欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202311112349X
申请人: 燕山大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于高频声波的旋转机械早期故障监测系统,包括依次相连的高频声波感知器、电路系统以及上位机,其特征在于:电路系统采用插卡式结构设计,由多块结构相同的信号调理板卡和一块通信控制板卡组成,每块信号调理板卡上均设置有用于获取旋转机械早期故障产生的高频声波信号的高频声波感知器;

信号调理板卡包括:幅值控制单元、混频器模块、滤波放大模块、分贝值转换模块和状态切换模块;

通信控制板卡包括主控模块、模数转换模块、数模转换模块以及通信模块;

上位机通过通信模块与通信控制板卡之间进行数据通信及指令发送。

2.根据权利要求1所述的一种基于高频声波的旋转机械早期故障监测系统,其特征在于:所述幅值控制单元包括顺次相连的初级放大模块、压控放大模块和次级放大模块;

初级放大模块将所述高频声波感知器输出的高频声波信号进行初级放大增益,增益受控于主控模块控制的状态切换模块,压控放大模块采用压控放大器,实现对初级放大模块输出信号的衰减,衰减倍数受控于主控模块控制数模转化模块输出的电平;次级放大模块用于进一步放大压控放大模块输出信号,增益同样受控于主控模块控制的状态切换模块。

3.根据权利要求1所述的一种基于高频声波的旋转机械早期故障监测系统,其特征在于:主控模块根据当前压控放大器的衰减倍数通过主控模块的IO端口电平控制两个状态切换模块进行同步切换,当采集低幅度高频声波信号时,状态切换模块将初级放大模块切换到高增益,次级放大模块被切换到低增益;当采集高幅度高频声波信号时,状态切换模块将初级放大模块切换到低增益,次级放大模块被切换到高增益;所述初级放大模块与次级放大模块整体增益保持动态平衡。

4.根据权利要求1所述的一种基于高频声波的旋转机械早期故障监测系统,其特征在于:混频器模块通过外差降频原理实现对经幅值控制单元处理后的高频声波信号进行解调,解调后的高频声波信号再经滤波放大模块进行滤波,保留信号中低频成分,高频声波信号降频到20kHz以下;

混频器模块内置本地振荡器,振荡器采用可根据数模转换模块输出电平调节振荡频率,实现对旋转机械故障产生的不同中心频率的高频声波信号解调的压控振荡器。

5.根据权利要求1所述的一种基于高频声波的旋转机械早期故障监测系统,其特征在于:分贝值转换模块采用RMS‑DC转换器,对低频解调信号进行均方根测量并对数输出,主控模块对分贝值转换模块输出电压通过模数转换模块采集,通过计算得到当前高频声波信号的分贝值强度,主控模块记录当前旋转机械产生的高频声波信号的分贝值的变化趋势,预判断旋转机械的运转状态。

6.根据权利要求1所述的一种基于高频声波的旋转机械早期故障监测系统,其特征在于:所述高频声波感知器采用压电陶瓷弯曲振动模式设计,通信模块采用USB或WIFI无线数据传输方式,WIFI模块采用ESP8266或ESP32模组,主控模块采用ARM芯片或FPGA芯片。

7.一种根据权利要求1‑6任一权利要求所述的监测系统实现的基于高频声波的旋转机械早期故障监测方法,其特征在于,步骤如下:步骤一:通过故障数据库进行故障特征提取、融合、训练并构建故障分类诊断模型;

步骤二:用户对监测系统进行设置与校准,确保解调信号无失真且其中心频率在5kHz以内;

步骤三:记录判断当前旋转机械运转状态的高频声波信号分贝值,当超过设定阈值时,进一步分析接收到的高频声波解调数据;

步骤四:上位机将当前的高频声波解调信号数据特征融合结果导入到故障分类诊断模型中进行故障诊断,若持续识别到旋转机械早期故障则发出故障警报并提示故障类型。

8.根据权利要求7所述的一种基于高频声波的旋转机械早期故障监测方法,其特征在于,步骤一中构建故障分类诊断模型中的故障特征提取方法为:采用局部特征学习的方式获取原始信号的内在特征表示,对故障数据库中高频声波解调信号进行均等化分帧,针对高频声波解调信号具有的非线性和动态时变特点,对每个小样本段进行系统辨识参数以及稀疏滤波特征学习;

采用递归神经网络中回声状态网络对声波感应信号进行系统辨识,将网络的输出权值作为特征变量,特征空间维数与储备池网络规模一致;

对每一个小样本段进行稀疏滤波特征学习,对于训练集中每一个小样本段,通过稀疏滤波网络的特征学习得到对应的特征 表示第i个样本的第j个特征分量,R为向量空间,Nout是学习到的稀疏特征的数目,对整个训练集X经过稀疏滤波特征学习得到训练集X的稀疏特征 J为样本段数量,对稀疏特征取平均得到最终的特征表达:式中,T表示矩阵转置;

通过CEEMDAN方法将分帧后的信号进行分解,通过自主添加各类白噪声并进行平均,获取各种尺度IMF分量,即本征模态函数,Intrinsic Mode Function;

选取能量值信息较高的前L层应用于下一步分解;分别对分解后的前L层分量进行非线性复杂度计算,将系统辨识参数、稀疏滤波、非线性复杂度多域故障特征提取结果进行特征融合构建高维故障特征集。

9.根据权利要求7所述的一种用于旋转机械早期故障的高频声波监测方法,其特征在于,步骤一中构建故障分类诊断模型中的故障特征融合方法为:为了揭示不同特征间的互补属性,同时消除特征间的冗余性,借鉴深度网络的特征学习和建模能力,采用深度自编码网络结构,对多特征输入进行逐层的编码和解码重构学习,获取不同模态特征之间的共有和互补特征,通过中间编码层得到优化后的特征空间,获取低维、紧致的对设备早期故障敏感的优化特征。

10.根据权利要求7所述的一种用于旋转机械早期故障的高频声波监测方法,其特征在于,步骤一中构建故障分类诊断模型中的故障特征训练方法为:基于支持向量机的学习方法,使用HPO参数全局优化LSSVM的方式建立训练模型,对低维故障特征集带入训练模型;使用猎食者算法优化LSSVM模型结构,包括:初始化种群;输入种群数量、最大迭代次以及调节参数;设置正则参数γ的范围值和高斯RBF核中的平方带宽δ2范围值,初始群体中每个成员的位置由下式在搜索空间中随机生成;

xi=rand(1,d)·*(ub‑Ib)+Ib

式中,xi是猎人或猎物的位置,lb是求解变量的最小值,ub是求解变量的最大值,d是问题变量的维度,rand(1,d)表示创建一个由随机数组成的1×d向量;

通过调整γ和δ2两个参数,建立带有高斯RBF核的LSSVM预测模型,对样本进行训练;

Model=trainlssvm({xtrain,ytrain,'c',γ ,δ2,'RBF‑kernel'})式中,xtrain为训练集数据,ytrain为训练集标签,c表示用LSSVM进行分类,RBF‑kernel为高斯RBF核;

测试集用作模型的输入,在每次迭代中,获得测试集的预测标签y,然后用最小二乘法计算每个搜索代理的适应度函数值。

式中,m为测试集的样本数,y为测试集的预测标签,为测试集的实际标签;

根据适应度函数调整HPO参数,更新种群的最优解,得到HPO优化模型的最小训练损失值,进而确定出γ和δ2参数的最优预测值;

将最优的γ和δ2带入LSSVM模型中进行最终训练,得到所述旋转机械早期故障分类诊断模型。