一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法
【專(zhuān)利摘要】一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法：用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)組故障識(shí)別；對(duì)14類(lèi)典型故障數(shù)據(jù)通過(guò)全息譜分析或時(shí)域統(tǒng)計(jì)分析獲得所有14類(lèi)故障的特征值，所有的特征值構(gòu)成特征向量；將14類(lèi)樣本特征向量分別作為14類(lèi)模式單元的權(quán)向量Wj；選取待診斷數(shù)據(jù)進(jìn)行全息譜分析獲取特征向量作為神經(jīng)網(wǎng)絡(luò)輸入層的輸入向量Xj，將輸入樣本數(shù)據(jù)與訓(xùn)練樣本數(shù)據(jù)采用相同的參數(shù)；將每個(gè)模式單元的輸入向量Xj與權(quán)向量Wj進(jìn)行標(biāo)量積運(yùn)算；對(duì)同一故障模式所對(duì)應(yīng)的模式單元的輸出g(Zj)求和以估計(jì)該種故障的概率密度；將14類(lèi)故障模式對(duì)應(yīng)的14個(gè)累加層的輸出fR(X)作為輸入通過(guò)貝葉斯判定策略判定故障模式。本發(fā)明能夠充分利用領(lǐng)域的專(zhuān)家經(jīng)驗(yàn)，降低了對(duì)使用者自身經(jīng)驗(yàn)的要求。
【專(zhuān)利說(shuō)明】一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種機(jī)組故障診斷方法。特別是涉及ー種基于全狀態(tài)信息的機(jī)組故障快速診斷方法。
【背景技術(shù)】
[0002]在旋轉(zhuǎn)機(jī)械的眾多診斷方法中，無(wú)論是時(shí)域分析、頻譜分析，還是全息譜分析方法，都需要豐富的經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)，對(duì)操作者的技術(shù)水平要求都比較高?，F(xiàn)有的狀態(tài)監(jiān)測(cè)和診斷系統(tǒng)也大都只是提供了ー些分析的手段，要得出結(jié)論還需要專(zhuān)業(yè)技術(shù)人員來(lái)分析。然而計(jì)算機(jī)和人工智能的發(fā)展為旋轉(zhuǎn)機(jī)械的故障診斷提供了新的發(fā)展方向。將人工智能方法引入旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域，使傳統(tǒng)的診斷方法與人工智能技術(shù)相結(jié)合，能夠充分利用領(lǐng)域的專(zhuān)家經(jīng)驗(yàn)，提高診斷的智能化水平，實(shí)現(xiàn)快捷診斷。傳統(tǒng)的智能診斷方法是采用基于符號(hào)推理的專(zhuān)家系統(tǒng)。但專(zhuān)家系統(tǒng)存在知識(shí)獲取困難、推理機(jī)制具有局限性、組合爆炸等難以克服的問(wèn)題，使其應(yīng)用達(dá)不到期望的效果。人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的出現(xiàn)為故障診斷智能化提供了全新的途徑。人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生理學(xué)和心理學(xué)的研究基礎(chǔ)上，用大量簡(jiǎn)單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)，用以模擬動(dòng)物的大腦神經(jīng)單元結(jié)構(gòu)而建立的ー種非線性動(dòng)力學(xué)網(wǎng)絡(luò)系統(tǒng)。利用人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)大機(jī)組的智能分類(lèi)系統(tǒng)，對(duì)神經(jīng)網(wǎng)絡(luò)的分類(lèi)性能和學(xué)習(xí)速度提出了很高的要求。
[0003]就工程應(yīng)用領(lǐng)域來(lái)說(shuō)，目前最廣泛使用的神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)及其各種改進(jìn)形式，BP網(wǎng)絡(luò)是ー種典型的全局逼近網(wǎng)絡(luò)，對(duì)每ー個(gè)輸入輸出數(shù)據(jù)對(duì)，網(wǎng)絡(luò)的每ー個(gè)權(quán)值都需要進(jìn)行調(diào)整，這導(dǎo)致BP網(wǎng)絡(luò)在處理復(fù)雜問(wèn)題時(shí)，存在局部極小及算法收斂速度慢等問(wèn)題，嚴(yán)重限制了 BP網(wǎng)絡(luò)的應(yīng)用。徑向基函數(shù)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)的提出很好的解決了 BP算法收斂慢的問(wèn)題，同時(shí)具有較高的分類(lèi)精度，在模式識(shí)別與分類(lèi)領(lǐng)域獲得了廣泛的應(yīng)用。另外由于傳統(tǒng)的依據(jù)全息譜圖來(lái)進(jìn)行狀態(tài)評(píng)估方法過(guò)于依賴(lài)經(jīng)驗(yàn)，傳統(tǒng)的旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)和故障診斷對(duì)于使用者自身經(jīng)驗(yàn)的要求較高，這對(duì)于故障檢測(cè)診斷技術(shù)的發(fā)展產(chǎn)生了限制。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問(wèn)題是，提供ー種利用概率神經(jīng)網(wǎng)絡(luò)使傳統(tǒng)的診斷方法與人工智能技術(shù)相結(jié)合，能夠充分利用領(lǐng)域的專(zhuān)家經(jīng)驗(yàn)，降低了對(duì)使用者自身經(jīng)驗(yàn)的要求的一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法。
[0005]本發(fā)明所采用的技術(shù)方案是:一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，包括如下步驟:
[0006]I)用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)組故障識(shí)別，所述神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是一個(gè)四層的前向網(wǎng)絡(luò)，包括輸入層、模式層、累加層和輸出層，首先獲旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障的樣本數(shù)據(jù)，SP故障轉(zhuǎn)子同一截面上相互垂直的X通道和Y通道的振動(dòng)信號(hào)的故障，進(jìn)行訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練樣本數(shù)據(jù)是采用已有的確定故障類(lèi)型的機(jī)組數(shù)據(jù)，或采用可能故障類(lèi)型的數(shù)值模擬數(shù)據(jù)來(lái)構(gòu)造訓(xùn)練樣本數(shù)據(jù)，為了考慮測(cè)量噪聲的影響，產(chǎn)生訓(xùn)練樣本的模擬數(shù)據(jù)中加入一定 的噪聲；[0007]2)對(duì)14類(lèi)典型故障數(shù)據(jù)通過(guò)全息譜分析或時(shí)域統(tǒng)計(jì)分析獲得所有14類(lèi)故障的特 征值，所有的特征值構(gòu)成特征向量；[0008]3)將步驟2)得到的14類(lèi)樣本特征向量分別作為14類(lèi)模式單元的權(quán)向量％ ；[0009]4)選取待診斷數(shù)據(jù)進(jìn)行全息譜分析獲取特征向量作為神經(jīng)網(wǎng)絡(luò)輸入層的輸入向 量將輸入樣本數(shù)據(jù)與訓(xùn)練樣本數(shù)據(jù)采用相同的參數(shù)；[0010]5)將每個(gè)模式單兀的輸入向量Xj與權(quán)向量Wj進(jìn)行標(biāo)量積運(yùn)算，即Zj=Xj *Wj,然后 對(duì)A進(jìn)行非線性運(yùn)算；[0011]6)對(duì)同一故障模式所對(duì)應(yīng)的模式單元的輸出g(zp求和以估計(jì)該種故障的概率密 度，即m[0012]fR (X) =Σ>(ζ/);其中，R表示一種故障模式；[0013]7)將14類(lèi)故障模式對(duì)應(yīng)的14個(gè)累加層的輸出fK(X)作為輸入，其中，R表示一種 故障模式，進(jìn)入判定單元即輸出層，通過(guò)貝葉斯判定策略判定故障模式。[0014]步驟I)所述的旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障包括:工頻故障、不對(duì)中、橫向裂紋、動(dòng)靜碰 摩、旋轉(zhuǎn)脫離、油膜渦動(dòng)、傳感器故障、交流干擾、低頻激振、高頻激振、喘振、流體激勵(lì)、支座 松動(dòng)和氣封磨損。[0015]步驟2)所述的14類(lèi)故障所對(duì)應(yīng)的特征值如下:[0016]工頻故障:工頻全息橢圓大小及偏心率[0017]不對(duì)中:2X全息橢圓大小及偏心率，3X全息橢圓大小[0018]橫向裂紋:1X全息橢圓大小，2X全息橢圓大小及偏心率[0019]動(dòng)靜碰摩:高倍頻分量的全息橢圓大小和偏心率[0020]旋轉(zhuǎn)脫離:0.7?0.86X倍頻范圍內(nèi)的全息橢圓大小及相對(duì)于工頻橢圓的進(jìn)動(dòng)方 向[0021]油膜渦動(dòng):0.4?0.52X頻率范圍內(nèi)的全息橢圓大小及偏心率[0022]傳感器故障:各個(gè)倍頻橢圓的偏心率及偏斜角[0023]交流干擾:50Hz處全息橢圓的偏斜角及偏心率[0024]低頻激振:低頻區(qū)存在與工頻無(wú)關(guān)的自激頻率分量[0025]高頻激振:高頻區(qū)存在與轉(zhuǎn)子工頻無(wú)關(guān)、獨(dú)立的自激分量[0026]喘振:低頻濾波時(shí)域統(tǒng)計(jì)特征值[0027]流體激勵(lì):低頻濾波時(shí)域統(tǒng)計(jì)特征值[0028]支座松動(dòng):低頻濾波時(shí)域統(tǒng)計(jì)特征值[0029]氣封磨損:低頻濾波時(shí)域統(tǒng)計(jì)特征值。[0030]步驟4)中為了使概率神經(jīng)網(wǎng)絡(luò)獲得準(zhǔn)確的機(jī)組信息，選取旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故 障的樣本數(shù)據(jù)所對(duì)應(yīng)的故障的特征值利用全息譜方法來(lái)獲取振動(dòng)信號(hào)的特征量。[0031 ] 步驟5)中所述的非線性運(yùn)算，是采用g (Zj) =exp [ (ZrI) /o2],如果Xi和Wi都標(biāo)準(zhǔn) 化到單位長(zhǎng)度，上式等價(jià)于S(Zj)=Mp [-Wj-X)τ (Wj-X)/2 ο2]，其中，。為平滑參數(shù)，不同的 平滑參數(shù)σ值對(duì)fA(X)的影響不同，較小的σ值使得估計(jì)的母體密度函數(shù)對(duì)應(yīng)于訓(xùn)練樣本的位置具有不同的模式，較大的σ值，在各點(diǎn)間產(chǎn)生較大等級(jí)的內(nèi)插，靠近訓(xùn)練樣本的X 值，估計(jì)具有大約與給定樣本相同的出現(xiàn)概率。需要根據(jù)不同的實(shí)際情況選擇適當(dāng)平滑值； T表示矩陣的轉(zhuǎn)置。[0032]本發(fā)明的一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，利用概率神經(jīng)網(wǎng)絡(luò)使傳統(tǒng)的診斷方法與人工智能技術(shù)相結(jié)合，根據(jù)全息譜能可靠綜合地對(duì)反映機(jī)組的振動(dòng)情況的特點(diǎn)，來(lái)獲取振動(dòng)信號(hào)的特征量，將常見(jiàn)故障樣本數(shù)據(jù)進(jìn)行全息譜獲得的特征量作為權(quán)向量對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，待診斷數(shù)據(jù)進(jìn)行全息譜分析后的特征量作為網(wǎng)絡(luò)輸入，這樣的神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快，同時(shí)又通過(guò)貝葉斯判定策略對(duì)機(jī)組故障類(lèi)別進(jìn)行合理判定，為旋轉(zhuǎn)機(jī)械故障診斷的自動(dòng)化和智能化指引了方向。本發(fā)明能夠充分利用領(lǐng)域的專(zhuān)家經(jīng)驗(yàn)，降低了對(duì)使用者自身經(jīng)驗(yàn)的要求?！緦?zhuān)利附圖】

【附圖說(shuō)明】 [0033]圖1是概率神經(jīng)網(wǎng)絡(luò)構(gòu)造網(wǎng)[0034]其中，a輸入層；b模式層；c累加層；d輸出層；[0035]圖2是模式層節(jié)點(diǎn)示意圖；[0036]圖3是輸出節(jié)點(diǎn)示意圖；[0037]圖4是旋轉(zhuǎn)機(jī)械組合故障網(wǎng)絡(luò)分類(lèi)器?！揪唧w實(shí)施方式】[0038]下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明的一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法做出詳細(xì)說(shuō)明。[0039]概率神經(jīng)網(wǎng)絡(luò)(Probabilistic neural network, PNN)是從多變量模式分類(lèi)的 Bayes準(zhǔn)則發(fā)展而來(lái)。圖1為將輸入樣本分成兩類(lèi)的概率神經(jīng)網(wǎng)絡(luò)的構(gòu)造，為四層的前向網(wǎng)絡(luò)，包括:輸入層、模式層、累加層和輸出層。輸入層僅僅是將輸入樣本完全不變地傳給模式層的各個(gè)節(jié)點(diǎn)；每一個(gè)模式層節(jié)點(diǎn)，如圖2所示，其功能是將輸入節(jié)點(diǎn)傳來(lái)的輸入進(jìn)行加權(quán)求和，然后經(jīng)過(guò)一個(gè)非線性算子運(yùn)算后，再傳給累加層，這里非線性算子采用[0040]g (Zj) =exp[ (Zj-1)/σ 2](1-1)[0041]如果X和Wj都標(biāo)準(zhǔn)化到單位長(zhǎng)度，式(I)等價(jià)于[0042]g (Zj) =exp [- (WrX)T (WrX) /2 σ 2](1-2)[0043]累加層只是簡(jiǎn)單地將由對(duì)應(yīng)與訓(xùn)練樣本中同一類(lèi)的模式層傳來(lái)的輸入進(jìn)行累加， 即m[0044]/,(Χ)=Σ?(Ζ,)(1-3)J=I[0045]圖1的概率神經(jīng)網(wǎng)絡(luò)完全等效于采用高斯核的多變量概率密度函數(shù)(HF)(下式) 時(shí)的Bayes模式分類(lèi)方法。I I ? (X-A", )ι (X-X ,)[0046]/, (X)=、一ZexP[--(1 4>(2π) σ m2σ[0047]其中X為輸入樣本向量，s為樣本向量的變量個(gè)數(shù)，X Aj為屬A類(lèi)的第j個(gè)訓(xùn)練樣本向量，在概率神經(jīng)網(wǎng)絡(luò)中作為權(quán)值，m表示屬于A類(lèi)的訓(xùn)練樣本向量個(gè)數(shù)，R為光滑系數(shù)。[0048]輸出層，也稱(chēng)決策層，其節(jié)點(diǎn)如圖3所示，它產(chǎn)生一個(gè)二值輸出，其中權(quán)值C等于負(fù)的兩類(lèi)的先驗(yàn)概率比除以?xún)深?lèi)的訓(xùn)練樣本數(shù)比?,? IBk nAl[0049]Ck = -------(1-5)hA1A nBt[0050]式中，、=來(lái)自Ak類(lèi)的訓(xùn)練模式數(shù)，[0051]n)=來(lái)自Bk類(lèi)的訓(xùn)練模式數(shù)。[0052]這是一種普通的概率神經(jīng)網(wǎng)絡(luò)，不需要學(xué)習(xí)，所謂的訓(xùn)練，只要將各類(lèi)的訓(xùn)練樣本作為輸入層與模式層的權(quán)值即可，并且所有類(lèi)都采用同一光滑系數(shù)R。當(dāng)一組樣本輸入后， 網(wǎng)絡(luò)會(huì)輸出一個(gè)值，如輸出為I，表不該組樣本歸為A類(lèi)，-1表不歸為B類(lèi)。[0053]為了提高概率神經(jīng)網(wǎng)絡(luò)的分類(lèi)能力，可以改進(jìn)概率神經(jīng)網(wǎng)絡(luò)，使各模式類(lèi)訓(xùn)練樣本采用不同的光滑系數(shù)R，訓(xùn)練的過(guò)程是利用訓(xùn)練樣本通過(guò)優(yōu)化方法確定各個(gè)光滑系數(shù)R， 這樣訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的分類(lèi)效果比普通概率神經(jīng)網(wǎng)絡(luò)要好。[0054]為了便于進(jìn)行旋轉(zhuǎn)機(jī)械的故障智能診斷，我們必須對(duì)轉(zhuǎn)子的故障進(jìn)行科學(xué)的分類(lèi)。同時(shí)，振動(dòng)信號(hào)的采樣點(diǎn)數(shù)都比較多，直接將時(shí)域樣本輸入神經(jīng)網(wǎng)絡(luò)顯然不大可行，我們需要借助諸如FFT、全息譜等信號(hào)處理手段，從信號(hào)中提取某些時(shí)域或頻域特征，應(yīng)用這些特征來(lái)進(jìn)行診斷。借助先進(jìn)的信號(hào)分析方法，包括時(shí)頻分析和全息譜等方法，可將轉(zhuǎn)子的常見(jiàn)故障分為十四種模式，各種故障及其對(duì)應(yīng)的識(shí)別特征列于表1。[0055]這些識(shí)別特征總的來(lái)說(shuō)可以分為3類(lèi)，第一類(lèi)包括表1中的故障I到故障7，這一類(lèi)根據(jù)與回轉(zhuǎn)頻率有關(guān)的某些頻率成分全息橢圓的大小、偏心率、旋向、偏斜角等特征來(lái)判定，例如工頻故障可以根據(jù)工頻橢圓的大小和偏心率來(lái)識(shí)別；第二類(lèi)為表1中的故障8到故障10，這類(lèi)根據(jù)某些特定頻率(與轉(zhuǎn)頻無(wú)關(guān))的全息橢圓的特征來(lái)判定，如交流干擾可以根據(jù)50Hz頻率處的全息橢圓的傾斜角和偏心率來(lái)判定；第三類(lèi)包括喘振、流體激勵(lì)、氣封磨損和支座松動(dòng)，這四種故障在頻域內(nèi)的特征均為低頻區(qū)存在有色噪聲帶，采用頻域特征分析的方法很難將它們區(qū)分開(kāi)來(lái)，但其低頻濾波軸心軌跡確呈現(xiàn)出不同的特征，由時(shí)域分析技術(shù)可知，低頻濾波軸心軌跡的復(fù)雜性可反映在垂直、水平方向的波形分布參數(shù)上，因此通過(guò)低頻段波形的時(shí)域統(tǒng)計(jì)特征值(時(shí)域方差和偏斜度)的方法來(lái)進(jìn)行判定，具有很好的效果O[0056]在神經(jīng)網(wǎng)絡(luò)中，如果各輸入向量變化的靈敏度不一致，將給故障識(shí)別帶來(lái)極大困難。因此上述提取的特征參量需要經(jīng)過(guò)規(guī)一化處理后再輸入分類(lèi)器。這里，對(duì)所有許多只有模糊邊界限制的特征量采用sigmoid函數(shù)進(jìn)行規(guī)一化處理:[0057]/(x):1 + g—(L/，(!- 6)[0058]其中k為實(shí)際設(shè)定或限制值，Θ為敏感系數(shù)。[0059]大型回轉(zhuǎn)機(jī)械其設(shè)備結(jié)構(gòu)復(fù)雜，在實(shí)際現(xiàn)場(chǎng)運(yùn)行過(guò)程中，造成機(jī)組故障的因素十分復(fù)雜而且繁多，因此大機(jī)組中存在的故障類(lèi)型也是多種多樣的，不僅會(huì)出現(xiàn)單一種類(lèi)的故障，也會(huì)存在多種故障同時(shí)并存的現(xiàn)象。以單一故障的特征作為故障識(shí)別特征，在組合故障發(fā)生的情況下，難以做出正確而有效的識(shí)別。[0060]對(duì)于組合故障的識(shí)別，要利用組合網(wǎng)絡(luò)的方法。組合網(wǎng)絡(luò)的方法實(shí)際上是一個(gè)多子網(wǎng)的故障診斷方法，每種子網(wǎng)對(duì)應(yīng)于一種特定的故障狀態(tài)。組合網(wǎng)絡(luò)的方法可以大大降低對(duì)系統(tǒng)訓(xùn)練的要求，同時(shí)簡(jiǎn)化了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。本發(fā)明采用組合網(wǎng)絡(luò)的方法來(lái)實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械組合故障的識(shí)別。采用的組合網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4所示。每種獨(dú)立故障采用一個(gè)診斷子網(wǎng)絡(luò)，每個(gè)診斷子網(wǎng)絡(luò)的輸入層為故障識(shí)別特征層，其節(jié)點(diǎn)數(shù)目與該故障的識(shí)別特征數(shù)目對(duì)應(yīng)，輸出層節(jié)點(diǎn)數(shù)目為2，分別表示存在該種故障與不存在該種故障，輸出層將根據(jù)貝葉斯分類(lèi)規(guī)則，輸出該網(wǎng)絡(luò)的診斷結(jié)果。例如不對(duì)中故障，其故障識(shí)別特征為轉(zhuǎn)子 2X、3X倍頻橢圓大小以及二倍頻橢圓偏心率，則其輸入層節(jié)點(diǎn)數(shù)目為3，輸出層節(jié)點(diǎn)數(shù)目為 2，其狀態(tài)為[1，0]時(shí)表示存在不對(duì)中故障，為[0，1]表示不存在不對(duì)中故障。[0061]組合網(wǎng)絡(luò)診斷故障的過(guò)程如下:振動(dòng)信號(hào)特征向量經(jīng)過(guò)特征向量分配單元分配給各個(gè)診斷子網(wǎng)絡(luò)，然后各個(gè)診斷子網(wǎng)絡(luò)進(jìn)行診斷，給出識(shí)別結(jié)果，機(jī)組狀態(tài)分析單元綜合各個(gè)診斷子網(wǎng)絡(luò)的輸出結(jié)果，給出機(jī)組的當(dāng)前故障狀態(tài)。[0062]本發(fā)明的一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，包括如下步驟:[0063]I)用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)組故障識(shí)別，所述神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，是一個(gè)四層的前向網(wǎng)絡(luò)，包括輸入層、模式層、累加層和輸出層，首先獲取表1中所給出的旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障的樣本數(shù)據(jù)，即故障轉(zhuǎn)子同一截面上相互垂直的X通道和Y通道的振動(dòng)信號(hào)的故障，進(jìn)行訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練樣本數(shù)據(jù)是采用已有的確定故障類(lèi)型的機(jī)組數(shù)據(jù)，或采用可能故障類(lèi)型的數(shù)值模擬數(shù)據(jù)來(lái)構(gòu)造訓(xùn)練樣本數(shù)據(jù)，為了考慮測(cè)量噪聲的影響，產(chǎn)生訓(xùn)練樣本的模擬數(shù)據(jù)中加入一定的噪聲；所述的旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障包括:工頻故障、不對(duì)中、橫向裂紋、動(dòng)靜碰摩、旋轉(zhuǎn)脫離、油膜渦動(dòng)、傳感器故障、交流干擾、低頻激振、高頻激振、喘振、流體激勵(lì)、支座松動(dòng)和氣封磨損。[0064]2)對(duì)14類(lèi)典型故障數(shù)據(jù)通過(guò)全息譜分析或時(shí)域統(tǒng)計(jì)分析獲得表1中相應(yīng)的表征所有14類(lèi)故障的特征值，例如工頻故障對(duì)應(yīng)的特征值是工頻全息橢圓大小及偏心率。所有的特征值構(gòu)成特征向量；所述的14類(lèi)故障所對(duì)應(yīng)的特征值如表1所示:[0065]表1旋轉(zhuǎn)機(jī)械常見(jiàn)故障分類(lèi)及特征
【權(quán)利要求】
1.一種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，其特征在于，包括如下步驟: 1)用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)組故障識(shí)別，所述神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是一個(gè)四層的前向網(wǎng)絡(luò)，包括輸入層、模式層、累加層和輸出層，首先獲旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障的樣本數(shù)據(jù)，即故障轉(zhuǎn)子同一截面上相互垂直的X通道和Y通道的振動(dòng)信號(hào)的故障，進(jìn)行訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練樣本數(shù)據(jù)是采用已有的確定故障類(lèi)型的機(jī)組數(shù)據(jù)，或采用可能故障類(lèi)型的數(shù)值模擬數(shù)據(jù)來(lái)構(gòu)造訓(xùn)練樣本數(shù)據(jù)，為了考慮測(cè)量噪聲的影響，產(chǎn)生訓(xùn)練樣本的模擬數(shù)據(jù)中加入一定的噪聲； 2)對(duì)14類(lèi)典型故障數(shù)據(jù)通過(guò)全息譜分析或時(shí)域統(tǒng)計(jì)分析獲得所有14類(lèi)故障的特征值，所有的特征值構(gòu)成特征向量； 3)將步驟2)得到的14類(lèi)樣本特征向量分別作為14類(lèi)模式単元的權(quán)向量Wj； 4)選取待診斷數(shù)據(jù)進(jìn)行全息譜分析獲取特征向量作為神經(jīng)網(wǎng)絡(luò)輸入層的輸入向量將輸入樣本數(shù)據(jù)與訓(xùn) 練樣本數(shù)據(jù)采用相同的參數(shù)； 5)將每個(gè)模式單元的輸入向量Xj與權(quán)向量Wj進(jìn)行標(biāo)量積運(yùn)算，即Zj=Xj-Wj，然后對(duì)1、進(jìn)行非線性運(yùn)算； 6)對(duì)同一故障模式所對(duì)應(yīng)的模式單元的輸出g(zp求和以估計(jì)該種故障的概率密度，
m即fR (X) =y^giZj);其中，R表不一種故障模式； 7)將14類(lèi)故障模式對(duì)應(yīng)的14個(gè)累加層的輸出fK(X)作為輸入，其中，R表不一種故障模式，進(jìn)入判定單元即輸出層，通過(guò)貝葉斯判定策略判定故障模式。
2.根據(jù)權(quán)利要求1所述的ー種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，其特征在于，步驟I)所述的旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障包括:エ頻故障、不對(duì)中、橫向裂紋、動(dòng)靜碰摩、旋轉(zhuǎn)脫離、油膜渦動(dòng)、傳感器故障、交流干擾、低頻激振、高頻激振、喘振、流體激勵(lì)、支座松動(dòng)和氣封磨損。
3.根據(jù)權(quán)利要求1所述的ー種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，其特征在于，步驟2)所述的14類(lèi)故障所對(duì)應(yīng)的特征值如下: エ頻故障:エ頻全息橢圓大小及偏心率 不對(duì)中:2X全息橢圓大小及偏心率，3X全息橢圓大小 橫向裂紋:1X全息橢圓大小，2X全息橢圓大小及偏心率 動(dòng)靜碰摩:高倍頻分量的全息橢圓大小和偏心率 旋轉(zhuǎn)脫離:0.7~0.86X倍頻范圍內(nèi)的全息橢圓大小及相對(duì)于エ頻橢圓的進(jìn)動(dòng)方向 油膜渦動(dòng):0.4~0.52X頻率范圍內(nèi)的全息橢圓大小及偏心率 傳感器故障:各個(gè)倍頻橢圓的偏心率及偏斜角 交流干擾:50Hz處全息橢圓的偏斜角及偏心率 低頻激振:低頻區(qū)存在與エ頻無(wú)關(guān)的自激頻率分量 高頻激振:高頻區(qū)存在與轉(zhuǎn)子エ頻無(wú)關(guān)、獨(dú)立的自激分量 喘振:低頻濾波時(shí)域統(tǒng)計(jì)特征值 流體激勵(lì):低頻濾波時(shí)域統(tǒng)計(jì)特征值 支座松動(dòng):低頻濾波時(shí)域統(tǒng)計(jì)特征值 氣封磨損:低頻濾波時(shí)域統(tǒng)計(jì)特征值。
4.根據(jù)權(quán)利要求1所述的ー種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，其特征在于，步驟4)中為了使概率神經(jīng)網(wǎng)絡(luò)獲得準(zhǔn)確的機(jī)組信息，選取旋轉(zhuǎn)機(jī)械14類(lèi)常見(jiàn)故障的樣本數(shù)據(jù)所對(duì)應(yīng)的故障的特征值利用全息譜方法來(lái)獲取振動(dòng)信號(hào)的特征量。
5.根據(jù)權(quán)利要求1所述的ー種基于全狀態(tài)信息的機(jī)組故障快速診斷方法，其特征在于，步驟5)中所述的非線性運(yùn)算，是采用g (Zj) =exp [ (Zj-1) / o 2],如果Xi和Wi都標(biāo)準(zhǔn)化到單位長(zhǎng)度，上式等價(jià)于S(Zj)=Mp [-Wj-X)T (Wj-X)/2 O2]，其中，O為平滑參數(shù)，不同的平滑參數(shù)O值對(duì)fA(X)的影響不同，較小的O值使得估計(jì)的母體密度函數(shù)對(duì)應(yīng)于訓(xùn)練樣本的位置具有不同的模式，較大的O值，在各點(diǎn)間產(chǎn)生較大等級(jí)的內(nèi)插，靠近訓(xùn)練樣本的X值，估計(jì)具有大約與給定樣本相同的出現(xiàn)概率。需要根據(jù)不同的實(shí)際情況選擇適當(dāng)平滑值；T表示矩陣的轉(zhuǎn)置。`
【文檔編號(hào)】G01M99/00GK103558042SQ201310515885
【公開(kāi)日】2014年2月5日 申請(qǐng)日期:2013年10月28日 優(yōu)先權(quán)日:2013年10月28日
【發(fā)明者】劉春旺, 溫廣瑞, 李濤, 屈世棟, 侯振宇, 廖與禾, 馮世杰, 高麗巖, 臧廷朋, 山崧, 李楊, 江鋮 申請(qǐng)人:中國(guó)石油化工股份有限公司