基于符号动力学禁字模式的旋转机械故障诊断方法
【专利摘要】本发明公开了基于符号动力学禁字模式的旋转机械故障诊断方法，其特征在于：包括如下步骤：第一步：建立需诊断设备在正常状态和各种故障状态下的时域信号样本；第二步：对每个样本，进行符号化处理，即将样品变成值域序列；第三步：将值域序列变成符号序列：第四步：将符号序列生成特征向量，具体包括四个参数组；第五步：对特征向量进行标准化和归一化处理后，再进行PCA降维处理；第六步：生成降维后的新的特征向量，并对新的特征向量进行标准化和归一化处理；第七步：采用分层递归的LibSVM进行诊断，利用网格法得到g参数和惩罚参数c参数，并进行训练建模；第八步：利用模型对测试样本进行测试；本发明可广泛应用于各种旋转机械的故障诊断。
【专利说明】基于符号动力学禁字模式的旋转机械故障诊断方法
【技术领域】
[0001]本发明涉及故障诊断方法，具体涉及基于符号动力学禁字模式的旋转机械故障诊断方法。
【背景技术】
[0002]当前，旋转机械已广泛应用到航空航天、汽车船舶、冶金石化、兵器装备和能源发电等领域中。较为典型旋转机械的如齿轮传动箱、旋转主轴、轴承等，旋转机械的故障诊断一直是工程界应用的热点问题。旋转机械故障诊断过程一般为:信号采集、信号处理和故障诊断。故障诊断实际上是一种模式识别过程。
[0003]旋转机械的故障诊断方法有很多。一般分为基于动力学模型、基于动态信号分析和基于数据驱动的方式。基于动力学模型的诊断方法，一般是需要建立完整的动力学方程，通过数学方程，描述旋转机械的动力学特征。通常情况下，动力学模型很不容易建立，且发生故障时，其模型会发生改变；动态信号分析方法是当前应用得很多的一种方法，其方法是对时域或者频域信号进行信号处理，提取其中能表征缺陷或者故障的特殊成分，通过模式识别方法，判断是否有故障；基于数据驱动的方法，是基于得到的各种信号样本，采用监督或非监督的方法，通过提取数据里面的特征，建立故障模态和特征之间的关系，实现模式识别故障诊断的方法。
[0004]当前的故障诊断方法存在的困难是:其一.难以建立精确的旋转机械的动力学模型。故障的动力学特征是进行故障诊断的最根本途径。由于系统过约束特性和内部复杂的激励源，使得机械在工作是振动耦合较为突出；同时，工作时面临冲击载荷、间歇载荷等波动变化性工况，这直接导致了响应信号的非平稳性。这两个因素相互作用，使得故障发生是响应信号具有较明显的非线性特征。这造成了旋转机械在诊断技术上根本性困难。其二:难以有效克服行实际工况中响应信号信噪比低。实际工况的旋转机械的噪声都比较严重，旋转机械的其特征频率多分布在低频中频的较多，而这些特征频率极容易被环境噪声污染。其三:特征参数需要优化和诊断模型稳健性需要提高。尽管在故障特征提取、故障模式识别方面有很多富有意义的研究成果，在某些旋转机械中，其特征频率非常复杂而难以确定。在实际的诊断中，特征参数的优化和诊断模型的稳健性是提高诊断和预测正确率、减少拒识率和误识率的重要路径。
[0005]旋转机械实际上为一个复杂的动力学系统，其具体详细的动力学结构难以明了。在旋转机械正常工作的时候，其动力学系统是稳定的，也就是其动力学参数是应在一个稳定的范围之内稳定的，当机械出现故障时，其动力学特征将发生改变，不同的改变方向，以及不同的改变程度，对应着某种故障。特别重要的是，当系统出现故障时，系统的非线性动力学特征将会出现，不同的故障对应不同的非线性动力学特征，若能在一定程度上表征这些非线性动力学特征，通过数据驱动的方法建立故障模型，就能很好进行故障诊断。据此，本方法提出一种基于时域信号符号动力学禁止字模式的诊断方法。
[0006]符号动力学是系统动力学的一个分支，上个世纪70年代以来，逐渐从纯理论研究应用到工程实际当中。符号动力学的思想就是对时域信号序列进行“粗粒”化处理，形成符号序列。在考虑嵌入维和时延参数的情况下，对系统进行简化和抽象。根据Bants&Pompe的符号化方法，时域信号可分解为各态历经的字模式序列。通常采用符号动力学研究的方法可分为字模式统计信息、平凡字模式和禁止字模式。符号序列能保留系统的动力学特征，可不一定满足嵌入定理，同时易于进行数据建模处理，因此符号动力学在故障诊断和预测等方面，已开始受到人们的关注并进行了相关研究。字模式统计信息的方法是通过研究符号序列表达不确定度的参数，如熵、复杂度等，来分析系统的动力学特征。1995年，德国的Werner Ebeling采用符号熵研究大量文本中的统计分布信息；美国Temple大学的MihajloGrbovic等2012提出一种基于PCA和最大熵模糊决策的分布传感器故障诊断方法；阿根廷的L.Zunino通过多尺度复杂度-熵平面辨析系统的随机和混沌特性；2012年台湾国立师范大学的Shuen-De Wu通过多尺度序列熵来构建诊断的特征参数，然后利用SVM进行汽车轴承的故障诊断；国内方面:2005年中科院自动化所的胡为等提出了一种自适应符号区间的划分方法，并由此对电机的故障进行诊断；2007年西安交大的李崇晟等利用混沌和序号序列的信息熵进行滚动轴承故障诊断；江苏大学的陈晓平等提出了基于符号熵和SVM的滚动轴承故障诊断方法清华大学的Yongyong He,等2012年提出近似熵作为故障诊断非线性特征参数；南京航天航空大学的Bing Yu在2011年提出小波熵作为传感器故障诊断的特征参数；湖南大学的郑近德等提出一种基于多尺度熵的滚动轴承故障诊断方法，通过求出粗粒化后的不同嵌入维和容限的序列的样本熵，再利用SVM进行故障诊断；2012年上海交大的唐友福等提出了非线性复杂度的压缩机典型故障诊断方法，通过将信号进行二进制符号序列处理后，计算序列的LZC，通过不同故障状态的LZC的特征区间划分进行诊断；西安理工大学的薛廷刚等提取水轮机尾管的EMD分解信号的多尺度信息熵作为故障模式识别的特征参数，分析了复杂尾水管脉动压力信号，等等。
[0007]禁止字模式，是指在符号序列的各态历经过程中不出现或极少出现的字模式。目前基于禁止字模式的研究，主要应用在系统特征辨识上，并且研究尚不深入。2000年，有文献研究了符号动力学中禁止字的相关概念和表述方法；2007年，有文献研究了确定随机系统中真、伪禁止字模式的分布状况；有文献研究了禁止字模式在股票市场的应用，研究了不同时延下系统禁止字模式的特点和对股票行为的影响；2008年，有文献分析了大量经济时序数据中禁止字模式的分布情况；2012年，巴西的Osvaldo A.Rosso等人研究了熵-复杂度平面上，研究了禁止字模式对序列长度以及噪声的敏感程度。到目前为止，尚未见到采用禁止字模式的方法进行故障诊断的文献。
[0008]符号各态历经中的禁止字模式的特征表征了系统的非线性动力特征。因此，采用禁止字模型作为研究具有不同非线性动力学特征的故障时，具有天然不可否认的优势。从本质上看，当系统出现故障时，其动力学行为将发生改变，非线性特征将出现或者发生状态改变，此时序号序列的禁止字模型也随之发生改变；从对噪声的敏感程度看，当分析的符号序列长度满足一定条件时，禁止字模式对高斯噪声、有色噪声和f-λ噪声污染将完全免疫；即或长度不够，噪声存在一定水平时，噪声对禁止字模式的影响也可通过统计分析处理，消除噪声的影响；从可操作性或算法复杂度上看，禁止字模式的数量远远小于平凡模式，因此采用数据驱动的方式研究禁止字模式和故障之间的关系，进行特征参数优化，构建稳健的诊断模型是切实可行的。
【发明内容】
[0009]本发明所要解决的问题在于提供基于符号动力学禁字模式的旋转机械故障诊断方法。[0010]为了解决上述技术问题，本发明的第一个技术方案是，基于符号动力学禁字模式的旋转机械故障诊断方法，其特征在于:包括如下步骤:
[0011]第一步:建立需诊断设备在正常状态和各种故障状态下的时域信号样本各不少于30个，每个样本的采样长度不小于4096点；
[0012]第二步:对每个样本，进行符号化处理，即将时域序列变成值域序列样本；即将每个样本按其峰峰值范围均等地分成M个区域，M为6 ;对每个样本上的每个点进行区域选取，即样本上的值所在的区域为值域序列中的值；
[0013]由此，时域序列变成值域序列；M:信号粗粒化程度区分度；也就是信号值域峰峰值之间，等距离分段的区间数；粗粒化程度不同，对原信号的模拟程度也不同；若太小，一些信号细节将被淹没，若太大，则粗粒化意义不大；根据相关资料和本方法的前期实验研究，认为M = 6的情况适合旋转机械故障诊断中的信号粗粒化过程；
[0014]第三步、符号序列形成:
[0015]符号序列的形成由时延参数τ和历经长度I确定；将第二步中得到的值域序列中从采样时刻最小的点起算，将样本的采样点按照采样时刻从小到大的顺序取前(L-Ι* τ +1)个点分别作为信号起点，将信号起点加上与信号的起点时延τ、2 τ、3 τ……(Ι_1) τ对应
的点分别构成一组序列，并将序列中信号起点以及与信号起点分别时延τ、2 τ、3 τ......(1-1) τ对应的点依次进行符号定义，再根据时域信号幅值从大到小的排列顺序，符号序列集合或字集合；其中
[0016]L:信号样本的长度；
[0017]τ:时延参数，τ取I至6的自然数；τ为I表示时延一周期，即前一起点与后一起点为相邻的采样点，τ为2表示时延二周期，即前一起点与后一起点间隔了一个采样点，依次类推，τ为6表示时延六周期，即前一起点与后一起点间隔了五个采样点；
[0018]历经长度I取6;
[0019]第四步:生成特征向量，包括:
[0020]第四.一步:生成参数组一，具体为计算总的禁字率f；和符号序列的信息熵Sh;其中:
[0021]其中:
[0022]总禁止字率:
_Nf
刚L=-
9
[0024]Nf为出现的所有禁止字模式字数量；
[0025]Mt 为字模式总数；Mt = Μ! = 720 ；
[0026]第四.二步:生成参数组二，具体为:
[0027]为在整个字模式总数中，按照顺序分为30个组，每个组有24个模式，对每组符号序列，分别统计在24个模式中，禁止字模式出现的个数Ni ;将每个组里面出现的Ni除以总的禁止字数量，得到30个禁止字率f1； f2,...，f30 ;
[0028]
【权利要求】
1.基于符号动力学禁字模式的旋转机械故障诊断方法，其特征在于:包括如下步骤:第一步:建立需诊断设备在正常状态和各种故障状态下的时域信号样本各不少于30个，每个样本的采样长度L不小于4096点；第二步:对每个样本，进行符号化处理，即将时域序列变成值域序列样本；即将每个样本按其峰峰值范围均等地分成M个区域，M为6;对每个样本上的每个点进行区域选取，即样本上的值所在的区域为值域序列中的值；第三步:将值域序列变成符号序列:符号序列的形成由时延参数τ和历经长度I确定；将样本的采样点按照采样时刻从小到大的顺序取前(L-1* τ +1)个点分别作为信号起点，将信号起点加上与信号的起点时延τ、2 τ、3 τ......(Ι_1) τ对应的点分别构成一组序列，并将序列中信号起点以及与信号起点分别时延τ、2 τ、3 τ……(Ι_1) τ对应的点依次进行符号定义，再根据时域信号幅值从大到小的排列顺序，得到符号序列集合或字集合;其中:L:信号样本的长度；τ:时延参数，τ取I至6的自然数；第四步:生成特征向量，包括:第四.一步:生成参数组一，具体为计算总的禁字率f；和符号序列的信息熵Sh;其中:其中:总禁止字率:`Nffr =~—M1，Nf为出现的所有禁止字模式字数量；Mt为字模式总数；Mt = M! = 720 ；第四.二步:生成参数组二，具体为:在整个字模式总数中，按照顺序分为30个组，每个组有24个模式，对每组符号序列，分别统计在24个模式中，禁止字模式出现的个数Ni ;将每组里面出现的Ni除以总的禁止字数量，得到30个禁止字率f1； f2,...，f30 ;fi 二~^“ —1,2,...,30Nf第四.三步:生成参数组三，具体为:在整个字模式总数中，按照顺序分为六个组，每个组有120个模式，对每组符号序列，分别统计在120个模式里面出现的禁止字模式数Ni'，再除以总的禁止字数Nf，得到六个禁止字率fbl，fb2，…，fb6 ;其中:N'.// =~^'=152,—第四.四步:生成参数组四，具体为:将每组符号序列均分成前后二段，每段则由三个字符构成；按照这三个字符的大小位置关系，也就是每三个字符有四种位置关系，那么前后两段，共有16种模式，在整个字模式总数里面，对每组符号序列，分别统计16种模式下出现的禁止字模式数量Ncd，再除以总的禁止字模式数量,形成禁止字率G ； 第五步:对特征向量进行标准化和归一化处理后，再进行PCA降维处理；第六步:生成降维后的新的特征向量，并对新的特征向量进行标准化和归一化处理；第七步、采用分层递归的LibSVM进行诊断，核函数采用RBF，利用网格法得到LibSVM的RBF核参数g参数和惩罚参数c参数,并进行训练建模；第八步:利用模型对测试样本进行测试，判断每类正确率是否大于90% ;若每类正确率是大于90%，判断有合并的类吗；判断是否有设置的合并类；若没有合并类，模型构建完毕，可进行诊断工作；如有合并类，则设置τ =Χ，τ =1，M = 6，返回第二步；若有正确率小于90%，判断τ <6吗？如τ <6，则设τ = τ+1，返回第二步；如τ =6，再判断是否有正确率>90%的分类，如没有，则本次诊断失败，无法建模，不能进行诊断；如τ =6有正确率>90%的分类，则在τ = I时观察，将没有达到正确率90%的相互混淆的类合并为一类，并设置Μ=6, π = π-Χ+1，τ = 1，返回第二步；其中:π为识别对象，N为总的待分类的故障类别数；X为合并的类的类别数。`
【文档编号】G01M99/00GK103528836SQ201310432071
【公开日】2014年1月22日 申请日期:2013年9月22日 优先权日:2013年9月22日
【发明者】王雪, 袁玲 申请人:重庆科技学院