机械设备状态的智能可视化监测与诊断方法

摘要

一种机械工程技术领域的机械设备状态的智能可视化监测与诊断方法，包括以下步骤：构造初始设备状态字典，并建立初始设备状态分布图；基于设备状态字典求解设备监测数据的稀疏表示；从设备检测数据的稀疏表示提取稀疏特征值；将稀疏特征值投影到设备状态分布图上，根据其在设备状态图上的投影位置进行设备状态的识别，并检测是否出现新的设备状态；在检测到新的设备状态情况下，对设备状态字典与设备状态分布图进行更新。本发明能够直接明了地对设备状态进行可视化显示，降低对设备维护人员专业素质的要求，并能够克服工况条件变化对设备诊断过程的干扰。

说明书

技术领域

本发明涉及的是一种机械工程技术领域的方法，具体是一种机械设备状态的智能可视化监测与诊断方法。

背景技术

基于状态的设备维护是一种新兴的设备维护技术，它在识别设备状态的基础上实施适当的维护，不仅能够有效避免设备故障的发生，同时还能够降低维护成本。因此，基于状态的设备维护在机械设备维护领域被广泛应用。设备状态识别的一般路径是在所关心设备上安装传感器，采集相应的信号，通过对信号的分析获取设备状态信息，在此基础上结合先验的诊断知识确定设备状态。其中，广泛被采集和分析的信号有压力、流量、振动、电流、应变等。传统的设备状态识别方法通过分析采集信号的频谱图、时频图等可视化的谱分析技术来诊断设备状态。但这种方式对设备维护人员专业素质要求较高。因此，自动化的设备状态智能诊断方法也被广泛采纳。但是，智能诊断方法往往又缺乏人的灵活性。此外，在实际诊断应用中，设备的故障样本信号获取比较困难，使得智能化的诊断方法的应用受限，并对未知的设备故障容易产生误诊断的情况。因此，一种能够结合自动化智能诊断方法，并能够充分利用人在诊断过程中灵活性的诊断方式呼之欲出。如果能够可视化地显现一种机械设备状态分布图，并能够将当前采集到的信号在机械设备状态分布图上定位，使得人能够从图中直观读出设备状态及其变化过程，即：实现机械设备状态监测及诊断的可视化，这无疑是一种很好的诊断方式。

经对现有文献的检索发现，中国专利公开号为：CN101699359A，名称为：故障状态监测的可视化方法，该技术通过合成特征矢量在二维平面内的位置不同来标识设备状态的变化。其不足在于：特征参量必须为离散的状态值，不适合数据形式为时间序列的波形信号；且合成矢量位置的语义不明，仍需要维护人员根据专业知识判断设备状态。

又经检索发现，雷文平在文献“旋转机械故障可视化和预测方法的研究(硕士学位论文)”中提出了基于自组织映射实现对旋转机械故障的可视化诊断，但此方法仅是自组织映射型神经网络在故障诊断中的简单应用，没有进一步探讨波形信号中信号分析及特征提取的问题，也不能抵抗工况条件变化对诊断结果的干扰。

经检索还发现，Abhinav Saxena在文献“Fault Diagnosis in Rotating MechanicalSystems Using Self-Organizing Maps(采用自组织映射型神经网络的旋转机械故障诊断)”中针对波形信号在提取若干简单特征值的基础上基于自组织映射型神经网络诊断旋转机械故障，但是此方法同样不能克服工况变化对采集信号的影响。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种机械设备状态的智能可视化监测与诊断方法。本发明能够有效克服工况变化对设备状态监测及诊断的干扰，同时，能够实现对设备诊断能力自我完善。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，构造初始设备状态字典，并建立初始设备状态分布图。

所述的构造初始设备状态字典，包括以下步骤：

1)采集若干设备状态下的历史样本数据，采用字典学习方法，分别从每种设备状态下的历史样本数据中学习一个单设备状态子字典；

所述的字典学习方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，则采用基于标准稀疏编码模型的字典学习方法；否则，采用基于时不变稀疏编码模型的字典学习方法。

2)所有的单设备状态子字典构成初始设备状态字典。

所述的建立初始设备状态分布图，包括以下步骤：

1)基于建立的初始设备状态字典，采用稀疏求解方法，得到设备的所有历史样本数据的稀疏表示；

所述的稀疏求解方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，则采用基于标准稀疏编码模型的稀疏求解方法；否则，采用基于时不变稀疏编码模型的稀疏求解方法。

2)从设备的所有历史样本数据的稀疏表示中提取稀疏特征值；

所述的稀疏特征值，是设备状态字典中基函数在稀疏表示中的激活次数，或者是设备状态字典中基函数在稀疏表示中的系数的平方和，或者是设备状态字典中基函数在稀疏表示中的系数的绝对值和。

3)通过训练自组织映射型神经网络构造出U型矩阵图(U-Matrix)，并根据不同机械设备状态下的稀疏特征值与U型矩阵图上节点的距离测度用RGB颜色对节点进行渲染，且根据历史样本数据的稀疏特征值所代表的不同设备状态对U型矩阵图上的节点进行标注，该U型矩阵图就是初始设备状态分布图。

第二步，实时对机械设备状态进行监测，得到机械设备的监测数据，当机械设备的监测数据的统计结构特征在数据块内的出现位置具有一致性，则采用基于标准稀疏编码模型的稀疏求解方法得到当前监测数据的稀疏表示；否则，则采用基于时不变稀疏编码模型的稀疏求解方法得到当前监测数据的稀疏表示。

第三步，采用第一步的方法，从当前监测数据的稀疏表示中提取当前稀疏特征值，并按照自组织映射型神经网络方法，得到该当前稀疏特征值在设备状态分布图上的最佳匹配点(BMU，Best Matching Unit)，从而将当前稀疏特征值映射到设备状态分布图上。

第四步，当第三步得到的最佳匹配点已被标注设备状态时，当前的设备状态就是最佳匹配点所标注的设备状态，返回第二步，继续对设备状态进行监测和识别；否则，进行未知设备状态检测处理，当出现新的设备状态时，执行第五步，否则，返回第二步，继续对机械设备状态进行监测与识别。

所述的未知设备状态检测处理，包括以下步骤：

1)计算当前稀疏特征值在设备状态图上的最佳匹配点与当前稀疏特征值的最小量化误差，当最小量化误差大于或者等于阈值θ_MQE，则执行2)；否则，认定没有出现新的设备状态，并将与最佳匹配点颜色相近的节点所标注的设备状态确认为当前设备状态；

2)进行人工确认，当人工确认没有出现新的设备状态，对阈值θ_MQE进行修正处理，否则，认定出现新的设备状态。

所述的修正处理，是指将当前稀疏特征值在设备状态图上的最佳匹配点的最小量化误差设为阈值θ_MQE。

第五步，采集新的设备状态下的样本数据，进行设备状态字典更新处理和设备状态分布图更新处理，得到更新的设备状态字典和更新的设备状态分布图，且返回第二步，继续对机械设备状态进行监测与识别。

所述的设备状态字典更新处理，是：采用第一步构造初始设备状态字典的方法，从机械设备新状态下的样本数据中学习设备新状态的子字典，且将代表设备新状态的子字典中加入设备状态字典，实现设备状态字典的更新。

所述的设备状态分布图更新处理，是：采用第一步建立初始设备状态分布图的方法，将机械设备新状态下的样本数据并入历史样本数据，重新求解当前所有历史样本数据的稀疏表示，并从中提取与第一步相同的稀疏特征值，通过训练自组织映射型神经网络构造出新的U型矩阵图，新的设备状态在设备状态图上占据单独的一个聚类，从而实现对设备状态分布图的更新。

与现有技术相比，本发明的有益效果是：对所监测机械设备的状态显示简单直观，从而能够充分发挥人在设备状态诊断识别中的灵活性；对工况条件的变化具有一定的抗干扰性，同时，能够检测出未知的设备状态；通过建立设备状态字典的更新机制能够实现对设备状态诊断能力的自我完善。

附图说明

图1为本发明初始设备状态字典及初始设备状态分布图建立的流程图。

图2为本发明设备状态字典及设备状态分布图在机械设备状态监测中应用的流程图。

图3为本发明设备状态字典及设备状态分布图更新的流程图。

图4为实施例中轴承振动信号在轴承状态分布图上的映射过程。

图5为实施例中基于轴承正常、内圈故障及球故障状态下的振动信号建立的轴承状态分布图；

其中：(a)是U型矩阵图；(b)是标注后的三种轴承状态分布图。

图6为实施例中三种不同轴承状态下监测到的振动信号在初始轴承状态分布图上的投影；

其中：(a)是在定载荷工况下；(b)是在变载荷工况下。

图7为实施例中用阈值判断新的轴承状态——外圈故障。

图8为实施例中更新对外圈故障的诊断能力后的轴承状态分布图；

其中：(a)是U型矩阵图；(b)是标注后的四种轴承状态分布图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了具体的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例为本发明在轴承状态监测与故障诊断中的应用，所监测轴承为一电机输出轴上的深沟球轴承。加速度传感器安装在输出轴正上方的箱体上用于采集振动信号。所监测的轴承状态包括：正常、内圈故障、球故障与外圈故障，其中的部分正常、内圈故障及球故障状态下的轴承振动监测信号已知，并作为历史样本数据用于建立初始轴承状态字典及初始轴承状态分布图。建立的初始轴承状态字典及初始轴承状态分布图用于轴承状态的进一步监测与诊断应用；在监测到新的轴承状态时，进行轴承状态字典及轴承状态分布图的更新。

本实施例包括以下步骤：

(一)如图1所示，根据已经掌握的轴承正常、内圈故障及球故障状态下的振动信号构造初始轴承状态字典并建立初始轴承状态分布图。

首先、构造初始轴承状态字典：

1)轴承在故障状态下，轴承损伤会导致轴承在滚动过程中在产生非正常冲击，对应地在采集到的振动信号中出现剧烈的冲击脉冲。在对振动信号处理过程中需将振动信号分割成一定长度的时间序列，这使得冲击脉冲被分割到时间序列中的任意位置，即：使得冲击脉冲在时间序列中的出现位置缺乏一致性。因此，从振动信号中学习子字典应采用基于时不变稀疏编码模型的字典学习方法。

时不变稀疏编码模型通过卷积运算使得基函数可以出现在时间序列的任意位置：

$x=D*s+\in =\underset{k=1}{\overset{K}{\Sigma }}{d}_k*s_k+\in ---\left(1\right)$

其中：矩阵称为字典，字典中每一列d_k为基函数，∈为高斯残留噪声。对于给定的数据集X＝[x₁，x₂，…，x_N]，假定基函数服从先验均匀分布，同时计算基函数与稀疏表示的最大后验概率(maximum a posterior，MAP)估计为：

$\underset{d,s}{\min }\underset{i=1}{\overset{N}{\Sigma }}({\left|\right|x_i-\underset{k=1}{\overset{K}{\Sigma }}{d}_k*s_{k,i}\left|\right|}_2^2+\beta \underset{k=1}{\overset{K}{\Sigma }}{\left|\right|s_{k,i}\left|\right|}_1),---\left(2\right)$

其中：s_ki为基函数d_k在信号x_i中的稀疏激活；c是一个约束常量用于防止求解的d_k变得太大，同时s_k，i太小；β是最优化惩罚因子；||·||₁是稀疏测度。目标函数(2)虽然不是联合凸优化，但对单个变量是凸的。因此，固定一个变量不变关于另一个变量的凸优化是可以逼近求解的；交叉求解这两个凸优化问题进行字典学习；当目标函数(2)收敛后，求解的基函数构成字典D；进而基于学习的字典D，即固定目标函数(2)中d不变求解s的凸优化，即可求出输入数据的稀疏表示。

对于已知的三种轴承状态：正常、内圈故障及球故障，从每种轴承状态下的振动信号中分别按照式(2)与式(3)所示的最大后验概率估计进行单轴承状态子字典的学习。通过观察发现振动脉冲在采集振动信号中持续约80个采样点，因此每个子字典中基函数长度设定为80，基函数个数设为10。考虑到时不变稀疏编码模型下，每个基函数可能出现在时间序列内任何一点，因此每个子字典实际上是10x的超完备字典。

2)分别学习正常、内圈故障与球故障状态下子字典后，包含这三种轴承状态的初始轴承状态字典按照下式建立：

其中：D_N，D_IF，D_BF分别为从正常、内圈故障、球故障状态的振动信号中学习的子字典。

其次、建立初始轴承状态分布图：

1)根据建立的轴承状态字典基于公式(2)，即采用时不变稀疏求解方法，分别求解正常、内圈故障及球故障状态下历史数据的稀疏表示；

2)分别从正常、内圈故障及球故障状态下历史数据的稀疏表示中提取稀疏特征；在此，稀疏特征定义为一个向量，其中每一项为一个基函数的稀疏激活中非零系数的平方和：

$f_i:=[\Sigma s_{1,i}^2,\Sigma s_{2,i}^2,...,\Sigma s_{30,i}^2],---\left(5\right)$

其中：f_i为从振动信号x_i的稀疏表示中提取的稀疏特征向量，s_k，i为基函数d_k在信号x_i中的稀疏激活；

3)用提取的正常、内圈故障及球故障状态下的稀疏特征向量训练一个自组织映射型神经网络，训练完成后输出运算的U型矩阵图，如图5(a)所示；由于每个稀疏特征向量的轴承状态已知，U型矩阵图上每个节点所代表的轴承状态可以根据投影到该节点上的稀疏特征向量的轴承状态进行标注；如图5(b)所示，每个节点所代表的轴承状态分别用N(正常状态)、IF(内圈故障)、BF(球故障)所标注；未标注轴承状态的节点所代表的轴承状态可参照临近与其距离值相近的节点所代表的轴承状态。

至此，初始轴承状态字典与初始轴承状态分布图建立完毕。所建立的轴承状态字典与轴承状态分布图形成了对所监测轴承的正常、内圈故障与球故障的诊断能力。

(二)如图2所示，应用轴承状态字典及轴承状态分布图对轴承状态进行监测应用。在对轴承状态监测过程中，基于建立的轴承状态字典按照(一)所述采用时不变稀疏求解方法求解监测到的轴承振动信号的稀疏表示。

(三)按照(一)中公式(5)所示方法从所求解的轴承振动信号的稀疏表示中提取稀疏特征向量，并按照自组织映射型神经网络方法求解该当前稀疏特征值在轴承状态分布图上的最佳匹配点从而将当前稀疏特征值映射到轴承状态分布图上。

(四)根据当前稀疏特征值在轴承状态分布图上的最佳匹配点的映射位置确定当前轴承状态。如图5所示，如果当前稀疏特征值被映射到轴承状态分布图上的最佳匹配点具有N、IF或BF标签，则当前轴承状态即为该最佳匹配点上所标识的轴承状态；如果最佳匹配点上未标注任何标签，则进行未知轴承状态检测。图6所示为分别在定载荷与变载荷工况条件下，分别对轴承正常、内圈故障及球故障状态下监测到的轴承振动信号在轴承状态分布图上进行投影结果。图6中节点内六角形面积越大表示有更多的振动信号样本被投影到该节点。可以看到：在定载荷条件下，三种轴承状态下的振动信号分别被投影到相应标记的节点上；在变载荷条件下，正常状态下的轴承振动信号略有偏差，但仍然围绕着标记节点的周围，在此情况下，在最小量化误差不超过阈值范围的情况下，可参照其围绕的标记节点“N”得知轴承状态为正常。

图4示意性地描述了采集的轴承振动信号，经求解其稀疏表示，提取稀疏特征向量，最后映射到轴承状态分布图上的过程。

在实际监测过程中，分别采集到轴承正常、内圈故障、球故障、外圈故障状态下的轴承振动信号，分别按照(二)与(三)所述步骤应用轴承状态字典将轴承振动信号在轴承状态分布图上进行投影，最小量化误差(MQE)变化趋势如图7所示。实际情况是，在轴承监测过程中，发现最小量化误差(MQE)持续超过预先设定的阈值参数θ_MQE＝0.5176，经人工确认，发现出现新的轴承状态——外圈故障。在此情况下，采集部分轴承振动信号，按照图3所示步骤进行轴承状态字典及轴承状态分布图的更新。

(五)轴承状态字典及轴承状态分布图的更新过程：

更新轴承状态字典：按照(一)所述，基于时不变稀疏编码模型，按照式(2)与式(3)所示的最大后验概率估计，从轴承外圈故障状态下的振动信号中学习轴承外圈故障状态子字典；子字典中基函数长度设定为80，基函数个数设为10；学习出的轴承外圈故障状态子字典标记为D_OF；用新学习的轴承外圈故障状态子字典按照下式对原轴承状态字典进行更新：

更新轴承状态分布图：新监测的轴承外圈故障下的振动信号作并入原有的包含正常、内圈故障与球故障的历史样本数据；继而按照(一)初始轴承状态图的建立过程，基于更新后的轴承状态字典进行当前所有历史样本数据的稀疏表示的求解；按照式(5)进行稀疏特征向量的提取；最后训练自组织映射型神经网络输出更新后的轴承状态分布图如图8所示。可以看到，更新后的轴承状态图通过实现了对轴承外圈故障的诊断能力。在实际监测过程中，通过不断检测未知轴承状态并经人工确认实现对轴承状态诊断能力的完善。

本实施例能够将历史样本数据所表示的轴承状态在二维轴承状态分布图上进行直观地显示；在对轴承进行实时监测过程中，通过将监测到的振动信号在轴承状态分布图上进行投影，能够简单明了地对当前轴承状态进行表示。相对于传统的频谱图、时频图等谱分析方法，本实施例方法对轴承状态的显示浅显易懂，降低了对设备维护人员专业素质的要求，同时对轴承运行过程中的工况条件的干扰表现出一定的抗干扰性。本实施例在对轴承状态监测过程中能够实现对未知轴承状态的检测，并且通过对轴承状态字典和轴承状态图的更新实现对轴承状态诊断能力的完善。