CN105181019A - 用于旋转类机械早期故障预警分析的计算机程序产品 - Google Patents

Abstract

本发明公开了一种用于旋转类机械早期故障预警分析的计算机程序产品，包括状态学习和状态监控两大部分，其中状态学习采用自学习机器特征参数方式，系统自学习结束后，自动切换到监控状态，开始对机器进行实时监控。本发明具备长时间、实时在线监控和分析功能，既可以捕捉微小异常冲击能量，如齿面点蚀，轴承滚动体疲劳剥落、发动机活塞环过度磨损、曲轴滑动轴承刮擦等故障；也可以实时监控大能量故障，如断齿、断轴等严重故障，并立即停机，防止深度破坏。该系统不仅可以实时监控机器故障，还可以对故障进行分析，指出故障位置和可能的故障形式，方便检验人员进行故障排除和修复。

Description

用于旋转类机械早期故障预警分析的计算机程序产品

技术领域

本发明涉及一种用于旋转类机械早期故障预警分析的计算机程序产品。

背景技术

用于旋转类机械早期故障预警分析的计算机程序产品是针对旋转类机械，如发动机、变速箱、汽轮机、电机、风电齿轮箱等旋转类的机器进行早期故障预警和故障分析的系统。该系统具备长时间、实时在线监控和分析功能，既可以捕捉微小异常冲击能量，如齿面点蚀，轴承滚动体疲劳剥落、发动机活塞环过度磨损、曲轴滑动轴承刮擦等故障；也可以实时监控大能量故障，如断齿、断轴等严重故障，并立即停机，防止深度破坏。该系统不仅可以实时监控机器故障，还可以对故障进行分析，指出故障位置和可能的故障形式，方便检验人员进行故障排除和修复。

发明内容

本发明要解决的技术问题是提供一种用于旋转类机械早期故障预警分析的计算机程序产品。

为了解决上述技术问题，本发明采用的技术方案是：用于旋转类机械早期故障预警分析的计算机程序产品，包括以下步骤：

一、状态学习

所述状态学习采用自学习机器特征参数方式，步骤如下：

(1)选择自学习开始触发的方式，包括内部触发和外部触发；所述外部触发由外部给定变换工况信号，如换挡信号；所述内部触发包括：内部工况运行时间变换信号，或其它工况变换特征如转速/扭矩信号的变换；

(2)选择振动传感器的监控通道数量、采样频率，以及编码器脉冲当量，编码器监控通道；用户也可以选择通过辅助监控传感器所采集的辅助监控信息，所述辅助监控信息包括扭矩、温度、压力、流量信号；辅助监控信息可以作为后续故障分析时的辅助判定指标，帮助使用者快速寻找故障原因；

(3)选择自学习的机器特征参数，所述机器特征参数包括均值、均方根、峭度、绝对阶次趋势指数、相对阶次趋势谱、小波能量谱、时间序列谱；

(4)系统开始运行后，自动采集振动传感器、编码器的数据信号，以及来自辅助监控传感器的数据信号；

(5)系统采集振动传感器和编码器数据信号后，对数据信号进行滤波，根据步骤(3)中需要学习的机器特征参数，对数据信号进行计算；机器的每个运行工况采集不少于50组样本，对各组样本数据进行计算，剔除异常参数，对各组样本计算的特征参数去均值，作为后续的监控指标，保存在数据文件中；

(6)系统自学习结束后，自动切换到监控状态，开始对机器进行实时监控；

为了保证监控时评判标志的一致性，自学习机器特征参数时所用的信号处理方法与后续进行状态监控中所用的信号处理方法相同，均采用了中值滤波的方法。

二、状态监控

(7)参数初始化：进入状态监控时，需先对监控参数进行初始化，监控参数为自学习机器状态特征时的机器特征参数，系统将各监控参数清空置零；

(8)读取自学习参考值：系统将自学阶段保存的机器特征参数读取到内存空间中，避免每次将监控值与之相比较时都需要从数据文件中读取，提高系统运行效率；

(9)自学习参考值容差比选择：自学习学阶段学习的机器状态特征参数是机器当前的状态，后续的监控值与之比较时，需要给出一定的分布区间，系统对均值、均方根、峭度、绝对阶次趋势指数、小波能量谱给出了上限比较区间，用户可以选择容差比，该容差比与上述参数求积，即可得到上限值；系统对相对阶次谱趋势和时间序列谱给出了上限和下限比较区间，用户可以选择上限容差比和下限容差比，该容差比与上述参数求积，即可得到上限值和下限值；

(10)进行实时监控：进入实时监控阶段，系统自动实时采集振动传感器、编码器以及辅助监控传感器的数据，并进行相应滤波降噪处理；

(11)监控值比较：系统将实时采集的振动传感器和编码器数据信号，计算出机器特征参数(与自学习阶段选取的机器特征参数类型相同)，并与步骤(9)中得到的自学习阶段机器特征参数的容差范围进行比较，如果监控值超出容差范围，则发出报警，如果没有则表明系统正常。

作为优选，自学习机器特征参数采用统计学原理，学习不同工况下对应的各种数字处理方法的特征参数。

作为优选，系统对每次出现的故障数据进行累积，逐渐形成庞大的专家诊断数据库。

作为优选，编码器的脉冲分辨率高达2¹⁸。

本发明的有益效果是：

用于旋转类机械早期故障预警分析的计算机程序产品是针对旋转类机械，如发动机、变速箱、汽轮机、电机、风电齿轮箱等旋转类的机器进行早期故障预警和故障分析的系统。该系统具备长时间、实时在线监控和分析功能，既可以捕捉微小异常冲击能量，如齿面点蚀，轴承滚动体疲劳剥落、发动机活塞环过度磨损、曲轴滑动轴承刮擦等故障；也可以实时监控大能量故障，如断齿、断轴等严重故障，并立即停机，防止深度破坏。该系统不仅可以实时监控机器故障，还可以对故障进行分析，指出故障位置和可能的故障形式，方便检验人员进行故障排除和修复。

具体实施方式

一种用于旋转类机械早期故障预警分析的计算机程序产品，包括状态学习和状态监控两大部分。

旋转类机器运转状态包括稳态运行、加速运行、减速运行、变工况运行(如变速箱换不同档位)等，不同的运行状态(不同转速、不同扭矩)等，其特征值是不同的，监控系统要具备自学习机器在不同运行工况下的特征值，以此作为故障监控和分析的依据。同时，该系统还具备自动积累专家诊断数据库的功能，可以对每次出现的故障数据和进行累积，逐渐形成庞大的专家诊断数据库。

一、状态学习

旋转类机器运转状态包括稳态运行、加速运行、减速运行、变工况运行，不同的运转状态，其特征值是不同的，本系统能够自学习机器在不同运行工况下的特征值，以此作为故障监控和分析的依据；

所述状态学习采用自学习机器特征参数方式，步骤如下：

(1)选择自学习开始触发的方式，包括内部触发和外部触发；所述外部触发由外部给定变换工况信号，如换挡信号；所述内部触发包括：内部工况运行时间变换信号，或其它工况变换特征如转速/扭矩等信号的变换；

(2)选择振动传感器监控通道数量、采样频率，编码器脉冲当量，编码器监控通道，用户也可以选择通过辅助监控传感器采集的辅助监控信息，包括扭矩、温度、压力、流量信号，这些辅助监控信息可以作为后续故障分析时的辅助判定指标，帮助使用者快速寻找故障原因；

(3)选择自学习的机器特征参数，机器特征参数包括：均值、均方根、峭度、绝对阶次趋势指数、相对阶次趋势谱、小波能量谱、时间序列谱；

(4)系统开始运行后，自动采集振动传感器、编码器的数据信号，以及来自辅助监控传感器的数据信号；

(5)系统采振动传感器和编码器的数据信号后，对信数据号进行滤波，根据步骤(3)中需要学习的机器特征参数，对数据信号进行计算；每个工况采集不少于50组样本，对各组样本数据进行计算，剔除异常参数，对各组样本计算的特征参数去均值，作为后续的监控指标，保存在数据文件中；

(6)系统自学习结束后，可以自动切换到监控状态，开始对机器进行实时监控；

为了保证监控时评判标志的一致性，自学习机器特征参数的数字信号方法与后续进行状态监控的方法相同。

二、状态监控

(7)参数初始化：进入状态监控时，需先对监控参数进行初始化，监控参数为自学习机器状态特征时的机器特征参数，系统将各监控参数清空置零；

(8)读取自学习参考值：系统将自学阶段保存的机器特征参数读取到内存空间中，避免每次将监控值与之相比较时都需要从数据文件中读取，提高系统运行效率；

(9)自学习参考值容差比选择：自学阶段学习的机器状态特征参数是机器当前的状态，后续的监控值与之比较时，需要给出一定的分布区间，系统对均值、均方根、峭度、绝对阶次趋势指数、小波能量谱给出了上限比较区间，用户可以选择容差比，该容差比与上述参数求积，即可得到上限值；系统对相对阶次谱趋势和时间序列谱给出了上限和下限比较区间，用户可以选择上限容差比和下限容差比，该容差比与上述参数求积，即可得到上限值和下限值；

(10)进行实时监控：进入实时监控阶段，系统自动实时采集振动传感器、高精度编码器以及辅助监控传感器的数据信号，并进行相应滤波降噪处理；

(11)监控值比较：系统将实时采集的振动传感器和编码器数据信号，计算出机器特征参数(与自学习阶段选取的机器特征参数类型相同)，并与步骤(9)中得到了自学习阶段机器特征参数的容差范围进行比较，如果监控值超出容差范围，则发出报警，如果没有则表明系统正常。

系统的状态监控参数主要为振动信号和转速信号，同时系统也为用户配置了更多的信号接入通道，如扭矩信号、温度信号等，用户可以在此系统中实现对被监视系统的各种参数的实时监控，系统可以将接入的所有信号纳入到对系统的状态判定中，用户仅需设置系统接入的额外信号的阈值，如温度的上限和下限等。

以下对以振动信号为基础的主要监控指标进行详细描述：

A)绝对阶次谱趋势指数故障识别

对于转速不稳定的旋转机械，为避免频谱图上出现严重的频谱混叠现象，采用阶次分析法，对信号进行频谱分析。阶次分析将等时采样转换为等角域采样的频谱分析法即为阶次分析法，此时的频谱即为阶次谱，其横坐标为阶次(转频的倍数)。阶次分析是一个将频谱及时间历程与旋转部件的RPM关联起来的工具，揭示振动与噪声机理。

阶次O＝波动次数/转数

最大分析阶次O_max＝Z/2Z为编码器每转脉冲

阶次分辨率△O＝Z/LL为采样点数

频率f＝n×O/60n为转速

绝对阶次谱趋势指数是在系统自学习阶段，通过对振动数据进行阶次分析，对每条谱线进行统计，计算每条谱线的上下偏差，形成容差界线，在后续实时监控中，将上下偏差界线中每条谱线与实际谱线进行求差，得出变化谱线，对谱线取绝对值求和，即可得到绝对阶次谱趋势指数，将其与自学习中得到的上下谱线差值绝对值的和(自学习报警限值)进行比较，如果绝对阶次谱趋势指数超出报警限值，则发出报警。

ODA1(o)：自学习阶次谱上限

ODA2(o)：自学习阶次谱下限

ODA(o)：监控时实时阶次谱

△ODA(o)：实时阶次谱与上下限差值的绝对值

ODA：实时阶次谱与上下限差值绝对值之和

Z：测速编码器脉冲分辨率

绝对阶次谱趋势指数可以较好的反应出机器的故障变化历程和相对严重的故障。

此外，系统还对绝对阶次谱趋势指数计算时，采取了屏蔽非重要阶次域的方法，使计算更简洁高效，抓住主要矛盾。如，对变速箱监控时，我们主要关心的是轴承、齿轮和轴是否出现故障，因此我们只关心和这些运动部件相关的阶次谱线，其它的阶次谱线可以屏蔽掉，不参与计算分析。

绝对阶次谱趋势指数可以识别大多数故障，包括断齿、断轴、轴承损坏、轴承表面点蚀等具备一定冲击能量的故障。

B)相对阶次趋势谱故障识别

相对阶次趋势谱是在系统自学习阶段，通过对振动数据进行阶次分析，对每条谱线进行统计，计算每条谱线的上下偏差，形成容差界线，在后续实时监控中，将实时计算得到的阶次谱线与容差曲线比较，可以得到每条谱线细节信息，反应出机器的细节故障。

相对阶次趋势谱可以识别机器的细节故障，从相对阶次谱图中可以看出每条谱线与自学习的标准相对阶次谱容差谱线的区别，从而可以区分机器的细节故障，如具体到那个齿轮或轴承损坏；因为每个旋转件在阶次谱图中所占的阶次谱线位置不同。

C)归一化小波包能量谱故障识别

小波包技术将信号无冗余、无疏漏、正交地分解到独立的频带内，每个频带里的信号能量对于机器动态分析与监测都十分重要。FFT频谱分析，只考虑正弦振动的能量，而没有考虑其它振动的能量，频带能量监测应当计算各频带里信号的全部能量，包括非平稳、非线性振动能量，如松动、摩擦、爬行、碰撞等故障，这些故障不能简单地用正弦分量表示。

由于小波包对信号进行分解后，对于不同的工况的下的信号不具备可比性，将小波包分解到没每个频带里的信号进行能量计算，并进行归一化处理，在软件中以直方图的形式进行显示。归一化能量处理后，能量直方图中可以很明显地看到各频带内的信号能量变化，当出现异常故障时，能量会出现波动，超出自学习统计限值，系统自动发出报警。

信号经过小波包分解后仍然遵守能量守恒定律，故分解后的信号总能量为：

小波包分解信号到每个频带的能量计算方法如下：

为方便比较分析，将小波包分解到每个频带的信号能量进行归一化处理，则每个频带上归一化处理后的信号能量表示为：

x(t)：原始采样信号

N：数据长度

K：小波包分解次数

m：分解频带的位置序号

E_n(x(t))：采样信号总能量

E_n(x^k,m(i))：第m个频带分解信号的总能量

E_n(m)：第m各频带分解信号的相对能量

归一化小波包能量谱用于识别轻微能量故障，如小的齿轮点蚀、滑动轴承刮擦等小能量故障。

该系统具有以下技术特点：

(1)自学习机器良好状态时特征参数；

(2)有效实时捕捉小能量故障；

(3)有效实时准确捕捉严重故障，立即停机，避免深度损坏；

(4)自动积累专家诊断数据库，为数据分析提供依据；

(5)准确定位故障，分析故障原因。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (4)

1.用于旋转类机械早期故障预警分析的计算机程序产品，包括以下步骤：

一、状态学习

旋转类机器运转状态包括稳态运行、加速运行、减速运行、变工况运行；在不同的运转状态下，机器所表现出的特征值是不同的；本系统能够自学习机器在不同运行工况下的特征值，以此作为故障监控和分析的依据；

所述状态学习采用自学习机器特征参数方式，步骤如下：

(1)选择自学习开始触发的方式，包括内部触发和外部触发；所述外部触发由外部给定变换工况信号，如换挡信号；所述内部触发包括：内部工况运行时间变换信号，或其它工况变换特征如转速/扭矩信号的变换；

(2)选择振动传感器的监控通道数量、采样频率，以及编码器脉冲当量，编码器监控通道；用户也可以选择通过辅助监控传感器所采集的辅助监控信息，所述辅助监控信息包括扭矩、温度、压力、流量信号；辅助监控信息可以作为后续故障分析时的辅助判定指标，帮助使用者快速寻找故障原因；

(3)选择自学习的机器特征参数，所述机器特征参数包括均值、均方根、峭度、绝对阶次趋势指数、相对阶次趋势谱、小波能量谱、时间序列谱；

(4)系统开始运行后，自动采集振动传感器、编码器的数据信号，以及来自辅助监控传感器的数据信号；

(5)系统采集振动传感器和编码器数据信号后，对数据信号进行滤波，根据步骤(3)中需要学习的机器特征参数，对数据信号进行计算；每个工况采集的样本数不少于50组样本，对各组样本数据进行计算，剔除异常参数，对各组样本计算的特征参数去均值，作为后续的监控指标，保存在数据文件中；

(6)系统自学习结束后，自动切换到监控状态，开始对机器进行实时监控；

二、状态监控

(7)参数初始化：进入状态监控时，需先对监控参数进行初始化，监控参数为自学习机器状态特征时的机器特征参数，系统将各监控参数清空置零；

(8)读取自学习参考值：系统将自学阶段保存的机器特征参数读取到内存空间中，避免每次将监控值与之相比较时都需要从数据文件中读取，提高系统运行效率；

(9)自学习参考值容差比选择：自学习学阶段学习的机器状态特征参数是机器当前的状态，后续的监控值与之比较时，需要给出一定的分布区间，系统对均值、均方根、峭度、绝对阶次趋势指数、小波能量谱给出了上限比较区间，用户可以选择容差比，该容差比与上述参数求积，即可得到上限值；系统对相对阶次谱趋势和时间序列谱给出了上限和下限比较区间，用户可以选择上限容差比和下限容差比，该容差比与上述参数求积，即可得到上限值和下限值；

(10)进行实时监控：进入实时监控阶段，系统自动实时采集振动传感器、编码器以及辅助监控传感器的数据，并进行相应滤波降噪处理；

(11)监控值比较：系统将实时采集的振动传感器和编码器数据，计算机器特征参数，并与步骤(9)中得到的自学习阶段机器特征参数的容差范围进行比较，如果监控值超出容差范围，则发出报警，如果没有则表明系统正常。

2.根据权利要求1所述的用于旋转类机械早期故障预警分析的计算机程序产品，其特征在于：所述自学习机器特征参数采用统计学原理，学习不同工况下对应的各种数字处理方法的特征参数；

3.根据权利要求1所述的用于旋转类机械早期故障预警分析的计算机程序产品，其特征在于：系统对每次出现的故障数据进行累积，逐渐形成庞大的专家诊断数据库。

4.根据权利要求1所述的用于旋转类机械早期故障预警分析的计算机程序产品，其特征在于：所述编码器的脉冲分辨率高达2¹⁸。