用于监测产生振动的机器的运行的方法及用于实现该方法的设备与流程

本发明涉及一种用于监测产生振动的机器的运行的方法及用于实现该方法的设备。

背景技术：

诸如马达、泵、压缩机、风扇或涡轮机的机器在其运行时会产生振动。当机器的部件不平衡、未对准、调节不良或磨损时，这些振动的曲线，尤其是关于幅度和频率的曲线可能会改变。在这种情况下，如果不采取任何措施，机器有损坏的风险。这就是监测机器以便显示振动曲线的潜在变化非常重要的原因。由此，异常情况可以在其变得过于严重并导致附加损害或意外中断之前被识别出来。

可以借助于振动传感器来监测机器。为了检测异常情况，当前使用的振动传感器是基于幅度阈值超过量和/或主频率的变化。然而，这种进行方式具有受到限制的缺点。实际上，这种方法尤其不可能检测在传感器的初始配置期间未提供的频率上发生的变化，而仅检测发生在某些预先确定的频率上发生的那些变化。因此，可能会发生未检测到某些异常的情况。

技术实现要素：

由上文可知，需要对机器的振动的检测和分析进行改进。

本发明旨在通过根据本发明的第一方面提出一种用于监测产生振动的机器的运行的方法来满足该需要，该方法包括：

-学习阶段，包括以下步骤：

o在时域中获取由机器产生的第一振动信号；

o确定与第一振动信号相对应的第一振动标识；

o确定第一振动标识与其中保存了振动标识的知识之间的第一相似度；

o将第一相似度和第一预定阈值进行比较；

o如果第一相似度小于第一阈值，则将振动标识保存在知识中；

周期性地重复学习阶段的步骤以构成知识；

-监测阶段，包括以下步骤：

o在时域中获取由机器产生的第二振动信号；

o确定与第二振动信号相对应的第二振动标识；

o确定第二振动标识与知识之间的第二相似度；

o将第二相似度与第二预定阈值进行比较；

o如果第二相似度小于第二阈值，则生成警报，第二振动标识被认为表明异常情况；

周期性地重复监测阶段的步骤；

当认为构成了知识时，监测方法以自主的方式从学习阶段进行到监测阶段。

首先，监控方法学习以便以自主的方式识别机器的正常运行的振动特性。然后，其次，监测方法定期获取并比较振动，以确定机器是否偏离其正常运行。从而，由于本发明，能够有效地检测是否发生异常情况，并且在这种情况下触发警报。

另外，在其学习阶段期间，监测方法仅保存与已经学习的标识(也就是说，已经保存在知识中的标识)足够不同的振动标识，这使得能够避免信息的冗余并且限制在学习期间存储的数据量，而不会降低学习质量。监测方法继而可以在例如微控制器的在资源方面受限的设备上实现。

根据一个实施例，学习阶段还包括特定步骤，该特定步骤将连续确定的预定数量m的振动标识的第一相似度与大于第一阈值的特定的预定阈值进行比较，如果最后m个振动标识的第一相似度大于特定阈值，则认为构成了知识。

根据一个实施例，监测阶段包括所谓的“发现”时段，在“发现”时段期间，将被认为表明异常情况的第二振动标识保存在知识中。

根据一个实施例，监测阶段包括将异常情况的持续时间与预定的持续时间进行比较的步骤，如果异常情况的持续时间大于预定的持续时间，则异常情况被证明。

根据一个实施例，监测阶段还包括警报的传输的步骤。

根据一个实施例，监测阶段还包括周期性地执行分析报告的传输的步骤。

根据一个实施例，根据第一重复周期而周期性地重复学习阶段的步骤，根据大于第一重复周期的第二重复周期而周期性地重复监测阶段的步骤。

根据一个实施例，振动信号借助于振动传感器来获取，该方法还包括振动传感器的校准的初始步骤。

根据一个实施例，第二比较步骤的第二阈值小于第一比较步骤的第一阈值。

本发明的第二方面涉及一种用于实现根据本发明的第一方面的监测方法的监测设备，该监测设备旨在安装在产生振动的机器上，该设备包括：

-振动传感器，其适于并配置为获取振动信号；

-控制模块，其适于并配置为确定与振动信号相对应的振动标识，确定振动标识与其中保存了振动标识的知识之间的相似度，并且将相似度与预定阈值进行比较；

-存储器，其适于并配置为保存振动标识。

附图说明

通过阅读以下说明并查看附图，将会更好地理解本发明及其不同的应用，在附图中：

-图1是根据本发明的实施例的用于监测产生振动的机器的运行的设备的功能图；

-图2是根据本发明的实施例的用于监测产生振动的机器的运行的方法的流程图；

-图3是图2的监测方法的校准的步骤的流程图。

附图仅出于参考的目的而呈现，且不以任何方式限制本发明。

为了更为清楚，在所有图中，相同或相似的元件用相同的附图标记来标示。

具体实施方式

图1表示根据本发明的监测设备100的实施例。监测设备100旨在安装在运行时产生机械振动的机器上。该机器例如可以是马达、泵、压缩机、风扇或涡轮机。监测设备100包括振动传感器110、控制模块120、存储器130、数据传输模块140、电源150和激活构件160。

振动传感器110适于并配置为获取由机器产生的振动信号。振动传感器110例如是3轴加速度计。这种加速度计可以获取包括三个分量的振动信号，每个分量对应于加速度计的一个轴。换句话说，振动信号可以在由加速度计的三个轴形成的三维正交坐标系中表示。有利地，振动信号的三个分量被叠加在一起然后被归一化以便有利于监测设备100的使用。实际上，通过这种方式进行，监测设备100能够以任何方向安装在机器上。

由振动传感器110获得的振动信号被发送到控制模块120，控制模块120的作用是分析接收到的振动信号。控制模块120尤其被配置成根据由振动传感器110获取的振动信号来确定振动标识，如下面更详细描述的。控制模块120包括例如微处理器。

存储器130适于并配置为保存表示机器的正常运行的特性的振动标识。存储在存储器中的振动标识集合形成知识。

数据传输模块140适于并配置为以周期性的方式传输分析报告，以及当检测到异常情况时传输警报。这些数据例如被传输到监测控制台，该监测控制台使得可以查看分析报告并生成警报。优选地，传输模块使用iot(物联网)类型的无线通信网络。iot网络例如可以使用lora技术或sigfox技术。

电源150供应监测设备100的运行所必需的电能。电源150有利地被设定规格，以使得监测设备长时间不中断地运行几年的数量级。为了减少电能消耗，监测设备100有利地被配置为在每次获取之间进入睡眠模式。电源150包括例如蓄电池或燃料电池。

激活构件160可以用于启动或停止监测设备100。有利地，监测设备100包括单个激活构件160，其有利于监测设备100的使用。一旦激活构件160被触发，监测设备100就以完全自主的方式运行。激活构件160例如是按钮或开关。

监测设备100还包括固定装置(未示出)，该固定装置配置为将监测设备100保持在机器上。固定装置可以是磁性元件或粘合元件。

图2示出了根据本发明的监测方法200的优选实施例。监测方法200可以由图1的监测设备100来实现。监测方法200包括学习阶段f1和监测阶段f2，学习阶段f1旨在构成知识，在监测阶段f2期间，将机器的振动与知识相比较以检测能够表明机器异常情况的差异。异常情况可以例如对应于机器的不平衡、未对准、调节不良或磨损的部件。因此，监测方法200可以用于执行预测性维护。

学习阶段f1包括在时域中获取由机器产生的第一振动信号的第一步骤e1。该振动信号是对应于第一获取持续时间的机器的振动的样本，优选地，该第一获取持续时间在1秒至5秒之间。例如，第一获取持续时间等于2秒。第一获取步骤e1以采样频率执行，该采样频率被有利地参数化为大于振动传感器的最大工作频率的两倍。作为非限制性示例，图1的监测设备100中使用的加速度计能够测量包含在0hz至200hz之间的频率的振动。

第一获取步骤e1随后是确定与所获取的振动信号相对应的振动标识的第一步骤e2。该振动标识例如按照以下方式确定。时域中的振动信号可以被转换为频域中的振动信号，例如通过执行傅里叶变换来进行转换。频域中的振动信号在取决于采样频率的频率范围上扩展。该频率范围被划分为预定数量的间隔，例如等于128或256。给每个频率间隔分配一个系数，每个系数表示相应频率间隔中振动信号的强度。振动标识因此包括表征在机器上取得的振动信号的一系列值。

然后执行确定刚确定的振动标识与存在于知识中的振动标识之间的第一相似度sr1的第一步骤e3。用于计算相似度的方法是本领域技术人员已知的，因此将不作更详细的描述。这样的方法尤其用于指纹识别领域。作为非限制性示例，可以通过在n维空间中的距离计算来确定相似度，其中n在这里等于振动标识所包括的系数的数量。相似度可以用百分数表示。

然后在第一比较步骤e4的过程中，将第一相似度sr1与第一预定阈值th1进行比较。如果第一相似度sr1小于第一阈值th1，则认为第一振动标识是未知的。在这种情况下，在第一保存步骤e5的过程中，将第一振动标识保存在知识中。相反地，如果第一相似度sr1大于第一阈值th1，则认为第一振动标识是已知的。在这种情况下，不将第一振动标识保存在知识中。第一阈值th1例如设定为90％。

根据第一重复周期来周期性地重复学习阶段f1的步骤。最初是空的知识，因此逐渐构成。第一重复周期例如等于一分钟。换句话说，每分钟采样一次新的振动信号。优选地，第一重复周期是规律的。

有利地，学习阶段f1还包括特定的比较步骤e6，该步骤e6将连续确定的预定数量m的振动标识的第一相似度与大于第一阈值th1的特定的预定阈值tho进行比较。特定的比较步骤e6例如在将相似度与第一阈值th1进行比较的第一步骤e4之前执行。如果最后m个振动标识的第一相似度sr1大于第二阈值tho，则认为构成了知识。在这种情况下，学习阶段f1结束，并且监测方法200进行到监测阶段f2。如果不是这种情况，也就是说，如果最后m个振动标识中的至少一个的相似度小于第二阈值tho，则学习阶段f1继续。作为非限制性示例，当最后十个振动标识的相似度大于98％时，学习阶段f1可以结束，该最后十个振动标识的相似度从而对应于最后十个获取的振动信号。学习阶段f1的持续时间取决于安装有监测设备100的机器，但是在所有情况下，学习阶段f1以自主方式完成。

根据另一实施例，知识可以被认为是在预定的学习持续时间结束时构成的。在这种情况下，学习持续时间可以根据意在其上安装监测设备100的机器的类型来参数化。

有利地，在学习阶段f1之前是振动传感器的校准的初始步骤e0。实际上，振动传感器可以包括若干标称运行范围。作为非限制性示例，图1的监测设备100中使用的加速度计包括四个标称运行范围，其从0g分别延伸到2g、4g、8g或16g。校准步骤e0的目的是确定使用哪个标称范围以便获得最相关的数据。

图3示出了图2的监测方法200的校准步骤e0的流程图。校准步骤e0开始于选择振动传感器的最小标称范围的第一操作op1。然后在第二操作op2的过程中，在机器上取得振动信号。在第三操作op3的过程中，验证振动信号是否已饱和。如果是这种情况，则振动传感器的标称范围在第四操作op4的过程中会增加。如果不是，则所选的标称范围是合适的并且校准步骤e0结束。优选地，获取振动信号的第二操作op2在相对长持续时间内执行，例如在一分钟的持续时间内执行，以便获得足够有代表性的振动样本。

学习阶段f1之后是监测阶段f2，监测阶段f2包括获取第二振动信号的第二步骤e1'，确定与第二振动信号相对应的第二振动标识的第二步骤e2'和确定第二振动标识的第二相似度的第二步骤e3'。在监测阶段f2期间执行的这些第二步骤e1'、e2'、e3'与在学习阶段f1期间执行的同名的第一步骤e1、e2、e3相似。第二获取步骤e1'的持续时间优选地与第一获取步骤e1的持续时间相同。备选地，获取步骤e1、e1′的持续时间可以不同。

在监测阶段f2期间，在第二比较步骤e4’的过程中，将第二相似度sr2与小于第一阈值th1的第二预定阈值th2进行比较。如果第二相似度sr2大于第二阈值th2，则认为第二振动标识是已知的。如果第二相似度sr’小于第二阈值th2，则认为第二振动标识是未知的且表明机器级别的异常情况。第二阈值th2例如设定为80％。

监测阶段f2包括在识别出异常情况时生成警报的步骤e7。然后，警报可以在传输步骤e8的过程中被传输。操作员可以因此被警告已经检测到机器级别的异常情况。

除了发送警报之外，监测阶段f2还可以包括传输机器的振动的分析报告的步骤(未示出)。分析报告包括例如与频率分布和振动的幅度相关的信息，尤其是与潜在的异常情况相关的信息。分析报告还可以指示机器的运行和停止时间。分析报告的传输定期执行，例如每两个小时执行一次。

在该优选的实施例中，监测阶段f2包括所谓的“发现”时段，该时段与监测阶段f2同时开始。有利地，监测阶段f2包括在生成警报之前执行的验证步骤e9，并且在验证步骤e9期间，验证与表明异常情况的第二振动标识相对应的第二振动信号是否已在发现时段期间被获取。如果不是这种情况，则可以生成警报。如果第二振动信号实际上在发现时段期间已经被获取，则在保存步骤e5′的过程中将第二振动标识保存在知识中，并且不生成警报。换句话说，认为这不是真正的异常情况，而是在学习阶段f1期间未显露的机器的正常运行的振动特性。因此，在发现时段期间，知识可以得到充实。发现时段对于运行循环随时间可变化的机器特别有用。例如空气压缩机就是这种情况，其在循环开始和结束时振动会有变化。优选地，发现时段具有预定的持续时间，例如等于七天。

有利地，监测阶段f2包括将异常情况的持续时间ta与预定持续时间t0进行比较的步骤e10。如果异常情况的持续时间ta大于预定持续时间t0，则生成警报。在这种情况下，实际上认为异常情况已被证明。如果异常情况的持续时间ta小于预定持续时间t0，则不生成警报。该比较步骤e9使得能够避免例如当机器经历会引起振动的变化的诸如冲击的一次性事件时以意外方式触发警报。

根据第二重复周期周期性地重复监测阶段f2的步骤。有利地，第二重复周期大于第一重复周期，以便使电能的消耗最小化，并且因此延长监测设备100的运行持续时间。第二重复周期例如等于两分钟。第二重复周期可以是动态的，也就是说，当检测到异常情况时，其能够变化，并且尤其是减小。

一个优点是允许对异常情况尤其是关于其持续时间进行更精确的表征。

自然地，本发明不限于参考附图描述的实施例，并且在不脱离本发明的范围的情况下可以设想替代方案。