一种艇用离心泵滚动轴承故障诊断方法技术

本发明专利技术涉及一种艇用离心泵滚动轴承故障诊断方法，包括质量效应优化、调谐效应优化和混抵效应优化，质量效应优化为将非扰动设备刚性安装在浮筏隔振系统的中间筏架上；调谐效应优化为将非动力设备或不工作的备用动力设备采用弹性安装方式固定在中间筏架上，做为筏架的动力吸振器；混抵效应优化为将两个以上的同时运行的动力设备弹性安装在中间筏架上；分别针对上述三个效应提出不同的设备成组、不同安装形式方案，以安装基座振动控制效果为目标，开展方案优选，形成总体最优应用隔振方案。本发明专利技术合理利用好浮筏质量、调谐及混抵效应，以最小的附加重量和空间代价实现最大的隔振效果。

【技术实现步骤摘要】
一种艇用离心泵滚动轴承故障诊断方法
本专利技术属于故障诊断的
，特别涉及一种艇用离心泵滚动轴承故障诊断方法。
技术介绍
离心泵作为常用的液压泵，其在船舶、核电、水利机械中有着广泛的应用，尤其是对水下装备，作为疏排水和供油的重要设备，一旦离心泵发生故障，可能会对整个设备产生严重影响，甚至有带来设备报废的危险。滚动轴承作为离心泵的重要部件，其作用是支承离心泵主轴旋转，一旦滚动轴承发生故障，会造成主轴偏心、卡死等故障，从而引起离心泵的停机。据统计，离心泵故障的30％以上往往是由于滚动轴承故障产生的，因此针对离心泵的滚动滚动轴承进行诊断具有重要的意义。由于轴承振动信号相对于电流、流量等缓变信号会表现出非线性非稳态的特点，并且振动信号中包含大量的、复杂的、难以提取的信息，利用振动信号进行诊断也是故障诊断研究中的难点，传统的基于傅里叶变换的信号分析方法只能处理线性和平稳信号，而滚动轴承信号的非平稳、非线性的特点，使得傅里叶变换存在一定的局限性。针对上述问题，专家学者专利技术了多种时频联合分析方法，如短时傅里叶变换(Short-timeFourierTransform,STFT)、Wigner-Ville分布(Wigner-VilleDistribution,WVD)、小波变换(WaveletTransform,WT)、希尔伯特黄变换(Hilbert-HuangTransform,HHT)等，但是STFT的时频窗口是固定不可调的，WVD得到的时频分布图存在交叉项的干扰，WT母小波的选择和分解层数等不具有自适应性，并且需要提前获取分析信号的先验知识，HHT作为一种新的自适应的时频分析方法，虽然实现了信号的自适应分解，但分解过程中会产生拟合误差、模态混叠和端点效应等，经验模态分解(EmpiricalModeDecomposition,EMD)和局部均值分解(LocalMeanDecomposition,LMD)也有计算量大、频率混淆和平滑次数的选择等问题。
技术实现思路
本专利技术的目的在于针对上述技术需求而提供一种艇用离心泵滚动轴承故障诊断方法，通过局部特征尺度分解对降噪后的离心泵滚动轴承振动信号进行自适应分解得到若干个内禀尺度分量，然后提取各内禀尺度分量的样本熵作为监测振动信号的故障特征，最后通过构建多棵决策树来建立随机森林分类器对不同的离心泵滚动轴承故障进行诊断，从而获得诊断结果。为了实现上述目的，本专利技术采用如下技术方案：一种艇用离心泵滚动轴承故障诊断方法，其特征在于：首先采用小波降噪的方法对振动信号进行降噪处理，然后采用局部特征尺度分解对降噪后的振动信号进行时频分析，获取各故障模式信号的内禀尺度分量，之后提取各内禀尺度分量的样本熵作为振动信号的故障特征，在故障诊断时，利用提取的各故障模式内禀尺度分量的样本熵对随机森林进行训练，并利用Bagging的方式随机抽取训练样本对决策树进行训练，建立多棵决策树，然后利用训练好的随机森林对测试数据进行诊断测试，从而获得故障诊断结果。按上述方案，所述小波降噪具体包括如下步骤：S1)信号分解：选定小波函数和分解层数j，对信号进行j层小波分解；S2)小波细节系数去噪：对于每一层小波，设定一个阀值，对细节系数进行阀值处理；S3)信号重构：基于第j层的原始概貌系数和第1层到第j层修正的细节系数，进行信号的重构。按上述方案，所述局部特征尺度分解具体包括如下步骤：S1)定义内禀尺度分量：基于极值点的局部特征尺度参数，定义瞬时频率具有物理意义的单分量信号-内禀尺度分量，在满足此单分量信号瞬时频率具有物理意义的条件上提出了局部特征尺度分解，假设任何复杂的信号由不同的内禀尺度分量组成，任何两个内禀尺度分量之间相互独立，把任何一个信号x(t)分解为有限个内禀尺度分量之和；S2)确定物理意义的条件：(Ⅰ)在信号的整个数据中，任意两个相邻的极大值与极小值之间要具有单调性；(Ⅱ)在信号的整个数据中，设所有极值为Xk(k＝1,2,…,M)，对应的时刻为τk(k＝1,2,…,M)，M为极值点的个数，连接任意两个相邻的极大值点(或极小值点(τk,Xk)、(τk+2,Xk+2))，确定的直线为lk，见公式(1)：在二者之间的极值点相对应的时刻τk+1函数值，记为Ak+1，由公式(2)得Ak+1的值为：让Ak+1与Xk+1的比值保持不变，一般情况下：aAk+1+(1-a)Xk+1＝0a∈(0,1)(3)即要满足：取S3)局部特征尺度分解过程：(Ⅰ)确定x(t)所有极值Xk及其相对应的时刻τk，k＝1,2,…,M；(Ⅱ)根据公式(2)计算Ak+1的值，上式(3)中的值一般取0.5，然后依据公式计(5)算出所有的值，Lk＝aAk+(1-a)Xk(5)；(Ⅲ)所有的L1,L1,…,LM由三次样条连接，得到均值曲线或基线BL1(t)；(Ⅳ)将基线从原信号中分离出来，见公式(6)，h1(t)＝x(t)-BL1(t)(6)h1(t)满足条件(I)、(II)，即是一个ISC分量，令ISC1＝h1(t)；(Ⅴ)h1(t)不满足条件(I)、(II)，将h1(t)作为原始数据重复上述步骤，可以得到：h11(t)＝h1(t)-BL11(t)(7)h11(t)不满足条件(I)、(II)，则重复上述步骤k次，直到h1k(t)满足ISC分量条件，为第一个ISC分量，记为ISC1＝h1k(t)，对于判断满足ISC分量的第二个条件，依据式(3)，Ak+1与Xk+1之和不可能都等于0，采用标准偏差法作为终止判据来终止迭代循环，标准偏差值小于0.5即可得到理想的ISC分量了。SD定义式如下：(Ⅵ)将ISC1从原始信号中分离出来，见公式(9)：r1(t)＝x(t)-ISC1(9)再将r1(t)作为原始数据重复上述步骤①～⑤，循环n次，直到剩余量rn(t)为一个单调函数，从而将x(t)分解为n个ISC和一个单调函数的参与量之和，见公式(10)：S4)提取样本熵：已知序列{x(i)}，其中i＝1,2,…,N为{x(i)}第i点数据值，N为数据长度，(Ⅰ)选定m，组成m维矢量X(i)：X(i)＝[x(i),x(i+1),…,x(i+m-1)](12)式中，i＝1,2,…,N-m+1，m为模式维数；(Ⅱ)定义矢量X(i)与X(j)之间的距离为两者所对应元素中的最大差值，用d[X(i),X(j)]表示，即：d[X(i),X(j)]＝max[|x(i+k)-x(j+k)|](13)式中，k＝1,2,…,m-1，i,j＝1,2,…,N-m+1,i≠j；(Ⅲ)设定相似容限r的阈值，统计d[X(i),X(j)]＜r的数目，为Num＝d[X(i),X(j)]＜r，并将其余矢量总数N-m作比，记为式中，i,j＝1,2,…,N-m+1,i≠j将N-m+1个的平均值记为Bm(r)，即：式中，为两个序列在下匹配个点的概率；(Ⅳ)将m增加到m+1，重复步骤(Ⅰ)-(Ⅲ)，得：式中，Bm+1(r)为两个序列在r下匹配m+1个点的概率；(Ⅴ){x(i)}的样本熵为：为有限值时，则样本熵的计算值为：S5)随机森林对测试数据进行诊断测试：假设随机森林是由K棵CART决策树组成的，假设产生第i棵决策树的函数表示为：fi(x,Θi):X→Y,i＝1,2,…,K，其中x就是输入向量，Θ是本文档来自技高网...

【技术保护点】
1.一种艇用离心泵滚动轴承故障诊断方法，其特征在于：首先采用小波降噪的方法对振动信号进行降噪处理，然后采用局部特征尺度分解对降噪后的振动信号进行时频分析，获取各故障模式信号的内禀尺度分量，之后提取各内禀尺度分量的样本熵作为振动信号的故障特征，在故障诊断时，利用提取的各故障模式内禀尺度分量的样本熵对随机森林进行训练，并利用Bagging的方式随机抽取训练样本对决策树进行训练，建立多棵决策树，然后利用训练好的随机森林对测试数据进行诊断测试，从而获得故障诊断结果。

【技术特征摘要】
1.一种艇用离心泵滚动轴承故障诊断方法，其特征在于：首先采用小波降噪的方法对振动信号进行降噪处理，然后采用局部特征尺度分解对降噪后的振动信号进行时频分析，获取各故障模式信号的内禀尺度分量，之后提取各内禀尺度分量的样本熵作为振动信号的故障特征，在故障诊断时，利用提取的各故障模式内禀尺度分量的样本熵对随机森林进行训练，并利用Bagging的方式随机抽取训练样本对决策树进行训练，建立多棵决策树，然后利用训练好的随机森林对测试数据进行诊断测试，从而获得故障诊断结果。2.根据权利要求1所述的一种艇用离心泵滚动轴承故障诊断方法，其特征在于所述小波降噪具体包括如下步骤：S1)信号分解：选定小波函数和分解层数j，对信号进行j层小波分解；S2)小波细节系数去噪：对于每一层小波，设定一个阀值，对细节系数进行阀值处理；S3)信号重构：基于第j层的原始概貌系数和第1层到第j层修正的细节系数，进行信号的重构。3.根据权利要求1所述的一种艇用离心泵滚动轴承故障诊断方法，其特征在于所述局部特征尺度分解具体包括如下步骤：S1)定义内禀尺度分量：基于极值点的局部特征尺度参数，定义瞬时频率具有物理意义的单分量信号-内禀尺度分量，在满足此单分量信号瞬时频率具有物理意义的条件上提出了局部特征尺度分解，假设任何复杂的信号由不同的内禀尺度分量组成，任何两个内禀尺度分量之间相互独立，把任何一个信号x(t)分解为有限个内禀尺度分量之和；S2)确定物理意义的条件：(Ⅰ)在信号的整个数据中，任意两个相邻的极大值与极小值之间要具有单调性；(Ⅱ)在信号的整个数据中，设所有极值为对应的时刻为τk(k＝1,2,…,M)，M为极值点的个数，连接任意两个相邻的极大值点(或极小值点(τk,Xk)、(τk+2,Xk+2))，确定的直线为lk，见公式(1)：在二者之间的极值点相对应的时刻τk+1函数值，记为Ak+1，由公式(2)得Ak+1的值为：让Ak+1与Xk+1的比值保持不变，一般情况下：aAk+1+(1-a)Xk+1＝0a∈(0,1)(3)即要满足：取S3)局部特征尺度分解过程：(Ⅰ)确定x(t)所有极值Xk及其相对应的时刻τk，k＝1,2,…,M；(Ⅱ)根据公式(2)计算Ak+1的值，上式(3)中的值一般取0.5，然后依据公式计(5)算出所有的值，Lk＝aAk+(1-a)Xk(5)；(Ⅲ)所有的L1,L1,…,LM由三次样条连接，得到均值曲线或基线BL1(t)；(Ⅳ)将基线从原信号中分离出来，见公式(6)，h1(t)＝x(t)-BL1(t)(6)h1(t)满足条件(I)、(II)，即是...

【专利技术属性】
技术研发人员：周国敬，李鹏，周博，王超伟，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：湖北,42