旋转机械故障智能诊断系统RFIDS1.0
《2024年度滚动轴承复合故障的智能诊断系统研究》范文
《滚动轴承复合故障的智能诊断系统研究》篇一一、引言随着工业的快速发展,滚动轴承作为旋转机械中不可或缺的关键部件,其故障诊断的重要性愈发凸显。
滚动轴承在运行过程中,由于多种原因,常常出现多种复合故障,这给故障诊断带来了巨大的挑战。
为了更高效、准确地诊断这些复合故障,本研究提出了滚动轴承复合故障的智能诊断系统。
二、滚动轴承复合故障概述滚动轴承的复合故障指的是在运行过程中,由于多种原因导致轴承出现多个类型的故障,如裂纹、磨损、异物等。
这些故障往往相互影响,使得诊断更为复杂。
传统的诊断方法往往依赖于人工经验,效率低下且易漏诊。
因此,需要一种智能的诊断系统来解决这一问题。
三、智能诊断系统的构建为了解决上述问题,本研究提出了基于人工智能技术的滚动轴承复合故障智能诊断系统。
该系统主要包括数据采集、信号处理、特征提取、模式识别和诊断决策等模块。
1. 数据采集模块:通过传感器实时采集滚动轴承的振动信号、温度信号等数据。
2. 信号处理模块:对采集的数据进行滤波、去噪等预处理,以提高信号的信噪比。
3. 特征提取模块:通过信号处理后的数据提取出能反映轴承状态的特征信息,如振幅、频率等。
4. 模式识别模块:利用机器学习、深度学习等算法对提取的特征进行分类和识别,判断轴承是否存在故障以及故障类型。
5. 诊断决策模块:根据模式识别的结果,结合专家系统等知识库,给出诊断决策和建议。
四、技术实现及优势本智能诊断系统采用了先进的人工智能技术,包括深度学习、机器学习等算法。
通过对大量历史数据的训练和学习,系统能够自动识别出轴承的故障类型和位置。
同时,系统还具有自学习和优化功能,能够随着使用不断优化和提高诊断准确性。
相比传统的诊断方法,本系统具有以下优势:1. 诊断准确率高:通过机器学习和深度学习等技术,系统能够自动识别出轴承的复合故障类型和位置,避免了人工经验的局限性。
2. 诊断速度快:系统能够在短时间内对大量数据进行处理和分析,提高了诊断效率。
Chapter03旋转机械故障诊断mfd,故障诊断,电子科技大学ppt课件
n0 .5 n cr 1
刚性转子
0 . 5 n n 0 . 7 n cr 1 cr 1
准刚性转子 柔性转子
n0 .7 n cr 1
机械电子工程学院
3.1.2.2 阻尼对临界转速下转子振动的影响
取坐标系Oxy,在x和y两坐标方向上列力的平衡式:
2 m x c x kx me cos t 2 m y c y ky me sin t
3.1.2.1 临界转速的动力特性
一般规定,转子在一阶临界转速以下运行时,工作转速n应低 n cr 0.75 于一阶临界转速 的 倍;工作转速高于一阶临界转速时, 1 要求在下列范围内(i为临界转速的阶数):
1 . 4 n n 0 . 7 n cri cr ( i 1 )
从动力学角度分析,转子系统分为刚性转子和柔性转子。 转动频率低于转子一阶横向固有频率的转子为刚性转子,如 电动机、中小型离心式风机等。转动频率高于转子一阶横向固 有频率的转子为柔性转子,如燃气轮机转子。
2 2
A
2 2 n
2
式中阻尼比为:
c 2mn
2 n arctan 2 1 n
机械电子工程学院
3.1.2.2 阻尼对临界转速下转子振动的影响
机械电子工程学院
3.1.2 临界转速对不平衡振动的影响
3.1.2.1 临界转速的动力特性
在工程上,把对应于转子一阶横向固有频率的转速称为临界 转速。 临界转速是指由不平衡离心力引起转子共振现象时的转速。
转子运动的力学模型
机械电子工程学院
3.1.2.1 临界转速的动力特性
机械设备智能诊断的前沿技术是什么
机械设备智能诊断的前沿技术是什么在现代工业生产中,机械设备的稳定运行至关重要。
一旦设备出现故障,不仅会影响生产效率,还可能造成巨大的经济损失,甚至危及人员安全。
因此,机械设备的智能诊断技术应运而生,旨在及时发现潜在问题,实现预防性维护,保障设备的可靠运行。
那么,当前机械设备智能诊断的前沿技术究竟有哪些呢?首先,我们来谈谈基于多传感器融合的诊断技术。
过去,对机械设备的监测往往依赖单一类型的传感器,例如振动传感器或温度传感器。
然而,单一传感器所能提供的信息有限,可能导致诊断结果不够准确和全面。
如今,多传感器融合技术逐渐成为主流。
通过同时采集振动、声音、温度、压力等多种物理量的数据,并将这些数据进行融合分析,可以更全面、准确地了解设备的运行状态。
比如说,在一台旋转机械设备中,振动传感器可以检测到轴的不平衡和不对中;温度传感器能够捕捉到轴承过热的迹象;声音传感器则能发现异常的噪声。
将这些来自不同传感器的信息综合起来,相互印证和补充,就能够更精准地判断设备是否存在故障,以及故障的具体类型和位置。
接下来,是基于深度学习的故障诊断方法。
深度学习作为人工智能领域的热门技术,在机械设备智能诊断中也发挥着重要作用。
深度学习模型,如卷积神经网络(CNN)和循环神经网络(RNN),能够自动从大量的监测数据中学习故障特征。
以 CNN 为例,它可以对机械设备的振动信号图像进行分析,提取出复杂的特征模式,从而识别出不同类型的故障。
而 RNN 则更适合处理具有时间序列特征的数据,能够捕捉到故障发展的动态过程。
与传统的基于信号处理和特征提取的方法相比,深度学习不需要人工设计复杂的特征,而是通过模型自身的学习能力来发现潜在的故障模式。
这大大提高了诊断的效率和准确性,尤其对于复杂的、难以用传统方法诊断的故障,具有显著的优势。
再来说说基于模型预测的诊断技术。
这种技术通过建立机械设备的数学模型,预测设备在正常运行条件下的性能参数。
然后,将实际监测到的数据与预测值进行对比,如果偏差超过一定阈值,就表明设备可能出现了故障。
旋转机械故障智能诊断系统RFIDS10
旋转机械故障智能诊断系统RFIDS1.0软件说明书南京航空航天大学2014-1-22目录1、软件简介 (1)2文件管理 (1)2.1工程管理 (2)2.2打开工程 (3)2.3数据库备份 (3)2.4数据库恢复 (4)2.5退出 (4)3、信号动态实时采集 (4)3.1主界面 (4)3.2基本控制信息 (5)3.3通道配置 (5)3.4 数据保存 (6)3.5 模拟采集 (8)3.6 其他功能 (8)4 数据格式转换 (9)4.1 数据格式转换总界面 (9)4.2 31所格式1 (9)4.3 31所格式2 (10)4.4 31所BK数据格式 (11)4.5 606所数据格式1 (12)4.6 606所BK数据格式 (13)4.7 RFIDS数据格式 (15)4 信号分析与状态监控 (16)4.1信号倍频分量实时监测 (16)4.2 无量纲时域特征量监测 (17)4.3 倒频谱分析与监控 (18)4.4 多重自相关分析 (19)4.5 时域同步平均分析与监控 (19)4.6 轴心轨迹分析与监控 (19)5 转速跟踪 (20)5.1 BODE图 (20)5.2 三维瀑布图 (22)6基于专家系统的故障智能诊断 (22)7机器学习 (22)7.1 专家系统知识维护 (22)7.5 旋转机械故障诊断经验知识 (23)8样本维护 (23)9系统设置 (24)9.1 设备型号设置 (24)9.2 设备基本信息注册 (24)9.3 滚动轴承设置 (25)9.4 采集设备注册 (25)9.5 采集人员注册 (26)9.6 采集部位注册 (26)9.7 传感器注册 (27)9.8 振动监测阈值设置 (27)9.9 设备故障设置 (28)9.10 波形显示范围设置 (28)9.11 超级用户密码设置 (29)9.12 关于软件 (29)1 软件简介旋转机械故障智能诊断系统RFIDS1.0利用频谱分析技术、倒频谱分析、多重相关分析、时域同步平均分析、时域统计量分析、倍频分析、轴心轨迹分析以及专家系统智能诊断方法,构建了集旋转机械转子和滚动轴承故障信号采集、特征提取、状态监测与故障诊断为一体的智能诊断系统。
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一摘要:本文重点研究了旋转机械的故障诊断与预测方法,详细分析了现有的技术手段、优缺点及其在实践中的应用。
文章通过探讨各种诊断和预测方法的原理、算法、应用场景以及在实际工业环境中的效果,旨在为旋转机械的维护与检修提供更加高效、可靠的解决方案。
一、引言旋转机械作为工业生产中不可或缺的一部分,其运行状态直接关系到生产效率和设备安全。
因此,对旋转机械的故障诊断与预测显得尤为重要。
本文将详细介绍旋转机械故障诊断与预测的背景、意义及研究现状。
二、旋转机械故障诊断与预测的基本原理及方法1. 传统诊断方法传统诊断方法主要包括人工听诊、视觉检查、振动检测等。
这些方法主要依赖于专家的经验和知识,通过观察和检测设备的异常现象进行故障判断。
然而,这些方法存在主观性较强、效率较低、易受人为因素影响等缺点。
2. 现代诊断与预测方法(1)基于信号处理的诊断方法:通过采集设备的振动、声音等信号,利用信号处理技术对信号进行分析和处理,提取出故障特征,从而判断设备的运行状态。
(2)基于人工智能的诊断与预测方法:包括神经网络、支持向量机、深度学习等。
这些方法能够通过对大量数据进行学习和分析,建立设备的故障模型和预测模型,实现设备的智能诊断和预测。
三、各种诊断与预测方法的优缺点分析1. 传统诊断方法的优点在于简单易行,对于经验丰富的专家来说,能够快速定位故障。
然而,其缺点也较为明显,如主观性较强、效率较低、易受人为因素影响等。
2. 现代诊断与预测方法的优点在于能够处理大量数据,提高诊断和预测的准确性,同时减少人为因素的干扰。
然而,这些方法也存在计算复杂、对数据质量要求较高等问题。
四、旋转机械故障诊断与预测方法的应用研究1. 在制造业的应用:通过采用智能诊断和预测技术,实现对生产线上旋转机械设备的实时监测和故障预警,提高生产效率和设备运行安全性。
2. 在能源领域的应用:在风力发电、水力发电等能源领域,通过采用振动检测和信号处理技术,实现对风力发电机组、水轮机等设备的故障诊断和预测,保障能源供应的稳定性和安全性。
旋转机械的振动故障检测与诊断
旋转机械的振动故障检测与诊断旋转机械是指主要功能是由于旋转而完成的机械。
如电动机,,离心风机,离心式水泵,汽轮机,发电机等都属于发电机的范围。
从力学的角度分析,转子系统分为刚性和柔性转子。
转动频率低于转子一阶横向固有频率的转子为刚性转子。
转动频率高于转子一阶横向固有频率的转子为柔性转子,如燃气轮机。
在工程学上对应转子一阶横向固有频率的转速成为临界转速。
在我们分析时候经常会遇到在各种各样的问题,比如在信号的分析上可以按照信号的处理方式的不同可以分为幅域分析,时域分析以及频域分析。
信号的早期分析只是在波形的幅值上进行,如计算波形的最大值,最小值,平均值,有效值等,后而进行波形的幅值的概率分布。
在幅值上的各种处理通常称为幅域分析,信号波形是某种物理量随时间变化的关系。
研究信号在时域内时域的变化或分布称为时域分析。
频域分析是确定信号的频域结构,即信号中包含哪些频率成分,分析的结果是以频率为自变量的各种物理量的谱线或是曲线。
不同的分析的方法是从不同的角度观察,分析信号,使信号的处理的结果更加丰富。
从某种意义上讲,振动故障的分析诊断的任务就是读谱图,把频谱上的每个频谱分量与监测的机器的零部件对照联系,给每条频谱以物理解释。
主要的内容包括:1 振动频谱中存在哪些频谱分量?2 每条频谱分量的幅值多大?3 这些频谱分量彼此之间存在什么关系?4 如果存在明显高幅值的频谱分量,它的准确的来源?它与机器的零部件对应关系如何?5如果测量相位,应该检查相位是否稳定?、工频成分突出,往往是不平衡所致。
2X频为主往往是平行不对中以及转子存在裂纹。
1/2分频过大,显示涡轮涡轮失稳。
0.5X~0.8X是流体旋转脱离。
特低频是喘振。
整数倍频是叶片流道振动。
啮合成分高是齿轮表面接触不良。
谐波丰富是松动。
边频是调制。
分频是流体激荡,摩擦等。
大型旋转机械常见的故障原因分类如下:1 设计原因;设计不当,运行时发生强迫振动或是自激振动;结构不合理,应力集中;设计工作转速接近或是落入临界转速区;热膨胀量计算不准,导致热态对中不良。
一种基于盲抽取算法的旋转机械故障诊断方法[发明专利]
专利名称:一种基于盲抽取算法的旋转机械故障诊断方法专利类型:发明专利
发明人:汪抑非,李创,汤中彩,龚亦昕,刘唐丁,王绪康,柴秋子,沈新荣,杨春节,黄志龙
申请号:CN202011128797.5
申请日:20201020
公开号:CN112464712A
公开日:
20210309
专利内容由知识产权出版社提供
摘要:本发明涉及机械故障诊断技术,旨在提供一种基于盲抽取算法的旋转机械故障诊断方法。
包括步骤:旋转机械的多通道振动测量;基于故障信息参考信号的设定;利用盲抽取算法抽取分离信号;分离信号的能量占比计算;旋转机械支持向量机诊断模型训练与诊断。
本发明包含了从信号采集到故障诊断等一系列步骤,解决了以往盲源分离算法仅应用在人工诊断而极少应用在人工智能诊断方面的问题,较大程度地提升了旋转机械故障诊断的准确性。
因此,相对于现有技术所采用的旋转机械故障诊断算法,本发明具有更好的实用价值。
申请人:浙江大学,杭州哲达节能科技有限公司
地址:310058 浙江省杭州市西湖区余杭塘路866号
国籍:CN
代理机构:杭州中成专利事务所有限公司
代理人:周世骏
更多信息请下载全文后查看。
基于模糊多属性决策的旋转机械故障自动诊断系统
20 0 6年 第 3 5卷 第 5期 第 4页 文 章 编 号 :1 0 4 2 2 0 ) 5 0 0 - 5 O 卜3 8 ( 0 6 0 — 0 4 0
石 油ห้องสมุดไป่ตู้矿 场 机 械
oI F E L I LD E QUI M ENT P 20 3 ( )4 8 0 6,5 5 : ~
2 0 3 ( ) 1 - 1 0 4, 3 3 : 7 2 .
[ 1 黄 淳. 质 高 抗 挤 套 管 WS 10 的 研 制 [ ] 钢 23 优 P 1T J.
管 , 0 5 3 ( ) 1 —0 2 0 , 4 6 : 72 .
[ ] Y khs , r a . Efc o erad b n ig o 9 u ii Kui ma f t fw a n edn n a y e cs g cl pe srn t [ . 6 t n u ltc n a ai ol s tegh R] 7h an a eh i l n a c
F3 杨 勇. 5 国产 高 抗 挤 套 管 残余 应 力 初 探 [ ] 钢 管 , J.
1 9 2 ( ):1 5 9 8, 7 6 -.
[ 8 13
P ti o P D. Th fe to x a o d o a i g c l a tl l e e f c fa ill a n c sn o —
理过程 为: 由频 率 分 析 得 到 故 障 假 设 集 , 过 人 机 接 口获 取 属 性 , 立 决 策矩 阵 , 法 权 值 分 配 , 衷 型 方 法 , 算 通 建 熵 折 计 各 故 障假 设 集 与故 障样 本 间属 性 的模 糊 距 离 , 故 障假 设 集 重 新排 序 , 对 完成 故 障 的 自动诊 断 。
旋转机械检测诊断流程图
振动分析
比较历史振动数据,以识别长期趋势和变化。
ABCD
振动分析
分析振动的频率、幅值和相位,以确定异常的原 因和位置。
振动分析
根据振动分析结果,制定相应的维修和调整计划。
油液分析
油液分析
采集旋转机械的润滑油样本,进行油 液分析。
油液分析
检测油液的粘度、酸碱度、金属颗粒 等参数,以评估润滑系统和机械部件 的磨损情况。
随着人工智能和机器学习技术的快速 发展,智能化检测诊断技术在旋转机 械领域的应用将更加广泛。
详细描述
通过集成传感器、大数据和机器学习 算法,实现对旋转机械的实时监测和 故障预测,提高设备运行效率和安全 性。
在线监测与远程诊断技术应用
总结词
在线监测和远程诊断技术将进一步提高旋转机械的运维效率 和可靠性。
神经网络诊断法
总结词
利用神经网络的自学习、自组织和适应性等 特点,对旋转机械的故障进行智能诊断。
详细描述
神经网络诊断法是一种新兴的故障诊断方法 。它通过训练神经网络对大量的故障样本进 行学习,使其具备对旋转机械故障进行智能 诊断的能力。这种方法能够自动提取故障特 征,进行分类和识别,提高诊断的准确性和 可靠性。同时,神经网络还具有较好的泛化 能力,能够处理复杂的、非线性的故障情况
专家系统诊断法
总结词
利用专家知识和经验构建诊断系统,通 过推理和判断,对旋转机械故障进行诊 断。
VS
详细描述
专家系统诊断法是一种基于人工智能的故 障诊断方法。它通过收集和整理专家在旋 转机械领域的经验和知识,构建一个庞大 的知识库,并利用推理引擎进行故障诊断 。这种方法能够提供更加准确和快速的诊 断结果,尤其适用于复杂和不确定的故障 情况。
智能诊断在旋转机械故障研究中的应用
障诊断专家系统 。李鑫 对旋转机械 故障转子 不平衡 等典 型故 障的判断依据进行总结 , 运用 S L 0 0等 软件建立 了专家 系统 , Q 20 并用实例进行 了验 证。杨彦 利 以 A cs ces等为 工具 , 结合 大连
圣力来检测技术有 限公 司多 年监测 经验 , 立 了一个智 能 在线 建 故障分析专家 系统 。原成泽 以旋转 机械转子 故障为 主要 研究 对象 , 过对 转子常见故障特征的归纳总结 , 通 编制 了基于 Jv aa的 转子故障诊断专家 系统 。并 以 6台离 心式压 缩机等 旋转机 械故 障进行诊断 , 结果表 明 系统 具有 一定 的诊 断能 力。专 家系 统 的 缺点是缺乏 自组 织 、 自学 习 、 想记忆 和类 比推理 等功 能 , 联 该方 法存在着知识获取 困难 、 推理 能力 弱 和诊断 系统建 立 的周期 长 等问题 。 () 2 支持 向量机 , 支持 向量机方法是建立在 统计学 习理论 的 v c维 理 论 和结 构 风 险 最 小 原 理 基 础 上 的学 习 算 法 , 在 解 决 小 它 样本 、 非线性及高维模式识别 中表现 出许多特 有 的优 势 , 这些优 点对机械故障诊断具有很强 的实 际价 值 J 。陈丹玲 结 合江西
一
模型存在着 案例维 护 困难 、 案 例生成 需要 额外 知识 等不 足之 处 。结合 方式主要有 : 新 各种诊断理论 与神经 网络 的结合 、 信号处 处。 理 与神经网络的集 成 、 于知识 的专 家系统 与神经 网络诊 断 系 基
第4 0卷第 7期 21 0 2年 4月
广
州
化
工
Vo . 0 No 7 14 . A r . 01 pi 2 2 l
Gu n z o h mia n u t a g h u C e c lI d s ̄
制造过程故障诊断技术_长安大学中国大学mooc课后章节答案期末考试题库2023年
制造过程故障诊断技术_长安大学中国大学mooc课后章节答案期末考试题库2023年1.以ISO9000为指导的集成质量系统(IQS),是当代质量管理发展的方向,它具有以下特点。
A面向对象B面向过程C集成式D分布式E多样性参考答案:集成式_面向对象2.监视与诊断过程中的信号检测必须满足以下()的要求。
A 随机性 B 在线性 C 实时性 D 一致性参考答案:在线性_实时性3.速度的相位比位移的相位超前90,加速度的相位比位移的相位超前。
A 90B 270C 180D 60参考答案:1804.基于时间序列的平稳性和遍历性假设,根据观测样本对时间序列的各种数字特征或分布函数作出某种切合实际的估计,称为时间序列的。
参考答案:统计分析5.宽平稳随机过程在工程技术领域中有着极其广泛的代表性,它反映了实际系统处于稳态工作条件下的。
参考答案:统计性质6.频谱仪是运用()的原理制成的。
A 绝对判断标准B 阿基米德 C 毕达哥拉斯D 快速傅立叶变换参考答案:快速傅立叶变换7.采样定理的定义是:。
采样时,如果不满足采样定理的条件,会出现频率现象。
参考答案:采样频率大于或等于被测信号最高频率的2倍以上,混迭8.对于正态随机过程,严平稳与宽平稳相互等价,因为正态过程的有限维分布函数完全由其和所确定。
参考答案:均值函数,自协方差函数9.具有遍历性的随机过程必是,而未必是遍历的。
参考答案:平稳过程,平稳过程10.动态信号主要分为______和______,前者分为周期信号和非周期信号,后者分为平稳随机信号和非平稳随机信号。
参考答案:确定性信号,随机信号11.对于工况状态变化趋势模型分析中的隐含趋势,一般采用的分析步骤是()A 分析系统的物理背景B 用频谱分析等比较成熟的方法对观测值进行分析C建立ARMA模型,分析模型的特征根等参数D 运用各类方法进行综合分析参考答案:运用各类方法进行综合分析_用频谱分析等比较成熟的方法对观测值进行分析_分析系统的物理背景_建立ARMA模型,分析模型的特征根等参数12.17 消除油膜振荡的措施有等。
机械故障诊断学钟秉林第10章旋转机械的状态检测与故
2021/9/23
2024/7/28
1
1
一、概述
旋转机械运行速度一般较高,且往往是关键设备,其工况状 态影响机器设备自身的安全稳定、甚至可能导致重大经济损 失、机毁人亡的事故。
随着科学技术和现代工业的发展,旋转机械正朝着大型、高 速和自动化方向发展,这对提高安全性和可靠性,发展先进 的状态监测与故障诊断技术,提出了迫切要求。
30
50
70
3000
20
30
50
2021/9/23
2024/7/28
15
15
三、 转子系统振动故障诊断
机械部离心鼓风机和压缩机振动标准
标准
mm 主轴轴承 齿轮轴承
≤3000 50
转速 / (rmin1)
≤6500
≤10000
>10000 -16000
≤40
≤30
≤20
≤40
≤40
≤30
2021/9/23
据统计,70%以上的故障都是以振动形式表现出来,用振动 方法可以发现使用中的航空发动机故障的34%。
关于振动的一些概念:
2021/9/23
2024/7/28
4
4
二、振动基础
2.1 机械振动及其种类
机械振动是自然界、工程技术和日常生活中 普遍存在的物理现象。各种机械在运动时,由于 诸如旋转件的不平衡、负载的不均匀、结构刚度 的各向异性、间隙、润滑不良、支撑松动等因素, 总是伴随着各式各样的振动。
41
41
三、 转子系统振动故障诊断
间接测量——电机电流
2021/9/23
2024/7/28
42
42
三、 转子系统振动故障诊断
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备,其稳定运行对生产效率和产品质量具有重大影响。
然而,由于操作环境复杂、维护不当或设备老化等因素,旋转机械常会出现各种故障。
这些故障如不及时发现和处理,可能会对生产造成巨大损失。
因此,对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法,以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法(一)基于信号处理的诊断与预测方法1. 信号采集:通过传感器技术,实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理:利用信号处理技术,如频谱分析、小波变换等,对采集的信号进行预处理和特征提取。
3. 故障诊断与预测:根据处理后的信号特征,结合专家系统或模式识别技术,实现故障的诊断与预测。
(二)基于机器学习的诊断与预测方法1. 数据预处理:对历史故障数据进行清洗、标注和整理,构建故障数据集。
2. 模型训练:采用机器学习算法,如支持向量机、神经网络等,对故障数据集进行训练,建立故障诊断与预测模型。
3. 模型应用:将训练好的模型应用于实际场景中,实现旋转机械的故障诊断与预测。
(三)基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式,可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中,深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究(一)在设备维护中的应用通过实时监测和诊断旋转机械的故障,可以及时发现潜在的问题并采取相应的维护措施,从而避免设备停机或损坏。
这不仅可以提高设备的运行效率,还可以延长设备的使用寿命。
(二)在生产管理中的应用通过对旋转机械的故障进行预测和预警,可以提前制定生产计划和调整生产安排,避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
EN8000大型旋转机械振动监测分析故障诊断系统
统
PPT文档演模板
2020/10/30
பைடு நூலகம்
EN8000大型旋转机械振动监测分析 故障诊断系统
英华达 —— 成立于1992年,系英国
独资的高新技术企业;专业从事机械 设备振动监测故障诊断的公司
英华达公司振动监测类主要产品:
• EN3800 在线振动监测保护系统 • EN900 便携式旋转机械振动监测故障诊断仪 • EN8000 旋转机械振动监测故障诊断专家系统
一、状态监测的必要性
• 维修制度从事故、定期向视情维修的转变 • 设备老化,故障率增加 • 大量新设备投运,容量增大,复杂性增加 • 提高经济效益
•二、状态监测的可能性
• 故障诊断理论、技术的不断发展 和完善 • 传感器、信号分析和计算机技术的发展
PPT文档演模板
EN8000大型旋转机械振动监测分析 故障诊断系统
第一层次:传感器
• 位移传感器:测量轴相对轴承的振动 • 速度传感器:测量轴承振动,经过一次软件积分或硬
件积分可以得到振动位移 • 加速度传感器:测量轴承振动,经过一次积分可以得
到振动速度,再经过一次积分可以得到振动位移。
•传感器的配置:
• 小型旋转机械一般只安装速度传感器 • 大型旋转机械安装速度传感器和涡流传感器 • 齿轮和轴承等安装加速度传感器 • 某些习惯做法
•
振幅一般是计算一段时间内振动波形的峰
峰值、平均值和均方根值(有效值)。速度的有
效值称为振动烈度,反映振动的能量大小。
PPT文档演模板
EN8000大型旋转机械振动监测分析 故障诊断系统
频率
频率(f)是具有周期性变化规律的物理量在 单位时间内的循环次数。
旋转机械故障诊断实验专家系统
旋转机械故障诊断实验专家系统近年来,随着工业化进程的加快,旋转机械在工业生产中的应用越来越广泛。
然而,由于旋转机械的复杂性和长时间运转,故障问题也频繁出现,给生产效率和安全性带来了威胁。
为了快速准确地诊断旋转机械故障,并提高故障排除的效率,研发出了旋转机械故障诊断实验专家系统。
旋转机械故障诊断实验专家系统是一种基于人工智能技术的系统,利用机器学习和专家知识库,通过对旋转机械故障的实验数据进行分析和处理,能够准确诊断出故障的类型和原因,并给出相应的解决方案。
该系统首先需要收集旋转机械的运行数据,包括振动、温度、电流等参数,以及机械的结构和工作状态。
然后,将这些数据输入到系统中进行处理和分析。
系统会根据专家知识库中的故障模型和规则进行比对和推理,找出与实际数据相匹配的故障类型。
在诊断过程中,系统会根据不同的故障类型,给出相应的解决方案。
例如,如果是轴承故障,系统会建议更换或维修轴承;如果是电机故障,系统会建议检查电机的绝缘性能。
此外,系统还可以根据历史故障数据和实时监测数据,预测旋转机械的故障概率,提前采取预防措施,避免故障的发生。
旋转机械故障诊断实验专家系统的应用能够极大地提高故障排除的效率和准确性。
相比传统的人工诊断方法,该系统能够快速分析大量的数据,并利用机器学习算法进行模式识别,从而准确地诊断出故障类型和原因。
同时,系统能够根据实时监测数据进行故障预测,提前采取措施,避免故障带来的损失。
总之,旋转机械故障诊断实验专家系统是一种结合人工智能技术和专家知识的创新工具,能够提高旋转机械故障的诊断和排除效率,为工业生产提供了可靠的保障。
随着技术的不断发展和完善,相信这一系统在未来会有更广阔的应用前景。
基于深度学习的旋转机械故障诊断方法研究共3篇
基于深度学习的旋转机械故障诊断方法研究共3篇基于深度学习的旋转机械故障诊断方法研究1近年来,随着工业化进程的不断加速,机械设备的运转质量直接影响到企业的生产效率和质量。
然而,机械设备在长时间运转中,由于材料的疲劳、外界干扰等因素作用下,容易出现故障。
因此,研究机械设备故障诊断方法显得尤为重要。
随着人工智能技术的不断发展,深度学习作为其中的一种重要方法,已经被广泛应用于机械故障诊断中。
本文基于深度学习的旋转机械故障诊断方法进行研究。
首先,本文对旋转机械的工作过程和常见的故障模式进行了介绍。
旋转机械是指在运转过程中,产生旋转运动的机械装置。
其主要工作原理是将动力源输入到旋转轴上,通过传递动能到旋转的零部件上,从而实现机械的工作。
旋转机械常见的故障模式包括轴承故障、齿轮故障、不平衡、间隙、磨损等。
接着,本文详细阐述了深度学习在旋转机械故障诊断中的应用。
深度学习是一种基于神经网络的机器学习技术,其主要优势在于能够处理高维度和非线性的大规模数据,适用于机械故障数据的分析和识别。
深度学习在机械故障诊断中的主要流程包括特征提取、模型训练和故障分类。
其中,特征提取是指对机械故障数据进行处理,提取出对诊断故障有重要意义的特征。
模型训练是指将提取出的特征输入到深度学习模型中进行训练,从而得到具有较高分类能力的模型。
故障分类是指将待诊断的故障数据输入到训练好的深度学习模型中,通过模型进行分类识别。
最后,本文在实验室的旋转机械故障诊断数据集上进行了实验。
通过比较不同深度学习模型的性能,并结合实验结果,得出了基于深度学习的旋转机械故障诊断方法的优点和局限性。
优点在于深度学习能够自动学习特征,对机械故障数据进行高效处理,具有高准确率和快速性。
局限性在于需要大量的样本数据进行训练,且对于小样本数据处理能力较弱。
综上所述,本文基于深度学习的旋转机械故障诊断方法研究,对旋转机械的工作原理和常见故障进行了介绍,详细阐述了深度学习在旋转机械故障诊断中的应用,并通过实验验证了该方法的有效性。
基于CBR的旋转机械故障诊断专家系统的设计
j g10 2 , hn ) i 0 0 9 C i n a
Ab ta t s r c :A i i o t a tdig no i fr ai g m a hie y n s d o h o m ng t he ful a o ss o o tn c n r a d ba e n t e c mpr he sve c m pa i e n i o r- s n o e rlt c o o is o no e g e s nig o fs vea e hn l ge fk wld e r a o n ,CBR e hn l g a a o e n t i pe i he tc o o y w s d pt d i h s pa r w t t h
i metdte oe o t g c ie a ld gn s x t y tm tru V mpe ne h l ra n h r f t i o o i ep r s e o 曲 C+ + ga ige。 l wh i ma n y u a s e s h p o mm n rr n
f ci ey. e tv l
Ke o d y w r s:r ai g m a hie ;e per s t m ;c s e s n g a l d a n i o tn c n r y x r ys e a e r a o i ;fu t ig oss n
0 引 言
目前 , 旋转 机械 故 障诊 断 方 面 , 用 专 家 系 统 在 应 进行 故 障诊 断 已 经 成 为 一 个 重 要 发 展 方 向 。近 年
JAGN Z in n ,XU W e — i g I h— o g nr n u
( p rme t fMe h nc la dElcr nc lE gn eig,B in nv ri fC e c l e h i g ,B i De at n c a ia n e t ia n ie r o o n ej g U iest o h mia c nl y e・ i y T o
旋转机械智能故障诊断技术的发展趋势
Vo a i a l g f c n lg ,L r o 7 0 6 ,Chn ;4 I si t fI r ain Th o n e r g c t n l l e h oo y a ̄h u o o C e o Te 300 ia . n t u e o mb i t e r a d B ai ,Xi a i t n ie s y t c o y n ’ n J o o g Unv ri 。 a t
第3 4卷 第 5 期
20 年 l 08 0月
兰
州
理
工
大
学
学
报
Vo. 4 1 3 No 5 .
J u n l fLa z o iest fTe h oo y o r a n h u Unv ri o c n lg o y
0C. 0 8 t2 0
文 章 编 号 :l 7— 16 2 O ) 50 3—5 6 35 9 (O 8 O —0 60
旋转机械智能故障诊断技 术的发展趋势
赵荣珍 , 黄义仿。 ,张 力 ,张优云 .
704) 1 0 9
(.兰州理工大学 数字制造技术 与应 用省 部共 建教 育部重 点实 验室 ,甘肃 兰 州 7 0 5 ; .兰州理 工大学 机 电工程 学 院 , 1 300 2 甘肃 兰州
7 0 5 ; .兰州石化职业技术学院 机械 工程 系,甘肃 兰州 7 0 6 ;4 300 3 3 0 0 .西安 交通大学 润滑理论及轴承研究所 ,陕西 西安
Xja 71 0 9。Chia ’n 04 n)
Ab t a t sr c :Th t lg n a lsda n sst c n lg f o ai gma h n r sr ve d e i el e tfu t ig o i e h o o yo t t c ie y i e iwe .Th e te di n i r n en w rn n
旋转机械的并发故障诊断技术研究进展
摘 要: 实际工程 中旋转机械转子 系统并发故 障是很 普遍 的 , 目前旋转 机械 故障 诊断技 术 的研究 主要集 中在 单一故障诊 断方面 , 多重并发故 障( l.o cr n F u igoi, C D) 而 Mu i nur t alD ans M— F 由于其 复杂 的故障机 理使得诊断技 tC e t s 术 的研究 还处于起步 阶段。阐述旋转机械 并发故障诊 断技术 在 神经 网络 , 专家 系统 , 人工 免疫 等智 能诊断领 域最
jc et t rsn , h v sg t n b u ec m oi utd g oi t h o g f o r il cn .A eet tei et ai sa o t h o p s ef l i n s c n l yo rt yma y o- p n i o t t a a se o a n
T i a nvri f eh ooy T i a 3 0 4, hn ) a u nU iesyo c n lg , a u n0 0 2 C i y t T y a
Ab t ac I§ p e ae tfrt o o y t m fr t r c i e t x s o ure tful a cu lpr 。 s r t:t r v l n o he r tr s se o oa y ma h n o e itc nc r n a t ta t a ot ul a no i c noo y s a c o r s n t m o ie Fa tDi g ssTe h l g
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
旋转机械故障智能诊断系统RFIDS1.0软件说明书南京航空航天大学2014-1-22目录1、软件简介 (1)2文件管理 (1)2.1工程管理 (2)2.2打开工程 (3)2.3数据库备份 (3)2.4数据库恢复 (4)2.5退出 (4)3、信号动态实时采集 (4)3.1主界面 (4)3.2基本控制信息 (5)3.3通道配置 (5)3.4 数据保存 (6)3.5 模拟采集 (8)3.6 其他功能 (8)4 数据格式转换 (9)4.1 数据格式转换总界面 (9)4.2 31所格式1 (9)4.3 31所格式2 (10)4.4 31所BK数据格式 (11)4.5 606所数据格式1 (12)4.6 606所BK数据格式 (13)4.7 RFIDS数据格式 (15)4 信号分析与状态监控 (16)4.1信号倍频分量实时监测 (16)4.2 无量纲时域特征量监测 (17)4.3 倒频谱分析与监控 (18)4.4 多重自相关分析 (19)4.5 时域同步平均分析与监控 (19)4.6 轴心轨迹分析与监控 (19)5 转速跟踪 (20)5.1 BODE图 (20)5.2 三维瀑布图 (22)6基于专家系统的故障智能诊断 (22)7机器学习 (22)7.1 专家系统知识维护 (22)7.5 旋转机械故障诊断经验知识 (23)8样本维护 (23)9系统设置 (24)9.1 设备型号设置 (24)9.2 设备基本信息注册 (24)9.3 滚动轴承设置 (25)9.4 采集设备注册 (25)9.5 采集人员注册 (26)9.6 采集部位注册 (26)9.7 传感器注册 (27)9.8 振动监测阈值设置 (27)9.9 设备故障设置 (28)9.10 波形显示范围设置 (28)9.11 超级用户密码设置 (29)9.12 关于软件 (29)1 软件简介旋转机械故障智能诊断系统RFIDS1.0利用频谱分析技术、倒频谱分析、多重相关分析、时域同步平均分析、时域统计量分析、倍频分析、轴心轨迹分析以及专家系统智能诊断方法,构建了集旋转机械转子和滚动轴承故障信号采集、特征提取、状态监测与故障诊断为一体的智能诊断系统。
RFIDS1.0软件是在Windows 98/2000/XP平台下,由VC++6.0作为前台开发工具,Microsoft Access 2000作为后台数据库支承的Windows应用软件。
软件功能全面、使用方便、维护容易、界面友好。
主要功能包括:(1)实时动态数据采集。
与NI公司的USB9234数据采集器接口,实现转速、振动位移、速度与加速度的采集,可以与NICAQ9178机箱接口,同时设置8个USB9234采集模块,能够实现32个通道信号的同步采集、实时保存和在线处理。
最高采样频率可达到51.2k;(3)利用加速度、速度及位移互相转换技术实现振动参数的相互转换,可以仅仅利用振动加速度传感器来实现振动加速度、速度和位移的测量;(4)利用频谱分析和频谱校正技术,准确提取频谱图上的转频信号及其各倍频分量,从而实现各分量振动值的动态监测;(5)利用频谱分析和频谱校正技术,准确提取频谱图上的转频信号及其各倍频分量,绘制提纯轴心轨迹、合成轴心轨迹以及滤波轴心轨迹等;(6)利用倒频谱分析技术提取振动信号中的调制边频成分;(7)利用多重自相关技术和时域同步平均技术实现信号滤波,从而有效检测出转子系统中信号中所蕴含的微弱周期成分,以及提取出所感兴趣的频率成分及其倍频成分;(8)利用专家系统诊断方法,依据所建立的知识规则,进行专家诊断。
并生成诊断报告。
2文件管理RFIDS软件采用了工程管理的方式对模态分析实验数据进行管理,工程中包括的信息有工程名、实现的现场图片、实验数据、通道信息等。
其中工程信息和通道信息存放于数据库中,实验数据存放于默认的存盘文件中。
可以建立一个新的工程、删除已有工程、导出和导入工程等。
同时,也可将整个数据库系统和工程文件进行备份和恢复。
2.1工程管理如图1所示,在工程管理主界面中,包括新建、删除、工程导入、工程导出、从外部导入实验数据等功能。
此界面可以在文件下拉菜单下的“工程管理”得到,也可以点击工具栏图标 得到。
所需要添加的信息包括:工程名、设备型号、实验现场图片等信息,目前数据库中所有的工程均被列入列表框中。
(1)新建工程可以新建一个新的工程,在工程名一栏中写入要新建工程的名称,选择需要新建工程的设备型号,点击实验图片为其新建的工程添加试验现场图片,当然,如果为添加图片也不会影响后续的测试工作。
点击新建即可完成工程的新建过程,新建立的工程可以在下方的列表框中显示。
(2)删除工程删除一个已有的工程,点击选择所要删除的工程,点击删除即可完成工程的删除过程。
该操作不仅从数据库中删除工程的相关信息,也将删除该工程的所有实验数据。
建议最好在对工程进行备份保存后进行删除操作。
(3)工程导入可以完成对储存于电脑硬盘或外部存储设备上的工程的导入。
需要根据所弹出的目录图1 工程管理选择对话框选择工程存放的路径。
(4)工程导出可以将软件中的工程导出到电脑硬盘或外部存储介质上,在工程管理界面中选择要导出的工程,点击工程导出即可完成导出工作,需要根据所弹出的目录选择对话框选择工程存放的路径。
(5)从外部导入数据到工程可以将外部电脑硬盘或外部存储介质的实验数据导入导指定的工程中。
2.2打开工程在文件下拉菜单下,点击打开工程,可以弹出图2所示的界面。
选择将要打开的工程点击打开就可以打开一个工程,如果下次还想继续打开同一个工程,可以通过点击默认工程将此工程设置为默认工程,节省下次再浏览选择的时间。
通过工具栏上的按钮 也可以完成打开工程的操作。
2.3数据库备份可以将RFIDS 软件当前的数据库及工程数据全部存储到电脑硬盘或外界存储介质。
实现系统备份。
图2 打开工程图3 数据采集主界面2.4数据库恢复可以将RFIDS 软件的数据库及工程数据进行全部恢复。
2.5退出退出系统。
3、信号动态实时采集3.1主界面 点击工具条上的图标,即可启动数据采集界面,如图3所示,在数据采集主界面中,包括时间波形显示、频谱曲线显示、设备型号选择、采集部位显示、采样频率选择、转速显示、当前信号选择、采集数据点数选择、通道配置、数据保存、模拟采集等功能。
点击工具条上的图标,并配合图形两侧的滑块控件,可以对显示波形的幅值范围进行动态缩放。
3.2基本控制信息如图4所示,在基本控制信息对话框中,主要实现的控制功能有:1)动态显示转速,将转速通道采集到的转速信号处理后得到当前的转速,并进行显示,RFIDS软件中可以同时测试2个转速,及转速1和转速2。
转速测试是利用脉冲计数的方法得到,修正系数对应转子旋转一周产生的脉冲数,两个转速分别对应两个修正系数;2)控制数据显示的速度;3)控制是否利用键相信号来对信号进行预处理,对信号进行预处理,可以使信号具有统一的初始点,便于轴心轨迹的初相点绘制。
4)显示当前状态,如“在线采集”或“模拟采集”,如为模拟采集,还显示了模拟采集的数据名。
5)在模拟显示控制的滚动条中,可以拉动滚动条,实现对数据的任意定位显示。
在工具栏中反复点击图标即可实现该对话框的显示与隐藏。
(a)在线采集(b)模拟采集图4 基本控制信息3.3通道配置如图5所示,可以对各通道中的采样点进行配置,包括:1)测点选择;2)低通滤波截止频率选择;3)测试变量选择;4)传感器型号选择;5)传感器灵敏度显示;6)测试参数单位显示;7)数据采集器选择;8)数据采集模块选择。
当选择NI cDAQ-9162机箱时,只能选择采集模块MOD1,因为该采集器机箱仅能插入1块NI USB9234采集模块;当选择NI cDAQ-9178机箱时,可以选择采集模块MOD1—MOD8,因为该采集器机箱可以插入8块NI USB9234采集模块。
图5 通道配置需要注意的是,1)当采集器机箱选择NI cDAQ-9162时,需要定义为DEV1,系统提示如图6所示,该设置需要在NI 公司提供的“Measurement & Automation ”软件中进行确认和设置。
2)当采集器机箱选择NI cDAQ-9178时,需要定义为cDAQ1。
该设置需要在NI 公司提供的“Measurement & Automation ”软件中进行确认和设置。
3)对每个MOD 模块进行通道设置后,需要点击“更新信息”按钮,以保存设置信息,所有MOD 模块的通道设置完成后,点击“保存并退出”按钮,新的通道信息将被保存下来,退出该界面后即可生效。
3.4 数据保存图7为数据采集界面上的控制按钮,其中与数据保存相关的“保存”按钮和“保存动态实时数据”检查框。
图6 采集模块确认图7 数据保存界面图8 数据保存图9 累计采样时间(1)“保存”按钮如图8所示,该功能主要实现对所有通道的当前测试数据进行保存,主要功能包括:1)显示当前设备型号;2)选择保存数据的文件夹;3)选择保存方式;4)显示累计保存的文件数。
所保存的数据按通道配置进行存储,文件名可以选择为“按序号”或“按转速1”。
需要注意的是,该保存功能下的数据不是动态实时连续数据,适合于对稳定运行状态下的数据进行采集和保存。
(2)“保存动态实时数据”检查框当不选中该检查框时,将不保存动态实时连续数据;当选中该检查框后,点击“开始采集”按钮后,软件立即启动数据采集,并同时保存动态实时连续数据。
数据保存于目录:D:\RFIDSData\当前工程名\当前时刻\。
数据文件为文本文件,文件名由MOD 号、CH 号、变量名及测点名组成,例如:MOD3_CH1[转速1](低压转速测点)。
数据文件为多行单列数据,单一行为采样时间间隔(单位为秒)。
在采样的过程中,显示累计的采样总时间,如图9所示。
根据不同的采样时间、不同的采样频率以及不同的通道数,1小时的数据量通常从几个G 到几十个G 不等。
需要注意的是,当通道数很多时,通常大于10个,采样频率需要降低到10k 以保证实时连续采集。
通道数图10 模拟采集在10个以下时,采样频率可设置为51.2k 。
3.5 模拟采集如图10所示,模拟采集是在不具备数据采集硬件的情况下,将工程中存放的实验数据或在硬盘上存放的实验数据进行回放。
(1)对于当前工程中存放的数据,可以选择列表框中的数据进行回放;(2)对于硬盘或其他存储介质上的实验数据,选中“从外部选择数据源”检查框,点击“开始”按钮,将弹出文件夹选择对话框,选中所要导入的实验数据所在的文件夹,即可实现数据的模拟显示。
(3)可以控制回放数据的转速范围,进行循环回放和连续回放方式的选择。
其中循环回放时指数据循环无穷的从低转速到高转速在到低转速的循环回放,连续回放时指将所有数据按时间先后顺序进行回放,用此功能可以观察到数据的整体面貌。