旋转类机械早期故障预警分析方法技术

本发明专利技术公开了一种旋转类机械早期故障预警分析方法，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。本发明专利技术具备长时间、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。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术采用的技术方案是：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： -、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。 本专利技术的有益效果是： 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】 -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本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张余斌，陈群，徐志农，布图格奇，杨帅，
申请(专利权)人：安徽精科检测技术有限公司，
类型：发明
国别省市：安徽;34