一种旋转设备故障诊断方法与流程

1.本发明涉及故障诊断技术领域，尤其是一种旋转设备故障诊断方法。


背景技术：

2.在各种工业现场有大量的旋转设备，旋转设备结构复杂，受环境和噪声影响容易发生故障。任何这些设备出现故障都有可能会造成设备非计划停机，工作人员需要花大量时间来进行故障定位、维修、订购更换零件等，从而产生巨大的经济损失。因此及时发现设备运行异常，准确诊断出旋转设备故障类型，为维修人员检查和维修提供指导建议具有重大意义。
3.目前，旋转设备的故障诊断主要是通过技术人员对现场采集的振动信号进行频谱分析、趋势分析等，依靠振动信号处理理论和个人经验来实现故障判断。但这种方式存在两个问题：1、对技术人员的要求过高，不仅需要丰富的现场经验，也需要专业的理论知识；2、现场采集的信号中包含噪声信号，在对信号频带设置和参数选择方面有很大难度。近年来，随着机器学习研究的深入，数据模型也逐渐在旋转设备故障诊断中有一定的应用，常见方法是对采集的振动信号进行特征提取，对不同故障类型数据打标签，然后通过各种分类器方法，比如支持向量机、最近邻、神经网络、决策树等方式实现数据分类。特征参数的提取方法，由提取时域特征参数，频域特征参数基础上，引用信号处理方法如包络谱分析、小波分析和经验模态分解等，对振动信号进行处理得到各分量信号，然后再提取不同分量信号上的时域、频域特征参数。此种方法没有提取到设备中的关键故障信号，导致提取的特征参数冗余量较大，存在很多无效的特征。并且，不同类型故障均使用同样的参数做处理，没有考虑不同故障下的特征参数权重。
4.现有的技术最主要的缺点是：1.所提取的特征参数是所有频带的特征参数，其不能自适应的随着故障模式的变化而提取故障频带的特征参数，造成特征参数冗余。2.所有类型的故障模型中，特征参数相同，且没有考虑特征参数之间的权重。这两点缺点会导致有效特征参数和无效特征参数的权重一样，故障识别结果不够准确，诊断错误的概率较高。


技术实现要素：

5.本发明解决了现有旋转设备故障诊断方法中，故障频带选择困难，特征参数权重一致，容易影响故障诊断结果的问题，提出一种考虑特征参数权重的，能自适应提取特征信号中的故障特征，并能够针对不同故障模型计算模型下各特征参数的权重，通过多参数状态估计技术实现故障模式识别，可提高故障诊断精度，实现诊断效率，通过relief方法和多参数状态估计算法建立旋转设备故障模型，实现工业现场旋转设备故障模式识别。
6.为实现上述目的，提出以下技术方案：
7.一种旋转设备故障诊断方法，包括步骤：
8.步骤a：对振动信号进行小波包分解，根据峭度和能量熵综合评价指标确定小波包分解层数k，并进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择
出来的分量信号进行特征参数提取，得到特征参数向量；
9.步骤b：使用relieff算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；
10.步骤c：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；
11.步骤d：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。
12.本发明通过峭度值和信息熵综合综合评价计算小波包最优分解层数，实现振动故障信号自适应抽取；通过relieff算法可对故障类型下的特征参数进行选择，得到特征参数权重，降低特征冗余度，并建立不同故障模式下的故障模型；通过多参数估计算法计算待测参数与故障模型间的裕度值和置信度，通过置信度判断故障所属类别，可有效提高故障诊断效率。本发明能根据振动信号特征自适应确定信号的最优分解层数，对信号分解提取故障的特征信号并获取特征参数，并根据故障类型建立不同故障模型，各模型基于不同的特征参数，权重值也不尽相同。最后通过计算待测信号在不同故障模型下的置信区间，得到故障模式识别结果。
13.作为优选，所述步骤a具体包括以下步骤：
14.步骤a1：设置分解层数k由2递增至n，依次对振动信号进行小波包分解，得到2
k
个分量信号，计算各分量信号的峭度和能量熵的综合评价指标，假设振动信号的长度为n，分量信号表示为x，评价指标的公式为：
[0015][0016]
其中，p
i
为每个分量信号的能量占比；
[0017]
步骤a2：记录在不同分解层数下最大的评价指标，根据评价指标曲线中的最大值确定最优分解层数；
[0018]
步骤a3：分解层数确定后，对振动信号进行小波包分解，并对评价指标最大的分量信号进行特征参数提取。
[0019]
作为优选，所述特征参数提取包括有效值、峰值、峭度、峭度指标、波形指标和频域特征参数。
[0020]
作为优选，所述步骤b具体包括以下步骤：
[0021]
步骤b1：构建特征参数数据集z，所述特征参数数据集z中包含测试数据中的所有样本，故障共有b组故障类别，b
i
代表第i个故障类别名称，使用relieff算法计算设备故障不同类型下的特征参数权重，relieff算法是一种特征参数选择方法，能够有效地实现特征参数选择及特征权重确认。
[0022]
步骤b2：将所有特征参数的权重值w设置为0，特征参数选择结果设置为空；
[0023]
步骤b3：从全量矩阵中有放回地选择出第j个样本，第j个样本对应的故障类别为b
i
，先在属于b
i
故障类别的矩阵中筛选出前s个最相邻的样本，构成h
l
(l＝1,2,...,s)，按照同样的方法筛选在其他故障类别的中的前s个最相邻的样本，构成m
l
(b
q
)(l＝1,2,...,s)，m
l
(b
q
)代表属于b
q
(q≠i)故障类别的下的第l个最相似的样本；
[0024]
步骤b4：计算每个特征参数的权重，计算公式为：
[0025][0026]
其中，p(b
q
)代表b
q
故障类别的样本个数在总样本个数中的占比，p(b
i
)代表b
i
故障类别的样本个数在总样本个数中的占比，diff(a,r1,r2)代表样本间的差异；
[0027][0028]
步骤b5：建立不同故障类型下的样本参数矩阵，每个故障类型下的特征参数根据计算得到的权重值进行筛选，d
i
是第i类故障下的样本参数矩阵，行代表不同样本中的参数值，列代表一个样本下得到所有特征参数，特征参数个数为n，样本个数为m，则样本矩阵d
i
表示为：
[0029][0030]
步骤b6：根据样本矩阵中选择的特征参数，修正对应参数权重，修正方法为：
[0031][0032]
其中，代表选中的p个特征参数的权重和。
[0033]
作为优选，所述步骤c具体包括以下步骤：
[0034]
步骤c1：使用验证集的数据计算在各个故障模型下的特征参数估计值，假设验证集的数据为x
obs
,估计值x
est
通过公式计算得到：
[0035][0036]
式中，指的是欧氏距离、皮尔逊相关系数、曼哈顿距离；
[0037]
步骤c2：计算估计值x
est
与验证集数据的残差：
[0038]
res＝x
obs
‑
x
est
[0039]
步骤c3：根据样本权重计算得到融合的裕度值y：
[0040][0041]
步骤c4：计算所有验证数据在对应的故障类别下的裕度值y，计算均值和方差，得到各故障模型的高斯分布。
[0042]
作为优选，所述步骤d具体包括以下步骤：采用步骤c1至步骤c3的方法计算待测样本在故障模型下的裕度值，并判断裕度值在几个故障模型下的概率概率，拥有最大概率密度的作为实际的故障诊断结果。
[0043]
本发明的有益效果是：通过能峭度和能量熵的评价指标，能够自适应确定小波包最优分解层数，能够更准确地提取到故障特征信号及对应特征参数；提取多维特征参数，并通过relieff算法实现特征参数权重计算，根据权重筛选参数能够提取出关键特征参数，避
免参数冗余。根据故障模式建立具有不同权重的模型，通过多参数状态估计技术实现故障模式识别，可提高故障诊断精度，实现诊断效率。
附图说明
[0044]
图1实施例的算法计算流程图；
[0045]
图2实施例的小波包分解综合指标曲线图；
[0046]
图3实施例的relieff算法计算的特征权重结果图；
[0047]
图4实施例的验证集内圈故障样本在内圈故障模型下的峰值参数估计值及残差；
[0048]
图5实施例的峰值参数的裕度值融合结果。
具体实施方式
[0049]
实施例：
[0050]
结合附图和具体实施例对本发明做进一步的描述，一种旋转设备的故障诊断方法，以凯斯西储轴承模拟实验台上，转动速度为1797r/min状态下采集的驱动端加速度数据为例，采样频率为12khz。
[0051]
本实施例提出一种旋转设备故障诊断方法，参考图1，包括步骤：
[0052]
步骤a：对振动信号进行小波包分解，根据峭度和能量熵综合评价指标确定小波包分解层数k，并进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择出来的分量信号进行特征参数提取，得到特征参数向量；
[0053]
步骤a具体包括以下步骤：
[0054]
步骤a1：设置分解层数k由2递增至6，依次对振动信号进行小波包分解，得到2
k
个分量信号，计算各分量信号的峭度和能量熵的综合评价指标，假设振动信号的长度为n，分量信号表示为x，评价指标的公式为：
[0055][0056]
其中，p
i
为每个分量信号的能量占比；
[0057]
步骤a2：记录在不同分解层数下最大的评价指标，根据评价指标曲线中的最大值确定最优分解层数。图2是某组数据在2
‑
6层分解层数下的评价指标曲线，其中第3组的评价指标值最大，因此选择分解层数为3。
[0058]
步骤a3：对振动信号进行3层小波包分解，并对评价指标最大的分量信号进行特征参数提取。此处提取的特征参数为：振动有效值、峭度、峭度指标、谱中心、方根幅值、波形指标、偏斜度指标、裕度指标和零峰值等。
[0059]
步骤b：使用relieff算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；
[0060]
步骤b具体包括以下步骤：
[0061]
步骤b1：构建特征参数数据集z，z中包含测试数据中的所有样本，其中包含168组内圈故障、168组滚动体故障、339组外圈故障和254组正常样本数据，共计929组样本，4类故障，使用relieff算法计算设备故障不同类型下的特征参数权重；
[0062]
步骤b2：将所有特征参数的权重值w设置为0，特征参数选择结果设置为空；
[0063]
步骤b3：从全量矩阵中有放回地选择出第j个样本，第j个样本对应的故障类别为b
i
，先在属于b
i
故障类别的矩阵中筛选出前6个最相邻的样本，构成h
l
(l＝1,2,...,s)，按照同样的方法筛选在其他故障类别的中的前6个最相邻的样本，构成m
l
(b
q
)(l＝1,2,...,s)，m
l
(b
q
)代表属于b
q
(q≠i)故障类别的下的第l个最相似的样本；其中设置s为10。
[0064]
步骤b4：计算每个特征参数的权重，计算公式为：
[0065][0066]
其中，p(b
q
)代表b
q
故障类别的样本个数在总样本个数中的占比，p(b
i
)代表b
i
故障类别的样本个数在总样本个数中的占比，diff(a,r1,r2)代表样本间的差异；
[0067][0068]
图3为266次数据计算的特征参数平均权重结果。
[0069]
步骤b5：建立不同故障类型下的样本参数矩阵，每个故障类型下的特征参数根据计算得到的权重值进行筛选，d
i
是第i类故障下的样本参数矩阵，行代表不同样本中的参数值，列代表一个样本下的所有特征参数，特征参数个数为n，样本个数为m，则样本矩阵d
i
表示为：
[0070][0071]
步骤b6：根据样本矩阵中选择的特征参数，修正对应参数权重，修正方法为：
[0072][0073]
其中，代表选中的p个特征参数的权重和。
[0074]
选择权重值超过0.03的特征参数，并对权重值进行修正，表1为修正后的特征参数权重结果。
[0075]
表1是特征参数权重结果
[0076]
特征参数权重值特征参数权重值有效值0.242波形指标0.163峭度值0.199峭度指标0.093峰值指标0.047峰值0.254
[0077]
步骤c：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；步骤c具体包括以下步骤：
[0078]
步骤c1：使用验证集的数据计算在各个故障模型下的特征参数估计值，假设验证集的数据为x
obs
,估计值x
est
通过公式计算得到：
[0079][0080]
式中，指的是欧氏距离、皮尔逊相关系数、曼哈顿距离；此处使用欧式距离方法实现参数估计，欧式距离的计算公式是：
[0081][0082]
步骤c2：计算估计值x
est
与验证集数据的残差：
[0083]
res＝x
obs
‑
x
est
[0084]
图4是验证集中滚动体故障数据在滚动体故障模型和外圈故障模型下的实时估计值和残差。
[0085]
步骤c3：根据样本权重计算得到融合的裕度值y：
[0086][0087]
参考图5，图5是峰值参数的裕度值融合结果。
[0088]
步骤c4：计算所有验证数据在对应的故障类别下的裕度值y，计算均值和方差，得到各故障模型的高斯分布,如表2所示。
[0089]
表2故障模型裕度范围
[0090]
故障模型名称均值标准差内圈故障模型0.001750.00178外圈故障模型0.0050.0184滚动体故障模型0.00250.0025正常模型0.00220.0028
[0091]
步骤d：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。
[0092]
步骤d具体包括以下步骤：采用步骤c1至步骤c3的方法计算待测样本在故障模型下的裕度值，并判断裕度值在几个故障模型下的概率概率，拥有最大概率密度的作为实际的故障诊断结果。表3为最终诊断结果，总诊断准确率为98.53％，本发明提出的方法可有效识别旋转机械设备故障。
[0093]
表3最终诊断结果
[0094][0095][0096]
本发明通过峭度值和信息熵综合综合评价计算小波包最优分解层数，实现振动故障信号自适应抽取；通过relieff算法可对故障类型下的特征参数进行选择，得到特征参数权重，降低特征冗余度，并建立不同故障模式下的故障模型；通过多参数估计算法计算待测
参数与故障模型间的裕度值和置信度，通过置信度判断故障所属类别，可有效提高故障诊断效率。本发明能根据振动信号特征自适应确定信号的最优分解层数，对信号分解提取故障的特征信号并获取特征参数，并根据故障类型建立不同故障模型，各模型基于不同的特征参数，权重值也不尽相同。最后通过计算待测信号在不同故障模型下的置信区间，得到故障模式识别结果。