一种旋转机械关键零部件远程运维方法及其系统技术方案

本文公开了一种旋转机械关键零部件远程运维方法及其系统，包括布设于旋转机械待监测关键零部件周边的现场数据采集终端、远程运维中心和移动终端三部分。该系统通过窄带物联网技术，将工业环境下的若干现场数据采集终端与远程运维中心一一连接。对于越来越大型化、集成化、复杂化的机械装备来说，布设用于测量其关键零部件振动信号的振动传感器也变得困难起来，而采集声信号的麦克风传感器具有非接触、安装灵活的特点，不影响机械装备的正常运行，可以很好地解决振动传感器布设空间的限制问题。本发明专利技术采用NB‑IoT技术对旋转机械关键零部件进行远程运维管理，并辅助以声纹特征，增加监测结果的可靠性和准确性。

【技术实现步骤摘要】
一种旋转机械关键零部件远程运维方法及其系统
本专利技术涉及物联网技术以及装备制造业领域，具体涉及一种旋转机械关键零部件远程运维方法及其系统。
技术介绍
装备制造业正在向全球化、服务化方向发展，旋转机械是重要的制造装备，应用广泛。在制造业企业全球化经营的背景下，其产品分布世界各地，售后维修难度大，难以在设备发生故障后第一时间维修，并且大批维护人员外出服务的出差成本也居高不下；另一方面，最终稿用户对服务的要求也在不断提升。利用物联网技术和云服务平台，将旋转机械、传感器和装备健康管理融合为一体，对销往全球各地的装备的运行状态进行监测，实现远程健康管理，为最终用户提供优质服务，是促进制造业转型升级、迈向产业链高端的一个重要途径。窄带物联网（NB-IoT）是新一代物联网通信技术，具有覆盖广、功耗低、成本低、海量连接，以及维护成本低、适用于电池供电等特点，为设备的远程实时运维提供了有力的技术支持。关于旋转机械及其关键零部件健康监测的研究多是基于振动信号，但是，随着对旋转机械大型化、复杂化和高转速要求的不断提高，振动信号表现出高信噪比、强非平稳性和非线性特点，对其分析也面临更大挑战；同时，对越来越大型化、集成化、复杂化的机械装备来说，布设用于测量其关键零部件振动信号的振动传感器也越来越困难，而采集声信号的麦克风传感器具有非接触、安装灵活的特点，不影响机械装备的正常运行，可以很好地解决振动传感器布设空间的限制问题。目前，对旋转机械及其关键零部件进行远程运维或健康监测的研究已经有了一些，但是利用NB-IoT技术及声纹特征进行远程运维的研究还不多见。
技术实现思路
本专利技术的目的在于提供一种旋转机械关键零部件远程运维方法及其系统。该方法和系统可以基于NB-IoT网络实现旋转机械关键零部件的远程运维。工业现场环境下布设振动、声发射等接触式传感器难度大，而声传感器具有非接触、安装灵活、不影响装备正常运行的特点，从声信号中提取出的声纹特征可以很好地反应装备故障的本体特征；同时，采用声传感器也克服了传感器布点位置偏移导致测量结果产生很大的变化，便于统一化销往世界各地的不同用户、不同型号装备的测量数据。本专利技术的目的是通过以下技术方案实现的：一种旋转机械关键零部件远程运维方法，其特征在于，包括以下步骤：S1.将振动传感器、麦克风阵列、声发射传感器布设在现场需要监测的旋转机械关键零部件所在位置处；S2.获得旋转机械关键零部件正常运行工况下以及各类故障运行工况下的声信号、振动信号、声发射信号历史数据，建立包含正常运行工况下及各类故障运行工况下的声、振动、声发射数据子集在内的数据库；S3.实时采集现场的振动传感器、麦克风阵列、声发射传感器数据；S4.对麦克风阵列实时采集到的测点的声信号进行去噪处理，消除工业环境中强背景噪声干扰；对消除噪声干扰后的声信号进行加窗、分帧处理，并对各帧信号进行S变换，得到各帧信号对应的时频谱图序列；S5.将S4中得到的各帧信号的时频谱图序列两两分成一组进行相关性分析，找出其中互相关系数最大的两帧信号，将两个信号的时频谱图相减，得到其误差信号；同时，在S4中得到的各帧信号的时频谱图序列中找出自相关系数最大的那帧信号，将其时频谱图与误差信号相减，得到声信号的强化时频谱图；S6.对S5中得到的声信号强化时频谱图进行处理，按一定的频带宽度将时频谱图划分为均匀的N个子频带，计算各子频带内的频谱信号能量和，得到对应子频带上的局部能量和，将各子频带上的能量和作为测点的N维声纹特征；S7.对振动传感器实时采集到的测点的振动信号进行平滑去噪处理，然后对去噪后的振动信号进行局部特征尺度分解，得到C个内禀尺度分量，分别计算C个内禀尺度分量的奇异谱熵，将得到的C个内禀尺度分量的奇异谱熵作为测点的M维振动特征；S8.对声发射信号采集到的测点的声发射信号进行去噪处理，然后分别计算其时域、频域和时频域的特征参数，包括峰值、RMS、峭度、振铃计数、谱峰稳定指数、频率方差，三层经验小波分解的8个频带能量占比在内的14个特征，作为测点的14维声发射特征；S9.将上述特征提取方法同样操作于历史数据库中的各数据子集，分别建立对应运的振动特征数据子集、声纹特征数据子集和声发射特征数据子集；S10.在声纹特征数据子集上分别建立基于灰关联分析的基分类器M1和基于模糊C均值算法的基分类器M2；在振动特征数据子集上分别建立基于支持向量机的基分类器M3和基于模糊C均值算法的基分类器M4；在声发射特征数据子集上分别建立基于逻辑回归的基分类器M5和基于模糊C均值算法的基分类器M6；S11.基于S10中得到的6个基分类器M1、M2、M3、M4、M5和M6构造集成学习加权投票分类器，用于旋转机械关键零部件的运行状态实时监测；S12.在远程运维中心将现场实时测得的振动传感器测量数据、麦克风阵列测量数据、声发射传感器测量数据进行分析，执行同步骤S4至步骤S8的特征提取操作，获得对应测点的声纹特征、振动特征、声发射特征，然后送入步骤S11中构造的集成学习加权投票分类器中，根据投票结果确定测点的运行状态，实现旋转机械关键零部件的远程健康监测。一种旋转机械关键零部件远程运维系统，该系统通过NB-IoT技术，将工业环境下的若干现场数据采集终端与远程运维中心一一连接，其特征在于，包含：布设于旋转机械待监测关键零部件周边的现场数据采集终端、远程运维中心和移动终端三部分。所述的现场数据采集终端包括主控模块、NB-IoT模块、传感器模块、供电模块、可见光通信模块；所述的现场数据采集终端采用NB-IoT通信技术向所述的远程运维中心实时传送现场的传感器模块采集的各类数据及其地址编码信息；所述的NB-IoT模块、传感器模块、报警模块、供电模块均与主控模块电连接；所述的传感器模块采用可见光通信的方式与主控模进行通信；所述的主控模块通过NB-IoT模块与远程运维中心进行通信；所述的远程运维中心通过GPRS网络与移动终端进行通信；所述的可见光通信模块分为LED灯及其控制器、光信号发射端和光信号接收端三部分，LED灯及其控制器、光信号发射端分别包含于振动传感器、麦克风阵列、声发射传感器内，用于将各传感器数据传送至主控模块，LED灯在LED灯控制器的控制下发出明暗变化的可见光，即所在传感器的测量数据，经由光发射端向主控模块传送；主控模块内的光信号接收端集接收来自传感器内的光发射端发射的可见光信号，获得各传感器上传的测量数据；所述的现场数据采集终端包括圆柱体外形壳体，壳体内设有空腔，空腔内集成有主控模块、NB-IoT通信模块、报警模块、供电模块、可见光通信模块中的光信号接收端；所述的传感器模块包括振动传感器、麦克风阵列、声发射传感器、可见光通信模块中的LED灯及其控制器、可见光通信模块中的光信号发射端；所述的振动传感器、麦克风阵列、声发射传感器置于旋转机械待监测零部件周边，测量其同一时刻的振动信号、声信号、声发射信号；进一步的，本文档来自技高网...

【技术保护点】
1.一种旋转机械关键零部件远程运维方法，其特征在于，包括以下步骤：/nS1. 将振动传感器、麦克风阵列、声发射传感器布设在现场需要监测的旋转机械关键零部件所在位置处；/nS2. 获得旋转机械关键零部件正常运行工况下以及各类故障运行工况下的声信号、振动信号、声发射信号历史数据，建立包含正常运行工况下及各类故障运行工况下的声、振动、声发射数据子集在内的数据库；/nS3. 实时采集现场的振动传感器、麦克风阵列、声发射传感器数据；/nS4. 对麦克风阵列实时采集到的测点的声信号进行去噪处理，消除工业环境中强背景噪声干扰；对消除噪声干扰后的声信号进行加窗、分帧处理，并对各帧信号进行S变换，得到各帧信号对应的时频谱图序列；/nS5. 将S4中得到的各帧信号的时频谱图序列两两分成一组进行相关性分析，找出其中互相关系数最大的两帧信号，将两个信号的时频谱图相减，得到其误差信号；同时，在S4中得到的各帧信号的时频谱图序列中找出自相关系数最大的那帧信号，将其时频谱图与误差信号相减，得到声信号的强化时频谱图；/nS6. 对S5中得到的声信号强化时频谱图进行处理，按一定的频带宽度将时频谱图划分为均匀的N个子频带，计算各子频带内的频谱信号能量和，得到对应子频带上的局部能量和，将各子频带上的能量和作为测点的N维声纹特征；/nS7. 对振动传感器实时采集到的测点的振动信号进行平滑去噪处理，然后对去噪后的振动信号进行局部特征尺度分解，得到C个内禀尺度分量，分别计算C个内禀尺度分量的奇异谱熵，将得到的C个内禀尺度分量的奇异谱熵作为测点的M维振动特征；/nS8. 对声发射信号采集到的测点的声发射信号进行去噪处理，然后分别计算其时域、频域和时频域的特征参数，包括峰值、RMS、峭度、振铃计数、谱峰稳定指数、频率方差，三层经验小波分解的8个频带能量占比在内的14个特征，作为测点的14维声发射特征；/nS9. 将上述特征提取方法同样操作于历史数据库中的各数据子集，分别建立对应运的振动特征数据子集、声纹特征数据子集和声发射特征数据子集；/nS10. 在声纹特征数据子集上分别建立基于灰关联分析的基分类器M1和基于模糊C均值算法的基分类器M2；在振动特征数据子集上分别建立基于支持向量机的基分类器M3和基于模糊C均值算法的基分类器M4；在声发射特征数据子集上分别建立基于逻辑回归的基分类器M5和基于模糊C均值算法的基分类器M6；/nS11. 基于S10中得到的6个基分类器M1、M2、M3、M4、M5和M6构造集成学习加权投票分类器，用于旋转机械关键零部件的运行状态实时监测；/nS12. 在远程运维中心将现场实时测得的振动传感器测量数据、麦克风阵列测量数据、声发射传感器测量数据进行分析，执行同步骤S4至步骤S8的特征提取操作，获得对应测点的声纹特征、振动特征、声发射特征，然后送入步骤S11中构造的集成学习加权投票分类器中，根据投票结果确定测点的运行状态，实现旋转机械关键零部件的远程健康监测。/n...

【技术特征摘要】
1.一种旋转机械关键零部件远程运维方法，其特征在于，包括以下步骤：
S1.将振动传感器、麦克风阵列、声发射传感器布设在现场需要监测的旋转机械关键零部件所在位置处；
S2.获得旋转机械关键零部件正常运行工况下以及各类故障运行工况下的声信号、振动信号、声发射信号历史数据，建立包含正常运行工况下及各类故障运行工况下的声、振动、声发射数据子集在内的数据库；
S3.实时采集现场的振动传感器、麦克风阵列、声发射传感器数据；
S4.对麦克风阵列实时采集到的测点的声信号进行去噪处理，消除工业环境中强背景噪声干扰；对消除噪声干扰后的声信号进行加窗、分帧处理，并对各帧信号进行S变换，得到各帧信号对应的时频谱图序列；
S5.将S4中得到的各帧信号的时频谱图序列两两分成一组进行相关性分析，找出其中互相关系数最大的两帧信号，将两个信号的时频谱图相减，得到其误差信号；同时，在S4中得到的各帧信号的时频谱图序列中找出自相关系数最大的那帧信号，将其时频谱图与误差信号相减，得到声信号的强化时频谱图；
S6.对S5中得到的声信号强化时频谱图进行处理，按一定的频带宽度将时频谱图划分为均匀的N个子频带，计算各子频带内的频谱信号能量和，得到对应子频带上的局部能量和，将各子频带上的能量和作为测点的N维声纹特征；
S7.对振动传感器实时采集到的测点的振动信号进行平滑去噪处理，然后对去噪后的振动信号进行局部特征尺度分解，得到C个内禀尺度分量，分别计算C个内禀尺度分量的奇异谱熵，将得到的C个内禀尺度分量的奇异谱熵作为测点的M维振动特征；
S8.对声发射信号采集到的测点的声发射信号进行去噪处理，然后分别计算其时域、频域和时频域的特征参数，包括峰值、RMS、峭度、振铃计数、谱峰稳定指数、频率方差，三层经验小波分解的8个频带能量占比在内的14个特征，作为测点的14维声发射特征；
S9.将上述特征提取方法同样操作于历史数据库中的各数据子集，分别建立对应运的振动特征数据子集、声纹特征数据子集和声发射特征数据子集；
S10.在声纹特征数据子集上分别建立基于灰关联分析的基分类器M1和基于模糊C均值算法的基分类器M2；在振动特征数据子集上分别建立基于支持向量机的基分类器M3和基于模糊C均值算法的基分类器M4；在声发射特征数据子集上分别建立基于逻辑回归的基分类器M5和基于模糊C均值算法的基分类器M6；
S11.基于S10中得到的6个基分类器M1、M2、M3、M4、M5和M6构造集成学习加权投票分类器，用于旋转机械关键零部件的运行状态实时监测；
S12.在远程运维中心将现场实时测得的振动传感器测量数据、麦克风阵列测量数据、声发射传感器测量数据进行分析，执行同步骤S4至步骤S8的特征提取操作，获得对应测点的声纹特征、振动特征、声发射特征，然后送入步骤S11中构造的集成学习加权投票分类器中，根据投票结果确定测点的运行状态，实现旋转机械关键零部件的远程健康监测。


2.一种旋转机械关键零部件远程运维系统，该系统通过窄带物联网技术，将工业环境下的若干现场数据采集终端与远程运维中心一一连接，其特征在于，包含：布设于旋转机械待监测关键零部件周边的现场数据采集终端、远程运维中心和移动终端三部分。


3.根据权利要求2所述的一种旋转机械关键...

【专利技术属性】
技术研发人员：齐晓轩，洪振麒，刘英英，张博，卞永钊，董海，
申请(专利权)人：沈阳大学，
类型：发明
国别省市：辽宁;21