一种基于振动信号的旋转机械早期预警方法技术

本发明专利技术公开了一种基于振动信号的旋转机械早期预警方法，其包括以下步骤：获取需监测的设备历史运行的且判定为“运行正常”的数据；采用小波包分解技术将振动信号进行分解，得到某一分解层下各频带的相对能量值构成特征矩阵；采用动态核主成分分析方法，将得到的特征矩阵分解为特征子空间与残差子空间；采用T

An early warning method of rotating machinery based on vibration signal

【技术实现步骤摘要】
一种基于振动信号的旋转机械早期预警方法
本专利技术涉及旋转机械监测领域，具体设计一种基于振动信号的旋转机械预警方法。
技术介绍
国内炼油与化工生产装置规模大型化发展趋势明显，与其配套的旋转机械设备也向大型化、高速化、自动化和智能化方向发展，设备故障发生导致的非计划停机不仅会造成巨大的经济损失，而且可能会带来灾难性的火灾、爆炸等安全事故，实现预测性维修对于确保设备运行安全、可靠具有重要作用。故障类型按故障发生、发展的过程分为突发性故障和渐变性故障，一般渐变性故障具有可检测性。研究设备早期故障检测预警技术，提前检测、告警设备即将发生的轻微或不正常故障征兆，使运行维护人员来预防故障或为故障的发生做好充足准备，并最大限度地减少计划外维修带来的损失具有重要的工程应用价值和实践意义。目前，我国工业企业在役在线监测故障诊断系统设备故障告警，采用当振动达到某一规定的振动幅值或振动发生显著变化时进行报警的方法，一般无法提前发现早期故障征兆，难以及时判断设备早期故障，存在较多的错误报警、漏报警，给设备操作维护人员造成了“报警疲劳”；在固定阈值报警线以下运行的设备，往往缺乏有效的状态劣化趋势告警，从设备报警到联锁停机，有时P-F间隔期很短，往往来不及采取预防性维修措施，非计划停机屡次发生造成巨大经济财产和安全损失。在工业企业，实现设备预测性维修还存在一定的技术挑战。
技术实现思路
针对现有技术中的不足，本专利技术提供了一种基于振动信号的旋转机械设备预警方法，可以准确可靠的探测设备的早期故障并报警。结合上述背景技术的不足，本专利技术致力于实现的技术目的，主要采用了哪些技术点，可以归纳整理下，以对应下述技术方案实施描述；使审查员更充分了解此技术。为了达到上述专利技术的目的，本专利技术采用的技术方案为：提供一种基于振动信号的旋转机械设备预警方法，其包括以下步骤：S1、获取需监测的设备历史运行的且判定为“运行正常”振动信号数据。S2、采用小波包分解将振动信号进行分解，得到某一分解层下各频带的相对能量值构成特征矩阵。S3、采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间。S4、采用T2统计分析的方法处理特征子空间，求得一种表征设备健康状况的指标，T2统计量。S5、采用基于Beta分布自学习控制限构建的方法，自学习正常历史数据的控制限。S6、将需要监测的振动信号数据采用S2步骤处理。S7、将S6处理完成的监测振动信号数据的特征矩阵采用动态核主成分分析的方法，求得其T2统计量。S8、若S7得到的统计量超出S5构建的自学习正常数据控制限则报警。进一步的，步骤S2中根据小波包能量值分解得到特征矩阵的具体方法为：将振动信号采用某一小波进行分解，最终在某一分解层数j上划分为不同频带的小波包系数小波包能量通过小波包系数求得，单一尺度下小波包能量为该尺度下小波包系数的平方和。式中，j为小波包的分解层数，i∈(0,1,…,2j-1)，d(j,i)为第j层第i+1个子频带的小波包系数。振动信号的能量被分解在各个子频带中，不同的故障特征在各个频带上的能量占比也不同，因此定义小波包相对能量为：式中Xj,i为相对能量值，反映了不同子频带的能量占比，选取某层分解后的小波包各子频带相对能量作为该信号的特征矩阵。步骤S2中根据小波包能量值分解得到特征矩阵小波包的选择和分解层数选择的具体方法为：在小波包分解过程中，小波形状需要根据所分析信号的特征与设备类型进行选择，对于机械设备而言，Daubechies系列小波是工程上应用最广泛、最成熟的紧支集正交实小波族，简称dbN小波系(N为小波序号)。分解层数的选择与振动信号采样频率以及故障特征频率被调制到高频区间段的位置均有关系，一般工程应用分解层数不宜超过8层，一般选择3-6层。步骤S3中采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间的具体方法为：动态核主成分分析(DKPCA)相对于传统的核主成分分析算法做出改进。DKPCA适用于非线性动态过程监控方法，为了考虑时间相关性，在应用KPCA之前执行数据矩阵的时滞扩展。假设某时刻下信号经特征提取后求得的特征矩阵为Xt，则用前l个时刻的观测数据扩展该时刻下的样本数据扩展当前的样本数据，扩展后的动态样本振动信号的特征数据矩阵为X＝[XtXt-1…Xt-l]T(3)式中，X为t时刻下振动信号的动态化特征矩阵，Xt-1为t-1时刻下振动信号的特征矩阵。DKPCA的基本思想是动态化处理数据后，采用非线性映射的方法把输入信号映射到特征空间F中，然后在特征空间F内采用PCA技术。假设某振动信号经过小波包分解得到动态能量特征矩阵Xn×m，存在某变换Φ，使得矩阵内某向量xi→Φ(xi)，计算特征空间内n个Φ(x)的样本协方差阵：式中，Φ(xi)为振动信号的特征矩阵变换，可使对振动信号特征的样本协方差内的C进行特征值分解，得到的特征值λ和特征向量V满足λV＝CV(5)上式两边同乘Φ(xi)，得λ(Φ(xi)·V)＝(Φ(xi)·CV)(6)可以求解振动信号特征的协方差矩阵C的特征值所对应的特征向量V式中，αi为相关系数，结合上面三个方程并构造一个n×n矩阵，Kj,i＝K<Φ(xj),Φ(xi)>，并中心化。则：λnα＝Kα(8)上式中的振动信号特征矩阵特征值λi(i＝1,2,…,n)及其对应的特征向量αi应满足下面约束条件：λi(αi·αi)＝1(9)因此，该振动信号特征矩阵的核主元的求取变为：选取振动信号特征矩阵核主元所携带的原始特征信息量的大小是由其对特征矩阵贡献R的大小来决定的。式中，λi为特征矩阵K的特征值，p为振动信号特征矩阵核主元数量。因此，确定某一特征矩阵贡献R后，振动信号的特征矩阵就被分解为特征子空间和残差子空间。步骤S3中采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间时所选择的时滞参数、核函数、贡献值的具体方法为：在动态核主成分分析中，时滞参数l的选择应根据数据采集器采样间隔和故障检测类型需求来确定，在保证考虑时序相关性的同时也不能污染本时刻数据、降低本时刻数据的特征信息含量；采用径向基核函数，且采用径向基核函数中最常用的高斯核函数做特征映射，选取高斯核函数宽度为70时，在选取特征子空间时，核主元所携带信息的大小由是由其对特征矩阵贡献R的大小来决定的，R取85％即可。步骤S4采用T2统计分析的方法处理特征子空间，求得一种可以表征设备健康状况的指标的具体方法为：在特征子空间中利用T2统计量来衡量核主元方法内部波动，它描述了每个采样数据在变化趋势和幅值上与给定方法的偏离程度，T2统计量的定义如下：T2＝[t1,t2,…tp]Λ-1[t1,t2,…tp]T(12)式中，t本文档来自技高网...

【技术保护点】
1.一种基于振动信号的旋转机械设备预警方法，其特征在于：包括以下步骤，/nS1、获取需监测的设备历史运行的且判定为“运行正常”振动信号数据；/nS2、采用小波包分解将振动信号进行分解，得到某一分解层下各频带的相对能量值构成特征矩阵；/nS3、采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间；/nS4、采用T

【技术特征摘要】
1.一种基于振动信号的旋转机械设备预警方法，其特征在于：包括以下步骤，
S1、获取需监测的设备历史运行的且判定为“运行正常”振动信号数据；
S2、采用小波包分解将振动信号进行分解，得到某一分解层下各频带的相对能量值构成特征矩阵；
S3、采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间；
S4、采用T2统计分析的方法处理特征子空间，求得一种表征设备健康状况的指标，T2统计量；
S5、采用基于Beta分布自学习控制限构建的方法，自学习正常历史数据的控制限；
S6、将需要监测的振动信号数据采用S2步骤处理；
S7、将S6处理完成的监测振动信号数据的特征矩阵采用动态核主成分分析的方法，求得其T2统计量；
S8、若S7得到的统计量超出S5构建的自学习正常数据控制限则报警。


2.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法，其特征在于：步骤S2中根据小波包能量值分解得到特征矩阵的具体方法为，
将振动信号采用某一小波进行分解，最终在某一分解层数j上划分为不同频带的小波包系数小波包能量通过小波包系数求得，单一尺度下小波包能量为该尺度下小波包系数的平方和；



式中，j为小波包的分解层数，i∈(0,1,…,2j-1)，d(j,i)为第j层第i+1个子频带的小波包系数；
振动信号的能量被分解在各个子频带中，不同的故障特征在各个频带上的能量占比也不同，因此定义小波包相对能量为：



式中Xj,i为相对能量值，反映了不同子频带的能量占比，选取某层分解后的小波包各子频带相对能量作为该信号的特征矩阵。


3.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法，其特征在于：步骤S2中根据小波包能量值分解得到特征矩阵小波包的选择和分解层数选择的具体方法为，
在小波包分解过程中，小波形状需要根据所分析信号的特征与设备类型进行选择，分解层数选择3-6层。


4.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法，其特征在于：步骤S3中采用动态核主成分分析方法，将S2得到的特征矩阵分解为特征子空间与残差子空间的具体方法为，
在应用KPCA之前执行数据矩阵的时滞扩展；假设某时刻下信号经特征提取后求得的特征矩阵为Xt，则用前l个时刻的观测数据扩展该时刻下的样本数据扩展当前的样本数据，扩展后的动态样本振动信号的特征数据矩阵为
X＝[XtXt-1…Xt-l]T(3)
式中，X为t时刻下振动信号的动态化特征矩阵，Xt-1为t-1时刻下振动信号的特征矩阵；
假设某振动信号经过小波包分解得到动态能量特征矩阵Xn×m，存在某变换Φ，使得矩阵内某向量xi→Φ(xi)，计算特征空间内n个Φ(x)的样本协方差阵：



式中，Φ(xi)为振动信号的特征矩阵变换，使对振动信号特征的样本协方差内的C进行特征值分解，得到的特征值λ和特征向量V满足
λV＝CV(5)
上式两边同乘Φ(xi)，得
λ(Φ(xi)·V)＝(Φ(xi)·CV)(6)
求解振动信号特征的协方差矩阵C的特征值所对应的特征向量V

【专利技术属性】
技术研发人员：王庆锋，卫炳坤，刘家赫，马文生，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11