一种基于全尺度时域平均的船舶旋转机械故障诊断方法技术

本发明专利技术涉及一种基于全尺度时域平均的船舶旋转机械故障诊断方法，包含以下步骤：S1：采集旋转机械在产生不同故障状态以及正常工作状态下对应的多种振动信号作为样本数据,对多种所述样本数据进行全尺度时域平均处理；S2：将样本数据分为训练集和测试集，利用训练集训练分类器模型，并用测试集验证该分类器模型的准确性，直至选出能够准确判断所述旋转机械状态的分类器模型；S3：在旋转机械运行时采集其振动信号，作为检测数据；S4：利用选出的所述分类器模型对所述振动信号的检测数据进行判断，如果存在故障振动信号则发出报警并输出故障诊断结果。本发明专利技术报警速率快，故障判断精确。故障判断精确。故障判断精确。

【技术实现步骤摘要】
一种基于全尺度时域平均的船舶旋转机械故障诊断方法


[0001]本专利技术涉及船舶机舱设备故障诊断领域，尤其涉及一种基于全尺度时域平均的船舶旋转机械故障诊断方法。

技术介绍

[0002]随着经济全球化的浪潮，船舶作为最重要的海上交通工具，其安全稳定的运行是各国贸易与国际物流公司所关注的重中之重。而现在中大型船舶机舱设备中有许多旋转机械，其安全可靠的运行是保证船舶航行安全的重要因素之一。
[0003]传统的船舶旋转机械运行安全报警有两种：一种是基于系统阈值的故障报警，即超过相关阈值则产生报警，这种报警方式往往只能判断是否存在故障，而难以对故障进行分类，对船员维修造成了一定的困难。第二种是基于机理的故障诊断，这种方法需要专家对故障机理进行分析排查，难以及时快速的反应故障原因。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种船舶旋转机械故障诊断方法，该方法包含以下步骤：包含以下步骤：
[0005]S1：采集旋转机械在产生不同故障状态以及正常工作状态下对应的多种振动信号作为样本数据，对多种所述样本数据进行全尺度时域平均处理；
[0006]S2：对全尺度时域平均处理后的所述样本数据分为训练集和测试集，利用训练集训练分类器模型，并利用测试集验证该分类器模型的准确性，直至选出能够准确判断所述旋转机械状态的分类器模型；
[0007]S3：在旋转机械运行时采集其振动信号，作为检测数据；
[0008]S4：利用S2步骤选出的所述分类器模型对S3步骤的所述振动信号检测数据进行判断，如果存在故障振动信号则发出报警并输出故障诊断结果。
[0009]进一步地，如果所述S2步骤中的分类器模型达到准确度要求，则继续进行S3步骤，否则进行S1步骤获取更多的样本数据以供S2步骤分类器模型训练和验证，直至选出能够准确判断所述旋转机械状态的分类器模型。
[0010]进一步地，所述S1步骤进一步包含以下内容：
[0011]对所述多种振动信号的样本数据进行全尺度时域平均处理，提取出不同尺度下的特征向量并构建成为特征矩阵X，并在所述特征矩阵X中用不同的标号区别出旋转机械在不同振动情况下的特征向量。
[0012]进一步地，将所述特征矩阵X分为训练集X1和测试集X2，将测试集X2中的标号擦除；使用带标号的训练集X1训练分类器模型，使用不带标号的测试集X2测试训练好的分类器模型，直至选出能够准确判断所述旋转机械状态的分类器模型。
[0013]进一步地，所述S3步骤中对采集的振动信号的检测数据进行全尺度时域处理，在S4步骤中对进行全尺度时域处理的所述振动信号的检测数据进行判断。
[0014]进一步地，所述全尺度时域平均处理方法包含以下步骤：
[0015]S201：根据故障诊断精度确定步长s，并令i＝1；
[0016]S202：确定计算尺度L，且L＝i
×
s；
[0017]S203：对振动信号进行计算尺度为L的时域平均，得到该计算尺度下的特征向量；
[0018]S204：如果计算尺度L小于振动信号长度，则令i＝i+1并返回步骤S202，否则将步骤S203中得到的特征向量构建成为特征矩阵并输出。
[0019]本专利技术与现有技术相比，具有以下有益效果：
[0020]1、本专利技术可在传统阈值报警前进行快速有效的报警，可有效防止更加严重的事故发生。使用全尺度时域平均处理方法可以快速有效的提取出与故障特征相关的特征向量，对故障进行精确的判断。
[0021]2、本专利技术可在无需专家进行机理分析的前提下有效地对旋转机械产生的故障进行判断，有助于相关人员对机械进行维修。提高了船舶旋转机械故障产生后维修的效率与船舶机械运行的效率。
附图说明
[0022]图1为本专利技术的基于全尺度时域平均的船舶旋转机械故障诊断方法的流程图；
[0023]图2为全尺度时域平均处理方法的流程图。
具体实施方式
[0024]以下结合附图和具体实施方式对本专利技术提出的一种基于全尺度时域平均的船舶旋转机械故障诊断方法作进一步详细说明。根据下面说明，本专利技术的优点和特征将更清楚。
[0025]如图1所示，本专利技术的基于全尺度时域平均的船舶旋转机械故障诊断方法的流程图，首先通过对船舶旋转机械的故障模拟获取振动样本数据，并且使用全尺度时域平均方法提取出振动信号作为样本数据中与故障相关的特征向量；
[0026]将全尺度时域平均处理的振动样本数据分为训练集和测试集，使用训练集训练分类器模型并使用测试集验证分类器的准确性；
[0027]通过对船舶旋转机械的振动信号进行监测和采集，对采集到的振动信号使用全尺度时域平均法提取特征向量，最后用训练好的分类器完成故障报警与故障诊断。
[0028]具体地，在S1步骤中对船舶风机进行故障模拟测量风机正常状态下振动情况并模拟风机出现的三种故障情况，分别是风机扇叶不平衡故障、风机底座松动故障、风机堵转故障，以及包括正常状态下的四种情况下测量风机的多个振动样本数据，对取得的振动样本数据进行全尺度时域平均处理；每个振动样本数据经过全尺度时域平均处理后都可以得到一个特征矩阵X，将所有振动样本数据的特征矩阵X以不同的振动情况进行对应标记后构成一数据集；
[0029]S2：将全尺度时域平均处理后的振动样本数据，即S1步骤的特征矩阵X标记后构成的数据集，将所述数据集分为训练集和测试集，利用训练集训练分类器模型，并用测试集验证该分类器模型的准确性，直至选出能够准确判断所述旋转机械状态的分类器模型，本实施例使用支持向量机作为分类器。具体的过程为：将特征矩阵X分为训练集X1和测试集X2，并用不同标号区别不同振动情况，并将X2中的标号擦除。使用带标号的数据集X1训练支持向量
机(分类器)模型，使用不带标号的数据集X2测试训练好的支持向量机模型。如果该模型达到准确度要求，则可进行S3步骤，否则进行步骤S1获取更多的振动样本数据以提高支持向量机的分类精度。
[0030]S3：在旋转机械运行时采集其振动信号，对有待监测的船舶风机进行振动信号数据采集，将采集到的振动信号进行全尺度时域平均处理，得到特征向量x；
[0031]S4：利用S2步骤选出的所述分类器模型对S3步骤的所述振动信号进行判断，如果存在故障振动信号则发出报警并输出故障诊断结果。具体地，将步骤S3中提取出的特征向量x输入步骤S2中训练好的支持向量机中，通过支持向量机进行预测。支持向量机根据特征向量x可以返回一个结果，如果结果为正常则继续S3步骤，否则发出报警，并输出当前故障类型。
[0032]其中，全尺度时域平均处理方法具体实现如图2所示，包含以下步骤：
[0033]步骤S201：根据故障诊断精度确定步长s，并令i＝1；其中故障诊断精度为可调节参数，精度越高计算时间越长，默认步长设置为0.5。
[0034]步骤S202：确定计算尺度为L，且L＝i
×
s；
[0035]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全尺度时域平均的船舶旋转机械故障诊断方法，其特征在于，包含以下步骤：S1：采集旋转机械在产生不同故障状态以及正常工作状态下对应的多种振动信号作为样本数据，对多种所述样本数据进行全尺度时域平均处理；S2：对全尺度时域平均处理后的所述样本数据分为训练集和测试集，利用训练集训练分类器模型，并利用测试集验证该分类器模型的准确性，直至选出能够准确判断所述旋转机械状态的分类器模型；S3：在旋转机械运行时采集其振动信号，作为检测数据；S4：利用S2步骤选出的所述分类器模型对S3步骤的所述振动信号检测数据进行判断，如果存在故障振动信号则发出报警并输出故障诊断结果。2.如权利要求1所述的船舶旋转机械故障诊断方法，其特征在于，如果所述S2步骤中的分类器模型达到准确度要求，则继续进行S3步骤，否则进行S1步骤获取更多的样本数据以供S2步骤分类器模型训练和验证，直至选出能够准确判断所述旋转机械状态的分类器模型。3.如权利要求1所述的船舶旋转机械故障诊断方法，其特征在于，所述S1步骤进一步包含以下内容：对所述多种振动信号的样本数据进行全尺度时域平均处理，提取出不同尺度下的特征向量并构建成为特征矩阵X，并在所述特征矩阵X中用不同...

【专利技术属性】
技术研发人员：蒋佳炜，胡以怀，方云虎，张成，芮晓松，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：