一種旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷及定量分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷及定量分析方法，具體是實(shí)現(xiàn)振動(dòng)故障智 能診斷及振動(dòng)故障嚴(yán)重程度定量分析的方法。
【背景技術(shù)】
[0002] 機(jī)械設(shè)備發(fā)展的同時(shí)，人們對(duì)設(shè)備的可靠性和安全性提出了更高的要求，設(shè)備安 全可靠運(yùn)行成為當(dāng)今設(shè)備運(yùn)行和維護(hù)的重要課題。有效的實(shí)施設(shè)備狀態(tài)檢測(cè)及故障診斷， 可由初期征兆識(shí)別故障進(jìn)而采取相應(yīng)的解決辦法，避免重大惡性事故的發(fā)生，保障設(shè)備安 全運(yùn)行。
[0003] 現(xiàn)在也有一些關(guān)于設(shè)備的實(shí)時(shí)診斷方法，如公開(kāi)日為2009年05月13日，公開(kāi)號(hào) 為CN101430247的中國(guó)專利中，公開(kāi)了 一種汽輪發(fā)電機(jī)組隨機(jī)振動(dòng)故障實(shí)時(shí)診斷方法；以 及公開(kāi)日為2011年09月07日，公開(kāi)號(hào)為CN102175307A的中國(guó)專利中，公開(kāi)了一種汽輪發(fā) 電機(jī)組低頻振動(dòng)譜陣實(shí)時(shí)定量分析方法。這些方法難以實(shí)現(xiàn)由初期征兆實(shí)施故障診斷，進(jìn) 而實(shí)現(xiàn)故障嚴(yán)重程度的定量衡量分析。
[0004] 如何快速、有效的實(shí)現(xiàn)故障診斷是當(dāng)前主要的研究方向，當(dāng)前一系列的信號(hào)分析 方法及模型搭建平臺(tái)已成型，但針對(duì)模型的考量標(biāo)準(zhǔn)尚未在模型中引入；同時(shí)針對(duì)故障嚴(yán) 重程度，尚未有定量分析標(biāo)準(zhǔn)，常有運(yùn)營(yíng)壓力與停機(jī)處理之間的矛盾存在，因此故障是否及 時(shí)處理，是在故障診斷后需要確定的問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中存在的上述不足，而提供一種旋轉(zhuǎn)機(jī)械振動(dòng)故 障診斷及定量分析方法。提出了從信號(hào)分析、特征提取、故障診斷到故障定量衡量的整套方 法。
[0006] 本發(fā)明解決上述問(wèn)題所采用的技術(shù)方案是：該旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷及定量分析 方法的特點(diǎn)在于：所述方法的步驟如下：以診斷耗時(shí)和診斷準(zhǔn)確率為衡量標(biāo)準(zhǔn)來(lái)實(shí)現(xiàn)故障 精確診斷，針對(duì)振動(dòng)信號(hào)的非線性及信號(hào)包含有大量異常信號(hào)，選取集合經(jīng)驗(yàn)?zāi)B(tài)分解方 法進(jìn)行信號(hào)分解，在支持向量機(jī)平臺(tái)上建立了一種以內(nèi)稟模態(tài)能量為特征，以診斷耗時(shí)和 準(zhǔn)確率為衡量標(biāo)準(zhǔn)的模型，使其很好的適應(yīng)振動(dòng)故障快速、有效診斷。
[0007] 作為優(yōu)選，本發(fā)明針對(duì)現(xiàn)場(chǎng)振動(dòng)信號(hào)首先進(jìn)行了信號(hào)去噪分析研究，確定了以信 噪比為衡量標(biāo)準(zhǔn)的去噪方案。
[0008] 作為優(yōu)選，本發(fā)明通過(guò)對(duì)信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解提取振動(dòng)信號(hào)的內(nèi)稟模態(tài)能 量特征。
[0009] 作為優(yōu)選，本發(fā)明在支持向量機(jī)平臺(tái)上，以提取出的故障特征為樣本，進(jìn)行診斷驗(yàn) 證。
[0010] 作為優(yōu)選，本發(fā)明在振動(dòng)故障準(zhǔn)確診斷的基礎(chǔ)上，引入了信息熵的概念進(jìn)行振動(dòng) 故障嚴(yán)重程度衡量，針對(duì)不同類型振動(dòng)故障確定信息熵參數(shù)定量范圍。 toon] 作為優(yōu)選，本發(fā)明根據(jù)信號(hào)分析定律進(jìn)行信號(hào)采樣設(shè)置，采集現(xiàn)場(chǎng)機(jī)組運(yùn)行振動(dòng) 信號(hào)。
[0012] 引入信噪比概念對(duì)振動(dòng)信號(hào)進(jìn)行去噪分析，通過(guò)對(duì)EEMD分解參數(shù)進(jìn)行網(wǎng)格尋優(yōu)， 確定振動(dòng)信號(hào)去噪的最優(yōu)模型，最優(yōu)分解參數(shù)標(biāo)準(zhǔn)差〇. 6,添加噪聲次數(shù)200。
[0013] 針對(duì)去噪后的信號(hào)進(jìn)行故障特征提取，確定故障特征提取最有效方案。對(duì)信號(hào)進(jìn) 行集合經(jīng)驗(yàn)?zāi)B(tài)分解，對(duì)分解得到的內(nèi)稟模態(tài)函數(shù)進(jìn)行能量特征提取，組成故障特征向量。
[0014] 由內(nèi)稟模態(tài)能量直接組成的特征向量有較多的冗余成分，通過(guò)PCA和RS進(jìn)行降維 處理，以實(shí)現(xiàn)快速有效診斷。
[0015] 在支持向量機(jī)上搭建故障診斷模型，以提取出的故障特征作為訓(xùn)練和測(cè)試對(duì)象對(duì) 模型進(jìn)行驗(yàn)證。
[0016] 以降維前后的故障特征為樣本，進(jìn)行故障診斷模型驗(yàn)證。驗(yàn)證過(guò)程以診斷耗時(shí)和 診斷準(zhǔn)確率兩重標(biāo)準(zhǔn)進(jìn)行衡量，分別對(duì)模型建立過(guò)程中的參數(shù)確定的不同方法進(jìn)行分析對(duì) 比。
[0017] 確定了以降維后的內(nèi)稟模態(tài)能量為特征的振動(dòng)故障診斷模型，其在診斷耗時(shí)及診 斷準(zhǔn)確率上均存在明顯優(yōu)勢(shì)。
[0018] 引入信息熵的概念，將其用作定量衡量已確定振動(dòng)故障的嚴(yán)重程度。
[0019] 對(duì)降維前的單一振動(dòng)故障樣本進(jìn)行整理，針對(duì)由頂F能量組成的故障特征進(jìn)行信 息熵參數(shù)計(jì)算。
[0020] 通過(guò)對(duì)信息熵結(jié)果與故障樣本中的故障特征分量進(jìn)行關(guān)聯(lián)分析，總結(jié)出故障嚴(yán)重 程度跟隨信息熵參數(shù)變化的規(guī)律，并針對(duì)不同故障的信息熵參數(shù)范圍進(jìn)行統(tǒng)計(jì)分析。
[0021] 作為優(yōu)選，本發(fā)明所述方法的步驟如下： 步驟1 :按照質(zhì)量不平衡、動(dòng)靜碰磨、不對(duì)中、油膜渦動(dòng)選擇20組故障樣本； 步驟2 :對(duì)信號(hào)進(jìn)行去噪分析參數(shù)優(yōu)化選擇，最終確定了 EEMD信號(hào)去噪方案； 步驟3 :以互信息和過(guò)零率雙重指標(biāo)進(jìn)行去噪?yún)⒖紭?biāo)準(zhǔn)，確定互信息閥值為0. 4,過(guò)零 率閥值為〇. 6,以此閥值處理后的信號(hào)最大程度保證原始信號(hào)； 步驟4 :對(duì)20組信號(hào)分別進(jìn)行EEMD分解，并分析各故障各樣本IMF分量故障分布規(guī) 律； 步驟5 :對(duì)各樣本頂F分量進(jìn)行能量計(jì)算，并以此組成故障樣本能量特征； 步驟6 :對(duì)故障樣本特征進(jìn)行冗余信息處理，通過(guò)PCA和RS分析，組成了降維處理后的 故障樣本特征； 步驟7 :在支持向量機(jī)平臺(tái)上建立故障診斷模型，模型中核函數(shù)兩個(gè)參數(shù)確定方案同 時(shí)選用網(wǎng)格優(yōu)化、GA優(yōu)化和PSO優(yōu)化進(jìn)行比對(duì)，以以上提取出的故障樣本進(jìn)行模型驗(yàn)證； 步驟8 :以診斷耗時(shí)和診斷準(zhǔn)確率為衡量標(biāo)準(zhǔn)，進(jìn)行故障診斷模型的衡量標(biāo)準(zhǔn)，在對(duì)步 驟6中降維前后的故障樣本首先進(jìn)行分析處理，通過(guò)參數(shù)確定了樣本PCA降維處理方法； 步驟9 :以降維前后的樣本為對(duì)比對(duì)象，分別對(duì)步驟7中的三種參數(shù)優(yōu)化選擇方法進(jìn)行 驗(yàn)證選擇，以此20組樣本驗(yàn)證，得出降維后的頂F能量特征； 步驟10 :引入信息熵參數(shù)，進(jìn)行故障樣本分析，根據(jù)信息熵定義其可以很好表征故障 樣本中信息量的分布，選取不平衡故障樣本進(jìn)行了初步信息熵計(jì)算； 步驟11 :分別對(duì)四種故障進(jìn)行信息熵計(jì)算，得出：針對(duì)不對(duì)中、動(dòng)靜碰磨和油膜渦動(dòng)三 種故障隨著故障嚴(yán)重程度的增加，信息熵參數(shù)逐漸增大，當(dāng)信息熵參數(shù)大于I. 5時(shí)，表示故 障程度已經(jīng)比較嚴(yán)重；針對(duì)質(zhì)量不平衡故障，其故障程度越嚴(yán)重，信息熵參數(shù)越小，當(dāng)信息 熵參數(shù)小于〇. 3時(shí)，表征故障已經(jīng)比較嚴(yán)重。
[0022] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)和效果：主要針對(duì)目前高參數(shù)、高轉(zhuǎn)速下運(yùn) 轉(zhuǎn)的汽輪機(jī)，由初期征兆實(shí)施故障診斷，進(jìn)而實(shí)現(xiàn)故障嚴(yán)重程度的定量衡量分析。本發(fā)明形 成了信號(hào)分析、去噪處理、特征提取、診斷模型優(yōu)化、故障嚴(yán)重程度定量衡量的完整體系。源 于振動(dòng)信號(hào)混雜的噪聲，通過(guò)信號(hào)分析確定了信號(hào)去噪方案；確定了 EEMD分解方法針對(duì)信 號(hào)進(jìn)行分解提取特征，建立了以診斷耗時(shí)和診斷準(zhǔn)確率為衡量標(biāo)準(zhǔn)確定最優(yōu)診斷模型實(shí)現(xiàn) 振動(dòng)故障的精確診斷，為定量衡量振動(dòng)故障嚴(yán)重程度引入信息熵的概念，針對(duì)不同振動(dòng)故 障確定信息熵參數(shù)范圍。本發(fā)明的構(gòu)思獨(dú)特，操作簡(jiǎn)單，準(zhǔn)確率高。
【附圖說(shuō)明】
[0023] 圖1是本發(fā)明實(shí)施例中某一振動(dòng)信號(hào)去噪分析時(shí)參數(shù)優(yōu)化選擇過(guò)程。
[0024] 圖2是本發(fā)明實(shí)施例中某一振動(dòng)信號(hào)進(jìn)行EEMD分解后的各IMF分量。
【具體實(shí)施方式】
[0025] 下面結(jié)合附圖并通過(guò)實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明，以下實(shí)施例是對(duì)本發(fā) 明的解釋而本發(fā)明并不局限于以下實(shí)施例。
[0026] 實(shí)施例。
[0027] 參見(jiàn)圖1至圖2,本實(shí)施例中旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷及定量分析方法的步驟如下： 以診斷耗時(shí)和診斷準(zhǔn)確率為衡量標(biāo)準(zhǔn)來(lái)實(shí)現(xiàn)故障精確診斷，針對(duì)振動(dòng)信號(hào)的非線性及信號(hào) 包含有大量異常信號(hào)，選取集合經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行信號(hào)分解，在支持向量機(jī)平臺(tái)上建 立了一種以內(nèi)稟模態(tài)能量為特征，以診斷耗時(shí)和準(zhǔn)確率為衡量標(biāo)準(zhǔn)的模型，使其很好的適 應(yīng)振動(dòng)故障快速、有效診斷。
[0028] 本實(shí)施例中針對(duì)現(xiàn)場(chǎng)振動(dòng)信號(hào)首先進(jìn)行了信號(hào)去噪分析研究，確定了以信噪比為 衡量標(biāo)準(zhǔn)的去噪方案。通過(guò)對(duì)信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解提取振動(dòng)信號(hào)的內(nèi)稟模態(tài)能量特 征。在支持向量機(jī)平臺(tái)上，以提取出的故障特征為樣本，進(jìn)行診斷驗(yàn)證。在振動(dòng)故障準(zhǔn)確診 斷的基礎(chǔ)上，引入了信息熵的概念進(jìn)行振動(dòng)故障嚴(yán)重程度衡量，針對(duì)不同類型振動(dòng)故障確 定信息熵參數(shù)定量范圍。
[0029] 本實(shí)施例中根據(jù)信號(hào)分析定律進(jìn)行信號(hào)采樣設(shè)置，采集現(xiàn)場(chǎng)機(jī)組運(yùn)行振動(dòng)信號(hào)； 引入信噪比概念對(duì)振動(dòng)信號(hào)進(jìn)行去噪分析，通過(guò)對(duì)EEMD分解參數(shù)進(jìn)行網(wǎng)格尋優(yōu)，確定振動(dòng) 信號(hào)去噪的模型，得到分解參數(shù)標(biāo)準(zhǔn)差〇. 6,添加噪聲次數(shù)200 ;針對(duì)去噪后的信號(hào)進(jìn)行故 障特征提取，確定故障特征提取方案，對(duì)信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解，對(duì)分解得到的內(nèi)稟模 態(tài)函數(shù)進(jìn)行能量特征提取，組成故障特征向量；由內(nèi)稟模態(tài)能量直接組成的特征向量有較 多的冗余成分，通過(guò)PCA和RS進(jìn)行降維處理，以實(shí)現(xiàn)快速有效診斷；在支持向量機(jī)上搭建 故障診斷模型，以提取出的故障特征作為訓(xùn)練和測(cè)試對(duì)象對(duì)模型進(jìn)行驗(yàn)證；以降維前后的 故障特征為樣本，進(jìn)行故障診斷模型驗(yàn)證。驗(yàn)證過(guò)程以診斷耗