[发明专利]一种基于WiFi无线振动传感器的设备故障预测的方法

说明书

本发明提出一种基于WiFi无线振动传感器的设备故障预测的方法，包括以下步骤：S1，采集到的振动数据转换为加速度数据后进行灵敏度校准和去均值处理；S2，对处理后的数据进行降采样处理，得到序列D；S3，对序列D进行有效值计算得到振动参数rms；S4，规定时间内周期性重复步骤S1‑S3，得到振动参数rms数组，处理后得到振动阈值参考值以及故障判断阈值；S5，规定时间过后，继续周期性重复步骤S1‑S3得到振动参数rms1，通过对比判断是否处于故障状态并触发相应的报警类型。实现对被监测设备的振动监测过程中，提前预测到设备的故障并提供给用户告警信息，无需运维人员采集被监测设备的振动数据，减少工作量。

技术领域

本发明涉及旋转机械振动状态监测及保护领域，尤其是一种基于WiFi无线振动传感器的设备故障预测的方法。

背景技术

近年来，以电池供电的无线振动传感器在旋转类机械设备的振动监测场景中使用的越来越广泛。当前主流无线振动传感器采用的无线通信方式一般为低功耗的物联网低带宽通信(Zigbee、Lora、蓝牙等)，受制于传输速率和传输时长的限制，一般传感器在振动数据采集完毕后不上传完整的振动原始数据，而是对原始数据进行降采样后上传，或者选择只上传计算后的RMS值、峰峰值、特征频率值、峭度值等特征值数据到服务器。对于需要完整的振动原始数据进行故障预测和故障分析的场景，物联网低带宽通信方式并不适用，一般会选择使用高带宽通信方式的WiFi无线振动传感器。由于WiFi模块功耗较高，为了节省电池电量，采集方式为通过设置的采集间隔时间来定时采集振动数据，然后通过传感器内集成的故障判断算法计算后，检测到设备故障后上传报警信息并把振动原始数据上传到服务器。

现有的WiFi无线振动传感器集成的故障判断算法具有以下不足：

1、当前已有的传感器内集成的故障判断算法一般只通过对数据进行计算后通过阈值判断的方法来评估设备是否有故障，导致传感器报警时被监测设备已经发生故障，做不到提前预测设备故障的功能；

2、对于已有的集成故障判断算法的WiFi无线传感器，一般需要运维人员使用有线振动采集设备去人工采集被监测对象的振动数据后计算得出故障判断算法需要的阈值数据，并把故障阈值数据设置到传感器中，增加了运维人员的工作量。

在中国专利文献上公开的“一种电机振动检测与诊断方法”，其公开号为CN110095179B一种电机振动检测与诊断方法，包括：对无线振动传感器进行初始校正；再根据电机的实时频率调整三轴加速度传感器的采样频率；并采集整周期的加速度序列；利用带通滤波器和滑窗均值滤波器对加速度序列中的噪声信号进行滤除；对去噪后的加速度序列进行数值积分，得到速度序列和位移序列；判断去噪后的加速度序列峰值、速度序列有效值和位移序列峰值中的任一数值是否超过设定的安全阈值，如是，则对去噪后的加速度序列进行傅里叶变换，得到加速度频谱，并保存到微处理器的内存中；将微处理器内存中的数据发送至监控端，并使用监控端接收到的倍频信息对电机进行故障诊断，得到检测与诊断结果。该方法具有成本低、功耗低、计算量低且检测精度高的特点。但是该发明无法实现设备故障的预测。

发明内容

本发明解决了现有技术中传感器报警时被监测设备已经发生故障，无法实现提前预测设备故障且需人工采集被监测设备的振动数据的问题，一种基于WiFi无线振动传感器的设备故障预测的方法，通过对采集到的振动数据转换后进行降采样处理，并得到振动参数，通过周期性重新采集并计算，判断是否处于故障状态并触发相应的报警类型。实现对被监测设备的振动监测过程中，提前预测到设备的故障并提供给用户告警信息，无需运维人员采集被监测设备的振动数据，减少工作量。

为了实现上述目的，本发明采用以下技术方案：一种基于WiFi无线振动传感器的设备故障预测的方法，包括以下步骤：

S1，采集到的振动数据转换为加速度数据后进行灵敏度校准和去均值处理；

S2，对处理后的数据进行降采样处理，得到序列D；

S3，对序列D进行有效值计算，得到振动参数rms；