一种智能旋转机械故障深度网络特征辨识方法技术

本发明专利技术公开了一种智能旋转机械故障深度网络特征辨识方法，通过在列车滚动轴承待检测旋转机械部位设置振动传感器，收集滚动轴承工作时的原始振动序列，然后通过奇异谱分析方法将原始振动序列进行分解重构，并提取重构振动序列的均方根值、标准差、偏度指标和峰值，利用支持向量机训练得到的旋转机械故障位置诊断模型来判断故障位置，然后将重构振动序列进行集合经验模态分解，计算分解后的一组固有模态分量各自的排列熵值，将排列熵值的排列组合作为检测特征，利用支持向量机训练得到的旋转机械故障类型诊断模型来判断故障类型。本发明专利技术能更及时地检测出旋转机械的故障位置和故障类型，提高故障诊断的准确性和可靠性。

A Method of Fault Depth Network Characteristic Identification for Intelligent Rotating Machinery

The invention discloses a network feature identification method for fault depth of intelligent rotating machinery. Vibration sensors are installed at the parts of rolling bearings to be detected to collect the original vibration sequence of rolling bearings when working. Then the original vibration sequence is decomposed and reconstructed by singular spectrum analysis method, and the RMS value, standard deviation and skewness of the reconstructed vibration sequence are extracted. Indicators and peaks, fault location diagnosis model of rotating machinery trained by support vector machine is used to judge the fault location, and then the reconstructed vibration sequence is decomposed by ensemble empirical mode decomposition. The permutation and combination of permutation and combination of permutation entropy values are used as detection features, and the fault classes of rotating machinery trained by support vector machine are used to compute the permutation and combination of permutation entropy values. Type D diagnostic model is used to judge the fault type. The invention can detect the fault position and type of rotating machinery more timely, and improve the accuracy and reliability of fault diagnosis.

【技术实现步骤摘要】
一种智能旋转机械故障深度网络特征辨识方法
本专利技术涉及机械系统故障辨识领域，特别是指一种智能旋转机械故障深度网络特征辨识方法。
技术介绍
随着高速铁路技术的不断进步和智能高铁计划的提出，高铁运营安全越来越受到人们的关注。高速铁路组成复杂，而旋转机械在其中占据了重要地位，例如转向架电机，牵引制动装置都包含了大量旋转机械。不过旋转机械在长期使用过程中，极其容易出现不同程度的损耗而产生各种故障，如果发现不及时导致机械故障积累，轻则出现晚点事故导致经济损失，重则产生安全隐患造成安全事故。现在旋转机械的诊断方法以采集振动信号为主，对其进行分析诊断。但是振动信号在故障早期异常变化极其微小，常规诊断方法往往效果不佳。现有的诊断算法中同时针对诊断部位和诊断类型进行检测，导致训练样本维度高，而且对原始数据的前处理较为简单，效果一般，故而导致最终模型检测精度不高。因此，为了进一步提高高速铁路的稳定运营和安全运行，需要更好更及时的检测出旋转机械的故障部位和故障类型，提高故障诊断的准确性和可靠性，一种智能可靠的机械故障诊断方法急需被提出。
技术实现思路
本专利技术提供一种智能旋转机械故障深度网络特征辨识方法，本文档来自技高网...

【技术保护点】
1.一种智能旋转机械故障深度网络特征辨识方法，其特征在于，包括以下步骤：步骤1，获取旋转机械的原始振动信号；步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C1(t),C2(t),…Cn(t)，并计算得到各个固有模态分量Ci(t)的排列熵值Hi；步骤5，构建训练样本，训练诊断模型；将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；...

【技术特征摘要】
1.一种智能旋转机械故障深度网络特征辨识方法，其特征在于，包括以下步骤：步骤1，获取旋转机械的原始振动信号；步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C1(t),C2(t),…Cn(t)，并计算得到各个固有模态分量Ci(t)的排列熵值Hi；步骤5，构建训练样本，训练诊断模型；将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；将旋转机械的原始振动信号对应的各个固有模态分量Ci(t)的排列熵值Hi和机械故障类型，作为旋转机械的第二训练样本；以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；步骤6，实时采集待检测旋转机械的原始振动信号，按步骤2-3获取待检测旋转机械的原始振动信号所对应的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M，并输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置；当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；步骤7，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量Ci(t)的排列熵值Hi，并输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。2.根据权利要求1所述的方法，其特征在于，所述利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列的具体过程为：步骤A1，嵌入操作；将原始振动信号X＝(x1，x2，x3…，xN)变换为Z＝[Z1，Z2，Z3…，ZK]，其中，Zi＝(xi，xi+1，xi+2,…，xi+L-1)，K＝N-L+1，L表示嵌入维数，且L∈[2,N]；最终映射的结果为轨迹矩阵Z：步骤A2，将轨迹矩阵Z进行奇异值分解；设矩阵H＝ZZT，且λ1,λ2,…λL(λ1,≥≥…≥λL≥0)为矩阵H的特征值，其中ZT是轨迹矩阵Z的转置矩阵，通过奇异值分解的方法，将轨迹矩阵Z进行如下变换从而得到Zf；Zf＝Z1+Z2+…+Zd，其中为轨迹矩阵Z的奇异值，Ui和Vi分别表示轨迹矩阵Z的左右特征向量，其中d＝L*＝min{L,K}；步骤A3，将分解后的矩阵Zf进行分组；将区间{1,2,…,d}分割为非连接的子集I1,I2,…Im，则轨迹矩阵Z可表示为：步骤A4，将分组后的轨迹矩阵Z重构为长度为N的重构振动序列Xc；轨迹矩阵Z是L×K的矩阵，L*＝min(L,K)，K*＝max(L,K)，N＝L+K-1，当L＜K时...

【专利技术属性】
技术研发人员：刘辉，龙治豪，李燕飞，段铸，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43