CN117435908A - 一种用于旋转机械的多种故障特征提取方法 - Google Patents
一种用于旋转机械的多种故障特征提取方法 Download PDFInfo
- Publication number
- CN117435908A CN117435908A CN202311131354.5A CN202311131354A CN117435908A CN 117435908 A CN117435908 A CN 117435908A CN 202311131354 A CN202311131354 A CN 202311131354A CN 117435908 A CN117435908 A CN 117435908A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- feature
- analysis
- rotary machine
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000001845 vibrational spectrum Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 230000009471 action Effects 0.000 abstract description 7
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种用于旋转机械的多种故障特征提取方法，包括以下步骤：数据采集：在旋转机械设备上安装传感器，用于采集与设备运行状态相关的数据；数据预处理、特征选择：对提取的故障特征进行选择，选择与旋转机械故障相关性较高的特征，以降低数据维度并提高故障检测的效率；故障诊断、故障预测。本发明通过多种故障特征提取方法，包括时域分析、频域分析和时频分析方法实现特征提取，实现了全面的旋转机械故障检测，这有助于及时发现各种类型的故障，提高了设备的可靠性，其次通过准确的故障诊断和智能决策支持帮助维护人员和决策者迅速采取行动，降低了生产风险，确保生产持续运行，避免导致不必要的成本和生产中断发生。
Description
技术领域
本发明涉及旋转机械故障诊断技术领域，具体为一种用于旋转机械的多种故障特征提取方法。
背景技术
随着现代工业和科学技术的发展以及自动化程度的进一步提高，机械正朝着大型化、高速化、连续化、集中化、自动化方向发展。旋转机械设备长期处于高速运行状态(一般为每分钟3000转以上甚至高达几万转)，由于各种因素的影响，难免会出现一些故障，而且这些故障往往会引起巨大的经济损失甚至灾难性后果，因此对旋转机械设备故障诊断十分重要。
但是现有技术在实际使用时，只关注了特定类型的特征提取方法，大多数都无法实现多种特征的综合使用进行故障诊断，同时还缺少对故障的预测，从而降低设备的可靠性、安全性和生产效率，导致不必要的成本和生产中断。
发明内容
本发明的目的在于提供一种用于旋转机械的多种故障特征提取方法，以解决只关注了特定类型的特征提取方法，大多数都无法实现多种特征的综合使用进行故障诊断，同时还缺少对故障的预测，从而降低设备的可靠性、安全性和生产效率，导致不必要的成本和生产中断的问题。
为实现上述目的，本发明提供如下技术方案：包括以下步骤：
S1、数据采集：在旋转机械设备上安装传感器，用于采集与设备运行状态相关的数据；
S2、数据预处理：对步骤S1采集到的数据进行预处理，以提高数据质量；
S3、特征提取：从步骤S2预处理后的数据中提取多种故障特征；
S4、特征选择：对步骤S3提取的故障特征进行选择，选择与旋转机械故障相关性较高的特征，以降低数据维度并提高故障检测的效率；
S5、故障诊断：根据步骤S4选定的特征，使用故障诊断算法对旋转机械的故障进行诊断；
S6、故障预测：基于历史数据和步骤S5的故障诊断结果，使用预测模型对未来故障进行预测，以提前采取维修措施。
优选的，所述步骤S1中与设备运行状态相关的数据包括但不限于由振动传感器、温度传感器和压力传感器分别采集的振动、温度和压力数据。
优选的，所述步骤S2中预处理包括但不限于对信号滤波、降噪和数据对齐处理。
优选的，所述步骤S3中多种故障特征包括但不限于振动频谱、温度变化和压力波动，且特征提取通过时域分析、频域分析和时频分析方法实现。
优选的，所述步骤S4中选择与旋转机械故障相关性较高的特征所采用的方法包括但不限于：特征相关性分析、方差分析、递归特征消除、特征重要性评估、L1正则化、特征交叉、领域知识引导、交叉验证和特征选择算法。
优选的，所述步骤S5中故障诊断算法可以采用人工智能算法、机器学习算法或专家***，且故障诊断结果包括故障类型的识别和故障严重程度的评估。
优选的，所述步骤S6的预测模型包括但不限于时间序列分析、机器学习模型和深度学习模型，并需要对选择的模型进行训练和验证。
与现有技术相比，本发明的有益效果是：
1、本发明可提前发现可能出现的故障和性能退化，有助于降低设备突发故障的风险，提高设备的可靠性，并减少维护成本，同时通过多种故障特征提取方法，包括时域分析、频域分析和时频分析方法实现特征提取，实现了全面的旋转机械故障检测，这有助于及时发现各种类型的故障，提高了设备的可靠性。其次，通过实施预防性维护，可以降低维护成本，延长设备的使用寿命，并提高生产效率。此外，准确的故障诊断和智能决策支持帮助维护人员和决策者迅速采取行动，降低了生产风险，确保生产持续运行，避免导致不必要的成本和生产中断发生。
附图说明
图1为本发明一种用于旋转机械的多种故障特征提取方法整体结构***框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：包括以下步骤：
S1、数据采集：在旋转机械设备上安装传感器，用于采集与设备运行状态相关的数据。传感器可以包括振动传感器、温度传感器、压力传感器等，数据采集的频率可以根据需要进行调整，通常以赫兹(Hz)为单位。
该步骤的主要目的是从旋转机械设备中获取运行状态相关的数据，以便后续分析和故障检测，在进行数据采集这个步骤时，需要考虑以下方面：
选择传感器类型：根据旋转机械设备的性质和需要监测的参数，选择适当的传感器类型，常见的传感器包括振动传感器、温度传感器、压力传感器、声音传感器等，每种传感器用于监测不同类型的数据，例如振动传感器用于检测振动数据，温度传感器用于测量温度变化等。
传感器安装位置：确定传感器的安装位置是关键的，因为不同位置的数据可能反映不同的运行状态信息。传感器应该放置在能够最有效地监测到设备运行状态的位置上，例如，在电机上，振动传感器可以安装在电机壳体上，以检测振动情况。
采集频率：确定数据采集的频率，即每秒采集多少个数据点。采集频率应根据设备运行情况和监测的参数而定，高频率的采集可以提供更详细的信息，但也会产生更多的数据，需要更大的存储和计算资源。
数据采集时间：确定数据采集的时间范围，包括开始时间和结束时间，通常，数据采集应该在设备运行期间进行，以捕捉设备在不同工况下的数据变化。
数据存储和管理：确定数据的存储方式和管理方法，采集的数据需要进行存储，以便后续的分析和处理。可以选择本地存储或云存储，根据需要进行数据备份和管理。
数据质量控制：确保采集到的数据质量，包括校准传感器、处理信号噪声、检测异常值等，低质量的数据可能导致错误的分析结果。
总的来说，在数据采集这一步骤需要详细考虑传感器的选择、安装位置、采集频率、时间范围、数据存储和质量控制等方面，以确保采集到的数据能够有效地用于后续的故障特征提取和分析；
S2、数据预处理：对采集到的数据进行预处理，包括信号滤波、降噪和数据对齐，以确保数据质量。
其中该步骤主要目的是对从步骤S1中采集到的数据进行清理和准备，以确保后续的分析和特征提取能够得到准确和可靠的结果，在进行数据预处理这个步骤时，需要经过以下具体操作：
信号滤波：信号滤波的目的是去除采集到的数据中的高频噪声、干扰或不需要的成分，以保留与故障特征相关的信号，常见的滤波方法包括：
1、低通滤波器：用于去除高频成分，保留低频信号，适用于振动信号等。
2、带通滤波器：保留指定频带内的信号，适用于特定频率范围内的数据，如共振频率范围。
2、陷波滤波器：用于去除特定频率的干扰信号，例如电源频率干扰。
具体选择何种滤波方法应根据采集数据的性质和故障特征而定。
降噪处理：在信号滤波之后，可以进一步进行降噪处理，以减小信号中的噪声成分。常见的降噪方法包括：
1、小波变换：通过小波分析，可以将信号分解成不同尺度的成分，从而去除噪声。
2、移动平均：计算一段时间内的信号均值，平滑信号曲线。
3、中值滤波：用中位数替代信号中的异常值，适用于去除脉冲噪声。
数据对齐：如果从不同传感器采集的数据在时间上不一致，需要将它们对齐，以确保在后续的分析中能够比较同一时间点的数据，对齐可以通过时间戳或插值等方法实现。
异常值处理：检测和处理异常值，以防止它们对分析结果产生不良影响，常见的异常值检测方法包括统计方法和机器学习方法。
数据标准化：如果采集到的数据具有不同的单位和范围，可以对数据进行标准化，使其具有相似的尺度，以便于后续的特征提取和分析。
数据可视化：可视化是数据预处理的重要一部分，通过绘制时间序列图、频谱图等可视化工具，可以帮助分析人员理解数据的特点和趋势。
数据质量控制：在数据预处理过程中，应定期检查数据质量，确保处理后的数据质量仍然满足分析的需求。
其中数据预处理步骤是确保采集到的数据质量和可用性的关键步骤，对于后续的故障特征提取和故障诊断具有重要作用，进行数据预处理步骤时，需要根据具体情况选择合适的方法和参数，并确保处理后的数据能够准确反映旋转机械设备的运行状态；
S3、特征提取：从预处理后的数据中提取多种故障特征，这些特征包括但不限于振动频谱、温度变化和压力波动等。其中特征提取可以采用时域分析、频域分析和时频分析等方法实现。
该步骤主要目的是从经过步骤S2数据预处理的信号中提取与旋转机械的故障相关的特征，这些特征可以用来进行故障诊断和预测，在进行特征提取操作时，可通过以下几种特征提取方式：
时域特征提取：时域特征是通过对信号在时间域上的统计分析得到的特征，用于描述信号的时序特性。常见的时域特征包括：
1、均方根值(RMS)：用于描述信号的振幅大小，可以通过以下公式计算：
RMS＝sqrt(1/N*Σ(xi^2))
其中，N为数据点的数量，xi为数据点的值。
2、均值和方差：用于描述信号的中心位置和分散度。
3、偏度和峭度：分别用于描述信号的偏斜程度和尖峭程度。
频域特征提取：频域特征是通过对信号进行频谱分析得到的特征，用于描述信号的频率特性。常见的频域特征包括：
1、频谱图：绘制信号的频谱图，用于可视化信号的频率成分。
2、主频和谐波分量：识别信号的主要频率成分和谐波成分。
3、频带能量：计算信号在不同频带内的能量分布。
时频特征提取：时频特征是通过将信号在时域和频域上进行联合分析得到的特征，用于捕捉信号的时变性和频变性。常见的时频特征包括：
1、小波变换系数：通过小波分析，可以得到不同尺度和频率下的小波系数，用于描述信号的时频分布。
2、瞬时频率：用于描述信号在时间上的瞬时频率变化。
统计特征提取：统计特征包括各种描述信号统计性质的特征，如平均值、标准差、峰值因子等。
模型基础特征：基于物理模型或经验知识，提取与故障相关的特征，例如旋转机械的自然频率、谐振频率等。
特征归一化：对提取的特征进行归一化处理，以确保不同特征具有相似的尺度，避免某些特征对分析结果的影响过大。
特征提取步骤是故障检测和预测的关键步骤，它能够将原始数据转化为具有信息量的特征，用于后续的故障诊断模型或预测模型的训练和分析，在进行特征提取步骤时，需要根据具体的信号类型和故障特征选择合适的方法和特征集；
S4、特征选择：对提取的故障特征进行选择，选择与旋转机械故障相关性较高的特征，以降低数据维度并提高故障检测的效率。
该步骤的主要目的是从通过特征提取得到的大量特征中，选择出与旋转机械故障相关性较高的特征，以降低数据维度并提高故障检测和预测的效率。特征选择有助于减少模型的计算复杂度，防止过拟合，并提高模型的泛化能力，以下是特征选择多种选择方式：
特征相关性分析：对提取的特征与故障情况之间的相关性进行分析，常见的方法包括皮尔逊相关系数、斯皮尔曼相关系数等。通过计算特征与故障之间的相关性，可以排除与故障关系不大的特征。
方差分析：使用方差分析(ANOVA)等统计方法来比较不同特征在不同故障类别之间的方差是否显著不同，如果某个特征在不同故障类别之间的方差差异不显著，可以考虑将其排除。
递归特征消除：递归特征消除是一种迭代方法，它从所有特征开始，然后逐步剔除对模型影响最小的特征，直到达到所需的特征数量或指定的性能标准。
特征重要性评估：对于机器学习模型，可以利用树模型(如随机森林或梯度提升树)等方法来评估特征的重要性，重要性较低的特征可以被排除。
L1正则化：对于线性模型，可以使用L1正则化来鼓励模型选择少量有用的特征，将其他特征的系数推向零。
特征交叉：尝试将不同特征组合成新的特征，以提高其对故障的表征能力。例如，可以将振动频谱和温度变化相结合，创建新的特征。
领域知识引导：结合领域知识，手动选择具有重要意义的特征，以确保模型能够捕捉到旋转机械故障的关键特征。
交叉验证：使用交叉验证技术来评估不同特征子集的性能，选择具有较好性能的特征子集。
特征选择算法：使用专门的特征选择算法，如基于遗传算法、贪心搜索、递归特征消除等的算法，来自动选择最佳特征子集。
在进行特征选择步骤时，需要根据具体的数据和问题领域选择适当的方法和技术，以确保选定的特征集能够最有效地用于后续的故障诊断和预测任务，特征选择可以根据实际情况进行多次迭代，以找到最优的特征子集；
S5、故障诊断：根据选定的特征，使用故障诊断算法对旋转机械的故障进行诊断，故障诊断可以采用人工智能算法、机器学习算法或专家***等。
该步骤的主要目的是使用选定的特征和相应的算法来识别旋转机械设备的故障类型和状态，这一步骤是为了准确判断设备是否存在故障以及确定故障的性质，以便采取适当的维修措施，以下是故障诊断步骤的具体操作，并按照顺序描述：
选择诊断算法：根据问题的性质和数据的特点，选择合适的故障诊断算法。常见的故障诊断方法包括：
机器学习算法：如支持向量机(SVM)、随机森林和卷积神经网络(CNN)等，可用于分类和识别故障模式。
专家***：基于领域专家知识构建的专家***，用于根据特征和规则进行故障诊断。
基于物理模型的方法：使用物理模型和数学方程来模拟旋转机械的运行，然后与实际数据进行比较以诊断故障。
模式识别技术：如主成分分析(PCA)和独立成分分析(ICA)等，用于提取特征并进行故障识别。
模型训练：如果采用机器学习算法或模型基础的方法，需要使用已经标记的故障数据集对模型进行训练，训练过程将使模型能够学习不同故障模式和特征之间的关联。
特征输入：将步骤S4特征选择中选择的特征输入到故障诊断算法中，以便模型进行诊断分析。
故障分类：通过诊断算法，将设备的故障分类为不同的故障类型，并对故障严重程度进行分类，如轴承故障、不平衡和机械松动等。
结果可视化：将诊断结果可视化，以便工程师或操作人员能够清晰地了解设备的故障状态，可视化可以包括故障类型的标识、严重程度、趋势图、警报等。
故障概率估计：某些情况下，模型可能无法确定具体的故障类型，而只能提供故障的概率估计，这种情况下，应考虑提供概率值，以帮助决策过程。
维护建议：根据诊断结果，向维护人员提供维护建议，包括维修方法和维修优先级等信息，以协助决策和行动。
模型评估：定期评估故障诊断模型的性能，确保模型在不同工况下的准确性和稳定性，如果模型性能下降，可以进行重新训练或调整。
上述步骤中，特定应用中的故障诊断可能需要采用不同的方法和技术，因此在进行故障诊断步骤时，需要考虑具体的问题领域和数据特点，并选择适合的算法和工具，这将有助于提高故障诊断的准确性和效率；
S6、故障预测：基于历史数据和故障诊断结果，使用预测模型对未来故障进行预测，以提前采取维修措施。
该步骤的主要目的是使用历史数据和模型来预测旋转机械设备未来可能发生的故障或性能退化，以便采取预防性维护措施，减少停机时间和维修成本。以下是故障预测的具体操作，并按照顺序描述：
数据收集与存储：持续地收集和存储旋转机械设备的运行数据，包括传感器数据、工作状态、维护记录等，这些数据将用于训练和验证预测模型。
特征提取：从历史数据中提取特征，这些特征可以用于建立预测模型，这些特征可能与设备的振动、温度、压力和电流等相关，取决于问题的特定性质。
建立预测模型：选择适当的预测模型，常见的包括：
1、时间序列分析：使用ARIMA、Exponential Smoothing等方法来建立时间序列模型，以便预测设备的未来状态。
2、机器学习模型：使用监督学习算法(如回归、分类、时间序列预测)来建立预测模型，例如支持向量机、随机森林和循环神经网络(RNN)等。
3、深度学习模型：使用深度神经网络(如卷积神经网络CNN或长短时记忆网络LSTM)来建立模型，适用于复杂的非线性问题。
模型训练和验证：使用历史数据对模型进行训练，并使用验证数据集来评估模型的性能。模型的性能指标可能包括均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R-squared)等。
特征重要性分析：对于机器学习模型，可以分析特征的重要性，以确定哪些特征对于预测未来故障是最关键的。
模型部署：将训练好的模型部署到实际生产环境中，以实时监测设备状态并进行预测。
预测可视化和报警：将预测结果可视化，提供给维护人员或操作人员，以及时采取预防措施。还可以设置警报***，在达到一定的预测阈值时触发警报。
定期更新模型：定期更新预测模型，以反映设备的实际运行情况和维修历史，新数据的加入可以提高模型的准确性。
性能监控：持续监控预测模型的性能，确保其在实际应用中保持准确性和可靠性。
故障预测可以大大提高设备的可靠性和运行效率，减少突发故障造成的生产中断和损失，在进行故障预测步骤时，需要考虑数据收集、特征提取、模型选择和性能监控等关键方面，以确保模型能够有效地进行故障预测并为维护决策提供有用的信息。
首先，通过在旋转机械的不同部位安装多个传感器，包括振动传感器和声音传感器等多个传感器，我们能够在数据采集步骤中全面监测机械的运行状态。这一步骤确保了监测的全面性，有助于发现不同部位的异常情况。
其次，在数据预处理步骤中，对获取的振动和声音等数据进行预处理，包括滤波、去噪和数据对齐。这一预处理过程提高了数据的质量，减少了干扰，从而有助于更准确地特征提取和故障检测。
特征提取步骤涵盖了多种特征提取方法，包括频域特征和时域特征等，这些方法综合应用，提供了全面的故障特征，有助于在故障诊断中更准确地识别各种类型的问题。
特征选择步骤采用了多种特征选择方式，并将与旋转机械故障相关性较高的特征提取，有助于提高故障诊断的准确性。
故障诊断步骤是故障诊断的关键，利用提取的特征进行故障诊断，识别旋转机械的故障类型，并评估故障的严重程度，这一步骤减少了误报和漏报的风险，提高了维护人员的决策能力。
故障预测步骤涉及故障预测功能，基于历史故障数据和机器学习算法，能够***可能的故障，这有助于减少停机时间和维修成本，提高了设备的可用性。
综上所述，本发明可提前发现可能出现的故障和性能退化，有助于降低设备突发故障的风险，提高设备的可靠性，并减少维护成本，同时通过多种故障特征提取方法，包括时域分析、频域分析和时频分析方法实现特征提取，实现了全面的旋转机械故障检测，这有助于及时发现各种类型的故障，提高了设备的可靠性。其次，通过实施预防性维护，可以降低维护成本，延长设备的使用寿命，并提高生产效率。此外，准确地故障诊断和智能决策支持帮助维护人员和决策者迅速采取行动，降低了生产风险，确保生产持续运行，避免导致不必要的成本和生产中断发生。最重要的是，这项发明基于数据驱动的维护策略，为企业提供了经济和运营上的重要优势，使其能够更好地管理和维护旋转机械设备，确保生产线的稳定性和高效运行。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种用于旋转机械的多种故障特征提取方法，其特征在于：包括以下步骤：
S1、数据采集：在旋转机械设备上安装传感器，用于采集与设备运行状态相关的数据；
S2、数据预处理：对步骤S1采集到的数据进行预处理，以提高数据质量；
S3、特征提取：从步骤S2预处理后的数据中提取多种故障特征；
S4、特征选择：对步骤S3提取的故障特征进行选择，选择与旋转机械故障相关性较高的特征，以降低数据维度并提高故障检测的效率；
S5、故障诊断：根据步骤S4选定的特征，使用故障诊断算法对旋转机械的故障进行诊断；
S6、故障预测：基于历史数据和步骤S5的故障诊断结果，使用预测模型对未来故障进行预测，以提前采取维修措施。
2.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S1中与设备运行状态相关的数据包括但不限于由振动传感器、温度传感器和压力传感器分别采集的振动、温度和压力数据。
3.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S2中预处理包括但不限于对信号滤波、降噪和数据对齐处理。
4.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S3中多种故障特征包括但不限于振动频谱、温度变化和压力波动，且特征提取通过时域分析、频域分析和时频分析方法实现。
5.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S4中选择与旋转机械故障相关性较高的特征所采用的方法包括但不限于：特征相关性分析、方差分析、递归特征消除、特征重要性评估、L1正则化、特征交叉、领域知识引导、交叉验证和特征选择算法。
6.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S5中故障诊断算法可以采用人工智能算法、机器学习算法或专家***，且故障诊断结果包括故障类型的识别和故障严重程度的评估。
7.根据权利要求1所述的一种用于旋转机械的多种故障特征提取方法，其特征在于：所述步骤S6的预测模型包括但不限于时间序列分析、机器学习模型和深度学习模型，并需要对选择的模型进行训练和验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131354.5A CN117435908A (zh) | 2023-09-04 | 2023-09-04 | 一种用于旋转机械的多种故障特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131354.5A CN117435908A (zh) | 2023-09-04 | 2023-09-04 | 一种用于旋转机械的多种故障特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117435908A true CN117435908A (zh) | 2024-01-23 |
Family
ID=89552337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311131354.5A Pending CN117435908A (zh) | 2023-09-04 | 2023-09-04 | 一种用于旋转机械的多种故障特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804811A (zh) * | 2024-03-01 | 2024-04-02 | 青岛理工大学 | 注意力机制深度神经网络港机装备健康诊断***及方法 |
-
2023
- 2023-09-04 CN CN202311131354.5A patent/CN117435908A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804811A (zh) * | 2024-03-01 | 2024-04-02 | 青岛理工大学 | 注意力机制深度神经网络港机装备健康诊断***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
| WO2018009733A1 (en) | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
| CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
| Martínez-Rego et al. | Fault detection via recurrence time statistics and one-class classification | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN117932322B (zh) | 一种面粉设备故障诊断方法及*** | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN117082105A (zh) | 一种绿色智慧医院设施监控***及方法 | |
| CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
| KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
| KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
| Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及*** | |
| CN113283157A (zh) | 智能冲压压力机部件生命周期预测***、方法、终端、介质 | |
| Soller et al. | Evaluation and adaption of maintenance prediction methods in mixed production line setups based on anomaly detection | |
| CN117854245B (zh) | 一种基于设备运行音频的异常设备监控方法及*** | |
| CN110929425B (zh) | 一种基于Lasso算法的纸张纵向伸长率的软测量方法 | |
| CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及*** | |
| Chen et al. | An integrated method for condition monitoring of rotating machines | |
| CN117290764B (zh) | 基于数据特征分析的治超***故障智能识别及诊断的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |