振幅波峰;
(b)根据第二列表中所有波峰的振幅计算波峰度值;
(c)如果波峰度值大于波峰度阈值,则将第二列表中其振幅大于任何其他波峰的振幅的波峰从第二列表移动到周期波峰列表;以及
(d)重复步骤(b)和(c),直到波峰度值小于或等于波峰度阈值。
在一些实施例中,波峰度阈值为3。
在一些实施例中,处理器将振幅波峰划分为同步波峰和非同步波峰。处理器向周期信息图中的同步波峰分配一个或多个第一显示颜色,并将一个或多个第二显示颜色分配给非同步波峰,其中第一显示颜色不同于第二显示颜色。
在一些实施例中,处理器将为同步波峰的振幅波峰分离成多个族,并为周期信息图中的每个同步波峰族分配不同的显示颜色。
在一些实施例中,数据采集器包括数字数据记录器或振动数据采集器。
在一些实施例中,处理器是数据采集器的组件,或者是通过通信网络与数据收集器通信的分析计算机的组件。
在另一方面,本文描述的实施例提供了一种计算机实现的方法,用于分析为机器性能分析而收集的数字振动数据中的周期信息。该方法的优选实施例包括以下步骤:
(a)根据数字振动数据生成振动波形;
(b)对振动波形进行快速傅里叶变换以生成振动频谱;
(c)通过统计地将振动频谱中的周期波峰与噪声波峰分离来编制振动振幅波峰的周期波峰列表,所述编制包括:
(c1)生成振动振幅波峰的初始列表,该初始列表包含多个来自振动频谱的最大振动振幅波峰;
(c2)根据初始列表中所有振动振幅波峰的振幅计算波峰度值;
(c3)如果波峰度值大于波峰度阈值,则将其振幅大于初始列表中任何其他波峰的振幅的振动振幅波峰从初始列表移动到周期波峰列表;
(c4)重复步骤(c2)和(c3),直到波峰度值小于或等于波峰度阈值;以及
(d)在显示设备上绘制振动信息,该振动信息包括或来自周期波峰列表中的振动振幅波峰。
在一些实施例中,波峰度阈值为3。
在一些实施例中,振动波形是自相关波形,振动频谱是自相关频谱。
在一些实施例中,步骤(d)包括绘制仅表示数字振动数据中的周期信息的机器振动信息。
在一些实施例中,数字振动数据表示泵的振动,步骤(d)包括绘制指示泵中气蚀现象的机器振动信息。
在另一方面,本文描述的实施例提供了一种计算机实现的方法,用于分析为机器性能分析而收集的数字振动数据中的周期信息。该方法的优选实施例包括以下步骤:
(a)根据数字振动数据生成振动波形;
(b)对振动波形进行快速傅里叶变换以生成振动频谱;
(c)识别振动频谱中的振动振幅波峰;
(d)将每个振动振幅波峰划分为同步波峰或非同步波峰;
(e)以一个或多个第一显示颜色或一个或多个第一线型绘制显示设备上的同步波峰;以及
(f)以不同于第一显示颜色和第一线型的一个或多个第二显示颜色或一个或多个的第二线型绘制显示设备上的非同步波峰。
在一些实施例中,所述方法包括将被归类为同步波峰的振动振幅波峰分离成多个族,步骤(e)包括采用不同的第一显示颜色或第一线型来绘制每个同步波峰族。
附图说明
该专利或申请的文件包含至少一幅彩色的附图。基于请求及缴付所需费用,提供附有彩色附图的本专利的副本或专利申请公开版本。参考详细的描述并结合附图,本发明的其他优点将变得显而易见,其中元件不按比例绘制,以便更清楚地显示细节,其中相同的附图标记在几个视图中指示相同的元件,并且其中:
图1A和1B示出了根据本发明的优选实施例用于在信号中提取和分析周期信息的***的功能框图;
图2示出了根据本发明优选实施例确定周期信号参数的方法流程图;
图3-7示出了对于周期信号参数的不同值的示例性自相关振动波形;
图8示出了根据本发明第一实施例生成周期信息图的方法流程图;
图9示出了一个示例性标准振动频谱;
图10示出了从图9中示出的频谱导出的示例性自相关振动频谱。
图11-17示出了根据本发明的优选实施例基于图9中所示的频谱生成的周期信息图。
图18示出了根据优选实施例的诊断故障状态仪表的图形显示;
图19示出了根据与振动信号中存在的随机振动噪声和其他非周期能量相关的自相关波形计算的能量图;
图20示出了根据本发明第二实施例生成周期信息图的方法流程图;
图21示出了二级变速箱的诊断信息的图形显示,该二级变速箱在第二轴的从动齿轮上有一断齿;
图22示出了根据本发明优选实施例的用于确定轴承故障严重程度值和润滑严重程度值的方法流程图;
图23示出了无故障的全润滑轴承诊断信息的图形显示;
图24示出了良好轴承的诊断信息的图形显示,除了由于缺乏润滑而运行“干燥”之外,没有其他重大故障;
图25示出了具有内圈故障的全润滑轴承的诊断信息的图形显示;
图26示出了具有内圈故障的轴承的诊断信息的图形显示,该故障由于缺乏润滑而运行“干燥”;
图27示出了根据本发明优选实施例的用于确定轴承故障严重程度值和润滑严重程度值的方法流程图;
图28示出了根据一个实施例确定的用于内圈轴承故障的PeakVue波形的代表性警戒水平的示例性曲线图;
图29A和29B示出了根据第三实施例生成周期信息图的过程;
图30示出了指示二级变速箱的第一从动齿轮上的断齿的振动信息显示,该信息包括根据第三实施例生成的周期信息图;
图31示出了使用具有不同线宽和/或样式的线来标明波峰族的另一种方法;以及
图32示出了根据本发明实施例生成的周期信息图,其中使用具有不同线宽和/或样式的线指示波峰族。
具体实施方式
图1A和1B示出了用于在振动信号中提取和分析周期信息的示例性***100。在图1A中的实施例中,传感器104(例如加速计)被附接到机器102以监测其振动。尽管在图1A的示例性实施例中示出了加速度计,应当理解,可以使用其他类型的传感器,例如速度传感器、位移探头、超声波传感器或压力传感器。传感器104生成包含周期信息的振动信号(或用于加速度计以外的传感器的其他类型的信号)。为了可重复和最佳的结果,优选地将每个传感器104放置成使得具有从信号源(例如轴承)到传感器的安装位置的可靠过渡路径。还应执行传感器104的安装,以确保感知到信号具有尽可能最小的失真。优选实施例包括一个或多个转速计116,用于测量机器102的一个或多个旋转部件的转速。振动和转速表信号提供给数据采集器106,优选地振动和转速表信号包括用于采样振动和转速表信号的模数转换器(ADC)108、可选的低通抗混叠滤波器110(或低通和高通滤波器的其他组合)和缓冲存储器112。例如,数据采集器106可以是数字数据记录器、手持的振动数据采集器、或永久或临时安装的监测设备。振动信号数据被传达到执行本文描述的信息处理任务的周期信息处理器114。在图1A中的实施例中,周期信息处理器114是数据采集器106的组件。在本实施例中,周期信息处理器114通过机器数据网络122(可以是HART网络或WirelessHart网络、以太网网络或因特网)与处理过的数据通讯。分析计算机120通过网络122接收处理过的数据,以便在显示设备118上显示。
在图1B所示的可选实施例中,周期信息处理器114是分析计算机120的组件。本实施例优选地适用于数据传输和存储不作为主要考虑因素的情况,以便整个数据集合可以通过网络122传输到分析计算机120或其他远程处理设备,以便使用相同的算法和技术进行后期处理。
关于用于轴承和齿轮诊断的传感器放置,传感器104通常安装在与轴正交的位置。它优选地安装在靠近信号源的刚性且大块的金属上(即轴承或齿轮)。由于机器表面与机器内部发生的情况相反,所以具有传感器安装在其上的大块金属有助于防止共振进入信号。传感器104应安装成使得尽量减少传输过程中信号完整性的损失。这需要一个刚性连接-通常是通过双头螺栓安装传感器104。在某些情况下,例如当机器的安装表面是粗糙的或覆盖多层油漆,则该表面将需要打磨。
周期信号参数
图2示出了根据本发明优选实施例的用于计算周期信号参数(PSP)的方法流程图。测量时域振动波形,例如使用加速度计104或附接到正在被监测的机器102的其他传感器(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,以寻找波形中的重复图样。自相关函数输出自相关波形16,其示例如图3-7所示。计算自相关波形的几个统计特征,包括标准偏差(σ)、在波形中的最大绝对波峰振幅(最大波峰)、波形前3%后的最大绝对波峰((前3%之后的)波峰)和峰值因数(CF1)(步骤18)。对正波形波峰进行分类(步骤32),丢弃任何统计上过大的波峰(步骤34),并计算其余波峰的平均振幅(分类后的μ)和峰值因数(CF2)(步骤35)。下面描述了用于分类和丢弃统计上过大的波峰的方法。
如果最大波峰小于0.3(步骤20)、CF1小于4且σ小于或等于0.1(步骤26),则Z=0.025(步骤28)。如果最大波峰小于0.3(步骤20)、CF1不小于4且σ大于0.1(步骤26),则Z=0(步骤30)。
如果CF2大于或等于4,且丢弃的波峰的数目大于2(步骤36),则W=0.025(步骤38)。如果CF2小于4或丢弃的波峰数目不大于2(步骤36),则W=0(步骤40)。
PSP是X、W、Y和Z值之和(步骤50)。
一般来说,较小的PSP值指示更多的非周期信号和较少的不同频率,而较大的PSP值则指示与大的单频率相关的更多周期信号的现象。如图3所示,小于第一阈值(如0.1)的PSP值指示振动波形大多是非周期的。如图4所示,PSP算法将0.1的值分配给低振幅、高频数据的信号。这些数据可能被证明是差的数据。如图5所示,PSP值介于第一和第二阈值之间,例如在0.10和0.14之间,表明存在不同的频率,但仍然存在大量的非周期内容。如图6所示,大于第二个阈值的PSP值,例如大于0.14的值,表示对分析非常重要的非常独特的频率,例如叶片通过的频率或球通频率,以及指示较低频率的小振幅信号(如RPM或cage,以及它们的谐波)。如图7所示,大于第三阈值(例如大于0.5和更高)的PSP值指示从振动波形获得的频谱中的大的主要单频率。PSP值越接近1.0,波形具有越多周期信号分量和越少的非周期分量。
以下是生成PSP的一些优点。
-PSP提供一个指示波形中周期性内容的单个数字。
-由自相关波形计算统计值,并将其中的一个或多个值组合以生成PSP。
-提供不良数据或非周期信号的指示。
可以从大型数据集中提取有关周期性的信息,并通过小带宽协议(如HART、WirelessHart和其他类似协议)传播。
-PSP值可专门应用于PeakVueTM数据,以区分周期性故障和非周期性故障,如润滑故障、气蚀故障、轴承故障、齿轮故障和转子故障。
-PSP值可结合其他信息一起用于生成机器状态的指示(即机械故障的性质、故障的严重程度)。其他信息可以包括:
-振动波形;
-波形的处理版本;
-从原始振动波形获得的信息(即波峰、峰值因数、波峰度、偏斜度);
-从振动波形的处理版本获得的信息(即经PeakVueTM处理、校正或解调的波形);和/或
-一个或多个规则集合。
下面的表2举例说明了代表PSP输出和应力波分析输出的导出值(例如,PeakVueTM波形中的最大波峰或PeakVueTM类型分析的另一种导出或应力波分析的另一种形式)被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PeakVueTM影响程度的增加而增加。虽然下面的示例引用了应力波值,但其他实施例可以使用其他振动波形信息来指示影响或其他故障状态。
表2PSP和应力波分析输出
本发明的另一个实施例使用具有使用程序逻辑编程的可编程中央处理单元(例如处理器114)来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期望的、历史的或经验推导的经验值进行比较,以识别出从低到高的相对等级。然后,采用离散或分级的输出(如上表2所示的输出)选择逻辑排列的观察结果、检验结果和建议。除了评估PSP和应力波分析信息外,程序逻辑有时还会提示用户提供额外的信息或从其他来源(如知识库)获取额外的信息,以使该逻辑能够区分两个或多个可能的逻辑结果。例如,返回较高的PSP和较高的应力波分析检验结果的程序逻辑可以选择滚动单元缺陷检验结果,而不是在该类别内的其他可能的检验结果,因为当程序逻辑将在知识库中识别到的机器部件的周期频率检验结果和轴承故障频率时能够计算出相似性。
另一种区分润滑和泵气蚀的方法是观察如应力波分析所指示的影响的趋势。如果增长缓慢,则应怀疑润滑不足。如果在泵上突然增加,那么很可能是泵气蚀。如果与控制***上的逻辑或输入相结合,则该逻辑可以查找在影响增加的同时发生的过程配置变化-以及低PSP值-以确认泵气蚀。在一些实施例中,***向操作者提示什么动作导致气蚀,使操作者能够消除原因,防止机器过早地磨损。
周期信息图
本发明的优选实施例创建了一种新型的振动频谱,在本文称为周期信息图(PIP)。PIP向用户提供来自起始频谱的主要周期波峰的易于查看的内容,该内容是优选实施例中的波峰频谱。
PIP生成-第一实施例
在第一实施例中,从设备(例如旋转设备或往复式设备)收集信号,并使用图8中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中所示***获取的振动波形。如果使用高通滤波器和对过采样波形的波峰持续提取来捕获影响信息(例如使用PeakVueTM处理技术),这可以是一个计算得到的波形。对波形进行FFT(步骤62),获得振动频谱(VS)64,其频率在X轴上,振幅在Y轴上,如图9的示例所示。
来自步骤60的波形也是自相关的(步骤66),以生成本文称为自相关波形68的波形,该波形具有在X轴上的时间和Y轴上的相关因子。自相关过程突出了振动波形的周期分量,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)的值为原始振动波形60的一半。因此,自相关波形68的时间周期将是原始振动波形60的一半。可选步骤(70)获取自相关波形(Y-轴值)的平方根,以提供对较低振幅值之间的更好的区分。
进行自相关波形68的FFT(步骤72),导致自相关频谱(AS)74。由于随机事件已从自相关波形68中大量去除,自相关频谱74中的剩余信号与周期事件密切相关。如图10所示,自相关频谱74在X轴上具有频率和在Y轴上具有与相关因子相关的振幅。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,因此相关联的自相关频谱74与振动频谱64相比具有一半的分辨率线。
在第一实施例中,对振动频谱64和自相关频谱74进行处理,以导出在本文中称为周期信息图(PIP)的图形(步骤76)。根据第一实施例,可使用用于处理振动频谱64和自相关频谱74的几种方法,其中三种方法如下所述。
由于振动频谱的分辨率是自相关频谱分辨率的两倍,因此不可能对两个频谱之间的x轴(频率)值进行点对点比较。然而,通过算术地为自相关频谱中每个相关联的x轴值结合振动频谱中两个x轴值的振幅值(步骤65),可以进行点对点比较。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线的数目)映射到振动频谱上的XVS(2n)值。定义了算术地组合的x轴值,使得XMCVS(n)=XVS(2n)。与振动频谱XMCVS(n)值相关联的算术地组合的振幅值YVS(2n)和YVS(2n-1)(本文称为YMCVS(n))是由x轴的XVS(2n)和XVS(2n-1)频率的振幅计算得到的。从振动频谱导出与XMCVS(n)值相关联的算术地组合的振幅值的计算如下:
其中n=1...N,N是自相关频谱中的分辨率线的数目。
在第一种方法(步骤76a)中,对于PIP(XPIP1)中的每个X-值,通过将振动频谱(YMCVS)中的算术地组合的Y-值乘以自相关频谱(YAS)中相应的Y-值来确定PIP(YPIP1)中的Y-值:
YPIP1(n)=YMCVS(n)×YAS(n) 等式(1)
对于n=1...N,其中N是自相关频谱中X-值(频率值)的数目。由于自相关频谱中周期信号的振幅高于随机信号的振幅,乘法过程将突出周期波峰,而减少非周期波峰。图11中示出了由第一种方法生成的PIP的示例。在本文描述的所有示例中,N=1600。
在第二方法(步骤76b)中,对于PIP(XPIP2)中的每个X-值,通过比较自相关频谱(YAS)中的对应Y值和预定阈值(YTHR),确定PIP(YPIP2)中的Y-值。对于每个大于此阈值的自相关频谱振幅,PIP(YPIP2(n))的相关振幅将设置为来自振动频谱(YMCVS(n))的相应的算术地组合的值。高于预定阈值的YAS值表示基本上是周期性的数据。因此,YPIP2值是根据以下确定的:
如果YAS(n)>YTHR,则YPIP2(n)=YMCVS(n) 等式(2a)
如果YAS(n)≤YTHR,则YPIP2(n)=0(或其他一些默认级别) 等式(2b)
n=1...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相关频谱的最大波峰的百分比。该百分比可以基于自相关波形中的周期信号的百分比来计算。根据自相关系数计算周期信号百分比,该自相关系数是自相关波形中最大波峰的Y-值的平方根。该方法只评估自相关频谱波峰总数的周期信号百分比。图12中描述了用这种方法形成的PIP的一个示例,YTHR设置为59%。
在第二方法的另一个优选实施例中,YTHR被设置为只包括在自相关频谱中最大波峰的“周期信号百分比”内的波峰。这些波峰以及它们的出现在自相关频谱中的谐波将被用作波峰组与振动频谱中的波峰相交以形成PIP。图13中描述了用这种方法形成的PIP的一个示例,YTHR设置为59%。
在第三种方法(步骤76c)中,根据上述第一种方法确定PIP,然后根据以下步骤将第二方法的阈值应用于PIP:
如果YPIP1(n)>YTHR,则YPIP3(n)=YPIP1(n) 等式(3a)
如果YPIP1(n)≤YTHR,则YPIP3(n)=0(或其他一些默认级别) 等式(3b)
n=1...N。图14中描述了由此方法生成的PIP的示例。
一些实施例还导出了非周期信息图(NPIP),该非周期信息图仅由小于预定阈值的自相关频谱的Y-值组成(步骤78)。因此,NPIP只包括非周期分量。图15中描述了由此方法形成的NPIP的示例。
一些实施例还从振动频谱和自相关频谱导出周期性映射(步骤82)。周期性映射是通过将来自振动频谱的算术地组合的Y-值和与自相关频谱中任意给定的X-值配对生成的。用振动频谱YMCVS(n)的算术地组合的Y-值作为映射XPM(n)上点的X-值,用自相关频谱YAS(n)的Y-值作为映射YPM(n)上相应的Y-值绘制这些配对,如下:
XPM(n)=YMCVS(n) 等式(4a)
YPM(n)=YAS(n) 等式(4b)
n=1...N。如图16所示,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操作光标来查看创建该点的值。
一些实施例还从上面描述的任何周期信息图导出循环信息图(步骤80)。一旦计算出线性PIP,就可以应用反向FFT来生成“信息波形”。然后,可以由该信息波形生成循环信息图。图17中示出了由该方法形成的循环信息图的示例。
虽然本发明的优选实施例对振动信号进行操作,但本发明并不仅限于振动信号。周期信号参数和周期信息图可以从包含周期分量的任何信号中导出。
PIP生成-第二实施例
在第二实施例中,从设备(即旋转设备或往复式设备)收集信号,并使用图20中所示的方法300进行处理。首先,获取波形(图20的步骤60),例如使用图1A中所示***获取的振动波形。如果使用高通滤波器和对过采样波形的波峰持续提取来捕获影响信息(例如使用PeakVue处理技术),这可以是一个计算得到的波形。对振动波形进行FFT(步骤304),获得振动频谱306,其频率在X轴上,振幅在Y轴上,如图9的示例所示。振动频谱306在本文中也称为振动频谱,以区别于下文讨论的自相关频谱。
来自步骤302的波形是自相关的(步骤314),以生成自相关波形316,具有在X轴上的时间和Y轴上的相关因子。使用与振动波形的FFT计算中所使用的相同的Fmax来计算自相关波形316的FFT(步骤318),从而生成自相关频谱320。使用相同的Fmax,自相关频谱320的分辨率线(LOR)为在计算振动频谱306时所使用的LOR的一半。由于随机事件已从自相关波形316中大量去除,自相关频谱320中的剩余信号与周期事件密切相关。如图10所示,自相关频谱在X轴上具有频率和在Y轴上具有与相关因子相关的振幅。由于自相关波形的持续时间是振动波形的持续时间的一半,因此相关联的自相关频谱与振动频谱相比具有一半的分辨率线。
周期能量百分比(%周期能量)是振动频谱306中与周期信号相关的能量百分比。在步骤322,基于自相关波形316计算周期能量百分比:
在优选实施例中,将振动频谱306的总能量计算为振动频谱306中每个bin值(范围从零到Fmax)的平方和的平方根。为了找出轴承和/或齿轮的故障,振动频谱306是PeakVue频谱。
振动频谱306的能量百分比是在步骤308中计算的,如下所示:
%原始能量=振动频谱总能量×%周期能量。
生成来自振动频谱306的波峰列表,其中每个列出的波峰是具有定位频率和相关联的定位振幅的定位波峰(步骤310)。还生成来自相关频谱320的波峰列表,其中每个列出的波峰是具有定位频率和相关联的定位振幅的定位波峰(步骤324)。在两个列表中,按照振幅下降的顺序排列波峰,使得具有最大振幅的波峰在列表中排在第一,具有最小振幅的波峰排在最后(步骤312和326)。
对于由自相关频谱所生成的波峰列表中的每个波峰的频率值,在由振动频谱生成的波峰列表中找到相关联的匹配波峰(步骤328)。为了使波峰“匹配”,振动频谱306的波峰的频率值必须在来自自相关频谱320的波峰的频率值的N×Δ频率范围内,其中在优选实施例N=4和Δ频率表示为:
因此,当满足以下条件则存在匹配。
|原始波峰频率-自相关波峰频率|≤N×Δ频率
对于步骤328中来自振动频谱306的每个匹配波峰,定位频率和定位振幅的值被添加到PIP波峰列表中(步骤330)。当每个匹配波峰被添加到PIP波峰列表中时,计算PIP波峰列表中所有波峰的运行总波峰能量值(步骤332)。因为在本实施例的FFT计算中使用了汉宁窗,所以定位波峰的能量是来自在生成定位波峰时所使用的三个bin值的能量的结果。
对于每个小于或等于百分比原始能量的总波峰能量,在返回到步骤328之前,丢弃在步骤330中来自自相关频谱波峰列表中的相关联的波峰(步骤335)。匹配波峰并将匹配的波峰添加到PIP波峰列表的过程一直持续到
总波峰能量>%原始能量(步骤334)。
通过在PIP波峰列表中绘制与每个波峰相关联的三个点(步骤336)来创建周期性信息图(PIP)。在优选实施例中,假设使用汉宁窗口进行FFT计算,所述三个点对应于与每个定位波峰相关联的三个bin。图21和23-26示出了使用图20的方法300创建PIP的示例。
周期波峰
在频谱中的周期波峰分为同步波峰和非同步波峰。同步波峰是在轴的运行速度及其谐波频率上出现的波峰。对于具有多个轴的变速箱,还存在多个同步波峰族,其中每个族与变速箱中特定轴的速度相关联。除了运行速度波峰,与变速箱相关的同步波峰也出现在所有追逐齿基础频率及其谐波上。非同步波峰是谐波峰的周期族,不属于同步波峰族。非同步周期波峰族很可能与轴承缺陷有关。
由于可能有许多与同步波峰或非同步波峰相关的波峰族,优选实施例提供了一种显示颜色方法来区分不同的波峰族。通过对频谱中的不同族进行颜色编码,可以很容易地区分与轴承(不同步的)相关的频率和与运行速度有关的频率。在变速箱中,对这些运行速度谐波族(同步)的分析可以发现齿轮齿问题。在频谱显示或周期信息图中使用颜色来指示不同的波峰族,简化了初学者和有经验的分析人员的分析。
图21示出了指示二级变速箱上存在断齿的示例性显示。在周期信息图(PIP)130中,显著存在着同步和非同步周期峰。如图21中提供的图例所示,同步波峰族包括以白色突出显示的“轴1”(以大实线-表示)、以红色突出显示的“轴2”(以长短线--表示)和以绿色突出显示的“轴3”(以虚线··········表示)的基本运行速度和/或谐波。其他同步波峰族包括追逐齿基础频率及其谐波“HTF1”,以蓝色突出显示(以段-点-段-点线-·-·表示)和谐波“HTF2”,以黄色突出显示(用段-点-点线-■-■表示)。不同步的波峰族是用紫色突出显示的(用细的实线-表示)。应该注意的是,以红色表示的波峰(长短线)构成了同步波峰族中的大多数波峰,它们都与变速箱中的第二轴有关。在这个示例中,在第二轴上的从动齿轮有缺齿。
用于分类和丢弃自相关波形中的统计异常波峰的方法(图2中的步骤34)
下面的程序引用数据值数组,例如自相关波形中的正波峰,并丢弃统计计算边界之外的值。在优选实施例中,有四种设置边界的方法或标准。
方法1:非保守性,使用最小和最大统计边界
考虑一个P值(或元素)数组,其中P0表示正在计算的当前数组中的值的数目。现在让P-1表示在P0之前的步骤中用于计算的数组中的值的数目,P-2表示在P-1之前的步骤中用于计算的数组中的值的数目,P-3表示在P-2之前的步骤中用于计算的数组中的值的数目。
步骤1:
步骤2:
步骤3:
如果P0=P-1=P-2和P-2≠P-3,则
计算P0的均值(μ)和标准差(σ)
包含数组的值,满足
0.9μ<值<1.1μ
否则
停止,数值在统计范围内。
Endif
方法2:非保守性,仅使用最大统计边界(无最小边界)
使用与方法1相同的程序,但只有超过上统计边界的值才会被丢弃。最小边界设置为零。
方法3:保守性,使用最小和最大统计边界
仅丢弃基于方法1中步骤1的值。
方法4:非保守性,仅使用最大统计边界(无最小边界)
仅将基于方法1中步骤1所得到的并且超过上统计边界的值丢弃值。最小边界设置为零。
用于分类统计异常值方法1的示例
作为分类方法1的示例,考虑原始的一组值P0,包含下面表3中列出的21个值,其中n=1。
表3
该原始集合P0的平均值(μ)为0.54955,标准差(σ)为0.13982。
因此,在方法一的步骤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,其值都是P-1的值,介于μ+σ=0.689343和μ-σ=0.409735之间。集合P0现在包含表4中列出的值,其中三个不满足条件的值已经被剔除。
表4
0.653514 |
0.612785 |
0.582031 |
0.579209 |
0.557367 |
0.545801 |
0.495215 |
0.486426 |
0.486053 |
0.475123 |
0.472348 |
0.467129 |
0.465488 |
0.446327 |
0.440497 |
0.437959 |
0.427256 |
0.411627 |
由于P0≠P-1,所以重复步骤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-1=P0,并定义一个新的集合P0,其值都是P-1的值,介于μ+σ=0.571797和μ-σ=0.432887之间。
集合P0现在包含表5中列出的值,其中4个不满足条件的值已经被剔除。
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,所以重复步骤1,其中对于集合P0:
μ=0.481311,
σ=0.037568,以及
σ/μ=0.078053,
由于
σ/μ=0.078053≤1
数组P0的所有的值是在统计上是接近的并且不需要进一步的分类。如果在计算的任一步中,P0=P-1和P-1≠P-2,那么步骤2将被执行而不是步骤1。在上面的示例中,由于每次迭代都是P0≠P-1,所以只需要用步骤1计算。
基于周期信号参数(PSP)的轴承故障预测
图22示出了用于生成轴承故障状态信息的方法400的优选实施例中的步骤。测量时域过采样振动波形(步骤402),例如使用加速度计104或附接到正在被监测的机器102的其他传感器。然后生成PeakVue波形(步骤404),例如通过高通滤波和对过采样波形的波峰持续提取。确定PeakVue波形的最大波峰振幅(最大波峰)(步骤406),并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中描述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中所示的关系,基于公称转速确定警报振幅限制水平(以g’s为单位)。(步骤412)。故障振幅限制水平最好是警报水平的两倍。图28提供一种用于基于机器轴的转速确定波峰信号警报限制的方法的图示。警报水平将与PeakVue波形中出现的波峰进行比较,并适用于正存在的内圈故障。应当理解,图28中所示的警报限制水平只是建议性的,分析人员可以决定使用被确定为最适合他们的机器的值。在某些情况下,分析人员可以在开始时使用图28中的值,然后根据经验进行调整。
在计算严重程度值之前,必须计算周期能量百分比。根据下列自相关波形计算周期能量百分比(步骤414):
其中,自相关波形中的最大波峰不包括波形的前3%。通常,对于小于50%的值,周期能量的百分比计算并不精确。因此,如图19所示,对于小于50%的值的函数斜率大于1.0。因此,对于小于50%的值,不能确定周期百分比。对于所有的严重程度估计,必须有一个常规的严重程度值,根据以下等式计算:
在优选实施例中,通过将步骤416的结果乘以所需的最大仪表值x,将严重程度值标准化,方法如下:
标准化常规严重程度值=常规的严重程度值×x(步骤418)
在如图18所示的仪表中,其中x=10,
标准化常规严重程度值=常规的严重程度值×10
如果PSP大于0.1(步骤419),则可能存在轴承故障。
轴承故障严重程度(BFS)可根据以下等式计算:
BFS=标准化严重程度值×%周期能量(步骤430)
如果得到的结果大于x(本示例中为10),则该结果应缩小取值为x。
在一些实施例中,根据转动速度方面的知识大致肯定周期性是与轴承故障相关而不是与转动速度的影响相关。当转动速度已知时,来自周期信息图(PIP)的周期波峰可分为同步波峰和非同步波峰。如果只存在同步波峰,则不存在轴承故障。如果存在明显的非同步波峰,则确认可能存在的轴承问题,如下所示:
如果PSP为0.1且最大波峰小于报警水平,则测量指示无故障,表示机器处于良好状态。
如果PSP小于或等于0.1,并且最大波峰大于警报振幅限制水平(步骤420),则表示轴承润滑不足。此外,当轴承存在故障时,可能会出现润滑问题。(如图22所示,从步骤419到430到步骤422之间具有箭头)。润滑问题的严重程度通常取决于初始波形的最大波峰值(步骤406)和来自相关的自相关波形(步骤408)所指示的非周期能量百分比(%NPE)的最大波峰。
如图19所示,非周期能量百分比(%NPE)是周期能量百分比的函数,可以用图19中的图来确定(步骤422)。周期能量百分比(%周期能量)被定义为与周期信号相关的PeakVue(原始)频谱中的能量百分比。%NPE定义为与随机振动信号相关的PeakVue(原始)频谱中的能量百分比。
润滑严重程度(LS)值是根据以下等式计算:
其中x是标准化值(步骤426)。对于图18中所示的润滑严重程度仪表,x=10。如果结果值大于x(本示例中为10),则该结果值应缩小取值为x。
在另一实施例中,并不是在步骤114中确定PSP是否大于0.1,而是确定%周期能量是否大于Y,在大多数情况下Y为50%。
尽管上面描述的和图22描述的算法的优选实施例使用了PeakVue波形,但该算法可应用于由任何类型的信号(如振动信号、电流信号、超声波信号等)生成的任何波形。
下面是论证使用图22的算法以确定轴承在不同条件下的状态的四个示例。图23描述了一种新的、完全润滑的无故障轴承的结果。如图所示,为轴承是新的和状态良好的,所以用于轴承故障严重程度和润滑严重程度的仪表都指示零值。
图24示出了除了运行“干燥”之外没其他故障的轴承的结果,运行“干燥”是因为在轴承上没有充分的润滑。结果表明,轴承故障严重程度仍为零,润滑严重程度约为6.5。在这个示例中,%周期能量是44.3%。根据图19,得到%NPE是77.85%。应当注意的是,PSP是0.0618。
图25描述了具有较小内圈故障而没有润滑问题的轴承的结果。如图所示,轴承故障严重程度略高于1.4,但润滑严重程度接近于零。在这个示例中,%周期能量是88.8%。基于图19,得到的%NPE为11.2%。应该注意的是,对于这个示例,PSP是0.213。
图26描述了具有较小内圈故障和由于轴承“干燥”而产生的润滑问题的轴承的结果。即使PSP为0.074,%周期能量仍为51%。因此,信号具有一定的周期性。结果表明,轴承故障严重程度接近3,润滑严重程度在3.25左右。本领域技术人员应当理解,这一判断的结果是技术上的进步,并不能由其他可用的算法来确定。过去是没有出现将由于轴承受到的机械损伤而引起的低振幅非同步信号与由于缺乏润滑产生的非周期能量隔离的方式,其中缺乏润滑产生的非周期能量明显具有更高振幅。
基于周期信号参数(PSP)的变速箱故障预测
图27描述了用于生成变速箱故障状态信息的方法200的优选实施例中的步骤。测量时域过采样振动波形,例如使用加速度计104或附接到正在被监测的机器102的其他传感器(步骤202)。然后生成PeakVue波形,例如通过高通滤波和对过采样波形的波峰持续提取(步骤204)。确定PeakVue波形的最大波峰振幅(最大波峰)(步骤206),并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中描述的方法计算周期信号参数(PSP)(步骤210)。
测量变速箱中至少一个轴的转速,例如使用转速表测量(步骤212),并根据步骤212中测量的速度和对其他轴的齿轮比的了解来计算变速箱中每个其他轴的转速(步骤214)。此外,基于轴的运行速度,基于本领域普通技术人员已知的技术来计算追逐齿频率。在优选实施例中,根据图28中所示的关系,基于公称转速或基于分析人员的经验或以上两者来确定警报振幅限制水平(以g’s为单位)(步骤216)。故障振幅限制水平优选地是警报水平的两倍。
在计算具体的严重程度值之前,必须计算周期能量百分比。在优选实施例中,根据以下等式由自相关波形计算出周期能量百分比:
其中,自相关波形中的最大波峰不包括波形的前3%(步骤218)。通常,对于小于50%的值,周期能量的百分比计算不那么精确。因此,如图19所示,对于小于50%的值的函数斜率大于1.0。
为了计算不同故障的严重程度值,确定了常规严重程度值。常规的严重程度可根据以下等式计算:
根据以下等式,通过将步骤220的结果乘以所需的最大仪表值x,将严重程度值标准化:
标准化常规严重程度=常规的严重程度×x(步骤222)
在如图18所示的仪表中,其中x=10,
标准化常规严重程度=常规的严重程度×10
使用参照图20描述的程序生成PIP(步骤224)。
如果PSP大于0.1(步骤225),则存在与变速箱和/或轴承相关的周期频率。
基于对转动速度的认识,来自周期信息图(PIP)的周期波峰可分为同步波峰和非同步波峰。如果PIP中存在非同步波峰(步骤226),则轴承故障严重程度(BFS)值可以根据以下步骤计算(步骤228)和显示(步骤234):
如果存在同步波峰(步骤230)并超过故障限制,则表示齿轮齿退化。齿轮箱故障严重程度(GFS)值可根据以下方法计算(步骤232)并显示(步骤234):
如果得到的结果大于x(本示例中为10),则该结果应缩小取值为x。
如果PSP为0.1且最大波峰小于报警水平,则测量指示无故障,表示机器处于良好状态。
如果PSP小于或等于0.1,并且最大波峰大于警报振幅限制水平(步骤234),则表示轴承润滑不足。此外,可能存在润滑问题和机械故障。(如图27中从步骤225和236之间到236之间的箭头所示)。润滑问题的严重程度通常取决于初始波形的最大波峰值(步骤206)和来自相关的自相关波形(步骤208)所指示的非周期能量百分比(%NPE)的最大波峰。
如上所讨论的那样,非周期能量百分比(%NPE)是周期能量百分比的函数,可以用图19中的图来确定(步骤236)。周期能量百分比(%周期能量)被定义为与周期信号相关的PeakVue(原始)频谱中的能量百分比。非周期能量百分比定义为与随机振动信号相关的PeakVue(原始)频谱中的能量百分比。
根据以下方法确定和显示轴承或变速箱润滑严重程度值:
其中x是标准化值(步骤240和242)。对于图18中所示的润滑严重程度仪表,x=10。如果结果值大于x(本示例中为10),则该结果值应缩小取值为x。
在另一实施例中,并不是在步骤218中确定PSP是否大于0.1,而是确定%周期能量是否大于Y,在大多数情况下Y为50%。
PIP生成-第三实施例
在第三实施例中,从设备(即旋转设备或往复式设备)收集信号,并使用图29A和29B中所示的方法500进行处理。
首先,生成波形(图29A的步骤502),例如使用图1A中所示***获取的振动波形。如果使用高通滤波器和对过采样波形的波峰持续提取来捕获影响信息(例如使用PeakVue处理技术),这可以是一个计算得到的波形。对振动波形进行FFT(步骤504),获得振动频谱506,其频率在X轴上,振幅在Y轴上,如图9的示例所示。振动频谱506在本文中也称为原始频谱,以区别于下文讨论的自相关频谱。
来自步骤502的波形是自相关的(步骤514),以生成自相关波形516,具有在X轴上的时间和Y轴上的相关因子。使用与振动波形的FFT计算中所使用的相同的Fmax来计算自相关波形516的FFT(步骤518),从而生成自相关频谱320。使用相同的Fmax,自相关频谱520的分辨率线(LOR)为在计算振动频谱506时所使用的LOR的一半。由于随机事件已从自相关波形516中大量去除,自相关频谱520中的剩余信号与周期事件密切相关。如图10所示,自相关频谱在X轴上具有频率和在Y轴上具有与相关因子相关的振幅。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,因此相关联的自相关频谱与原始频谱相比具有一半的分辨率线。
在步骤522中,基于自相关波形516计算周期能量百分比(%周期能量):
在优选实施例中,将振动频谱506的总能量计算为振动频谱506中每个bin值(范围从零到Fmax)的平方和的平方根(步骤507)。为了找出轴承和/或齿轮的故障,原始频谱506是PeakVue频谱。
原始频谱506的能量百分比是在步骤508中计算的,如下所示:
%原始能量=原始频谱总能量×%周期能量。
生成来自振动频谱506的最大波峰的列表,其中每个列出的波峰是具有定位频率和相关联的定位振幅的定位波峰(步骤510)。还生成来自自相关频谱520的最大波峰的列表,其中每个列出的波峰是具有定位频率和相关联的定位振幅的定位波峰(步骤524)。在这两个列表中,可以有N个波峰(例如N=300),它们优选地按照振幅下降的顺序排列波峰,使得具有最大振幅的波峰在列表中排在第一,具有最小振幅的波峰排在最后(步骤512和526)。
图29B中描述了步骤526的进一步的细节。如上所述,自相关波峰列表优选地是按照振幅下降的顺序排列波峰,使得具有最大振幅的波峰在列表中排在第一,具有最小振幅的波峰排在最后(步骤526a)。根据波峰度,从自相关波峰列表中剔除统计上显著的波峰以生成周期波峰表。为了生成周期波峰列表,首先根据在步骤524(步骤526b)中生成的自相关波峰列表中的波峰的振幅来计算波峰度。如果波峰度大于3(步骤526c),自相关波峰列表中的最大波峰被移除并放入到周期波峰列表中(步骤526d)。重复步骤526b到526d,直到自相关波峰列表中剩余波峰的波峰度小于或等于3。由于自相关波峰表中剩余波峰的波峰度小于或等于3,因此这些剩余的波峰被认为是噪声,不用于计算周期信息图。生成的周期波峰列表(具有K个波峰)将用于确定如下所述的周期信息图。
对于周期波峰列表中的K个波峰中每一个的频率值,在为振动频谱506生成的波峰列表中找到相关联的匹配波峰(步骤528)。为了使波峰“匹配”,振动频谱506的波峰的频率值必须在来自周期波峰列表的波峰的频率值的N×Δ频率范围内,其中在优选实施例N=3和Δ频率表示为:
因此,当满足以下条件则存在匹配:
|原始波峰频率-自相关波峰频率|≤N×Δ频率
匹配的总数可指定为M。
对于步骤528中来自振动频谱506的每个匹配波峰,定位频率和定位振幅的值被添加到该周期波峰列表中(步骤530)。当每个匹配波峰被添加到该周期波峰列表中时,计算该周期波峰列表中所有波峰的运行总波峰能量值(步骤532)。因为在本实施例的FFT计算中使用了汉宁窗,所以定位波峰的能量是来自在生成定位波峰时所使用的三个bin值的能量的结果。
对于小于或等于原始振动频谱的%能量(在步骤508中计算)的每个总波峰能量值,在返回到步骤528(步骤535)之前,从周期波峰列表中丢弃相关联的最大波峰(来自步骤350)。匹配波峰的进程和将匹配波峰添加到周期波峰列表的进程继续进行,直到迭代次数等于K或者总波峰能量大于或等于原始振动频谱的%能量,不论是哪个条件先触发(步骤534)。
周期信息图(PIP)是通过绘制与周期波峰列表中的每个波峰相关联的三个点而创建的(步骤536)。假设使用汉宁窗口进行FFT计算,所述三个点对应于与每个定位波峰相关联的三个bin。在优选实施例中,从周期波峰列表中的第一波峰开始绘制P个PIP波峰,其中P是需要绘制的最大期望波峰数,P≤M。例如,在使用CSI 9420无线振动发射器的情况下,仅显示20个波峰(P=20)的“缩略图”。图30中描述了使用图29a和29b的方法500创建的PIP的示例。
周期波峰
在频谱中的周期波峰可分为同步波峰或非同步波峰,如下文所定义。
同步周期波峰全部是运行速度波峰及其谐波。对于一个变速箱,有几个同步周期波峰族-一个族与变速箱中的每个轴的速度相关联。除了运行速度波峰外,还定义了变速箱的同步周期波峰,即所有的追逐齿基频及其谐波。
非同步周期波峰是谐波峰的任意周期族,不属于同步波峰族。大多数非同步周期波峰与轴承频率有关。
获取被测评的机器的正确转速(以及变速箱其他轴的相关联转速)是重要的。对于任意分析,不正确的速度都会产生同步和非同步周期波峰的不正确位置。精确的速度通常是通过转速表/选通输出或人工光频谱分析获取。如果精确速度是未知的,则应采用速度检测算法。
由于可能存在许多与同步或非同步周期波峰相关的波峰族,因此可以设计出一种颜色方案来分辨不同族的波峰。通过对不同的波峰族进行颜色编码,可以很容易地区分与轴承(不同步)相关的频率和与运行速度有关的频率。在变速箱中,这些运行速度谐波族(同步)可以使得发现齿轮齿问题。在周期信息图中使用颜色来指示周期波峰的不同波峰族,简化了初学者和有经验的分析人员的分析。
图30中描述了使用颜色来指示周期波峰的不同族,这是二级变速箱上出现断齿的示例。在周期信息图(PIP)中,显著存在着同步和非同步周期峰。同步族包括“轴1”(白线)、“轴2”(红色)和“轴3”(绿色)的基础运行速度和/或谐波。另外,其它同步波峰族还包括追逐齿基频及其谐波“HTF1”(以蓝色表示)和“HTF2”(以黄色表示)。周期波峰的非同步族用紫色绘制PIP中的红色频率构成了与变速箱中的第二轴相关的同步周期波峰族中的大部分。第二轴上的从动齿轮有一颗断齿。
使用颜色的另一种可选方式是显示具有不同线宽和/或样式的每个波峰族,其示例如图31所示。图32描述了对图30中所示的相同点使用不同线宽和/或样式的示例。
虽然本文描述的优选实施例被应用于PeakVueTM振动数据,但该技术可应用于任何将随机(噪声)数据与所需信息数据分离的分析。示例包括对加速度和/或速度振动数据的分析。
本文描述的实施例也应用于分析由于气蚀引起的泵的振动。泵的气蚀导致振动信号本质上是随机的,因此在FFT频谱中出现噪声。这种随机性意味着由气蚀引起的振动信号本质上不是周期性的,因此可以使用本文描述的方法从周期信号中分离出来。
在FFT中,气蚀作为噪声(随机信号)出现在泵的叶片通过频率中,叶片通过频率是泵内风扇叶片数乘以运行速度。气蚀也可以显示为高频信号,该高频信号是可使用PeakVueTM波形分析检测到的非周期信号。美国专利9,791,422和美国专利申请2018/0011065A1中所描述的基础周期性算法可用于分离这些气蚀指标。自相关作用可应用于速度、加速度和PeakVueTM波形,以隔离由气蚀引起的随机性。
一般来说,气蚀检测不同于轴承缺陷或齿轮缺陷的检测,因为必须将自相关应用于速度波形,而“非周期”指示器必须趋向于观察非周期性的变化。
前面描述的本发明优选实施例是出于说明性和描述的目的。它们并不是穷举的或将本发明限制于所公开的精确形式。根据上述教导,明显的修改或变化是可能的。选择和描述实施例以努力提供本发明的原理及其实际应用的最佳图示,并且由此使得本领域普通技术人员能够在各种实施例中使用本发明,并且具有适合于预期的特定用途的各种修改。当他们按照公平、合法、以及公平的权利来解释时,所有这些修改和变化都在由所附权利要求确定的本发明的范围内。
Claims (19)
1.一种用于获取和分析与机器相关的振动的周期信息的装置,所述装置包括:
振动传感器,连接到所述机器并生成振动信号;
数据采集器,与振动传感器通信并接收和确定振动信号,
所述数据采集器包括模数转换器,用于将振动信号转换为数字振动数据;以及
处理器,接收所述数字振动数据并执行用于处理所述数字振动数据的操作指令,以:
-基于数字振动数据生成振动波形;
-对振动波形执行自相关函数以生成自相关波形;
-对所述振动波形进行快速傅里叶变换,以生成包含振动振幅波峰的振动频谱;
-对所述自相关波形进行快速傅里叶变换,以生成包含自相关振幅波峰的自相关频谱;
-编制来自振动频谱的振动振幅波峰的第一列表;
-编制自相关振幅波峰的周期波峰列表,所述周期波峰列表仅包括与振动波形中的噪声无关的自相关振幅波峰;
-生成一波峰列表,将与周期波峰列表中的自相关振幅波峰相匹配的第一列表中的每个振动振幅波峰依次添加到所述波峰列表中;
-当振动振幅波峰被添加到所述波峰列表时,确定与所述波峰列表中的振动振幅波峰相关联的总波峰能量;以及
-在总波峰能量超过预定阈值之后,生成包含所述波峰列表中的振动振幅波峰的周期信息图。
2.根据权利要求1所述的装置,其中所述处理器被配置为执行操作指令,通过以下方式编制自相关振幅波峰的周期峰值列表:
(a)编制自相关振幅波峰的第二列表,所述第二列表包含自相关频谱中的多个最大自相关振幅波峰;
(b)根据第二列表中所有波峰的振幅计算波峰度值;
(c)如果所述波峰度值大于波峰度阈值,则将第二列表中其振幅大于任何其他波峰的振幅的波峰从第二列表移动到所述周期波峰列表;以及
(d)重复步骤(b)和(c),直到波峰度值小于或等于波峰度阈值。
3.根据权利要求2所述的装置,其中所述波峰度阈值是3。
5.根据权利要求1所述的装置,其中所述振动波形是PeakVue波形。
6.根据权利要求1所述的装置,其中所述处理器被配置为执行操作指令,以便按照下降的振幅的顺序排列第一列表和所述周期峰值列表中的振幅波峰,使得最大振幅的波峰在列表中排在第一,最小振幅的波峰排在最后。
7.根据权利要求1所述的装置,其中所述处理器被配置为执行操作指令,以将所述振幅波峰分类为同步波峰和非同步波峰,将一个或多个第一显示颜色分配给周期信息图中的同步波峰,并将一个或多个第二显示颜色分配给周期信息图中的非同步峰值,其中所述第一显示颜色不同于所述第二显示颜色。
8.根据权利要求1所述的装置,其中所述处理器被配置为执行操作指令,将为同步波峰的振幅波峰分离成多个族,并为周期信息图中的每个同步波峰族分配不同的显示颜色。
9.根据权利要求1所述的装置,还包括:
连接到所述处理器的数据通信网络,并通过所述数据通信网络传送所述周期信息图;以及
与数据通信网络连接的分析计算机,所述分析计算机用于接收和显示供分析人员查看的周期信息图。
11.根据权利要求1所述的装置,其中所述数据采集器包括数字数据记录器或振动数据采集器。
12.根据权利要求1所述的装置,其中所述处理器是数据采集器的组件,或者是通过通信网络与数据收集器通信的分析计算机的组件。
13.一种计算机实现的方法,用于对为机器性能分析而收集的数字振动数据中的周期信息进行分析,所述方法包括:
(a)根据所述数字振动数据生成振动波形;
(b)对所述振动波形进行快速傅里叶变换以生成振动频谱;
(c)通过统计地将振动频谱中的周期波峰与噪声波峰分离来编制振动振幅波峰的周期波峰列表,所述编制包括:
(c1)生成振动振幅波峰的初始列表,所述初始列表包含多个来自振动频谱的最大振动振幅波峰;
(c2)根据初始列表中所有振动振幅波峰的振幅计算波峰度值;
(c3)如果波峰度值大于波峰度阈值,则将其振幅大于初始列表中任何其他波峰的振幅的振动振幅波峰从所述初始列表移动到周期波峰列表;
(c4)重复步骤(c2)和(c3),直到波峰度值小于或等于波峰度阈值;以及
(d)在显示设备上绘制振动信息,所述振动信息包括或来自所述周期波峰列表中的振动振幅波峰。
14.根据权利要求13所述的方法,其中所述波峰度阈值是3。
15.根据权利要求13所述的方法,其中所述振动波形是自相关波形,所述振动频谱是自相关频谱。
16.根据权利要求13所述的方法,其中步骤(d)包括绘制仅表示数字振动数据中的周期信息的机器振动信息。
17.根据权利要求13所述的方法,其中所述数字振动数据表示泵的振动,步骤(d)包括绘制指示泵中气蚀现象的机器振动信息。
18.一种用于对为机器性能分析而收集的数字振动数据中的周期信息进行分析的计算机实现方法,所述方法包括:
(a)根据所述数字振动数据生成振动波形;
(b)对振动波形进行快速傅里叶变换以生成振动频谱;
(c)识别振动频谱中的振动振幅波峰;
(d)将每个振动振幅波峰划分为同步波峰或非同步波峰;
(e)以一个或多个第一显示颜色或一个或多个第一线型绘制显示设备上的同步波峰;
(f)以不同于第一显示颜色和第一线型的一个或多个第二显示颜色或一个或多个的第二线型绘制显示设备上的非同步波峰。
19.根据权利要求18所述的方法,还包括将被归类为同步波峰的振动振幅波峰分离成多个族,其中步骤(e)包括采用不同的第一显示颜色或第一线型来绘制每个同步波峰族。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962813863P | 2019-03-05 | 2019-03-05 | |
US62/813,863 | 2019-03-05 | ||
US16/515,793 | 2019-07-18 | ||
US16/515,793 US11002641B2 (en) | 2013-07-02 | 2019-07-18 | System for separating periodic amplitude peaks from non-periodic amplitude peaks in machine vibration data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111664929A true CN111664929A (zh) | 2020-09-15 |
CN111664929B CN111664929B (zh) | 2022-05-03 |
Family
ID=72146587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911104353.5A Active CN111664929B (zh) | 2019-03-05 | 2019-11-13 | 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*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111664929B (zh) |
DE (1) | DE102019127211A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI762221B (zh) * | 2021-02-26 | 2022-04-21 | 中國鋼鐵股份有限公司 | 轉速檢測方法 |
CN116026598A (zh) * | 2023-03-30 | 2023-04-28 | 山东梁轴科创有限公司 | 一种轴承振动检测*** |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11499889B1 (en) | 2021-09-10 | 2022-11-15 | Computational Systems, Inc. | Fault frequency matching of periodic peaks in spectral machine data |
DE102022115296B3 (de) | 2022-06-20 | 2023-11-23 | Ifm Electronic Gmbh | Verfahren zur Detektion eines Lagerschadens |
CN117516670B (zh) * | 2024-01-04 | 2024-03-29 | 山东晨晖电子科技有限公司 | 一种物联网超声波水表的数据智能监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012247A1 (en) * | 2013-07-02 | 2015-01-08 | Csi Technology, Inc. | Analysis of Periodic Information in a Signal |
EP3168583A1 (en) * | 2015-11-10 | 2017-05-17 | Doosan Heavy Industries & Construction Co., Ltd. | Apparatus and method for diagnosing abnormal operation of a rotor |
CN107036815A (zh) * | 2015-10-20 | 2017-08-11 | 斯凯孚公司 | 对轴承缺陷进行严重程度评估的方法和数据处理装置 |
CN107463904A (zh) * | 2017-08-08 | 2017-12-12 | 网宿科技股份有限公司 | 一种确定事件周期值的方法及装置 |
CN107976304A (zh) * | 2016-10-21 | 2018-05-01 | 计算***有限公司 | 基于对信号的周期性信息进行分析的机器故障预测 |
CN108375413A (zh) * | 2017-01-31 | 2018-08-07 | 计算***有限公司 | 检测振动数据的故障采集 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN108956117A (zh) * | 2017-11-29 | 2018-12-07 | 杰富意先进技术株式会社 | 电磁振动分量的去除方法、旋转机械诊断方法及装置 |
-
2019
- 2019-10-10 DE DE102019127211.4A patent/DE102019127211A1/de active Pending
- 2019-11-13 CN CN201911104353.5A patent/CN111664929B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012247A1 (en) * | 2013-07-02 | 2015-01-08 | Csi Technology, Inc. | Analysis of Periodic Information in a Signal |
CN107036815A (zh) * | 2015-10-20 | 2017-08-11 | 斯凯孚公司 | 对轴承缺陷进行严重程度评估的方法和数据处理装置 |
EP3168583A1 (en) * | 2015-11-10 | 2017-05-17 | Doosan Heavy Industries & Construction Co., Ltd. | Apparatus and method for diagnosing abnormal operation of a rotor |
CN107976304A (zh) * | 2016-10-21 | 2018-05-01 | 计算***有限公司 | 基于对信号的周期性信息进行分析的机器故障预测 |
CN108375413A (zh) * | 2017-01-31 | 2018-08-07 | 计算***有限公司 | 检测振动数据的故障采集 |
CN107463904A (zh) * | 2017-08-08 | 2017-12-12 | 网宿科技股份有限公司 | 一种确定事件周期值的方法及装置 |
CN108956117A (zh) * | 2017-11-29 | 2018-12-07 | 杰富意先进技术株式会社 | 电磁振动分量的去除方法、旋转机械诊断方法及装置 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI762221B (zh) * | 2021-02-26 | 2022-04-21 | 中國鋼鐵股份有限公司 | 轉速檢測方法 |
CN116026598A (zh) * | 2023-03-30 | 2023-04-28 | 山东梁轴科创有限公司 | 一种轴承振动检测*** |
Also Published As
Publication number | Publication date |
---|---|
DE102019127211A1 (de) | 2020-09-10 |
CN111664929B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
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 | |
US11002641B2 (en) | System for separating periodic amplitude peaks from non-periodic amplitude peaks in machine vibration data | |
US9791422B2 (en) | Analysis of periodic information in a signal | |
Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
Hu et al. | A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension | |
US20210231528A1 (en) | System for separating periodic frequency of interest peaks from non-periodic peaks in machine vibration data | |
Aherwar | An investigation on gearbox fault detection using vibration analysis techniques: A review | |
Lebold et al. | Review of vibration analysis methods for gearbox diagnostics and prognostics | |
Stander et al. | Using vibration monitoring for local fault detection on gears operating under fluctuating load conditions | |
US20170067860A1 (en) | Control Area Network Machine Diagostic | |
CN112326236B (zh) | 一种齿轮箱运行状态在线监测方法、***及存储介质 | |
Tang et al. | Multiple time-frequency curve classification for tacho-less and resampling-less compound bearing fault detection under time-varying speed conditions | |
CN110987438A (zh) | 水轮发电机变转速过程周期性振动冲击信号检测的方法 | |
JP7083293B2 (ja) | 状態監視方法および状態監視装置 | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及*** | |
Singh et al. | A review of vibration analysis techniques for rotating machines | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Al-Atat et al. | A systematic methodology for gearbox health assessment and fault classification | |
US20200220525A1 (en) | Method For Automatic Detection of Physical Modes In A Modal Analysis Model | |
KR101543146B1 (ko) | 진동 장치의 상태 판단 방법 | |
Pawlik | The use of the acoustic signal to diagnose machines operated under variable load | |
EP1390739A2 (en) | Method and apparatus for determining the health of a component using condition indicators | |
Bouaouiche et al. | Detection of defects in a bearing by analysis of vibration signals |
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 |