基于D-S证据理论融合多特征信息的风机故障诊断方法技术

本发明专利技术公开了一种基于D

【技术实现步骤摘要】
基于D
‑
S证据理论融合多特征信息的风机故障诊断方法


[0001]本专利技术属于风机故障监测
，具体涉及一种基于D
‑
S证据理论融合多特征信息的风机故障诊断方法。

技术介绍

[0002]风机设备的振动信号是其内部各零部件运行状态和结构响应的总体表现，在风机壳体上布置传感器采集振动信号，是获取风机运行状态信息的重要途径。通过对振动信号进行分析处理，提取能够准确表示风机设备运行状态的特征，进而诊断出风机设备是否处于故障状态以及处于何种故障状态。
[0003]目前使用振动信号诊断风机故障的方法分为单侧点诊断和多测点诊断两类，单测点诊断方法仅利用单个测量位置的振动信号，缺乏对风机状态整体性的描述。由于风机设备结构复杂且受到空气可压缩性等因素的影响，不同部位测点的振动信息具有随机性和非线性的特点，并且信号经过长路径传递会导致信息强度减弱、信噪比降低。因此，基于单测点振动信号的故障诊断方法的准确性和可靠性较低。在工业风机的故障诊断中，针对单一信息源的单测点故障诊断方法已不能满足使用要求。
[0004]基于多测点振动信号的故障诊断方法中，由于风机在不同测量位置的传感器获取的信息存在差异，外部的环境干扰也会导致信息的不确定性，因此获取的信息即存在关联又有区别。利用多个有价值的特征联合进行风机故障诊断，相较于单个特征具有显著优势，能够对风机整体状态进行评估判断。但是，目前缺乏有效的多测点数据的融合处理方法。

技术实现思路

[0005]本专利技术提供了基于D/>‑
S证据理论融合多特征信息的风机故障诊断方法，目的在于融合多测点的数据，提取多测点数据中的关键特征，以对风机的综合状态进行判断，以提高故障判断的准确性和可靠性，。
[0006]为了达到上述目的，本专利技术所采用的技术方案是：
[0007]基于D
‑
S证据理论融合多特征信息的风机故障诊断方法，其特征在于，包括以下步骤：
[0008]1)采集风机在不同测点振动传感器监测的振动信号数据S1,S2,...,S
n
,n≥2；
[0009]2)确定D
‑
S证据理论识别框架，识别框架包含风机可能处于的故障状态，将识别框架的基本命题定义为{正常状态J、转子质量不平衡F、转子轴线不对中M、机械松动N}；
[0010]3)振动信号特征的选取，根据获取的振动信号的特征分析结果，每个振动信号选取4组特征作为证据，进行特征融合；4组特征作分别为均方根
‑
RMS、转频分量幅值
‑
1X幅值、三倍频分量幅值
‑
3X幅值、四倍频分量幅值
‑
4X幅值，将选取的有效特征组成特征集：
[0011]A
i
＝{a
i1
,a
i2
,a
i3
,a
i4
}
[0012]A
i
表示风机设备的第i个振动传感器振动信号的特征集合，a
i1
,a
i2
,a
i3
,a
i4
分别表示风机第i个振动传感器振动信号的RMS、1X幅值、3X幅值、4X幅值特征值；
[0013]4)构建基本概率赋值函数，分析振动信号特征在四种故障状态下分布结果，根据不同故障状态的分布特点，选择对数函数或卡方分布概率密度函数构建基本概率幅值函数；其中，对数函数形式为：
[0014]f(x)＝αlog
β
(x),α＞0,β＞0,β≠1
[0015]卡方分布概率密度函数形式为：
[0016][0017]5)确定4组特征证据对识别框架中每种风机状态的支持度映射关系，计算特征证据对不同基本命题的基本概率幅值；第i个传感器振动信号对基本命题的基本概率幅值为：
[0018]m
j
(A
i
)＝{m
j
(a
i1
),m
j
(a
i2
),m
j
(a
i3
),m
j
(a
i4
)},i＝1,2,...,n,j＝J,F,M,N
[0019]其中，j表示识别框架中的基本命题，i表示传感器的序号；
[0020]6)对于风机设备的任意位置的两组振动特征证据A和B，基本概率幅值表示为m(A)和m(B)，使用合成规则将这两组特征证据合成新的证据C，证据C的基本概率幅值合成规则计算公式如下，
[0021][0022][0023]K表示证据A和B的冲突程度，当K＝1时，意味着两个证据体完全冲突，无法合成；当K趋近于1时，表示两个证据体高度冲突，可能会导致合成结果不准确；
[0024]7)使用步骤6的D
‑
S证据理论计算规则，将步骤5获得的多个传感器振动信号的各个特征对识别框架中不同基本命题的支持度进行融合，实现多测点、多特征综合评估风机设备的运行状态；
[0025]8)将融合支持度中最大概率值对应的基本命题作为最终诊断结果。
[0026]本专利技术的有益效果在于：
[0027]1.本专利技术利用布置在风机不同测点的振动传感器获取的振动信号，分别提取振动信号中的均方根(RMS)、转频分量幅值(1X幅值)、三倍转频分量幅值(3X幅值)和四倍转频分量幅值(4X幅值)等四个特征值；相比原有单测点诊断方法，本专利技术对风机故障监测更全面；
[0028]2.本专利技术根据振动信号在各种故障状态下的特征对比结果，以及不同故障状态的分布特点构建基本概率赋值函数，将特征证据转化为对识别框架基本命题的支持度；最后，按照D
‑
S证据理论融合多特征、多测点振动信息，综合评估风机设备的所处状态，实现风机设备的故障诊断；提供了一种可靠的融合多种振动信号的有效方法；
[0029]3.本专利技术将提取的证据体根据冲突程度选择性融合，有效排除干扰信息；融合有效信息，从而提高故障判断的准确率，降低误判概率。
附图说明
[0030]图1为本专利技术诊断方法的流程图；
[0031]图2为4组特征对识别框架中风机状态支持度映射关系图。
具体实施方式
[0032]下面结合附图对本专利技术作进一步说明：
[0033]1)采集风机在不同测点振动传感器监测的振动信号S1,S2,...,S
n
,n≥2。
[0034]2)确定D
‑
S证据理论识别框架，识别框架包含风机可能处于的四种故障状态：正常状态、转子质量不平衡、转子轴线不对中和机械松动，将识别框架的基本命题定义为{正常状态J、转子质量不平衡F、转子轴线不对中M、机械松动N}。
[0035]3)振动信号特征的选取，根据所获取的振动信号的特征分析结果，每个振动信号选取4组特征作为证据，进行特征融合；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于D
‑
S证据理论融合多特征信息的风机故障诊断方法，其特征在于，包括以下步骤：1)采集风机在不同测点振动传感器监测的振动信号数据S1,S2,...,S
n
,n≥2；2)确定D
‑
S证据理论识别框架，识别框架包含风机可能处于的四种故障状态：正常状态、转子质量不平衡、转子轴线不对中和机械松动，将识别框架的基本命题定义为{正常状态J、转子质量不平衡F、转子轴线不对中M、机械松动N}；3)振动信号特征的选取，根据获取的振动信号的特征分析结果，每个振动信号选取4组特征作为证据，进行特征融合；4组特征作分别为均方根
‑
RMS、转频分量幅值
‑
1X幅值、三倍频分量幅值
‑
3X幅值、四倍频分量幅值
‑
4X幅值，将选取的有效特征组成特征集：A
i
＝{a
i1
,a
i2
,a
i3
,a
i4
}A
i
表示风机设备的第i个振动传感器振动信号的特征集合，a
i1
,a
i2
,a
i3
,a
i4
分别表示风机第i个振动传感器振动信号的RMS、1X幅值、3X幅值、4X幅值特征值；4)构建基本概率赋值函数，分析振动信号特征在四种故障状态下分布结果，根据不同故障状态的分布特点，选择对数函数或...

【专利技术属性】
技术研发人员：华成，何成善，张庆，刘弹，张勇，
申请(专利权)人：酒泉钢铁集团有限责任公司，
类型：发明
国别省市：