CN113383215A - 用于模式匹配轴承振动诊断的***和过程 - Google Patents
用于模式匹配轴承振动诊断的***和过程 Download PDFInfo
- Publication number
- CN113383215A CN113383215A CN201980043549.XA CN201980043549A CN113383215A CN 113383215 A CN113383215 A CN 113383215A CN 201980043549 A CN201980043549 A CN 201980043549A CN 113383215 A CN113383215 A CN 113383215A
- Authority
- CN
- China
- Prior art keywords
- assets
- spectrum data
- fault
- vibration spectrum
- failure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 title description 44
- 238000001845 vibrational spectrum Methods 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000003909 pattern recognition Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000013500 data storage Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 102100038247 Retinol-binding protein 3 Human genes 0.000 description 10
- 101710137010 Retinol-binding protein 3 Proteins 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 238000005096 rolling process Methods 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
-
- 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
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
- G01H3/08—Analysing frequencies present in complex vibrations, e.g. comparing harmonics present
-
- 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
- G01M13/021—Gearings
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/334—Vibration measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/025—Change of phase or condition
- G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2696—Wheels, Gears, Bearings
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种***和方法,其包括:从多个不同的资产接收振动频谱数据;基于针对多个资产中的各个的振动频谱数据的形状来确定针对多个资产的群集,被分组在同一群集中的资产具有类似频谱形状的振动频谱数据;基于针对振动频谱数据的域导出模式识别规则的应用来针对群集中的各个确定多个故障分类中的一个;生成输出,该输出包括多个资产中的各个与特定资产被分组在其中的群集的故障分类的关联;以及保存输出的记录。
Description
技术领域
本公开的领域总体上涉及***监测和诊断。更特别地,本公开涉及用以基于振动频谱数据中的模式来检测和确定故障的***、设备和方法。
背景技术
资产的不同构件的工作状况可由状况监测***(CMS)监测,其中可生成警报以指示关于资产的操作的故障和其它警告。对于诸如例如风力涡轮的一些资产,风力涡轮振动分析师可使用CMS来监测涡轮的齿轮箱和其它轴承的健康,CMS使用轴承振动数据来检测异常频谱尖峰,并因此基于检测到的频谱尖峰来产生警报。这种常规方法严重依赖于针对被监测的风力涡轮的确切齿轮箱运动学信息的可获得性和知识,并且是基于规则的,并且使用极限或趋势改变来警告可能的构件磨损或损坏。
一般来说,一些常规的振动监测和分析***通常由两个步骤组成,其中第一步骤是自动报警***,其存储或能够访问物理信息,诸如自然故障频率和从诸如齿轮齿/滚动元件的数量等的风力涡轮的运动学信息导出的旋转频率。在第二步骤中,振动分析师可审查与风力涡轮相关联的振动频谱曲线图,以了解来自报警***的诊断是否正确。该第二步骤是必要的,因为报警***通常仅查看在频谱中的具***置(即频率)处的绝对振幅值或趋势改变。通过使用精确的运动学信息,如果特征与教科书(即理论的)特征甚至稍微不同,传统的CMS***也可能遗漏已知的故障。这是由于***的基于规则的性质,其依赖于具体频率下的频谱尖峰来指示已知类型的故障。虽然这种方法可适用于故障特征明确限定且众所周知的问题,但当出现新的(即新颖的)故障时,该方法往往会行不通。
因此,常规***可能潜在地遗漏新颖的故障和/或可能不正确地检测已知故障,这些已知故障具有与标准故障频率甚至稍微不同的特征,或者随着磨损或损坏的进展而远离标准故障频率偏移的特征。
因此,需要支持并便于针对资产的振动频谱的整体观(而不是在信号频谱中的具体频率下的具体振幅值)的方法和***。
发明内容
在一个方面,本公开的实施例涉及一种方法,该方法包括:从多个不同的资产接收振动频谱数据;基于针对多个资产中的各个的振动频谱数据的形状来确定针对多个资产的群集,被分组在同一群集中的资产具有类似频谱形状的振动频谱数据;基于针对振动频谱数据的域导出模式识别规则的应用来针对群集中的各个确定多个故障分类中的一个;生成输出,该输出包括多个资产中的各个与特定资产被分组在其中的群集的故障分类的关联;以及保存输出的记录。
在其它实施例中,可实施包括频谱模式匹配(或类似功能)模块和根本原因标识(或类似功能)模块的***,以执行本文中所公开的方法和过程的特征中的至少一些。在又一个示例实施例中,有形介质可使可执行指令具体化,该可执行指令可由处理器使能设备或***执行,以实施本公开的过程的至少一些方面。
虽然本公开描述了用于检测风力涡轮轴承、轴和传动装置问题的多种方法和***的使用,但是本公开可适用于所有旋转或往复式机械,包括但不限于和跨越许多不同类型的发电、工业和制造行业。本文中所公开的方法和***适用的一些设备的说明性示例包括但不限于发电设备、马达、泵、齿轮箱、轴承、轴、齿轮、压缩机、金属挤出设备、采矿和金属生产设备。
附图说明
当参考附图阅读以下详细描述时,本公开的这些和其它特征、方面和优点将变得更好理解,在附图中,遍及附图,相同的字符表示相同的部件,其中:
图1是其中包括轴承机构的风力涡轮的说明性示意性示例;
图2是根据本文中的一些实施例的包括轴承外座圈故障的说明性示例信号频谱;
图3是根据本文中的一些实施例的包括轴承内座圈故障的说明性示例信号频谱;
图4是根据本文中的一些实施例的包括轴承滚珠自旋故障的说明性示例信号频谱;
图5A和图5B是与行星滚珠故障相关的曲线图;
图6是根据本文中的一些实施例的与环齿轮故障相关的曲线图的说明性示例;
图7是根据本文中的一些实施例的***的说明性示例框图;
图8是根据本文中的一些实施例的过程的说明性示例流程图;
图9是根据本文中的一些实施例的故障检测和标识过程的说明性示例流程图;
图10是根据本文中的一些实施例的信号标准化过程的说明性示例流程图;
图11是根据本文中的一些实施例的信号群集过程的说明性示例流程图;
图12是根据本文中的一些实施例的用以确定针对高速轴的轴承内座圈故障的过程的说明性示例流程图;
图13是根据本文中的一些实施例的用以确定针对高速轴的轴承外座圈故障的过程的说明性示例流程图;
图14是根据本文中的一些实施例的用以确定针对高速轴的轴承滚珠自旋故障的过程的说明性示例流程图;
图15是根据本文中的一些实施例的针对低速轴的故障诊断过程的说明性示例流程图;以及
图16是可支持本文中所公开的一些过程的实施的***或设备的框图的说明性描绘。
除非另外指示,否则本文中所提供的附图意在图示本公开的实施例的特征。这些特征被认为可适用于包括本公开的一个或多个实施例的许多种***。照此,附图并不意在包括本领域普通技术人员已知的实践本文中所公开的实施例所需的所有常规特征。
具体实施方式
在以下说明书和权利要求书中,引用具有以下含义的许多用语。
单数形式“一”、“一种”和“该”包括复数个引用对象,除非上下文另外清楚地规定。
“任选的”或“任选地”意味着随后描述的事件或情况可发生或可不发生,并且描述包括事件发生的实例和事件不发生的实例。
本公开涉及用以基于来自资产的振动频谱的模式或频谱形状来检测和诊断故障和其它状况的过程和***。图1是风力涡轮100的说明性示意图示例,风力涡轮100可被监测以确定风力涡轮发电机的健康状态。风力涡轮发电机(或简称为涡轮)100说明了本文中所公开的过程和***可应用于的一类资产。在一些方面,包括本文中所公开的过程和***的本公开可在除了下面阐述的具体示例之外的其它应用、环境和用例中体现和实施。
关于图1,涡轮100可被监测以确定涡轮的多种构件的工作状况或健康。在如图1中所图示的涡轮的情况下,涡轮100的驱动系轴承可为感兴趣的构件。在其它资产中,其它构件可为感兴趣的(多个)主体。涡轮100包括转子105和包括三(3)个主轴承的驱动系。轴承包括:主轴承120,其定位成最接近转子105;包括内侧轴承125和外侧轴承135的发电机轴承115,其联接到并旋转生成能量的发电机(未示出);以及驱动系轴承,其位于主轴承和发电机轴承之间的110处。图1的示例中的驱动系轴承包括在低速轴140和高速轴145上的四(4)组不同的轴承,它们统称为驱动系轴承。这四组驱动系轴承操作以将每分钟转数(rpm)从在转子处的约15-20 rpm提高到在发电机侧处的约1440 rpm。驱动系轴承可分成三(3)级,包括:(1)低速级(LSS) 150;(2)中间级,其包括低速中间级(LSIS) 155和高速中间级(HSIS)160;以及(3)高速级(HSS) 165。诸如加速度计、接近探针或声学传感器的传感器可部署在驱动系齿轮箱中,以捕获由驱动系齿轮箱的不同级产生的振动。在一些实施例中,尽管传感器可放置在驱动系的不同级中,但是来自级中的一个或多个的一些振动可渗入由另一级获取的振动数据中。
由驱动系中的传感器捕获的数据可主要是由驱动系构件(例如,高速轴和低速轴轴承)生成的振动、位移或声学特征的波形数据以及那些波形的衍生物。在一些方面,可被捕获的主要数据类型可包括异步波形和同步波形。异步波形是在固定量的时间内记录的一类振动信号。由于图1的示例的资产(即涡轮)本身以可变速度操作,故固定时间记录意味着持续时间不需要是任何具体轴承的周期的倍数(即异步)。
如本文中所提到的,同步波形是在轴承的一定转数内记录的波形,并且可不被直接存储。相反,与波形相关的导出谱图可被存储一定的时间段(例如,每4小时)。波形的直接FFT(快速傅里叶变换)被称为高分辨率频谱,而经由数字信号处理(DSP)后包络导出的更精细且更详细的频谱被称为同步(或sync)包络频谱。高分辨率频谱和同步包络频谱两者的曲线图都可捕获和揭示包括边带(如果有的话)的清晰可见的故障,而高分辨率频谱可在具有较高本底噪声的曲线图或包含与构件磨损或损坏不直接相关的特征的曲线图中显示故障特征。
在一些应用中,针对高速级故障的特征在同步包络频谱数据中可更明显。在一些方面,在齿轮箱轴承的典型生命周期内,在高分辨率频谱数据中表现出任何异常之前,一些故障可在同步包络频谱数据中表现出它们的特征。在本文中的一些实施例中,同步包络频谱数据可用于HSS故障检测算法(下面更详细地讨论)。
关于频谱曲线图,为了更好地理解它们所表示的频率范围,呈现了简要的讨论。参考图1的示例,其中HSS轴145具有约1440的rpm,HSS轴将具有24 Hz的旋转频率。该基频被称为HSS的1X。齿轮箱内部的每个旋转部件都具有1X基频。例如,HSIS轴也旋转,并且具有通过以下关系与HSS 1X相关的1X基频:
注意,不同的故障可具有其自身的1X值。在一些方面,故障的1X值可被视为特定故障在***内产生噪声的频率。例如,轴承的轴承外座圈中的裂纹可在每次滚珠横过裂纹时引起轻微的扰动/噪声或振动特征。照此,外座圈故障1X基频(也被称为外座圈的轴承滚珠通过频率(BPFO) 1X)将是该生成的噪声的频率。
在一些方面,图1示例的风力涡轮的驱动系的各个级的频谱通常可表示频率范围,其中最大值是某个轴频率的倍数。例如,针对特定型号涡轮的第3级同步包络频谱数据可表示高达约50X HSS的最大值的频率。注意,该值和1X HSS值都与在给定时间点的轴的实际每分钟转数(RPM)相关,并且可取决于特定的主体资产而变化。类似地,第2级最大频率典型地可为约50或100X LSIS。
对于与检测风力涡轮的驱动系轴承中的故障相关的图1的示例,主要关注的故障可包括轴承中的三个故障位置。特别地,故障位置可包括轴承的外座圈、内座圈和滚动元件本身。对于具体的轴承设计,外座圈、内座圈和滚动元件具有自然频率。在那些位置中的任何位置中存在故障的情况下,如由传感器(例如,加速度计)捕获的所得振动信号将表现出那些自然频率。例如,如果轴承在其外座圈中具有缺陷,则每次滚动元件中的一个触碰有缺陷的位置时,都将生成并记录振动脉冲。该脉冲的频率将与外座圈的自然故障频率(本文中称为外座圈的滚珠通过频率或BPFO)相同。类似地,针对内座圈的轴承故障频率(即IRBP或内座圈的滚珠通过)缺陷和针对滚动元件的轴承故障频率(即滚珠自旋或BS)缺陷被称为内座圈的滚珠通过频率(BPFI)和滚珠自旋频率(BSF)故障。
在一些情境中,如果针对特定资产的故障频率信息可获得且已知,则故障频率信息的振幅的分析可用于确定特定类型的故障是否存在于资产的轴承中。然而,这种基于故障频率信息的知识的方法存在若干限制。首先,故障频率信息可不容易获得(如果有的话)。故障频率可通过使诸如例如滚动元件的数量、节距角、滚子直径、节距直径等的设计参数与特定的缺陷频率(例如,BPFI、BPFO和BSF)相关的数学公式已知。然而,一个轴承与另一个轴承的设计参数差异很大,并且可不为振动工程师或其他实体所知或甚至无法供应给他们。
其次,特定资产的频谱(即“有故障”频谱)中可不存在故障频率。理论上,自然故障频率(例如,BPFO、BPFI等)应当存在于轴承中存在对应故障的地方。然而,在实践中可能并不总是这种情况。例如,接近BPFO的频率在实际上具有ORBP问题的轴承中激发。如该示例所证明的,在实际(即,现实世界)应用中,对理论故障频率的过度依赖可能是有害的,因为由振幅尖峰表征的故障实际上可发生在不同于预期/理论频率的频率下,并且在寻找在预期/理论频率下的故障时可能看不到。实际故障特征的偏差通常是由初始故障的位置中及其周围的轴承的二次损坏引起的,从而引起当滚动元件遇到缺陷时产生的特征中的边带能量或频率偏移。
依赖于已知故障频率的这些限制通常有必要使振动工程师针对甚至常见的故障模式(例如,高速级中的故障)而审查频谱数据。这种由(多个)专家进行的人工审查可能成本高昂和/或导致生产率损失。
先前的一些技术、过程和***包括振动工程师查看报告,其中主体涡轮中的一些被标记为关注对象。对于各个标记的涡轮,振动工程师可查看该涡轮的不同频谱曲线图,以确定可疑故障是否确实存在。这种类型的检查可包括对频谱DEI(动态能量指数)数字的审查,除了对尖峰进行视觉检查和将其与自然故障频率对齐之外,其中这种工作量是必要的,因为这些先前类型的***依赖于阈值算法,该算法寻找在具***置(即频率)处的振幅的上升。
本文中的一些实施例可使用资产(例如,齿轮箱)不可知算法来基于振动频谱数据中的基本缺陷特征(即,“模式”)来确定缺陷。一些实施例的概述将在针对ORBP、IRBP、BS和其它缺陷的轴承特征的情境中解释。
对于轴承中的外座圈缺陷,每次轴承的滚动元件横过有缺陷位置时,冲击脉冲都将被记录。对于这些类型的生成脉冲,ORBP频率(BPFO)及其谐波存在于所得频谱中。图2图示了频域频谱200。从左向右移动,所分析的频率的范围增加。针对该示例的同步包络频谱数据在图1的205处示出。
对于轴承中的内座圈缺陷(即IRBP特征),内座圈故障的特征比ORBP特征更复杂。在一些实施例和构造中,轴承的内座圈通常与轴一起旋转,并且因此内座圈缺陷位置移入和移出轴承加载区。照此,当轴承处于加载区中时产生的冲击脉冲比当轴承移出加载区时产生的脉冲更明显。以这种方式,BPFI脉冲信号通过轴的旋转频率(称为轴1X)进行振幅调制。这些因素造成在BPFI频率(及其谐波)下振幅的尖峰的存在以及由轴1X频率分离的一个或两个边带的存在。在图3的曲线图300中描绘了说明性的IRBP故障特征,其中频域在305处示出,并且所分析的频率的范围从左向右增加。在图3的示例中,1X频率在320处示出,并且BPFI缺陷在325处示出,并且其谐波频率(例如,在330处)示出。如所看到的,BPFI缺陷包括与BPFI缺陷的峰中心振幅相距1X的边带。
对于轴承中的滚珠自旋缺陷(即,BS特征),滚动元件缺陷的特征模式可类似于IRBP缺陷。如图4中所图示的,频谱400中的BS特征405通过滚珠自旋频率(BSF) 410、415和420以及由保持架1X频率(表示为FT)分离的一个或两个边带的存在来表现,保持架1X频率可为轴1X频率的约0.3至约0.5。
在一些实例中,可存在没有针对其的现有检测算法的其它故障特征。一些这样的示例可包括与涡轮驱动系的低速级相关的一些特征,这些特征仅在从驱动系的第1级导出的数据中可见。
例如,行星轴承故障可由在齿轮啮合谐波之间的区域中独特的“干草堆”模式表征。与图2至图4的示例中的同步包络频谱(其中任何种类的高振幅尖峰都可为故障的潜在指示物)不同,如图5A和图5B中所描绘的低速频谱曲线图中的尖峰可出现在正常或非故障情况下。在图5A和图5B的曲线图中,图5A在505和510处具有确认的行星轴承(PB)故障,而图5B没有这样的问题。标记(例如,515和520)指示在针对主体驱动系的第1级低速频谱中存在的自然频率。注意,PB故障不限于低速级。
另一个低速级(LSS)故障是环齿轮故障,其在第1级高分辨率数据中表现出独特的“锯齿”模式。图6包括针对表现出环齿轮故障的风力涡轮的第1级频谱曲线图600的说明性示例。
在一些实施例中,本公开涉及一种接收风力涡轮齿轮箱加速度计数据并使用模式匹配技术来检测显示加速度计振动频谱的类似频谱形状的资产的***(包括软件和硬件构件)。图7是针对用以执行本文中所公开的一些过程的一些***的说明性框图。振动频谱数据705由***700接收。该***可包括模式匹配模块710,其接收风力涡轮齿轮箱加速度计数据,并使用模式匹配技术来标识和确定(例如,基于数学算法计算)在其加速度计振动频谱中显示类似形状的资产。***700还可包括根本原因检测模块715。根本原因检测模块715可操作以确定可影响资产(例如,涡轮)并在振动频谱数据中表现的(多个)故障的若干已知根本原因中的至少一个。***700可操作以基于针对振动频谱数据705的域导出模式识别规则的应用来标识和确定针对已知故障的确切原因,以及基于基于振动频谱数据的模式匹配技术来标识非预期或新颖的故障。包括针对资产中的各个的故障分类的输出记录可由报告生成模块720基于来自模块710和715的输入来生成。生成的报告可被保存和/或用于进一步的处理(例如,分析等)操作中。
在一些实施例中,资产可各自为如在图1的示例中讨论的风力涡轮。然而,本文中所公开的***和过程不一定限于振动频谱数据的分析以及风力涡轮的驱动系中故障的检测和标识。
图8是基于针对一个或多个资产的振动频谱数据的模式匹配技术来检测和标识资产中的故障的过程的概述。流程图800的过程略述了整体查看资产的振动频谱数据的形状的过程,而不是例如寻找在具体频率下的振幅。
在操作805处,从多个资产接收振动频谱数据。振动频谱数据可从例如部署在“风电场”中的多个风力涡轮接收。在操作805处接收的数据可包括一个或多个文件,其中,针对主体资产中的各个的振动频谱数据能够在操作805处所接收的数据中标识。
在操作810处,模式匹配模块或具有类似功能的其它***或设备从各个风力涡轮资产获取振动频谱数据。在一些实施例中,操作810还可包括其它处理方面,诸如但不限于对在某个时间帧(即,时间段)内针对各个资产的接收到的数据求平均。在一些实施例中,操作810可使用群集算法或群集算法的组合来完成资产的配对。在一些实施例中,可通过操作810从接收到的振动频谱数据提取一个或多个特征,以便在每个资产的基础上降低数据的维度。
在操作815处,根本原因检测过程可对振动频谱(例如,较低维度)数据使用群集算法以标识共享类似频谱形状的资产(例如,涡轮)。确定具有类似频谱形状的资产被分组在一起。具有类似频谱形状(即,模式)的资产的分组在本文中被称为“群集”。在一些方面,在同一群集中的资产在频谱形状上是类似的,并且因此具有类似的故障或健康状况/状态。
在一些实施例中,操作810的群集结果的粒度对于预期或实际用途来说可能太高。例如,在一些实例中,仅面临逆风或顺风HSIS IRBP故障的涡轮可被分组在一起,而振动工程师可能仅对HSIS IRBP的概要故障水平下的故障感兴趣(即,不包括逆风或顺风的差异)。
继续操作815,根本原因标识模块或具有类似功能的其它(多个)***和(多个)设备可操作以标识由不同形状振动信号的群集中的频谱形状(即,特征)表征的问题或故障的确切原因。
在一些方面,操作810的非参数群集算法可擅长于基于个体资产的振动频谱数据的频谱形状来对资产进行分组,并且将不能够标识在群集(即,组)中表示的故障的确切性质。在一些实施例中,用以基于标识具有类似频谱形状的振动频谱数据来确定群集的(多个)算法可包括分级群集算法、k-均值算法、最近邻算法和基于群集方法的组合的至少一种算法中的一种。如本文中所使用的,分级群集算法将各个资产分配给其自身的群集,并且然后连续合并彼此最接近的群集对。该过程可重复,直到找到期望数量的群集。如本文中所使用的,k-均值算法由随机选择几个频谱作为群集质心组成。然后,基于它们距质心的距离,将其它频谱中的各个分配给这些群集。质心被更新,并且重复该过程,直到算法收敛(即,群集分配或质心没有改变)。
在一些实施例中,在操作815处的(多个)根本原因标识算法可采用基于数据的、齿轮箱不可知的方法来检测群集中的特定故障。在一些实例中,用于在操作815处检测或确定特定故障的过程可尽可能以齿轮箱不可知的方式来确定。在一些实施例中,可使用多种不同的算法来检测具体频谱中的异常尖峰、边带和其它特性特征,并且基于不同的模式(例如,在某个位置处的尖峰以及边带、具体的干草堆状模式、异步谐波的存在、锯齿模式等)或特征生成故障诊断,诸如例如较高速度级中的内座圈/外座圈/滚珠自旋问题和较低速度级中的行星轴承和其它故障。
操作820可包括最终输出,其组合模式匹配模块和根本原因标识模块的输出,以生成包括针对多个资产的故障确定的统一视图,该统一视图可优于严格群集或严格基于规则的方法。
在一些实施例中,操作820的输出可经由用户界面前端来呈现,该用户界面前端可包括文本、图形和其它可视化表示,其为用户提供单独地和/或与可表现出类似频谱模式的其它资产相比来查看和分析资产频谱的机制。
图9涉及根据本文中的一些实施例的总体故障检测和确定过程900。在操作905处,接收针对多个资产的输入振动信号。在操作910处,可对接收到的振动频谱数据进行预处理,以便为进一步处理作准备。操作910的一些(预)处理技术可包括例如校正信号斜率和/或接收到的信号的标准化。
在操作915处,基于资产的相关联的振动信号的频谱形状来执行资产的初始群集。操作915可包括执行分级群集功能。操作920可进一步基于例如群集的质心远离针对群集的平均质心距离小于某个阈值(例如<1σ)来合并群集。
在已在操作915和920处基于资产的频谱形状将不同资产分组为群集的情况下,操作925操作以基于合并群集的质心来标识合并群集中的各个中的信号是否指示资产中的故障。
操作930针对各个群集而确定群集中的各个资产(例如,涡轮)距群集的质心的距离。如果如在操作935处确定的那样资产相对远离基于某个阈值的平均值(例如,>0.75σ),则过程900前进到操作940,在操作940处,资产可通过例如规则引擎对资产的状况进行分类,因为所考虑的特定资产与其群集中的质心资产足够不同,以致于不能被分类为相同。
如果在操作935处所考虑的资产并不相对远离基于某个阈值的平均值(例如,<0.75σ),则过程900前进到操作945,在操作945处,资产可被分类为与其群集中的质心资产相同。
图10是根据本文中的一些实施例的可在图9的操作910的执行中执行的信号标准化功能的流程图1000的示例。在操作1005处,接收输入振动信号,并且在操作1010处,计算信号RMS(均方根)和标准偏差(σ)值。此外,基于图1000中所示出的关系,在操作1015处计算标准化信号(例如,NormSpectra)。
在操作1020处,执行线性回归模型以计算信号的斜率。从在操作1015处计算的标准化值中进一步减去线性回归输出的值。在操作1025处,计算标准化信号的RMS能量。小于RMS值(在操作1010处计算)的所有值都被设置为0(例如,finalSpectra)。
如由反馈回路1030指示的,针对被评估的各个资产的所有信号而重复过程1000。
图11是根据本文中的一些实施例的可在图9的操作915和920的执行中执行的信号群集功能的流程图1100的示例。在操作1105处,接收输入振动信号,并且在操作1110处,执行针对所有资产的分级群集。操作1115用于计算和标准化针对所有群集的质心。在操作1120处,进行计算以计算所有质心之间的平均距离和质心之间的距离的标准偏差。
在操作1125处,选择群集(n)来作为参考群集,并且操作1130操作以确定所考虑的群集是否足够接近(即,类似)以合并在一起。操作1130确定群集n的质心是否远离群集n+1的质心而小于1σ。如果操作1130的确定为“是”,则过程1100前进到操作1135,在操作1135处,群集n和n+1合并,接下来待检查的群集被更新,并且新合并的群集的质心被计算。
如果操作1130的确定为“否”,则过程1100前进到操作1140,在操作1140处,群集n和n+1不合并,并且接下来待检查的群集被更新。此后,重复操作1125-1140,直到不可能进一步合并群集。
图12至图14各自涉及用以确定可在风力涡轮资产的振动频谱数据中表现的具体高速轴(HSS)故障的不同的过程或规则引擎算法。图12涉及用以确定资产的故障状态的分类(例如,图9的操作940)的“规则引擎”的流程图1200的示例。特别地,流程图1200是用以检测HSS中IRBP类型的故障的示例过程。在操作1205处,接收输入振动信号,并且在操作1210处,使接收到的振动信号标准化。继续到操作1215,标准化信号中的谐波系列被标识,并且在操作1220处,对于各个谐波峰,执行信号150指数向右的扫描以标识前5个峰。在操作1225处,对于所标识的各个峰,检查信号以查看峰是否存在于远离谐波峰的相同的距离处,以找到边带宽度。
在操作1230处,如果大于50%的谐波峰在距谐波峰相等的距离处表现出峰,则在操作1235处,信号被分类为指示IRBP故障。如果在1230处小于50%的谐波峰没有在距谐波峰相等的距离处表现出峰,则过程1200继续到操作1240,在操作1240处,标识最常见的边带宽度,并且对于前3个谐波峰,执行检查以确定在标识的边带宽度处是否存在边带。
如在操作1245处确定的,如果少于2个谐波峰在所标识的边带宽度处示出边带,则在操作1255处,信号被分类为指示IRBP故障。否则,在操作1250处,信号被分类为指示“健康的”资产。
图13涉及用以确定资产的故障状态的分类(例如,图9的操作940)的“规则引擎”的流程图1300的示例。特别地,流程图1300是用以检测HSS中ORBP类型的故障的示例过程。在操作1305处,接收输入振动信号,并且在操作1310处,使接收到的振动信号标准化。操作1315操作以过滤所有低于300的指数。操作1320标识来自操作1315的经过滤频谱中的最高峰的指数。
在操作1325处,最高峰的前5个谐波被计算以形成清单。如果在操作1330处没有边带的谐波的数量不大于或等于2(即小于2),则在操作1335处,与信号相关联的资产被认为是“健康的”。如果操作1330确定没有边带的谐波的数量大于或等于2,则在操作1340处关于在清单(来自操作1325)中是否存在多于3个连续峰大于0而进行确定。如果清单中存在多于3个连续峰大于0,则在操作1345处,信号被分类为指示ORBP故障。否则,在操作1350处,与信号相关联的资产被认为是“健康的”。
图14是用以确定资产的故障状态的分类(例如,图9的操作940)的“规则引擎”的示例流程图1400。特别地,流程图1400是用以检测HSS中BS类型的故障的示例过程。在操作1405处,接收输入的标准化振动信号,并且在操作1410处,检查接收到的振动信号以标识峰具有非零值的指数。标识为具有非零值的指数被保存到“nonZeroList”。对于“nonZeroList”标识的指数,操作1415标识彼此相距小于4个指数的峰组,并将它们保存到“subList”。
在操作1420处,检查“subList”,以标识信号的斜率改变的位置(即拐点)。此外,仅斜率改变小于0.2的那些拐点(即标识表征BS故障的三角形)被保留以用于进一步处理。在操作1425处,计算信号中存在的三角形的数量(“nTriangles”),并且过程1400前进到操作1430。
参考操作1435,接收输入振动信号,并且在操作1440处,如果信号中最高峰的位置大于10且小于100,并且最高峰的前三个倍数是非零的,则“BSFlag”被设置为1,否则“BSFlag”被设置为0。过程1400从操作1440前进到操作1430。
在操作1430处,确定是否“BSFlag”=1且“nTriangles”≥5。如果“BSFlag”=1且“nTriangles”≥5,则信号被标识为指示资产具有BS故障。否则,在操作1450处,与信号相关联的资产被认为是“健康的”。
图15涉及用以确定可在风力涡轮资产的振动频谱数据中表现的具体低速轴(LSS)故障的规则引擎或算法。图15包括两(2)个流程,其中流程1501在信号的第一次通过期间执行,并且流程1502在信号的第二次通过期间执行。参考流程1501并在操作1505处开始,计算振幅比,如图15中所详细示出的。在操作1510处,具有大于阈值的振幅比的频谱振幅被分类为高振幅峰。在操作1515处,彼此接近的高振幅峰被分组在一起。
在操作1520处,基于组中的峰的数量来过滤分组的高振幅峰,其中具有少于4个峰的任何组都被过滤掉。在操作1525处,如图15中所规定的那样计算“组比”。在操作1530处,低能量组也被过滤掉,其中本示例中的低能量组是具有小于1的“组比”的组。在操作1535处,计算针对所考虑的资产的统计数据。统计数据可包括频谱中的组数、各个组的平均能量、平均组比和其它指标。
参考流程1502并在操作1540处开始,基于公共齿轮啮合频率和谐波特征来对本示例的资产进行分组。在操作1545处,并且对于各个齿轮箱组,计算以下值:组中各个涡轮频谱中的干草堆模式的数量(“nGroup”)、跨越组的干草堆模式的平均数量(“AvgGroup”)和各个组中涡轮的数量(“大小”)。
在操作1550处,如果“大小”大于10,则在操作1560处计算齿轮箱中的“nGroups”的标准偏差并将其保存(例如,“σ”)。在操作1565处,基于“nGroups”的值来对组中的涡轮进行分类。例如,对于具有小于1“σ”的“nGroups”的涡轮,涡轮被分类为“健康的”;对于具有大于1“σ”且小于2“σ”的“nGroups”的涡轮,涡轮被分类为“有潜在故障的”;并且对于具有大于2“σ”的“nGroups”的涡轮,涡轮被分类为“有故障的”。
在操作1550处,如果“大小”小于10,则在操作1552处计算跨越较大组的平均值(“AvgGroup”)和平均值(“σ”)。在操作1555处,基于“nGroups”的值来对较大组中的涡轮进行分类。例如,对于具有小于2[平均值(“AvgGroup”)]的“nGroups”的涡轮,其被分类为“健康的”,并且对于具有大于2[平均值(“σ”)]的“nGroups”的涡轮,其被分类为“有故障的”。
在一些实施例中,本文中的过程和***直接基于高分辨率频谱来检测故障和故障类型,并且能够显著节省时间和人工努力。在一些实例中,本文中所公开的技术可例如使CMS专家的生产率加倍(例如,各个分析师更多的涡轮)。
在一些实施例中,本文中的过程和***提供了一种用以分析和确定来自许多种资产的振动频谱数据中的故障的机制,这些资产包括针对其的故障频率信息对于分析师来说是未知的和/或不可获得的资产。在一些实施例中,本文中所公开的过程可至少部分地响应于一个或多个事件或动作而自动执行。
本文中的一些实施例提供了基于特征的、资产(例如,齿轮箱)独立/不可知的检测过程和***,其甚至在具体的自然故障频率不存在和/或未知时也使得能够进行故障检测。
图16是根据一些实施例的一个示例的装置1600的说明性框图。装置1600可包括计算装置,并且可执行程序指令以执行本文中所描述的任何功能。装置1600可包括服务器、专用处理器使能设备、用户实体设备和其它***的实施,包括本文中所公开的***的至少部分的云服务器实施例。根据一些实施例,装置1600可包括其它未示出的元件。
装置1600包括操作性地联接到通信设备1615以与其它***通信的处理器1605、数据存储设备1630、用以从其它***和实体接收输入的一个或多个输入设备1610、一个或多个输出设备1620和存储器1625。通信设备1615可便于与其它***和构件(诸如其它外部计算资产和数据)的通信。(多个)输入设备1610可包括例如键盘、小键盘、鼠标或其它定点设备、麦克风、旋钮或开关、红外(IR)端口、扩展坞和/或触摸屏。(多个)输入设备1610可用于例如将信息输入到装置1600中。(多个)输出设备1620可包括例如显示器(例如显示屏)、扬声器和/或打印机。
数据存储设备1630可包括任何适当的永久存储设备,包括磁存储设备(例如,磁带、硬盘驱动器和闪速存储器)、固态存储设备、光存储设备、只读存储器(ROM)设备、随机存取存储器(RAM)、存储类存储器(SCM)或任何其它快速存取存储器的组合。
故障规则引擎1635可包括由处理器1605执行的程序指令,以使装置1600执行本文中所描述的过程中的任何一个或多个,包括但不限于图8至图15中所公开的方面。实施例不限于由单个装置执行这些过程。
数据1640(缓存的或完整的数据库)可存储在诸如存储器1625的易失性存储器中。数据存储设备1630还可存储用于提供额外功能和/或对于装置1600的操作来说必要的数据和其它程序代码,诸如设备驱动程序、操作***文件等。数据1650可包括与资产相关的数据,该数据可在本文中的故障标识中使用。
尽管本公开的多种实施例的具体特征可在一些附图中示出,而未在其它附图中示出,但这仅仅是为了方便。根据本公开的原理,附图的任何特征可与任何其它附图的任何特征组合来引用和/或要求保护。
本书面描述使用示例来公开实施例(包括最佳模式),并且还使本领域中的任何技术人员能够实践实施例(包括制造和使用任何设备或***以及执行任何并入的方法)。本公开的可专利性范围由权利要求书限定,并且可包括本领域技术人员想到的其它示例。如果这样的其它示例具有不异于权利要求书的字面语言的结构元件,或者如果它们包括与权利要求书的字面语言无实质性差异的等同结构元件,则这样的其它示例旨在处于权利要求书的范围内。
Claims (20)
1.一种计算机实施的方法,所述方法包括:
从多个不同资产接收振动频谱数据;
基于针对所述多个资产中的各个的所述振动频谱数据的形状来确定针对所述多个资产的群集,被分组在同一群集中的资产具有类似频谱形状的振动频谱数据;
基于针对所述振动频谱数据的域导出模式识别规则的应用来针对所述群集中的各个确定多个故障分类中的一个;
生成输出,所述输出包括所述多个资产中的各个与特定资产被分组在其中的所述群集的所述故障分类的关联;以及
将所述输出的记录保存到数据存储设备。
2.根据权利要求1所述的方法,其特征在于,所述多个故障分类包括下者中的至少一个:健康的、一种或多种已知故障类型和未知的。
3.根据权利要求2所述的方法,其特征在于,所述一种或多种已知故障类型包括内座圈滚珠通过故障、外座圈滚珠通过故障、滚珠自旋故障、行星轴承故障和环齿轮故障中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述振动频谱数据从针对所述多个不同资产中的至少一个的两个不同级接收。
5.根据权利要求4所述的方法,其特征在于,进一步包括对于所述多个不同资产中的所述至少一个的所述两个不同级中的各个:
基于所述振动频谱数据的形状来确定针对所述多个资产的群集;
基于针对所述振动频谱数据的域导出模式识别规则的应用来针对所述群集中的各个确定多个故障分类中的一个;以及
生成输出,所述输出包括所述多个资产中的各个与特定资产被分组在其中的所述群集的所述故障分类的关联。
6.根据权利要求1所述的方法,其特征在于,对于所述多个资产中的各个,接收到的所述振动频谱数据在某个时间段内被求平均。
7.根据权利要求6所述的方法,其特征在于,接收到的所述振动频谱数据包括针对所述多个资产中的各个的多个频谱。
8.根据权利要求1所述的方法,其特征在于,针对所述多个资产的所述群集的所述确定通过执行算法来实现,所述算法被公式化以标识具有类似频谱形状的振动频谱数据。
9.根据权利要求8所述的方法,其特征在于,所述算法是分级群集算法、k-均值算法、最近邻算法和基于群集方法的组合的至少一种算法中的一种。
10.根据权利要求1所述的方法,其特征在于,进一步包括确定所述振动频谱数据中的至少一个故障,其中,所述振动频谱数据中的所述至少一个故障的所述标识的所述确定通过执行公式化以检测所述至少一个故障的算法来实现。
11.根据权利要求1所述的方法,其特征在于,进一步包括在每个资产基础上从针对所述多个资产的接收到的所述频谱数据提取至少一个特征以降低所述频谱数据的维度。
12.根据权利要求11所述的方法,其特征在于,针对所述多个资产的所述群集的所述确定是在降低维度的所述频谱数据上执行的。
13.根据权利要求1所述的方法,其特征在于,所述多个资产各自是风力涡轮。
14.根据权利要求13所述的方法,其特征在于,所述风力涡轮包括高速轴和低速轴中的至少一个,并且针对所述至少一个高速轴和所述低速轴中的各个而独立地执行针对所述多个资产的所述群集的所述确定和针对所述振动频谱数据中的至少一个故障的所述标识的所述确定。
15. 一种***,包括:
存储器,其存储处理器可执行指令;以及
一个或多个处理器,其用以执行所述处理器可执行指令,以:
从多个不同资产接收振动频谱数据;
基于针对所述多个资产中的各个的所述振动频谱数据的形状来确定针对所述多个资产的群集,被分组在同一群集中的资产具有类似频谱形状的振动频谱数据;
基于针对所述振动频谱数据的域导出模式识别规则的应用来针对所述群集中的各个确定多个故障分类中的一个;
生成输出,所述输出包括所述多个资产中的各个与特定资产被分组在其中的所述群集的所述故障分类的关联;以及
将所述输出的记录保存在数据存储设备中。
16.根据权利要求15所述的***,其特征在于,所述多个故障分类包括下者中的至少一个:健康的、一种或多种已知故障类型和未知的。
17.根据权利要求16所述的***,其特征在于,所述一种或多种已知故障类型包括内座圈滚珠通过故障、外座圈滚珠通过故障、滚珠自旋故障、行星轴承故障和环齿轮故障中的至少一种。
18.根据权利要求15所述的***,其特征在于,所述振动频谱数据从针对所述多个不同资产中的至少一个的两个不同级接收。
19.根据权利要求18所述的***,其特征在于,进一步包括对于所述多个不同资产中的所述至少一个的所述两个不同级中的各个:
基于所述振动频谱数据的形状来确定针对所述多个资产的群集;
基于针对所述振动频谱数据的域导出模式识别规则的应用来针对所述群集中的各个确定多个故障分类中的一个;以及
生成输出,所述输出包括所述多个资产中的各个与特定资产被分组在其中的所述群集的所述故障分类的关联。
20.根据权利要求15所述的***,其特征在于,对于所述多个资产中的各个,接收到的所述振动频谱数据在某个时间段内被求平均。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/966,318 US20190332958A1 (en) | 2018-04-30 | 2018-04-30 | System and process for pattern matching bearing vibration diagnostics |
US15/966318 | 2018-04-30 | ||
PCT/US2019/029579 WO2019212936A1 (en) | 2018-04-30 | 2019-04-29 | System and process for pattern matching bearing vibration diagnostics |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113383215A true CN113383215A (zh) | 2021-09-10 |
Family
ID=66484159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980043549.XA Pending CN113383215A (zh) | 2018-04-30 | 2019-04-29 | 用于模式匹配轴承振动诊断的***和过程 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20190332958A1 (zh) |
EP (1) | EP3788328B1 (zh) |
CN (1) | CN113383215A (zh) |
BR (1) | BR112020022153A2 (zh) |
CA (1) | CA3098020A1 (zh) |
DK (1) | DK3788328T3 (zh) |
ES (1) | ES2919571T3 (zh) |
WO (1) | WO2019212936A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11293403B2 (en) * | 2019-04-09 | 2022-04-05 | General Electric Company | System and method for preventing catastrophic damage in drivetrain of a wind turbine |
CN110779724B (zh) * | 2019-11-20 | 2022-03-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
US11906390B2 (en) * | 2021-12-02 | 2024-02-20 | Aktiebolaget Skf | System and method for bearing defect auto-detection |
EP4273557A1 (en) * | 2022-05-04 | 2023-11-08 | Siemens Gamesa Renewable Energy A/S | Wind turbine rotor speed estimation |
CN115270896B (zh) * | 2022-09-28 | 2023-04-07 | 西华大学 | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6293620A (ja) * | 1985-10-18 | 1987-04-30 | Kawasaki Steel Corp | 回転機診断器 |
JPH07190849A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | 回転軸受け振動診断装置 |
KR970011791A (ko) * | 1995-08-25 | 1997-03-27 | 백운화 | 피시에이를 이용한 회전 설비류 이상 감지 시스템 |
US6053047A (en) * | 1998-09-29 | 2000-04-25 | Allen-Bradley Company, Llc | Determining faults in multiple bearings using one vibration sensor |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
US20100145639A1 (en) * | 2008-12-10 | 2010-06-10 | Industrial Technology Research Institute | Diagnosis method of defects in a motor and diagnosis device thereof |
US20110060564A1 (en) * | 2008-05-05 | 2011-03-10 | Hoege Harald | Method and device for classification of sound-generating processes |
CN102007403A (zh) * | 2008-04-29 | 2011-04-06 | 西门子公司 | 借助振动信号分析识别轴承损坏的方法与装置 |
JP2011081324A (ja) * | 2009-10-09 | 2011-04-21 | National Institute Of Advanced Industrial Science & Technology | ピッチ・クラスター・マップを用いた音声認識方法 |
CN103149029A (zh) * | 2013-01-16 | 2013-06-12 | 南京航空航天大学 | 利用倒频谱识别航空发动机转静碰摩部位的方法 |
CN103728134A (zh) * | 2012-10-16 | 2014-04-16 | 华锐风电科技(集团)股份有限公司 | 机组轴承的检测方法和装置及风电机组 |
CN104160145A (zh) * | 2012-03-08 | 2014-11-19 | Ntn株式会社 | 状态监视*** |
CN104344938A (zh) * | 2013-08-07 | 2015-02-11 | 霍尼韦尔国际公司 | 用于监测振动数据的***和方法 |
CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN106404396A (zh) * | 2016-08-30 | 2017-02-15 | 四川中烟工业有限责任公司 | 一种滚动轴承的故障诊断方法 |
CN106595850A (zh) * | 2016-12-21 | 2017-04-26 | 潘小胜 | 一种机械振动信号的故障分析方法 |
CN106840379A (zh) * | 2017-03-08 | 2017-06-13 | 潘小胜 | 一种机械振动信号的故障分析方法 |
CN107003663A (zh) * | 2014-12-02 | 2017-08-01 | 西门子公司 | 具有活动部分的装置的监视 |
-
2018
- 2018-04-30 US US15/966,318 patent/US20190332958A1/en not_active Abandoned
-
2019
- 2019-04-29 CN CN201980043549.XA patent/CN113383215A/zh active Pending
- 2019-04-29 BR BR112020022153-8A patent/BR112020022153A2/pt unknown
- 2019-04-29 CA CA3098020A patent/CA3098020A1/en active Pending
- 2019-04-29 DK DK19723564.1T patent/DK3788328T3/da active
- 2019-04-29 ES ES19723564T patent/ES2919571T3/es active Active
- 2019-04-29 WO PCT/US2019/029579 patent/WO2019212936A1/en unknown
- 2019-04-29 EP EP19723564.1A patent/EP3788328B1/en active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6293620A (ja) * | 1985-10-18 | 1987-04-30 | Kawasaki Steel Corp | 回転機診断器 |
JPH07190849A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | 回転軸受け振動診断装置 |
KR970011791A (ko) * | 1995-08-25 | 1997-03-27 | 백운화 | 피시에이를 이용한 회전 설비류 이상 감지 시스템 |
US6053047A (en) * | 1998-09-29 | 2000-04-25 | Allen-Bradley Company, Llc | Determining faults in multiple bearings using one vibration sensor |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
CN102007403A (zh) * | 2008-04-29 | 2011-04-06 | 西门子公司 | 借助振动信号分析识别轴承损坏的方法与装置 |
US20110060564A1 (en) * | 2008-05-05 | 2011-03-10 | Hoege Harald | Method and device for classification of sound-generating processes |
US20100145639A1 (en) * | 2008-12-10 | 2010-06-10 | Industrial Technology Research Institute | Diagnosis method of defects in a motor and diagnosis device thereof |
JP2011081324A (ja) * | 2009-10-09 | 2011-04-21 | National Institute Of Advanced Industrial Science & Technology | ピッチ・クラスター・マップを用いた音声認識方法 |
CN104160145A (zh) * | 2012-03-08 | 2014-11-19 | Ntn株式会社 | 状态监视*** |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN103728134A (zh) * | 2012-10-16 | 2014-04-16 | 华锐风电科技(集团)股份有限公司 | 机组轴承的检测方法和装置及风电机组 |
CN103149029A (zh) * | 2013-01-16 | 2013-06-12 | 南京航空航天大学 | 利用倒频谱识别航空发动机转静碰摩部位的方法 |
CN104344938A (zh) * | 2013-08-07 | 2015-02-11 | 霍尼韦尔国际公司 | 用于监测振动数据的***和方法 |
CN107003663A (zh) * | 2014-12-02 | 2017-08-01 | 西门子公司 | 具有活动部分的装置的监视 |
CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
CN106404396A (zh) * | 2016-08-30 | 2017-02-15 | 四川中烟工业有限责任公司 | 一种滚动轴承的故障诊断方法 |
CN106595850A (zh) * | 2016-12-21 | 2017-04-26 | 潘小胜 | 一种机械振动信号的故障分析方法 |
CN106840379A (zh) * | 2017-03-08 | 2017-06-13 | 潘小胜 | 一种机械振动信号的故障分析方法 |
Non-Patent Citations (3)
Title |
---|
E. MENDEL: "Automatic Bearing Fault Pattern Recognition using Vibration Signal Analysis", 2008 IEEE INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS (ISIE 2008), pages 955 * |
ERIC BECHHOEFER: "Condition monitoring architecture: To reduce total cost of ownership", 2012 IEEE CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (PHM) * |
周云龙: "基于改进k-均值聚类算法的风机振动分析", 振动.测试与诊断, 30 June 2012 (2012-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CA3098020A1 (en) | 2019-11-07 |
US20190332958A1 (en) | 2019-10-31 |
EP3788328A1 (en) | 2021-03-10 |
ES2919571T3 (es) | 2022-07-27 |
BR112020022153A2 (pt) | 2021-01-26 |
WO2019212936A1 (en) | 2019-11-07 |
DK3788328T3 (da) | 2022-06-20 |
EP3788328B1 (en) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3788328B1 (en) | System and process for pattern matching bearing vibration diagnostics | |
Saari et al. | Detection and identification of windmill bearing faults using a one-class support vector machine (SVM) | |
US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
CN108780025B (zh) | 状态监视***和风力发电装置 | |
US10495693B2 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
Amarnath et al. | Exploiting sound signals for fault diagnosis of bearings using decision tree | |
CN109973325B (zh) | 识别异常振动的方法和设备 | |
WO2017159784A1 (ja) | 状態監視システムおよび風力発電装置 | |
CN116304848B (zh) | 一种滚动轴承故障诊断***及方法 | |
JP2005345154A (ja) | 異常予兆検出方法および装置 | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
Martins et al. | Improved variational mode decomposition for combined imbalance-and-misalignment fault recognition and severity quantification | |
Koukoura et al. | Wind turbine intelligent gear fault identification | |
Koukoura et al. | Wind turbine gearbox vibration signal signature and fault development through time | |
Song et al. | Automatic signal quality check and equipment condition surveillance based on trivalent logic diagnosis theory | |
Koukoura et al. | A diagnostic framework for wind turbine gearboxes using machine learning | |
CN205449521U (zh) | 基于emd降噪的吸油烟机故障诊断的*** | |
Koukoura et al. | An insight into wind turbine planet bearing fault prediction using SCADA data | |
Cheng et al. | Deep robust autoencoder based framework for bearing fault detection | |
JP2018179977A (ja) | 状態監視装置、状態監視システムおよび状態監視方法 | |
CN111366360B (zh) | 利用转速信号对行星齿轮箱进行早期故障检测的方法 | |
TWI605322B (zh) | 智慧設備監診方法 | |
Nithin et al. | A Review on Gearbox Condition Monitoring and Signal Analysis Techniques: A Review on Gearbox Condition | |
Wang et al. | Vibration data-driven fault detection for wind turbine gearbox |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240105 Address after: Barcelona, Spain Applicant after: Ge renewable energy Spain Ltd. Address before: New York, United States Applicant before: General Electric Co. |
|
TA01 | Transfer of patent application right |