一種基于小波能量、流形降維和動(dòng)態(tài)時(shí)間規(guī)整的故障診斷與健康評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及離心栗故障診斷和健康評(píng)估的技術(shù)領(lǐng)域,具體涉及一種基于小波能 量、流形降維和動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping, DTW)的故障診斷與健康評(píng)估方法。
【背景技術(shù)】
[0002] 離心栗廣泛應(yīng)用于電力、石油化工、冶金、機(jī)械等工業(yè)部門,是影響系統(tǒng)正常運(yùn)轉(zhuǎn) 的關(guān)鍵部件。因此,對(duì)離心栗故障進(jìn)行準(zhǔn)確診斷,對(duì)離心栗健康狀態(tài)進(jìn)行有效評(píng)估,對(duì)于工 業(yè)設(shè)備的穩(wěn)定運(yùn)行有著重要意義。由于離心栗在旋轉(zhuǎn)過程中會(huì)產(chǎn)生振動(dòng),而不同狀態(tài)下產(chǎn) 生的振動(dòng)信號(hào)強(qiáng)弱也不同,因此,基于振動(dòng)信號(hào)的故障診斷和健康評(píng)估是目前廣泛應(yīng)用的 方法。在實(shí)際應(yīng)用中,離心栗的常見故障主要集中在軸承或葉輪,除了單一故障狀態(tài)還常有 混合故障狀態(tài)存在,而可采集的振動(dòng)信號(hào)往往具有很強(qiáng)的非線性非平穩(wěn)特性,使得離心栗 故障診斷和健康評(píng)估更加困難。離心栗故障診斷和健康評(píng)估的過程主要包括故障特征提取 和故障或健康狀態(tài)確定兩方面。本發(fā)明方法旨在提取更具可分性的特征向量,以提高離心 栗故障診斷的準(zhǔn)確性和健康評(píng)估的有效性。
[0003] 提取更具可分性故障特征的首要問題是如何處理非線性非平穩(wěn)的軸承振動(dòng)信號(hào)。 單一的時(shí)域或頻域分析方法在這種情況下是不適用的。小波變換是一種時(shí)頻分析方法,對(duì) 非線性非平穩(wěn)的瞬態(tài)信號(hào)具有寬頻響應(yīng)的特點(diǎn),在低頻時(shí),對(duì)頻率的分辨率高而對(duì)時(shí)間的 分辨率低,而在高頻時(shí),對(duì)頻率的分辨率低而對(duì)時(shí)間的分辨率高。這個(gè)特點(diǎn)與實(shí)際振動(dòng)信號(hào) 低頻時(shí)變化慢、高頻時(shí)變化快的特點(diǎn)是一致的,因此小波變換對(duì)于振動(dòng)信號(hào)的處理取得了 很好的效果。小波包分析,在小波變換的基礎(chǔ)上,可以將信號(hào)進(jìn)行更為細(xì)致的分析和重構(gòu), 對(duì)信號(hào)的低頻和高頻部分同時(shí)進(jìn)行分解,比小波變換更有效地提取了信號(hào)的時(shí)頻特征。因 此,本發(fā)明中選用小波包分析對(duì)原始振動(dòng)信號(hào)進(jìn)行分解,以獲取有效的信號(hào)時(shí)頻特征。因?yàn)?離心栗各種健康狀態(tài)下的振動(dòng)信號(hào)強(qiáng)度不同,經(jīng)小波包分解后得到的各個(gè)頻帶對(duì)應(yīng)的小波 分量的能量也會(huì)不同,因此,可以提取各小波分量的能量值組成故障特征向量。但是,由此 提取的特征向量往往是高維的,不能很有效地反映各故障狀態(tài)特征間的差別,而且高維特 征直接作為后續(xù)故障分類或健康評(píng)估算法的輸入向量會(huì)大大增加其復(fù)雜度,因此,對(duì)高維 特征進(jìn)行降維很有必要。
[0004] 2000 年,Seung 和 Lee 在《Science》上發(fā)表了一篇題為 "The Manifold ways of perception"的論文,開啟了流形學(xué)習(xí)的時(shí)代。從微分幾何角度看,信號(hào)的有效部分往往分 布在高維空間中的低維流形上,獲取低維流形上的信號(hào)特征可以更好地反映故障信息。流 形學(xué)習(xí)算法通過發(fā)現(xiàn)高維數(shù)據(jù)中的內(nèi)在低維結(jié)構(gòu)來實(shí)現(xiàn)對(duì)高維數(shù)據(jù)的降維。目前,流形學(xué) 習(xí)已經(jīng)得到了深入而廣泛的應(yīng)用與研究,形成了很多經(jīng)典的方法。其應(yīng)用范圍涉及到人臉 識(shí)別、視覺信息分析、手指靜脈識(shí)別、模式識(shí)別等領(lǐng)域。本發(fā)明中對(duì)比了 6種非線性降維方 法的效果,包括核主成分分析(kernel principal component analysis,KPCA)方法、拉普 拉斯特征映射(Laplacian Eigenmaps,LE)方法、局部線性嵌入(local linear embedding, LLE)方法、基于Hessian的LLE方法(HLLE)、局部切空間排列(local tangent space alignment,LTSA)方法和線性局部切空間排列(linear local tangent space alignment, LLTSA)方法。本發(fā)明方法通過流形學(xué)習(xí)方法降維,將高維的小波能量特征向量降為更具可 分性、更簡約穩(wěn)定的特征向量。
[0005] 對(duì)于故障診斷與健康評(píng)估,關(guān)鍵是準(zhǔn)確地度量測試數(shù)據(jù)與樣本數(shù)據(jù)之間的相似 性。動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping, DTW)方法提出于1978年,最初是為了解決語音 識(shí)別的問題。而后,作為一種模式匹配技術(shù),DTW在很多其他領(lǐng)域得到了應(yīng)用,如指紋驗(yàn)證、 行為識(shí)別、在線簽名驗(yàn)證、數(shù)據(jù)挖掘、計(jì)算機(jī)視覺和計(jì)算機(jī)動(dòng)畫、過程監(jiān)測和故障診斷等。與 其他模式匹配方法相比,DTW簡單、容易,具有較好的實(shí)時(shí)能力。因此,本發(fā)明應(yīng)用DTW方法 度量待測狀態(tài)下的特征數(shù)據(jù)與各狀態(tài)樣本特征數(shù)據(jù)之間的相似性,從而確定當(dāng)前的故障狀 態(tài)或當(dāng)前狀態(tài)的健康度指標(biāo)。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明要解決技術(shù)問題為:克服現(xiàn)有技術(shù)的不足,提供一種基于小波能量、流形降 維和動(dòng)態(tài)時(shí)間規(guī)整的故障診斷與健康評(píng)估方法,用以提取更具可分性的故障特征向量,并 快速、準(zhǔn)確地度量測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)之間的距離,從而確定當(dāng)前的故障狀態(tài),評(píng)估當(dāng)前狀 態(tài)的健康度指標(biāo),實(shí)現(xiàn)離心栗典型故障的診斷及健康評(píng)估。
[0007] 本發(fā)明采用的技術(shù)方案為:一種基于小波能量、流形降維和動(dòng)態(tài)時(shí)間規(guī)整的故障 診斷與健康評(píng)估方法,步驟如下:
[0008] 步驟(1)、應(yīng)用小波包分析方法分解原始振動(dòng)信號(hào),得到若干個(gè)小波信號(hào)分量;
[0009] 步驟(2)、針對(duì)每一個(gè)小波信號(hào)分量,提取其小波能量值組成故障特征向量,通過 各種健康狀態(tài)下的振動(dòng)能量來反映故障信息;
[0010] 步驟(3)、針對(duì)以提取的高維小波能量特征向量,應(yīng)用流形學(xué)習(xí)方法進(jìn)行特征降 維,以獲取更具可分性、更為簡約穩(wěn)定的故障特征向量;
[0011] 步驟(4)、基于提取的三維故障特征向量,應(yīng)用DTW度量測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)之間 的相似性,從而確定或評(píng)估當(dāng)前數(shù)據(jù)對(duì)應(yīng)的故障或健康狀態(tài),從而實(shí)現(xiàn)故障診斷和健康評(píng) 估。
[0012] 進(jìn)一步的,所述的步驟(1)具體為:應(yīng)用小波包分析方法對(duì)離心栗非線性非平穩(wěn) 的原始振動(dòng)信號(hào)X (t)進(jìn)行三層小波分解,獲得8個(gè)小波信號(hào)分量。
[0013] 進(jìn)一步的,所述的步驟(2)具體為:對(duì)每一個(gè)小波信號(hào)分量,提取小波能量值組成 故障特征向量,以反映各個(gè)故障狀態(tài)的故障信息。過程如下:
[0014] 步驟(Al)、設(shè)原始振動(dòng)信號(hào)為x(t),經(jīng)三層小波分解處理,x(t)被分解為8個(gè)小 波分量,從低頻到高頻可表示為(X1,X2, X3, X4, X5, X6, X7, Xs);
[0015] 步驟(A2)、對(duì)每一個(gè)小波分量X1,其對(duì)應(yīng)的小波能量為
式中,i = 1,2, "·,8 ;k = 1,2, "·,Ν,Χι1?為重構(gòu)信號(hào)X1離散點(diǎn)的幅值。由此,得到小波能量 組成的故障特征向量W = [Ε1,Ε2,…,E8],向量W就是原始振動(dòng)信號(hào)的一個(gè)故障特征向量。
[0016] 進(jìn)一步的,所述的步驟(3)具體為:應(yīng)用流形學(xué)習(xí)方法對(duì)已經(jīng)提取到的高維小波 能量特征向量進(jìn)行降維,以獲取更具可分性、更簡約穩(wěn)定的故障特征向量。
[0017] 進(jìn)一步的,所述的步驟(4)具體為:在提取的三維故障特征向量的基礎(chǔ)上,應(yīng)用 DTW方法計(jì)算測試數(shù)據(jù)與各樣本數(shù)據(jù)之間的距離,進(jìn)而判斷當(dāng)前數(shù)據(jù)的健康狀態(tài),從而實(shí)現(xiàn) 軸承的故障診斷和健康評(píng)估。過程如下:
[0018] 步驟(BI)、首先,對(duì)各種健康狀態(tài)下的原始振動(dòng)信號(hào),進(jìn)行小波包分解并提取小波 能量特征向量,在對(duì)高維特征向量進(jìn)行降維,作為后續(xù)健康狀態(tài)分類時(shí)的樣本特征矩陣,設(shè) 共有k種健康狀態(tài)的數(shù)據(jù),則該樣本特征矩陣V = [W1, W2,…,Wk],其中W1為第i種健康狀 態(tài)的特征向量;
[0019] 步驟(B2)、然后,對(duì)于任一待確定狀態(tài)的振動(dòng)信號(hào),通過小波包分解信號(hào),提取小 波能量特征向量并降維;
[0020] 步驟(B3)、應(yīng)用DTW算法度量待確定狀態(tài)的特征向量與樣本特征矩陣中各個(gè)特征 向量的相似性,度量值越小,證明當(dāng)前待確定的狀態(tài)與該標(biāo)簽特征向量的狀態(tài)越接近,從而 確定當(dāng)前數(shù)據(jù)的健康狀態(tài)。將正常狀態(tài)下的特征值對(duì)應(yīng)的健康度設(shè)為1,則可通過當(dāng)前數(shù)據(jù) 與正常樣本數(shù)據(jù)間的相似性程度度量當(dāng)前狀態(tài)的健康度。
[0021] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:
[0022] (1)本發(fā)明針對(duì)離心栗工況條件復(fù)雜多變,采集的振動(dòng)信號(hào)非線性強(qiáng),單一故障與 混合故障并存,現(xiàn)有的離心栗故障診斷與健康評(píng)估方法不多,缺少整套方法的現(xiàn)狀,提出了 一種離心栗故障診斷與健康評(píng)估的有效方法,提取了更具可分性、更簡約穩(wěn)定的故障特征, 從而改善了故障診斷與健康評(píng)估的效果。
[0023] (2)、本發(fā)明針對(duì)離心栗振動(dòng)信號(hào)非線性非平穩(wěn)非高斯的特點(diǎn),應(yīng)用小波包分析方 法將原始振動(dòng)信號(hào)分解若干個(gè)小波分量,得到了原始信號(hào)的高低頻分量;并提取每個(gè)小波 分量的小波能量值作為故障特征,通過各種健康狀態(tài)下的振動(dòng)能量有效地反映了故障信 息。
[0024] (3)本發(fā)明針對(duì)提取的高維小波能量特征向量,應(yīng)用流形學(xué)習(xí)方法進(jìn)行特征降維, 以獲取更具可分性、更簡約穩(wěn)定的故障特征向量。
[0025] (4)本發(fā)明應(yīng)用DTW度量測試數(shù)據(jù)與樣本數(shù)據(jù)間的相似性,使故障狀態(tài)匹配和健 康評(píng)估的過程更為簡單,提高了運(yùn)算