多种选其一,找出了最简单的检测故障方法!

   自动化那些事        

旋转部件是许多工业应用中最重要的机械部件之一。家庭中常用的旋转机械有一台洗衣机,由于定期使用经常出现故障。因此,本研究的目的是通过使用智能手机的麦克风来简单而准确地诊断洗衣机。


研究提出了利用FFT、偏度、峰度、高通滤波器(HPF)、A加权滤波器和支持向量机(SVM)进行故障诊断的算法。FFT将时域转换为频域,利用偏度和峰度分析数据的不平衡程度。采用A加权滤波器对数据进行过滤,类似于人的听觉,采用支持向量机构建诊断模型。


该算法弥补了现有故障诊断方法的不足,具有较高的诊断精度。此外,由于采用了智能手机的廉价话筒,成本低,易于商业化,且精度高到可以显示出几乎与商用测量仪器的分析结果相似的分析结果。本文以“A cost effective on-site fault diagnosis method for home appliance rotor failures”为题发布于《Microsystem Technologies》杂志上。


研究结论


旋转机械的故障诊断是目前业界非常关注的领域之一。在旋转机械中,由于环境不达标,故障时有发生。特别是旋转机构是很多工业应用和家用电器中基本包含的部件,所以旋转机械的故障对整个产品的功能有很大的影响。


因此,业界正在进行许多研究来提前预防和诊断这种疾病。由于旋转机械的旋转具有恒频分量,因此旋转机械的故障诊断通常在频域进行。因此,研究者使用FFT分析了在频域可以看到的数据。


最近,短时傅立叶变换(short time Fourier transform, STFT)或小波变换(WT)等时频技术得到了广泛的应用。但是,由于环境的影响,该方法很难准确地识别出许多噪声成分。它需要很长时间因为它是在三维空间中处理的。


另一种故障诊断方法是利用偏度、峰度等统计方法。偏度和峰度是表示数据不均匀程度的值。在发生故障的情况下,数据以不平衡的分布形式出现,从而允许进行诊断。但是,单是偏度和峰度并不能做出准确的诊断,因为研究者所测量的数据的间隔变化很大。例如,如果大部分数据被故障数据占据,由于数据可能具有均匀的统计分布,所以偏度和峰度值可以与正态值大致相同。


此外,常用的诊断方法是经验模式分解(EMD)。EMD对相似组件之间的数据进行分类。这使它更容易消除噪音,更准确的诊断。但由于计算过程复杂,分析时间长,难以实时诊断。此外,大多数故障诊断使用加速度计,但由于价格昂贵,不可能大规模商业化。


因此,该研究利用智能手机的廉价话筒采集数据,提出了一种结合偏度、峰度、FFT、a加权滤波器、HPF和SVM的故障诊断新方法。针对洗衣机两种异物引起的故障进行了实验,通过与传统故障诊断方法的诊断结果对比,验证了诊断性能的提高。此外,通过将算法应用于测量仪器采集的数据和应用于智能手机采集的数据的两个结果之间的相似性,验证了算法的准确性。


在故障情况下,由于数据倾斜在一边,值变得更大。因此,这可以用来确定是否发生了故障。峰度是衡量数据比正态分布有多尖锐的度量值在故障情况下,由于数据不平缓和锐利,因此值高于正常值。正常情况下,正态分布为3,大于3时为锐利数据,小于3时为平缓数据。将这两种方法相结合,可以更准确地判断故障是否发生。


傅里叶变换是通过将时域数据转换为频域数据来识别数据周期分量的一种方法。洗衣机等旋转机械具有一定的旋转周期,因此可以用FFT对周期部分进行识别。因此,旋转机械的故障具有特定的故障频率,因此可以通过FFT对特定频率进行检测来诊断故障。加权滤波器是一种类似于人的听觉的滤波器.由于人的耳朵在2000赫兹是敏感的,它应该被过滤,如图所示。


图为A加权滤波器


提出了利用偏度、峰度、滤波、FFT和支持向量机进行故障诊断的算法。该算法的基本原理是测量数据相对于标准数据的变化量,这一变化具有偏度和峰度的特点。


图为提出的算法


第一种算法是以HPF、偏度、峰度和支持向量机为时域部分构造的。第二种算法是以A加权滤波器和FFT作为频域部分在图中构造的。


在现有的故障诊断方法中,如果每种方法都是独立使用的,那么可以使用的情况就会受到限制。因此,通过实验验证了该算法的可靠性,并通过实验验证了现有故障诊断算法的局限性,并将现有的故障诊断结果与所提出的算法在相同故障条件下的结果进行了比较,验证了算法的可靠性。通过与智能手机测试数据的分析比较,验证了该算法的准确性和可靠性。


图为FFT结果现有方法


图为常规方法的小波变换结果


图为故障存在方法的小波变换结果


它是为弥补FFT的缺点而提出的时频技术之一。因此,由于颜色引起的幅值维数在两张图中都不匹配,因此很难对图进行比较。


图为故障1的第一算法结果


图为故障2的第一算法结果


结果表明,断层2发生在中部以后断层程度逐渐增大的过程中。这表明,该故障与正常断层有很好的区别,并能准确地识别出故障发生的部位。在对这些数据进行分析后,将其放入支持向量机中进行训练。然后将测试数据分析成支持向量机,在表中验证了故障与正常的鉴别准确率为97%。


图为故障1的第二算法结果


图为故障2的第二算法结果


图为用所提出的第一算法测量设备数据和智能手机故障数据结果


图为用所提出的第一算法测量设备数据和智能手机故障2的数据结果


图为基于第二算法的智能手机故障数据分析


图为用第二算法测量设备故障数据


图为基于第二算法的Smart2智能手机数据分析


图为用第二算法测量设备故障2的数据结果


研究者对两种算法的测量设备测量的数据和智能手机测量的数据进行了比较研究。在实验中,智能手机使用三星银河,测量仪器使用商用麦克风。商用麦克风的规格是:采样频率为32768 Hz,灵敏度(mv/pa)为51.100002,分贝系数为51.100002。结果表明,智能手机的测量数据与测量仪器的测量数据在相似截面处均出现峰值,且模式基本相同。智能手机数据和测量仪器数据在500 Hz附近都出现了峰值,随后出现了一定的幅值差异。断层2的分析结果证实,在图2中不仅有振幅的差异,而且也有一定的周期性。


通过这两个结果,研究者验证了所提出的算法即使对于廉价的智能手机数据也能区分故障数据和正常数据。


研究结论


对两种算法的比较研究表明,两种算法都能区分故障和正常故障,并且每种算法都有各自的特征结果。第一种算法是将支持向量机应用于与正态数据比较的偏度和峰度分析数据。第二种算法是利用FFT和a加权滤波器在频域进行与人听觉相似的分析。


第一种算法不仅能检测出故障,还能检测出故障部分。此外,SVM分析具有良好的准确性。就洗衣机而言,这四个过程通常按顺序执行:供水、搅拌、排水和脱水。所以,如果研究者知道了故障发生的时间和地点,研究者就可以预测出故障部分的大致情况。


第二种算法表明,根据人的听觉标准对故障进行情感检测是可行的。即使没有机械故障,它也可以检测可能发生的不便。通过比较测量设备和应用每种算法的智能手机所测得的数据,验证了算法的准确性。因此,如果研究者使用这两种算法对洗衣机进行故障诊断,研究者将能够准确地诊断故障并预测故障发生的部位。


要做到这一点,根据故障类型收集和分析大量数据是很重要的。如果这样做,研究者不仅可以诊断故障,而且可以通过简单的声音诊断故障的类型。此外,如果应用开发基于提出的算法它将有可能诊断故障的智能手机只有一个。


参考文献:Ji Min Baek, Sang Hoon Ji & Ja Choon Koo A cost effective on-site fault diagnosis method for home appliance rotor failures  Microsystem Technologies 3389–3394(2020)



最新评论(0)条评论
取消

还没有人评论哦,抢沙发吧~

相关新闻推荐