CN112465068A - 一种基于多传感器数据融合的旋转设备故障特征提取方法 - Google Patents
一种基于多传感器数据融合的旋转设备故障特征提取方法 Download PDFInfo
- Publication number
- CN112465068A CN112465068A CN202011474895.4A CN202011474895A CN112465068A CN 112465068 A CN112465068 A CN 112465068A CN 202011474895 A CN202011474895 A CN 202011474895A CN 112465068 A CN112465068 A CN 112465068A
- Authority
- CN
- China
- Prior art keywords
- information
- rotating equipment
- axis vibration
- noise
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 32
- 238000006073 displacement reaction Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims description 43
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 12
- 239000000284 extract Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005654 stationary process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于多传感器数据融合的旋转设备故障特征提取方法,包括:采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息;提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号及频域信号;将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。与现有技术相比,本发明将采集的数据进行时频域联合分析,提取故障特征,考虑了不同维度的振动信息的关联性。并且还考虑了温度、噪声等故障相关因素,使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰,而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号,可有效发现更微小的故障隐患。
Description
技术领域
本发明涉及旋转设备故障预测技术领域,具体涉及一种基于多传感器数据融合的旋转设备故障特征提取方法。
背景技术
依靠旋转完成特定功能的旋转类机械设备使用中,旋转部件转动的不平衡、位置不对中、磨损或者结构松动等微小故障会随着旋转设备的使用而逐渐严重,并可能使旋转设备产生连锁性地故障;为了避免故障进一步地严重和由此可能造成的连锁性故障,需要对旋转设备的工作状态进行监测及诊断,及时发现故障。
目前国内外对旋转设备的诊断分析主要针对振动信号,分析方法有:波形分析、频谱分析、时频分析、倒频谱分析、时间序列分析等,这些分析方法将时域信息、频率幅值信息、频域相位信息分离。这些传统的分析方法不仅忽略了不同维度的振动信息的关联性,往往也忽略了振动之外的,和设备故障相关的噪声、温度等其他信息。这样不仅不能反映旋转设备故障因素的全貌,甚至会发生严重的歪曲和误判。
因此,如何保证用于分析的数据能够反映旋转设备故障因素的全貌,提高故障预测的准确性,成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足,本发明实际解决的问题包括:如何保证用于分析的数据能够反映旋转设备故障因素的全貌,提高故障预测的准确性。
本发明采用了如下的技术方案:
一种基于多传感器数据融合的旋转设备故障特征提取方法,包括:
S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息;
S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号;
S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号;
S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。
优选地,所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。
优选地,所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。
优选地,步骤S1与步骤S2之间还包括,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
优选地,待测旋转设备处于不同工作状态时,采用不同的滤波方法。
优选地,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括:
利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速;
基于转速判断待测旋转设备的工作状态,工作状态包括停止工作、匀速工作、变速工作;
当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波,否则,采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
优选地,所述基于多传感器数据融合的旋转设备故障特征提取方法还包括:
S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。
与现有技术相比,本发明具有以下技术优势:
(1)本发明不单单考虑了时域或频域信息,本发明将采集的数据进行时频域联合分析,提取故障特征,考虑了不同维度的振动信息的关联性。并且与现有技术相比,不仅仅将振动信息作为故障预测的因素,还考虑了温度、噪声等故障相关因素,使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰,而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号,可有效发现更微小的故障隐患。
(2)了避免数据采集时因为各种外界因此造成的部分采集的数据的失真,因此,在进行特征提取时,首先需要对采集的数据进行滤波。
(3)本发明中对不同工作状态的待测旋转设备采用不同的滤波方法,这样可以有效提高滤波效果,提高最终故障预测的精准度。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的一种具体实施方式的流程图;
图2是本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的另一种具体实施方式的流程图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,为本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的一种具体实施方式,包括:
S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息;
S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号;
S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号;
S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。
采集旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的方法为现有技术,在此不再赘述。与现有技术相比,本发明不单单考虑了时域或频域信息,本发明将采集的数据进行时频域联合分析,提取故障特征,考虑了不同维度的振动信息的关联性。并且与现有技术相比,不仅仅将振动信息作为故障预测的因素,还考虑了温度、噪声等故障相关因素,使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰,而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号,可有效发现更微小的故障隐患。
具体实施时,所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。
时域(Time domain)是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。是真实世界,是惟一实际存在的域。因为我们的经历都是在时域中发展和验证的,已经习惯于事件按时间的先后顺序地发生。而评估数字产品的性能时,通常在时域中进行分析,因为产品的性能最终就是在时域中测量的。
本发明中,为了充分获取用于故障预测的特征,因此,将三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数作为时域部分的故障特征。
具体实施时,所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。
频域(frequency domain)是描述信号在频率方面特性时用到的一种坐标系。在电子学,控制***工程和统计学中,频域图显示了在一个频率范围内每个给定频带内的信号量。频域,尤其在射频和通信***中运用较多,在高速数字应用中也会遇到频域。频域最重要的性质是:它不是真实的,而是一个数学构造。时域是惟一客观存在的域,而频域是一个遵循特定规则的数学范畴,频域也被一些学者称为上帝视角。
为了准确的反应频域信号,因此本发明选择了三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位作为频域部分的故障特征。
为了进一步优化本发明的技术方案,如图2所示,具体实施时,步骤S1与步骤S2之间还包括,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
滤波(Wave filtering)是将信号中特定波段频率滤除的操作,是抑制和防止干扰的一项重要措施,滤波分为经典滤波和现代滤波。本发明中,为了避免数据采集时因为各种外界因此造成的部分采集的数据的失真,因此,在进行特征提取时,首先需要对采集的数据进行滤波。
具体实施时,待测旋转设备处于不同工作状态时,采用不同的滤波方法。
待测旋转设备处于不同工作状态时,采集的数据受到的干扰也大不相同,因此,本发明中对不同工作状态的待测旋转设备采用不同的滤波方法,这样可以有效提高滤波效果,提高最终故障预测的精准度。
具体实施时,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括:
利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速;
基于转速判断待测旋转设备的工作状态,工作状态包括停止工作、匀速工作、变速工作;
当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波,否则,采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
维纳滤波器(wiener filtering) 的本质是使估计误差(定义为期望响应与滤波器实际输出之差)均方值最小化。离散时间维纳滤波理论是从维纳关于连续时间信号的线性最优滤波器这个开拓性工作演变过来的。维纳滤波器的重要性在于,它为广义平稳随机信号的线性滤波提供了一个参考框架。维纳滤波公式是通过平稳过程的谱分解导出的,难以推广到较一般的非平稳过程和多维情形,因而应用范围受到限制。另一方面,在不断增加观测结果时,不易从已算出的滤波值及新的观测值较简单地求出新的滤波值,特别是不能满足在电子计算机上快速处理大量数据的需要。因此,本发明中,在匀速工作状态时,采用维纳滤波。
卡尔曼滤波(Kalman filtering)是一种利用线性***状态方程,通过***输入输出观测数据,对***状态进行最优估计的算法。由于观测数据中包括***中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态***的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理,Kalman滤波是目前应用最为广泛的滤波方法,在通信,导航,制导与控制等多领域得到了较好的应用。因此,本发明在非匀速工作状态时,采用卡尔曼滤波。
具体实施时,所述基于多传感器数据融合的旋转设备故障特征提取方法还包括:
S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。
在取得了故障特征后,将故障特征输入训练后的多参数决策树即可得到待测旋转设备的故障预测结果。故障类型主要包括:轴承故障、定子故障、转子故障、气隙偏心。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (7)
1.一种基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,包括:
S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息;
S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号;
S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号;
S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。
2.如权利要求1所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。
3.如权利要求1所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。
4.如权利要求1所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,步骤S1与步骤S2之间还包括,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
5.如权利要求4所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,待测旋转设备处于不同工作状态时,采用不同的滤波方法。
6.如权利要求5所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括:
利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速;
基于转速判断待测旋转设备的工作状态,工作状态包括停止工作、匀速工作、变速工作;
当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波,否则,采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。
7.如权利要求1至6任一项所述的基于多传感器数据融合的旋转设备故障特征提取方法,其特征在于,所述基于多传感器数据融合的旋转设备故障特征提取方法还包括:
S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474895.4A CN112465068A (zh) | 2020-12-15 | 2020-12-15 | 一种基于多传感器数据融合的旋转设备故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474895.4A CN112465068A (zh) | 2020-12-15 | 2020-12-15 | 一种基于多传感器数据融合的旋转设备故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465068A true CN112465068A (zh) | 2021-03-09 |
Family
ID=74804219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011474895.4A Pending CN112465068A (zh) | 2020-12-15 | 2020-12-15 | 一种基于多传感器数据融合的旋转设备故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465068A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049252A (zh) * | 2021-03-25 | 2021-06-29 | 成都天佑路航轨道交通科技有限公司 | 一种列车轴承箱的故障检测方法 |
CN114167842A (zh) * | 2021-12-08 | 2022-03-11 | 中国船舶科学研究中心 | 一种基于振动主动控制***的故障预测与健康管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007263609A (ja) * | 2006-03-27 | 2007-10-11 | Nsk Ltd | 機械設備の異常診断装置及び異常診断方法 |
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断***及方法 |
CN104655380A (zh) * | 2015-03-16 | 2015-05-27 | 北京六合智汇技术有限责任公司 | 一种旋转机械设备故障特征提取方法 |
WO2020141678A1 (ko) * | 2018-12-31 | 2020-07-09 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
-
2020
- 2020-12-15 CN CN202011474895.4A patent/CN112465068A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007263609A (ja) * | 2006-03-27 | 2007-10-11 | Nsk Ltd | 機械設備の異常診断装置及び異常診断方法 |
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断***及方法 |
CN104655380A (zh) * | 2015-03-16 | 2015-05-27 | 北京六合智汇技术有限责任公司 | 一种旋转机械设备故障特征提取方法 |
WO2020141678A1 (ko) * | 2018-12-31 | 2020-07-09 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049252A (zh) * | 2021-03-25 | 2021-06-29 | 成都天佑路航轨道交通科技有限公司 | 一种列车轴承箱的故障检测方法 |
CN114167842A (zh) * | 2021-12-08 | 2022-03-11 | 中国船舶科学研究中心 | 一种基于振动主动控制***的故障预测与健康管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Time-reassigned multisynchrosqueezing transform for bearing fault diagnosis of rotating machinery | |
Zhao et al. | A tacho-less order tracking technique for large speed variations | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
Borghesani et al. | The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings | |
CN104655380B (zh) | 一种旋转机械设备故障特征提取方法 | |
Luo et al. | On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing | |
CN110763462B (zh) | 一种基于同步压缩算子的时变振动信号故障诊断方法 | |
Wang et al. | Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
CN102721462B (zh) | 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法 | |
CN109668733A (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
Dong et al. | A frequency-shifted bispectrum for rolling element bearing diagnosis | |
Chaabi et al. | Fault diagnosis of rolling bearings in non-stationary running conditions using improved CEEMDAN and multivariate denoising based on wavelet and principal component analyses | |
CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
Ni et al. | Rolling element bearings fault diagnosis based on a novel optimal frequency band selection scheme | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN105388012A (zh) | 基于非线性调频小波变换的阶次跟踪方法 | |
Wu et al. | A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
Liu et al. | An adaptive cross-validation thresholding de-noising algorithm for fault diagnosis of rolling element bearings under variable and transients conditions | |
Liu et al. | Two-step adaptive chirp mode decomposition for time-varying bearing fault diagnosis | |
Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds |
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 |