[發明專利]一種基于包絡信息的設備故障特征提取方法

有效

• 申請號: 201811454767.6
• 申請日: 2018-11-30
• 公開（公告）號: CN109708907B
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 嚴奉偉;馮偉光;張震;吳劍;江魁
• 申請（專利權）人: 浙江胄天科技股份有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G01M13/00;G01H17/00
• 代理公司: 廣州市越秀區哲力專利商標事務所(普通合伙) 44288
• 代理人: 胡擁軍;糜婧

本發明公開了一種基于包絡信息的設備故障特征提取方法，其包括以下步驟：檢測獲取旋轉機械設備的振動數據；對獲取的振動數據進行包絡轉換，得到振動數據的包絡信息；對包絡信息內的幅值序列和頻率系列做歸一化處理；對歸一化后的幅值序列進行異常值檢測；分別計算異常幅值剔除前后的幅值序列方差；計算異常幅值剔除前后的幅值序列方差比作為特征v₁，計算異常幅值對應頻率的均值和中位值分別作為特征v₂和v₃，得到特征向量v＝{v₁,v₂,v₃}。本發明簡單有效，提取到的特征具有較高的區分度，提高了計算機算法對特征進行識別的準確率和速度。

技術領域

本發明涉及振動信號分析領域，更詳而言之涉及一種基于包絡信息的設備故障特征提取方法。

背景技術

一般來說，旋轉機械是指主要依靠旋轉動作來完成特定功能的機械設備，例如汽輪機、電動機、風機等都是典型的旋轉機械。由于旋轉機械自身結構的特點，當旋轉機械內部出現故障時，從旋轉機械上采集到的振動信號會出現較為明顯的異常。因此檢測分析旋轉機械的振動信號有利于旋轉機械的故障預測性維護，對于潛在的故障，可以提前或在其惡化之前診斷發現，從而及時采取維護措施，合理安排檢修和采購備品備件，避免設備的意外停機，提高設備有效作業率，延長設備的使用壽命。

振動數據的包絡信息是設備振動數據經過包絡函數轉換后得到的頻域信息，是傅里葉變換的一種應用。原始的振動數據是時域里的數據序列，經過包絡變換得到頻域里的數據序列，它包括兩個長度相同的序列，分別是頻率序列和對應的幅值序列。以包絡信息中的頻率序列和幅值序列分別作為橫軸和縱軸繪制包絡圖，根據振動分析領域的理論知識，在正常設備的包絡圖中，幅值隨頻率的增加呈現比較平穩的下降趨勢；而故障設備的包絡圖中，存在明顯的異常幅值，這些異常幅值遠超整體幅值平均水平，而且異常幅值對應的頻率通常比較均勻地分布在橫軸上。因此，包絡圖可以直觀地顯示出正常設備和故障設備的區別特征。

傳統的工業設備預測性維護一般依靠人工分析完成，本領域技術人員根據行業理論和經驗，可以從旋轉機械振動數據的包絡圖中直觀地識別出設備是否存在異常。但是隨著設備狀態數據量的快速增長，人工分析成本高，效率低等弊端日益突出。

隨著大數據和機器學習技術的發展，智能分析技術應運而生。通過大數據處理技術和機器學習算法，可以讓機器從海量的狀態數據中學習和訓練，訓練得到的智能模型可以自動地對新的數據進行故障預測，極大地提高分析效率和準確率。本領域的技術人員可以直觀地從包絡圖中識別正常設備和故障設備的包絡信息特征，但是要讓機器學習算法即計算機也能理解這些特征，則需要以數值的形式描述和提取這些特征。特征提取是機器學習算法的關鍵步驟之一，通常直接影響到算法最終的準確率，高質量的特征更容易得到高的準確率。

但是，傳統的包絡信息特征提取方法過于通用，邏輯較為簡單，沒有抓住故障特征和正常特征的本質，無法較為準確地對故障特征進行區分顯示。另外，現有技術中還存在通過提取例如包絡圖像素灰度矩陣等圖像特征的方法來提取包絡信息特征，但是圖像特征的維數較高，存在較多噪聲信息，需要進行降維，由此大大增加了復雜度和計算量，導致特征提取的效率較低。

發明內容

本發明的目的在于提供一種基于包絡信息的設備故障特征提取方法，簡單有效，提取到的特征具有較高的區分度，提高了計算機算法對特征進行識別的準確率和速度。

為了實現上述目的，本發明提供一種基于包絡信息的設備故障特征提取方法，其包括以下步驟：

(S1)檢測獲取旋轉機械設備的振動數據；