基于多元参数估计和图像识别的旋转设备故障诊断方法技术

本发明专利技术提出一种基于多元参数估计和图像识别的旋转设备故障诊断方法，包括以下步骤：S1，对原始振动加速度信号使用滤波方法实现信号降噪处理，对加速度信号进行频域积分得到速度信号；S2，确定故障频带，提取故障频带内的信号并进行包络谱变换，实现特征提取；S3，根据设备失效概率和特征频率，计算各特征对应的特征权重值；S4，通过多参数状态估计技术计算验证数据中各特征参数的估计值和残差值；S5，建立基于频率和残差的二维网格图或基于时间、频率和残差的三维网格图，识别图像中的关键变化信息，根据关键特征实现故障诊断。大大提高故障诊断精度，诊断效率也得到提高。诊断效率也得到提高。

【技术实现步骤摘要】
基于多元参数估计和图像识别的旋转设备故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其是一种基于多元参数估计和图像识别的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。任何一类旋转设备出现故障都有可能会造成系统非计划停机，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。因此在强噪声和多种干扰条件下，及时发现设备运行异常，准确诊断出旋转设备故障类型，对旋转机械系统的状态监测具有重要意义。
[0003]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。还有一种多变量状态估计算法，通过将当前运行数据和已生成的历史运行状态进行对比，计算并比较多状态变量之间的相似度，从而实现故障诊断。针对特征参数的提取方法，有提取时域特征参数，频域特征参数基础上，应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。若设备工况不稳定，设备异常特征频率与理论特征频率存在偏差，直接进行特征提取的方法容易忽略一些关键频率。且对于早期故障信号，信号中的噪声信号不能有效剔除，导致无法提取到设备中关键故障信号，使得故障识别准确率低。
[0004]在中国专利文献上公开的“一种故障诊断方法和故障诊断系统”，其公开号为CN108803573A，本申请实施例公开了一种故障诊断方法和故障诊断系统，使得故障诊断人员能快速得到故障数据，从而实现对旋转设备振动故障的及时诊断，并提高对旋转设备振动故障诊断的准确性。本申请实施例方法应用于旋转设备的故障诊断系统，故障诊断系统包括至少一个旋转设备振动诊断系统TDM和至少一个客户端DC，至少一个TDM与至少一个DC具备相互通信功能，旋转设备的故障数据作为目标区块存储在至少一个TDM中，具体实现方式如下：在目标旋转设备发生振动故障时，故障诊断系统获取目标旋转设备的故障数据；故障诊断系统向至少一个DC发送目标旋转设备的故障数据；故障诊断系统接收至少一个DC反馈的诊断结果，诊断结果为分析所述故障数据得到。但是该专利技术并未解决在旋转设备故障诊断以及数据的处理过程中遇到的具体问题，且未针对相应的问题提出相应的算法。

技术实现思路

[0005]本专利技术为了解决现有旋转设备故障诊断方法中，特征参数提取困难，特征权重一致，故障诊断准确率低的问题，提出一种结合多元参数估计和图像识别的旋转设备故障诊断方法。通过滤波、故障频带选择、包络谱分析方法实现信号噪声剔除和特征提取，以信号全频带的频谱作为特征参数建立模型，保留原始数据的所有特征；根据设备类型和失效模
式建立特征参数权重计算模型，为特征参数赋予不同权重值，通过多参数状态估计方法实现待观测样本的估计值和残差计算，提高各参数的估计精度。最后，建立时间、频率和残差的三维网格图或频率和残差的二维网格图，识别图像中的关键变化信息，实现故障识别。大大提高故障诊断精度，诊断效率也得到提高。
[0006]为了实现上述目的，本专利技术采用以下技术方案：基于多元参数估计和图像识别的旋转设备故障诊断方法，包括以下步骤：S1，对原始振动加速度信号使用滤波方法实现信号降噪处理，对加速度信号进行频域积分得到速度信号；S2，确定故障频带，提取故障频带内的信号并进行包络谱变换，实现特征提取；S3，根据设备失效概率和特征频率，计算各特征对应的特征权重值；S4，通过多参数状态估计技术计算验证数据中各特征参数的估计值和残差值；S5，建立基于频率和残差的二维网格图或基于时间、频率和残差的三维网格图，识别图像中的关键变化信息，根据关键特征实现故障诊断。
[0007]本专利技术中，结合维纳滤波、谱峭度和包络谱分析进行特征提取，又依据旋转设备的类型、旋转设备工况以及失效模式建立权重，使用信号包络谱数据建立多参数状态估计方法模型，最后使用三维网格图建立参数状态估计方法残差模型，通过自适应阈值识别图像关键变化信息进行故障诊断，通过识别图像中的关键变化信息，实现了故障的识别，针对现有技术中容易遗漏一些关键特征、未考虑特征参数权重影响等问题，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，借助于识别图像关键信息，提高故障诊断精度，诊断效率也得到了提升。
[0008]作为优选，所述步骤S1包括以下步骤：S11，振动加速度信号s(t)可表示为：s(t)＝x(t)+d(t)其中，x(t)表示设备振动信号，d(t)表示噪声信号；对s(t)进行离散S变换：其中ω(t)代表窗函数；S12，定义域半径和窗函数后，对S变换的分辨率进行调节，导出数字滤波器H(z)：其中，P
xy
是x(t)与s(t)的互功率谱密度，P
y
是s(t)的功率谱密度，H(z)是z域上的数字滤波器传递函数，γ是域半径；S13，根据最小均方误差准则计算最优滤波器，并对信号进行离散S逆变换，可识别出振动信号x(t)为：S14，对振动信号x(t)使用频域积分得到速度信号v(t)，一次积分的数值计算公式
为：为：f
l
，f
r
分别表示下限截止频率和上限截止频率；X(k)表示为x(t)的傅里叶变换，Δf表示频率分辨率，k是振动信号x(t)对应的数据点，H(k)是频率系数，N为x(t)的数据个数，γ是域半径。
[0009]本专利技术中，通过维纳滤波方法进行信号降噪，再对降噪后的加速度信号积分求出速度信号，实现信号的噪声剔除。
[0010]作为优选，所述步骤S2包括以下步骤：S21，设置分解层数k由2递增至n，分别构建多个带通、带阻滤波器，对信号进行滤波处理，得到2
k
个分量信号，计算各分量信号的峭度值，假设振动信号的长度为N，分量信号表示为d，峭度值的公式为：S22，根据峭度值的最大值确定信号的最优分解层数和最优滤波器系数，对信号v(t)和滤波器系数进行卷积计算，得到故障特征信号；S23，对故障特征信号进行包络谱变换，得到故障特征信号的频域信息。
[0011]本专利技术中，采用谱峭度方法对故障频带进行选择，随后通过包络谱变换，实现信号的特征提取。
[0012]作为优选，所述步骤S3包括以下步骤：S31，根据设备转速和设备类型计算故障特征频率；S32，统计设备失效概率p1和设备故障发生特征频率出现异常的概率p2，根据公式计算故障特征信号频域信息中各个频率的权重值k
f
；其中，f为频率；m为设备失效类型个数；对k
f
进行归一化处理，得到各频率的最终权重值进行归一化处理，得到各频率的最终权重值
[0013]本专利技术中，设备失效概率和特征频率可通过旋转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多元参数估计和图像识别的旋转设备故障诊断方法，其特征是，包括以下步骤：S1，对原始振动加速度信号使用滤波方法实现信号降噪处理，对加速度信号进行频域积分得到速度信号；S2，确定故障频带，提取故障频带内的信号并进行包络谱变换，实现特征提取；S3，根据设备失效概率和特征频率，计算各特征对应的特征权重值；S4，通过多参数状态估计技术计算验证数据中各特征参数的估计值和残差值；S5，建立基于频率和残差的二维网格图或基于时间、频率和残差的三维网格图，识别图像中的关键变化信息，根据关键特征实现故障诊断。2.根据权利要求1所述的基于多元参数估计和图像识别的旋转设备故障诊断方法，其特征是，所述步骤S1包括以下步骤：S11，振动加速度信号s(t)可表示为：s(t)＝x(t)+d(t)其中，x(t)表示设备振动信号，d(t)表示噪声信号；对s(t)进行离散S变换：其中ω(t)代表窗函数；S12，定义域半径和窗函数后，对S变换的分辨率进行调节，导出数字滤波器H(z)：其中，P
xy
是x(t)与s(t)的互功率谱密度，P
y
是s(t)的功率谱密度，H(z)是z域上的数字滤波器传递函数，γ是域半径。S13，根据最小均方误差准则计算最优滤波器，并对信号进行离散S逆变换，可识别出振动信号x(t)为：S14，对振动信号x(t)使用频域积分得到速度信号v(t)，一次积分的数值计算公式为：S14，对振动信号x(t)使用频域积分得到速度信号v(t)，一次积分的数值计算公式为：f
l
，f
r
分别表示下限截止频率和上限截止频率；X(k)表示为x(t)的傅里叶变换，Δf表示频率分辨率，k是振动信号x(t)对应的数据点，H(k)是频率系数，N为x(t)的数据个数，γ是域半径。3.根据权利要求1所述的基于多元参数估计和图像识别的旋转设备故障诊断方法，其特征是，所述步骤S2包括以下步骤：S21，设置分解层数k由2递增至n，分别构建多个带通、带阻滤波器，对信号进行滤波处理，得到2
k
个分量信号，计算各分量信号的峭度值，假设振动信号的长度为N，分量信号表示
为d，峭度值的公式为：S22，根据峭度值的最大值确定信号的最优分解层数和最优滤波器系数，对信号v(t)和滤波器系数进行...

【专利技术属性】
技术研发人员：李倩，赵彤，杨皓杰，胡宏光，孙丰诚，倪军，
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：