基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法
【專利摘要】本發(fā)明公開了基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法,其特征在于:包括如下步驟:第一步:建立需診斷設(shè)備在正常狀態(tài)和各種故障狀態(tài)下的時(shí)域信號樣本;第二步:對每個(gè)樣本,進(jìn)行符號化處理,即將樣品變成值域序列;第三步:將值域序列變成符號序列:第四步:將符號序列生成特征向量,具體包括四個(gè)參數(shù)組;第五步:對特征向量進(jìn)行標(biāo)準(zhǔn)化和歸一化處理后,再進(jìn)行PCA降維處理;第六步:生成降維后的新的特征向量,并對新的特征向量進(jìn)行標(biāo)準(zhǔn)化和歸一化處理;第七步:采用分層遞歸的LibSVM進(jìn)行診斷,利用網(wǎng)格法得到g參數(shù)和懲罰參數(shù)c參數(shù),并進(jìn)行訓(xùn)練建模;第八步:利用模型對測試樣本進(jìn)行測試;本發(fā)明可廣泛應(yīng)用于各種旋轉(zhuǎn)機(jī)械的故障診斷。
【專利說明】基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及故障診斷方法,具體涉及基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法。
【背景技術(shù)】
[0002]當(dāng)前,旋轉(zhuǎn)機(jī)械已廣泛應(yīng)用到航空航天、汽車船舶、冶金石化、兵器裝備和能源發(fā)電等領(lǐng)域中。較為典型旋轉(zhuǎn)機(jī)械的如齒輪傳動箱、旋轉(zhuǎn)主軸、軸承等,旋轉(zhuǎn)機(jī)械的故障診斷一直是工程界應(yīng)用的熱點(diǎn)問題。旋轉(zhuǎn)機(jī)械故障診斷過程一般為:信號采集、信號處理和故障診斷。故障診斷實(shí)際上是一種模式識別過程。
[0003]旋轉(zhuǎn)機(jī)械的故障診斷方法有很多。一般分為基于動力學(xué)模型、基于動態(tài)信號分析和基于數(shù)據(jù)驅(qū)動的方式?;趧恿W(xué)模型的診斷方法,一般是需要建立完整的動力學(xué)方程,通過數(shù)學(xué)方程,描述旋轉(zhuǎn)機(jī)械的動力學(xué)特征。通常情況下,動力學(xué)模型很不容易建立,且發(fā)生故障時(shí),其模型會發(fā)生改變;動態(tài)信號分析方法是當(dāng)前應(yīng)用得很多的一種方法,其方法是對時(shí)域或者頻域信號進(jìn)行信號處理,提取其中能表征缺陷或者故障的特殊成分,通過模式識別方法,判斷是否有故障;基于數(shù)據(jù)驅(qū)動的方法,是基于得到的各種信號樣本,采用監(jiān)督或非監(jiān)督的方法,通過提取數(shù)據(jù)里面的特征,建立故障模態(tài)和特征之間的關(guān)系,實(shí)現(xiàn)模式識別故障診斷的方法。
[0004]當(dāng)前的故障診斷方法存在的困難是:其一.難以建立精確的旋轉(zhuǎn)機(jī)械的動力學(xué)模型。故障的動力學(xué)特征是進(jìn)行故障診斷的最根本途徑。由于系統(tǒng)過約束特性和內(nèi)部復(fù)雜的激勵源,使得機(jī)械在工作是振動耦合較為突出;同時(shí),工作時(shí)面臨沖擊載荷、間歇載荷等波動變化性工況,這直接導(dǎo)致了響應(yīng)信號的非平穩(wěn)性。這兩個(gè)因素相互作用,使得故障發(fā)生是響應(yīng)信號具有較明顯的非線性特征。這造成了旋轉(zhuǎn)機(jī)械在診斷技術(shù)上根本性困難。其二:難以有效克服行實(shí)際工況中響應(yīng)信號信噪比低。實(shí)際工況的旋轉(zhuǎn)機(jī)械的噪聲都比較嚴(yán)重,旋轉(zhuǎn)機(jī)械的其特征頻率多分布在低頻中頻的較多,而這些特征頻率極容易被環(huán)境噪聲污染。其三:特征參數(shù)需要優(yōu)化和診斷模型穩(wěn)健性需要提高。盡管在故障特征提取、故障模式識別方面有很多富有意義的研究成果,在某些旋轉(zhuǎn)機(jī)械中,其特征頻率非常復(fù)雜而難以確定。在實(shí)際的診斷中,特征參數(shù)的優(yōu)化和診斷模型的穩(wěn)健性是提高診斷和預(yù)測正確率、減少拒識率和誤識率的重要路徑。
[0005]旋轉(zhuǎn)機(jī)械實(shí)際上為一個(gè)復(fù)雜的動力學(xué)系統(tǒng),其具體詳細(xì)的動力學(xué)結(jié)構(gòu)難以明了。在旋轉(zhuǎn)機(jī)械正常工作的時(shí)候,其動力學(xué)系統(tǒng)是穩(wěn)定的,也就是其動力學(xué)參數(shù)是應(yīng)在一個(gè)穩(wěn)定的范圍之內(nèi)穩(wěn)定的,當(dāng)機(jī)械出現(xiàn)故障時(shí),其動力學(xué)特征將發(fā)生改變,不同的改變方向,以及不同的改變程度,對應(yīng)著某種故障。特別重要的是,當(dāng)系統(tǒng)出現(xiàn)故障時(shí),系統(tǒng)的非線性動力學(xué)特征將會出現(xiàn),不同的故障對應(yīng)不同的非線性動力學(xué)特征,若能在一定程度上表征這些非線性動力學(xué)特征,通過數(shù)據(jù)驅(qū)動的方法建立故障模型,就能很好進(jìn)行故障診斷。據(jù)此,本方法提出一種基于時(shí)域信號符號動力學(xué)禁止字模式的診斷方法。
[0006]符號動力學(xué)是系統(tǒng)動力學(xué)的一個(gè)分支,上個(gè)世紀(jì)70年代以來,逐漸從純理論研究應(yīng)用到工程實(shí)際當(dāng)中。符號動力學(xué)的思想就是對時(shí)域信號序列進(jìn)行“粗粒”化處理,形成符號序列。在考慮嵌入維和時(shí)延參數(shù)的情況下,對系統(tǒng)進(jìn)行簡化和抽象。根據(jù)Bants&Pompe的符號化方法,時(shí)域信號可分解為各態(tài)歷經(jīng)的字模式序列。通常采用符號動力學(xué)研究的方法可分為字模式統(tǒng)計(jì)信息、平凡字模式和禁止字模式。符號序列能保留系統(tǒng)的動力學(xué)特征,可不一定滿足嵌入定理,同時(shí)易于進(jìn)行數(shù)據(jù)建模處理,因此符號動力學(xué)在故障診斷和預(yù)測等方面,已開始受到人們的關(guān)注并進(jìn)行了相關(guān)研究。字模式統(tǒng)計(jì)信息的方法是通過研究符號序列表達(dá)不確定度的參數(shù),如熵、復(fù)雜度等,來分析系統(tǒng)的動力學(xué)特征。1995年,德國的Werner Ebeling采用符號熵研究大量文本中的統(tǒng)計(jì)分布信息;美國Temple大學(xué)的MihajloGrbovic等2012提出一種基于PCA和最大熵模糊決策的分布傳感器故障診斷方法;阿根廷的L.Zunino通過多尺度復(fù)雜度-熵平面辨析系統(tǒng)的隨機(jī)和混沌特性;2012年臺灣國立師范大學(xué)的Shuen-De Wu通過多尺度序列熵來構(gòu)建診斷的特征參數(shù),然后利用SVM進(jìn)行汽車軸承的故障診斷;國內(nèi)方面:2005年中科院自動化所的胡為等提出了一種自適應(yīng)符號區(qū)間的劃分方法,并由此對電機(jī)的故障進(jìn)行診斷;2007年西安交大的李崇晟等利用混沌和序號序列的信息熵進(jìn)行滾動軸承故障診斷;江蘇大學(xué)的陳曉平等提出了基于符號熵和SVM的滾動軸承故障診斷方法清華大學(xué)的Yongyong He,等2012年提出近似熵作為故障診斷非線性特征參數(shù);南京航天航空大學(xué)的Bing Yu在2011年提出小波熵作為傳感器故障診斷的特征參數(shù);湖南大學(xué)的鄭近德等提出一種基于多尺度熵的滾動軸承故障診斷方法,通過求出粗?;蟮牟煌度刖S和容限的序列的樣本熵,再利用SVM進(jìn)行故障診斷;2012年上海交大的唐友福等提出了非線性復(fù)雜度的壓縮機(jī)典型故障診斷方法,通過將信號進(jìn)行二進(jìn)制符號序列處理后,計(jì)算序列的LZC,通過不同故障狀態(tài)的LZC的特征區(qū)間劃分進(jìn)行診斷;西安理工大學(xué)的薛廷剛等提取水輪機(jī)尾管的EMD分解信號的多尺度信息熵作為故障模式識別的特征參數(shù),分析了復(fù)雜尾水管脈動壓力信號,等等。
[0007]禁止字模式,是指在符號序列的各態(tài)歷經(jīng)過程中不出現(xiàn)或極少出現(xiàn)的字模式。目前基于禁止字模式的研究,主要應(yīng)用在系統(tǒng)特征辨識上,并且研究尚不深入。2000年,有文獻(xiàn)研究了符號動力學(xué)中禁止字的相關(guān)概念和表述方法;2007年,有文獻(xiàn)研究了確定隨機(jī)系統(tǒng)中真、偽禁止字模式的分布狀況;有文獻(xiàn)研究了禁止字模式在股票市場的應(yīng)用,研究了不同時(shí)延下系統(tǒng)禁止字模式的特點(diǎn)和對股票行為的影響;2008年,有文獻(xiàn)分析了大量經(jīng)濟(jì)時(shí)序數(shù)據(jù)中禁止字模式的分布情況;2012年,巴西的Osvaldo A.Rosso等人研究了熵-復(fù)雜度平面上,研究了禁止字模式對序列長度以及噪聲的敏感程度。到目前為止,尚未見到采用禁止字模式的方法進(jìn)行故障診斷的文獻(xiàn)。
[0008]符號各態(tài)歷經(jīng)中的禁止字模式的特征表征了系統(tǒng)的非線性動力特征。因此,采用禁止字模型作為研究具有不同非線性動力學(xué)特征的故障時(shí),具有天然不可否認(rèn)的優(yōu)勢。從本質(zhì)上看,當(dāng)系統(tǒng)出現(xiàn)故障時(shí),其動力學(xué)行為將發(fā)生改變,非線性特征將出現(xiàn)或者發(fā)生狀態(tài)改變,此時(shí)序號序列的禁止字模型也隨之發(fā)生改變;從對噪聲的敏感程度看,當(dāng)分析的符號序列長度滿足一定條件時(shí),禁止字模式對高斯噪聲、有色噪聲和f-λ噪聲污染將完全免疫;即或長度不夠,噪聲存在一定水平時(shí),噪聲對禁止字模式的影響也可通過統(tǒng)計(jì)分析處理,消除噪聲的影響;從可操作性或算法復(fù)雜度上看,禁止字模式的數(shù)量遠(yuǎn)遠(yuǎn)小于平凡模式,因此采用數(shù)據(jù)驅(qū)動的方式研究禁止字模式和故障之間的關(guān)系,進(jìn)行特征參數(shù)優(yōu)化,構(gòu)建穩(wěn)健的診斷模型是切實(shí)可行的。
【發(fā)明內(nèi)容】
[0009]本發(fā)明所要解決的問題在于提供基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法。[0010]為了解決上述技術(shù)問題,本發(fā)明的第一個(gè)技術(shù)方案是,基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法,其特征在于:包括如下步驟:
[0011]第一步:建立需診斷設(shè)備在正常狀態(tài)和各種故障狀態(tài)下的時(shí)域信號樣本各不少于30個(gè),每個(gè)樣本的采樣長度不小于4096點(diǎn);
[0012]第二步:對每個(gè)樣本,進(jìn)行符號化處理,即將時(shí)域序列變成值域序列樣本;即將每個(gè)樣本按其峰峰值范圍均等地分成M個(gè)區(qū)域,M為6 ;對每個(gè)樣本上的每個(gè)點(diǎn)進(jìn)行區(qū)域選取,即樣本上的值所在的區(qū)域?yàn)橹涤蛐蛄兄械闹担?br>
[0013]由此,時(shí)域序列變成值域序列;M:信號粗?;潭葏^(qū)分度;也就是信號值域峰峰值之間,等距離分段的區(qū)間數(shù);粗粒化程度不同,對原信號的模擬程度也不同;若太小,一些信號細(xì)節(jié)將被淹沒,若太大,則粗?;饬x不大;根據(jù)相關(guān)資料和本方法的前期實(shí)驗(yàn)研究,認(rèn)為M = 6的情況適合旋轉(zhuǎn)機(jī)械故障診斷中的信號粗?;^程;
[0014]第三步、符號序列形成:
[0015]符號序列的形成由時(shí)延參數(shù)τ和歷經(jīng)長度I確定;將第二步中得到的值域序列中從采樣時(shí)刻最小的點(diǎn)起算,將樣本的采樣點(diǎn)按照采樣時(shí)刻從小到大的順序取前(L-Ι* τ +1)個(gè)點(diǎn)分別作為信號起點(diǎn),將信號起點(diǎn)加上與信號的起點(diǎn)時(shí)延τ、2 τ、3 τ……(Ι_1) τ對應(yīng)
的點(diǎn)分別構(gòu)成一組序列,并將序列中信號起點(diǎn)以及與信號起點(diǎn)分別時(shí)延τ、2 τ、3 τ......(1-1) τ對應(yīng)的點(diǎn)依次進(jìn)行符號定義,再根據(jù)時(shí)域信號幅值從大到小的排列順序,符號序列集合或字集合;其中
[0016]L:信號樣本的長度;
[0017]τ:時(shí)延參數(shù),τ取I至6的自然數(shù);τ為I表示時(shí)延一周期,即前一起點(diǎn)與后一起點(diǎn)為相鄰的采樣點(diǎn),τ為2表示時(shí)延二周期,即前一起點(diǎn)與后一起點(diǎn)間隔了一個(gè)采樣點(diǎn),依次類推,τ為6表示時(shí)延六周期,即前一起點(diǎn)與后一起點(diǎn)間隔了五個(gè)采樣點(diǎn);
[0018]歷經(jīng)長度I取6;
[0019]第四步:生成特征向量,包括:
[0020]第四.一步:生成參數(shù)組一,具體為計(jì)算總的禁字率f;和符號序列的信息熵Sh;其中:
[0021]其中:
[0022]總禁止字率:
_Nf
剛L=-
9
[0024]Nf為出現(xiàn)的所有禁止字模式字?jǐn)?shù)量;
[0025]Mt 為字模式總數(shù);Mt = Μ! = 720 ;
[0026]第四.二步:生成參數(shù)組二,具體為:
[0027]為在整個(gè)字模式總數(shù)中,按照順序分為30個(gè)組,每個(gè)組有24個(gè)模式,對每組符號序列,分別統(tǒng)計(jì)在24個(gè)模式中,禁止字模式出現(xiàn)的個(gè)數(shù)Ni ;將每個(gè)組里面出現(xiàn)的Ni除以總的禁止字?jǐn)?shù)量,得到30個(gè)禁止字率f1; f2,...,f30 ;
[0028]
【權(quán)利要求】
1.基于符號動力學(xué)禁字模式的旋轉(zhuǎn)機(jī)械故障診斷方法,其特征在于:包括如下步驟:第一步:建立需診斷設(shè)備在正常狀態(tài)和各種故障狀態(tài)下的時(shí)域信號樣本各不少于30個(gè),每個(gè)樣本的采樣長度L不小于4096點(diǎn);第二步:對每個(gè)樣本,進(jìn)行符號化處理,即將時(shí)域序列變成值域序列樣本;即將每個(gè)樣本按其峰峰值范圍均等地分成M個(gè)區(qū)域,M為6;對每個(gè)樣本上的每個(gè)點(diǎn)進(jìn)行區(qū)域選取,即樣本上的值所在的區(qū)域?yàn)橹涤蛐蛄兄械闹?;第三?將值域序列變成符號序列:符號序列的形成由時(shí)延參數(shù)τ和歷經(jīng)長度I確定;將樣本的采樣點(diǎn)按照采樣時(shí)刻從小到大的順序取前(L-1* τ +1)個(gè)點(diǎn)分別作為信號起點(diǎn),將信號起點(diǎn)加上與信號的起點(diǎn)時(shí)延τ、2 τ、3 τ......(Ι_1) τ對應(yīng)的點(diǎn)分別構(gòu)成一組序列,并將序列中信號起點(diǎn)以及與信號起點(diǎn)分別時(shí)延τ、2 τ、3 τ……(Ι_1) τ對應(yīng)的點(diǎn)依次進(jìn)行符號定義,再根據(jù)時(shí)域信號幅值從大到小的排列順序,得到符號序列集合或字集合;其中:L:信號樣本的長度;τ:時(shí)延參數(shù),τ取I至6的自然數(shù);第四步:生成特征向量,包括:第四.一步:生成參數(shù)組一,具體為計(jì)算總的禁字率f;和符號序列的信息熵Sh;其中:其中:總禁止字率:`Nffr =~—M1,Nf為出現(xiàn)的所有禁止字模式字?jǐn)?shù)量;Mt為字模式總數(shù);Mt = M! = 720 ;第四.二步:生成參數(shù)組二,具體為:在整個(gè)字模式總數(shù)中,按照順序分為30個(gè)組,每個(gè)組有24個(gè)模式,對每組符號序列,分別統(tǒng)計(jì)在24個(gè)模式中,禁止字模式出現(xiàn)的個(gè)數(shù)Ni ;將每組里面出現(xiàn)的Ni除以總的禁止字?jǐn)?shù)量,得到30個(gè)禁止字率f1; f2,...,f30 ;fi 二~^“ —1,2,...,30Nf第四.三步:生成參數(shù)組三,具體為:在整個(gè)字模式總數(shù)中,按照順序分為六個(gè)組,每個(gè)組有120個(gè)模式,對每組符號序列,分別統(tǒng)計(jì)在120個(gè)模式里面出現(xiàn)的禁止字模式數(shù)Ni',再除以總的禁止字?jǐn)?shù)Nf,得到六個(gè)禁止字率fbl,fb2,…,fb6 ;其中:N'.// =~^'=152,—第四.四步:生成參數(shù)組四,具體為:將每組符號序列均分成前后二段,每段則由三個(gè)字符構(gòu)成;按照這三個(gè)字符的大小位置關(guān)系,也就是每三個(gè)字符有四種位置關(guān)系,那么前后兩段,共有16種模式,在整個(gè)字模式總數(shù)里面,對每組符號序列,分別統(tǒng)計(jì)16種模式下出現(xiàn)的禁止字模式數(shù)量Ncd,再除以總的禁止字模式數(shù)量,形成禁止字率G ; 第五步:對特征向量進(jìn)行標(biāo)準(zhǔn)化和歸一化處理后,再進(jìn)行PCA降維處理;第六步:生成降維后的新的特征向量,并對新的特征向量進(jìn)行標(biāo)準(zhǔn)化和歸一化處理;第七步、采用分層遞歸的LibSVM進(jìn)行診斷,核函數(shù)采用RBF,利用網(wǎng)格法得到LibSVM的RBF核參數(shù)g參數(shù)和懲罰參數(shù)c參數(shù),并進(jìn)行訓(xùn)練建模;第八步:利用模型對測試樣本進(jìn)行測試,判斷每類正確率是否大于90% ;若每類正確率是大于90%,判斷有合并的類嗎;判斷是否有設(shè)置的合并類;若沒有合并類,模型構(gòu)建完畢,可進(jìn)行診斷工作;如有合并類,則設(shè)置τ =Χ,τ =1,M = 6,返回第二步;若有正確率小于90%,判斷τ <6嗎?如τ <6,則設(shè)τ = τ+1,返回第二步;如τ =6,再判斷是否有正確率>90%的分類,如沒有,則本次診斷失敗,無法建模,不能進(jìn)行診斷;如τ =6有正確率>90%的分類,則在τ = I時(shí)觀察,將沒有達(dá)到正確率90%的相互混淆的類合并為一類,并設(shè)置Μ=6, π = π-Χ+1,τ = 1,返回第二步;其中:π為識別對象,N為總的待分類的故障類別數(shù);X為合并的類的類別數(shù)。`
【文檔編號】G01M99/00GK103528836SQ201310432071
【公開日】2014年1月22日 申請日期:2013年9月22日 優(yōu)先權(quán)日:2013年9月22日
【發(fā)明者】王雪, 袁玲 申請人:重慶科技學(xué)院