【技术实现步骤摘要】
一种基于多参量信息融合的装备关键承力结构件故障诊断方法
[0001]本专利技术涉及装备关键承力结构件的故障诊断领域，具体涉及一种基于多参量信息融合的装备关键承力结构件故障诊断方法。
技术介绍
[0002]长期以来，在极端环境下服役的装备关键承力结构件经常疲劳失效，面临寿命短、可靠性差和结构重三大问题。关键承力结构件的失效将导致灾难性的后果，因而对故障诊断的实时性和精度提出了更高的要求。
[0003]目前装备关键承力结构件的故障诊断技术主要基于对单一类型传感器的检测信息，例如基于加速度传感器检测的振动信号信息进行故障诊断，由于故障特征与故障形式的非线性关系，这种基于单一类型的物理量进行诊断的技术存在诊断故障类型有限、故障诊断率低等缺点。此外，由于装备关键承力结构件长时间运行在交变载荷、高温高压、变速等极端服役条件下，多个振动激励源相互作用，从振动激励源到结构特性经过不同传递途径的衰减和混合作用，使得所监测振动信号具有明显的时变性、非平稳性和非线性等特点，振动信号中所包含微弱故障特征信息很容易被掩盖或产生畸变。
...
【技术保护点】
【技术特征摘要】
1.一种基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于，包括以下步骤：步骤A、基于温度传感器、加速度传感器和声发射传感器分别采集关键承力结构件的温度信号、振动信号和声发射信号；步骤B、基于扩展卡尔曼滤波器对采集对振动信号的微弱故障特征进行增强；步骤B1、基于过零点检测将原始振动信号进行截断，保留至少3个检测周期；步骤B2、采用扩展卡尔曼滤波框架对经过截断处理的振动信号进行滤波；步骤B3、在滤波趋于稳态后，根据观测预测误差的大小为预测值进行修正，进而得到增强后的振动信号；步骤C、对温度信号和声发射信号，以及经过步骤B增强后的振动信号分别进行特征提取和故障诊断；步骤D、将步骤C中经过故障诊断后的数据进行融合，获得最终的诊断结果。2.根据权利要求1所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B1中通过过零点检测对振动信号进行截断时，具体采用以下方式：(1)使用符号函数sgn[]对加速度传感器采集的振动信号z
ori
进行处理，以求得过零点个数M；(2)根据振动信号样本的时间长度和周期个数计算相邻两个过零点的平均间隔，判断并删除受到噪音干扰的过零点；(3)获得原始振动信号样本的周期个数N：(4)针对采集的振动信号在多种工况下的多个训练样本，计算训练样本中第1个到第7个过零点之间的振动信号的时间长度的最大值，并将所有的振动信号都截断至该时间长度，得到截断处理后的振动信号z。3.根据权利要求2所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B2中，对经过截断处理的振动信号进行滤波时采用以下方式：(1)引入状态空间模型：x
k+1
＝f
k
(x
k
,w
k
)z
k
＝h
k
(x
k
,v
k
)其中f
k
为状态方程，h
k
为观测方程，w
k
为过程噪音，v
k
为观测噪声，z
k
为k时刻经过截断处理的振动信号的值，x
k+1
为k+1时刻纯净振动信号的值；(2)系统模型线性化处理：其中x
k
为k时刻的纯净振动信号的真值，为k
‑
1时刻的最优估计值，为估计误差；(3)k时刻纯净振动信号的的先验估计：
由于实际情况中k
‑
1时刻的真值无法获取，使用最优估计值代替真值；因此k时刻的纯净振动信号估计误差为：(4)纯净振动信号估计误差协方差矩阵：(5)确定k时刻的观测线性化方程：(6)k时刻的观测振动信号的先验估计：因此k时刻的观测振动信号估计的误差为：(7)根据协方差矩阵确定k时刻的卡尔曼增益：其中为纯净振动信号估计误差和观测振动信号估计误差的协方差矩阵，为观测振动信号估计误差的协方差矩阵：为观测振动信号估计误差的协方差矩阵：(8)更新k时刻的纯净振动信号的最优估计值：(9)更新k时刻的协方差矩阵：通过不断地迭代运算得到纯净振动信号所有时刻的的最优估计4.根据权利要求3所述的基于多参量信息融合的装备关键承力结构件故障诊断方法，其特征在于：所述步骤B3中，在滤波趋于稳态后，观测振动信号误差趋于极小值，根据观测振动信号误差的大小判断是否应该调整预测值：其中，为观测振动信号误差的最大值，当满足上式时，认为滤波正常；当上式不成立
时，认为状态发生了突变，此时观测值的可靠性较高，预测值的可靠性较低，应基于以下方式修正预测值：...
【专利技术属性】
技术研发人员：刘扬，姜明顺，张雷，张法业，杜泽厚，焦美凤，赵振，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。