一种基于多传感器数据融合的旋转设备故障特征提取方法

摘要

本发明公开了一种基于多传感器数据融合的旋转设备故障特征提取方法，包括：采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息；提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号及频域信号；将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。与现有技术相比，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性。并且还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰，而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号，可有效发现更微小的故障隐患。

说明书

技术领域

本发明涉及旋转设备故障预测技术领域，具体涉及一种基于多传感器数据融合的旋转设备故障特征提取方法。

背景技术

依靠旋转完成特定功能的旋转类机械设备使用中，旋转部件转动的不平衡、位置不对中、磨损或者结构松动等微小故障会随着旋转设备的使用而逐渐严重，并可能使旋转设备产生连锁性地故障；为了避免故障进一步地严重和由此可能造成的连锁性故障，需要对旋转设备的工作状态进行监测及诊断，及时发现故障。

目前国内外对旋转设备的诊断分析主要针对振动信号，分析方法有：波形分析、频谱分析、时频分析、倒频谱分析、时间序列分析等，这些分析方法将时域信息、频率幅值信息、频域相位信息分离。这些传统的分析方法不仅忽略了不同维度的振动信息的关联性，往往也忽略了振动之外的，和设备故障相关的噪声、温度等其他信息。这样不仅不能反映旋转设备故障因素的全貌，甚至会发生严重的歪曲和误判。

因此，如何保证用于分析的数据能够反映旋转设备故障因素的全貌，提高故障预测的准确性，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题包括：如何保证用于分析的数据能够反映旋转设备故障因素的全貌，提高故障预测的准确性。

本发明采用了如下的技术方案：

一种基于多传感器数据融合的旋转设备故障特征提取方法，包括：

S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息；

S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号；

S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号；

S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。

优选地，所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。

优选地，所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。

优选地，步骤S1与步骤S2之间还包括，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

优选地，待测旋转设备处于不同工作状态时，采用不同的滤波方法。

优选地，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括：

利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速；

基于转速判断待测旋转设备的工作状态，工作状态包括停止工作、匀速工作、变速工作；

当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波，否则，采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

优选地，所述基于多传感器数据融合的旋转设备故障特征提取方法还包括：

S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。

与现有技术相比，本发明具有以下技术优势：

（1）本发明不单单考虑了时域或频域信息，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性。并且与现有技术相比，不仅仅将振动信息作为故障预测的因素，还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰，而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号，可有效发现更微小的故障隐患。

（2）了避免数据采集时因为各种外界因此造成的部分采集的数据的失真，因此，在进行特征提取时，首先需要对采集的数据进行滤波。

（3）本发明中对不同工作状态的待测旋转设备采用不同的滤波方法，这样可以有效提高滤波效果，提高最终故障预测的精准度。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的一种具体实施方式的流程图；

图2是本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的另一种具体实施方式的流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，为本发明公开的一种基于多传感器数据融合的旋转设备故障特征提取方法的一种具体实施方式，包括：

S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息；

S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号；

S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号；

S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。

采集旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的方法为现有技术，在此不再赘述。与现有技术相比，本发明不单单考虑了时域或频域信息，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性。并且与现有技术相比，不仅仅将振动信息作为故障预测的因素，还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰，而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号，可有效发现更微小的故障隐患。

具体实施时，所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。

时域（Time domain）是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。是真实世界，是惟一实际存在的域。因为我们的经历都是在时域中发展和验证的，已经习惯于事件按时间的先后顺序地发生。而评估数字产品的性能时，通常在时域中进行分析，因为产品的性能最终就是在时域中测量的。

本发明中，为了充分获取用于故障预测的特征，因此，将三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数作为时域部分的故障特征。

具体实施时，所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。

频域（frequency domain）是描述信号在频率方面特性时用到的一种坐标系。在电子学，控制系统工程和统计学中，频域图显示了在一个频率范围内每个给定频带内的信号量。频域，尤其在射频和通信系统中运用较多，在高速数字应用中也会遇到频域。频域最重要的性质是：它不是真实的，而是一个数学构造。时域是惟一客观存在的域，而频域是一个遵循特定规则的数学范畴，频域也被一些学者称为上帝视角。

为了准确的反应频域信号，因此本发明选择了三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位作为频域部分的故障特征。

为了进一步优化本发明的技术方案，如图2所示，具体实施时，步骤S1与步骤S2之间还包括，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

滤波（Wave filtering）是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施，滤波分为经典滤波和现代滤波。本发明中，为了避免数据采集时因为各种外界因此造成的部分采集的数据的失真，因此，在进行特征提取时，首先需要对采集的数据进行滤波。

具体实施时，待测旋转设备处于不同工作状态时，采用不同的滤波方法。

待测旋转设备处于不同工作状态时，采集的数据受到的干扰也大不相同，因此，本发明中对不同工作状态的待测旋转设备采用不同的滤波方法，这样可以有效提高滤波效果，提高最终故障预测的精准度。

具体实施时，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括：

利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速；

基于转速判断待测旋转设备的工作状态，工作状态包括停止工作、匀速工作、变速工作；

当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波，否则，采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

维纳滤波器（wiener filtering) 的本质是使估计误差（定义为期望响应与滤波器实际输出之差）均方值最小化。离散时间维纳滤波理论是从维纳关于连续时间信号的线性最优滤波器这个开拓性工作演变过来的。维纳滤波器的重要性在于，它为广义平稳随机信号的线性滤波提供了一个参考框架。维纳滤波公式是通过平稳过程的谱分解导出的，难以推广到较一般的非平稳过程和多维情形，因而应用范围受到限制。另一方面，在不断增加观测结果时，不易从已算出的滤波值及新的观测值较简单地求出新的滤波值，特别是不能满足在电子计算机上快速处理大量数据的需要。因此，本发明中，在匀速工作状态时，采用维纳滤波。

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。因此，本发明在非匀速工作状态时，采用卡尔曼滤波。

具体实施时，所述基于多传感器数据融合的旋转设备故障特征提取方法还包括：

S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。

在取得了故障特征后，将故障特征输入训练后的多参数决策树即可得到待测旋转设备的故障预测结果。故障类型主要包括：轴承故障、定子故障、转子故障、气隙偏心。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。