一种复杂设备早期故障诊断方法
【技术领域】
[0001] 本发明涉及一种故障诊断方法，具体是一种复杂设备早期故障诊断方法。
【背景技术】
[0002] 故障诊断主要是指对设备状态进行监测和故障的判定，不仅需要对设备发生故障 的原因、位置、程度做出正确的判断，进而进行预防，降低故障损失，还需要监测设备的健康 状态，特别对早期故障的监测，尽早进行预警判断，减少突发故障的发生，也可以预测未来 故障的发生时间，这样可以充分节约维修资源，也为设备维护、保养提供最佳维修决策依 据，特别为视情维修策略的实现提供可能性。
[0003] 故障诊断从技术上而言，实际上是在一定的故障判断策略的指导下，对监测诊断 设备实施自动检测，也就是通过分析构建获取设备的故障模型，提取故障特征，然后根据预 定的策略、原则，对监测到的信息进行综合评估，最后对维护人员提示必要的维修措施。因 此，故障诊断不仅需要现代控制论、计算机科学、人工智能、信号处理、模式识别、统计数学 等学科。常见的方法主要分为两大类，分别是基于数学模型的方法和基于人工智能的方法， 基于数学模型的方法是目前最广泛应用的一种故障检测方法。这种方法是以监测到的信号 为基础，通过信号处理分析，提取其特征信息，然后对比正常条件下的特征，从而判断分析 设备是否故障，具体诊断原理图如图1所示。
[0004] 对于单一信号的检测分析比较简单，例如：某简单系统输出信号为y(t)，如图2所 示，在实际正常工况下，输出信号y(t)幅值在区间[min(y(t))，max(y(t))]内，如图2中红 色虚线为幅度区间范围，这是系统正常工况下。理论上正常工况下，输出信号y(t)如图2 中红色实线，比较实测输出信号与幅度区间范围，超出则为故障状态。实测输出信号如图2 中蓝色实线所示。
[0005] 对于单一信号的检测容易建立其区间范围，若复杂系统，监测信号多元，又难以建 立具体的包络模型，难以用此方法进行故障诊断。
【发明内容】
[0006] 本发明的目的在于提供一种使用方便、准确度高的复杂设备早期故障诊断方法， 以解决上述【背景技术】中提出的问题。
[0007] 为实现上述目的，本发明提供如下技术方案：
[0008] 一种复杂设备早期故障诊断方法，具体步骤如下：
[0009] (1)通过传感器提取采集信号；
[0010] (2)对提取采集的信号进行小波变换去噪；
[0011] (3)就机械特征和电路特征分别建立基于BP神经网络的故障诊断模型和基于SVM 的故障诊断模型，进行故障诊断。
[0012] 作为本发明进一步的方案：所述基于BP神经网络的故障诊断模型进行故障诊断 的方法，具体步骤如下：
[0013] (1)所述传感器连接在机械设备上提取采集信号；
[0014] (2)将提取采集的信号进行小波变换去噪处理后分别进行原始数据诊断和样本数 据训练，再进入BP神经网络分别进行预处理和特征选择/提取；
[0015] (3)原始数据经预处理和特征选择/提取后再经过BP神经网络诊断得到诊断结 果，样本数据经过预处理和特征选择/提取后进行学习训练；
[0016] (4)对于得到的诊断结果进行诊断决策，再分别进行定期维修、视情维修和事后维 修。
[0017] 作为本发明再进一步的方案：所述基于SVM的故障诊断模型中核函数为多项式核 函数、径向基核函数RBF或Sigmoid核函数。
[0018] 与现有技术相比，本发明的有益效果是：
[0019] 本发明将复杂设备的故障诊断分为机械特征的故障诊断和电路特征的故障诊断， 就机械特征和电路特征分别建立故障诊断模型，机械易试验，可获取样本多，运用BP神经 网络收敛快，准确度较高；而电路样本数据少，运用SVM的小样本优势，从而实现复杂设备 等复杂系统的故障诊断。
【附图说明】
[0020] 图1为基于数学模型的方法具体诊断原理图。
[0021] 图2为简单系统单一信号的检测分析示意图。
[0022] 图3为本发明中故障诊断方法示意图。
[0023] 图4为本发明中基于BP神经网络的故障诊断模型进行故障诊断的方法示意图。
[0024] 图5为本发明中BP神经网络的拓扑结构图。
[0025] 图6为本发明中BP神经网络的学习训练原理图。
[0026] 图7为本发明中机械设备振动信号去噪提取后的信号波形图。
[0027] 图8为本发明中基于SVM的故障诊断模型输入空间到高维特征空间的非线性映射 图。
[0028] 图9为本发明中基于SVM的故障诊断模型进行故障诊断的方法示意图。
【具体实施方式】
[0029] 下面结合【具体实施方式】对本专利的技术方案作进一步详细地说明。
[0030] 请参阅图3, 一种复杂设备早期故障诊断方法，具体步骤如下：
[0031] (1)通过传感器提取采集信号；
[0032] (2)对提取采集的信号进行小波变换去噪；
[0033] (3)就机械特征和电路特征分别建立基于BP神经网络的故障诊断模型和基于SVM 的故障诊断模型，进行故障诊断。
[0034] 请参阅图4,所述基于BP神经网络的故障诊断模型进行故障诊断的方法，具体步 骤如下：
[0035] (1)所述传感器连接在机械设备上提取采集信号；
[0036] (2)将提取采集的信号进行小波变换去噪处理后分别进行原始数据诊断和样本数 据训练，再进入BP神经网络分别进行预处理和特征选择/提取；
[0037] (3)原始数据经预处理和特征选择/提取后再经过BP神经网络诊断得到诊断结 果，样本数据经过预处理和特征选择/提取后进行学习训练；
[0038] (4)对于得到的诊断结果进行诊断决策，再分别进行定期维修、视情维修和事后维 修。
[0039] 请参阅图5,所述BP神经网络包括输入层、中间层和输出层，所述学习训练中的学 习算法为有监督学习算法，根据给出正确的输入和输出对BP神经网络进行调整，让BP神经 网络能做出正确的反应。学习训练样本表示为：(P i, (Ii)，i = 1,2，...，n，其中，PiS样本输 入数据，屯为样本输出数据，通过学习调整各神经元的参数，让BP神经网络产生期望的结 果，BP神经网络模型学习训练后，再输入样本 Pi，BP神经网络的输出尽可能与Cli接近。
[0040] 请参阅图6，BP神经网络的学习分为两个阶段：输入已经确定的学习样本，设置BP 神经网络的结构，计算前一次迭代得到的权值和阈值，从第一层向后计算，求解各神经元的 输出；修改权值和阈值，根据总误差影响梯度，从最后一层向前，分别计算修改各权值和阈 值。两个阶段反复交替，根据误差修改层与层之间的权值和阈值，直到收敛后误差满足要 求。
[0041] 以柴油发电机中的发动机为例说明机械设备旋转系统基于BP神经网络的故障诊 断模型的构建，请参阅图6,对柴油发电机中的发动机的振动信号去噪提取后的输出信号 y⑴进行三层小波分解，第三层的分解系数向量从低到高分别为[y3(l，y31，y32, y33, y34, y35, y3 6，y37]则总的信号y:
[0042] y = S3(l+S31+S32+S33+S34+S 35+S36+S37公式 I
[0043] 其中，S3tl表示节点y 3(l的重构恢复信号，S 31表示节点y 31的重构恢复信号，S 32表示 节点y32的重构恢复信号，S 33表示节点y 33的重构恢复信号，S 34表示节点y 34的重构恢复信 号，S33表示节点y 35的重构恢复信号，S 36表示节点y 36的重构恢复信号，S 37表示节点y 37的 重构恢复信号。
[0044] 假设输出信号y(t)中的最低频率为0,最高频率为1，这样分为八个频率范围，如 表1所示：
[0045] 表1小波分解后信号的频率范围
[0046]
【主权项】
1. 一种复杂设备早期故障诊断方法，其特征在于，具体步骤如下： (1) 通过传感器提取采集信号； (2) 对提取采集的信号进行小波变换去噪； (3) 就机械特征和电路特征分别建立基于BP神经网络的故障诊断模型和基于SVM的故 障诊断模型，进行故障诊断。
2. 根据权利要求1所述的复杂设备早期故障诊断方法，其特征在于，所述基于BP神经 网络的故障诊断模型进行故障诊断的方法，具体步骤如下： (1) 所述传感器连接在机械设备上提取采集信号； (2) 将提取采集的信号进行小波变换去噪处理后分别进行原始数据诊断和样本数据训 练，再进入BP神经网络分别进行预处理和特征选择/提取； (3) 原始数据经预处理和特征选择/提取后再经过BP神经网络诊断得到诊断结果，样 本数据经过预处理和特征选择/提取后进行学习训练； (4) 对于得到的诊断结果进行诊断决策，再分别进行定期维修、视情维修和事后维修。
3. 根据权利要求1所述的复杂设备早期故障诊断方法，其特征在于，所述基于SVM的故 障诊断模型中核函数为多项式核函数、径向基核函数RBF或Sigmoid核函数。
【专利摘要】本发明公开了一种复杂设备早期故障诊断方法，具体步骤包括：通过传感器提取采集信号；对提取采集的信号进行小波变换去噪；就机械特征和电路特征分别建立基于BP神经网络的故障诊断模型和基于SVM的故障诊断模型，进行故障诊断。基于SVM的故障诊断模型中核函数为多项式核函数、径向基核函数RBF或Sigmoid核函数。本发明将复杂设备的故障诊断分为机械特征的故障诊断和电路特征的故障诊断，就机械特征和电路特征分别建立故障诊断模型，机械易试验，可获取样本多，运用BP神经网络收敛快，准确度较高；而电路样本数据少，运用SVM的小样本优势，从而实现复杂设备等复杂系统的故障诊断。
【IPC分类】G01M99-00
【公开号】CN104634603
【申请号】CN201510114270
【发明人】汪文峰
【申请人】汪文峰
【公开日】2015年5月20日
【申请日】2015年3月16日