專利名稱：一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷裝置及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷裝置及方法，特別是涉及大型 旋轉(zhuǎn)機械設(shè)備、關(guān)鍵設(shè)備的智能在線狀態(tài)監(jiān)測與診斷裝置及方法。
背景技術(shù)：
隨著科學技術(shù)的不斷進步，尤其是系統(tǒng)集成化的趨勢，很多機械設(shè)備如發(fā)電機、汽 輪機等越來越大型化、高速化、復雜化，設(shè)備對安全性、自動化方面的要求也越來越高。一些 關(guān)鍵部件，比如高速旋轉(zhuǎn)的軸、軸承等一旦發(fā)生故障，不僅需承擔更換設(shè)備本身的費用，更 為重要的是還會導致整個連續(xù)生產(chǎn)流程的中斷，造成停產(chǎn)等重大的經(jīng)濟損失甚至危害工作 人員的人身安全。而關(guān)鍵設(shè)備的監(jiān)測已經(jīng)被證明是一種有效避免重大事故的方法。傳統(tǒng)的監(jiān)測方法最初是采用二次儀表進行監(jiān)測，這種方法只能在故障規(guī)律簡單清 晰的條件下有效，而隨著設(shè)備的復雜化已經(jīng)難以滿足診斷的需求，尤其是難以實現(xiàn)故障的 早期診斷與預防。其后逐步采用以計算機為采集分析核心的狀態(tài)監(jiān)測與故障診斷系統(tǒng)。在 國外，相關(guān)的技術(shù)在近20年得到日益廣泛的應用，比如本特利公司的系列產(chǎn)品，西屋公司 的PDS系統(tǒng)，丹麥的ROVSINGDynamics系統(tǒng)以及日本三菱的MHM系統(tǒng)等。其中美國的技術(shù) 開發(fā)最早，技術(shù)最為先進。在國內(nèi)，也有一批旋轉(zhuǎn)機械在線監(jiān)測與故障診斷系統(tǒng)投入運行， 比如哈工大以模糊數(shù)學理論為基礎(chǔ)的MMMD系統(tǒng)，鄭州大學的MMSD2000系統(tǒng)，北京英華達 公司的EN8000系統(tǒng)以及西北工業(yè)大學的MD3905系統(tǒng)等。這些系統(tǒng)大多提供軸振、軸位移、 軸承溫度等監(jiān)測信息，并提供波形圖、頻譜圖、軸心軌跡圖、伯德圖等分析功能，其故障診斷 主要采用的是故障樹專家系統(tǒng)或者神經(jīng)網(wǎng)絡(luò)等。而隨著計算機技術(shù)的提高，對信號進行分 析和診斷的方法日益多樣和復雜，所以如何建立有效的狀態(tài)監(jiān)測與診斷方法，進一步提高 診斷的準確性、智能化成為現(xiàn)代狀態(tài)監(jiān)測與故障診斷系統(tǒng)的核心技術(shù)。

發(fā)明內(nèi)容
本發(fā)明的一個目的是為了提供一種旋轉(zhuǎn)機械新型有效的狀態(tài)監(jiān)測與故障診斷裝 置，該裝置是一種便攜式快速診斷設(shè)備，所有功能均集中在一臺便攜機上，適用于故障診斷 相關(guān)專業(yè)研究人員進行快速診斷或初步診斷。該裝置包含一個數(shù)據(jù)采集裝置101、一個特征 提取裝置102、一個數(shù)據(jù)管理裝置103、一個顯示裝置106以及鼠標、鍵盤等用戶進行參數(shù)設(shè) 置與設(shè)備管理的裝置107，還包含一個多模型檢測器訓練裝置104、一個多模型故障診斷裝 置 105。所述的多模型檢測器訓練裝置(104)還包含一個隱馬爾可夫模型訓練裝置(301)，用于實現(xiàn)混合模型隱馬爾可夫模型部分的 自聚類訓練；—個支持向量機訓練裝置(302)，用于實現(xiàn)混合模型支持向量機部分的一對一訓 練；一個混合模型評估裝置(30 ，用于評估訓練得到的混合模型的性能并給出訓練4指導參數(shù)。所述的混合模型評估裝置(30 還包含一個評估控制與數(shù)據(jù)存儲裝置，(501) — 個隱馬爾可夫模型評估裝置(502)，一個支持向量機評估裝置(503)。所述的多模型診斷故障裝置(10 首先通過比對各故障HMM最大似然率獲得HMM 可能故障數(shù)組；然后利用HMM可能故障數(shù)組激活相應的SVMs進行精確診斷。所述的比對各故障HMM最大似然率時采用如下公式對似然率做標量化標量值= 似然率)/o。所述的隱馬爾可夫模型評估裝置通過輸出參數(shù)ΗΜΜ模型似然率、HMM識別率以及 HMM模型評價指標評估隱馬爾可夫模型的診斷性能；所述的支持向量機評估裝置通過輸出參數(shù)SVM得票數(shù)組、SVM模型的識別率、 HMM-SVM混合模型得票數(shù)組、HMM-SVM混合模型的識別率評估支持向量機及混合模型的診 斷性能。本發(fā)明另一目的旨在提供一種旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷方法，包括下列步 驟(1)數(shù)據(jù)采集，用數(shù)據(jù)采集裝置采集旋轉(zhuǎn)部件如軸、軸承等的振動、位移以及溫度等信號；(2)存儲信號，并用標準特征數(shù)組提取裝置提取信號的特征，特征提取的方式包括 歪度、沖擊指標、波形指標、裕度指標、峭度指標、自相關(guān)系數(shù)等信號時域特征也包括特征頻 率、二倍頻、三倍頻、用戶自定義頻率的最大振幅與頻率偏移以及能量等。由以上特征構(gòu)成 的數(shù)組作為標準特征數(shù)組，存儲于標準特征數(shù)組存儲空間。典型故障的樣本隨機存入故障 樣本數(shù)據(jù)庫或檢測器快速評估庫。檢測器快速評估庫與故障樣本庫數(shù)據(jù)不重復且存入評估 庫數(shù)據(jù)的概率通常<20%。(3)用識別用檢測器的訓練裝置訓練檢測器。其過程分為以下三個過程(3-1)隱馬爾可夫模型部分的訓練過程，隱馬爾可夫模型的訓練采用集數(shù)據(jù)聚類 與模型訓練于一體的訓練方法，通過參數(shù)ο將一類故障樣本劃分為一組簇族，再分別訓練 對應的隱馬爾可夫模型，從而避免同一故障多種表現(xiàn)形式對診斷帶來的影響。(3-2)支持向量機部分的訓練過程，支持向量機的訓練首先調(diào)用涉及設(shè)備故障樣 本庫中所有故障對應的數(shù)據(jù)，然后再采用一對一策略進行訓練。一對一策略可以根據(jù)評估 結(jié)果針對性訓練不合格的少量支持向量機而避免對其他故障的識別結(jié)果造成大范圍影響。(3-3)隱馬爾可夫模型-支持向量機混和模型的整體訓練過程，該混合模型的訓 練主要是通過評估針對性增強混合模型中隱馬爾可夫模型或者支持向量機的分類性能。首 先隨機抽取評估庫數(shù)據(jù)評估隱馬爾科夫-支持向量機混合模型的性能。當某部分識別性能 不符合要求時，判斷誤別錯誤發(fā)生于隱馬爾可夫模型部分還是支持向量機部分，并根據(jù)統(tǒng) 計結(jié)果重新訓練對應的隱馬爾可夫模型或支持向量機，直到評估結(jié)果符合要求。(4)采用訓練好的混合模型檢測器進行識別。將在線采集到的傳感器信號用標準 特征數(shù)組提取裝置提取信號的標準特征數(shù)組。采用隱馬爾可夫模型對該標準特征數(shù)組進行 第一層識別將選定比率的似然率最大的隱馬爾可夫模型對應的故障作為疑似故障并輸出 疑似故障編號構(gòu)成的疑似故障數(shù)組。根據(jù)疑似故障數(shù)組調(diào)用對應的支持向量機，采用投票 表決的方式進行二次精確劃分。得票最高的故障狀態(tài)即為識別結(jié)果。
(5)輸出并記錄識別結(jié)果及得票前幾位的支持向量機對應的故障狀態(tài)的得票率和 隱馬爾可夫模型似然率供用戶使用。運用隱馬爾科夫模型——支持向量機混合模型的智能診斷技術(shù)，應對日益提高的 大型旋轉(zhuǎn)機械日常維護和診斷的需求。在混合模型中，隱馬爾科夫模型主要利用其動態(tài)建 模能力強的優(yōu)勢進行故障范圍的快速劃定，而支持向量機則主要利用其分類能力強的優(yōu)勢 進行故障的精確識別。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)勢和有益結(jié)果(1)本發(fā)明采用隱馬爾科夫模型——支持向量機混合模型進行診斷，識別結(jié)果的 準確性與可靠性較高，且優(yōu)于采用單一模型；(2)本發(fā)明采用的隱馬爾科夫模型——支持向量機混合模型功能清晰，訓練方法 簡單有效，系統(tǒng)維護方便，且具備學習能力；(3)本分明采用的隱馬爾科夫模型——支持向量機混合模型診斷方式是一種新的 智能診斷方式，豐富了狀態(tài)監(jiān)測與故障診斷方法；(4)本發(fā)明的檢測器庫非常便于擴展，在數(shù)據(jù)庫中添加新故障檢測器時可方便的 繼承原有檢測器，與神經(jīng)網(wǎng)絡(luò)等方法相比更適合大規(guī)模以及長期的工業(yè)應用；(5)本發(fā)明混合模型識別時僅激活部分SVMs，避免了原有支持向量機系統(tǒng)當故障 種類多時需計算SVM的數(shù)量過大的問題，提高了系統(tǒng)的在線監(jiān)測與故障診斷性能；(6)本發(fā)明建立的在線狀態(tài)監(jiān)測與故障診斷方法可以在傳統(tǒng)方法相比難以生效的 復雜環(huán)境下應用，可實現(xiàn)多故障、復雜故障的診斷以及故障早期診斷與預警的功能。


圖1為本發(fā)明的旋轉(zhuǎn)機械在線監(jiān)測與故障診斷裝置的結(jié)構(gòu)圖；圖2為本發(fā)明的旋轉(zhuǎn)機械在線監(jiān)測與故障診斷方法流程圖；圖3是多模型檢測器訓練裝置的處理流程；圖4是隱馬爾可夫模型訓練裝置的處理流程圖；圖5是混合模型評估裝置的結(jié)構(gòu)圖；圖6是隱馬爾可夫模型評估裝置的處理流程圖；圖7是支持向量機模型評估裝置的處理流程圖；圖8是多模型故障診斷裝置的處理流程圖；圖9是采用兩臺計算機的在線監(jiān)測與故障診斷實施例圖；圖10是采用多診斷子系統(tǒng)進行在線監(jiān)測與故障診斷的實施例圖。
具體實施例方式下面結(jié)合附圖及實施方案對本發(fā)明作進一步的詳細說明，但本發(fā)明的實施方式不 限于此。實施例1如圖1表明本發(fā)明一種在線監(jiān)測與故障診斷裝置結(jié)構(gòu)。該裝置是一種便攜式快 速診斷設(shè)備，所有功能均集中在一臺便攜機上，適用于故障診斷相關(guān)專業(yè)研究人員進行快 速診斷或初步診斷。裝置包含一個數(shù)據(jù)采集裝置101、一個特征提取裝置102、一個數(shù)據(jù)管理裝置103、一個多模型檢測器訓練裝置104、一個多模型故障診斷裝置105、一個顯示裝置 106以及鼠標、鍵盤等用戶進行參數(shù)設(shè)置與設(shè)備管理的裝置107。便攜式快速診斷設(shè)備實施 例中傳感器組110可由用戶自行配置。數(shù)據(jù)采集裝置101根據(jù)傳感器安裝與數(shù)據(jù)采集方案采集傳感器組110的信號(包含同一設(shè)備上的傳感器1、傳感器2........傳感器η的η個信號)，主要包括旋轉(zhuǎn)部件的各向加速度，端面位移以及溫度等信息。特征提取裝置102按照特征提取方案采集一段時間的傳感器信號后通過歪度、沖 擊指標、波形指標、裕度指標、峭度指標、自相關(guān)系數(shù)等信號時域特征和被診斷設(shè)備基頻、二 倍頻、三倍頻以及用戶自定義頻率的最大振幅與頻率偏移等提取各通道傳感器的時頻特 征，并作為標準特征數(shù)組按照時間順序存儲為標準特征數(shù)組0、標準特征數(shù)組1、標準特征數(shù)2......每一個標準特征數(shù)組代表了一段時間內(nèi)傳感器信號的特征。表1是標準特征數(shù)組結(jié)構(gòu)的一個例子。便攜機的傳感器配置通常較少；當傳感器較多時，需要人工選擇特征或 者使用特征融合技術(shù)以降低標準特征數(shù)組的維數(shù)。表1標準特征數(shù)組的結(jié)構(gòu)
權(quán)利要求
1.一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷裝置，包含一個數(shù)據(jù)采集裝置(101)、一個 特征提取裝置(102)、一個數(shù)據(jù)管理裝置(103)、一個顯示裝置(106)以及用戶進行參數(shù)設(shè) 置與設(shè)備管理的裝置(107)，其特征在于還包含一個多模型檢測器訓練裝置(104)、一個多 模型故障診斷裝置(105)。
2.根據(jù)權(quán)利要求1所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征在于所述的多模 型檢測器訓練裝置(104)還包含一個隱馬爾可夫模型訓練裝置(301)，用于實現(xiàn)混合模型隱馬爾可夫模型部分的自聚 類訓練；一個支持向量機訓練裝置(302)，用于實現(xiàn)混合模型支持向量機部分的一對一訓練；一個混合模型評估裝置(303)，用于評估訓練得到的混合模型的性能并給出訓練指導參數(shù)。
3.根據(jù)權(quán)利要求1所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征在于所述的混合 模型評估裝置(30 還包含一個評估控制與數(shù)據(jù)存儲裝置，(501) —個隱馬爾可夫模型評 估裝置(502)，一個支持向量機評估裝置(503)。
4.根據(jù)權(quán)利要求1或3所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征在于所述多 模型故障診斷裝置(10 首先通過比對各故障HMM最大似然率獲得HMM可能故障數(shù)組；然 后利用HMM可能故障數(shù)組激活相應的SVMs進行精確診斷。
5.根據(jù)權(quán)利要求4所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征所述的比對各故 障HMM最大似然率，采用如下公式對似然率做標量化標量值=1-(Imax-似然率)/σ。
6.根據(jù)權(quán)利要求3所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征在于所述的隱馬 爾可夫模型評估裝置通過輸出參數(shù)ΗΜΜ模型似然率、HMM識別率以及HMM模型評價指標評 估隱馬爾可夫模型的診斷性能。
7.根據(jù)權(quán)利要求3所述的一種在線狀態(tài)監(jiān)測與故障診斷裝置，其特征在于所述的支持 向量機評估裝置通過輸出參數(shù)SVM得票數(shù)組、SVM模型的識別率、HMM-SVM混合模型得票數(shù) 組、HMM-SVM混合模型的識別率評估支持向量機及混合模型的診斷性能。
8.一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷方法，包括下列步驟(1)用數(shù)據(jù)采集裝置采集信號；(2)存儲信號，并用標準特征數(shù)組提取裝置提取信號的特征；(3)用識別用檢測器的訓練裝置訓練檢測器；(4)采用訓練好的隱馬爾可夫模型——支持向量機混合模型檢測器進行識別；(5)輸出并記錄識別結(jié)果。
9.根據(jù)權(quán)利要求8所述的一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷方法，其特征在于所 述步驟( 用識別用檢測器的訓練裝置訓練檢測器還包括三個過程(3-1)隱馬爾可夫模型部分的訓練過程，隱馬爾可夫模型的訓練采用集數(shù)據(jù)聚類與模 型訓練于一體的訓練方法，通過參數(shù)ο將一類故障樣本劃分為一組簇族，再分別訓練對應 的隱馬爾可夫模型；(3-2)支持向量機部分的訓練過程，支持向量機的訓練首先調(diào)用涉及設(shè)備故障樣本庫 中所有故障對應的數(shù)據(jù)，然后再采用一對一策略進行訓練；(3-3)支持向量機混和模型的整體訓練過程，首先隨機抽取評估庫數(shù)據(jù)評估支持向量機混合模型的性能，當某部分識別性能不符合要求時，判斷誤別錯誤發(fā)生于隱馬爾可夫模 型部分還是支持向量機部分，并根據(jù)統(tǒng)計結(jié)果重新訓練對應的隱馬爾可夫模型或支持向量 機，直到評估結(jié)果符合要求。
10.根據(jù)權(quán)利要求8所述的一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷方法，其特征在于 所述步驟(3)隱馬爾可夫模型部分的訓練過程，通過參數(shù)σ調(diào)整策略，依據(jù)各故障樣本隱 馬爾可夫模型輸出似然率，將一類故障樣本劃分為一組簇族，每簇訓練一個隱馬爾可夫模 型，所有一組模型共同用于識別，用來避免同一故障多種表現(xiàn)形式對診斷帶來的影響，隱馬 爾可夫模型參數(shù)中增加記錄參數(shù)σ與訓練時的最大似然率1_。
全文摘要
本發(fā)明涉及一種旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與故障診斷裝置及方法。該裝置包含數(shù)據(jù)采集裝置101、特征提取裝置102、數(shù)據(jù)管理裝置103、顯示裝置106以及鼠標、鍵盤等用戶進行參數(shù)設(shè)置與設(shè)備管理的裝置107、多模型檢測器訓練裝置104、多模型故障診斷裝置105。該方法包括以下步驟用數(shù)據(jù)采集裝置采集信號；存儲信號，并用標準特征數(shù)組提取裝置提取信號的特征；用識別用檢測器的訓練裝置訓練檢測器；采用訓練好的混合模型檢測器進行識別；輸出并記錄識別結(jié)果。本發(fā)明可在線診斷軸偏心，軸承偏心，滾動體磨損等常見旋轉(zhuǎn)機械故障，具有自動化程度高、可識別故障類型多、可實現(xiàn)早期診斷以及故障數(shù)據(jù)庫擴展性好等優(yōu)點。
文檔編號G06K9/66GK102054179SQ201010586438
公開日2011年5月11日 申請日期2010年12月14日 優(yōu)先權(quán)日2010年12月14日
發(fā)明者岳夏, 張春良, 朱厚耀, 李建, 李勝 申請人:廣州大學