基于振动传感器数据构建预测性维护AI模型

“ 预测性维修（Predictive Maintenance，简称PdM）是以状态为依据(Condition Based)的维修，在机器运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划。”

01

—

振动传感器的基础知识

传感器的主要应用领域：

土木桥梁；机械机床； 汽车NVH；航天航空；海洋船舶；风能电力；国防军工；石油化工；振动台控制；材料特性；教育教学。

传感器的产品类型：

有集中式；便携式；组合式；坚固式；分布式

描述振幅的三种基本参量：位移x，速度v，加速度a

 位移微分积分速度微分积分加速度位移x：  

速度v：  加速度：  可以看出，位移、速度和加速度幅值大小的关系是：

微积分前后波形的变化：

1）、相位差90°

2）、幅值变化与频率有关系：位移相同时，速度与频率成正比，加速度与频率的平方成正比。

在实际工程中低阶振动更重要，由于力和加速度成正比，假设在相同力的作用下，不同频率的振动有相同的加速度A=100,则推算到振动速度V和位移X的公式如下：

可见，在相同振动加速度下，随着频率增加，振动位移按平方关系下降。工程中，高频的震动位移都是非常微弱的，对结构几乎不形成损伤，因此无需关心

02

—

常见振动传感器类型

• 加速度传感器：输出振动加速度信号；

• 速度传感器：输出振动速度信号；

• 位移传感器：输出振动位移信号，如电涡流传感器；

• 力传感器：输出力信号（力垂中的压力、拉力）；

• 应变传感器：应变片，需要通过惠斯通桥路，输出应变信号；

• 声音传感器：传声器，输出声波在空气中的振动压力信号；

• 转速传感器：多种形式（光电、涡流、编码器等），用于输出机械转速信息；

传感器的选择方法

• 应用对象的频率特性：

  • 位移 适合较低频率，多用于大型结构、地震

  • 加速度适合较高频率，多用于机械振动、冲击等；

  • 速度 适合中频频率，多用于结构、地震等

  • 高频

  • 低频

• 安装方式：根据合适的安装方式，可能要选择不同的传感器

  • 若测量转轴振动，需要非接触式测量，可选择电涡流式位移传感器

  • 若测量轴承座上的振动，则可以选择普通的加速度传感器

  • 例如：机械旋转部件的振动

• 灵敏度（标定值）

  • 传感器将物理量转为电量的比例系数，如50mV/g,100pc/N

  • 根据被测量的大小，选择合适灵敏度的传感器，既保持信噪比，又保证量程

• 测量的频率范围

  • 传感器均有其可用的频率范围，应能包含被测对象关心的频率。传感器可用于频率范围内，其灵敏度 是基本稳定的，此范围之外则会增大或变小

• 测量的幅值范围

  • 传感器最大和最小可测量的幅值范围，应符合被测对象的要求

03

—

基于加速度传感器数据构建模型

1、老样子，我们导入机器学习三大件

import numpy as np
import pandas as pd
import random
import matplotlib.pyplot as plt
import matplotlib
import seaborn as sns
# from sklearn.preprocessing import StandardScaler 
# scaler = StandardScaler()

2、读入机器健康时的振动数据

header_list = ['time','x','y','z']
mHealthy = pd.read_csv('data/m1_vib1.csv',header = None, names = header_list )
mHealthy['ds'] = mHealthy['time'].apply(lambda x: float((x- 15840094829302)/1000))

3、读入机器出现问题时的数据

mBroken = pd.read_csv('data/m2_vib3.csv',header = None, names = header_list )
mBroken['ds'] = mBroken['time'].apply(lambda x: float((x- 15840094829302)/1000))

4、从上面看来数据的特征似乎有点少，现在我们需要做的就是进行数据增强，我们对数据进行求均值，有效值，偏度，峰度等相关的数据变换。

Main = pd.DataFrame(columns=['SDx','SD