本发明涉及自动控制领域，具体地涉及一种旋转机械的故障诊断方法及一种旋转机械的故障诊断装置。
背景技术：
随着现代工业技术的不断发展，工业规模的不断增大，大型工业机械应用于各种工业场景成为行业普遍现场，例如在许多流程工业行业中，大型旋转机械设备被广泛引用以支持整个工艺流程的正常、高速运转。
由于大型旋转机械是许多流程工业的关键设备，因此它们是否能够正常运行关系到整个工艺流程的正常运转，因此对其进行振动分析与故障诊断具有重要意义。而大型旋转机械设备，例如汽轮机或离心压缩机等大型机械往往由多个组件构成，其结构复杂，激励源多，振动信号尤其是故障信号往往具有非平稳性。
在现有技术中，经验模式分解(empiricalmodedecomposition,emd)方法可以对非平稳信号进行分析，因此在行业内获得了广泛的应用，但emd方法存在模式混淆的情况，甚至产生虚假的分析结果，因此其分析精度不高，无法满足更高的检测进度需求。
进一步地，近似熵(approximateentropy,apen)是一种度量信号复杂性的非线性特征指标，可以度量信号变化时信号中产生新模式的概率大小，由于其计算所需要的数据量少，且能够包含更多信息，因此被广泛应用于生物时间序列分析、电力及机械故障诊断等领域，然而该方法依然存在无法快速获取故障诊断结果、故障诊断可视性差等缺点，无法满足旋转设备的故障诊断需求。
技术实现要素：
为了克服现有技术中旋转机械的故障诊断精度差、诊断结果获取慢以及故障诊断可视性差的技术问题，本发明实施例提供一种旋转机械的故障诊断方法及旋转机械的故障诊断装置，通过基于集合经验模态分解方法对旋转机械的振动信号进行分解，从而获得旋转设备更精确的振动信息，然后基于智能学习算法对振动信号的复杂度信息进行分析，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。
为了实现上述目的，本发明实施例提供一种旋转机械的故障诊断方法，所述故障诊断方法包括：获取所述旋转机械的故障振动信号；基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；基于所述分解振动信号获得所述分解振动信号的复杂度信息；对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。
优选地，所述基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号，包括：根据所述故障振动信号，获得所述旋转机械的振动位移信号；基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。
优选地，所述基于所述分解振动信号获得所述分解振动信号的复杂度信息，包括：基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。
优选地，所述对所述复杂度信息进行处理以生成所述分解振动信号的特征信息，包括：提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；将所述故障特征向量作为所述分解振动信号的特征信息。
优选地，所述基于预设算法对所述特征信息进行分析，以获得所述故障振动信号对应的故障信息，包括：提取所述故障特征向量；基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。
本发明第二方面提供一种旋转机械的故障诊断装置，所述故障诊断装置包括：信号获取模块，用于获取所述旋转机械的故障振动信号；分解模块，用于基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；复杂信息获取模块，用于基于所述分解振动信号获得所述分解振动信号的复杂度信息；处理模块，用于对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；分析模块，用于基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；诊断模块，用于基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。
优选地，所述分解模块包括：位移获取子模块，用于根据所述故障振动信号，获得所述旋转机械的振动位移信号；位移分解子模块，用于基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取子模块，用于提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。
优选地，所述复杂信息获取模块包括：敏感振动获取子模块，用于基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；确定子模块，用于将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。
优选地，所述处理模块包括：特征向量生成子模块，用于提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；特征信息确定子模块，用于将所述故障特征向量作为所述分解振动信号的特征信息。
优选地，所述分析模块包括：特征向量提取子模块，用于提取所述故障特征向量；特征向量分析子模块，基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；故障确定子模块，用于基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。
通过本发明提供的技术方案，本发明至少具有如下技术效果：
通过基于对经验模式分解方法进行改进的集合经验模态分解方法对旋转机械的故障振动信号进行分解，从而获得旋转设备的更精确的振动信息，然后基于智能学习算法对故障振动信号的复杂度信息进行自学习，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的旋转机械的故障诊断方法的具体实施流程图；
图2是本发明实施例提供的旋转机械的故障诊断方法中通过经验模式分解方法对转子不平衡信号进行分解后的分解振动信号图；
图3是本发明实施例提供的旋转机械的故障诊断方法中通过集合经验模态分解方法对转子不平衡信号进行分解后的分解振动信号图；
图4是本发明实施例提供的旋转机械的故障诊断方法中通过自组织映射神经网络算法进行自学习后的学习结果示意图；
图5是本发明实施例提供的旋转机械的故障诊断方法中对正常振动信号进行故障诊断的诊断结果示意图；
图6是本发明实施例提供的旋转机械的故障诊断装置的结构示意图。
具体实施方式
为了克服现有技术中旋转机械的故障诊断精度差、诊断结果获取慢以及故障诊断可视性差的技术问题，本发明实施例提供一种旋转机械的故障诊断方法及一种旋转机械的故障诊断装置，通过基于集合经验模态分解方法对旋转机械的故障振动信号进行分解，从而获得旋转设备更精确的振动信息，然后基于智能学习算法对故障振动信号的复杂度信息进行分析，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
请参见图1，本发明实施例提供一种旋转机械的故障诊断方法，所述故障诊断方法包括：
s10)获取所述旋转机械的故障振动信号；
s20)基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；
s30)基于所述分解振动信号获得所述分解振动信号的复杂度信息；
s40)对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；
s50)基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；
s60)基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。
在本发明实施例中，在获取到旋转机械的故障振动信号后，通过集合经验模态分解方法对该故障振动信号进行分解，而不是采用经验模式分解方法对该故障振动信号进行分解，从而有效地消除通过经验模式分解方法对故障振动信号进行分解所存在的模式混淆的情况，并生成更加精确的分解振动信号，提高了故障振动信号分解的精确性，然后对该分解振动信号的复杂度进行分析，从而获得该分解振动信号的复杂度信息，为识别不同种类的故障提供了更精确的信息，然后通过对该复杂度信息进行处理以提取出该复杂度信息的特征信息，从而快速、精确的识别出该故障振动信号的故障类型，提高了诊断效率以及诊断精确性。
在本发明实施例中，所述基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号，包括：根据所述故障振动信号，获得所述旋转机械的振动位移信号；基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。
在一种可能的实施方式中，首先获取到四种典型故障，例如转子不平衡、油膜涡动、不对中以及严重碰磨四种典型故障的振动位移信号，此时通过集合经验模态分解方法基于信号的局部特征时间尺度对每种典型故障的振动位移信号进行分解，从而获得了每种典型故障的振动位移信号的多层基本模式分量，此时自动分别提取每种典型故障的振动位移信号的多层基本模式分量中的前五层基本模式分量以作为对应的典型故障的振动信号的分解振动信号。
请参见图2和图3，其中图2为转子不平衡信号的经验模式分解方法分解后的分解振动信号图，图3为转子不平衡信号的集合经验模态分解方法分解后的分解振动信号图，由图中可看到，在经验模式分解方法对应的分解振动信号图中存在高频信号和基频信号相混淆的情况，并对后续的分解产生了影响，因此分解出的分解振动信号无法表示真实的物理过程，而集合经验模态分解方法对应的分解振动信号图中则消除了上述模式混淆的情况，信号中的噪声、高频信号、基频信号以及低频信号被逐级分解，分解结果符合实际情况，物理意义明确。
在本发明实施例中，通过采用集合经验模态分解方法对故障振动信号进行分解处理，能够有效消除由经验模式分解方法带来的模式混淆现象，能够对故障振动信号中的噪声、高频信号、基频信号以及低频信号进行逐级分解，使得分解出来的分解振动信号更加符合实际情况，具有更高的精确性。
在本发明实施例中，所述基于所述分解振动信号获得所述分解振动信号的复杂度信息，包括：基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。
进一步地，在本发明实施例中，所述对所述复杂度信息进行处理以生成所述分解振动信号的特征信息，包括：提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；将所述故障特征向量作为所述分解振动信号的特征信息。
在一种可能的实施方式中，故障敏感振动信号包括高频振动信号以及低频振动信号，高频振动信号包括2倍频振动信号和3倍频振动信号，低频振动信号包括1/2倍频振动信号和1/3倍频振动信号，此时提取某个故障，例如转子不平衡故障的振动位移信号，并对该振动信号进行集合经验模态分解以获得转子不平衡故障的振动分解信号，其中3倍频振动信号和2倍频振动信号分别对应振动分解信号中的第一层基本模式分量和第二层基本模式分量，1/3倍频振动信号和1/2倍频振动信号分别对应振动分解信号中的第四层基本模式分量和第五层基本模式分量，此时分别计算上述四层基本模式分量的近似熵以获得一个四维的故障特征向量，将该四维的故障特征向量作为转子不平衡故障的故障特征向量。基于同样的原理，可以获得其他故障的故障特征向量，在此不做过多赘述。
由于对于不同的故障类型，其振动信号的高频以及低频信号具有不同的频谱特征，其对应的基本模式分量的波形的复杂度也具有明显的差别，因此在本发明实施例中，通过对每个故障的振动信号进行分解，并提取分解振动信号的故障敏感振动信号，通过近似熵对故障敏感振动信号的复杂度进行度量，从而获得与每个典型故障相对应的故障特征向量，由于近似熵计算所需要的数据量少，且与其他特征指标相比包含了更多的信息，因此通过实施本发明实施例能够在具有更少的运算量的情况下，实现更高精确度的故障特征提取，保证了后续方法中能够根据振动信号更精确地确定出不同的故障类型，提高了故障诊断的精确性。
在本发明实施例中，所述基于预设算法对所述特征信息进行分析，以获得所述故障振动信号对应的故障信息，包括：提取所述故障特征向量；基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。
请参见图4，在一种可能的实施方式中，在获取到四个典型故障信号的故障特征向量后，将每个故障对应的故障特征向量输入基于自组织映射神经网络的算法中进行智能学习，并获得智能学习的结果，在本发明实施例中，在获取到每个故障对应的智能学习结果后，通过u/c矩阵图将智能学习结果输入统计表格中，并通过计算机的显示屏进行显示，此时计算机通过智能学习将u/c矩阵图上划分为与四个典型故障一一对应的四个不同区域，即获得了与每个故障振动信号所对应的故障类别信息。
请参见图5，在本发明实施例中，在通过智能学习以获得了每个故障振动信息对应的故障区域后，向计算机输入待诊断的正常振动信号以进行故障诊断，计算机对该正常振动信号进行分析后获得该正常振动信号所对应的区域，从而诊断出该正常振动信号所对应的故障类型，并将诊断后的故障类型显示在计算机显示屏上，以便于用户查看。
由于基于自组织映射神经网络算法的智能学习算法具有无监督自学习的特点，不需要用户预先指定特征向量的类别，同时其学习速度快，学习精度高，因此在本发明实施例中，通过采用自组织映射神经网络的算法对振动信号的故障特征向量进行智能学习，能够在进一步减少用户对故障分析的运算量的情况下，提高故障诊断速度以及故障诊断的精确性。同时由于诊断过程可以通过计算机的显示屏进行实时显示，因此通过实施本发明实施例还进一步增强了故障诊断的可视性，提高了用户体验。
下面结合附图对本发明实施例所提供的旋转机械的故障诊断装置进行说明。
请参见图6，基于同一发明构思，本发明实施例提供一种旋转机械的故障诊断装置，所述故障诊断装置包括：信号获取模块，用于获取所述旋转机械的故障振动信号；分解模块，用于基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；复杂信息获取模块，用于基于所述分解振动信号获得所述分解振动信号的复杂度信息；处理模块，用于对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；分析模块，用于基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；诊断模块，用于基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。
在本发明实施例中，所述分解模块包括：位移获取子模块，用于根据所述故障振动信号，获得所述旋转机械的振动位移信号；位移分解子模块，用于基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取子模块，用于提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。
在本发明实施例中，所述复杂信息获取模块包括：敏感振动获取子模块，用于基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；确定子模块，用于将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。
在本发明实施例中，所述处理模块包括：特征向量生成子模块，用于提取所述故障敏感振动信号的近似熵，并根据所述近似熵组成所述分解振动信号的故障特征向量；特征信息确定子模块，用于将所述故障特征向量作为所述分解振动信号的特征信息。
在本发明实施例中，所述分析模块包括：特征向量提取子模块，用于提取所述故障特征向量；特征向量分析子模块，基于自组织映射神经网络算法对所述故障特征向量进行分析，以获得与所述故障特征向量对应的故障判断结果；故障确定子模块，用于基于所述故障判断结果对所述故障振动信号进行分析，以获得所述故障振动信号的故障类别信息。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。