一種復(fù)雜設(shè)備早期故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種故障診斷方法，具體是一種復(fù)雜設(shè)備早期故障診斷方法。
【背景技術(shù)】
[0002] 故障診斷主要是指對設(shè)備狀態(tài)進(jìn)行監(jiān)測和故障的判定，不僅需要對設(shè)備發(fā)生故障 的原因、位置、程度做出正確的判斷，進(jìn)而進(jìn)行預(yù)防，降低故障損失，還需要監(jiān)測設(shè)備的健康 狀態(tài)，特別對早期故障的監(jiān)測，盡早進(jìn)行預(yù)警判斷，減少突發(fā)故障的發(fā)生，也可以預(yù)測未來 故障的發(fā)生時(shí)間，這樣可以充分節(jié)約維修資源，也為設(shè)備維護(hù)、保養(yǎng)提供最佳維修決策依 據(jù)，特別為視情維修策略的實(shí)現(xiàn)提供可能性。
[0003] 故障診斷從技術(shù)上而言，實(shí)際上是在一定的故障判斷策略的指導(dǎo)下，對監(jiān)測診斷 設(shè)備實(shí)施自動檢測，也就是通過分析構(gòu)建獲取設(shè)備的故障模型，提取故障特征，然后根據(jù)預(yù) 定的策略、原則，對監(jiān)測到的信息進(jìn)行綜合評估，最后對維護(hù)人員提示必要的維修措施。因 此，故障診斷不僅需要現(xiàn)代控制論、計(jì)算機(jī)科學(xué)、人工智能、信號處理、模式識別、統(tǒng)計(jì)數(shù)學(xué) 等學(xué)科。常見的方法主要分為兩大類，分別是基于數(shù)學(xué)模型的方法和基于人工智能的方法， 基于數(shù)學(xué)模型的方法是目前最廣泛應(yīng)用的一種故障檢測方法。這種方法是以監(jiān)測到的信號 為基礎(chǔ)，通過信號處理分析，提取其特征信息，然后對比正常條件下的特征，從而判斷分析 設(shè)備是否故障，具體診斷原理圖如圖1所示。
[0004] 對于單一信號的檢測分析比較簡單，例如：某簡單系統(tǒng)輸出信號為y(t)，如圖2所 示，在實(shí)際正常工況下，輸出信號y(t)幅值在區(qū)間[min(y(t))，max(y(t))]內(nèi)，如圖2中紅 色虛線為幅度區(qū)間范圍，這是系統(tǒng)正常工況下。理論上正常工況下，輸出信號y(t)如圖2 中紅色實(shí)線，比較實(shí)測輸出信號與幅度區(qū)間范圍，超出則為故障狀態(tài)。實(shí)測輸出信號如圖2 中藍(lán)色實(shí)線所示。
[0005] 對于單一信號的檢測容易建立其區(qū)間范圍，若復(fù)雜系統(tǒng)，監(jiān)測信號多元，又難以建 立具體的包絡(luò)模型，難以用此方法進(jìn)行故障診斷。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種使用方便、準(zhǔn)確度高的復(fù)雜設(shè)備早期故障診斷方法， 以解決上述【背景技術(shù)】中提出的問題。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0008] 一種復(fù)雜設(shè)備早期故障診斷方法，具體步驟如下：
[0009] (1)通過傳感器提取采集信號；
[0010] (2)對提取采集的信號進(jìn)行小波變換去噪；
[0011] (3)就機(jī)械特征和電路特征分別建立基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型和基于SVM 的故障診斷模型，進(jìn)行故障診斷。
[0012] 作為本發(fā)明進(jìn)一步的方案：所述基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型進(jìn)行故障診斷 的方法，具體步驟如下：
[0013] (1)所述傳感器連接在機(jī)械設(shè)備上提取采集信號；
[0014] (2)將提取采集的信號進(jìn)行小波變換去噪處理后分別進(jìn)行原始數(shù)據(jù)診斷和樣本數(shù) 據(jù)訓(xùn)練，再進(jìn)入BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)處理和特征選擇/提取；
[0015] (3)原始數(shù)據(jù)經(jīng)預(yù)處理和特征選擇/提取后再經(jīng)過BP神經(jīng)網(wǎng)絡(luò)診斷得到診斷結(jié) 果，樣本數(shù)據(jù)經(jīng)過預(yù)處理和特征選擇/提取后進(jìn)行學(xué)習(xí)訓(xùn)練；
[0016] (4)對于得到的診斷結(jié)果進(jìn)行診斷決策，再分別進(jìn)行定期維修、視情維修和事后維 修。
[0017] 作為本發(fā)明再進(jìn)一步的方案：所述基于SVM的故障診斷模型中核函數(shù)為多項(xiàng)式核 函數(shù)、徑向基核函數(shù)RBF或Sigmoid核函數(shù)。
[0018] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0019] 本發(fā)明將復(fù)雜設(shè)備的故障診斷分為機(jī)械特征的故障診斷和電路特征的故障診斷， 就機(jī)械特征和電路特征分別建立故障診斷模型，機(jī)械易試驗(yàn)，可獲取樣本多，運(yùn)用BP神經(jīng) 網(wǎng)絡(luò)收斂快，準(zhǔn)確度較高；而電路樣本數(shù)據(jù)少，運(yùn)用SVM的小樣本優(yōu)勢，從而實(shí)現(xiàn)復(fù)雜設(shè)備 等復(fù)雜系統(tǒng)的故障診斷。
【附圖說明】
[0020] 圖1為基于數(shù)學(xué)模型的方法具體診斷原理圖。
[0021] 圖2為簡單系統(tǒng)單一信號的檢測分析示意圖。
[0022] 圖3為本發(fā)明中故障診斷方法示意圖。
[0023] 圖4為本發(fā)明中基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型進(jìn)行故障診斷的方法示意圖。
[0024] 圖5為本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。
[0025] 圖6為本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練原理圖。
[0026] 圖7為本發(fā)明中機(jī)械設(shè)備振動信號去噪提取后的信號波形圖。
[0027] 圖8為本發(fā)明中基于SVM的故障診斷模型輸入空間到高維特征空間的非線性映射 圖。
[0028] 圖9為本發(fā)明中基于SVM的故障診斷模型進(jìn)行故障診斷的方法示意圖。
【具體實(shí)施方式】
[0029] 下面結(jié)合【具體實(shí)施方式】對本專利的技術(shù)方案作進(jìn)一步詳細(xì)地說明。
[0030] 請參閱圖3, 一種復(fù)雜設(shè)備早期故障診斷方法，具體步驟如下：
[0031] (1)通過傳感器提取采集信號；
[0032] (2)對提取采集的信號進(jìn)行小波變換去噪；
[0033] (3)就機(jī)械特征和電路特征分別建立基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型和基于SVM 的故障診斷模型，進(jìn)行故障診斷。
[0034] 請參閱圖4,所述基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型進(jìn)行故障診斷的方法，具體步 驟如下：
[0035] (1)所述傳感器連接在機(jī)械設(shè)備上提取采集信號；
[0036] (2)將提取采集的信號進(jìn)行小波變換去噪處理后分別進(jìn)行原始數(shù)據(jù)診斷和樣本數(shù) 據(jù)訓(xùn)練，再進(jìn)入BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)處理和特征選擇/提?。?br>[0037] (3)原始數(shù)據(jù)經(jīng)預(yù)處理和特征選擇/提取后再經(jīng)過BP神經(jīng)網(wǎng)絡(luò)診斷得到診斷結(jié) 果，樣本數(shù)據(jù)經(jīng)過預(yù)處理和特征選擇/提取后進(jìn)行學(xué)習(xí)訓(xùn)練；
[0038] (4)對于得到的診斷結(jié)果進(jìn)行診斷決策，再分別進(jìn)行定期維修、視情維修和事后維 修。
[0039] 請參閱圖5,所述BP神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，所述學(xué)習(xí)訓(xùn)練中的學(xué) 習(xí)算法為有監(jiān)督學(xué)習(xí)算法，根據(jù)給出正確的輸入和輸出對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整，讓BP神經(jīng) 網(wǎng)絡(luò)能做出正確的反應(yīng)。學(xué)習(xí)訓(xùn)練樣本表示為：(P i, (Ii)，i = 1,2，...，n，其中，PiS樣本輸 入數(shù)據(jù)，屯為樣本輸出數(shù)據(jù)，通過學(xué)習(xí)調(diào)整各神經(jīng)元的參數(shù)，讓BP神經(jīng)網(wǎng)絡(luò)產(chǎn)生期望的結(jié) 果，BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練后，再輸入樣本 Pi，BP神經(jīng)網(wǎng)絡(luò)的輸出盡可能與Cli接近。
[0040] 請參閱圖6，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)分為兩個階段：輸入已經(jīng)確定的學(xué)習(xí)樣本，設(shè)置BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，計(jì)算前一次迭代得到的權(quán)值和閾值，從第一層向后計(jì)算，求解各神經(jīng)元的 輸出；修改權(quán)值和閾值，根據(jù)總誤差影響梯度，從最后一層向前，分別計(jì)算修改各權(quán)值和閾 值。兩個階段反復(fù)交替，根據(jù)誤差修改層與層之間的權(quán)值和閾值，直到收斂后誤差滿足要 求。
[0041] 以柴油發(fā)電機(jī)中的發(fā)動機(jī)為例說明機(jī)械設(shè)備旋轉(zhuǎn)系統(tǒng)基于BP神經(jīng)網(wǎng)絡(luò)的故障診 斷模型的構(gòu)建，請參閱圖6,對柴油發(fā)電機(jī)中的發(fā)動機(jī)的振動信號去噪提取后的輸出信號 y⑴進(jìn)行三層小波分解，第三層的分解系數(shù)向量從低到高分別為[y3(l，y31，y32, y33, y34, y35, y3 6，y37]則總的信號y:
[0042] y = S3(l+S31+S32+S33+S34+S 35+S36+S37公式 I
[0043] 其中，S3tl表示節(jié)點(diǎn)y 3(l的重構(gòu)恢復(fù)信號，S 31表示節(jié)點(diǎn)y 31的重構(gòu)恢復(fù)信號，S 32表示 節(jié)點(diǎn)y32的重構(gòu)恢復(fù)信號，S 33表示節(jié)點(diǎn)y 33的重構(gòu)恢復(fù)信號，S 34表示節(jié)點(diǎn)y 34的重構(gòu)恢復(fù)信 號，S33表示節(jié)點(diǎn)y 35的重構(gòu)恢復(fù)信號，S 36表示節(jié)點(diǎn)y 36的重構(gòu)恢復(fù)信號，S 37表示節(jié)點(diǎn)y 37的 重構(gòu)恢復(fù)信號。
[0044] 假設(shè)輸出信號y(t)中的最低頻率為0,最高頻率為1，這樣分為八個頻率范圍，如 表1所示：
[0045] 表1小波分解后信號的頻率范圍
[0046]
【主權(quán)項(xiàng)】
1. 一種復(fù)雜設(shè)備早期故障診斷方法，其特征在于，具體步驟如下： (1) 通過傳感器提取采集信號； (2) 對提取采集的信號進(jìn)行小波變換去噪； (3) 就機(jī)械特征和電路特征分別建立基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型和基于SVM的故 障診斷模型，進(jìn)行故障診斷。
2. 根據(jù)權(quán)利要求1所述的復(fù)雜設(shè)備早期故障診斷方法，其特征在于，所述基于BP神經(jīng) 網(wǎng)絡(luò)的故障診斷模型進(jìn)行故障診斷的方法，具體步驟如下： (1) 所述傳感器連接在機(jī)械設(shè)備上提取采集信號； (2) 將提取采集的信號進(jìn)行小波變換去噪處理后分別進(jìn)行原始數(shù)據(jù)診斷和樣本數(shù)據(jù)訓(xùn) 練，再進(jìn)入BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)處理和特征選擇/提取； (3) 原始數(shù)據(jù)經(jīng)預(yù)處理和特征選擇/提取后再經(jīng)過BP神經(jīng)網(wǎng)絡(luò)診斷得到診斷結(jié)果，樣 本數(shù)據(jù)經(jīng)過預(yù)處理和特征選擇/提取后進(jìn)行學(xué)習(xí)訓(xùn)練； (4) 對于得到的診斷結(jié)果進(jìn)行診斷決策，再分別進(jìn)行定期維修、視情維修和事后維修。
3. 根據(jù)權(quán)利要求1所述的復(fù)雜設(shè)備早期故障診斷方法，其特征在于，所述基于SVM的故 障診斷模型中核函數(shù)為多項(xiàng)式核函數(shù)、徑向基核函數(shù)RBF或Sigmoid核函數(shù)。
【專利摘要】本發(fā)明公開了一種復(fù)雜設(shè)備早期故障診斷方法，具體步驟包括：通過傳感器提取采集信號；對提取采集的信號進(jìn)行小波變換去噪；就機(jī)械特征和電路特征分別建立基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型和基于SVM的故障診斷模型，進(jìn)行故障診斷?；赟VM的故障診斷模型中核函數(shù)為多項(xiàng)式核函數(shù)、徑向基核函數(shù)RBF或Sigmoid核函數(shù)。本發(fā)明將復(fù)雜設(shè)備的故障診斷分為機(jī)械特征的故障診斷和電路特征的故障診斷，就機(jī)械特征和電路特征分別建立故障診斷模型，機(jī)械易試驗(yàn)，可獲取樣本多，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)收斂快，準(zhǔn)確度較高；而電路樣本數(shù)據(jù)少，運(yùn)用SVM的小樣本優(yōu)勢，從而實(shí)現(xiàn)復(fù)雜設(shè)備等復(fù)雜系統(tǒng)的故障診斷。
【IPC分類】G01M99-00
【公開號】CN104634603
【申請?zhí)枴緾N201510114270
【發(fā)明人】汪文峰
【申請人】汪文峰
【公開日】2015年5月20日
【申請日】2015年3月16日