CN102054179A - 一种旋转机械在线状态监测与故障诊断装置及方法 - Google Patents

Abstract

本发明涉及一种旋转机械在线状态监测与故障诊断装置及方法。该装置包含数据采集装置101、特征提取装置102、数据管理装置103、显示装置106以及鼠标、键盘等用户进行参数设置与设备管理的装置107、多模型检测器训练装置104、多模型故障诊断装置105。该方法包括以下步骤：用数据采集装置采集信号；存储信号，并用标准特征数组提取装置提取信号的特征；用识别用检测器的训练装置训练检测器；采用训练好的混合模型检测器进行识别；输出并记录识别结果。本发明可在线诊断轴偏心，轴承偏心，滚动体磨损等常见旋转机械故障，具有自动化程度高、可识别故障类型多、可实现早期诊断以及故障数据库扩展性好等优点。

Description

一种旋转机械在线状态监测与故障诊断装置及方法

技术领域

本发明涉及一种旋转机械在线状态监测与故障诊断装置及方法，特别是涉及大型旋转机械设备、关键设备的智能在线状态监测与诊断装置及方法。

背景技术

随着科学技术的不断进步，尤其是系统集成化的趋势，很多机械设备如发电机、汽轮机等越来越大型化、高速化、复杂化，设备对安全性、自动化方面的要求也越来越高。一些关键部件，比如高速旋转的轴、轴承等一旦发生故障，不仅需承担更换设备本身的费用，更为重要的是还会导致整个连续生产流程的中断，造成停产等重大的经济损失甚至危害工作人员的人身安全。而关键设备的监测已经被证明是一种有效避免重大事故的方法。

传统的监测方法最初是采用二次仪表进行监测，这种方法只能在故障规律简单清晰的条件下有效，而随着设备的复杂化已经难以满足诊断的需求，尤其是难以实现故障的早期诊断与预防。其后逐步采用以计算机为采集分析核心的状态监测与故障诊断系统。在国外，相关的技术在近20年得到日益广泛的应用，比如：本特利公司的系列产品，西屋公司的PDS系统，丹麦的ROVSINGDynamics系统以及日本三菱的MHM系统等。其中美国的技术开发最早，技术最为先进。在国内，也有一批旋转机械在线监测与故障诊断系统投入运行，比如：哈工大以模糊数学理论为基础的MMMD系统，郑州大学的MMSD2000系统，北京英华达公司的EN8000系统以及西北工业大学的MD3905系统等。这些系统大多提供轴振、轴位移、轴承温度等监测信息，并提供波形图、频谱图、轴心轨迹图、伯德图等分析功能，其故障诊断主要采用的是故障树专家系统或者神经网络等。而随着计算机技术的提高，对信号进行分析和诊断的方法日益多样和复杂，所以如何建立有效的状态监测与诊断方法，进一步提高诊断的准确性、智能化成为现代状态监测与故障诊断系统的核心技术。

发明内容

本发明的一个目的是为了提供一种旋转机械新型有效的状态监测与故障诊断装置，该装置是一种便携式快速诊断设备，所有功能均集中在一台便携机上，适用于故障诊断相关专业研究人员进行快速诊断或初步诊断。该装置包含一个数据采集装置101、一个特征提取装置102、一个数据管理装置103、一个显示装置106以及鼠标、键盘等用户进行参数设置与设备管理的装置107，还包含一个多模型检测器训练装置104、一个多模型故障诊断装置105。

所述的多模型检测器训练装置(104)还包含：

一个隐马尔可夫模型训练装置(301)，用于实现混合模型隐马尔可夫模型部分的自聚类训练；

一个支持向量机训练装置(302)，用于实现混合模型支持向量机部分的一对一训练；

一个混合模型评估装置(303)，用于评估训练得到的混合模型的性能并给出训练指导参数。

所述的混合模型评估装置(303)还包含一个评估控制与数据存储装置，(501)一个隐马尔可夫模型评估装置(502)，一个支持向量机评估装置(503)。

所述的多模型诊断故障装置(105)首先通过比对各故障HMM最大似然率获得HMM可能故障数组；然后利用HMM可能故障数组激活相应的SVMs进行精确诊断。

所述的比对各故障HMM最大似然率时采用如下公式对似然率做标量化：标量值＝1-(l_max-似然率)/σ。

所述的隐马尔可夫模型评估装置通过输出参数：HMM模型似然率、HMM识别率以及HMM模型评价指标评估隐马尔可夫模型的诊断性能；

所述的支持向量机评估装置通过输出参数：SVM得票数组、SVM模型的识别率、HMM-SVM混合模型得票数组、HMM-SVM混合模型的识别率评估支持向量机及混合模型的诊断性能。

本发明另一目的旨在提供一种旋转机械状态监测与故障诊断方法，包括下列步骤：

(1)数据采集，用数据采集装置采集旋转部件如轴、轴承等的振动、位移以及温度等信号；

(2)存储信号，并用标准特征数组提取装置提取信号的特征，特征提取的方式包括歪度、冲击指标、波形指标、裕度指标、峭度指标、自相关系数等信号时域特征也包括特征频率、二倍频、三倍频、用户自定义频率的最大振幅与频率偏移以及能量等。由以上特征构成的数组作为标准特征数组，存储于标准特征数组存储空间。典型故障的样本随机存入故障样本数据库或检测器快速评估库。检测器快速评估库与故障样本库数据不重复且存入评估库数据的概率通常＜20％。

(3)用识别用检测器的训练装置训练检测器。其过程分为以下三个过程：

(3-1)隐马尔可夫模型部分的训练过程，隐马尔可夫模型的训练采用集数据聚类与模型训练于一体的训练方法，通过参数σ将一类故障样本划分为一组簇族，再分别训练对应的隐马尔可夫模型，从而避免同一故障多种表现形式对诊断带来的影响。

(3-2)支持向量机部分的训练过程，支持向量机的训练首先调用涉及设备故障样本库中所有故障对应的数据，然后再采用一对一策略进行训练。一对一策略可以根据评估结果针对性训练不合格的少量支持向量机而避免对其他故障的识别结果造成大范围影响。

(3-3)隐马尔可夫模型-支持向量机混和模型的整体训练过程，该混合模型的训练主要是通过评估针对性增强混合模型中隐马尔可夫模型或者支持向量机的分类性能。首先随机抽取评估库数据评估隐马尔科夫-支持向量机混合模型的性能。当某部分识别性能不符合要求时，判断误别错误发生于隐马尔可夫模型部分还是支持向量机部分，并根据统计结果重新训练对应的隐马尔可夫模型或支持向量机，直到评估结果符合要求。

(4)采用训练好的混合模型检测器进行识别。将在线采集到的传感器信号用标准特征数组提取装置提取信号的标准特征数组。采用隐马尔可夫模型对该标准特征数组进行第一层识别：将选定比率的似然率最大的隐马尔可夫模型对应的故障作为疑似故障并输出疑似故障编号构成的疑似故障数组。根据疑似故障数组调用对应的支持向量机，采用投票表决的方式进行二次精确划分。得票最高的故障状态即为识别结果。

(5)输出并记录识别结果及得票前几位的支持向量机对应的故障状态的得票率和隐马尔可夫模型似然率供用户使用。

运用隐马尔科夫模型——支持向量机混合模型的智能诊断技术，应对日益提高的大型旋转机械日常维护和诊断的需求。在混合模型中，隐马尔科夫模型主要利用其动态建模能力强的优势进行故障范围的快速划定，而支持向量机则主要利用其分类能力强的优势进行故障的精确识别。

本发明与现有技术相比，具有如下优势和有益结果：

(1)本发明采用隐马尔科夫模型——支持向量机混合模型进行诊断，识别结果的准确性与可靠性较高，且优于采用单一模型；

(2)本发明采用的隐马尔科夫模型——支持向量机混合模型功能清晰，训练方法简单有效，系统维护方便，且具备学习能力；

(3)本分明采用的隐马尔科夫模型——支持向量机混合模型诊断方式是一种新的智能诊断方式，丰富了状态监测与故障诊断方法；

(4)本发明的检测器库非常便于扩展，在数据库中添加新故障检测器时可方便的继承原有检测器，与神经网络等方法相比更适合大规模以及长期的工业应用；

(5)本发明混合模型识别时仅激活部分SVMs，避免了原有支持向量机系统当故障种类多时需计算SVM的数量过大的问题，提高了系统的在线监测与故障诊断性能；

(6)本发明建立的在线状态监测与故障诊断方法可以在传统方法相比难以生效的复杂环境下应用，可实现多故障、复杂故障的诊断以及故障早期诊断与预警的功能。

附图说明

图1为本发明的旋转机械在线监测与故障诊断装置的结构图；

图2为本发明的旋转机械在线监测与故障诊断方法流程图；

图3是多模型检测器训练装置的处理流程；

图4是隐马尔可夫模型训练装置的处理流程图；

图5是混合模型评估装置的结构图；

图6是隐马尔可夫模型评估装置的处理流程图；

图7是支持向量机模型评估装置的处理流程图；

图8是多模型故障诊断装置的处理流程图；

图9是采用两台计算机的在线监测与故障诊断实施例图；

图10是采用多诊断子系统进行在线监测与故障诊断的实施例图。

具体实施方式

下面结合附图及实施方案对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1表明本发明一种在线监测与故障诊断装置结构。该装置是一种便携式快速诊断设备，所有功能均集中在一台便携机上，适用于故障诊断相关专业研究人员进行快速诊断或初步诊断。装置包含一个数据采集装置101、一个特征提取装置102、一个数据管理装置103、一个多模型检测器训练装置104、一个多模型故障诊断装置105、一个显示装置106以及鼠标、键盘等用户进行参数设置与设备管理的装置107。便携式快速诊断设备实施例中传感器组110可由用户自行配置。

数据采集装置101根据传感器安装与数据采集方案采集传感器组110的信号(包含同一设备上的传感器1、传感器2、......、传感器n的n个信号)，主要包括旋转部件的各向加速度，端面位移以及温度等信息。

特征提取装置102按照特征提取方案采集一段时间的传感器信号后通过歪度、冲击指标、波形指标、裕度指标、峭度指标、自相关系数等信号时域特征和被诊断设备基频、二倍频、三倍频以及用户自定义频率的最大振幅与频率偏移等提取各通道传感器的时频特征，并作为标准特征数组按照时间顺序存储为标准特征数组0、标准特征数组1、标准特征数2......每一个标准特征数组代表了一段时间内传感器信号的特征。表1是标准特征数组结构的一个例子。便携机的传感器配置通常较少；当传感器较多时，需要人工选择特征或者使用特征融合技术以降低标准特征数组的维数。

表1标准特征数组的结构

103表示的是数据管理装置。在便携机中主要负责管理相关数据，主要包括采集与诊断数据管理，故障样本数据库管理，检测器评估数据库管理以及检测器数据库管理。其中采集与诊断数据管理负责保存当前采集的数据与诊断结果。故障样本数据库和检测器评估数据库都属于对已知典型故障信号的管理，只是一个用于检测器训练，一个用于检测器的评估。其数据包括传感器安装与数据采集方案、特征提取方案以及典型故障样本的原始信号。检测器数据库则主要管理检测器模型参数以及检测器使用参数，同时也保存检测器评估的结果报告。其中使用参数主要继承故障样本的传感器安装与数据采集方案和特征提取方案。在进行在线监测与故障诊断时，必须确保检测器的传感器安装与数据采集方案以及特征提取方案与实际采用的相吻合。

图3表示的是本发明的多模型检测器训练装置104的处理流程。本发明采用的是有导师学习的模式，即在系统诊断一个全新的故障时，首先需要该故障的典型样本数据，然后使用检测器训练装置训练用于识别的检测器；训练后的检测器方可用于诊断。其中训练用故障样本201由数据管理模块103典型故障样本的标准特征数组构成，202的由参数设置抽取一定数量的检测器评估标准特征数组构成。104训练流程如下：

(1)使用隐马尔可夫模型训练装置301训练混合模型检测器中的隐马尔可夫模型组(HMMs)；如评估后重新训练则训练完成后直接跳到步骤3；

(2)使用支持向量机训练装置302训练混合模型检测器中的支持向量机组(SVMs)；

(3)使用混合模型评估装置303评估混合模型检测器，并通过显示装置106显示评估结果；

(4)如果某故障混合模型评估不合格，则由用户根据评估结果中的误识别标记数组判断不合格原因主要由HMMs部分识别时造成还是由于SVMs部分造成。如果原因在于HMMs则跳回步骤1重新训练该故障对应的HMMs，否则跳回步骤2训练该故障对应的SVMs。

(5)如果所有故障的该混合模型检测器通过评估，将训练得到的该混合模型检测器203及对应使用参数保存至数据管理模块103；训练过程完成。

图4说明了本发明隐马尔可夫模型训练装置301的处理流程。其中参数σ，M和c为预先设置参数，且0＜c＜1，M为整数；N为需要训练的故障总数。训练装置301集数据聚类与模型训练于一体，通过σ将一类故障样本划分为一组簇族。其中隐马尔可夫模型标准训练装置401采用隐马尔可夫模型的标准训练算法，如可采用Jong Min Lee，Seung-Jong Kim等在《Diagnosis of mechanical faultsignal using continuous hidden Markov model》，Journal of Sound and Vibration，2004，276：1065-1080中描述的Baum-Welch算法，但并不局限于Baum-Welch算法；也可采用MMI，MER，GPD等隐马尔可夫模型的训练算法调整隐马尔可夫模型的参数使得其对训练样本的似然率最大。似然率计算装置402可采用如Daniel Ray Upper在博士论文《Theory and Algorithms for HiddenMarkov Models and Generalized Hidden Markov Models》中描述的Viterbi算法，也可采用前向——后向算法。

隐马尔可夫模型训练装置301的处理流程如下：

(1)故障编号i＝0；

(2)将故障i的标准特征数组样本作为簇C_i0；

(3)簇编号j＝0；

(4)采用隐马尔可夫模型标准训练装置401训练簇C_ij获得对应的HMM_ij；

(5)使用似然率计算装置402计算C_ij每个样本f_k与HMM_ij的对数似然率l_ijk；

(6)计算簇C_ij所有样本对数似然率的最大值l_max和最小值l_min；

(7)如果l_max-l_min＜σ，则执行步骤8；否则执行步骤9；

(8)判断下一个簇C_i，j+1是否为空；如果簇C_i，j+1为空，则执行步骤11；如果簇C_i，j+1不为空则j＝j+1，执行步骤4；

(9)将所有对数似然率＜l_max-σ的样本从C_ij划归到簇C_i，j+1；

(10)执行σ控制策略装置403；如果C_ij和C_i，j+1中的样本个数都大于预设值M则认为本次簇划分成功，转到步骤4，依据新划分重新训练HMM_ij；如果C_ij和C_i，j+1中的样本个数不都大于预设值M则认为本次簇划分不成功，通过4031，4032调整σ数值后转到步骤2重新开始簇划分；

(11)如果i＝N-1，即所有故障都已完成训练，则转到步骤12；否则i＝i+1，执行步骤2，训练下一个故障；

(12)输出所有故障样本的簇划分方式、与该划分方式对应的隐马尔可夫模型及模型对应的参数σ；训练完成。

当需要去除故障样本中个别离群点时，可将处理流程8的条件“判断下一个簇C_i，j+1是否为空”改为“判断下一个簇C_i，j+1中的样本个数是否小于O_gp”，O_gp为预设正整数值，且O_gp＜M。

步骤4031，4032仅通过调整σ值的大小使得簇划分更合理，这种调整途径并不受4031，4032的限制。

为了避免σ参数自动调整出现死循环，当某类故障进行簇划分时，如果第二次执行到4031，将退出划分并提示用户更改预设值σ和M或O_gp后重新划分。

支持向量机训练装置302采用一划一方法，训练算法采用如Rong-En Fan，Pai-Hsuen Chen，Chih-Jen Lin在《Working set selection using second order information for training Support Vector Machine》，Journal of Machine Learning Research，6：1889-1918中描述的SMO算法。训练结束后共得到支持向量机分类器N(N+1)/2个。

图5说明了混合模型评估装置303的结构。混合模型评估装置303的处理流程如下：

(1)读取隐马尔可夫模型训练装置301和支持向量机训练装置302的训练结果和相关信息，保存至评估控制与数据存储装置501；

(2)从数据管理装置103读取检测器评估样本202，保存至评估控制与数据存储装置501；此处的读取可以是全部读取也可以是按照某种比例抽取；

(3)将评估样本、训练得到的隐马尔可夫模型组(HMMs)、训练参数传入HMM模型评估装置502，使用隐马尔可夫模型评估装置502评估HMMs的性能；

(4)读取HMMs性能评估结果；

(5)将HMMs性能评估结果、训练得到的支持向量机传入支持向量机评估装置503，使用支持向量机评估装置503评估支持向量机以及混合模型检测器的性能；

(6)读取混合模型检测器的性能评估结果并通过显示装置106显示；

(7)所有故障对应混合模型检测器评估合格转到步骤9，否则转到步骤8；

(8)根据性能评估结果，如果某故障混合模型的识别率小于预设值R_min，则读取评估结果中对应误识别标记数组，指导用户使用隐马尔可夫模型训练装置301或者支持向量机训练装置302重新训练；训练完成后跳至步骤1对新训练的混合模型进行评估；

(9)将故障样本的簇划分方式与混合模型检测器发送至数据管理装置103保存；评估结束。

表2说明了评估控制与数据存储装置501的数据存储格式，数据格式分为三部分：簇分类信息，检测器参数和评估结果。该数据格式与数据管理装置103相关数据格式是相同的。

表2评估控制与数据存储装置的数据存储格式

图6说明了隐马尔可夫模型评估装置502的处理流程。隐马尔可夫模型评估装置的处理流程如下：

(1)在步S6-1中，从评估控制与数据存储装置501读取需评测的隐马尔可夫模型组(HMMs)和检测器评估样本；

(2)在步S6-2中，使用隐马尔可夫模型的似然率计算装置402计算第i个HMM和第j个评估样本的似然率l^* _ij；其中i＝0，1，2，...，N-1；j＝0，1，2，...，M-1；N为HMM的总个数，M为评估样本的总个数；并将l^* _ij按如下方式标量化至l_ij：l_ij＝1-(l_maxi-l^* _ij)/σ_i；即将l^* _ij从区间[l_maxi，l_maxi-σ_i]映射到区间[1，0]；

(3)由隐马尔可夫模型训练装置301的处理流程可知，所有HMM_i，i＝0，1，2，...，N-1被划分为一组集合{C_k}，k＝0，1，2，...，K-1；K为涉及故障的总数；在步S6-3中，计算评估样本j的k故障似然率值L_kj如下：

并将L_kj按大小排序；

(4)在步S6-4中，依据筛选比例参数p(0＜p＜1)按比率将评估样本j的前p×K个L_kj对应的故障编号保存至HMM可能故障数组P_j；

(5)在步S6-5中，将P_j的第一位数据P_j0即似然率最大的模型对应的故障编号与第j个评估样本的实际故障编号比对，如相同则识别结果正确；统计第k组HMM识别所有评估样本的结果，即可得到HMM识别率R_k；

(6)在步S6-6中，计算隐马尔可夫模型的评价指标RI_i，其计算方法如下：令累加器Sum＝0；遍历所有l_ij(j＝0，1，2，...，M-1)；如果样本j的实际故障与HMM_i对应的故障相同且不等于P_j0，则Sum＝Sum+1；如果样本j的实际故障与HMM_i对应的故障不同且l_ij＞0，则Sum＝Sum+1；所有l_ij遍历后可得RI_i＝(M-Sum)/M；

(7)在步S6-7中，输出似然率l^* _ij、HMM可能故障数组P_j、HMM识别率R_k以及HMM模型评价指标RI_i至评估控制与数据存储装置501；HMM评估流程结束。

本发明中的HMM模型每一类故障都按训练时的聚类算法训练出一组模型用于识别；这些模型是共同起作用的，并不能单独使用。评估装置502输出的R_k(k＝0，1，2，...，K-1)反映了这一组模型的整体识别能力而模型评价指标RI_i(i＝0，1，2，...，N-1)反映的是单个HMM的识别性能。该指标可有效指导用户对故障HMM模型组的针对性改进。

图7说明了SVM模型评估装置503的处理流程，混合模型的性能也在该装置上评估。SVM模型评估装置503的处理流程如下：

(1)在步S7-1中，从评估控制与数据存储装置501读取需评测的支持向量机组(HMMs)、HMM可能故障数组P和检测器评估样本；

(2)在步S7-2中，使用投票表决的方式计算评估样本m各故障的得票率。其中m＝0，1，2，...，M-1；M为评估样本的总个数；过程如下：

(2-1)清空得票数组V_mk；k＝0，1，2，...，K-1；K为涉及故障的总数；

(2-2)使用SVM_ij(i＝0，1，2，...，K-2；j＝i，i+1，...，K-1；)对评估样本m进行分类，计算其决策函数输出f_ijm；

(2-3)如果f_ijm≥0，则V_mi＝V_mi+1；否则V_mj＝V_mj+1；

(2-4)遍历所有SVM，得到的数组V_m为评估样本m各故障的最终得票

(3)在步S7-3中，计算V_m中最大值对应的位数；根据投票表决的原理，V_m中得票最多的故障就是SVM模型的诊断结果；如果多个故障得票相同，则取对应HMM可能故障数组P_m中排位在前的故障为诊断出的故障；将评估样本m诊断结果与实际故障类型对比，计算SVM模型的识别率；

(4)在步S7-4中，依据HMM可能故障数组P_m重新统计各故障的得票率，其步骤如下：

(4-1)清空得票数组V^* _mk；k＝0，1，2，...，K-1；K为涉及故障的总数；

(4-2)激活SVM_ij(i，j均属于P_m且i＜j)对评估样本m进行分类，计算其决策函数输出f_ijm；

(4-3)如果f_ijm≥0，则V^* _mi＝V_mi+1；否则V^* _mj＝V_mj+1；

(4-4)遍历所有符合要求的SVMs，得到的数组V^* _m为评估样本m各故障的混合模型的最终得票

该过程也可与S7-2同步进行，只需在步骤2-3后再次判断i，j是否均属于P_m即可；

(5)在步S7-5中，计算V^* _m中最大值对应的位数；得票最多的故障就是HMM-SVM混合模型的诊断结果；如果多个故障得票相同，则取对应HMM可能故障数组P_m中排位在前的故障为最终诊断出的故障；将评估样本m诊断结果与实际故障类型对比，计算HMM-SVM混合模型的识别率；当评估样本m的诊断结果有误时，如评估样本j的实际故障编号未出现在P_j中则标定该样本的错误诊断原因为HMM，否则标定原因为SVM；

(6)在步S7-6中，输出得SVM得票数组V、SVM模型的识别率、HMM-SVM混合模型得票数组V^*、HMM-SVM混合模型的识别率和误识别标记数组。

SVM模型评估装置503输出的评价参数中，HMM-SVM混合模型的识别率是核心指标，系统依据它和用户设置的期望最低识别率R_min来判断各混合模型检测器是否合格；SVM模型评估装置输出的其它评价参数与HMM模型评估装置502输出的评价参数一起都是用于指导用户训练、评估与了解混合模型检测器的，本身在程序中不起决策作用。

图8说明了多模型故障诊断装置105的处理流程。为了实现在线检测，多模型故障诊断装置的处理尽量简单。处理流程如下：

(1)在步S8-1中，从特征提取装置读取需诊断的标准特征数组；

(2)在步S8-2中，使用混合模型中的HMMs计算可能故障数组，其流程如下：

(2-1)计算第i个HMM和当前标准特征数组的似然率l^* _i；其中i＝0，1，2，...，N-1；N为HMM的总个数；并将l^* _i按如下方式标量化至l_i：l_i＝1-(l_maxi-l^* _i)/σ_i；

(2-2)根据HMM_i的划分{C_k}(k＝0，1，2，...，K-1；K为诊断涉及故障的总数)计算故障k似然率值

并将L_k按大小排序；

(2-3)依据筛选比例参数p(0＜p＜1)将、前p×K个L_k对应的故障编号保存至HMM可能故障数组P；

(3)在步S8-3中，激活混合模型中下标ij同时属于HMM可能故障数组P的SVM_ij采用投票表决计算得票数组V；得票最多的故障就是混合模型的诊断结果；如果多个故障得票相同，则取对应HMM可能故障数组P中排位在前的故障为设备当前的故障；

(4)在步S8-4中，将诊断结果与得票数组V发送至显示装置与数据管理装置；

(5)在步S8-5中，判断诊断是否结束；如未结束则跳至步S8-1继续下一时间段的诊断，否则结束诊断。

本实例的显示装置106是指液晶显示屏，在只需进行故障诊断的场合也可以是一组与故障对应的警告灯光指示系统。

本实例新增故障类型时，混合模型中HMM与SVM部分可以相对独立训练。增加可诊断故障类型可按以下流程操作：

(1)使用隐马尔可夫模型训练装置301单独训练新增故障的HMM检测器，将其定义为新检测器组Hnew；

(2)使用支持向量机训练装置302训练N个原有故障与新故障的一对一分类器组；N为原有故障数；

(3)将新检测器组Hnew与N个新SVM分类器添加到原有故障检测器组中，构成新的N+1故障混合模型检测器；由于本发明突出了HMM模型以及一对一SVM之间的独立性，在新增故障与原有故障相关度不高时，只需对原有故障检测器做少量调整；当新增故障与某原有故障相关度很高，如将原有的一个故障划分为2个新故障，通常也只需修改部分原有检测器。

本实例通过学习典型故障样本训练混合模型检测器；通过检测评估样本评估检测器性能。所以训练样本与评估样本的选择十分重要。当评估结果与实际使用效果不符实时，可将新的典型数据标定故障后添加到故障样本数据库与检测器评估数据库，重新训练检测器以达到系统使用中再学习的功能。

本实例实现了数据采集、特征提取尤其是基于隐马尔可夫模型——支持向量机混合模型的训练、评估与识别等一套完备的在线状态监测与故障诊断方法。虽然本实例主要用于旋转机械的在线状态监测与故障诊断，尤其是快速诊断或初步诊断，但是同样也可用于其他类型机械设备的状态监测与故障诊断。

实施例2

图9说明了一种采用两台工控机的基于隐马尔可夫模型——支持向量机混合模型的在线监测与故障诊断实施例。该实例用于单台设备或少量设备的在线监测与故障诊断实施例。其中一台工控机为采集诊断机901，另一台工控机902作为检测器训练机。

采集诊断机901集成数据采集与诊断功能。与实施例1相比，901没有多模型检测器训练装置104。同时901的数据管理装置简化为采集诊断数据管理装置903，仅负责管理检测器和采集与诊断数据。数据采集装置101采集的数据保存在采集诊断机901上。定期或诊断出故障时，通过通讯装置一904与检测器训练机902的通讯装置二907通讯，传输采集与故障诊断数据至检测器训练机902的数据管理装置103进行进一步的离线分析。通讯装置904与907可以是网卡，通过有线或者无线网络传输数据；也可以是优盘、移动硬盘、光盘等数据传输介质。采集诊断机901具有自己的显示装置106，如液晶显示屏、警告灯光指示系统等，以及参数设置与管理装置107，如鼠标、键盘。

检测器训练机902主要负责信号离线分析与混合模型检测器训练功能。与实施例1相比，902没有数据采集装置101、多模型故障诊断装置105以及外接传感器组110。检测器训练机902将通讯装置二907获得的离线数据通过特征提取装置102分析数据特征并生成标准特征数组用于混合模型检测器的训练。检测器训练机902也可提供其他数据离线分析功能，如频谱图、轴心轨迹图、伯德图等。检测器训练机902同样具有自己的显示装置106，如液晶显示屏等可显示图像的装置，以及参数设置与管理装置107，如鼠标、键盘。

该实施例其他结构如实施例1所示。该实施例中检测器训练机902与采集诊断机901可相互独立工作；也可仅有采集诊断机，而由供应商提供故障检测器。同时传感器组110及数据采集与特征提取方案通常也由供应商提供。

实施例3

图10说明了一种使用本发明采用多诊断子系统进行在线监测与故障诊断的实施例。该实例用于多台设备或大型设备的集中在线监测与故障诊断实施例。实例由一台检测器训练机902、一台主控机1001、多台采集诊断分机1003-1005及传感器组1011-1013，通过MAP或TCP/IP总线构成。其中检测器训练机902结构如实施例2所示，采集诊断分机1003-1005的结构与实施例2中的901相同；只是它们的通讯装置需支持总线。主控机1001专门负责诊断结果的集成以及数据库的管理，即实施例1中数据管理装置103功能的强化；也可提供远程设备状态查看等功能。外设1002为在线监测与故障诊断系统的配套设备，如空调、移动硬盘阵列等。

Claims (10)

1.一种旋转机械在线状态监测与故障诊断装置，包含一个数据采集装置(101)、一个特征提取装置(102)、一个数据管理装置(103)、一个显示装置(106)以及用户进行参数设置与设备管理的装置(107)，其特征在于还包含一个多模型检测器训练装置(104)、一个多模型故障诊断装置(105)。

2.根据权利要求1所述的一种在线状态监测与故障诊断装置，其特征在于所述的多模型检测器训练装置(104)还包含：

一个隐马尔可夫模型训练装置(301)，用于实现混合模型隐马尔可夫模型部分的自聚类训练；

一个支持向量机训练装置(302)，用于实现混合模型支持向量机部分的一对一训练；

一个混合模型评估装置(303)，用于评估训练得到的混合模型的性能并给出训练指导参数。

3.根据权利要求1所述的一种在线状态监测与故障诊断装置，其特征在于所述的混合模型评估装置(303)还包含一个评估控制与数据存储装置，(501)一个隐马尔可夫模型评估装置(502)，一个支持向量机评估装置(503)。

4.根据权利要求1或3所述的一种在线状态监测与故障诊断装置，其特征在于所述多模型故障诊断装置(105)首先通过比对各故障HMM最大似然率获得HMM可能故障数组；然后利用HMM可能故障数组激活相应的SVMs进行精确诊断。

5.根据权利要求4所述的一种在线状态监测与故障诊断装置，其特征所述的比对各故障HMM最大似然率，采用如下公式对似然率做标量化：标量值＝1-(l_max-似然率)/σ。

6.根据权利要求3所述的一种在线状态监测与故障诊断装置，其特征在于所述的隐马尔可夫模型评估装置通过输出参数：HMM模型似然率、HMM识别率以及HMM模型评价指标评估隐马尔可夫模型的诊断性能。

7.根据权利要求3所述的一种在线状态监测与故障诊断装置，其特征在于所述的支持向量机评估装置通过输出参数：SVM得票数组、SVM模型的识别率、HMM-SVM混合模型得票数组、HMM-SVM混合模型的识别率评估支持向量机及混合模型的诊断性能。

8.一种旋转机械在线状态监测与故障诊断方法，包括下列步骤：

(1)用数据采集装置采集信号；

(2)存储信号，并用标准特征数组提取装置提取信号的特征；

(3)用识别用检测器的训练装置训练检测器；

(4)采用训练好的隐马尔可夫模型——支持向量机混合模型检测器进行识别；

(5)输出并记录识别结果。

9.根据权利要求8所述的一种旋转机械在线状态监测与故障诊断方法，其特征在于所述步骤(3)用识别用检测器的训练装置训练检测器还包括三个过程：

(3-1)隐马尔可夫模型部分的训练过程，隐马尔可夫模型的训练采用集数据聚类与模型训练于一体的训练方法，通过参数σ将一类故障样本划分为一组簇族，再分别训练对应的隐马尔可夫模型；

(3-2)支持向量机部分的训练过程，支持向量机的训练首先调用涉及设备故障样本库中所有故障对应的数据，然后再采用一对一策略进行训练；

(3-3)支持向量机混和模型的整体训练过程，首先随机抽取评估库数据评估支持向量机混合模型的性能，当某部分识别性能不符合要求时，判断误别错误发生于隐马尔可夫模型部分还是支持向量机部分，并根据统计结果重新训练对应的隐马尔可夫模型或支持向量机，直到评估结果符合要求。

10.根据权利要求8所述的一种旋转机械在线状态监测与故障诊断方法，其特征在于所述步骤(3)隐马尔可夫模型部分的训练过程，通过参数σ调整策略，依据各故障样本隐马尔可夫模型输出似然率，将一类故障样本划分为一组簇族，每簇训练一个隐马尔可夫模型，所有一组模型共同用于识别，用来避免同一故障多种表现形式对诊断带来的影响，隐马尔可夫模型参数中增加记录参数σ与训练时的最大似然率l_max。

Images