[發明專利]三重并發故障分析方法、系統、大機組設備及存儲介質

有效

• 申請號: 202011109278.4
• 申請日: 2020-10-16
• 公開（公告）號: CN112232212B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 荊曉遠;王許輝;陳潤航;成明康;張清華;孔曉輝;姚永芳;陳俊均
• 申請（專利權）人: 廣東石油化工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G01M13/021;G01M13/028
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于無量綱與小波分解特征學習的三重并發故障分析方法，其特征在于，所述基于無量綱與小波分解特征學習的三重并發故障分析方法包括：進行數據采集以及數據預處理；進行三種常見摩擦故障特征提取，所述三種常見摩擦故障包括：油膜渦動故障、摩擦故障與轉子不平衡故障，包括無量綱與小波分解特征；

利用機器學習方法建立齒輪故障預測模型；所述進行數據采集以及數據預處理，具體包括下述步驟：

步驟(1)，安裝兩個探點，通過兩個探點采集得到大型滑動機組振動雙視圖信號，數據采集為32/rms，即軸承每轉一圈采樣32個點，采集32圈的數據；

步驟(2)，探針采集數據后，對兩個視圖分別進行離散傅里葉變換，窗口大小32*32＝1024個點，根據信號情況設置自適應閾值；變換公式具體如下：

其中n＝0,…,N-1，N表示數據長度；

所述進行特征提取，具體包括下述步驟：

步驟1)，對處理后的數據進行小波包2層分解變換,小波包即利用多次疊代的小波轉換分析輸入信號的細節部分，得到不同尺度下的小波系數，將信號HH層的尺度系數置零；

步驟2)，計算無量綱特征波性指標S_f，將波性指標作為提取的特征，具體計算公式如下：

其中表示波形數據均方根值，表示波形數據絕對平均；

步驟3)，計算無量綱特征峰值指標C_f，將峰值指標作為提取的特征，具體計算公式如下：

其中x_max表示波形峰值，表示波形數據均方根值；

步驟4)，計算無量綱特征脈沖指標I_f，將脈沖指標作為提取的特征之一，具體計算公式如下：

其中x_max表示波形峰值，表示波形數據絕對平均；

步驟5)，計算無量綱特征峭度指標K_f，表示實際峭度相對于正常峭度的高低，峭度指標反映振動信號中的沖擊特征，將無量綱特征峭度指標作為提取的特征，具體計算公式如下：

其中表示波形數據的均值；

步驟6)，計算無量綱特征裕度指標L_f，將無量綱特征裕度指標作為提取的特征，具體計算公式如下：

其中

步驟7)，計算無量綱特征Teager能量算子，將Teager能量算子為提取的特征，具體計算公式如下：

其中，t表示數據采集時間，α_t為t時刻前后的偏移角；

步驟8)，計算標準偏差，計算公式如下：

步驟9)，計算平均值的標準偏差，標準偏差的大小可通過標準偏差與平均值的倍率關系來衡量，具體計算公式如下：

步驟10)，計算樣本的樣本圓均值，將樣本圓均值做為提取的特征，具體計算公式如下：

其中X為樣本，sin為正弦函數，cos為余弦函數，arctan2為正切函數,π為圓周率；其中res＝arctan2(S,C)。

2.如權利要求1所述的基于無量綱與小波分解特征學習的三重并發故障分析方法，其特征在于，所述利用提取出的兩個視圖特征進行cca降維，將降維后兩個視圖的特征進行拼接，作為輸入向量，使用機器學習模型進行訓練。

3.如權利要求1所述的基于無量綱與小波分解特征學習的三重并發故障分析方法，其特征在于，所述利用機器學習方法建立齒輪故障預測模型后，還需進行未知標簽數據預測。

4.一種如權利要求1～3任意一項所述基于無量綱與小波分解特征學習的三重并發故障分析方法運用于大機組設備滑動機械故障檢測。