CN101788378A - 一种机械故障诊断方法和装置 - Google Patents

Abstract

本发明公开了一种机械故障诊断方法，包括：获取目标机械设备中用于进行机械故障诊断的m个信号，所述m为正整数，并对每个信号进行定性和定量趋势分析；分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将所述取值最大的总体相似度系数对应的故障类型确定为所述目标机械设备所处的故障类型。本发明同时公开了一种机械故障诊断装置。应用本发明所述的方法和装置，能够准确地识别出机械设备所处的故障类型。

Description

一种机械故障诊断方法和装置

技术领域

本发明涉及自动化技术，特别涉及一种机械故障诊断方法和装置。

背景技术

当前，基于人工智能的自动机械故障诊断系统在机械领域的应用越来越广泛。其中，在学术领域和工业界，尤以基于知识的故障推理和基于数学模型的故障诊断这两种技术的研究和应用最为普遍。但是，这两种技术的实现均需要依赖于一个基本的假设，那就是对所获得的故障类型的知识有一个清晰的表述，无论是采用数学方程还是通过在知识库(Knowlegde Database)中构建规则集(Rule Stes)的表述方式。

但是，由于不同的故障类型在不同的场景下表现为不同的信号模式，而且，即使对于类似机械设备的相同故障类型，所表现出来的信号模式也可能有很大的不同，所以，通常很难完整准确地获取到针对各种不同故障类型的知识。

为此，现有技术中多采用对采集到的所有信号进行综合性的定性趋势分析的方法，来弥补当需要进行机械故障诊断时，所需知识不完整的不足。当前，随着基于人工智能的自动机械故障诊断系统在工业上的广泛应用，出现各种基于不同定性趋势分析方法的机械故障诊断方法。比如：

定性趋势推理方法，旨在表示和说明一个过程变量的动态演变过程。该方法的具体实现包括：首先，将该过程变量的时间序列划分为一系列可用几何学上的三角形或梯形模型来表示的时域波段；然后，用不同的字母来表示不同的波段，从而将划分得到的所有波段表示为一个符合串；举例说明，图1为现有不同波段的定义方式以及字母表示示意图，图2为现有一个过程变量所对应的时间序列示意图，该时间序列可用图1中所示的不同波段进行表示，从而得到一个与该时间序列相对应的字符串ABCDABCDAB；然后，将表示出的字符串与知识库中预先保存的故障特征之间进行自动模式匹配，以推断出机械设备当前的运行状态，即所处的故障类型。

但是，这种方法会导致不精确的边界划分(即对于处于不同波段交界处的时间序列，很难确定其所述波段类型)；而且，由于噪声以及一些潜在的其它因素的影响，即使对于相同的故障类型，也很难用相同的字符串来进行表示，因此，需要建立一个庞大的知识库，同时也可能造成匹配的错误。

为此，现有技术中又提出了一种模糊推理方法，该方法首先利用多项式拟合的区间-二分法技术，从定性上自动识别出所采集的信号的时间序列的演变趋势，然后，基于识别出的演变趋势，计算该信号与知识库中预先保存的故障特征之间的模糊相似度，以识别出最可能的故障类型。其中，知识库中包含有一系列的If/Then规则，这些规则可从物理意义上解释一个故障类型所对应的信号的演变趋势。

这种方法对于提高故障推理过程中的鲁棒性非常有帮助。但是，如果在区间-二分法技术中采用不同的时间粒度来划分信号的时间序列，并且考虑到信号正常或异常的振幅波动，即使对于相同的信号的时间序列，也会得到不同的趋势识别结果，进而导致不同的模糊相似度计算结果以及故障类型识别结果。

发明内容

有鉴于此，本发明的主要目的在于提供一种机械故障诊断方法，能够准确地识别出机械设备所处的故障类型。

本发明的另一目的在于提供一种机械故障诊断装置，能够准确地识别出机械设备所处的故障类型。

为达到上述目的，本发明的技术方案是这样实现的：

一种机械故障诊断方法，包括：

采集目标机械设备中用于进行机械故障诊断的m个信号，所述m为正整数，并对每个信号进行定性和定量趋势分析；

分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；

判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将所述取值最大的总体相似度系数对应的故障类型确定为所述目标机械设备所处的故障类型。

其中，所述对每个信号进行定性和定量趋势分析之前，进一步包括：对每个信号进行去噪处理；

所述对每个信号进行定性和定量趋势分析包括：对每个经过去噪处理后的信号进行定性和定量趋势分析。

所述对每个信号进行定性和定量趋势分析之前，进一步包括：提取每个信号中的特征量；

所述对每个信号进行定性和定量趋势分析包括：对从每个信号中提取出的特征量进行定性和定量趋势分析。

较佳地，所述对每个信号进行定性和定量趋势分析包括：

按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；

基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；

将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

所述将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述包括：

将识别出的每个信号的整体演变趋势以及局部演变趋势利用可扩展标记语言XML进行定性和定量描述。

较佳地，所述分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数包括：

针对所述知识库中预先保存的每种故障类型F_i，所述i的取值为从1到N，所述N为故障类型总数，分别执行以下操作：

A、定义两个参数SC_i和SC_{x_i}，其初始值均赋值为0；将所述m个信号分别编号为S₁到S_m，并从中选取一个信号S_x，所述x的初始值为1；

B、判断所述信号S_x的整体演变趋势与所述知识库中保存的当故障类型为Fi时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则执行步骤C；否则，执行步骤D；

C、SC_{x_i}＝SC_{x_i}+1，然后执行步骤E；

D、x＝x+1，并执行步骤B；

E、判断所述信号S_x的局部演变趋势与所述知识库中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则SC_{x_i}＝SC_{x_i}+1，并执行步骤F；否则，直接执行步骤F；

F、SC_{x_i}＝SC_{x_i}×W_{x_i}，SC_i＝SC_i+SC_{i_i}；所述W_{x_i}为预先定义的权重系数；

G、判断所述x的取值是否等于m，如果是，结束流程；否则，执行步骤D。

所述W_{x_i}的取值为0.5。

一种机械故障诊断装置，包括：

信号采集单元，用于采集目标机械设备中用于进行机械故障诊断的m个信号，所述m为正整数；

趋势分析单元，用于对每个信号进行定性和定量趋势分析；

相似度计算单元，用于分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；

故障确定单元，用于判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将所述取值最大的总体相似度系数对应的故障类型确定为所述目标机械设备所处的故障类型。

该装置进一步包括：

信号预处理单元，用于对每个信号进行去噪处理，和/或，用于提取每个信号中的特征量；

所述趋势分析单元对从每个信号中提取出的特征量进行定性和定量趋势分析。

较佳地，所述趋势分析单元包括：

划分子单元，用于按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；

识别子单元，用于基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；

描述子单元，用于将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

较佳地，所述相似度计算单元包括：N个计算子单元；所述N的取值与知识库中保存的故障类型总数相同；

每个计算子单元分别用于，计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的一种故障类型F_i所对应的特征趋势之间的总体相似度系数，所述i的取值为从1到N。

所述每个计算子单元中进一步包括：

保存子单元，用于保存每种故障类型Fi所对应的特征趋势；

定义子单元，用于定义两个参数SC_i和SC_{i_i}，其初始值均赋值为0，并将所述m个信号分别编号为S₁到S_m，从中选取一个信号S_x，所述x的初始值为1；

第一判断子单元，用于判断所述信号S_x的整体演变趋势与所述保存子单元中保存的当故障类型为F_i时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则通知第一计算子单元执行自身功能，否则，通知第二计算子单元执行自身功能；

所述第一计算子单元，用于将所述SC_{x_i}的取值加一，并将相加结果重新赋值给所述SC_{x_i}，然后通知第二判断子单元执行自身功能；

所述第二计算子单元，用于将所述x的取值加一，并将相加结果重新赋值给所述x，然后通知所述第一判断子单元执行自身功能；

所述第二判断子单元，用于判断所述信号S_x的局部演变趋势与所述保存子单元中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则将SC_{x_i}的取值加一，并将相加结果重新赋值给SC_{x_i}，然后通知第三计算子单元执行自身功能，否则，直接通知所述第三计算子单元执行自身功能；

所述第三计算子单元，用于计算所述SC_{x_i}与预先定于的权重系数W_{x_i}的乘积，将计算结果重新赋值给所述SC_{x_i}；并计算重新赋值后的SC_{x_i}与所述SC_i相加之和，将相加结果重新赋值给所述SC_i；

所述第三判断子单元，用于判断所述x的取值是否等于m，如果是，结束处理；否则，通知所述第二计算子单元执行自身功能。

总之，与现有技术相比，本发明所述方案具备以下优势：

1、如果直接基于原始信号进行定性和定量趋势分析，那么在实现起来会很困难，而且结果也不可靠；采用本发明所述方案后，可首先对原始信号进行去噪以及特征量提取等处理，从而使得后续的定性和定量趋势分析更为有效。

2、本发明所述方案中采用整体演变趋势以及局部演变趋势来描述信号的演变情况，从而更加适应信号的时域模式的内在特征，并简化了后续的故障类型识别过程。

3、本发明所述方案在计算总体相似度系数时，综合考虑了所有信号的整体演变趋势以及局部演变趋势，从而提高了本发明所述方案的鲁棒性和准确性。

附图说明

下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：

图1为现有不同波段的定义方式以及字母表示示意图；

图2为现有一个过程变量所对应的时间序列示意图；

图3为本发明机械故障诊断方法实施例的流程图；

图4为本发明方法实施例中当轴位置处于0～120mm时，电机扭矩所对应的测量序列的3维示意图；

图5为从图4所示测量序列中提取出的特征频带75～79Hz内的扭矩分量示意图；

图6为将图5所示特征频带75～79Hz内的扭矩分量作为特征量，得到的特征量的趋势的示意图；

图7为本发明方法实施例中不同原语的示意图；

图8为本发明方法实施例中原始的电机扭矩信号示意图；

图9为图8所示电机扭矩信号的整体演变趋势示意图；

图10为图8所示电机扭矩信号的局部演变趋势示意图；

图11为将图9和图10中所示的整体演变趋势以及局部演变趋势用XML进行定性和定量描述后的示意图；

图12为本发明方法实施例中的总体相似度系数计算方式流程图；

图13为本发明机械故障诊断装置实施例的组成结构示意图；

图14为本发明装置实施例中的计算子单元的组成结构示意图。

具体实施方式

针对现有技术中存在的问题，本发明中提出一种全新的机械故障诊断方案。其具体实现包括：首先，采集目标机械设备中用于进行机械故障诊断的m个信号，m为正整数，并对每个信号进行定性和定量趋势分析；然后，分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；最后，判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将该取值最大的总体相似度系数所对应的故障类型确定为目标机械设备所处的故障类型。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图3为本发明机械故障诊断方法实施例的流程图。如图3所示，包括以下步骤：

步骤301：采集目标机械设备中用于进行机械故障诊断的m个信号。

这里所提到的用于进行机械故障诊断的信号可以是指电机电流以及电机扭矩等信号，如何采集为现有技术，不再赘述。其中，m为正整数，其具体取值可根据实际需要而定。

步骤302：对每个信号进行定性和定量趋势分析。

为了更好地完善本发明所述方案，在执行本步骤之前，可先对采集到的每个信号(以下称为原始信号)进行预处理，即进行去噪和/或提取特征量处理。这样处理的好处在于：通常来说，采集到的信号总是会受到噪声的干扰，而且，机械故障特征经常隐藏在原始信号的某些具体分量中，比如，由于存在轴承故障，电机电流将会在某个频率处出现电流分量，并且随着故障的不断恶化，该电流分量的振幅将会逐渐增大，那么在该频率处的电流分量即可作为一个特征量用来表征轴承的故障；相比于去噪后的信号以及与机械故障相关的特征量，如果直接基于原始信号进行定性和定量趋势分析，那么在实现起来会很困难，而且结果也不可靠；所以，对采集到的信号进行一定的预处理，是非常必要的。

由于小波变换是一种可有效用于分析各类型信号的数学工具，并已被证明尤其适用于进行被附加高斯白噪声干扰的未知数据的重建，因此，本发明所述方案中采用基于小波变换的去噪方法，以净化原始信号。

另外，由于特征量对于机械设备的故障更为敏感，也更适用于进行定性和定量趋势分析，所以，本发明所述方案中可进一步从信号中提取出特征量，并基于该特征量进行定性和定量趋势分析。如图4～6所示，其中，图4为本发明方法实施例中当轴位置处于0～120mm时，电机扭矩所对应的测量序列的3维示意图，该测量序列是在双丝杠支撑轴承的条件下得到的，其中，编号为1～4的测量序列对应于轴承状态正常的时候，编号为5～8的测量序列对应于轴承状态异常的时候；图5为从图4所示测量序列中提取出的特征频带75～79Hz内的扭矩分量示意图；图6为将图5所示特征频带75～79Hz内的扭矩分量作为特征量，得到的特征量的趋势的示意图。可以看出，特征量对于机械设备的故障更为敏感。

需要说明的是，在实际应用中，可只对采集到的信号进行去噪处理，也可只对采集到的信号进行特征量提取处理，还可先后进行上述两种处理，即对采集到的信号进行去噪处理后，再从去噪处理后的信号中提取出特征量。总之，具体实现方式不限。另外，基于小波变换的去噪以及特征量提取的具体实现均为现有技术，不再赘述。

本步骤中，通过对每个信号进行定性和定量趋势分析，识别出每个信号的时域演变趋势。这里所提到的时域演变趋势，主要包括两个方面，即整体演变趋势以及一些与机械故障相关的局部演变趋势。其中，整体演变趋势主要表现为上升、下降、稳定以及振荡等趋势；局部演变趋势主要表现为尖峰、步进、阻尼振荡以及跌落等趋势。分析并识别出每个信号的整体演变趋势以及局部演变趋势，并将信号用这两种演变趋势进行描述，将为后续的故障类型识别提供坚实的基础。本步骤的具体实现过程如下：

首先，按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；然后，基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；最后，将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

举例说明：

假设有一信号的时间序列S＝[X₁，X₂，...，X_M]，其中，X₁到X_M表示M个采样点，采用图7所示的不同原语，将该时间序列划分为一系列的连续波段{P₁，P₂，...，P_n}，n表示划分得到的波段总数；并将每个波段P_i通过最小多项式(通常为阶数不大于2的多项式)拟合算法表示为q_i＝β₀+β_1t+β₂t²，t_{Pi_start}＜t≤t_{Pi_end}，其中，t_{Pi_start}表示波段P_i的起始时间，t_{Pi_end}表示波段P_i的结束时间；这样，信号的时域演变趋势T_rs即可被表示为T_rs＝{P₁，P₂，...，P_n}，等同于表示为q₁，q₂，...，q_n。

基于上述表示方式，识别出该信号的整体演变趋势和局部演变趋势。如何进行多项式拟合以及如何进行整体演变趋势和局部演变趋势的识别均为现有技术，不再赘述。

然后，将识别出的整体演变趋势以及局部演变趋势利用可扩展标记语言(XML，Extensible Markup Language)进行定性和定量描述，如下所示：

<Signal qualitative-quantitative representation>

   <Approximation evolution pattern>Ascending(descending，constant or

oscillation)</Approximation evolution pattern>  ---整体演变趋势(上升、

                                                   下降、稳定、振荡)

     <Local level evolution pattern>            ---局部演变趋势

        <Pattern>spike</Pattern>                ---尖峰

           <Temporary information>

              <Start point>40</Start point>     ---起点位置

              <End point>60</End point>         ---终点位置

           </Temporary information>

        <Pattern>...</Pattern>

           <Temporary information>

              <Start point>...</Start point>

            <End point>...</End point>

           </Temporary information>

  </Local level evolution pattern>

  </Signal qualitative-quantitative representation>

可以看出，上述描述方式与传统的描述方式，如字符串描述方式等不同，对信号的时域演进趋势进行了综合性的定性和定量描述，且描述方式非常简洁。当然，此处仅为举例说明，并不用于限制本发明的技术方案，如果采用其它的描述方式，也是可以的。

下面结合附图，进一步说明本步骤的具体实现：

如图8～11所示，其中，图8为本发明方法实施例中原始的电机扭矩信号的示意图；图9为图8所示电机扭矩信号的整体演变趋势示意图，可以看出，为上升趋势；图10为图8所示电机扭矩信号的局部演变趋势示意图，可以看出，为尖峰趋势；图11为将图9和图10中所示的整体演变趋势以及局部演变趋势利用XML进行定性和定量描述后的示意图。

步骤303：分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数。

预先在知识库中，按照以下定性表示方式，保存有不同故障类型及其对应的特征趋势之间的映射关系：

$\mathrm{IF}{S}_1\mathrm{is\; trend}{T}_{r\_s_1\_i}\mathrm{AND}{W}_{1\_i}=0.9$

$S_2\mathrm{is\; trend}{T}_{r\_s_2\_i}\mathrm{AND}{W}_{2\_i}=0.7$

  ...THEN

Fault is F_i

其中，i表示知识库中所保存的故障类型的编号，i＝1、2、...、N，那么相应地，则需要在知识库中保存N种特征趋势，即每种特征趋势对应一种故障类型。

本实施例中所述的知识库需要是可扩展的，即能够随时更新，填加或删除所需的内容。

每种故障类型采用m个信号S_x∈{S₁，S₂，...，S_m}进行描述(所采集的信号个数需要与知识库中保存的每种故障类型所对应的信号个数相等)。

表示当机械设备处于故障类型F_i时，信号S_x所应该表现出来的特征趋势，包括整体演变趋势以及局部演变趋势。

W_xi∈{W_{1_i}，W_{2_i}，...，W_{m_i}}为权重系数，用于表示结论的可信度，也就是说，如果条件

成立，那么机械设备则处于故障类型F_i。

为实际采集到的信号S_x∈{S₁，S₂，..，S_m}的演变趋势与知识库中保存的当故障类型为F_i时，信号S_x所应该表现出来的特征趋势之间的相似度系数。

另外，考虑到为了更准确地确定出目标机械设备当前所处的故障类型，必须对多个信号的演变趋势进行综合性的分析与比较，因此需要计算一个总体相似度系数，以用来反映所有相关的演变趋势比较结果。不同于传统的总体相似度系数计算方法，即只包括一个相似度系数，如

本发明所述方案中提出用一个变量来表征所有的相似度系数，即： ${\mathrm{SC}}_i=\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{SC}}_{x\_i}*W_{x\_i}.$

基于上述介绍，图12为本发明方法实施例中总体相似度系数的计算方式流程图。如图12所示，包括以下步骤：

步骤1201：定义两个参数SC_i和SC_{x_i}，其初始值均赋值为0；将m个信号分别编号为S₁到S_m，并从中选取一个信号S_x，x的初始值为1。

其中，i的取值范围为从1到N。

步骤1202：判断信号S_x的整体演变趋势与知识库中保存的当故障类型为F_i时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则执行步骤1203；否则，执行步骤1204。

步骤1203：SC_{x_i}＝SC_{x_i}+1，然后执行步骤1205。

步骤1204：x＝x+1，然后执行步骤1202。

步骤1205：判断信号S_x的局部演变趋势与知识库中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则执行步骤1206；否则，执行步骤1207。

需要说明的是，如果信号S_x的局部演变趋势包括多种类型，比如既有尖峰又有步进，那么知识库中所保存的局部演变趋势需要与信号S_x的局部演变趋势完全一致才行。

步骤1206：SC_{x_i}＝SC_{x_i}+1，然后执行步骤1207。

步骤1207：SC_{x_i}＝SC_{x_i}×W_{x_i}，SC_i＝SC_i+SC_{x_i}。

假设本实施例中W_{x_i}的取值为0.5。

1208：判断x的取值是否等于m，如果是，结束流程；否则，执行步骤1204。

即判断是否已经处理完所有m个信号，如果是，结束流程，否则，返回步骤1204，即按编号递增顺序选择下一个信号S_x。

步骤304：判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则执行步骤305；否则，结束流程。

按照图12所示方法，计算出分别对应N种故障类型的N个最大相似度系数，并从中选取出取值最大的一个，与预先设定的阈值进行比较，如果取值最大的总体相似度系数大于该预先设定的阈值，则执行步骤305，否则，可认为当前的目标机械设备不存在故障，结束流程。

步骤305：将取值最大的总体相似度系数所对应的故障类型确定为目标机械设备所处的故障类型，结束流程。

比如，取值最大的总体相似度系数为SC₅，那么即可将编号为5的故障类型确定为目标机械设备当前所处的故障类型。

基于上述方法，图13为本发明机械故障诊断装置实施例的组成结构示意图。如图13所示，该装置包括：

信号采集单元1，用于采集目标机械设备中用于进行机械故障诊断的m个信号，m为正整数；

趋势分析单元2，用于对每个信号进行定性和定量趋势分析；

相似度计算单元3，用于分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；

故障确定单元4，用于判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将该取值最大的总体相似度系数所对应的故障类型确定为目标机械设备所处的故障类型。

该装置中进一步包括：

信号预处理单元5，用于对每个信号进行去噪处理，和/或，用于提取每个信号中的特征量；趋势分析单元2对从每个信号中提取出的特征量进行定性和定量趋势分析。

其中，趋势分析单元2中可具体包括：

划分子单元21，用于按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；

识别子单元22，用于基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；

描述子单元23，用于将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

相似度计算单元3中可具体包括：N个计算子单元31；N的取值与故障类型总数相同；

每个计算子单元31分别用于，计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的一种故障类型F_i所对应的特征趋势之间的总体相似度系数，i的取值为从1到N。

其中，每个计算子单元31的组成结构如图14所示：

保存子单元311，用于保存每种故障类型F_i所对应的特征趋势；

定义子单元312，用于定义两个参数SC_i和SC_{x_i}，其初始值均赋值为0，并将m个信号分别编号为S₁到S_m，从中选取一个信号S_x，x的初始值为1；

第一判断子单元313，用于判断信号S_x的整体演变趋势与保存子单元311中保存的当故障类型为F_i时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则通知第一计算子单元314执行自身功能，否则，通知第二计算子单元315执行自身功能；

第一计算子单元314，用于将SC_{x_i}的取值加一，并将相加结果重新赋值给SC_{x_i}，然后通知第二判断子单元316执行自身功能；

第二计算子单元315，用于将x的取值加一，并将相加结果重新赋值给x，然后通知第一判断子单元313执行自身功能；

第二判断子单元316，用于判断信号S_x的局部演变趋势与保存子单元311中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则将SC_{x_i}的取值加一，并将相加结果重新赋值给SC_{x_i}，然后通知第三计算子单元317执行自身功能，否则，直接通知第三计算子单元317执行自身功能；

第三计算子单元317，用于计算SC_{x_i}与预先定于的权重系数W_{x_i}的乘积，将计算结果重新赋值给SC_{x_i}；并计算重新赋值后的SC_{x_i}与SC_i相加之和，将相加结果重新赋值给SC_i；

第三判断子单元318，用于判断x的取值是否等于m，如果是，结束处理；否则，通知第二计算子单元315执行自身功能。

图13和14所示装置实施例的具体工作流程请参照方法实施例中的相应说明，此处不再赘述。

总之，采用本发明的技术方案，主要具体以下优势：

1、如果直接基于原始信号进行定性和定量趋势分析，那么在实现起来会很困难，而且结果也不可靠；采用本发明所述方案后，可首先对原始信号进行去噪以及特征量提取等处理，从而使得后续的定性和定量趋势分析更为有效。

2、本发明所述方案中采用整体演变趋势以及局部演变趋势来描述信号的演变情况，从而更加适应信号的时域模式的内在特征，并简化了后续的故障类型识别过程。

3、本发明所述方案在计算总体相似度系数时，综合考虑了所有信号的整体演变趋势以及局部演变趋势，从而提高了本发明所述方案的鲁棒性和准确性。

需要说明的是，上述实施例仅用于举例说明，并不用于限制本发明的技术方案。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种机械故障诊断方法，其特征在于，该方法包括：

采集目标机械设备中用于进行机械故障诊断的m个信号，所述m为正整数，并对每个信号进行定性和定量趋势分析；

分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；

判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将所述取值最大的总体相似度系数对应的故障类型确定为所述目标机械设备所处的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述对每个信号进行定性和定量趋势分析之前，进一步包括：对每个信号进行去噪处理；

所述对每个信号进行定性和定量趋势分析包括：对每个经过去噪处理后的信号进行定性和定量趋势分析。

3.根据权利要求1或2所述的方法，其特征在于，所述对每个信号进行定性和定量趋势分析之前，进一步包括：提取每个信号中的特征量；

所述对每个信号进行定性和定量趋势分析包括：对从每个信号中提取出的特征量进行定性和定量趋势分析。

4.根据权利要求1所述的方法，其特征在于，所述对每个信号进行定性和定量趋势分析包括：

按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；

基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；

将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

5.根据权利要求4所述的方法，其特征在于，所述将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述包括：

将识别出的每个信号的整体演变趋势以及局部演变趋势利用可扩展标记语言XML进行定性和定量描述。

6.根据权利要求4或5所述的方法，其特征在于，所述分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数包括：

针对所述知识库中预先保存的每种故障类型F_i，所述i的取值为从1到N，所述N为故障类型总数，分别执行以下操作：

A、定义两个参数SC_i和SC_{x_i}，其初始值均赋值为0；将所述m个信号分别编号为S₁到S_m，并从中选取一个信号S_x，所述x的初始值为1；

B、判断所述信号S_x的整体演变趋势与所述知识库中保存的当故障类型为F_i时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则执行步骤C；否则，执行步骤D；

C、SC_{x_i}＝SC_{x_i}+1，然后执行步骤E；

D、x＝x+1，并执行步骤B；

E、判断所述信号S_x的局部演变趋势与所述知识库中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则SC_{x_i}＝SC_{x_i}+1，并执行步骤F；否则，直接执行步骤F；

F、SC_{x_i}＝SC_{x_i}×W_{x_i}，SC_i＝SC_i+SC_{x_i}所述W_{x_i}为预先定义的权重系数；

G、判断所述x的取值是否等于m，如果是，结束流程；否则，执行步骤D。

7.根据权利要求6所述的方法，其特征在于，所述W_{x_i}的取值为0.5。

8.一种机械故障诊断装置，其特征在于，该装置包括：

信号采集单元(1)，用于采集目标机械设备中用于进行机械故障诊断的m个信号，所述m为正整数；

趋势分析单元(2)，用于对每个信号进行定性和定量趋势分析；

相似度计算单元(3)，用于分别计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的每种故障类型所对应的特征趋势之间的总体相似度系数；

故障确定单元(4)，用于判断计算出的取值最大的总体相似度系数是否大于预先设定的阈值，如果是，则将所述取值最大的总体相似度系数对应的故障类型确定为所述目标机械设备所处的故障类型。

9.根据权利要求8所述的装置，其特征在于，该装置进一步包括：

信号预处理单元(5)，用于对每个信号进行去噪处理，和/或，用于提取每个信号中的特征量；

所述趋势分析单元(2)对从每个信号中提取出的特征量进行定性和定量趋势分析。

10.根据权利要求8所述的装置，其特征在于，所述趋势分析单元(2)包括：

划分子单元(21)，用于按照预先定义的原语，将每个信号的时间序列划分为一个以上的波段，并将每个波段用多项式进行拟合；

识别子单元(22)，用于基于拟合后的信息，分析并识别出每个信号的整体演变趋势以及局部演变趋势；

描述子单元(23)，用于将识别出的每个信号的整体演变趋势以及局部演变趋势进行定性和定量描述。

11.根据权利要求10所述的装置，其特征在于，所述相似度计算单元(3)包括：N个计算子单元(31)；所述N的取值与知识库中保存的故障类型总数相同；

每个计算子单元(31)分别用于，计算所有m个信号的定性和定量趋势分析结果与知识库中预先保存的一种故障类型F_i所对应的特征趋势之间的总体相似度系数，所述i的取值为从1到N。

12.根据权利要求11所述的装置，其特征在于，所述每个计算子单元(31)中进一步包括：

保存子单元(311)，用于保存每种故障类型F_i所对应的特征趋势；

定义子单元(312)，用于定义两个参数SC_i和SC_{x_i}，其初始值均赋值为0，并将所述m个信号分别编号为S₁到S_m，从中选取一个信号S_x，所述x的初始值为1；

第一判断子单元(313)，用于判断所述信号S_x的整体演变趋势与所述保存子单元(311)中保存的当故障类型为F_i时，信号S_x所应该表现出的整体演变趋势是否一致，如果是，则通知第一计算子单元(314)执行自身功能，否则，通知第二计算子单元(315)执行自身功能；

所述第一计算子单元(314)，用于将所述SC_{x_i}的取值加一，并将相加结果重新赋值给所述SC_{x_i}，然后通知第二判断子单元(316)执行自身功能；

所述第二计算子单元(315)，用于将所述x的取值加一，并将相加结果重新赋值给所述x，然后通知所述第一判断子单元(313)执行自身功能；

所述第二判断子单元(316)，用于判断所述信号S_x的局部演变趋势与所述保存子单元(311)中保存的当故障类型为F_i时，信号S_x所应该表现出的局部演变趋势是否一致，如果是，则将SC_{x_i}的取值加一，并将相加结果重新赋值给SC_{x_i}，然后通知第三计算子单元(317)执行自身功能，否则，直接通知所述第三计算子单元(317)执行自身功能；

所述第三计算子单元(317)，用于计算所述SC_{x_i}与预先定于的权重系数W_{x_i}的乘积，将计算结果重新赋值给所述SC_{x_i}；并计算重新赋值后的SC_{x_i}与所述SC_i相加之和，将相加结果重新赋值给所述SC_i；

所述第三判断子单元(318)，用于判断所述x的取值是否等于m，如果是，结束处理；否则，通知所述第二计算子单元(315)执行自身功能。

Images