一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法
【專利摘要】本發(fā)明公開了一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，包括：對(duì)分布式設(shè)備監(jiān)測(cè)網(wǎng)絡(luò)中單傳感器振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理和故障特征提?。灰灶悆?nèi)類間距離作為遺傳算法的評(píng)價(jià)函數(shù)，優(yōu)化選取對(duì)故障敏感的特征參量；通過訓(xùn)練正常類樣本集，建立基于支持向量數(shù)據(jù)描述的單值分類器模型進(jìn)行初始故障識(shí)別；依據(jù)不同測(cè)點(diǎn)故障分類器的輸出信息構(gòu)造證據(jù)的基本概率指派函數(shù)，采用證據(jù)組合規(guī)則合成證據(jù)集，做出決策結(jié)果。本發(fā)明提供一種振動(dòng)信息層級(jí)式融合的設(shè)備聲學(xué)故障識(shí)別定位方法，采用多特征綜合分析的模式識(shí)別技術(shù)，充分利用了不同測(cè)點(diǎn)振動(dòng)信息，具有較強(qiáng)的泛化能力，解決了因設(shè)備結(jié)構(gòu)復(fù)雜而難以建立精確數(shù)學(xué)建模進(jìn)行故障識(shí)別定位的問題。
【專利說明】一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及機(jī)械設(shè)備聲學(xué)故障診斷【技術(shù)領(lǐng)域】，特別是分布式監(jiān)測(cè)網(wǎng)絡(luò)中復(fù)雜設(shè)備的聲學(xué)故障識(shí)別定位方法。
【背景技術(shù)】
[0002]隨著科學(xué)技術(shù)的迅猛發(fā)展，電力、交通、礦山等工礦企業(yè)中各類機(jī)械設(shè)備，如水泵、內(nèi)燃機(jī)、渦輪機(jī)、風(fēng)機(jī)、化工設(shè)備，正朝著大型化、復(fù)雜化、高速化、自動(dòng)化方向發(fā)展。設(shè)備不同部件間的相互聯(lián)系、耦合程度日益緊密，往往一個(gè)部件出現(xiàn)微小故障，將發(fā)生連鎖反應(yīng)，輕則降低生產(chǎn)效率、設(shè)備停機(jī)，重則發(fā)生機(jī)毀人亡等惡性事故，給人民的生命、財(cái)產(chǎn)和生存環(huán)境帶來了嚴(yán)重威脅。為確保關(guān)鍵設(shè)備安全、可靠、高效的運(yùn)行，有計(jì)劃、有組織、有針對(duì)地對(duì)關(guān)鍵設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)與故障診斷，做到盡早地發(fā)現(xiàn)設(shè)備在運(yùn)行過程中的各種隱患，從而防止災(zāi)難性事故的發(fā)生，成為機(jī)械設(shè)備故障診斷所面臨和解決的首要問題。
[0003]鑒于設(shè)備故障帶來的嚴(yán)重危害，國(guó)內(nèi)外發(fā)展了一些故障診斷方法，如:振動(dòng)診斷、聲學(xué)診斷、氣體分析、光譜診斷、溫度檢測(cè)法，等等，這些檢測(cè)方法各有優(yōu)缺點(diǎn)。基于上述檢測(cè)原理或方法，英、美、德、瑞士等國(guó)相繼研制出具有不同功能、滿足不同應(yīng)用場(chǎng)合的相關(guān)診斷儀及在線監(jiān)控系統(tǒng)；單臺(tái)儀器方面，如日本精工公司(NSK)的NB系列軸承監(jiān)測(cè)儀，它依據(jù)l_15kHz范圍內(nèi)振動(dòng)信號(hào)的均方根和峰值特征來檢測(cè)軸承故障，以及瑞典斯凱孚公司(SKF)的BT-2000A軸承故障檢測(cè)儀。在線監(jiān)控系統(tǒng)方面，有美國(guó)的貨車滾動(dòng)軸承軌邊聲學(xué)診斷系統(tǒng)(TADS)，美國(guó)Bently Nevada公司的7200系列、9000系列產(chǎn)品，IRD公司的IQ/2000系統(tǒng)，B&K公司的COMPASS狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)，日本三菱重工的機(jī)械狀態(tài)監(jiān)測(cè)系統(tǒng)(MHMS)，并在多臺(tái)核電站和商業(yè)熱電站使用，后來發(fā)展為帶診斷規(guī)則描述的振動(dòng)診斷專豕系統(tǒng)，等等。
[0004]盡管在設(shè)備故障診斷方面取得了一定的研究成果，但還存在如下一些問題:1)由于設(shè)備結(jié)構(gòu)日趨復(fù)雜，且設(shè)備部件之間耦合較為嚴(yán)重，很難通過建立精確的數(shù)學(xué)模型進(jìn)行設(shè)備故障識(shí)別定位；2)現(xiàn)有故障識(shí)別方法大多采用單一參量或標(biāo)準(zhǔn)進(jìn)行診斷，可靠性較差，同時(shí)從國(guó)外引進(jìn)的先進(jìn)在線監(jiān)測(cè)系統(tǒng)價(jià)格較為昂貴。例如:鐵道部2003年引進(jìn)美國(guó)滾動(dòng)軸承軌邊聲學(xué)診斷系統(tǒng)(Trackside Acoustic Detection System, TADS),單個(gè)測(cè)點(diǎn)需要約60萬美元(共部署60個(gè)測(cè)點(diǎn))，還不包括后期維護(hù)以及幾年之后設(shè)備更新費(fèi)用。
[0005]受噪聲、時(shí)變效應(yīng)和環(huán)境變化等因素的影響，單測(cè)點(diǎn)傳感器的檢測(cè)信息具有不確定性和模糊性。針對(duì)日趨復(fù)雜的機(jī)械設(shè)備系統(tǒng)，往往需要部署多個(gè)測(cè)點(diǎn)進(jìn)行分布式的網(wǎng)絡(luò)化監(jiān)測(cè)，其檢測(cè)信息表現(xiàn)出形式上的不確定性、多樣性、數(shù)量的巨大性和關(guān)系的復(fù)雜性，傳統(tǒng)的信號(hào)處理、分析技術(shù)難以有效處理。具體來說，需要解決以下問題:(1)如何從包含強(qiáng)背景噪聲的混合檢測(cè)信號(hào)中提取出單設(shè)備的多類故障特征信息，并優(yōu)化選取出對(duì)設(shè)備故障敏感的特征量，以降低多設(shè)備聲學(xué)故障診斷系統(tǒng)的數(shù)據(jù)處理量和通信量；(2)如何利用設(shè)備正常運(yùn)行以及發(fā)生故障時(shí)所收集的非線性、小樣本數(shù)據(jù)，通過深層次的知識(shí)加工學(xué)習(xí)，建立具有較高正確識(shí)別率和較強(qiáng)推廣能力的定性的設(shè)備聲學(xué)故障實(shí)時(shí)預(yù)測(cè)模型；(3)處于不同監(jiān)測(cè)位置的多節(jié)點(diǎn)診斷結(jié)果間聯(lián)合決策方法。
[0006]針對(duì)以上問題，很難通過單一的數(shù)據(jù)處理方法予以解決，本發(fā)明有機(jī)結(jié)合小波包分析、支持向量數(shù)據(jù)描述(Support Vector Data Description, VO)D)、證據(jù)理論等多種處理方法，給出一種基于數(shù)據(jù)挖掘和信息融合技術(shù)的復(fù)雜設(shè)備聲學(xué)故障識(shí)別方法，建立包括特征級(jí)、數(shù)據(jù)級(jí)到?jīng)Q策級(jí)的層級(jí)式聲學(xué)故障模型。該方法可對(duì)監(jiān)測(cè)網(wǎng)絡(luò)中各類檢測(cè)信息進(jìn)行多級(jí)別、多層面的融合處理，達(dá)到準(zhǔn)確識(shí)別設(shè)備是否發(fā)生故障的目的，滿足設(shè)備網(wǎng)絡(luò)化、實(shí)時(shí)監(jiān)測(cè)需求。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是提供一種分布式多測(cè)點(diǎn)監(jiān)測(cè)網(wǎng)絡(luò)的復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，通過對(duì)網(wǎng)絡(luò)中設(shè)備不同測(cè)點(diǎn)的加速度信號(hào)進(jìn)行層級(jí)式的融合處理，以降低基于單測(cè)點(diǎn)傳感器信息故障識(shí)別過程中的不確定性或誤識(shí)率，提高識(shí)別的準(zhǔn)確率。
[0008]一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，具體包括以下步驟:
[0009]1、利用小波變換、時(shí)域統(tǒng)計(jì)分析技術(shù)，對(duì)單測(cè)點(diǎn)處加速度傳感器采集的信號(hào)進(jìn)行數(shù)據(jù)級(jí)預(yù)處理，提取出相對(duì)完備的聲學(xué)故障特征參數(shù)，具體方法為:
[0010](I)提取時(shí)域故障特征參數(shù)；
[0011]機(jī)械設(shè)備自身結(jié)構(gòu)的復(fù)雜性、多個(gè)部件協(xié)同工作和故障源的多樣性，都可能造成設(shè)備動(dòng)態(tài)的復(fù)雜性，引起聲學(xué)故障惡化。時(shí)域信號(hào)包含著原始的非常豐富的狀態(tài)信息，旋轉(zhuǎn)設(shè)備發(fā)生故障時(shí)，其振動(dòng)信號(hào)中許多統(tǒng)計(jì)特征參數(shù)都會(huì)隨著故障的性質(zhì)及大小發(fā)生變化，可作為診斷依據(jù)；利用統(tǒng)計(jì)分析方法，提取峰值、峰峰值、平均幅值、方根幅值等有量綱參數(shù)，其數(shù)值一般會(huì)隨著故障發(fā)展而上升，但也會(huì)因工況變化而變化，難以區(qū)分，為此，提取脈沖指標(biāo)、裕度指標(biāo)、峭度、波形指標(biāo)、峰值指標(biāo)等時(shí)域無量綱參數(shù)，此類特征量受轉(zhuǎn)速、負(fù)載等工況變化的影響較??；`
[0012](2)提取頻域特征參數(shù)；
[0013]對(duì)于不同工況下的復(fù)雜設(shè)備，其頻譜的幅值和形狀一般是不同的，在特征頻段上能量大小和比例關(guān)系大致可以反映出相應(yīng)的故障類型；通過轉(zhuǎn)子臺(tái)振動(dòng)模擬實(shí)驗(yàn)發(fā)現(xiàn)，在振動(dòng)信號(hào)頻譜曲線的基頻及其倍頻處，正常類與故障類信號(hào)一般都存在一個(gè)明顯的峰值，且幅值大小有差異，可作為診斷依據(jù)；由于設(shè)備實(shí)際運(yùn)行過程中，設(shè)備轉(zhuǎn)速存在一定波動(dòng)，致使基頻及倍頻點(diǎn)有一定偏移，且頻率越高偏差越大，為此，以基頻及其倍頻為中心，提取其頻帶范圍內(nèi)頻譜幅值和能量作為特征；
[0014](3)提取時(shí)頻域小波包能量特征；
[0015]受外界環(huán)境變化和本身故障等因素的影響，實(shí)際測(cè)得振動(dòng)信號(hào)中可能包含有豐富故障信息的非平穩(wěn)成分，傳統(tǒng)的傅立葉分析是一種在時(shí)域或頻域的全局變換，無法表述信號(hào)的時(shí)頻局部性質(zhì)，為此，利用具有多分辨率分析的小波包技術(shù)，在全頻帶內(nèi)對(duì)信號(hào)進(jìn)行多層次頻帶劃分，用分解得到的各頻帶信號(hào)能量占信號(hào)總能量的比例系數(shù)作為聲學(xué)故障特征，表征設(shè)備運(yùn)行狀態(tài)。
[0016]2、建立基于改進(jìn)遺傳算法的特征優(yōu)化算法，從原始故障特征空間中選取對(duì)故障敏感的特征量，給定旋轉(zhuǎn)設(shè)備的聲學(xué)故障樣本數(shù)據(jù)集T = (S，F(xiàn)，C)，其中，S =
(Si，Sg，...，Sj^j、F (FtimeJ ^frequencyJ ^wavelet I = {fi, f2,..., fj > C = Ic1, C2,...，cj 分別表示數(shù)據(jù)樣本、故障特征和故障類別，具體方法為:
[0017](I)首先將原始解空間中的數(shù)據(jù)映射到基因型空間，由于最終問題的解是要從故障特征空間中選出一個(gè)最優(yōu)的特征子集或者基因型空間的一組數(shù)串，因此，采用二進(jìn)制串方式編碼，實(shí)現(xiàn)每種特征選擇方案與遺傳個(gè)體一一對(duì)應(yīng)，若某位為1，表示該特征被選中；
[0018](2)依據(jù)單特征的故障可分度作為種群中對(duì)應(yīng)個(gè)體特征位的選擇概率，指導(dǎo)種群的初始化，故障特征f的可分離性評(píng)價(jià)準(zhǔn)則是:在特征單獨(dú)作用下，若使得不同類模式的特征均值向量之間距離最大，同時(shí)屬于同一類模式的特征方差和最小，則可認(rèn)為此特征對(duì)分類最有利，可描述為:
【權(quán)利要求】
1.一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，其特征在于包括以下步驟: 步驟一、利用時(shí)域統(tǒng)計(jì)、小波變換等方法，對(duì)復(fù)雜設(shè)備周圍不同測(cè)點(diǎn)的原始振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，構(gòu)造出相對(duì)完備的聲學(xué)故障特征空間； (1)利用統(tǒng)計(jì)方法提取復(fù)雜設(shè)備的時(shí)域振動(dòng)特征量，包括峰值、峰峰值、平均幅值、方根幅值等有量綱參數(shù)，以及脈沖指標(biāo)、裕度指標(biāo)、峭度、波形指標(biāo)、峰值指標(biāo)等無量綱參數(shù)； (2)對(duì)振動(dòng)信號(hào)做頻譜分析，依據(jù)設(shè)備轉(zhuǎn)速確定它的基頻和倍頻，提取基頻帶和倍頻帶上能量和幅值作為頻域故障特征，可消除由于轉(zhuǎn)速波動(dòng)對(duì)特征提取產(chǎn)生的影響； (3)采用Symlets小波基，對(duì)設(shè)備的振動(dòng)信號(hào)進(jìn)行多層小波包分解，用分解得到的各頻帶信號(hào)能量占信號(hào)總能量的比例系數(shù)作為時(shí)-頻域故障特征，表征設(shè)備運(yùn)行狀態(tài)； (4)依據(jù)步驟一中(I)、(2)、(3)提取的時(shí)域、頻域、時(shí)-頻域特征，可得到完備的設(shè)備聲學(xué)故障特征空間F = {fj, i = I, 2,..., I, fi表示特征空間中第i個(gè)故障特征； 步驟二、建立基于改進(jìn)遺傳算法的特征優(yōu)化算法，包括:編碼，初始種群生成，適應(yīng)度函數(shù)計(jì)算，選擇、交叉和停止準(zhǔn)則等，從原始故障特征空間中選取對(duì)故障敏感的特征量； (1)采用二進(jìn)制串方式編碼，將原始解空間中的特征數(shù)據(jù)通過一定方式映射到基因型空間，實(shí)現(xiàn)每種特征選擇方案與遺傳個(gè)體一一對(duì)應(yīng)，若某位為1，表示該特征被選中； (2)依據(jù)單特征的故障可分度作為種群中對(duì)應(yīng)個(gè)體特征位的選擇概率，指導(dǎo)種群的初始化，故障特征f的可分離性評(píng)價(jià)準(zhǔn)則是
2.根據(jù)權(quán)利要求1所述的一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，其特征在于:以優(yōu)化特征向量作為輸入，建立基于支持向量數(shù)據(jù)描述的單值設(shè)備故障分類器，對(duì)復(fù)雜設(shè)備的狀態(tài)進(jìn)行初始故障識(shí)別，具體方法為: (1)通過訓(xùn)練正常類樣本數(shù)據(jù)集，建立一個(gè)封閉而緊湊的最小特征超球體來描述設(shè)備的正常狀態(tài)，具體方法是: 該超球面由球體中心a和半徑R所決定，為了提高算法的魯棒性，即允許在超球面內(nèi)部包含非目標(biāo)樣本數(shù)據(jù)，引入松弛變量ξ和懲罰參數(shù)C，定義結(jié)構(gòu)風(fēng)險(xiǎn)為:
3.根據(jù)權(quán)利要求1所述的一種復(fù)雜設(shè)備聲學(xué)故障識(shí)別定位方法，其特征在于:所屬步驟四中以設(shè)備不同測(cè)點(diǎn)處故障分類器的識(shí)別信息作為獨(dú)立證據(jù)源，依據(jù)單值故障分類器的輸出信息客觀構(gòu)造證據(jù)的基本概率指派函數(shù)，采用證據(jù)組合規(guī)則合成證據(jù)集，做出最終決策，具體方法為: (1)假設(shè)設(shè)備的故障識(shí)別框架為
【文檔編號(hào)】G01M99/00GK103822793SQ201410023714
【公開日】2014年5月28日 申請(qǐng)日期:2014年1月20日 優(yōu)先權(quán)日:2014年1月20日
【發(fā)明者】陳斌, 高寶成, 張斯婕 申請(qǐng)人:北京郵電大學(xué)