基于非线性频谱分析的故障检测与诊断方法技术

一种基于非线性频谱分析的状态检测与故障诊断方法，其实现步骤是：（１）模型简化；（２）激励信号设计；（３）数据采集与数据压缩；（４）选取辨识算法；（５）信号预处理；（６）模型泛化能力检验；（７）模式分类与故障诊断试验；最后是对临界故障状态进行报警，对故障状态进行应急处理。该方法不仅可以适用于线性和非线性系统的状态检测与故障诊断，而且可以大大提高检测与诊断精度，可以在线实际应用。（*该技术在2019年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术属于控制科学与工程学科领域，进一步涉及一种基于非线性频谱分析的状态检测与故障诊断方法。目前，关于状态检测与故障诊断有两种最基本的方法，一种方法基于信号处理，另一种基于过程分析。基于信号处理的状态检测与故障诊断方法是最基本的方法(见J.S.米尔著，林明邦等译，《机器故障的分析与监测》，机械工业出版社，1990)。因为系统输出信号幅值、相位、频率、相关性等参量的变化往往与故障源之间存在一定的联系，通过信号处理可得到输出信号的频谱图等特性，并由此可以分析得出系统所处得状态。常用的方法有谱分析法、概率密度法、时序分析法等。此方法的优点是简单直观，在许多情况下也很有效。但由于只利用了输出信号，不能完全反映系统的本质特性，所以这种方法不可避免地有其局限性。即对一些系统而言，输出信号的变化并不能完全反映对象特征的变化，容易造成误判。基于过程分析的方法，就是利用对象的输入输出信号，用模型辨识方法获得对象传递特性的变化，并由此判断系统是否处于故障状态。参数模型辨识或非参数模型辨识，均属于这类方法(见周东华、孙优贤著，《控制系统的故障检测与诊断技术》，清华大学出版社，1994)。直接基于参数模型辨识的方法是一种流行的辨识方法，优点是算法通用，容易实现；它的缺点是参数估计的精确性依赖于模型结构的正确，而模型结构辨识却是一件十分困难的事情。本专利技术的目的在于克服上述现有技术的缺点，提出一种基于非线性频谱分析的状态检测与故障诊断方法，不仅可以适用于线性和非线性系统的状态检测与故障诊断，而且可以大大提高检测与诊断精度，可以在线实际应用。本专利技术的核心技术是利用非线性动态系统的频谱分析方法进行状态检测与故障诊断。所谓非线性动态系统的频谱分析，就是利用非线性对象的实测输入输出数据获取其广义频率响应函数(Generalized Frequency Response Function，简称GFRF)模型，或称为对象的非线性传递特性频谱图。所谓基于非线性频谱分析的状态检测与故障诊断方法，就是对已经获取的GFRF模型进行特征提取和模式分类，以判断对象是处于正常状态、临界故障状态，或故障状态。本专利技术的技术方案主要通过如下步骤实现1.模型简化，即根据GFRF模型所具有的对称性、共轭对称性和零极点分布等特点，对模型结构进行简化；2.激励信号设计，即根据辨识需要，选定一种激励信号；本专利技术采用具有较宽频带的伪白噪声信号作为附加激励信号输入对象；3.根据对象特点选取采样周期和数据样本长度，并对实际对象的输入输出进行同步采样，获取辨识数据；又根据非线性非参数模型辨识的特点，对参与辨识的数据进行压缩；4.选取辨识算法，即根据数据特征最终选定一种方法，本专利技术采用按奇异值分解的整体最小二乘算法；5.信号预处理，即对输入输出数据进行变换和调理，使得这些输入输出数据更适合用于系统辨识；6.模型泛化能力检验，即对辨识所得GFRF模型，利用未参与辨识的其它信号进行模型泛化能力检验，计算模型输出并测量实际系统输出，检验均方误差，以确定模型是否适用于状态检测与故障诊断；7.模式分类与故障诊断试验，即采用多层感知器神经网络BP算法，对已获取的GFRF谱图特征进行模式分类，以确定对象处于何种状态，从而达到状态检测的目的；并利用分类信息以确定对象是否处于故障或临界故障状态，对临界故障状态进行报警，对故障状态进行应急处理。附图说明图1是本专利技术的试验系统结构简图。图2是实施例中一个紫铜板试验片的非线性频谱图，其中(i)、(ii)、(iii)分别是一阶、二阶和三阶频谱图；上图是幅频特性曲线，纵坐标是幅值；下图是相频特性曲线，纵坐标是相位；横坐标均是频率。图3是实施例的检验结果，其中上图为模型输出预测与实际输出量测的曲线拟合图，下图为误差曲线图，横坐标是时间，纵坐标是幅值。本专利技术的试验系统结构如图1所示。其中1是输出信号检测传感器；2是输入信号检测传感器；3是被测的非线性试验片；4是驱动装置；5是数据采集装置；6是信号源；7是计算机。被测试的非线性试验片3是一批簧片，其振动具有明显的非线性特征，而且随着结构和材料的变化其非线性特性有明显变化，故障也有明显的特征。取三个试样进行实测，这三个试样分别为长172mm、宽20mm的紫铜板、黄铜板和铝板。本专利技术的实施例按以下步骤进行1.模型简化实施过程是一阶选取全部点，二阶选取1/4点，三阶选取中心线上的点；高阶全部省略。2.激励信号设计为伪白噪声信号。利用计算机7设定激励信号，再通过信号源6用驱动装置4使试验片3振动。3.选取采样周期为0.4毫秒，样本长度为1100；再利用输入输出检测传感器1和2获得输入输出信号，再通过数据采样装置5进行采样获得输入输出数据传给计算机7；由于辨识采用非参数模型，对输入输出数据进行分类，共分为32类；在同类中进行辨识，而不是利用全部数据，达到数据压缩目的。4.用奇异值分解的整体最小二乘算法进行GFRF模型辨识。5.采用数值滤波法对信号进行预处理，并进行快速付立叶变换(FFT)，我们用处理过的1024对数据进行辨识。6.进行实际辨识，得到试验片的频谱图，如图2所示。然后用模型对另外的输入信号产生的输出进行预测，同时进行实际测试，以检验模型的泛化能力；实际上我们应用第1025对到第1125对数据进行模型检验，得到图3所示的拟合曲线，其中实线是由模型估计的输出，虚线是实际测量的输出，二者拟合程度相当理想，拟合误差在±5％以内。7.采用神经元网络对频谱图进行模式分类，得到表1所示的分类结果。分类成功率超过80％。表1 注其中测试次数指对试验片的测试次数；收敛步数指每次迭代学习所用的迭代次数；模式分类错误率指各试件用于模式分类时失败的次数与总试验次数之比。权利要求1.，其特征在于(1)模型简化，即根据GFRF模型所具有的对称性、共轭对称性和零极点分布等特点，对模型结构进行简化；(2)激励信号设计，即根据辨识需要，采用具有较宽频带的伪白噪声信号作为附加激励信号输入对象；(3)根据对象特点选取采样周期和数据样本长度，并对实际对象的输入输出进行同步采样，获取辨识数据，又根据非线性非参数模型辨识的特点，对参与辨识的数据进行压缩；(4)选取辨识算法，即采用按奇异值分解的整体最小二乘算法；(5)信号预处理，即对输入输出数据进行变换和调理，使得这些输入输出数据更适合用于系统辨识；(6)模型泛化能力检验，即对辨识所得GFRF模型，利用未参与辨识的其它信号进行模型泛化能力检验，计算模型输出并测量实际系统输出，检验均方误差，以确定模型是否适用于状态检测与故障诊断；(7)模式分类与故障诊断试验，即采用多层感知器神经网络BP算法，对已获取的GFRF谱图特征进行模式分类，以确定对象处于何种状态，并利用分类信息以确定对象是否处于故障或临界故障状态，对临界故障状态进行报警，对故障状态进行应急处理。2.根据权利要求1所述的方法，其特征在于，模型简化实施过程是一阶选取全部点，二阶选取1/4点，三阶选取中心线上的点，高阶全部省略。3.根据权利要求1所述的方法，其特征在于，激励信号设计为伪白噪声信号，然后利用计算机7设定激励信号，再通过信号源6用驱动装置4使试验片3振动。4.根据权利要求1所述的方法，其特征在于，选取采样周期为0.4毫本文档来自技高网...

【技术保护点】
基于非线性频谱分析的故障检测与诊断方法，其特征在于：（１）模型简化，即根据ＧＦＲＦ模型所具有的对称性、共轭对称性和零极点分布等特点，对模型结构进行简化；（２）激励信号设计，即根据辨识需要，采用具有较宽频带的伪白噪声信号作为附加激励信 号输入对象；（３）根据对象特点选取采样周期和数据样本长度，并对实际对象的输入输出进行同步采样，获取辨识数据，又根据非线性非参数模型辨识的特点，对参与辨识的数据进行压缩；（４）选取辨识算法，即采用按奇异值分解的整体最小二乘算法；（ ５）信号预处理，即对输入输出数据进行变换和调理，使得这些输入输出数据更适合用于系统辨识；（６）模型泛化能力检验，即对辨识所得ＧＦＲＦ模型，利用未参与辨识的其它信号进行模型泛化能力检验，计算模型输出并测量实际系统输出，检验均方误差，以确定 模型是否适用于状态检测与故障诊断；（７）模式分类与故障诊断试验，即采用多层感知器神经网络ＢＰ算法，对已获取的ＧＦＲＦ谱图特征进行模式分类，以确定对象处于何种状态，并利用分类信息以确定对象是否处于故障或临界故障状态，对临界故障状态进行报警 ，对故障状态进行应急处理。...

【技术特征摘要】

【专利技术属性】
技术研发人员：韩崇昭，唐晓泉，李涌，王立琦，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：87[中国|西安]