一种旋转设备故障诊断方法技术

本发明专利技术提出一种旋转设备故障诊断方法，包括：步骤A：对振动信号进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择出来的分量信号进行特征参数提取，得到特征参数向量；步骤B：使用reliefF算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；步骤C：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；步骤D：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。本发明专利技术可提高故障诊断精度，实现诊断效率。实现诊断效率。

【技术实现步骤摘要】
一种旋转设备故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其是一种旋转设备故障诊断方法。

技术介绍

[0002]在各种工业现场有大量的旋转设备，旋转设备结构复杂，受环境和噪声影响容易发生故障。任何这些设备出现故障都有可能会造成设备非计划停机，工作人员需要花大量时间来进行故障定位、维修、订购更换零件等，从而产生巨大的经济损失。因此及时发现设备运行异常，准确诊断出旋转设备故障类型，为维修人员检查和维修提供指导建议具有重大意义。
[0003]目前，旋转设备的故障诊断主要是通过技术人员对现场采集的振动信号进行频谱分析、趋势分析等，依靠振动信号处理理论和个人经验来实现故障判断。但这种方式存在两个问题：1、对技术人员的要求过高，不仅需要丰富的现场经验，也需要专业的理论知识；2、现场采集的信号中包含噪声信号，在对信号频带设置和参数选择方面有很大难度。近年来，随着机器学习研究的深入，数据模型也逐渐在旋转设备故障诊断中有一定的应用，常见方法是对采集的振动信号进行特征提取，对不同故障类型数据打标签，然后通过各种分类器方法，比如支持向量机、最近邻、神经网络、决策树等方式实现数据分类。特征参数的提取方法，由提取时域特征参数，频域特征参数基础上，引用信号处理方法如包络谱分析、小波分析和经验模态分解等，对振动信号进行处理得到各分量信号，然后再提取不同分量信号上的时域、频域特征参数。此种方法没有提取到设备中的关键故障信号，导致提取的特征参数冗余量较大，存在很多无效的特征。并且，不同类型故障均使用同样的参数做处理，没有考虑不同故障下的特征参数权重。
[0004]现有的技术最主要的缺点是：1.所提取的特征参数是所有频带的特征参数，其不能自适应的随着故障模式的变化而提取故障频带的特征参数，造成特征参数冗余。2.所有类型的故障模型中，特征参数相同，且没有考虑特征参数之间的权重。这两点缺点会导致有效特征参数和无效特征参数的权重一样，故障识别结果不够准确，诊断错误的概率较高。

技术实现思路

[0005]本专利技术解决了现有旋转设备故障诊断方法中，故障频带选择困难，特征参数权重一致，容易影响故障诊断结果的问题，提出一种考虑特征参数权重的，能自适应提取特征信号中的故障特征，并能够针对不同故障模型计算模型下各特征参数的权重，通过多参数状态估计技术实现故障模式识别，可提高故障诊断精度，实现诊断效率，通过relief方法和多参数状态估计算法建立旋转设备故障模型，实现工业现场旋转设备故障模式识别。
[0006]为实现上述目的，提出以下技术方案：
[0007]一种旋转设备故障诊断方法，包括步骤：
[0008]步骤A：对振动信号进行小波包分解，根据峭度和能量熵综合评价指标确定小波包分解层数k，并进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择
出来的分量信号进行特征参数提取，得到特征参数向量；
[0009]步骤B：使用reliefF算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；
[0010]步骤C：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；
[0011]步骤D：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。
[0012]本专利技术通过峭度值和信息熵综合综合评价计算小波包最优分解层数，实现振动故障信号自适应抽取；通过reliefF算法可对故障类型下的特征参数进行选择，得到特征参数权重，降低特征冗余度，并建立不同故障模式下的故障模型；通过多参数估计算法计算待测参数与故障模型间的裕度值和置信度，通过置信度判断故障所属类别，可有效提高故障诊断效率。本专利技术能根据振动信号特征自适应确定信号的最优分解层数，对信号分解提取故障的特征信号并获取特征参数，并根据故障类型建立不同故障模型，各模型基于不同的特征参数，权重值也不尽相同。最后通过计算待测信号在不同故障模型下的置信区间，得到故障模式识别结果。
[0013]作为优选，所述步骤A具体包括以下步骤：
[0014]步骤A1：设置分解层数k由2递增至n，依次对振动信号进行小波包分解，得到2
k
个分量信号，计算各分量信号的峭度和能量熵的综合评价指标，假设振动信号的长度为N，分量信号表示为x，评价指标的公式为：
[0015][0016]其中，p
i
为每个分量信号的能量占比；
[0017]步骤A2：记录在不同分解层数下最大的评价指标，根据评价指标曲线中的最大值确定最优分解层数；
[0018]步骤A3：分解层数确定后，对振动信号进行小波包分解，并对评价指标最大的分量信号进行特征参数提取。
[0019]作为优选，所述特征参数提取包括有效值、峰值、峭度、峭度指标、波形指标和频域特征参数。
[0020]作为优选，所述步骤B具体包括以下步骤：
[0021]步骤B1：构建特征参数数据集Z，所述特征参数数据集Z中包含测试数据中的所有样本，故障共有b组故障类别，b
i
代表第i个故障类别名称，使用reliefF算法计算设备故障不同类型下的特征参数权重，reliefF算法是一种特征参数选择方法，能够有效地实现特征参数选择及特征权重确认。
[0022]步骤B2：将所有特征参数的权重值w设置为0，特征参数选择结果设置为空；
[0023]步骤B3：从全量矩阵中有放回地选择出第j个样本，第j个样本对应的故障类别为b
i
，先在属于b
i
故障类别的矩阵中筛选出前s个最相邻的样本，构成H
l
(l＝1,2,...,s)，按照同样的方法筛选在其他故障类别的中的前s个最相邻的样本，构成M
l
(b
q
)(l＝1,2,...,s)，M
l
(b
q
)代表属于b
q
(q≠i)故障类别的下的第l个最相似的样本；
[0024]步骤B4：计算每个特征参数的权重，计算公式为：
[0025][0026]其中，P(b
q
)代表b
q
故障类别的样本个数在总样本个数中的占比，P(b
i
)代表b
i
故障类别的样本个数在总样本个数中的占比，diff(A,R1,R2)代表样本间的差异；
[0027][0028]步骤B5：建立不同故障类型下的样本参数矩阵，每个故障类型下的特征参数根据计算得到的权重值进行筛选，D
i
是第i类故障下的样本参数矩阵，行代表不同样本中的参数值，列代表一个样本下得到所有特征参数，特征参数个数为n，样本个数为m，则样本矩阵D
i
表示为：
[0029][0030]步骤B6：根据样本矩阵中选择的特征参数，修正对应参数权重，修正方法为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转设备故障诊断方法，其特征是，包括步骤：步骤A：对振动信号进行小波包分解，根据峭度和能量熵综合评价指标确定小波包分解层数k，并进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择出来的分量信号进行特征参数提取，得到特征参数向量；步骤B：使用reliefF算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；步骤C：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；步骤D：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。2.根据权利要求1所述的一种旋转设备故障诊断方法，其特征是，所述步骤A具体包括以下步骤：步骤A1：设置分解层数k由2递增至n，依次对振动信号进行小波包分解，得到2
k
个分量信号，计算各分量信号的峭度和能量熵的综合评价指标，假设振动信号的长度为N，分量信号表示为x，评价指标的公式为：其中，p
i
为每个分量信号的能量占比；步骤A2：记录在不同分解层数下最大的评价指标，根据评价指标曲线中的最大值确定最优分解层数；步骤A3：分解层数确定后，对振动信号进行小波包分解，并对评价指标最大的分量信号进行特征参数提取。3.根据权利要求2所述的一种旋转设备故障诊断方法，其特征是，所述特征参数提取包括有效值、峰值、峭度、峭度指标、波形指标和频域特征参数。4.根据权利要求1所述的一种旋转设备故障诊断方法，其特征是，所述步骤B具体包括以下步骤：步骤B1：构建特征参数数据集Z，所述特征参数数据集Z中包含测试数据中的所有样本，故障共有b组故障类别，b
i
代表第i个故障类别名称，使用reliefF算法计算设备故障不同类型下的特征参数权重；步骤B2：将所有特征参数的权重值w设置为0，特征参数选择结果设置为空；步骤B3：从全量矩阵中有放回地选择出第j个样本，第j个样本对应的故障类别为b
i
，先在属于b
i
故障类别的矩阵中筛选出前s个最相邻的样本，构成H
l
(l＝1,2,...,s)，按...

【专利技术属性】
技术研发人员：李倩，杨皓杰，孙丰诚，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：