CN116643170B - 电机轴系振动测试方法、装置和计算机设备 - Google Patents
电机轴系振动测试方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116643170B CN116643170B CN202310897662.2A CN202310897662A CN116643170B CN 116643170 B CN116643170 B CN 116643170B CN 202310897662 A CN202310897662 A CN 202310897662A CN 116643170 B CN116643170 B CN 116643170B
- Authority
- CN
- China
- Prior art keywords
- time
- motor
- fault
- varying
- data
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 24
- 230000005284 excitation Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 40
- 238000010998 test method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种电机轴系振动测试方法、装置和计算机设备。所述方法包括：分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；激励源的类型包括：时变干扰和非时变干扰；根据所述故障数据，构建训练预先设置的机器学习模型，以使机器学习模型识别电机的故障类型；实时采集待测电机轴系的振动数据，将振动数据输入机器学习模型，输出电机的故障类型。采用本方法能够准确的识别到电机轴系中的故障。
Description
技术领域
本申请涉及电机轴系测试技术领域，特别是涉及一种电机轴系振动测试方法、装置和计算机设备。
背景技术
电机振动测试在故障预测和维护方面起着重要作用。然而，目前的电机振动测试方法在故障预测方面存在不准确的问题。传统的故障预测方法主要依赖于规则和经验，并且仅能提供基于已知故障模式的预测结果。由于电机***的复杂性和多样性，以及环境和负载变化的影响，传统方法无法准确地预测电机的故障。此外，传统方法通常仅考虑单一或有限数量的振动特征，忽略了振动信号中的丰富信息和复杂关系。这导致了预测结果的不准确性和局限性。另外，传统方法在处理大量数据和实时监测方面也存在一定的困难。
发明内容
基于此，有必要针对上述技术问题，提供一种电机轴系振动测试方法、装置和计算机设备。
一种电机轴系振动测试方法，所述方法包括：
分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；
根据所述故障数据，构建训练预先设置的机器学习模型，以使所述机器学习模型识别电机的故障类型；
实时采集待测电机轴系的振动数据，将所述振动数据输入所述机器学习模型，输出电机的故障类型。
在其中一个实施例中，还包括：将所述故障数据转化为数字信号，提取所述数字信号中的时变干扰信号，非时变干扰信号以及基本信号；根据所述时变干扰信号，非时变干扰信号以及基本信号构建多维度特征；根据所述多维度特征训练所述机器学习模型。
在其中一个实施例中，所述时变干扰包括：环境变化激励、温度变化激励以及负载变化激励。
在其中一个实施例中，所述非时变干扰包括：电源干扰、电磁干扰以及机械共振干扰。
在其中一个实施例中，所述机器学习模型为向量机、决策树或随机森林。
一种电机轴系振动测试装置，所述装置包括：
离线激励模块，还用于分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；
训练模块，还用于根据所述故障数据，构建训练预先设置的机器学习模型，以使所述机器学习模型识别电机的故障类型；
故障分析模块，还用于实时采集待测电机轴系的振动数据，将所述振动数据输入所述机器学习模型，输出电机的故障类型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；
根据所述故障数据，构建训练预先设置的机器学习模型，以使所述机器学习模型识别电机的故障类型；
实时采集待测电机轴系的振动数据，将所述振动数据输入所述机器学习模型，输出电机的故障类型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；
根据所述故障数据，构建训练预先设置的机器学习模型，以使所述机器学习模型识别电机的故障类型；
实时采集待测电机轴系的振动数据，将所述振动数据输入所述机器学习模型，输出电机的故障类型。
上述电机轴系振动测试方法、装置、计算机设备和存储介质具有以下有益效果：
提高故障预测准确性：本发明利用机器学习和数据驱动方法，全面捕捉电机振动信号中的关键特征和模式。相比传统方法，本发明能够更准确地预测电机的故障，并提供更可靠的预测结果。
充分利用振动信号信息：本发明采用大数据分析和机器学习方法，能够充分挖掘振动信号中的信息。通过综合考虑多个特征和模式，本发明能够更全面地评估电机***的健康状态，提高故障预测的精度和全面性。
实时监测和及时维护：本发明的方法适用于实时监测电机振动信号，并能够及时识别潜在的故障情况。通过提前发现和预测电机故障，可以采取及时维护措施，减少停机时间和降低维修成本。
数据驱动和自动化：本发明利用机器学习和数据驱动方法，能够自动从振动数据中学习和提取特征，减少人工干预和主观判断的影响。这样可以提高测试的效率、一致性和可重复性。
附图说明
图1为一个实施例中电机轴系振动测试方法的流程示意图；
图2为一个实施例中电机轴系振动测试装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种电机轴系振动测试方法，包括以下步骤：
步骤102，分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据。
激励源的类型包括：时变干扰和非时变干扰。
为了实现上述激励，需要准备具备激励能力的激励设备，包括能够产生不同类型激励的激励源。具体的，激励源可以包括产生时变干扰和非时变干扰的设备，如变频器、负载模拟器等，确保激励源能够模拟不同故障类型对电机轴系振动的影响。
使用不同类型的激励源，对不同故障类型的电机进行激励，并采集电机轴系的振动数据，确保激励源和振动传感器的安装位置和参数设置合理，并确保采集到的振动数据具有足够的覆盖范围和样本量。
值得说明的是，对于电机轴系数据，由于缺乏样本数据，而且直接采集的电机轴系数据的信噪比大，直接从电机轴系的振动数据中提取真实振动数据的难度较高，因此在利用神经网络模型进行在线监测时，无法真实的反映出振动数据是否异常。而本实施例中，通过产生时变干扰和非时变干扰进行激励的方式，施加在故障电机上，从而采集到故障数据，可以知道的是，不同故障类型对于时变干扰和非时变干扰的敏感程度不同，因此通过机器学习模型，可以准确的学习到这一点，从而为机器学习的在线检测提供的基础。
步骤104，根据故障数据，构建训练预先设置的机器学习模型，以使机器学习模型识别电机的故障类型。
本步骤中，利用所采集的故障数据，构建训练预先设置的机器学习模型。机器学习模型可以采用监督学习算法，如深度学习、支持向量机（SVM）等。输入数据可以包括振动数据以及与故障类型相关的特征参数。通过将故障数据输入机器学习模型进行训练和优化，使模型能够识别不同故障类型的特征模式。使用交叉验证和模型评估技术，确保模型的准确性和鲁棒性。
值得说明的是，在正常状态下，电机轴系振动也会受到时变干扰和非时变干扰，但是干扰是微弱的，很难对上述信号进行分别提取。但是在电机故障时，通过主动激励的时变干扰和非时变干扰，使得振动数据的变化显著，从而容易被分离出来。
步骤106，实时采集待测电机轴系的振动数据，将振动数据输入机器学习模型，输出电机的故障类型。
待测电机运行时，实时采集其轴系的振动数据。将采集到的轴系的振动数据输入训练好的机器学习模型中，模型将对振动数据进行分析和处理，并输出电机的故障类型诊断结果。可以采用实时监测***，以实时更新和反馈故障诊断结果。
上述电机轴系振动测试方法中，由于实时采集的振动数据信噪比高，不利于机器学习模型直接识别， 本发明采用离线训练的方式，通过信号激励，使得机器学习模型可以识别并学习关键特征。另外，在特征选择上，选择了对故障类型敏感的时变干扰，以及对故障产生敏感的非时变干扰作为机器学习的特征，模拟不同故障类型对电机轴系振动的影响，提高故障诊断的全面性和准确性。
在其中一个实施例中，将所述故障数据转化为数字信号，提取数字信号中的时变干扰信号，非时变干扰信号以及基本信号；根据时变干扰信号，非时变干扰信号以及基本信号构建多维度特征；根据多维度特征训练机器学习模型。
具体的，使用振动传感器采集电机轴系的振动数据，通过模数转换器（ADC）或数据采集***将其转化为数字信号，确保采样率足够高，以捕捉到振动信号的细节。将数字信号进行时频分析或其他相应的信号处理方法，提取时变干扰信号和非时变干扰信号。时变干扰信号包括随时间变化的频率成分，而非时变干扰信号表现为固定频率或幅度成分。基本信号提取：从数字信号中提取基本信号，即去除干扰信号后剩余的振动信号。可以采用滤波、降噪或其他信号处理技术来实现。基于提取的时变干扰信号、非时变干扰信号和基本信号，构建多维度特征。其中，多维度特征的三个主维度分别是时变干扰信号、非时变干扰信号和基本信号，每个主维度同时分别包括频域特征（如频谱峰值、频带能量等）、时域特征（如均值、标准差等）和统计特征（如相关系数、峭度等）。确保选择的特征能够充分表征振动信号的变化和特性。利用提取的多维度特征，构建训练数据集，并使用机器学习算法训练模型。可以选择适合的监督学习算法，如支持向量机（SVM）、随机森林、深度神经网络等。通过反复训练和优化，确保模型能够准确识别时变干扰和非时变干扰，并实现电机轴系故障的预测和诊断。
在其中一个实施例中，时变干扰包括：环境变化激励、温度变化激励以及负载变化激励。
在其中一个实施例中，非时变干扰包括：电源干扰、电磁干扰以及机械共振干扰。
在其中一个实施例中，机器学习模型为向量机、决策树或随机森林。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种电机轴系振动测试装置，包括：离线激励模块202、训练模块204和故障分析模块206，其中：
离线激励模块202，还用于分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；
训练模块204，还用于根据所述故障数据，构建训练预先设置的机器学习模型，以使所述机器学习模型识别电机的故障类型；
故障分析模块206，还用于实时采集待测电机轴系的振动数据，将所述振动数据输入所述机器学习模型，输出电机的故障类型。
在其中一个实施例中，离线激励模块还用于将所述故障数据转化为数字信号，提取所述数字信号中的时变干扰信号，非时变干扰信号以及基本信号；根据所述时变干扰信号，非时变干扰信号以及基本信号构建多维度特征；根据所述多维度特征训练所述机器学习模型。
在其中一个实施例中，所述时变干扰包括：环境变化激励、温度变化激励以及负载变化激励。
在其中一个实施例中，所述非时变干扰包括：电源干扰、电磁干扰以及机械共振干扰。
在其中一个实施例中，所述机器学习模型为向量机、决策树或随机森林。
关于电机轴系振动测试装置的具体限定可以参见上文中对于电机轴系振动测试方法的限定，在此不再赘述。上述电机轴系振动测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储故障数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机器人定位恢复方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种电机轴系振动测试方法，其特征在于，所述方法包括：
分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；所述故障数据包括：振动数据和与故障类型相关的特征参数；
根据所述故障数据，构建训练预先设置的监督学习算法，以使所述监督学习算法识别电机的故障类型；
实时采集待测电机轴系的振动数据，将所述振动数据输入所述监督学习算法，输出电机的故障类型；
所述方法还包括：
将所述振动数据转化为数字信号，提取所述数字信号中的时变干扰信号，非时变干扰信号以及基本信号；所述时变干扰信号包括随时间变化的频率成分，所述非时变干扰信号包括：固定频率或幅度成分；
根据所述时变干扰信号，非时变干扰信号以及基本信号构建多维度特征；
根据所述多维度特征训练所述监督学习算法。
2.根据权利要求1所述的电机轴系振动测试方法，其特征在于，所述时变干扰包括：环境变化激励、温度变化激励以及负载变化激励。
3.根据权利要求1所述的电机轴系振动测试方法，其特征在于，所述非时变干扰包括：电源干扰、电磁干扰以及机械共振干扰。
4.根据权利要求1所述的电机轴系振动测试方法，其特征在于，所述监督学习算法为向量机、决策树或随机森林。
5.一种电机轴系振动测试装置，其特征在于，所述装置包括：
离线激励模块，还用于分别采用不同类型的激励源，激励不同故障类型的电机，得到电机轴系的故障数据；所述激励源的类型包括：时变干扰和非时变干扰；所述故障数据包括：振动数据和与故障类型相关的特征参数；
训练模块，还用于根据所述故障数据，构建训练预先设置的监督学习算法，以使所述监督学习算法识别电机的故障类型；
故障分析模块，还用于实时采集待测电机轴系的振动数据，将所述振动数据输入所述监督学习算法，输出电机的故障类型；
离线激励模块还用于将所述振动数据转化为数字信号，提取所述数字信号中的时变干扰信号，非时变干扰信号以及基本信号；所述时变干扰信号包括随时间变化的频率成分，所述非时变干扰信号包括：固定频率或幅度成分；
根据所述时变干扰信号，非时变干扰信号以及基本信号构建多维度特征；
根据所述多维度特征训练所述监督学习算法。
6.根据权利要求5所述的电机轴系振动测试装置，其特征在于，所述时变干扰包括：环境变化激励、温度变化激励以及负载变化激励。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
8.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897662.2A CN116643170B (zh) | 2023-07-21 | 2023-07-21 | 电机轴系振动测试方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897662.2A CN116643170B (zh) | 2023-07-21 | 2023-07-21 | 电机轴系振动测试方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116643170A CN116643170A (zh) | 2023-08-25 |
| CN116643170B true CN116643170B (zh) | 2023-10-31 |
Family
ID=87640305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310897662.2A Active CN116643170B (zh) | 2023-07-21 | 2023-07-21 | 电机轴系振动测试方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643170B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120326A2 (en) * | 2008-05-16 | 2009-11-18 | Square D Company | Method and apparatus for estimating induction motor electrical parameters |
| WO2014136052A1 (es) * | 2013-03-05 | 2014-09-12 | Universidad Nacional De Colombia | Método y sistema para la detección y diagnóstico de fallas en máquinas eléctricas en operación |
| CN109870305A (zh) * | 2019-02-28 | 2019-06-11 | 昆明理工大学 | 一种伺服电机试验台 |
| CN110907824A (zh) * | 2019-11-06 | 2020-03-24 | 天津工业大学 | 一种基于高频信号耦合注入的电机故障检测*** |
| CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
| CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-07-21 CN CN202310897662.2A patent/CN116643170B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120326A2 (en) * | 2008-05-16 | 2009-11-18 | Square D Company | Method and apparatus for estimating induction motor electrical parameters |
| WO2014136052A1 (es) * | 2013-03-05 | 2014-09-12 | Universidad Nacional De Colombia | Método y sistema para la detección y diagnóstico de fallas en máquinas eléctricas en operación |
| CN109870305A (zh) * | 2019-02-28 | 2019-06-11 | 昆明理工大学 | 一种伺服电机试验台 |
| CN110907824A (zh) * | 2019-11-06 | 2020-03-24 | 天津工业大学 | 一种基于高频信号耦合注入的电机故障检测*** |
| CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
| CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 《外转子风机轴向振动及故障机理研究》;刘海涛 等;《振动与冲击》;1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116643170A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lindemann et al. | Anomaly detection in discrete manufacturing using self-learning approaches | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| US11092952B2 (en) | Plant abnormality detection method and system | |
| CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| CN115034248A (zh) | 用于设备的自动诊断方法、***和存储介质 | |
| CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
| CN114254671A (zh) | 一种故障检测方法和相关装置 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN117668751B (zh) | 一种高低压电力***故障诊断方法及装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
| Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models | |
| Gildish et al. | Vibration-Based Estimation of Gearbox Operating Conditions: Machine Learning Approach | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN115865630B (zh) | 基于深度学习的网络设备故障诊断方法及*** | |
| CN116994641A (zh) | 一种半导体老化测试方法及其*** | |
| Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
| CN115219883A (zh) | 一种电气自动化设备自动检测***及检测方法 |
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 |