基于多域特征与敏感特征选择的旋转设备故障分析方法技术

本发明专利技术公开了基于多域特征与敏感特征选择的旋转设备故障分析方法，包括获取监测数据，并提取多域特征；对每个特征分别进行平滑处理；对平滑处理后的特征进行归一化处理；对归一化处理后的特征进行指标筛选，提取敏感特征；根据提取的敏感特征，构建监测指标，以进行故障监测。本发明专利技术通过对历史监测数据的分析和特征提取，综合多域特征的优势自动挖掘其中关键信息，为旋转设备安全运行提供有效的监测指标，为准确识别出旋转设备早期故障，为设备安全运行提供技术支撑。全运行提供技术支撑。全运行提供技术支撑。

【技术实现步骤摘要】
基于多域特征与敏感特征选择的旋转设备故障分析方法


[0001]本专利技术涉及故障检测
，具体涉及一种基于多域特征与敏感特征选择的旋转设备故障分析方法。

技术介绍

[0002]各类旋转机械在工业生成过程中担负着重要作用，它的运行状态直接影响整个装备的精度、可靠性和剩余使用寿命等。设备及其内部关键部件(如滚动轴承、齿轮箱等)的性能退化或失效将对整机性能产生影响，甚至导致设备非计划停机，严重的还会造成巨大经济损失和人员伤亡。现有研究采用故障预测与健康管理(Prognostics and Health Management,PHM)为重要装备的安全运行提供保障。PHM系统可以及时发现设备早期故障、性能退化情况，分析和确定设备运行风险，进而准确预测剩余使用寿命，以此制定合理的维修和管理计划。
[0003]性能退化评估与预测是PHM系统中至关重要的一环。但在机械设备运行过程中很难直接明了地观测到设备和关键部件的退化状况，需要对监测的数据进行分析，构建健康指标，对设备的退化程度进行量化。因此，健康指标的性能直接决定了退化评估模型的可行性，进而影响后续寿命预测的准确性。合适的健康指标不仅可以实时监测设备的健康状况，还可以量化评估设备在全寿命周期中的退化程度，以此进行预测和维护。
[0004]现有的设备监测多选取振动信号分析，因振动数据量较大、噪声干扰等较多，通常采用特征提取挖掘大规模振动信号中的有效信息。特征提取的目标主要是去除无关信号、获取与故障密切相关的信息。提取的特征主要为时频域统计特征和非线性复杂度度量特征两类，其中前者应用范围更广。因单个特征无法全面表征设备的退化特性，多特征提取与融合获得了更多关注，但是多个特征之间存在冗余或冲突，且对设备的运行情况敏感，采用经验设定无法满足设备监测需求，无法及早发现设备的早期故障。

技术实现思路

[0005]为了解决现有旋转设备故障分析技术存在的局限，本专利技术提供了一种基于多域特征与敏感特征选择的旋转设备故障分析方法。本专利技术通过对历史监测数据的分析和特征提取，综合多域特征的优势自动挖掘其中关键信息，为旋转设备安全运行提供有效的监测指标，为准确识别出旋转设备早期故障，为设备安全运行提供技术支撑。
[0006]本专利技术通过下述技术方案实现：
[0007]基于多域特征与敏感特征选择的旋转设备故障分析方法，包括：
[0008]获取监测数据，并提取多域特征；
[0009]对每个特征分别进行平滑处理；
[0010]对平滑处理后的特征进行归一化处理；
[0011]对归一化处理后的特征进行指标筛选，提取敏感特征；
[0012]根据提取的敏感特征，构建监测指标，以进行故障监测。
[0013]作为优选实施方式，本专利技术的获取监测数据，并提取多域特征，具体为：
[0014]获取S个监测数据文件，提取得到24个时频特征FI
k
(i)(i＝1,...,S；k＝1,...,24)，包括12个时域特征和12个频域特征；
[0015]其中，12个时域特征分别为：最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子；12个频域特征分别为：谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值；时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征；
[0016]故障频率幅值和(Fault Frequency Amplitude，FFA)指标定义为：
[0017][0018]式中，Y表示信号包络谱的幅值；f
a
表示理论故障频率；f1和f
k
是信号包络谱频率的起始值和最终值；N为选取的频率值个数。
[0019]作为优选实施方式，本专利技术平滑处理后的特征表示为：
[0020][0021]式中，h是FI
k
(i)的增长率，其表达式为
[0022][0023]式中，w是平滑的窗宽。
[0024]作为优选实施方式，本专利技术归一化处理后的特征f
k
＝{NFI
k
(i)}(i＝1,...,S；k＝1,...,24)表达式如下：
[0025][0026]作为优选实施方式，本专利技术的提取敏感特征，具体包括：
[0027]计算归一化处理后的24个特征的相关性，按照降序排列计算结果，提取前12个特征；
[0028]计算提取的12个特征的趋势性，按照降序排序计算结果，提取前6个特征；
[0029]计算提取的6个特征的单调性，按照降序排列计算结果，提取前3个特征作为敏感特征。
[0030]作为优选实施方式，本专利技术的相关性计算表达式为：
[0031][0032]式中，Cov(RMS,f
k
)为均方根RMS和特征f
k
的协方差，D(
·
)表示方差；
[0033]所述趋势性计算表达式为：
[0034][0035]式中，t
i
表示第i个监测数据集的时间，NFI
k
(i)为相关性计算筛选后的特征；
[0036]所述单调性计算表达式为：
[0037][0038]式中，差值d/di＝NFI
k
(i+1)
‑
NFI
k
(i)，N
d/di>0
和N
d/di<0
分别表示差值为正数和差值为负数的个数。
[0039]作为优选实施方式，本专利技术的构建的监测指标，表示为：
[0040][0041]式中，SFI
j
表示提取的敏感特征。
[0042]第二方面，本专利技术提出了基于多域特征与敏感特征选择的旋转设备故障分析系统，包括：
[0043]多域特征提取模块，用于获取监测数据并提取多域特征；
[0044]平滑模块，对每个特征分别进行平滑处理；
[0045]归一化模块，对每个平滑处理后的特征进行归一化处理；
[0046]敏感特征提取模块，对归一化处理后的特征进行指标筛选，提取敏感特征；
[0047]监测指标构建模块，根据提取的敏感特征，构建监测指标，以进行故障监测。
[0048]第三方面，本专利技术提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本专利技术上述方法的步骤。
[0049]第四方面，本专利技术提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术上述方法的步骤。
[0050]本专利技术具有如下的优点和有益效果：
[0051]1、本专利技术利用多域特征的优势充分挖掘监测数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多域特征与敏感特征选择的旋转设备故障分析方法，其特征在于，包括：获取监测数据，并提取多域特征；对每个特征分别进行平滑处理；对平滑处理后的特征进行归一化处理；对归一化处理后的特征进行指标筛选，提取敏感特征；根据提取的敏感特征，构建监测指标，以进行故障监测。2.根据权利要求1所述的基于多域特征与敏感特征选择的旋转设备故障分析方法，其特征在于，获取监测数据，并提取多域特征，具体为：获取S个监测数据文件，提取得到24个时频特征FI
k
(i)(i＝1,...,S；k＝1,...,24)，包括12个时域特征和12个频域特征；其中，12个时域特征分别为：最大值绝对值、最小值绝对值、峰峰值、绝对值平均值、时域能量、均方根、峭度、负熵、峰值因子、脉冲因子、裕度因子、形状因子；12个频域特征分别为：谱峰值、谱均值、谱能量、谱均方根、谱峭度、谱负熵、重心频率、均方频率、均方根频率、方差频率、标准差频率、故障频率幅值；时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征；故障频率幅值和(Fault Frequency Amplitude，FFA)指标定义为：式中，Y表示信号包络谱的幅值；f
a
表示理论故障频率；f1和f
k
是信号包络谱频率的起始值和最终值；N为选取的频率值个数。3.根据权利要求2所述的基于多域特征与敏感特征选择的旋转设备故障分析方法，其特征在于，平滑处理后的特征表示为：式中，h是FI
k
(i)的增长率，其表达式为式中，w是平滑的窗宽。4.根据权利要求3所述的基于多域特征与敏感特征选择的旋转设备故障分析方法，其特征在于，归一化处理后的特征f
k
＝{NFI
k
(i)}(i＝1,...,S；k＝1,...,24)表达式如下：5.根据权利要求4所述的基于多域特征与敏感特征选择的旋转设备故障分析方法，其特征在于，提取敏感特征，具体包括：计算归一化处理后的24个特征的相关性，按照降序排列计算...

【专利技术属性】
技术研发人员：何超，赖姜，孙磊，李朋洲，马建中，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：