[發明專利]一種旋轉設備故障診斷方法

有效

• 申請號: 202110068527.8
• 申請日: 2021-01-19
• 公開（公告）號: CN112906473B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 李倩;楊皓杰;孫豐誠
• 申請（專利權）人: 杭州安脈盛智能技術有限公司
• 主分類號: G06F18/2131
• 分類號: G06F18/2131;G06F18/25;G01M99/00;G06F17/14;G06F17/16;G06F17/18
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

本發明提出一種旋轉設備故障診斷方法，包括：步驟A：對振動信號進行小波包分解，提取峭度值和能量熵綜合評估最大的分量信號，并對選擇出來的分量信號進行特征參數提取，得到特征參數向量；步驟B：使用reliefF算法計算特征參數權重，依照特征參數權重建立不同故障類型下的樣本參數矩陣，并重新生成故障模型和對應特征權重值；步驟C：通過多參數狀態估計技術計算驗證數據在各模型下的特征參數估計值，根據所有特征參數的估計值與實際值的殘差融合成一個裕度值集的對應分布區間；步驟D：計算待測數據在不同模型下的置信概率，并根據置信率得到待測數據所屬故障類別。本發明可提高故障診斷精度，實現診斷效率。

技術領域

本發明涉及故障診斷技術領域，尤其是一種旋轉設備故障診斷方法。

背景技術

在各種工業現場有大量的旋轉設備，旋轉設備結構復雜，受環境和噪聲影響容易發生故障。任何這些設備出現故障都有可能會造成設備非計劃停機，工作人員需要花大量時間來進行故障定位、維修、訂購更換零件等，從而產生巨大的經濟損失。因此及時發現設備運行異常，準確診斷出旋轉設備故障類型，為維修人員檢查和維修提供指導建議具有重大意義。

目前，旋轉設備的故障診斷主要是通過技術人員對現場采集的振動信號進行頻譜分析、趨勢分析等，依靠振動信號處理理論和個人經驗來實現故障判斷。但這種方式存在兩個問題：1、對技術人員的要求過高，不僅需要豐富的現場經驗，也需要專業的理論知識；2、現場采集的信號中包含噪聲信號，在對信號頻帶設置和參數選擇方面有很大難度。近年來，隨著機器學習研究的深入，數據模型也逐漸在旋轉設備故障診斷中有一定的應用，常見方法是對采集的振動信號進行特征提取，對不同故障類型數據打標簽，然后通過各種分類器方法，比如支持向量機、最近鄰、神經網絡、決策樹等方式實現數據分類。特征參數的提取方法，由提取時域特征參數，頻域特征參數基礎上，引用信號處理方法如包絡譜分析、小波分析和經驗模態分解等，對振動信號進行處理得到各分量信號，然后再提取不同分量信號上的時域、頻域特征參數。此種方法沒有提取到設備中的關鍵故障信號，導致提取的特征參數冗余量較大，存在很多無效的特征。并且，不同類型故障均使用同樣的參數做處理，沒有考慮不同故障下的特征參數權重。

現有的技術最主要的缺點是：1.所提取的特征參數是所有頻帶的特征參數，其不能自適應的隨著故障模式的變化而提取故障頻帶的特征參數，造成特征參數冗余。2.所有類型的故障模型中，特征參數相同，且沒有考慮特征參數之間的權重。這兩點缺點會導致有效特征參數和無效特征參數的權重一樣，故障識別結果不夠準確，診斷錯誤的概率較高。

發明內容

本發明解決了現有旋轉設備故障診斷方法中，故障頻帶選擇困難，特征參數權重一致，容易影響故障診斷結果的問題，提出一種考慮特征參數權重的，能自適應提取特征信號中的故障特征，并能夠針對不同故障模型計算模型下各特征參數的權重，通過多參數狀態估計技術實現故障模式識別，可提高故障診斷精度，實現診斷效率，通過relief方法和多參數狀態估計算法建立旋轉設備故障模型，實現工業現場旋轉設備故障模式識別。

為實現上述目的，提出以下技術方案：

一種旋轉設備故障診斷方法，包括步驟：

步驟A：對振動信號進行小波包分解，根據峭度和能量熵綜合評價指標確定小波包分解層數k，并進行小波包分解，提取峭度值和能量熵綜合評估最大的分量信號，并對選擇出來的分量信號進行特征參數提取，得到特征參數向量；

步驟B：使用reliefF算法計算特征參數權重，依照特征參數權重建立不同故障類型下的樣本參數矩陣，并重新生成故障模型和對應特征權重值；

步驟C：通過多參數狀態估計技術計算驗證數據在各模型下的特征參數估計值，根據所有特征參數的估計值與實際值的殘差融合成一個裕度值集的對應分布區間；

步驟D：計算待測數據在不同模型下的置信概率，并根據置信率得到待測數據所屬故障類別。