基于时域参数与D-S证据理论的转子运行状态监测方法技术

本发明专利技术公开了一种基于时域参数与D-S证据理论的转子运行状态监测方法。该方法通过计算在线采集数据的时域参数来构造判别向量，再计算判别向量与通过历史数据计算所构建的识别标准框架的欧氏距离，通过计算将距离转化为转子系统各状态的概率函数值，最后通过D-S证据理论将多通道的信息进行融合得到最终的结果，提高诊断结果的准确性。本发明专利技术大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象，拓展了旋转机械故障监测的水平和范围，为旋转机械健康可靠地运行提供有力支持。

【技术实现步骤摘要】

：本专利技术属于机械设备故障诊断领域，具体涉及一种基于时域参数与D-S证据理论的转子运行状态监测方法。
技术介绍
：大型旋转机械作为现代大部分工业生产中的核心设备，其安全平稳运行对电力、冶金、交通、机床、炼油、汽车制造等企业至关重要。随着科学技术的进步与发展，机械设备性能越来越好的同时，对设备平稳运行能力的要求也越来越高。转子作为旋转机械的工作主体，是故障高发部位，因此对转子状态的监测与判定具有很大的经济效益和社会意义，将大大促进我国重型基础装备的发展。提取转子状态的特征，即采用适当的方法，从采集的信号中提取出转子各状态的特征信息，信号处理是特征提取最常用的方法。时域特征参数主要包括均值、标准差、峰值、有效值、偏斜度、峭度等统计量，以及一些无量纲指标，如：峰值指标、脉冲指标、裕度指标等。这些特征参数计算简单，物理意义明确，因而很早就被应用于各种机械的故障检测和状态分析。对于转子系统来说，单源或单通道的时域特征参数很难准确的区分转子的状态，所以对时域参数来区分转子状态类别需要融合多方面信息。D-S证据理论是一种非精确的推理方法，被广泛用于信息融合、专家系统、情报分析、法律案件分析、多属性决策分析等众多领域。由于在证据理论中需要的先验数据比概率推理理论中的更为直观、更容易获得，再加上Dempster合成公式可以综合不同专家或数据源的知识或数据，将多通道信息进行融合，避免单一状态特征信息引起对状态判别的片面性，因此能快速、全面、可靠的反应出转子的状态信息。
技术实现思路
：本专利技术的目的在于弥补单通道信息对转子系统状态监测的片面性和其他状态监测方法的繁琐性，融合多通道信息，全面、快速、准确区分转子的状态类型，提供了一种基于时域参数与D-S证据理论的转子运行状态监测方法。为达到上述目的，本专利技术采用如下技术方案来实现的：基于时域参数与D-S证据理论的转子运行状态监测方法，包括以下步骤：1)获取旋转机械转子系统的常见状态的历史振动数据集；2)从历史振动数据中计算各状态的时域参数，每种状态构造一个时域参数的多维向量，作为识别标准向量；3)采集旋转机械转子系统在线的多通道的振动数据，作为测试样本；4)将每个采集通道的测试样本进行处理，计算时域参数，每个数据得到一个关于时域参数的多维向量，作为判别向量；5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离，进行测度，得到距离向量；6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量；7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。本专利技术进一步的改进在于：所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。本专利技术进一步的改进在于：所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；其中识别标准向量是5个代表各转子状态的15维向量；各参数数计算方法如下表1：式中：x(t)为振动数据大小，t为时间，T是振动数据的观测时间，α=1T∫0T[x(t)-μx]3dt]]>为偏斜度；β=1T∫0T[x(t)-μx]4dt]]>为峭度。本专利技术进一步的改进在于：所述步骤3)中振动数据的采集为对每个测量面同步采集的两路相互垂直的振动数据。本专利技术进一步的改进在于：所述步骤5)中每个判别向量与识别标准向量的欧氏距离dij的计算公式如下：dij=d(Xi,Bj)=Σi=1n(xik-bjk)2]]>其中，Xi为判别向量，Bj为识别标准向量中的向量，n为向量维数，即n＝15，xik为判别向量Xi中的元素，bjk为识别标准向量Bj中的元素。本专利技术进一步的改进在于：所述步骤6)中概率分配函数值cij的计算公式如下：cij=(1dij)/(Σj=1m1dij)]]>其中dij为两个向量的欧氏距离，m为距离向量的维数，即m＝5。本专利技术进一步的改进在于：所述步骤7)中多通道对应多个传感器，转子每个测量面对应两个相互垂直的传感器，D-S证据理论将各通道信息进行融合，从而全面反应转子的状态信息。与现有技术相比，本专利技术具有以下的有益效果：本专利技术所述是基于时域参数与D-S证据理论的转子运行状态监测方法，根据时域参数能全面反应振动数据的特征且计算方便和D-S证据理论能融合多通道信息、全面反应系统状态的特点，通过转子系统的历史振动数据的时域参数构造识别标准向量，继而通过计算在线采集数据的时域参数构造判别向量，计算判别向量与识别标准向量的欧氏距离，通过距离的反比例法计算得到转子系统各状态的概率，最后通过D-S证据理论将多通道的信息进行融合得到最终的结果，提高状态识别结果的准确性，大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象，拓展了旋转机械故障监测的水平和范围，为旋转机械健康可靠地运行提供有力支持。附图说明：图1为本专利技术的基本流程图；图2为D-S证据理论融合多通道信息的框图。具体实施方式：以下结合附图对本专利技术作进一步的详细说明。本专利技术主要针对旋转机械的转子系统运行时常见的状态识别与诊断，图1为本发明的基本流程图，具体实施步骤如下。步骤1)首先要获取转子系统常见故障(包括转子不对中、转子不平衡、转子裂纹和转子碰磨)的样本数据和转子系统处于正常状态时的数据样本；步骤2)对5类典型转子状态数据通过时域统计分析获得相应的表征状态特征的如表1中的15个时域特征参数，所有的时域特征参数构成特征向量，即5类转子状态的识别标准向量B＝(B1,B2,B3,B4,B5)，其中B1代表转子不对中，B2代表转子不平衡，B3代表转子裂纹，B4代表转子碰磨，B5代表转子正常；步骤3)采集转子系统在线4通道的振动数据，作为测试样本；步骤4)将每个采集通道的测试样本进行处理，计算时域特征参数，每个数据得到一个关于时域特征参数的15维向量，作为判别向量X,X1代表第一通道判别向量，X2代表第二通道判别向量，X3代表第三通道判别向量，X4代表第四通道判别向量；步骤5)通过计算每个判别向量与识别标准向量中每种状态向量之间的欧氏距离，进行测度，每计算一次得到一个5维的距离向量D,距离向量D中的元素表示第i的通道本文档来自技高网...

【技术保护点】
基于时域参数与D‑S证据理论的转子运行状态监测方法，其特征在于，包括以下步骤：1)获取旋转机械转子系统的常见状态的历史振动数据集；2)从历史振动数据中计算各状态的时域参数，每种状态构造一个时域参数的多维向量，作为识别标准向量；3)采集旋转机械转子系统在线的多通道的振动数据，作为测试样本；4)将每个采集通道的测试样本进行处理，计算时域参数，每个数据得到一个关于时域参数的多维向量，作为判别向量；5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离，进行测度，得到距离向量；6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量；7)最后通过D‑S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。

【技术特征摘要】
1.基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于，包括以下步
骤：
1)获取旋转机械转子系统的常见状态的历史振动数据集；
2)从历史振动数据中计算各状态的时域参数，每种状态构造一个时域参数的多维向
量，作为识别标准向量；
3)采集旋转机械转子系统在线的多通道的振动数据，作为测试样本；
4)将每个采集通道的测试样本进行处理，计算时域参数，每个数据得到一个关于时域
参数的多维向量，作为判别向量；
5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离，进行测度，
得到距离向量；
6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量；
7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。
2.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特
征在于：所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平
衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。
3.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特
征在于：所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平
均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标
和峭度指标；其中识别标准向量是5个代表各转子状态的15维向量；
各参数数计算方法如下表1：
式中：x(t)为振动数据大小，t为时间，...

【专利技术属性】
技术研发人员：温广瑞，董晓妮，张志芬，陈元超，徐光华，张小栋，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61