转子裂纹故障诊断、模型构建方法及装置制造方法及图纸

本发明专利技术公开了一种转子裂纹故障诊断、模型构建方法及装置，其中该方法包括：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本集预先训练生成。本发明专利技术可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。纹故障诊断的准确率。纹故障诊断的准确率。

【技术实现步骤摘要】
转子裂纹故障诊断、模型构建方法及装置


[0001]本专利技术涉及机械故障诊断
，尤其涉及一种转子裂纹故障诊断、模型构建方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]转子是机泵等旋转机械系统的关键部件之一，转子裂纹是转子最为常见的故障之一，具有高潜伏性、强危害性的特性。通常由于自身材料缺陷、恶劣的运行环境和随机的载荷作用的共同影响下且旋转机械系统一般处于长时间高速运转状态，转子容易出现裂纹，裂纹的存在会严重影响转子系统的安全运行。若转子中的裂纹不能及时被检测出来，裂纹的扩展可能导致轴系的断裂，进而发展为灾难性事故，造成设备财产的经济损失，对人身安全构成重大威胁。因此，对转子的动力学特性进行分析，并对振动信号进行实时在线监测，实现含裂纹轴系的旋转机械在线的故障诊断方法，对于保障旋转机械的安全可靠运行避免重大事故的发生具有重大意义。现在针对转子裂纹故障，一般采用频谱分析和振动幅值监测方式，具有强滞后性、低自动化程度的不足之处。

技术实现思路

[0004]本专利技术实施例提供一种转子裂纹故障诊断方法，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该方法包括：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
[0005]本专利技术实施例提供一种转子裂纹故障诊断模型的构建方法，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该方法包括：获取旋转设备在运行过程中转子的历史振动信号样本数据；将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
[0006]本专利技术实施例还提供一种转子裂纹故障诊断装置，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该装置包括：采集单元，用于采集当前旋转设备在运行过程中转子的待诊断振动信号；
第一提取单元，用于将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；诊断单元，用于将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
[0007]本专利技术实施例还提供一种转子裂纹故障诊断模型的构建装置，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该装置包括：获取单元，用于获取旋转设备在运行过程中转子的历史振动信号样本数据；第二提取单元，用于将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；训练单元，用于将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
[0008]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述转子裂纹故障诊断方法。
[0009]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法。
[0010]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法。
[0011]本专利技术实施例提供的转子裂纹故障诊断方案，工作时：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本集预先训练生成。
[0012]与现有技术相比，本专利技术实施例提供的转子裂纹故障诊断方案的有益技术效果是：首先，本专利技术实施例中将主成分奇异值作为故障诊断方法的特征进行提取，不再进行信号还原。与现有常见的频谱信号提取相比，奇异值特征在转子裂纹时和转子正常态的差别更大，故障分类更准确，所得模型更不容易过拟合，且具有更优秀的泛化性能，模型的转子裂纹故障诊断精度高。
[0013]其次，本专利技术实施例中所采用单分类nSVDD算法在单类故障识别上具有泛化性能优秀，计算占用资源低，模型迭代更新容易，实施步骤简便等优点，在工业领域实际应用的综合性能优于深度学习算法。
[0014]综上，本专利技术实施例提供的转子裂纹故障诊断方案能有够有效提取转子振动信号中突出的能量成分，以奇异值形式进行表征，采用改进单分类故障诊断学习器nSVDD进行建模学习，转子裂纹故障的识别率高，可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本专利技术实施例中转子裂纹故障诊断方法的流程示意图；图2为本专利技术实施例中转子裂纹故障诊断的原理示意图；图3为本专利技术实施例中转子裂纹故障诊断模型的构建方法的流程示意图；图4为本专利技术实施例中转子裂纹故障诊断装置的结构示意图；图5为本专利技术另一实施例中转子裂纹故障诊断装置的结构示意图；图6为本专利技术实施例中转子裂纹故障诊断模型的构建装置的结构示意图；图7为本专利技术另一实施例中转子裂纹故障诊断模型的构建装置的结构示意图；图8为本专利技术实施例的计算机设备结构示意图。
具体实施方式
[0016]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0017]现有转子裂纹检测技术存在的技术问题是：对转子振动信号进行频域分析，人工观测到转子额定频率的倍频成分发生变化后，认为是发生了转子裂纹故障。在自动化实施中，先由人工判断转子裂纹故障监测频段，再针对特定频率成分提取的特征建立机理监测模型或数据驱动监测模型。
[0018]针对现有技术存在的技术问题，专利技术人提出了一种基于奇异值和nSVDD的转子裂纹故障诊断方案，该方案为一种基于奇异值分解和单分类异常识别的转子裂纹故障诊断方案，该方案将振动信号经过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种转子裂纹故障诊断方法，其特征在于，包括：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。2.如权利要求1所述的方法，其特征在于，将待诊断当前振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值，包括：对待诊断振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值。3. 如权利要求2所述的方法，其特征在于，对于振动信号S=[s(1), s(2),
…
,s(N)]，N为信号长度，所构造的Hankel矩阵的构造形式为：；其中1<n<N，n称为分解阶次，m=N
‑
n+1，；对其进行奇异值分解后改写列向量u
i
和ν
i
表示的形式，有：H
s
=USV
T
=u1σ1ν
1T
+ u2σ2ν
2T
++
…
+u
i
σ
i
ν
iT
+
…
++ u
r
σ
r
ν
rT
其中，σ1, σ2,
…
σ
r
由大到小递减，称为H
s
矩阵的奇异值，u
i
为左奇异向量，ν
i
为右奇异向量。4.如权利要求3所述的方法，其特征在于，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。5. 如权利要求3所述的方法，其特征在于，当信号长度N为偶数时，取n=N/2, m=N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n=(N+1)/2, m=(N+1)/2来构造Hankel矩阵。6.如权利要求2所述的方法，其特征在于，还包括：从提取得到的多个待诊断主成分奇异值中选取奇异值组成特征向量；将多个待诊断主成分奇异值输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果，包括：将选取出的奇异值组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。7.如权利要求6所述的方法，其特征在于，从提取得到的多个待诊断主成分奇异值中选取奇异值组成特征向量，包括：获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列；对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值；对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待
诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号能量的多个待诊断主成分奇异值组成特征向量。8.如权利要求6所述的方法，其特征在于，还包括：将选取出的奇异值组成的特征向量进行zscore标准化，得到标准化参数；将选取出的奇异值组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果，包括：将所述标准化参数输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。9.如权利要求1所述的方法，其特征在于，nSVDD模型采用RBF核，用SMO算法优化得到最优分类面。10.如权利要求9所述的方法，其特征在于，RBF核的核参数和惩罚因子的最优化采用粒子群优化算法或遗传算法整定。11.如权利要求1所述的方法，其特征在于，还包括：在转子裂纹故障诊断模型运行预设时段，检测到新的转子裂纹故障诊断结果类型时，将新的转子裂纹故障诊断结果及其对应的振动信号加入至样本数据中，得到更新的样本数据；利用更新的样本数据重新训练所述转子裂纹故障诊断模型，得到更新后的转子裂纹故障诊断模型。12.一种转子裂纹故障诊断模型的构建方法，其特征在于，包括：获取旋转设备在运行过程中转子的历史振动信号样本数据；将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。13.如权利要求12所述的方法，其特征在于，将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值，包括：对历史振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值。14. 如权利要求13所述的方法，其特征在于，对于振动信号S=[s(1), s(2),
…
,s(N)]，N为信号长度，...

【专利技术属性】
技术研发人员：崔振伟，杨德志，刘建，张骁，江学文，王华，郭月明，黄秀东，田欣，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：