[發明專利]一種旋轉機械故障診斷方法、系統及存儲介質

有效

• 申請號: 202010154567.X
• 申請日: 2020-03-08
• 公開（公告）號: CN111397896B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 劉頡;曹貫男;周凱波;潘浩;張凱鋒;葛子月
• 申請（專利權）人: 華中科技大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G01M13/045;G06K9/00;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種旋轉機械故障診斷方法、系統及存儲介質，所述方法包括：獲取旋轉機械處于正常狀態和故障狀態下的振動信號，并將其分為訓練樣本集和待測樣本；使用小波包變換方法對獲取的振動信號進行分解，得到一系列具有不同頻帶的子信號；計算所述子信號的符號動力學熵值，得到故障特征向量；將所述訓練樣本集的故障特征向量作為輸入，將所述訓練樣本集的故障類型標簽作為輸出，訓練得到基于LightGBM分類器模型的故障診斷模型；將所述待測樣本的故障特征向量輸入所述故障診斷模型，從而得到所述待測樣本的故障診斷結果。本發明以小波包分解結合符號動力學熵，有效提取故障特征，再使用LightGBM分類器模型進行故障識別和分類，提高了計算效率和分類準確率。

技術領域

本發明屬于旋轉機械故障診斷技術領域，更具體地，涉及一種旋轉機械故障診斷方法、系統及存儲介質。

背景技術

旋轉機械作為傳動系統的關鍵組件，已廣泛用于現代制造和工業過程中。在大多數實際應用中，旋轉機械在惡劣或復雜的條件下運行，例如高溫、高壓環境，變速和可變負載。長時間運行會導致各種損壞和故障，這些故障將會影響系統性能，并可能嚴重損壞機器。

旋轉機械故障診斷方法可以分為兩種類型：基于特征的方法和基于特征學習的方法。(1)基于特征的方法是根據先驗知識和工程經驗來選擇和計算故障特征，再將故障特征輸入到分類算法以進行故障診斷，該方法包括四個基本步驟：信號預處理、特征計算、特征選擇和故障分類，可以看出，該方法主要是基于信號處理，例如傅立葉變換和小波變換；然而，由于振動信號的非線性和非平穩性，該方法在實際應用中受到先驗知識和經驗的限制；此外，其中一些方法需要應用多種信號預處理方法和多個統計特征的計算以獲得足夠的故障特征，這也增加了方法實施的復雜性。(2)基于特征學習的方法主要通過維度轉換方法將一維原始信號轉換為二維圖像，然后通過深度學習方法，例如多尺度網絡和卷積神經網絡，自動對二維圖像進行特征學習，提取故障信息，最后，使用分類器進行分類；然而基于特征學習的方法需要大量樣本和大量時間進行模型訓練，效率低。

發明內容

針對現有技術的缺陷和改進需求，本發明提供了一種旋轉機械故障診斷方法，其目的在于解決現有技術中故障特征提取實施復雜、計算效率低、模型訓練時間長、難以適用復雜工況的技術問題。

為實現上述目的，按照本發明的一個方面，提供了一種旋轉機械故障診斷方法，包括以下步驟：

S1：獲取旋轉機械處于正常狀態和故障狀態下的振動信號，并將其分為訓練樣本集和待測樣本；

S2：使用小波包變換方法對步驟S1獲取的振動信號進行分解，得到一系列具有不同頻帶的子信號；

S3：計算所述子信號的符號動力學熵值，得到故障特征向量；

S4：將所述訓練樣本集的故障特征向量作為LightGBM分類器模型的輸入，將所述訓練樣本集的故障類型標簽作為LightGBM分類器模型的輸出，訓練得到故障診斷模型；

S5：將所述待測樣本的故障特征向量輸入所述故障診斷模型，從而得到所述待測樣本的故障診斷結果。

進一步地，步驟S2所述的方法包括：

給定尺度函數φ(n)和小波函數ψ(n)，令小波包定義為：

其中，i取0,1,2……，n表示時間序列對應某一時刻的數值，k表示時間或位置參數，Z是整數集，h_k表示低通濾波器，g_k表示高通濾波器，h_k與g_k是一對共軛濾波器并且滿足g_k＝(-1)^kh_1-k；