一种用于往复机械设备的故障诊断方法和装置制造方法及图纸

技术编号:35467971 阅读:10 留言:0更新日期:2022-11-05 16:12
本发明专利技术公开了一种用于往复机械设备的故障诊断方法,包括:获取每个测点在不同工况下的多组原始加速度信号;对每个测点的原始加速度信号进行完全自适应噪声集合经验模态分解,计算出每层本征模态函数分量与原始加速度信号的相关系数;将对应的相关系数与预设相关系数阈值的本征模态函数分量作为测点的有效分量;计算出测点对应的每层有效分量的模糊熵;将每层有效本征模态函数分量的模糊熵组成一组向量,作为测点的特征样本;构建在线诊断模型,将所有测点的特征样本导入在线诊断模型进行训练,利用训练完成的在线诊断模型对设备各测点进行实时监测。本发明专利技术能够大大提高往复机械设备的故障识别效率和准确性。械设备的故障识别效率和准确性。械设备的故障识别效率和准确性。

【技术实现步骤摘要】
一种用于往复机械设备的故障诊断方法和装置


[0001]本专利技术涉及往复机械设备故障诊断
,具体而言涉及一种用于往复机械设备的故障诊断方法和装置。

技术介绍

[0002]往复机械是一种重要的动力机械,广泛应用于工农业生产中。往复机械具有零部件多、运动复杂、工作环境恶劣等特点,而动力传动部件冲击特征最明显。往复机械是一种多振源、宽频带、振动形态复杂的动力机械,当出现故障时,振动信号呈现出非线性,变得非平稳,其故障特征常常被其他零部件运行中的冲击特征和大量的随机噪声所淹没。
[0003]经验模态分解(EMD)是一种自适应非线性和非平稳信号的分析方法,对于处理往复机械信号非常适合,但EMD分解的主要缺点之一是模态混叠的问题。总体平均经验模态分解(EEMD)法在原始信号中添加一个高斯白噪声信号再进行经验模式分解,可以有效抑制模态混叠现象,但会残留一定的白噪声,影响后续分析。完全自适应噪声集合经验模态分解(CEEMDAN)不仅可以抑制模态混叠,也可以消除白噪声的干扰。
[0004]专利号为CN114004091A的专利技术中提及一种基于CEEMDAN

BNs的风力变桨距系统故障诊断方法,包括:在故障状态的样本时间序列信号中加入白噪声,进行CEEMDAN模态分解,获取多个模态分量信号的IMF和余量信号;选取IMF信号中信噪比高且相关系数大的模态分量,通过希尔伯特变换构建能量特征矩阵;对能量特征矩阵进行区间划分;根据划分后的能量特征矩阵及专家先验知识,构建贝叶斯网络拓扑结构;通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构;训练贝叶斯网络,将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。该专利技术结合CEEMDAN算法通过特征提取构建贝叶斯网络,在改善准确性的同时,实现贝叶斯网络结构的简化和对网络训练速度的提升。但该专利技术并不适用于往复机械设备故障诊断。

技术实现思路

[0005]本专利技术针对现有技术中的不足,提供一种用于往复机械设备的故障诊断方法和装置,利用完全自适应噪声集合经验模态分解与模糊熵相结合识别往复机械故障,大大提高了识别的效率和准确性。
[0006]为实现上述目的,本专利技术采用以下技术方案:
[0007]第一方面,本专利技术实施例提出了一种用于往复机械设备的故障诊断方法,所述故障诊断方法包括以下步骤:
[0008]一种用于往复机械设备的故障诊断方法,其特征在于,所述故障诊断方法包括以下步骤:
[0009]S1、针对待诊断的往复机械设备,设置至少一个测点,获取每个测点在不同工况下的多组原始加速度信号;
[0010]S2、对其中一个测点的原始加速度信号进行完全自适应噪声集合经验模态分解,
计算出每层本征模态函数分量与原始加速度信号的相关系数;
[0011]S3、将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对,如果大于预设相关系数阈值,则将该层本征模态函数分量作为当前测点的有效分量;
[0012]S4、计算出当前测点对应的每层有效分量的模糊熵;
[0013]S5、将每层有效本征模态函数分量的模糊熵组成一组向量,作为该测点的特征样本;
[0014]S6、重复步骤S2~S5,直至计算出所有测点的特征样本;
[0015]S7,构建在线诊断模型,将所有测点的特征样本导入在线诊断模型进行训练,利用训练完成的在线诊断模型对设备各测点进行实时监测。
[0016]进一步地,步骤S1中,获取的每个测点的原始加速度信号包括往复机械设备分别处于正常工作状态和各种典型故障状态时的原始加速度信号。
[0017]进一步地,步骤S1中,通过在每个测点设置振动传感器,以获取每个测点在不同工况下的原始加速度信号。
[0018]进一步地,步骤S3中,预设相关系数阈值为0.3。
[0019]进一步地,步骤S7中,所述在线诊断模型基于支持向量机构建。
[0020]第二方面,本专利技术实施例提出了一种用于往复机械设备的故障诊断装置,所述故障诊断装置包括:
[0021]原始加速度信号获取模块,用于针对待诊断的往复机械设备,设置至少一个测点,获取每个测点在不同工况下的多组原始加速度信号;
[0022]相关系数计算模块,用于对每个测点的原始加速度信号进行完全自适应噪声集合经验模态分解,计算出每层本征模态函数分量与原始加速度信号的相关系数;
[0023]有效分量确定模块,用于将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对,如果大于预设相关系数阈值,则将该层本征模态函数分量作为当前测点的有效分量;
[0024]模糊熵计算模块,用于计算出当前测点对应的每层有效分量的模糊熵;
[0025]特征样本生成模块,用于将每层有效本征模态函数分量的模糊熵组成一组向量,作为该测点的特征样本;
[0026]在线诊断模型,用于对导入的测点的实时加速度信号对应的特征向量进行处理,识别得到各个测点工况;
[0027]模型训练模块,用于结合各个测点的特征样本,对在线诊断模型中进行训练。
[0028]进一步地,所述在线诊断模型基于支持向量机构建。
[0029]本专利技术的有益效果是:
[0030]第一,本专利技术提出的用于往复机械设备的故障诊断方法和装置,运用相关性对信号进行去噪,提高了信号的分辨率,减弱噪声和其他振动信号的干扰、提高了高频分辨率,避免故障信号的丢失和模态重叠。
[0031]第二,本专利技术提出的用于往复机械设备的故障诊断方法和装置,运用模糊熵表征信号的特征,即是将信号的混乱程度通过数字表示出来。
[0032]第三,本专利技术提出的用于往复机械设备的故障诊断方法和装置,利用成熟支持向量机算法进行识别,相对于人工识别,大大提高了识别的效率和准确性。
附图说明
[0033]图1是本专利技术实施例的用于往复机械设备的故障诊断方法流程图。
[0034]图2为本专利技术实施例的振动传感器安装位置示意图。
[0035]图3为本专利技术实施例的原始信号的IMF分量信号示意图。
[0036]图4为本专利技术实施例的信号识别率示意图。
具体实施方式
[0037]现在结合附图对本专利技术作进一步详细的说明。
[0038]需要注意的是,专利技术中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本专利技术可实施的范围,其相对关系的改变或调整,在无实质变更
技术实现思路
下,当亦视为本专利技术可实施的范畴。
[0039]实施例一
[0040]图1是本专利技术实施例的用于往复机械设备的故障诊断方法流程图。参见图1,该故障诊断方法包括以下步骤:
[0041]S1、针对待诊断的往复机械设备,设置至少一个测点,获取每个测点在不同工况下的多组原始加速度信号。
[0042]S2、对其中一个测点的原始加速度信号进行完全自适应噪声集合经验模态分解,计算出每层本征模态函数分量与原始本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种用于往复机械设备的故障诊断方法,其特征在于,所述故障诊断方法包括以下步骤:S1、针对待诊断的往复机械设备,设置至少一个测点,获取每个测点在不同工况下的多组原始加速度信号;S2、对其中一个测点的原始加速度信号进行完全自适应噪声集合经验模态分解,计算出每层本征模态函数分量与原始加速度信号的相关系数;S3、将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对,如果大于预设相关系数阈值,则将该层本征模态函数分量作为当前测点的有效分量;S4、计算出当前测点对应的每层有效分量的模糊熵;S5、将每层有效本征模态函数分量的模糊熵组成一组向量,作为该测点的特征样本;S6、重复步骤S2~S5,直至计算出所有测点的特征样本;S7,构建在线诊断模型,将所有测点的特征样本导入在线诊断模型进行训练,利用训练完成的在线诊断模型对设备各测点进行实时监测。2.根据权利要求1所述的用于往复机械设备的故障诊断方法,其特征在于,步骤S1中,获取的每个测点的原始加速度信号包括往复机械设备分别处于正常工作状态和各种典型故障状态时的原始加速度信号。3.根据权利要求1所述的用于往复机械设备的故障诊断方法,其特征在于,步骤S1中,通过在每个测点设置振动传感器,以获取每个测点在不同工况下的原始加速度信号。4.根据权利要求1所述的用...

【专利技术属性】
技术研发人员:徐徐钱进杨世飞孙磊邹小勇刘宗斌
申请(专利权)人:南京凯奥思数据技术有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1