用于FDA的学习（为 了便于辨识，分别对应于正常状态、内环、外环、滚动体故障状态，将它们编号为N_1至N_4， 1_1至1_4, 0_1至0_4,B_1至B_4)，余下的4个构成测试集（同样，将它们编号为N_T1至 N_T4,I_T1至I_T4, 0_T1至0_T4,B_T1至B_T4)。训练集和测试集能量特征向量如表1、2 所示。
[0067] 表1轴承训练样本特征向量
[0068]
[0069]
[0070] 表2轴承测试样本特征向量
[0071]
[0072] 步骤二、训练样本可分咩分析。
[0073] 应用HCA对训练集进行可分性验证，如图9所示，所得的树状图清晰地展示了整个 聚类过程。首先，假定每个样本各自成为一类；在第一次类合并后，样本B_1至B_4和0_1 至〇_4聚为一类，样本1_1至1_4聚为另一类，样本N_1至1^_4聚为第三类。如表3所示， 从聚类关系结果中可以看出所有正常样本聚为总体1，所有内环故障样本聚为总体2,所有 外环样本聚为总体3,所有滚动体故障样本聚为总体4。SPSS专业统计软件的输出结果树状 图和聚类关系结果充分证明了四种状态下提取的特征向量样本的可分性。
[0074] 表3训练样本聚类关系
[0075]
[0076] 步骤三、提取判别分析函数、构建判别
总体。胃
[0077] 在验证了样本可分性的基础上，利用训练集（N_l至N_4, 1_1至1_4, 0_1至0_4， B_1至B_4)提取判别函数，构建各判别总体，即正常总体、内环故障总体、外环故障总体和 滚动体故障总体，并分别标记为G_N，G_I，G_0和G_B。
[0078] 步骤四、轴承故障诊断。
[0079] 计算测试集中16个能量特征样本（N_T1至N_T4,I_T1至I_T4, 0_T1至0_T4,B_ T1至B_T4)与正常总体和内环、外环、滚动体故障总体之间的马氏距离，计算结果如表4所 示。通过比较分析可知，测试样本N_T1至N_T4与总体G_N的马氏距离最小，同样，测试样 本I_T1至I_T4, 0_T1至0_T4,B_T1至B_T4分别与总体G_I，G_0和G_B的马氏距离最小。 从而可以判定，样本N_T1至N_T4属于正常状态，样本I_T1至I_T4, 0_T1至0_T4,B_T1至 B_T4分别属于内环故障、外环故障和滚动体故障，即确定了它们的故障模式，在状态监测、 故障检测的同时达到了故障定位的目的。
[0080] 表4轴承故障诊断结果表
[0081]
[0083] 通过以上故障诊断方法以及结果的详细描述，可见本发明的轴承故障诊断方法， 可操作性强，诊断效果好，具有显著的工程应用价值。
[0084] 综上所述：
[0085] (1)本发明研究了一种旋转机械设备状态监测、故障检测和故障定位的综合方法， 能够实现旋转机械设备的智能维护；
[0086] (2)EMD分解所得的頂F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MF分量间具有较好的正交性，这些特性为状态监测和故障诊断 提供了高质量的输入数据；
[0087] (3)HCA作为一种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；
[0088] (4)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；
[0089] (5)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，具有很强的通用性和很高的工程应用价值。
[0090] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对 本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发 明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
【主权项】
1. 一种旋转机械设备状态监测与故障诊断方法，其特征在于，该方法的步骤包括 51、 在旋转机械设备的正常工作状态和多种故障工作状态下采集振动信号，并进行经 验模态分解，提取能量特征向量样本； 52、 对能量特征向量样本进行可分性分析，判断每种类别状态间样本的差异性和每种 类别状态内样本的相似性； 53、 将正常工作状态和多种故障工作状态下所提取的样本组成训练集，进行费希尔判 别分析，并构建正常判别总体和多种故障判断总体，分别提取判别分析函数； 54、 实时采集旋转机械设备在t时刻工作状态下的振动信号，并对其进行经验模态分 解，选取包含主要退化特征的前P个本征模态函数分量，提取能量特征向量X; 55、 利用所述判别分析函数，计算能量特征向量X与正常总体及每种故障总体之间的 马氏距离，基于既定的判定规则对当前工作状态是否故障进行判断，并定位故障模式。2. 据权利要求1所述的方法，其特征在于，所述多种故障工作状态包括内环故障、外环 故障或滚动体故障。3. 据权利要求1所述的方法，其特征在于，所述步骤Sl包括 511、 利用经验模态分解方法，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之和，其中，各个本征模态函数依次包含了从高频到低频的信 号频率成分； 512、 对获得的本征模态函数进行统计和分析，形成反映信号特征的能量指标。4. 根据权利要求1所述的方法，其特征在于，所述步骤S2包括 521、 将正常工作状态和多种故障工作状态下所提取的样本进行系统聚类分析； 522、 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 的类别。5. 根据权利要求1所述的方法，其特征在于，所述步骤S5包括 551、 通过费希尔判别分析，将正常状态数据样本、各类故障状态数据样本以及待判样 本由原来的高维空间映射到新的低维空间； 552、 在新的低维空间计算待判样本的映射点与各判定总体之间的马氏距离； 553、 若待判样本映射点与正常总体之间的马氏距离最小，则当前设备属于正常工作状 态；若待判样本映射点与某一故障总体之间的马氏距离最小，则当前设备属于故障状态，并 且定位其故障模式为该故障总体所表征的故障模式。
【专利摘要】本发明公开了一种基于系统聚类分析与费希尔判别分析的旋转机械设备故障诊断方法，该方法首先对所获取的正常和各类故障状态下的监测数据进行经验模态分解以提取能量特征向量；然后基于系统聚类分析验证样本间的可分性，消除样本数据分散性的影响；在此基础上，提取判别分析函数并构建判别总体，并根据旋转机械设备的实时状态监测数据进行故障诊断。本发明解决了旋转机械设备在线故障诊断的热点问题，实现了旋转机械设备的智能故障诊断；本发明方法不需要大量样本的故障状态数据和全寿命状态监测数据，即可建立状态监测和故障诊断模型，降低了对数据的依赖性，提高了可操作性，具有非常高的工程应用性。
【IPC分类】G05B23/02
【公开号】CN105204493
【申请号】CN201510579242
【发明人】陶小创, 曲丽丽, 何俊, 倪晓峰
【申请人】北京电子工程总体研究所
【公开日】2015年12月30日
【申请日】2015年9月11日