CN113237619A - 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 - Google Patents

变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN113237619A
CN113237619A CN202110411554.0A CN202110411554A CN113237619A CN 113237619 A CN113237619 A CN 113237619A CN 202110411554 A CN202110411554 A CN 202110411554A CN 113237619 A CN113237619 A CN 113237619A
Authority
CN
China
Prior art keywords
series
under
vibration
frequency multiplication
frequency
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
Application number
CN202110411554.0A
Other languages
English (en)
Other versions
CN113237619B (zh
Inventor
何小锋
刘晓锋
卢修连
马运翔
卢承斌
何利鹏
彭辉
张泰岩
姚永灵
陈华桂
张耀华
孙子文
杨涛
胡迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, State Grid Jiangsu Electric Power Co Ltd, Jiangsu Fangtian Power Technology Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202110411554.0A priority Critical patent/CN113237619B/zh
Publication of CN113237619A publication Critical patent/CN113237619A/zh
Application granted granted Critical
Publication of CN113237619B publication Critical patent/CN113237619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了机械故障检测领域的一种变转速旋转机械振动的故障预警方法，旨在解决仅依靠振动的幅值作为振动分析的依据，对振动故障检测预警不够精准的技术问题。其包括：获取各系列特征倍频下历史频率向量和在线频率向量；构建各系列特征倍频下的振动靶图；建立各系列特征倍频下的正常行为模型；在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；得到各系列特征倍频下的残差分布；确定各系列特征倍频下的异常报警阈值；在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。本发明能够实现设备各振动特征频率的实时预警。

Description

变转速旋转机械振动的故障预警方法、装置、设备以及存储 介质
技术领域
本发明涉及一种变转速旋转机械振动的故障预警方法、装置、设备以及存储介质，属于机械故障检测技术领域。
背景技术
对于旋转设备而言，绝大数多故障都是与振动密切相关的。因此，振动监测是旋转机械状态监测中常用的技术手段，它能够实现早期故障预警和故障诊断。振动监测主要是幅值、频率、相位，而实际应用中往往只是重视振动的幅值，即以振动的大小作为振动监测和设备状态分析的依据，该方法在大多数情况下有效，但在一些特殊情况下会掩盖振动现象，从而影响到故障预警。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种变转速旋转机械振动的故障预警方法、装置、设备以及存储介质，解决现有技术仅依靠振动的幅值作为振动分析的依据，其在一些特殊情况下会掩盖振动现象从而导致振动预警不准确的技术问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种变转速旋转机械振动的故障预警方法，所述故障预警方法包括以下步骤：
根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；
基于历史频率向量建立各系列特征倍频下的正常行为模型；
基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；
通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
作为一种可选的实施方式：所述根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量包括：
采用快速傅里叶变换将设备正常运行振动的历史数据和在线数据分解成各系列特征倍频下的历史振动分量和在线振动分量；
根据各系列特征倍频下的各振动分量获取每个振动分量的相位和幅值，并将该相位和幅值作为各系列特征倍频下的历史频率向量和在线频率向量。
作为一种可选的实施方式：所述正常行为模型还包括振动波形的统计指标以及工况参数，所述振动波形的统计指标包括历史数据的振动信号的峰峰值、峭度、峰值因子；所述设备运行的工况参数包括设备运行转速。
作为一种可选的实施方式：所述正常行为模型为三层的BP神经网络。
作为一种可选的实施方式：所述基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差包括：
基于历史频率向量对正常行为模型进行训练；
将历史频率向量作为测试样本输入训练好的正常行为模型，获取估计样本；
将测试样本与估计样本进行比较，得到相应的系列特征倍频下模型残差ri：
Figure BDA0003024340860000031
其中，ri表示该系列特征倍频下第i个测试样本的模型残差，
Figure BDA0003024340860000032
表示该系列特征倍频下第i个测试样本的相位与幅值，
Figure BDA0003024340860000033
表示该系列特征倍频下第i个估计样本的相位与幅值。
作为一种可选的实施方式：所述基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布包括：
根据各系列特征倍频下的模型残差，获取各系列特征倍频下的验证样本集对应的模型残差序列Rk：
Rk＝[r1,r2,r3,…,rN]
其中，N表示测试样本集中测试样本的总数；Rk表示第k个系列特征倍频的模型残差序列；
采用正态分布拟合残差序列得到各系列特征倍频下的残差分布包括：
Figure BDA0003024340860000034
其中，
Figure BDA0003024340860000035
表示第k个系列特征倍频下的残差分布，μk和σk分别表示第k个系列特征倍频下模型残差的均值和标准差。
作为一种可选的实施方式：所述基于残差分布，从而确定各系列特征倍频下的异常报警阈值包括：
基于3σ原理，第k个系列特征倍频下的三级异常报警阈值为：
Figure BDA0003024340860000041
其中，alarm_1为第一级异常报警阈值，alarm_2为第二级异常报警阈值，alarm_3为第三级异常报警阈值。
第二方面，本发明提供了一种变转速旋转机械振动的故障预警装置，所述故障预警装置包括：
振动数据预处理模块：用于根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
振动靶图生成模块：用于将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；
模型构建模块：用于基于历史频率向量建立各系列特征倍频下的正常行为模型；
历史模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
残差分布模块：用于基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
阈值确定模块：用于基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
在线模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；
故障预警模块：用于通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
第三方面，本发明提供了一种变转速旋转机械振动的故障预警设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种变转速旋转机械振动的故障预警方法、装置、设备以及存储介质，将数据源分为离线数据和在线数据，其中离线数据用于设备振动特征频率正常行为模型的训练以及各特征频率实际测量值与模型估计值的残差分布；在线数据用于根据已训练好的正常行为模型，随着监测间隔实时给出各特征频率向量实际测量值与模型估计值的残差，从而实现设备各振动特征频率的实时监测及预警。该正常行为模型还结合了原始振动信号的峭度、峰值因子等统计指标，以及设备运行转速、负荷等工况参数，进一步提升预警的准确性。
附图说明
图1是本发明实施例提供的一种变转速旋转机械振动的故障预警方法的示意图；
图2是本发明实施例提供的一种变转速旋转机械振动的故障预警方法的流程示意图；
图3是本发明实施例提供的训练样本1X的振动靶图；
图4是本发明实施例提供的正常行为模型的示意图；
图5是本发明实施例提供的一条样本1X的实际值与估计值的示意图；
图6是本发明实施例提供的各系列特征倍频的残差统计分布表格；
图7是本发明实施例提供的各系列特征倍频的报警阈值表格。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1-2所示，本发明提供了一种变转速旋转机械振动的故障预警方法，包括以下步骤：
步骤1、根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
步骤1.1、采用快速傅里叶变换将设备正常运行振动的历史数据和在线数据分解成各系列特征倍频下的历史振动分量和在线振动分量；
步骤1.2、根据各系列特征倍频下的各振动分量获取每个振动分量的相位和幅值，并将该相位和幅值作为各系列特征倍频下的历史频率向量和在线频率向量。
步骤2、将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；极坐标
Figure BDA0003024340860000061
其中
Figure BDA0003024340860000062
表示相位，A表示幅值，在振动靶图中，振幅从中心径向增加，相位角沿周向增加。
步骤3、基于历史频率向量建立各系列特征倍频下的正常行为模型；正常行为模型优选为三层的BP神经网络，其还结合振动波形的统计指标以及工况参数，振动波形的统计指标包括历史数据的振动信号的峰峰值、峭度、峰值因子；设备运行的工况参数包括设备运行转速。
步骤4、基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
步骤4.1、基于历史频率向量对正常行为模型进行训练；
步骤4.2、将历史频率向量作为测试样本输入训练好的正常行为模型，获取估计样本；
步骤4.3、将测试样本与估计样本进行比较，得到相应的系列特征倍频下模型残差ri：
Figure BDA0003024340860000071
其中，ri表示该系列特征倍频下第i个测试样本的模型残差，
Figure BDA0003024340860000072
表示该系列特征倍频下第i个测试样本的相位与幅值，
Figure BDA0003024340860000073
表示该系列特征倍频下第i个估计样本的相位与幅值。
步骤5、基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
步骤5.1、根据各系列特征倍频下的模型残差，获取各系列特征倍频下的验证样本集对应的模型残差序列Rk：
Rk＝[r1,r2,r3,…,rN]
其中，N表示测试样本集中测试样本的总数；Rk表示第k个系列特征倍频的模型残差序列；
步骤5.2、采用正态分布拟合残差序列得到各系列特征倍频下的残差分布包括：
Figure BDA0003024340860000074
其中，
Figure BDA0003024340860000081
表示第k个系列特征倍频下的残差分布，μk和σk分别表示第k个系列特征倍频下模型残差的均值和标准差。
步骤6、基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
基于3σ原理，第k个系列特征倍频下的三级异常报警阈值为：
Figure BDA0003024340860000082
其中，alarm_1为第一级异常报警阈值，alarm_2为第二级异常报警阈值，alarm_3为第三级异常报警阈值。
步骤7、基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；此步骤方法与步骤4.2和步骤4.3相同，进输入的数据源不同。
步骤8、通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
当在线频率向量的模型残差大于alarm_1，触发一级报警；小于alarm_1，大于alarm_2，触发二级报警；小于alarm_2，大于alarm_3,触发三级报警，报警等级逐级降低。
在本实施例中，获取到某转子设备正常运行时两次升降速过程中的振动数据，分别包含114条和66条，每条振动数据包含512个采样点，振动采集方式为同步整周期采样，采样频率为64点/转。其中114条数据用于训练设备振动的正常行为模型，另外66条数据用于测试正常行为模型。
(1)对训练样本集114条正常运行振动数据进行预处理。包括峰峰值、峭度和峰值因子的计算；每条振动数据进行快速傅里叶变换得到对应的各特征频率向量，本实施例中选取0.5X、1X、2X、3X…NX(X为倍频)；结合设备运行是转速信息，可以将原始振动数据转换成12个特征的数据集，大小为114×12的二维数组。各特征频率向量用振动靶图来描述，以1X为例，114条训练样本的1X分布散点图如图3所示。
(2)采用三层的BP神经网络建立设备正常运行模型。模型出入层对应每条振动特征向量(转速、峰峰值、峭度、峰值因子、0.5X幅值、0.5X相位、1X幅值、1X相位、2X幅值、2X相位、3X幅值和3X相位)，对应的输入层神经元个数为12；模型输出层对应各特征频率向量(0.5X幅值、0.5X相位、1X幅值、1X相位、2X幅值、2X相位、3X幅值和3X相位)，对应的输入层神经元个数为12，对应的输出层神经元个数为8；模型结构如图4所示。
(3)用步骤(1)中的训练样本集对(2)中建立的正常行为模型进行训练。对输入层进行归一化处理，网络激活函数为sigmoid函数，模型隐含层神经元个数采用经验公式得到，设置为10。
(4)用未参数与模型训练的66条正常运行样本集作为验证集，带入步骤(3)中已训练好的模型，得到各特征频率向量对应的估计值。以某条样本1X为例，振动向量的实际值和估计值如图5所示。计算极坐标中实际值与估计值的距离，可以得到各振动频率的模型残差序列，并用正态分布进行拟合。本实施例中，各特征频率的模型残差分布参数如图6所示。
(5)可以得到各系列特征倍频的三级报警阈值如图7所示。
实施例二：
本发明提供了一种变转速旋转机械振动的故障预警装置，包括：
振动数据预处理模块：用于根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
振动靶图生成模块：用于将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；
模型构建模块：用于基于历史频率向量建立各系列特征倍频下的正常行为模型；
历史模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
残差分布模块：用于基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
阈值确定模块：用于基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
在线模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；
故障预警模块：用于通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
实施例三：
本发明提供了一种变转速旋转机械振动的故障预警设备，包括处理器及存储介质；
存储介质用于存储指令；
处理器用于根据指令进行操作以执行根据实施例一中任一项方法的步骤。
实施例四：
本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现实施例一中任一项方法的步骤。
本发明的一种变转速旋转机械振动的故障预警方法、装置、设备以及存储介质，利用旋转机械振动信号的原始数据，通过快速傅里叶变换等时频转换技术得到振动的特征频率及其对应的幅值和相位，结合振动信号的峭度、波峰因子等统计指标，以及设备运行的转速和负荷等工况参数，得到表征设备振动状态的一系列特征。采用神经网络等机器学习算法构建振动信号特征频率的正常行为模型，在设备正常运行时认为这一系列特征之间的关系稳定；当设备当前振动特征频率的幅值和相位偏离模型估计值时，认为设备当前状态异常。方法中将振动特征频率的幅值和相位相结合构造特征频率振动“靶图”，该图中每一个点表示特征频率当前的相位和幅值组成的向量；基于已建立的正常行为模型，在“靶图”中计算各特征频率实际测量值与模型估计值的残差，即判断设备是否异常的判据。因此，本方法仅利用振动原始数据，结合时频转换技术和机器学习技术，能够实现更多信息量的振动监测和早期故障预警，为设备预测性维修提供可靠的设备状态信息。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种变转速旋转机械振动的故障预警方法，其特征在于，所述故障预警方法包括以下步骤：
根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；
基于历史频率向量建立各系列特征倍频下的正常行为模型；
基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；
通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
2.根据权利要求1所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量包括：
采用快速傅里叶变换将设备正常运行振动的历史数据和在线数据分解成各系列特征倍频下的历史振动分量和在线振动分量；
根据各系列特征倍频下的各振动分量获取每个振动分量的相位和幅值，并将该相位和幅值作为各系列特征倍频下的历史频率向量和在线频率向量。
3.根据权利要求2所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述正常行为模型还包括振动波形的统计指标以及工况参数，所述振动波形的统计指标包括历史数据的振动信号的峰峰值、峭度、峰值因子；所述设备运行的工况参数包括设备运行转速。
4.根据权利要求1所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述正常行为模型为三层的BP神经网络。
5.根据权利要求2所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差包括：
基于历史频率向量对正常行为模型进行训练；
将历史频率向量作为测试样本输入训练好的正常行为模型，获取估计样本；
将测试样本与估计样本进行比较，得到相应的系列特征倍频下模型残差ri：
Figure FDA0003024340850000021
其中，ri表示该系列特征倍频下第i个测试样本的模型残差，
Figure FDA0003024340850000022
表示该系列特征倍频下第i个测试样本的相位与幅值，
Figure FDA0003024340850000023
表示该系列特征倍频下第i个估计样本的相位与幅值。
6.根据权利要求5所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布包括：
根据各系列特征倍频下的模型残差，获取各系列特征倍频下的验证样本集对应的模型残差序列Rk：
Rk＝[r1,r2,r3,…,rN]
其中，N表示测试样本集中测试样本的总数；Rk表示第k个系列特征倍频的模型残差序列；
采用正态分布拟合残差序列得到各系列特征倍频下的残差分布包括：
Figure FDA0003024340850000031
其中，
Figure FDA0003024340850000032
表示第k个系列特征倍频下的残差分布，μk和σk分别表示第k个系列特征倍频下模型残差的均值和标准差。
7.根据权利要求6所述的一种变转速旋转机械振动的故障预警方法，其特征在于，所述基于残差分布，从而确定各系列特征倍频下的异常报警阈值包括：
基于3σ原理，第k个系列特征倍频下的三级异常报警阈值为：
Figure FDA0003024340850000033
其中，alarm_1为第一级异常报警阈值，alarm_2为第二级异常报警阈值，alarm_3为第三级异常报警阈值。
8.一种变转速旋转机械振动的故障预警装置，其特征在于，所述故障预警装置包括：
振动数据预处理模块：用于根据设备正常运行振动的历史数据和在线数据获取各系列特征倍频下历史频率向量和在线频率向量；
振动靶图生成模块：用于将历史频率向量和在线频率向量作为极坐标构建各系列特征倍频下的振动靶图；
模型构建模块：用于基于历史频率向量建立各系列特征倍频下的正常行为模型；
历史模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下历史频率向量对应的模型残差；
残差分布模块：用于基于历史频率向量对应的模型残差组成的模型残差序列，得到各系列特征倍频下的残差分布；
阈值确定模块：用于基于残差分布，从而确定各系列特征倍频下的异常报警阈值；
在线模型残差获取模块：用于基于训练好的正常行为模型，在振动靶图上计算各系列特征倍频下在线频率向量对应的模型残差；
故障预警模块：用于通过在线频率向量与异常报警阈值对比，从而实现各系列特征倍频下的故障预警。
9.一种变转速旋转机械振动的故障预警设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202110411554.0A 2021-04-16 2021-04-16 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 Active CN113237619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110411554.0A CN113237619B (zh) 2021-04-16 2021-04-16 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110411554.0A CN113237619B (zh) 2021-04-16 2021-04-16 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113237619A true CN113237619A (zh) 2021-08-10
CN113237619B CN113237619B (zh) 2022-11-15

Family

ID=77128321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110411554.0A Active CN113237619B (zh) 2021-04-16 2021-04-16 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113237619B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048261A (zh) * 2021-09-22 2022-02-15 国家能源集团乐东发电有限公司 一种基于数据描述的振动矢量预警值确定方法及***
CN115327373A (zh) * 2022-04-20 2022-11-11 岱特智能科技（上海）有限公司 基于bp神经网络的血透设备故障诊断方法及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310589A (zh) * 2020-01-20 2020-06-19 河北科技大学 一种机械***的故障诊断方法、故障诊断装置及终端
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法
CN112036240A (zh) * 2020-07-27 2020-12-04 国家能源集团新疆吉林台水电开发有限公司 一种基于分频算法诊断下机架松动故障的方法及***
CN112082720A (zh) * 2020-09-04 2020-12-15 江苏方天电力技术有限公司 一种固定转速旋转机械振动故障早期预警值确定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310589A (zh) * 2020-01-20 2020-06-19 河北科技大学 一种机械***的故障诊断方法、故障诊断装置及终端
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法
CN112036240A (zh) * 2020-07-27 2020-12-04 国家能源集团新疆吉林台水电开发有限公司 一种基于分频算法诊断下机架松动故障的方法及***
CN112082720A (zh) * 2020-09-04 2020-12-15 江苏方天电力技术有限公司 一种固定转速旋转机械振动故障早期预警值确定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048261A (zh) * 2021-09-22 2022-02-15 国家能源集团乐东发电有限公司 一种基于数据描述的振动矢量预警值确定方法及***
CN115327373A (zh) * 2022-04-20 2022-11-11 岱特智能科技（上海）有限公司 基于bp神经网络的血透设备故障诊断方法及存储介质

Also Published As

Publication number Publication date
CN113237619B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN110994604B (zh) 基于lstm-dnn模型的电力***暂态稳定评估方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、***、介质、设备
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN111695452B (zh) 基于rbf神经网络的并联电抗器内部老化程度评估方法
CN107944721B (zh) 一种通用的基于数据挖掘的机器学习方法、装置以及***
Simani et al. Hybrid model–based fault detection of wind turbine sensors
CN113408068A (zh) 一种随机森林分类的机泵故障诊断方法及装置
CN111504647A (zh) 基于ar-mset的滚动轴承的性能退化评估方法
CN110825074A (zh) 一种调相机故障诊断***及其工作方法
CN113742932A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN108306997B (zh) 域名解析监控方法及装置
CN113792940A (zh) 基于深度学习的水轮发电机组振摆数据预测方法及装置
CN116625683A (zh) 一种风电机组轴承故障识别方法、***、装置及电子设备
CN116956215A (zh) 一种传动***故障诊断方法及***
CN110969214A (zh) 一种基于支持向量机综合模型的暂态安全域在线构建方法
CN115685045A (zh) 一种电压互感器在线评估方法
CN115293274A (zh) 一种基于对抗交替型滑动窗口的时间序列突变点检测方法
CN115128345A (zh) 一种基于谐波监测的电网安全预警方法及***
CN114117923A (zh) 基于混沌特征空间的高压并联电抗器状态判断***及方法
CN1782672A (zh) 改善发电设备故障检测的方法和装置
CN117454324A (zh) 风速风向仪故障预警方法、***、电子设备及存储介质
CN109635430A (zh) 电网输电线路暂态信号监测方法和***
CN117238113A (zh) 一种基于概率函数的水电机组分工况测值的预警方法

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