旋转机械的故障诊断方法及旋转机械的故障诊断装置制造方法及图纸

本发明专利技术公开一种旋转机械的故障诊断方法，包括：获取旋转机械的故障振动信号；基于集合经验模态分解方法对故障振动信号进行分解以获得分解振动信号；基于分解振动信号获得分解振动信号的复杂度信息；对复杂度信息进行处理以生成分解振动信号的特征信息；基于预设算法对特征信息进行分析以获得与故障振动信号对应的故障信息；基于故障信息对正常振动信号进行诊断以获得故障诊断结果。本发明专利技术还公开一种旋转机械的故障诊断装置。通过集合经验模态分解方法对旋转机械的故障振动信号进行分解和智能学习以快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。

【技术实现步骤摘要】
旋转机械的故障诊断方法及旋转机械的故障诊断装置
本专利技术涉及自动控制领域，具体地涉及一种旋转机械的故障诊断方法及一种旋转机械的故障诊断装置。
技术介绍
随着现代工业技术的不断发展，工业规模的不断增大，大型工业机械应用于各种工业场景成为行业普遍现场，例如在许多流程工业行业中，大型旋转机械设备被广泛引用以支持整个工艺流程的正常、高速运转。由于大型旋转机械是许多流程工业的关键设备，因此它们是否能够正常运行关系到整个工艺流程的正常运转，因此对其进行振动分析与故障诊断具有重要意义。而大型旋转机械设备，例如汽轮机或离心压缩机等大型机械往往由多个组件构成，其结构复杂，激励源多，振动信号尤其是故障信号往往具有非平稳性。在现有技术中，经验模式分解(EmpiricalModeDecomposition,EMD)方法可以对非平稳信号进行分析，因此在行业内获得了广泛的应用，但EMD方法存在模式混淆的情况，甚至产生虚假的分析结果，因此其分析精度不高，无法满足更高的检测进度需求。进一步地，近似熵(ApproximateEntropy,ApEn)是一种度量信号复杂性的非线性特征指标，可以度量信号变化时信号中产生新模式的概率大小，由于其计算所需要的数据量少，且能够包含更多信息，因此被广泛应用于生物时间序列分析、电力及机械故障诊断等领域，然而该方法依然存在无法快速获取故障诊断结果、故障诊断可视性差等缺点，无法满足旋转设备的故障诊断需求。
技术实现思路
为了克服现有技术中旋转机械的故障诊断精度差、诊断结果获取慢以及故障诊断可视性差的技术问题，本专利技术实施例提供一种旋转机械的故障诊断方法及旋转机械的故障诊断装置，通过基于集合经验模态分解方法对旋转机械的振动信号进行分解，从而获得旋转设备更精确的振动信息，然后基于智能学习算法对振动信号的复杂度信息进行分析，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。为了实现上述目的，本专利技术实施例提供一种旋转机械的故障诊断方法，所述故障诊断方法包括：获取所述旋转机械的故障振动信号；基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；基于所述分解振动信号获得所述分解振动信号的复杂度信息；对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。优选地，所述基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号，包括：根据所述故障振动信号，获得所述旋转机械的振动位移信号；基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。优选地，所述基于所述分解振动信号获得所述分解振动信号的复杂度信息，包括：基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。优选地，所述对所述复杂度信息进行处理以生成所述分解振动信号的特征信息，包括：提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；将所述故障特征向量作为所述分解振动信号的特征信息。优选地，所述基于预设算法对所述特征信息进行分析，以获得所述故障振动信号对应的故障信息，包括：提取所述故障特征向量；基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。本专利技术第二方面提供一种旋转机械的故障诊断装置，所述故障诊断装置包括：信号获取模块，用于获取所述旋转机械的故障振动信号；分解模块，用于基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；复杂信息获取模块，用于基于所述分解振动信号获得所述分解振动信号的复杂度信息；处理模块，用于对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；分析模块，用于基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；诊断模块，用于基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。优选地，所述分解模块包括：位移获取子模块，用于根据所述故障振动信号，获得所述旋转机械的振动位移信号；位移分解子模块，用于基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取子模块，用于提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。优选地，所述复杂信息获取模块包括：敏感振动获取子模块，用于基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；确定子模块，用于将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。优选地，所述处理模块包括：特征向量生成子模块，用于提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；特征信息确定子模块，用于将所述故障特征向量作为所述分解振动信号的特征信息。优选地，所述分析模块包括：特征向量提取子模块，用于提取所述故障特征向量；特征向量分析子模块，基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；故障确定子模块，用于基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。通过本专利技术提供的技术方案，本专利技术至少具有如下技术效果：通过基于对经验模式分解方法进行改进的集合经验模态分解方法对旋转机械的故障振动信号进行分解，从而获得旋转设备的更精确的振动信息，然后基于智能学习算法对故障振动信号的复杂度信息进行自学习，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：图1是本专利技术实施例提供的旋转机械的故障诊断方法的具体实施流程图；图2是本专利技术实施例提供的旋转机械的故障诊断方法中通过经验模式分解方法对转子不平衡信号进行分解后的分解振动信号图；图3是本专利技术实施例提供的旋转机械的故障诊断方法中通过集合经验模态分解方法对转子不平衡信号进行分解后的分解振动信号图；图4是本专利技术实施例提供的旋转机械的故障诊断方法中通过自组织映射神经网络算法进行自学习后的学习结果示意图；图5是本专利技术实施例提供的旋转机械的故障诊断方法中对正常振动信号进行故障诊断的诊断结果示意图；图6是本专利技术实施例提供的旋转机械的故障诊断装置的结构示意图。具体实施方式为了克服现有技术中旋转机械的故障诊断精度差、诊断结果获取慢以及故障诊断可视性差的技术问题，本专利技术实施例提供一种旋转机械的故障诊断方法及一种旋转机械的故障诊断装置，通过基于集合经验模态分解方法对旋转机械的故障振本文档来自技高网...

【技术保护点】
1.一种旋转机械的故障诊断方法，其特征在于，所述故障诊断方法包括：获取所述旋转机械的故障振动信号；基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；基于所述分解振动信号获得所述分解振动信号的复杂度信息；对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。

【技术特征摘要】
1.一种旋转机械的故障诊断方法，其特征在于，所述故障诊断方法包括：获取所述旋转机械的故障振动信号；基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；基于所述分解振动信号获得所述分解振动信号的复杂度信息；对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。2.根据权利要求1所述的故障诊断方法，其特征在于，所述基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号，包括：根据所述故障振动信号，获得所述旋转机械的振动位移信号；基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。3.根据权利要求1所述的故障诊断方法，其特征在于，所述基于所述分解振动信号获得所述分解振动信号的复杂度信息，包括：基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。4.根据权利要求3所述的故障诊断方法，其特征在于，所述对所述复杂度信息进行处理以生成所述分解振动信号的特征信息，包括：提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；将所述故障特征向量作为所述分解振动信号的特征信息。5.根据权利要求4所述的故障诊断方法，其特征在于，所述基于预设算法对所述特征信息进行分析，以获得所述故障振动信号对应的故障信息，包括：提取所述故障特征向量；基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。6.一种旋转机械的故障诊断装置，其特征在于，...

【专利技术属性】
技术研发人员：王浩，李福东，王颖聪，
申请(专利权)人：中国神华能源股份有限公司，北京国华电力有限责任公司，神华国华北京电力研究院有限公司，
类型：发明
国别省市：北京,11