基于全矢谱技术AR-Kalman滤波的转子故障趋势预测方法技术

本发明专利技术公开了一种基于全矢谱技术AR

【技术实现步骤摘要】
基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法


[0001]本专利技术涉及故障趋势预测
，具体地，涉及一种基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法。

技术介绍

[0002]目前，旋转机械是用途非常广泛的机械设备，它支撑着一个国家的经济命脉，一旦发生重大故障，就有可能造成巨大的经济损失。如何有效的避免和预防机械设备发生故障，避免事故的发生，提高设备运行的安全性、稳定性和可靠性，是人们关心和亟需解决的问题。传统的故障诊断技术是基于单源信息的，这类诊断技术的特点是故障特征提取不充分、不完整，诊断结果的可靠性和准确性不高。基于全矢谱的AR模型预测精度仍需进一步的提高，以满足工程实际需求。

技术实现思路

[0003]本专利技术的目的在于克服现有技术中存在的上述不足，而提供一种基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法。
[0004]本专利技术解决上述问题所采用的技术方案是：一种基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法，其特征在于：对来自于旋转机械转子上相互垂直的传感器振动信息，采用全矢谱技术对其故障特征进行双通道提取，使用全矢AR
‑
Kalman滤波方法对旋转机械的故障趋势进行预测，预测方法包括以下步骤：
[0005]步骤1，对转子同一截面相互垂直X和Y方向上的振动数据构造离散数据序列{x
k
}和{y
k
}(k＝0，1,2
…
，N
‑
1)，对离散序列构造复序列{z
k
}，{z
k
}＝{x
k
}+j{y
k
}；
[0006]对离散序列{x
k
}、{y
k
}、{z
k
}进行傅里叶变换(DFT)得到{X
k
}、{Y
k
}、{Z
k
}；
[0007]X
Rk
、Y
Rk
、Z
Rk
分别表示X
k
、Y
k
、Z
k
的实部，X
Ik
、Y
Ik
、Z
Ik
分别表示X
k
、Y
k
、Z
k
的虚部；再对其做傅立叶变换，得到Z
k
的离散傅立叶变换，利用傅立叶性质和共轭性，可得到：
[0008][0009][0010]其中，k＝0，1，2...，N/2
‑
1；X
pk
和分别为圆频率为+ω
k
的圆轨迹的半径(幅值)
和相位角；X
rk
和分别为圆频率为ω
k
的圆轨迹的半径和相位角。
[0011]经过一系列数值运算，得到主振矢RL
k
，
[0012]步骤2，选用AIC准则，
[0013]其中，N为数据点数，n为模型阶数，为残差方差；当AIC值最小时，n为适用模型阶数。
[0014]步骤3，利用前向滤波误差和后向滤波误差，求出保证平均滤波误差功率最小的参数再按Levinson算法计算
[0015]步骤4，将作为状态参量，采用Kalman滤波进行最佳估值，再将的最佳估值参与Levinson算法进行参数估计，计算公式如下：
[0016][0017]P(k+1|k)＝AP(k|k)A
T
+Q
[0018]k
g
＝P(k+1|k)H
T
[HP(k+1|k)H
T
+R][0019][0020]P(k+1|k+1)＝(I
‑
k
g
H)P(k+1|k)
[0021]其中，为k时刻的系统状态；u(k)为k时刻对系统的控制量；A、B为系统参数，对多模型系统，它们为矩阵；k
g
为Kalman增益；H为测量系统的参数；w(k)、v(k)为过程测量的噪声；这里假设为高斯白噪声，w，v＝randn(n，1)，方差分别是Q、R，Q＝R＝1。
[0022]本专利技术与现有技术相比，具有以下优点和效果：本专利技术采用全矢谱技术提取信号故障特征，有效保证了预测结果的可靠性。其次，将Kalman滤波和AR模型相结合，不仅修正了AR模型参数，同时实时修正了预测结果，克服了AR模型中长期预测精度低的固有缺陷，有效保证了预测的准确性。对工程上实测的数据进行分析和预测，结果表明，该方法是行之有效的，能够有效满足工程上实时性需求，具有可行的应用前景。
附图说明
[0023]图1是本专利技术中全矢AR
‑
Kalman滤波的故障预测流程图。
[0024]图2是本专利技术中x/y通道频谱图和全矢谱图。
[0025]图3是本专利技术中参数修正前后的AIC曲线。
[0026]图4是本专利技术中单步预测检验对比图。
具体实施方式
[0027]下面结合附图并通过实施例对本专利技术作进一步的详细说明，以下实施例是对本专利技术的解释而本专利技术并不局限于以下实施例。
[0028]实施例
[0029]参见图1，本实施例中，一种基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法，对来自于旋转机械转子上相互垂直的传感器振动信息，采用全矢谱技术对其故障特征进行双通道提取，使用全矢AR
‑
Kalman滤波方法对旋转机械的故障趋势进行预测，预测方
法包括以下步骤：
[0030]步骤1，对转子同一截面相互垂直X和Y方向上的振动数据构造离散数据序列{x
k
}和{y
k
}(k＝0，1,2
…
，N
‑
1)，对离散序列构造复序列{z
k
}，{z
k
}＝{x
k
}+j{y
k
}；
[0031]对离散序列{x
k
}、{y
k
}、{z
k
}进行傅里叶变换(DFT)得到{X
k
}、{Y
k
}、{Z
k
}；
[0032]X
Rk
、Y
Rk
、Z
Rk
分别表示X
k
、Y
k
、Z
k
的实部，X
Ik
、Y
Ik
、Z
Ik
分别表示X
k
、Y
k
、Z
k
的虚部；再对其做傅立叶变换，得到Z
k
的离散傅立叶变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全矢谱技术AR
‑
Kalman滤波的转子故障趋势预测方法，其特征在于：对来自于旋转机械转子上相互垂直的传感器振动信息，采用全矢谱技术对其故障特征进行双通道提取，使用全矢AR
‑
Kalman滤波方法对旋转机械的故障趋势进行预测，预测方法包括以下步骤：步骤1，对转子同一截面相互垂直X和Y方向上的振动数据构造离散数据序列{x
k
}和{y
k
}(k＝0，1,2
…
，N
‑
1)，对离散序列构造复序列{z
k
}，{z
k
}＝{x
k
}+j{y
k
}；对离散序列{x
k
}、{y
k
}、{z
k
}进行傅里叶变换得到{X
k
}、{Y
k
}、{Z
k
}；X
Rk
、Y
Rk
、Z
Rk
分别表示X
k
、Y
k
、Z
k
的实部，X
Ik
、Y
Ik
、Z
Ik
分别表示X
k
、Y
k
、Z
k
的虚部；再对其做傅立叶变换，得到Z
k
的离散傅立叶变换，利用傅立叶性质和共轭性，得到：的离散傅立叶变换，利用傅立叶性质和共轭性，得到：其中，k＝0，1，2
…
，N/2
‑
1；X
pk
和分别为圆频率为+ω
k
的圆轨迹的半径和相位角；X
rk
和分别为圆频率为ω
k

【专利技术属性】
技术研发人员：柴保桐，马光耀，张帅，李鹏，陈帅，
申请(专利权)人：华电电力科学研究院有限公司，
类型：发明
国别省市：