技术新讯 > 计算推算,计数设备的制造及其应用技术 > 转动设备故障检测方法、检测设备及检测系统与流程  >  正文

转动设备故障检测方法、检测设备及检测系统与流程

  • 国知局
  • 2024-10-21 14:57:22

本发明涉及故障检测领域,具体地涉及一种转动设备故障检测方法、一种转动设备故障检测设备及一种转动设备故障检测系统。

背景技术:

1、转动设备在企业生产中应用十分广泛,其是企业生产的动力核心设备,例如压缩机、泵、电机设备和齿轮设备等。这些设备的稳定性直接关乎了生产进程的稳定性,所以在生产过程中,进行转动设备运行状态检测是必不可少的。在现有的转动设备故障检测技术中,主要依靠人工巡检的方式进行转动设备运行振动状态信号采集,然后基于采集的振动信号进行转动设备故障检测。除了人工巡检方式,目前还存在布置在线检测系统进行转动设备故障检测的方法,但这种方法需要布置的硬件设备较多,想要实现大范围检测,就不得不布置更多的硬件设备,使得其会产生很大的系统构建成本。可见,在现有转动设备故障检测中,主要是结合固定点位的振动信号检测和人工故障检测两种方式进行,而对于设备设置区域很大的厂区来说,这种方式会极大增加转动设备的故障检测人工投入成本和设备投入成本,且因为振动信号进行故障检测的准确度难以保证,所以传统方案的故障检测准确度也存在很大的问题。针对现有转动设备故障检测方案实施成本高和准确度低的问题,需要创造一种新的转动设备故障检测方法。

技术实现思路

1、本发明实施方式的目的是提供一种转动设备故障检测方法及系统,以至少解决现有转动设备故障检测方案实施成本高和准确度低的问题。

2、为了实现上述目的,本发明第一方面提供一种转动设备故障检测方法,所述方法包括:流转采集设备设置区域内的检测信号;对所述检测信号分类处理,并基于分类结果进行预设故障诊断模型选择;对所述检测信号进行特征提取,获得特征信息;基于所述特征信息进行选择的故障诊断模型训练,基于训练结果进行故障设备识别。

3、可选的,所述检测信号包括:目标设备产出的声学信号和/或振动信号;以及当前采集时刻的位置信息。

4、可选的,所述对所述检测信号分类处理,包括:分别判断当前采集的声学信号和振动信号与预设声学信号最低强度与预设振动信号强度之间的关系,基于判断结果进行检测信号分类;若当前采集的声学信号小于所述预设声学信号最低强度,但所述振动信号不小于所述预设振动信号强度,则当前检测信号分类结果为振动信号;若当前采集声学信号不小于所述预设声学信号最低强度,但所述振动信号小于所述预设振动信号强度,则当前检测信号分类结果为声学信号;若当前采集声学信号不小于所述预设声学信号最低强度,且所述振动信号不小于所述预设振动信号强度,则当前检测信号分类结果为振动信号与声学信号的融合信号;若当前采集声学信号小于所述预设声学信号最低强度,且所述振动信号小于所述预设振动信号强度,则当前采集信号不符合预期,需要调整信号采集位置,进行检测信号重新采集。

5、可选的,所述预设故障诊断模型包括:基于声学信号的故障诊断模型、基于振动信号的故障诊断模型、基于声学信号和振动信号的融合故障诊断模型。

6、可选的,所述基于分类结果进行预设故障诊断模型选择,包括:当分类结果为振动信号时,对应选择的预设故障诊断模型为基于振动信号的故障诊断模型;当分类结果为声学信号时,对应选择的预设故障诊断模型为基于声学信号的故障诊断模型;当分类结果为融合信号时,对应选择的预设故障诊断模型为基于声学信号和振动信号的融合故障诊断模型。

7、可选的,当前模型为基于声学信号和振动信号的融合故障诊断模型时,所述对所述检测信号进行特征提取,获得特征信息,包括:基于预设emd分解算法对所述检测信号进行特征提取并进行特征融合,获得融合特征向量集;基于预设融合词袋模型对所述融合特征向量集中各融合特征向量进行故障词汇替换,获得词汇评价集,作为特征信息。

8、可选的,所述基于预设emd分解算法对所述检测信号进行特征提取并进行特征融合,获得融合特征向量集,包括:将同步采集的声学信号和振动信号进行emd分解,每个信号均获得多个信号分量;将每个信号分量分别进行hht变换,获得各信号分量的瞬时频率和瞬时幅度;进行声学信号的信号分量瞬时频率与振动信号的信号分量瞬时频率对比,将二者瞬时频率相同点对应的瞬时幅度相加,获得多个融合信号,构造获得对应的时频矩阵,作为融合特征向量集。

9、可选的,所述预设融合词袋模型包括:故障词汇替代模型,用于执行融合特征向量进行故障词汇替换;预设码本,用于记录所述词频向量与故障原因之间的对应关系。

10、可选的,所述方法还包括:构建故障词汇替代模型,包括:采集转动设备历史数据中故障状态下的检测信号,或采集标定故障状态的转动设备运行状态下的检测信号,作为基础数据;对所述基础数据进行特征提取并进行特征融合,获得融合特征向量训练集;基于预设聚类算法进行所述融合特征向量训练集聚类,获得多个聚类中心,并对每个聚类中心进行故障词汇标定,获得故障词汇替代模型。

11、可选的,所述基于所述特征信息进行选择的故障诊断模型训练,基于训练结果进行故障设备识别,包括:将所述词汇评价集作为入参,导入所述基于声学信号和振动信号的融合故障诊断模型;基于预设聚类算法进行故障词汇出现频数统计;基于故障词汇出现频数统计结果,获得对应的词频向量;基于所述词频向量对照预设码本进行故障原因识别。

12、可选的,所述基于声学信号的故障诊断模型包括:机械故障诊断模型和流体力学故障诊断模型。

13、可选的,所述方法还包括:在选择模型为基于声学信号的故障诊断模型时,进行对应的故障类型诊断模型选择,包括:基于声学信号自相关获得声学信号的不规则程度,并基于所述不规则程度判定产生当前声学信号的设备故障类型;基于确定的设备故障类型选定对应故障类型诊断模型。

14、可选的,所述基于声学信号自相关获得声学信号的不规则程度,包括:截取一段时间的声学信号,并对该段声学信号按照预设时移进行时移处理,获得对应的时移信号;基于该段声学信号和对应的时移信号构建自相关函数;计算所述自相关函数的熵;以该段声学信号的自相关函数的熵表征该段声学信号的不规则程度;其中,所述自相关函数的熵越小,不规则程度越大。

15、可选的,所述自相关函数的表达式为:

16、

17、其中,t为信号采集时刻;τ为时移;x(t)为当前时间段内t时刻的声学信号;x(t-τ)为当前时间段内t时刻声学信号的时移信号;所述自相关函数的熵的计算式为:

18、

19、其中,c为预设常数;h为相关函数的熵。

20、可选的,所述基于所述不规则程度判定产生各声学信号的设备故障类型,包括:对比一段声学信号的自相关函数的熵与预设熵阈值;若自相关函数的熵不大于预设熵阈值,则产生该段声学信号的设备故障类型为机械故障类型;其中,所述机械故障类型包括:轴承损坏、轴不对中、轴不平衡、泵基础松动和机械松动中的任意一种;若自相关函数的熵大于预设熵阈值,则产生该段声学信号的设备故障类型为流体动力学异常类型;其中,所述流体动力学异常类型包括:气蚀和湍流中的任意一种。

21、可选的,当前故障类型诊断模型为机械故障诊断模型时,所述对所述检测信号进行特征提取,获得特征信息,包括:对声学信号进行奇异谱和高阶谱融合分析,获得分析后数据,作为特征信息;当前故障类型诊断模型为流体力学故障诊断模型时,所述对所述检测信号进行特征提取,获得特征信息,包括:对声学信号进行短时傅里叶变换处理,获得对应的频谱图像,作为特征信息。

22、可选的,所述基于所述特征信息进行选择的故障诊断模型训练,基于训练结果进行故障设备识别,包括:将所述特征信息作为入参,基于所述机械故障诊断模型进行训练,将获得的训练结果作为机械故障类型分析结果;或将所述特征信息作为入参,执行所述流体力学故障诊断模型训练,将获得的训练结果作为流体动力学异常类型分析结果;其中,在流体动力学异常识别模型训练过程中,基于图像数据增强方法对训练过程进行干扰。

23、可选的,所述故障诊断模型还包括:故障设备位置识别模型;所述基于训练结果进行故障设备识别还包括:进行故障设备位置识别,包括:在预定采集区域内,流转采集待识别声学信号,记录每一次待识别声学信号采集时刻的采集位置信息,获得多组待识别声学信号与采集位置信息的对应关系;将所有待识别声学信号与对应的采集位置信息作为入参,执行故障设备位置识别模型训练,获得故障设备位置信息。

24、可选的,所述在预定采集区域内,流转采集待识别声学信号,包括:以转动设备为起点,沿任意两个相对方向直线流转进行待识别声学信号流动采集,直到流转到与转动设备之间具有预设最大间距的位置;其中,每次待识别声学信号的采集位置不同,且任意相邻两次待识别声学信号的采集位置之间的间距相同;在每一个待识别声学信号的采集位置,多通道同步采集多个待识别声学信号。

25、可选的,所述记录每一次待识别声学信号采集时刻的采集位置信息,包括:响应于声学信号采集触发信号,读取流转到当前采集位置的激光导航数据;基于所述激光导航数据读取当前采集位置的第一采集位置候选信息;响应于声学信号采集触发信号,读取当前采集位置的北斗定位信息;基于所述北斗定位信息读取当前采集位置的第二采集位置候选信息;基于所述第一采集位置信息和所述第二采集位置信息进行采集位置修正,获得采集位置。

26、可选的,所述方法还包括:在各声音频率区段内,获取各频段的声场云图信息,并对比各频段的声场云图信息和预设标准声场云图信息,获得各频段的声场云图偏离度;基于各频段的声场云图偏离度获得总偏离度矩阵;将所述总偏离度矩阵作为入参,进行预设声场故障识别模型训练,获得当前工况下的设备异常结果;对比基于声场故障识别模型获得的设备异常结果和基于故障诊断模型获得的设备异常结果,进行当前故障诊断模型获得的设备异常结果验证。

27、本发明第二方面提供一种转动设备故障检测设备,所述设备包括:信号采集机器人,用于流转采集设备设置区域内的检测信号;处理单元,用于:对所述检测信号分类处理,并基于分类结果进行预设故障诊断模型选择;对所述检测信号进行特征提取,获得特征信息;训练单元,用于基于所述特征信息进行选择的故障诊断模型训练,基于训练结果进行故障设备识别。

28、可选的,所述信号采集机器人包括:采集模块,包括:多个声学信号采集器,布置为圆形阵列,用于同步采集目标转动设备产出的声学信号;激光测振仪,用于向目标转动设备投射测振激光,进行对应的振动信号采集;行进模块,用于驱动巡检机器人巡检移动;导航模块,用于巡检机器人移动过程中的障碍规避。

29、本发明第三方面提供一种转动设备故障检测系统,包括上述的转动设备故障检测系统。

30、另一方面,本发明提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的转动设备故障检测方法。

31、通过上述技术方案,本发明方案在设备设置区域内进行检测信号流转采集,并对采集的信号进行对应的分类处理,不同的检测信号对应不同的故障识别模型,基于对应场景最适用的模型进行设备故障检测。实现了流转过程中的设备故障检测,不需要在固定点位设置检测装置,减少了成本投入。且因为针对不同工况进行不同故障识别模型训练,也保证了故障检测的准确性。

32、本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

本文地址:https://www.jishuxx.com/zhuanli/20241021/319914.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。