一种旋转机械设备状态监测与故障诊断方法
【技术领域】
[0001] 本发明属于旋转机械设备的智能故障诊断技术领域，具体涉及一种基于系统聚类 分析（HCA)与费希尔判别分析（FDA)相结合的旋转机械设备故障诊断方法。
【背景技术】
[0002] 目前不期望的设备故障停机仍然是导弹武器系统尤其是地面武器装备现存的重 大问题，由此将会造成严重的任务性、安全性影响。对于导弹武器系统相关地面装备，设备 维护维修作为一种有效的方式在一定程度上可以保证武器装备具有持续的高可靠性。但 是，被动的事后维修难以避免故障的发生，将会造成停机时间过长、导弹发射任务延迟乃至 失败以及维修费用和延续损失过高等后果，而盲目的预防性维修容易造成维修过剩，不必 要的停机检修也直接影响到装备的可用度。因此，为减少装备故障停机时间、降低寿命周期 费用、提高装备可用度、降低安全风险，如何对设备进行实时在线的状态监测和快速准确的 故障诊断已成为设备智能维护的研究热点之一。
[0003] HCA是一种非监督式模式分类方法，它的分析过程即是将物理的或抽象的对象的 集合分组成为由类似的对象所组成的多个类或总体。所生成的各个聚类是某些数据对象的 集合，这些对象与同一个聚类中的对象具有很高的相似性，而与其他聚类中的对象具有明 显的差异。在基于状态监测数据的故障诊断中，为了避免所获得的正常状态和各类故障状 态样本数据分散性的影响，提高状态监测和故障诊断的准确性，基于HCA的样本数据可分 性分析将是必不可少的。
[0004] FDA作为一种空间变换技术，能够确定一系列的线性变换向量并按照最大化类间 离散度，同时最小化类内离散度的准则在空间映射过程中把各类总体之间最大程度地分 离。在空间变换过程中，选取最优的判别向量使fisher准则函数最大，从而高维的数据空 间可以沿着已获得的Fisher特征方向投影，从而实现了数据降维并将不同类别数据最大 程度地分离。
[0005] 作为导弹武器系统地面装备的关键重要部分，旋转机械设备的故障与失效将严重 影响武器装备的可用度并对安全性、任务性和经济性造成影响。目前，尽管实时状态监测、 智能故障诊断等技术已得到广泛关注，但是很少涉及到旋转机械设备，并且现有的状态监 测和故障诊断方法一般都需要将待监测设备的齐备的全寿命退化状态监测数据和大量样 本的故障状态数据作为输入，很少考虑对不完全数据（即只有正常状态和故障状态下的监 测数据）的充分挖掘利用。然而，设备的全寿命退化数据往往较难获取，尤其是针对一些新 安装使用的设备来说，根本没有全寿命退化数据和大量样本的故障状态数据，故障诊断准 确度低、鲁棒性差，因此在实际工程应用中受到了很大的限制。
【发明内容】
[0006] 本发明要解决的技术问题是提供一种基于系统聚类分析和费希尔判别分析相结 合的旋转机械设备状态监测与故障诊断方法，以解决在导弹武器系统地面装备相关旋转机 械设备状态监测和故障诊断方面，现有方法依赖于全寿命退化数据并且故障诊断准确低、 鲁棒性差的问题。
[0007] 为解决上述技术问题，本发明采用下述技术方案：
[0008] 步骤一、基于经验模态分解（EMD)提取能量特征向量：在正常和各类故障状态下， 旋转机械设备的振动监测信号通常在各个频段都有分布。EMD方法基于振动信号的局部特 征时间尺度，把复杂的信号函数分解为有限的本征模态函数（MF)之和，各个頂F依次包含 了从高频到低频的信号频率成分。对分解得到的IMF进行统计和分析，形成反映信号特征 的能量指标。在旋转机械设备的正常工作状态和各类故障工作状态下，采集振动信号进行 EMD分解从而提取能量特征向量样本。
[0009] 步骤二、样本可分性分析：将每种工作状态（包括正常工作状态和各类故障工作 状态）下所提取的样本进行系统聚类分析（HCA)，基于样本间的距离或相似系数及类间距 离的计算，将各种状态的样本聚集为不同的类，从而判断各类状态间样本的差异性和各类 状态内样本的相似性。
[0010] 步骤三、提取判别分析函数：将每种工作状态（包括正常工作状态和各类故障工 作状态）下所提取的能量特征向量样本组成训练集进行费希尔判别分析（FDA)，实现高维 空间到低维空间的空间变换，并构建判别总体（包括正常总体和各类故障总体）和提取判 别分析函数。
[0011] 步骤四、获取状态监测数据：将实时采集到的旋转机械设备在t时刻工作状态下 的振动信号进行EMD分解，选取包含主要退化特征的前p个IMF分量，提取能量特征向量X。
[0012] 步骤五、故障诊断：结合判别分析函数，计算能量特征向量x与正常总体及各类故 障总体之间的马氏距离，基于既定的判定规则即可判定当前工作状态是否故障并定位故障 模式。
[0013] 本发明的有益效果如下：
[0014] 本发明所述技术方案利用经验模态分解，获得本征模态函数分量，不但在频域上 具有显著的缓变波包特征，也在时域上具有局部化特征，并且各本征模态函数分量间具有 较好的正交性，为状态监测和故障诊断提供了高质量的输入数据；本发明将系统聚类分析 作为发明的非监督式模式分类方法，能够充分验证正常状态和各类故障状态下获取的测试 样本间的可分性，克服了测试样本数据分散性的影响，能够显著提高故障诊断的准确性；本 发明充分利用费希尔判别分析强大的降维处理能力和马氏距离直观的度量表征和分类判 别能力，能够在故障检测的同时实现故障模式定位，方法简单，可操作性强，诊断效果显著； 本发明方法基于正常状态和各种故障状态数据即可建立故障诊断模型，降低了对历史数据 的依赖性，能够实现旋转机械设备的智能维护，具有很强的通用性和很高的工程应用价值。
【附图说明】
[0015] 下面结合附图对本发明的【具体实施方式】作进一步详细的说明；
[0016] 图1示出本发明所述一种旋转机械设备状态监测与故障诊断方法的示意图；
[0017] 图2示出本发明所述经验模态分解方法的示意图；
[0018] 图3示出本发明所述系统聚类过程的示意图；
[0019] 图4示出本发明所述希尔判别分析逻辑过程图；
[0020] 图5示出本发明所述基于系统聚类分析和费希尔判别分析的故障诊断映射图；
[0021] 图6示出本发明所述基于系统聚类分析和费希尔判别分析的故障诊断的流程图；
[0022] 图7示出本发明实施例中某一组内环故障振动信号的时域波形图；
[0023] 图8示出本发明某一组内环故障振动信号的EMD分解结果图；
[0024] 图9示出本发明实施例中利用HCA对训练集进行可分性验证的示意图。
【具体实施方式】
[0025] 为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说 明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具 体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
[0026] 对旋转机械设备进行实时状态监测和故障诊断已成为智能维护的一种重要分支 和研究热点。现有的一些方法基本上都是根据全寿命退化状态监测数据和大量样本的故障 状态数据进行状态监测与故障诊断，但这些数据难以获取，并且诊断时效性差，诊断结果不 准确。本发明针对旋转机械设备的结构及其信号特点，提出一种基于系统聚类和费希尔判 别相结合的故障诊断方法。本发明方法的核心思想是通过计算设备当前的运行状态与正常 状态和各类故障状态对应的判别总体之间的距离，基于既定的判定规则即可判定当前工作 状态正