CN102564568A - 大型旋转机械复杂工况下的早期故障搜索方法 - Google Patents

Abstract

本发明公开了属于大型旋转设备的运行安全评估技术领域的一种大型旋转机械复杂工况下的早期故障搜索方法，大型旋转机械设备振动故障征兆识别分析、系统振动监测测点布置：输入参数的时间序列分割，实现运行设备振动参数的时间划分算法，对振动参数时间序列进行预处理，其中包括数据的中心化和标准化；构建振动参数时间序列早期故障提取特征因子，对故障与征兆匹配度关联分析、故障分类征兆异常参数分析，实现表征早期故障危险潜在点的时间序列的搜索；提高大型旋转机械设备安全性、可靠性和稳定性，避免了大型旋转机械设备严重故障的发生，提升了能源、钢铁、煤炭、运输等行业的经济效益。

Description

大型旋转机械复杂工况下的早期故障搜索方法

技术领域

本发明大型属于旋转设备的运行安全评估技术领域，特别涉及一种大型旋转机械复杂工况下的早期故障搜索方法，具体说是涉及关于能源、钢铁、煤矿、运输等企业的大型旋转设备总复杂工况下的故障运行信息的深度挖掘，实现早期预防的方法。

背景技术

随着工业的发展和现代科学技术的进步，提高企业运行效益成为各大中型企业管理的重点。能源、钢铁、煤炭等行业在激烈的市场竞争中谋求更好地发展，力求全面提升企业的综合竞争力，其中最重要的手段就是研发或引进具有国际先进化水平的运行设备。

随着中大型企业运行设备结构和功能上的日趋复杂化，企业对设备正常、安全、稳定运行的要求越来越高，在保障设备安全运行方面，若出现故障再进行故障诊断往往为时已晚，因此如何保障大型旋转设备在负荷复杂多变的工况下的安全运行，避免严重的设备运行故障造成巨大经济损失成为企业研究的焦点。

国内外研究现状表明，传感器监测技术、振动分析诊断技术在相关领域内的应用基本实现了大型旋转机械的状态监测与故障诊断，但故障诊断及排除缺乏预见性，具有一定的功能滞后性，无法实现大型旋转机械运行故障的早期趋势分析。另外大型旋转机械运行历程长、工况多变、非平稳性突出，无形的增加了大型旋转机械设备早期故障搜索的难度，传统的无量纲幅域参数是与能量有关的指标，会受到剧烈工况变化的干扰，或者因为能量变化不明显而失去故障特征量的意义。在这个背景下，需要构建新的故障信息分析因子来实现大型旋转设备运行早期故障的定性和定量分析，并通过特定的数据处理方法实现故障信息的量化分析，从海量的设备监测振动信号中搜索具有异常趋势的时间序列，为后期设备故障的预警及诊断提供依据。

发明内容

本发明的目的是提供在复杂多变、非稳定的工况下运行的一种大型旋转机械复杂工况下的早期故障搜索方法，其特征在于，具体实施步骤如下：

(1)大型旋转机械设备振动故障征兆识别分析，即研究常见设备频发振动故障征兆特征与振动参数异常波形特点，形成大型旋转机械设备常见故障模式征兆分类表；

(2)输入参数的初始化处理，即输入参数的时间序列分割，结合匹配参数的物理特性采取不同的时间序列划分原则，实现运行设备振动参数的时间划分算法；

(3)振动参数无量纲特征因子定性化、定量化分析，分析比较构建的振动参数特征因子与传统时域特征值的区别，深入研究特征因子随着故障信息发展的走势及变化特征，阐述特征因子物理意义，形成设备常见故障模式征兆与相应故障提取因子匹配；

(4)无量纲特征因子的计算、中心化及标准化，首先实现振动参数时间子序列的特征因子计算，为了减少不同性质、度量单位特征因子的相对影响，避免绝对值较小因子被湮灭，对时间子序列特征因子进行中心化和标准化，使各因子具有相同的评价基点和变化范围；

(5)特征因子异常边界的界定，即在上述输入初始处理基础上，从设备运行监控历史数据库中提取一定训练空间的监测参数数据序列，通过特定的训练算法得到判定特征因子边界标准，作为监测参数异常搜索的准则；

(6)时间子序列多维属性因子向量的异常序列搜索，选取p个特征因子描述n个振动参数时间子序列，通过p维属性向量反映n个时间子序列的性质，挖掘异常时间子序列，找出大型旋转机械运行的潜在故障危险点。

所述大型旋转机械包括能源、钢铁、煤炭和运输行业内的大型旋转机械，具体包括火力发电机机组传动系统，风力发电机组传动系统，飞机，火车，轮船以及煤炭和地铁的挖掘机。

所述风力发电机组传动系统在变风速、变载荷工况下的早期故障搜索过程包括如下步骤：

1)风力发电机组传动系统振动监测测点布置：(1)监测风电机组主轴前轴承径向振动，(2)风电机组增速箱前轴承径向振动，(3)增速箱一级传动级箱体振动，(4)增速箱二级传动级箱体振动和(5)表示增速箱高速级箱体振动；以该5个传感器采集数据参数得到频发振动故障征兆特征与振动参数异常波形特点，形成风电机组传动系统早期故障特征频率信息识别表；

2)以风电机组传动系统监测布置方案3号传感器采集的增速箱一级传动级箱体振动的振动参数λ为研究参数，设置振动参数X_λ的时间序列X_λ＝{x_λ(t₁)，x_λ(t₂)，....，x_λ(t_n)}的维度n，振动参数时间序列维度表示时间序列X_λ在采集时间段内包含的信号数据个数，对于时间序列维度n充分考虑算法以及参数数据采样粒度，结合风电机组运行工况中风速相关因素的变化情况，则通过计算列出振动参数时间序列维度n＝t/t_s，对振动监测参数进行基于整周期或整周期倍数的时间子序列划分，根据振动参数时间序列的初步划分进行整周期分割优化，将记录值为零点的数据点作为起始点有利于算法的实现；

3)在对时间序列数据进行算法运算前，需要对振动参数时间序列进行预处理，其中包括数据的中心化和标准化。

特征因子时间序列的中心化公式为：

y_k(j)表示k类特征因子下h维时间子序列，y_k(i)表示编号为i的时间子序列的k类特征因子的记录值，y′_k(i)表示中心化后的特征因子值，经过中心化后各变量的均值将为0，即各变量的取值都有相同的基点；

标准化为了实现特征因子的变化范围统一化，采用极差正规化实现特征因子时间序列的标准化，则特征因子时间序列y′_k(i)的标准化公式为

经过标准化变换后各变量基点相同，变化范围也相等，其得到经过中心化、标准化的特征因子时间序列为：y″_k(i)＝{y″_k(1)，y″_k(2).......y″_k(h)}；

4)构建振动参数时间序列早期故障提取特征因子，由于风电机组传动系统的早期故障主要体现为工频或倍频和频率调制两方面，所以其早期故障提取因子关联匹配分类主要分为故障模式和频率特征两种，故障模式的典型特征选取其较为敏感的特征因子作为每种故障模式特有的故障信息提取因素，风电机组传动系统早期故障提取因素为振动参数整周期时间划分和早期故障模式与早期故障信息提取因子的关联匹配；对故障与征兆匹配度关联分析、故障分类征兆异常参数分析，实现表征早期故障危险潜在点的时间序列的搜索。

本发明的有益效果是能够针对当前能源、钢铁、煤炭、运输等行业内的大型旋转机械在复杂工况运行下的早期故障趋势搜索问题，解决在强干扰、多噪音下非平稳振动信号的早期故障无法提取的难题，该发明实现了变工况条件下的大型旋转机械早期故障搜索，提高了借助振动参数分析挖掘设备早期故障的精确度，及时的发现设备运行的潜在故障危险点，便于采取故障的预防性措施。本发明为大型旋转机械的状态监测与故障预警系统的功能实现提供可靠性较高的理论依据，提高大型旋转机械设备在复杂运行条件下早期故障预警功能的精度，增强大型旋转机械设备的安全性、可靠性和稳定性，避免了大型旋转机械设备严重故障的发生，提升了能源、钢铁、煤炭、运输等行业的经济效益。

附图说明

图1为风力发电机组传动系统的早期故障搜索步骤示意图。

图2为风电机组传动系统振动监测测点布置图。

图3为风电机组传动系统振动参数时间划分流程示意图。

图4为风电机组传动系统振动参数早期故障提取因子及故障、特征因子匹配研究流程图。

图5为振动参数特征因子聚类的风电机组传动系统早期故障潜在危险的搜索流程图。

具体实施方式

本发明一种大型旋转机械复杂工况下的早期故障搜索方法。下面结合附图对本发明予以说明。

大型旋转机械的振动参数数据实质上是设备振动记录值随运行时间变化的有序时间序列，设备运行状况的变化势必会引起振动记录值与时间变量的相应变动，设备运行工况的变化或潜在故障的发生均会引起参数变动。实际背景下，绝大多数大型旋转机械的运行时伴随着环境、转速、温度、压力等因素的变化运行的，我们在挖掘潜在运行故障时，需要排除设备监测参数因外界因素变化造成异变的干扰，影响大型旋转机械早期故障的提取的精度。本发明旨在解决变负荷条件下运行的大型旋转机械的早期故障搜索问题，需要构建适合变负荷背景下的振动信号特征因子，通过研究故障模式异常变动与特征因子的匹配，体现发明中构建特征因子的优势。采用聚类分析处理设备运行的振动信号，挖掘复杂工况下设备运行的潜在故障危险点，具体流程如图1所示。具体实施步骤如下：

步骤1，掌握所研究大型旋转机械的振动监测方案，风力发电机组传动系统振动监测测点布置图参见图2，图中1表示监测风电机组主轴前轴承径向振动、2表示风电机组增速箱前轴承径向振动、3表示增速箱一级传动级箱体振动、4表示增速箱二级传动级箱体振动、5表示增速箱高速级箱体振动。积累风力发电机组传动系统的常见故障模式，研究风电机组传动系统各部件运行时的工作频率及故障条件下的异常频率变化情况，形成风电机组传动系统早期故障特征频率信息识别表，如表1所示。特征频率信息识别表的分析是为了深入了解故障振动参数异常变化的特征，为寻找相匹配的参数特征因子作准备。

表1风电机组传动系统早期故障特征频率信息识别表

步骤2，以风电机组传动系统监测布置方案3号传感器采集的增速箱一级传动级箱体振动的振动参数λ为研究参数，设置振动参数X_λ的时间序列X_λ＝{x_λ(t₁)，x_λ(t₂)，....，x_λ(t_n)}的维度n，振动参数时间序列维度表示时间序列X_λ在采集时间段内包含的信号数据个数，与样本时间和采样频率有关；t_i表示时间序列中按时间顺序排序的记录时刻；x(t_i)则表示振动参数λ在时刻t_i对应的参数信号记录值。对于时间序列维度n充分考虑算法以及参数数据采样粒度，根据监测或预警期望感应时进行设置，结合风电机组运行工况中风速等相关因素的变化情况，建议采用1-5分钟内的采集数据点为宜。假设案例中振动参数样本采集时间为t，振动参数采样周期为t_s，则通过计算列出振动参数时间序列维度n＝t/t_s，即振动参数数据样本中的数据点数已确定。对振动监测参数进行基于整周期或整周期倍数的时间子序列划分，将记录值为零点的数据点作为起始点有利于算法的实现，搜索距离时间零点最近的记录值零点，将其设置为t₁点且存在x_λ(t₁)＝0，实现了早期故障搜索时间序列的初始点置零，因记录值置零舍去的数据点个数为n′。设置检测窗口的宽度为m，m表示振动参数子序列中包含的数据点个数，对振动参数进行初始划分，则经过初始划分后的振动参数X_λ可以表示为：

记为：

X_λm＝{[x(t₁)，x(t_m)]，[x(t_m)，x(t_2m)]，L，[x(t_em)，x(t_(e+1)m)]，L，[L，x(t_n)]}_λ

    ＝{X_m(1)，X_m(2)，L，X_m(i)，L，X_m(h)}_λ

其中，h为由窗口宽度m确定的检测窗口数，其计算公式为h＝int[(n-n′)/m]。

对于检测窗口宽度m的确定，要结合设备运行工况及信号采集数据的参数，针对案例风电机组传动系统监测特点及风电机组的运行工况，长时间对大量的实验分析表明：实验时间段在风速的作用下，如果风轮平均转速在额定转速下运行时，此时传动系统在工况作用下，振动数据变化较为平缓，此时m值在9-11之间取值效果比较理想；反之，当风轮平均转速高于额定转速时，序列数据间变化比较陡峭的数据集，则m值取5-7之间为宜。监测参数划分窗口宽度m的选取要结合不同的大型旋转机械，不同的现场运行工况进行针对性的选择。

步骤3根据振动参数时间序列的初步划分进行整周期分割优化，采用计算划分子序列的记录值零点个数的方法实现整周期分割优化，对振动时域信号来讲，理论上振动记录值平均值

即振动信号是基于零点坐标轴上下波动的，可以通过控制划分后的序列{X_m(1)，X_m(2)，LL，X_m(h)}_λ中分量的零点个数实现整周期划分，其子序列零点个数用

表示，j表示子序列的编号，则划分原则逻辑表达为：if

n＝1，2，3......，then sign(m)＝1，即初始划分满足整周期划分的要求；if

then sign(m)＝0，初划分不满足整周期划分要求，需重新选取合适的窗口宽度m，直到m的设置满足时间子序列整周期划分原则(计算窗口时间序列零点个数时，时间序列末尾零点属于上游时间序列零点)，振动参数时间序列划分流程参见附图4。

步骤4构建振动参数时间序列早期故障提取特征因子，特征因子的选取原则：首先是特征因子本身对故障造成的振动参数变化具有一定的敏感性，即特征因子在故障发生初期甚至故障发生之前就开始具有一定的异常变动；其次选取的特征因子避免工况负荷变化所产生的干扰，即特征因子本身对由于外界环境变化造成的能量变化不敏感。本发明中构建的五个早期故障提取特征因子为时域波形裕度因子CL_λ、时域波形偏态因子SK_λ、波形重复性因子R_λ、波形相似性因子F_λ、波形跳跃性因子J_λ。

依然以风电机组传动系统监测布置方案3号传感器采集的振动参数λ为研究参数，其振动参数时间序列为X_λ＝{x_λ(t₁)，x_λ(t₂)，....，x_λ(t_n)}，经过时间序列整周期划分后序列为X_λm＝{x_λm(1)，x_λm(2)，L，x_λm(i)，L，x_λm(h)}。

时域波形裕度因子CL_λ、时域波形偏态因子SK_λ：数学形态谱可以从形状识别角度，明显的反映振动信息内隐藏的微小变化，因此可用于早期故障提取的特征量。经反复实验研究，时域、形态谱的波形裕度CL_λ与偏态因子SK_λ的发展趋势能较好地反映大型旋转设备的故障趋势。其计算公式如下：

波形裕度因子 ${\mathrm{CL}}_{\mathrm{\λ}}=\max \left[x_{\mathrm{\λm}}\left(i\right)\right]/{\left[\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{\left|x_{\mathrm{\λm}}{\left(i\right)}_j\right|}\right]}^2$

波形偏态因子 $S{K}_{\mathrm{\λ}}=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{{\left[x_{\mathrm{\λm}}\left(i\right)\right]}_j}^2/{\left[\sqrt{\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{{\left[x_{\mathrm{\λm}}\left(i\right)\right]}_j}^2}\right]}^3$

其中，i表示整周期时间序列划分后的子序列编号，j表示子序列内数据点编号，子序列内数据点个数等于时间序列划分窗口宽度；x_λm(i)表示编号为i振动信号时间划分子序列；max[x_λm(i)]表示振动信号时间子序列的最大幅值；

大型旋转机械的振动波形会呈现重复性好或重复性较好，如不平衡、不对中、碰磨，但随着故障发展恶化，波形的重复性变差，我们可以通过重复性因子来描述故障造成的波形变动，其计算过程如下所示：

1)X_λm＝{x_λm(1)，x_λm(2)，L，x_λm(i)，L，x_λm(h)}是按照整周期划分后的时间子序列，其中x(i)_λm＝{x₁(i)，x₂(i)......x_m(i)}为编号为i的时间子序列含有的数据点的集合表示，则时间子序列可表示为

子序列差分可表示为Δx(i)＝{Δx₁(i)，Δx₂(i)....Δx_m-1(i)}，其中Δx_m-1(i)＝x_m(i)-x_m-1(i)；

2)计算整周期划分时间子序列的平均重复波形

其中

1＜j＜h。再计算重复波形平均差分：

其中 $\stackrel{\‾}{\mathrm{\Δ}}{x}_{\mathrm{\λm}}\left(h\right)=\frac{1}{m-1}\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}\mathrm{\Δ}{x}_i\left(j\right)$

3)借鉴模式识别中的链码技术，将平均重复波形作为标准波形分别与各段波形比较。为了降低对波形幅值的敏感度，对每段波形分别只作横向网格的划分，不作纵向网格划分，因此结果就相当于对波形差分的符号作编码；0向表示差分为负即波形下降；1向表示差分为零即波形走平；2向表示差分为正即波形上升。分别对平均重复波形和各段波形编码(编码形如110021022…...)，将各段波形编码与平均重复波形编码作比较，得到编码不同点的数目k，则重复性描述因子为：

$R_{\mathrm{\λ}}=\frac{k}{m}$

R_λ描述波形中各段与平均重复波形相比较的结果，并显示整个波形的重复性。

基于整周期划分，当大型旋转机械设备工作或故障稳定不变时，所测得的振动信号波形将具有相似性。而分形锥度具有很好的描述曲线相似性的特点。随着故障的发展，振动信号中可能逐渐出现分数次或高次谐波，振动波形变得越来越复杂，波形分形维数也相应的发生变化。因此，可利用分形锥度来计算曲线相似性描述因子。为了降低对幅值变化的敏感，首先将数据标准化，然后计算分形锥度。步骤如下：

1)将数据标准化，标准化公式为

其中，x_λ(t_i)表示时间时刻t_i下的记录幅值；x_λ(j)_max表示时间序列中记录幅值的最大值，j＝{1，2.....n}；K＞1，K是一个比例放大因子，一般取整数，可根据经验确定。

2)计算分形锥度-盒维数，盒维数要求覆盖单元具有自相似性，并要求曲线具有严格的自相似性，因此在振动信号检测中已经被逐渐采用。

设F是R_n中任一非空有限子集，记N(F，δ)表示最大直径为δ且能覆盖F集合最小数，则F的盒维数定义为的盒维数定义为

${\dim }_{B}F=\underset{\mathrm{\δ}\→0}{\lim }\frac{\mathrm{InN}(F,\mathrm{\δ})}{\mathrm{In}(1/\mathrm{\δ})}$

最常用的N(F，δ)取法是将F划分网格，取相交于F的边长为δ的网络块数。然后可以在In(1/δ)～InN(F，δ)关系图中，确定线性好的一段直线，拟合该段直线的斜率就是对应的分形盒维数dim_BF。取相似性描述因子：F_λ＝dim_BF。

基于整周期划分，有时大型旋转机械设备的振动波形呈现跳跃性，如发生基础松动故障时。随着故障的恶化，波形跳跃性也会发生改变。从理论上分析，波形跳跃性的本质是波形的幅度调制。为了能定量描述跳跃性，采取如下步骤：

1)与相似性描述因子第一步相同，对数据进行标准化，再采用与重复性描述因子的第一步相同的方法，获得分段波形数据X_λ＝{x′_λ(t₁)，x′_λ(t₂)，....，x′_λ(t_n)}，其中

则整周期划分后的分段标准化数据位X_λm＝{x′₁(1)，x′₂(1)...x′_m(1)；x′₁(2)，x′₂(2)，Lx′_m(2)；L Lx′₁(h)，x′₂(h)....x′_m(h)}

2)取整周期划分后分段序列X_λm＝{x′₁(j)，x′₂(j)...x′_m(j)}中的极小值，记为x′(j)_min＝x_min′(j)，其中j为时间子序列编码，1＜j＜h，计算分段序列极小值的均值 ${\stackrel{\‾}{x}}_{\min }^{\′}\left(j\right)=\frac{1}{h}\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{x}_{\min }^{\′}\left(j\right)$

3)计算方差

取跳跃性因子：J_λ＝D_x

表2风电机组传动系统分类故障与振动信号特征因子的匹配关系表

由于大型旋转机械在复杂工况下早期故障提取的难度较大，我们结合不同故障模式的典型特征选取其较为敏感的特征因子作为每种故障模式特有的故障信息提取因素。风电机组传动系统早期故障提取因素的确定流程参见附图4。由于风电机组传动系统的早期故障主要体现为工频及倍频、频率调制两方面，所以其早期故障提取因子关联匹配分类主要分为两种，如表2所示。

步骤5经过步骤4我们得到新的维度为h的特征因子时间序列：Y_λk(h)＝{y_k(1)....y_k(i)...y_k(h)}，Y_λk(h)表示特征因子时间序列，

为特征因子类型，h表示特征因子时间序列的维度，i表示特征因子时间序列数据编码，1＜i＜h。由于各特征因子的性质不同，其度量单位也不同，观测值也可能相差悬殊，为了确定振动监测数据的真实性和完整度，避免数据运算过程中的数据流失现象，在对时间序列数据进行算法运算前，需要对振动参数时间序列进行预处理，其中包括数据的中心化和标准化。

特征因子时间序列的中心化公式为：

y_k(j)表示k类特征因子下h维时间子序列，y_k(i)表示编号为i的时间子序列的k类特征因子的记录值，y′_k(i)表示中心化后的特征因子值。经过中心化后各变量的均值将为0，即各变量的取值都有相同的基点。

标准化为了实现特征因子的变化范围统一化，采用极差正规化实现特征因子时间序列的标准化，则特征因子时间序列y′_k(i)的标准化公式为

经过标准化变换，各变量基点相同，变化范围也相等，其得到经过中心化、标准化的特征因子时间序列为：y″_k(i)＝{y″_k(1)，y″_k(2).......y″_k(h)}振动参数特征因子的时间序列中心化、标准化流程参见附图3。至此我们已经实现了大型旋转机械早期故障提取方法的研究，还需要采取数据挖掘中聚类的方法，实现表征早期故障危险潜在点的时间序列的搜索。

步骤6：首先利用历史数据进行异常搜索边界值的设定。对于拥有丰富历史数据的现场而言，训练的组数越多，得到的异常特征边界越接近实际，一般选取N≥200为佳。以风电机组传动系统监测点3的振动采集参数λ正常状态下的N组时间序列为对象，将其中的每一组时间序列按照步骤2进行子序列分割划分，设第j组时间序列被分割划分后的分割点数目为k个，则对应的时间子序列集合表示为[{x(t₁)K x(t_d1)}，{x(t_d1)Λx(t_d2)}Λ{x(t_dk)Λx(t₁₀₀)}]^j，其中不同组时间序列对应的分割点x(t_di)及分割点数目各不相同。将参数λ确定的每一组训练时间序列经分割形成的时间子序列集合，例如上述[{x(t₁)K x(t_d1)}，{x(t_d1)Λx(t_d2)}Λ{x(t_dk)Λx(t₁₀₀)}]^j为第j组时间序列划分的子序列集合，按照上述输入初始处理步骤4的方法进行计算和处理，得到各时间子序列的特征因子。则对应参数λ确定的N组训练时间序列，则形成N组特征模式值的向集，记为

其中， ${Y_{\mathrm{\λk}}}^j={\{y_{i,\mathrm{CK}}^j,y_{i,\mathrm{SK}}^j,y_{i,R}^j,y_{i,F}^j,y_{i,J}^j\}}_{i=1}^{k+1},$ k+1表示第j组时间序列{X(t_i)}^j被分成时间子序列的个数。依次从N组特征模式向量集中抽取各类特征模式的极大值，即 $Z_k^j=\max \left(Y_{i,k}^j\right)=\max (y_{1,k}^j,y_{2,k}^j,L,y_{k+1,k}^j),$ 并按从大到小排列，形成特征模式极值排序序列

k代表特征模式类别，k∈(CL_λ，SK_λ，R_λ，F_λ，J_λ)。

设定异常边界的期望最低出现率ε，求解如下不等式：

其中N为上述步骤所选取

正常状态下时间序列的组数，选取满足上述不等式的最小整数为最终p取值结果，将Z^γ _k中前p位的平均值

作为第q特征模式的异常特征边界，也可根据工程实际情况，简化取Z^γ _k(p)作为特征边界。ε一般根据训练空间大小N进行取值，对于N＝200的训练空间而言，ε取5％～10％之间某一值为佳，振动参数特征因子异常边界界定的流程参见附图5。

步骤7：将参数λ整周期划分时间子序列映射到五维特征空间C_λ(CL₁，SK₂，R₃，F₄，J₅)中，任意两对象u(q_1u，q_2u，K，q_ku)，v(q_1v，q_2v，K，q_kv)的模式特征距离定义为：

$\mathrm{df}(u,v)=\sqrt{{\mathrm{\α}}_1{\left(\frac{q_{1u}-q_{1v}}{2(q_{1u}+q_{1v})}\right)}^2+{\mathrm{\α}}_2{\left(\frac{q_{2u}-q_{2v}}{2(q_{2u}+q_{2v})}\right)}^2+L+{\mathrm{\α}}_k{\left(\frac{q_{\mathrm{ku}}-q_{\mathrm{kv}}}{2(q_{\mathrm{ku}}+q_{\mathrm{kv}})}\right)}^2}$ 且 $\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1.$

其中q——模式特征类别且 $q\∈\{\mathrm{sph},\mathrm{spl},\mathrm{sps},\mathrm{sp}\stackrel{\‾}{x},\mathrm{sp\σ}\};$

    k——模式特征类别个数；

    α_i——模式特征的权重，称之为聚类系数，可以通过采用不同的聚类系数值决定各模式特征在聚类过程中的相对重要程度。

在实际应用中为了简单起见，可以将上述公式简化为：

每一模式特征的比较都除以相比较的两个模式特征的度量值之和，是为了消除比较基准不同所带来的影响。

对C_λ中的每一点u，分别在特征空间C_λ和它的每一个特征因子的特征子空间上求解其K-df(u)，其中K-df(u)是指对象u的因子模式特征值，其计算过程如下：

给定K∈N⁺， $\∀u\∈C_{\mathrm{\λ}}(q_1,q_{2}K,q_k)=C_{\mathrm{\λ}}(C{L}_1,S{K}_2,R_3,F_4,J_5),$ 则对象u的K^th模式特征距离定义为对象u与对象o∈C之间的模式特征距离df(u，o)，且满足：

①至少有K个对象v∈C\{u}，使得df(u，v)≤df(u，o)；

②至多有K-1个对象v∈C\{u}，使得df(u，v)＜df(u，o)；

则称df(u，o)是对象u的K^th距离，记为K-df(u)。

对象u的K平均模式特征距离K-avedf(u)

给定K∈N⁺， $\∀u\∈C_{\mathrm{\λ}}(q_1,q_{2}K,q_k)=C_{\mathrm{\λ}}(C{L}_1,S{K}_2,R_3,F_4,J_5),$ 则对象u的K平均模式特征距离K-avedf(u)定义为：

$K-\mathrm{avedf}\left(u\right)=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\left[(j-\mathrm{df}\left(u\right))\right]$

步骤8对于k维模式特征空间 $C\∀u\∈C_{\mathrm{\λ}}(q_1,q_{2}K,q_k)=C_{\mathrm{\λ}}(C{L}_1,S{K}_2,R_3,F_4,J_5)$ 中的每一对象u，在模式特征空间C上求解其K-avedf(u)，规范化后记为K-avedf(u)；在每一个特征值的模式特征子空间C_i(q_i)上分别求解其K-avedf(u)，规范化后记为

则对象u的异动搜索因子TSF定义为：

$\mathrm{TSF}\left(u\right)=K-\mathrm{aved}{f}^{\′}\left(u\right)+\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\{K-\mathrm{aved}{f}_i^{\′}\left(u\right)\}$

显然，异动搜索因子TSF(u)的值越大，则该对象是异常模式的可能性就大，将其存储到最大可能异常模式组B中。应用上述通过正常序列训练得到的参数异常模式特征边界，搜索最大可能异常模式组B中超越边界的特征模式，最终获得对应的最具有代表性的异常子模式序列组A。规定最大可能异常模式组B中，任意模式q_i特征值超过异常边界即视该对象为异常模式，将其对应的原始监测参数子模式数据存储到A中，以便异常分析使用。

$=\left\{B_i\right|\∀q>z_q,q\∈({\mathrm{CL}}_1,{\mathrm{SK}}_2,R_3,F_4,J_5)\}$

其中，B_i表示搜索得到的最大可能异常模式组B中的任一元素；q表示B_i中的模式特征类别；z_q为模式q对应的异常特征边界，步骤7、8对应的基于特征因子聚类的大型旋转机械设备早期故障潜在危险搜索的流程图参见附图5。

借助案例分析发明方案达到的目的，图2中测点3对应实现了风电增速箱一级传动级的振动监测，分别按照表2的分析结果对{波形裕度因子、波形偏态因子、重复性因子}及{重复性描述因子、相似性描述因子、跳跃性描述因子}特征因子组合对3测点振动参数进行早期故障的提取，结果分别反映相应的故障模式。形成振动参数时间序列的特征因子3维序列，对子序列特征因子集采用数据挖掘聚类的思想进行基于K-Mean距离的聚类，通过聚类异常因子TSF反映出较为异常的时间子序列，即通过该方案搜索出测点3可能存在潜在的故障危险点。

Claims (3)

1.一种大型旋转机械复杂工况下的早期故障搜索方法，其特征在于，具体实施步骤如下：

(1)大型旋转机械设备振动故障征兆识别分析，即研究常见设备频发振动故障征兆特征与振动参数异常波形特点，形成大型旋转机械设备常见故障模式征兆分类表；

(2)输入参数的初始化处理，即输入参数的时间序列分割，结合匹配参数的物理特性采取不同的时间序列划分原则，实现运行设备振动参数的时间划分算法；

(3)振动参数无量纲特征因子定性化、定量化分析，分析比较构建的振动参数特征因子与传统时域特征值的区别，深入研究特征因子随着故障信息发展的走势及变化特征，阐述特征因子物理意义，形成设备常见故障模式征兆与相应故障提取因子匹配；

(4)无量纲特征因子的计算、中心化及标准化，首先实现振动参数时间子序列的特征因子计算，为了减少不同性质、度量单位特征因子的相对影响，避免绝对值较小因子被湮灭，对时间子序列特征因子进行中心化和标准化，使各因子具有相同的评价基点和变化范围；

(5)特征因子异常边界的界定，即在上述输入初始处理基础上，从设备运行监控历史数据库中提取一定训练空间的监测参数数据序列，通过特定的训练算法得到判定特征因子边界标准，作为监测参数异常搜索的准则；

(6)时间子序列多维属性因子向量的异常序列搜索，选取p个特征因子描述n个振动参数时间子序列，通过p维属性向量反映n个时间子序列的性质，挖掘异常时间子序列，找出大型旋转机械运行的潜在故障危险点。

2.根据权利要求1所述大型旋转机械复杂工况下的早期故障搜索方法，其特征在于，所述大型旋转机械包括能源、钢铁、煤炭和运输行业内的大型旋转机械，具体包括火力发电机机组传动系统，风力发电机组传动系统，飞机，火车，轮船以及煤炭和地铁的挖掘机。

3.根据权利要求1所述大型旋转机械复杂工况下的早期故障搜索方法，其特征在于，所述风力发电机组传动系统变风速、变载荷工况下的包括如下步骤：

1)风力发电机组传动系统振动监测测点布置：(1)监测风电机组主轴前轴承径向振动，(2)风电机组增速箱前轴承径向振动，(3)增速箱一级传动级箱体振动，(4)增速箱二级传动级箱体振动和(5)表示增速箱高速级箱体振动；以该5个传感器采集数据参数得到频发振动故障征兆特征与振动参数异常波形特点，形成风电机组传动系统早期故障特征频率信息识别表；

2)以风电机组传动系统监测布置方案3号传感器采集的增速箱一级传动级箱体振动的振动参数λ为研究参数，设置振动参数X_λ的时间序列X_λ＝{x_λ(t₁)，x_λ(t₂)，....，x_λ(t_n)}的维度n，振动参数时间序列维度表示时间序列X_λ在采集时间段内包含的信号数据个数，对于时间序列维度n充分考虑算法以及参数数据采样粒度，结合风电机组运行工况中风速相关因素的变化情况，则通过计算列出振动参数时间序列维度n＝t/t_s，对振动监测参数进行基于整周期或整周期倍数的时间子序列划分，根据振动参数时间序列的初步划分进行整周期分割优化，将记录值为零点的数据点作为起始点有利于算法的实现；

3)在对时间序列数据进行算法运算前，需要对振动参数时间序列进行预处理，其中包括数据的中心化和标准化，

特征因子时间序列的中心化公式为：

y_k(j)表示k类特征因子下h维时间子序列，y_k(i)表示编号为i的时间子序列的k类特征因子的记录值，y′_k(i)表示中心化后的特征因子值，经过中心化后各变量的均值将为0，即各变量的取值都有相同的基点；

标准化为了实现特征因子的变化范围统一化，采用极差正规化实现特征因子时间序列的标准化，则特征因子时间序列y′_k(i)的标准化公式为经过标准化变换后各变量基点相同，变化范围也相等，其得到经过中心化、标准化的特征因子时间序列为：y″_k(i)＝{y″_k(1)，y″_k(2).......y″_k(h)}；

4)构建振动参数时间序列早期故障提取特征因子，由于风电机组传动系统的早期故障主要体现为工频及倍频、频率调制两方面，所以其早期故障提取因子关联匹配分类主要分为故障模式和频率特征两种，故障模式的典型特征选取其较为敏感的特征因子作为每种故障模式特有的故障信息提取因素，风电机组传动系统早期故障提取因素为振动参数整周期时间划分和早期故障模式与早期故障信息提取因子的关联匹配；对故障与征兆匹配度关联分析、故障分类征兆异常参数分析，实现表征早期故障危险潜在点的时间序列的搜索。

Images