基于全矢谱特征提取的机械故障诊断方法和系统与流程

本发明涉及基于全矢谱特征提取的机械故障诊断方法和系统。
背景技术：
：随着现代工业设备高速化、自动化及集群化方向的快速发展，传统的基于现场的故障诊断技术服务模式由于受到人力、技术及地域的限制，很难满足工业现场诊断实时性的需要。随着人工智能及网络技术的发展，基于网络技术的智能诊断系统的研究和使用在一定程度上解决了上述传统故障诊断模式的弊端。故障特征能否有效的提取及是否全面直接关系到智能专家系统诊断的正确性及实时性。当前旋转机械智能诊断专家系统的常用做法如图1所示，在图1中，关键的一步是特征向量提取的有效性：维度过大的特征向量会降低智能诊断的实时性；过少的特征向量不能全面反映设备的状态，进而影响智能诊断的有效性。有效的特征向量输入不仅能综合有效反映设备的真实状态，更能提高后续智能诊断的时效性和正确性。并且，在现有的信号采集过程中，往往采用单一通道对信号进行采集，这样往往由于传感器安装位置的不同而造成不同的诊断结论，如图2所示，诠释了目前单通道信号采集的弊端：图2表示了旋转部件同一截面两个不同通道振动信号相应的幅值谱，若依据x幅值谱可以得到不平衡的诊断结论；若依据y幅值谱则可以得到不对中的诊断结论。因此，现有特征提取技术大都基于单通道的采集方式，存在的信息量不全及测点不同以致特征量不同的弊端；此外现有旋转机械智能诊断专家系统大都只利用振动特征量，根据只针对振动特征量的诊断方式获取到的诊断结果比较片面，可靠性和准确性较低，该诊断结果无法反映出机械的真实运行状态。技术实现要素：本发明的目的是提供一种基于全矢谱特征提取的机械故障诊断方法，用以解决传统的诊断方法准确性较低的问题。本发明同时提供一种基于全矢谱特征提取的机械故障诊断系统。为实现上述目的，本发明的方案包括：一种基于全矢谱特征提取的机械故障诊断方法，其特征在于，包括以下步骤：(1)采集机组的振动类参量、工艺类参量和电气类参量；(2)将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；(3)将所述振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据比对诊断结果进行故障诊断。本发明提供的机械故障诊断方法中，采集机组的振动类参量、工艺类参量和电气类参量，然后将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；最后将得到的振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据上述三个比对过程得到的比对诊断结果对机械故障进行诊断分析。首先，在数据采集和提取过程中，除了获取振动类参量之外，还获取工艺类参量和电气类参量，结合这三种参量进行机械故障诊断，因此，相较于传统的只利用振动参量进行的诊断方式，本发明提供的诊断方法更加全面，根据多方位的数据信息诊断机械的运行状态，大幅度提升诊断可靠性和准确性，诊断结果能够反映出机械的真实运行状态，避免传统机械智能诊断时特征量过于单一的弊端。而且，各特征量与相应的知识库进行比对，找到知识库中对应的比对结果，也就对实际采集到的数据相对应的故障诊断结果，因此，该诊断方法的可靠性和准确性得到进一步提升。该诊断方法有效替代人工诊断的同时，还能有效利用全面反映监测对象的电气、工艺等特征量，有效提高诊断结论的正确性及实时性。采用分别设置在x轴和y轴的检测设备检测机组的振动类参量，并采用全矢谱同源融合技术对振动类参量进行故障特征提取。采用基于双通道传感器采集的方式对同一测点进行采集，可以避免传统单通道模式信息采集的片面性，并且，采用基于双通道同源信息融合的全矢谱相关技术可提取出更能真实反映机组运行状态的特征量：如主振矢可以实时监测机组某个部件的振动最大值，减少误报漏报率；轴心轨迹更能反映转子的故障类型等。利用全矢谱相关技术对旋转机械故障敏感特征量进行有效提取，可以有效压缩输入特征量的维数，进而可以有效提高诊断的实时性；此外，故障特征量的有效提取更利于提高诊断的正确性。所述步骤(1)中，采集到的机组的相关数据分别是转子的数据信息、齿轮的数据信息和滚动轴承的数据信息，转子的数据信息、齿轮的数据信息和滚动轴承的数据信息均包括对应部件的振动类参量、工艺类参量和电气类参量。所述步骤(3)中，转子的振动特征量、工艺特征量和电气特征量与建立的转子自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对转子进行故障诊断；齿轮的振动特征量、工艺特征量和电气特征量与齿轮自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对齿轮进行故障诊断；滚动轴承的振动特征量、工艺特征量和电气特征量与滚动轴承自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对滚动轴承进行故障诊断。总的比对诊断结果v的获取公式是：其中，将振动特征量与振动特征量知识库进行比对而产生的比对结果为rvib，相应的权重系数为wvib；将工艺特征量与工艺特征量知识库进行比对而产生的比对结果为rpro，相应的权重系数为wpro；将电气特征量与电气特征量知识库进行比对而产生的比对结果为rele，相应的权重系数为wele，rvib、wvib、rpro、wpro、rele和wele的取值区间均为[0，1]，根据不同的诊断侧重点分配不同的权重值。本发明还提供一种基于全矢谱特征提取的机械故障诊断系统，包括：数据采集模块，用于采集机组的振动类参量、工艺类参量和电气类参量；特征量提取模块，用于将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；故障诊断模块，用于将所述振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据比对诊断结果进行故障诊断。采用分别设置在x轴和y轴的检测设备检测机组的振动类参量，并采用全矢谱同源融合技术对振动类参量进行故障特征提取。采集到的机组的相关数据分别是转子的数据信息、齿轮的数据信息和滚动轴承的数据信息，转子的数据信息、齿轮的数据信息和滚动轴承的数据信息均包括对应部件的振动类参量、工艺类参量和电气类参量。转子的振动特征量、工艺特征量和电气特征量与建立的转子自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对转子进行故障诊断；齿轮的振动特征量、工艺特征量和电气特征量与齿轮自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对齿轮进行故障诊断；滚动轴承的振动特征量、工艺特征量和电气特征量与滚动轴承自诊断数据库中的振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果对滚动轴承进行故障诊断。总的比对诊断结果v的获取公式是：其中，将振动特征量与振动特征量知识库进行比对而产生的比对结果为rvib，相应的权重系数为wvib；将工艺特征量与工艺特征量知识库进行比对而产生的比对结果为rpro，相应的权重系数为wpro；将电气特征量与电气特征量知识库进行比对而产生的比对结果为rele，相应的权重系数为wele，rvib、wvib、rpro、wpro、rele和wele的取值区间均为[0，1]，根据不同的诊断侧重点分配不同的权重值。附图说明图1是常用专家系统诊断流程图；图2是旋转部件同一监测截面两个不同通道采集振动信号的频谱图；图3是双通道传感器的布置方式示意图；图4是全矢谱虚拟探头示意图；图5是融合x、y双通道后的幅值谱示意图；图6是本发明提供的机械故障诊断方法流程的一种具体的实施方式示意图。具体实施方式机械故障诊断系统实施例本发明提供一种机械故障诊断系统，主要包括：数据采集模块，用于采集机组的振动类参量、工艺类参量和电气类参量；特征量提取模块，用于将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；故障诊断模块，用于将所述振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据比对诊断结果进行故障诊断。基于上述基本技术方案，以下给出机械故障诊断系统具体的实施方式，当然，本发明并不局限于下述实施方式。本实施例中，机械故障诊断模块的诊断对象是旋转机械。机械故障诊断系统包括数据采集模块、webservice接口调用模块、数据格式定义模块、机组注册模块、数据持久化模块、特征量提取模块、部件知识库模块、知识库绑定模块、故障诊断模块(也称为自诊断模块)和诊断报告模块。除了数据采集模块之外，上述各模块均为软件模块，以下结合系统的工作过程对各模块的功能作用进行介绍。数据采集模块采集机组的相关数据，有振动类参量、工艺类参量和电气类参量，其中，用于采集振动类参量的检测设备有两个，分别是设置在x轴和y轴的传感器，传感器布置方式如图3所示，采用双通道振动信号采集的方式；工艺类参量如温度、压力及流量等参量；电气类参量如电流及电压等参量。本系统以webservice服务方式独立发布，第三方旋转机械在线监测系统以客户端身份调用本系统的webservice服务接口，并将数据采集模块采集到的机组相关参数，如温度、压力及振动等信息按照本系统数据格式定义模块所要求的xml数据格式传输到本系统。数据传输的xml格式规范由本系统定义，xml信息包括机组的转速、功率、传感器类型、报警类型及机组的实时监测振动数据等信息。另外，采集数据中的振动类参量进行滤波处理，去除白噪声，而工艺类参量和电气类参量不用滤波。通常情况下，旋转机械的核心组成部分为转子、齿轮和滚动轴承，因此，数据采集模块采集到的相关数据分为转子的数据信息、齿轮的数据信息和滚动轴承的数据信息，其中，转子的数据信息包括转子的振动类参量、工艺类参量和电气类参量，齿轮的数据信息包括齿轮的振动类参量、工艺类参量和电气类参量，滚动轴承的数据信息包括滚动轴承的振动类参量、工艺类参量和电气类参量。本系统机组注册模块依据第三方系统传输的xml信息，采用java编程技术实现机组的自动注册解析，即将转子、齿轮及滚动轴承自动分类注册解析，将采集到的机组的相关数据解析为转子、齿轮、滚动轴承对应的数据信息。数据持久化模块将相关振动类参量、工艺类参量和电气类参量等信息存入到mysql数据库，作为后续生成诊断报告的数据支撑。本系统特征量提取模块对上述转子、齿轮和滚动轴承的振动类参量、工艺类参量和电气类参量进行特征量提取，分别得到转子、齿轮和滚动轴承的振动特征量、工艺特征量和电气特征量。其中，采用基于双通道同源信息融合的全矢谱相关技术对三个部件的振动类参量进行特征提取，提取出相应的一倍频主、副振矢、二倍频主、副振矢、轴心轨迹、椭圆度、最大倍频位置等相关振动特征量。全矢谱技术采用虚拟传感器的原理，如图4所示，可以实时有效扑捉到设备振动最大值的同时，更能提供其他相关特征信息如旋转部件的轴心轨迹、主振矢与副振矢比值等其他相关信息，这些维度有限的信息不仅可以全面反映设备的综合信息，更能提高智能诊断的实时性和正确性。而，实际工业的故障诊断中，工艺类参量和电气类参量往往为观察量或手抄量，可直接作为特征量使用，不像振动类参量需要相关的特征提取技术，故本实施例中，工艺类参量和电气类参量无需增加相关特征提取说明。另外，全矢谱为依据全矢谱理论同时融合x、y双通道后的幅值谱，如图5所示，相对于单通道分析方法，全矢谱能更为全面真实的反映测点真实谱结构。然后，部件知识库模块基于开源clisp编程语言建立旋转类典型部件即转子、齿轮及滚动轴承的自诊断数据库，即转子自诊断数据库、齿轮自诊断数据库和滚动轴承自诊断数据库，其中，转子自诊断数据库包括振动特征量知识库、工艺特征量知识库和电气特征量知识库，齿轮自诊断数据库包括振动特征量知识库、工艺特征量知识库和电气特征量知识库，滚动轴承自诊断数据库包括振动特征量知识库、工艺特征量知识库和电气特征量知识库。各知识库均根据各自数据库的编写规则进行编写。转子自诊断数据库、齿轮自诊断数据库和滚动轴承自诊断数据库中的各知识库中存储的是各故障类型与相应的特征量的对应关系。知识库绑定模块将转子、齿轮及滚动轴承与转子自诊断数据库、齿轮自诊断数据库和滚动轴承自诊断数据库进行自动绑定，即将转子与转子自诊断数据库进行绑定，将齿轮与齿轮自诊断数据库进行绑定，将滚动轴承与滚动轴承自诊断数据库进行绑定。故障诊断模块将提取的相关特征量输入到上述所建立的自诊断数据库，各部件自动匹配相应的自诊断数据库，将特征量与相应的数据库进行对比，根据比对结果进行故障诊断。具体为：将振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果进行故障诊断。具体为：将转子的振动特征量与转子自诊断数据库中的振动特征量知识库进行比对，将转子的工艺特征量与转子自诊断数据库中的工艺特征量知识库进行比对，将转子的电气特征量与转子自诊断数据库中的电气特征量知识库进行比对；将齿轮的振动特征量与齿轮自诊断数据库中的振动特征量知识库进行比对，将齿轮的工艺特征量与齿轮自诊断数据库中的工艺特征量知识库进行比对，将齿轮的电气特征量与齿轮自诊断数据库中的电气特征量知识库进行比对；将滚动轴承的振动特征量与滚动轴承自诊断数据库中的振动特征量知识库进行比对，将滚动轴承的工艺特征量与滚动轴承自诊断数据库中的工艺特征量知识库进行比对，将滚动轴承的电气特征量与滚动轴承自诊断数据库中的电气特征量知识库进行比对。通过比对，若所有的特征量均在正常范围内，则表示部件运行状态正常，无需报警；若某一个特征量不在正常范围内，则表示该特征量异常，对应的部件运行状态异常，产生的故障就是该异常特征量在知识库中对应的故障类型。进一步地，在建立转子、齿轮及滚动轴承的自诊断数据库时，或者在后续的比对诊断过程中，可依据部件不同的诊断侧重点而分配不同的权重值，如部件侧重于振动特征量，可以对基于振动特征量的诊断结论分配相应高的权值，下面是详细的介绍：总的比对诊断结果v的公式是：其中，将振动特征量与振动特征量知识库进行比对而产生的比对结果为rvib，相应的权重系数为wvib；将工艺特征量与工艺特征量知识库进行比对而产生的比对结果为rpro，相应的权重系数为wpro；将电气特征量与电气特征量知识库进行比对而产生的比对结果为rele，相应的权重系数为wele；其中，rvib、wvib、rpro、wpro、rele和wele的取值区间均为[0，1]，根据不同的诊断侧重点分配不同的权值，比如：若诊断对象倚重于振动特征量的诊断结论，则可对wvib分配相对于wpro及wele较高的权值。另外，由于各知识库是在故障诊断过程中建立的，那么，rvib、rpro和rele还可以根据以下方式设定：rvib可以在知识库建立过程中根据振动特征量知识库编写的规则设定，rpro可以在知识库建立过程中根据工艺特征量知识库编写的规则设定，rele可以在知识库建立过程中根据电气特征量知识库编写的规则设定。结合上述计算公式，以下给出一种应用实例。根据监测机组中分别依据振动特征量、工艺特征量、电气特征量与相应知识库进行比对后，得到诊断结果a、b和c，并依据各自的重要程度分别赋予不同的权重系数值为1、1和0.8，则诊断结果v的最终计算值如下所示：最后根据v的大小确定设备的整体健康状态，设备总体诊断状态与总评值对照表如下表1所示。表1序号v数值范围评价状态1[0，1)良好2[1，1.4)可用3[1.4，1.8)需检查4[1.8，4.0)需停机诊断报告模块用于生成诊断报告。图6是本发明提供的机械故障诊断方法流程的一种具体的实施方式的示意图。以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。上述实施例中，在诊断过程中建立相关数据库，作为其他的实施方式，还可以事先建立好各数据库，在故障诊断时，直接调用相关的数据库，或者采用现有的相关数据库也可以。而且，本发明提供的机械故障诊断系统的发明点在于包括数据采集模块、特征量提取模块和故障诊断模块，而加入的其他软件模块均是为了更好实现故障诊断而设置的，因此，这些软件模块均可以根据实际要求进行选择性设置。机械故障诊断方法实施例本实施例提供一种基于全矢谱特征提取的机械故障诊断方法，整体包括以下步骤：(1)采集机组的振动类参量、工艺类参量和电气类参量；(2)将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；(3)将振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据比对诊断结果进行故障诊断。由于上述系统实施例中已对该诊断方法进行了详细地描述，本实施例就不再具体说明。当前第1页12