CN103245491A - 基于确定学习理论的转子系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于确定学习理论的转子系统故障诊断方法，包括如下步骤：（1）对转子系统的正常模式和故障模式进行学习，利用学到的知识建立模式库；（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差；（3）对残差进行分析与评估，实现故障的检测与分离。该方法适用于含有未知动态的复杂转子系统的故障诊断，可以对运行于各种模式下的转子系统进行准确建模，建立模式库，从而快速地检测与分离故障。具有可靠性高、诊断效率高和自动化程度高等优点。

Description

基于确定学习理论的转子系统故障诊断方法

技术领域

本发明属于系统故障诊断领域，具体涉及一种基于确定学习理论的转子系统故障诊断方法。

背景技术

旋转机械是工农业生产中应用最广泛的一类机械设备，在工农业生产中发挥着重要作用。转子系统作为旋转机械的核心部件，常常由于出现各种不同形式的故障而影响其正常工作，有时甚至会发生严重的机毁人亡的事故，造成重大的经济损失。因此，转子系统的故障诊断对旋转机械的安全运行和维护保养具有重要意义。目前，转子系统的故障诊断主要是以信号分析和人工智能方法为基础，根据采集到的振动、应力、压力、温度等参数，依赖现场经验和专家分析，实现有无故障和故障类型的定性诊断（见韩清凯等著，《故障转子系统的非线性振动分析与诊断方法》，北京：科学出版社，2010）。在定性诊断的基础上，转子系统的定量诊断进一步发展，它主要采用基于模型的方法，根据关键部位的振动信号，通过系统辨识方法建立转子系统的动力学模型，其中包括正常状态和各种故障状态，然后根据正常转子和各种故障转子的状态、轨迹和振动频谱等的比较，确定故障发生的位置、故障参数的大小和故障程度的评估。但由于转子系统具有高复杂性、非线性，故障之间相互耦合，甚至有些故障机理尚未明确，在实际应用中很难获得其精确的数学模型，目前转子系统的定量诊断的对象主要是不平衡、转静子碰摩、转轴裂纹等。

神经网络以其独特的联想、记忆和学习功能在机械设备故障诊断领域得到了较多的应用。目前，人工神经网络应用于故障诊断还存在一些问题，如难以揭示出系统内部的一些潜在关系，无法对诊断过程给予明确解释，难以保证神经网络权值收敛到最优值，以及难以保证神经网络真正逼近系统动态进而对故障进行建模。

系统辨识领域的预测误差理论指出，当持续激励条件满足时，估计模型中的参数将收敛到真实参数，并且所辨识模型收敛到真实系统。对于非线性动态系统，由于持续激励条件很难被满足，使得对其真实模型的建模或辨识极为困难。

在对径向基函数（Radial Basis Function，RBF）神经网络的持续激励特性研究的基础上，确定性学习理论为非线性动态系统提出了新的辨识方法。该理论证明了通过采用RBF神经网络作为参数化的模型结构，沿着回归轨迹构造的RBF部分回归子矢量满足持续激励条件，由此实现非线性系统的局部准确神经网络辨识。因此，运用确定学习理论，可以对复杂过程和系统的未知动态进行局部准确建模。

转子系统的状态轨迹是指系统的状态向量随时间的变化在状态空间中形成的轨迹。本发明中所考虑的状态包括转子系统各点的位移和速度，并且这些状态全部可测。

发明内容

本发明的目的在于克服上述现有技术的缺点和不足，提供一种基于确定学习理论的转子系统故障诊断方法，该方法可对具有未知动态的复杂转子系统进行故障诊断。由于转子系统的高复杂性、强非线性以及各故障之间的耦合性，建立故障转子系统的精确数学模型是一个很大的难题。本发明根据确定学习理论，采用RBF神经网络对转子系统的各种运行模式进行学习，学到的知识全面而准确地表达各种模式下的转子系统行为，以常数神经网络权值的形式方便地存储于模式库中，并在动态模式识别的过程中被充分而有效地利用，从而实现转子系统的快速故障诊断。这里的转子系统模式是指动态模式，由两个方面的因素构成，一是系统的轨迹，二是沿着系统轨迹的内部动态。这些模式可以从历史数据或者实时数据中获得。当有新故障发生时可以对新模式进行学习、升级模式库。

本发明的目的通过以下技术方案实现：

一种基于确定学习理论的转子系统故障诊断方法，所述故障包括转子静动件之间的碰摩、转子裂纹、轴承座与基础之间的松动、轴承油膜震荡，以及由上述故障组合而成的耦合故障等，这些故障发生时转子系统的状态轨迹是回归轨迹（回归轨迹代表了一大类从非线性系统产生的轨迹，不仅包括周期轨迹，还包括拟周期轨迹、概周期轨迹甚至部分混沌轨迹），该方法包括如下步骤：

（1）对转子系统的正常模式和故障模式进行学习，利用学到的知识建立模式库：采用RBF神经网络对正常模式和故障模式下的转子系统未知动态进行学习，所述学习采用基于李亚普诺夫的学习方法并根据确定学习理论，实现RBF神经网络的部分权值收敛和RBF神经网络对各模式下系统内部动态的局部准确逼近；取权值收敛后的一段时间内各权值的均值作为学到的知识，将其存贮于模式库中，建立包含转子系统正常模式和故障模式的模式库；

（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差：利用步骤（1）中所述模式库中的权值构造常数RBF神经网络，然后以常数RBF神经网络建立状态估计器，每一个状态估计器对应一种模式；将各状态估计器的状态分别与被监测转子系统的状态进行比较，将它们之间的误差作为残差；

（3）对残差进行分析与评估，实现故障的检测与分离：在故障检测阶段，设定一个阈值，若正常模式状态估计器产生的残差小于该阈值，则判断被监测转子系统运行正常；若残差大于该阈值，则判断转子系统发生了故障，并进行下一步的故障分离；在故障分离阶段，比较各模式状态估计器产生的残差，最小残差所对应的状态估计器与被监测转子系统最匹配，如果被监测系统与某个故障模式状态估计器匹配，则说明该故障发生；如果被监测系统与正常模式状态估计器匹配，则说明被监测转子系统重新正常工作；如果最小残差大于阈值，则认为没有与被监测转子系统匹配的状态估计器，即说明系统发生了新故障。

上述方法中，步骤（1）中所述的部分权值收敛是指：

靠近系统轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值；而远离系统轨迹的RBF神经网络的神经元不受激励，其权值基本为零。

上述方法中，步骤（1）中所述的局部准确逼近是指沿着系统轨迹的内部动态的逼近，而远离系统轨迹的内部动态不被逼近。

上述方法中，步骤（1）中所述的学习是获取知识的过程，所述知识是以时不变且空间分布的方式表达、以常数RBF神经网络权值的形式存储于模式库中，每组权值对应一种模式，作为这种模式的静态表达。

上述方法中，步骤（2）中所述的状态估计器是对所述知识的利用，作为模式的动态表达，再现对应的模式的动态行为；当状态估计器对应的模式发生时，常数RBF神经网络能快速回忆已学到的知识，提供该模式下的转子系统内部动态信息。

上述方法中，步骤（3）所述的残差是被监测系统与状态估计器之间动态差异的度量；为避免因为不匹配的状态估计器与被监测转子系统比较产生的残差接近于零而造成误判，对残差取平均l₁范数。

上述方法中，步骤（3）中所述的阈值是依据正常模式的状态估计器与被监测转子系统匹配时残差的最大值来设定的。

上述方法中，如果步骤（3）所述有新故障发生，则再次启动步骤（1）所述的学习方法对新故障进行学习，并将学到的知识存储于模式库中，升级模式库。

上述方法中，步骤（2）和（3）是对转子系统进行故障诊断的过程，而对所有故障的诊断是动态模式识别的过程。

上述方法中，步骤（3）所述的匹配是指被监测转子系统与状态估计器之间具有相似性，其相似性的衡量因素为：i)被监测转子系统的状态与状态估计器的状态之间的差异；ii)沿着被监测转子系统的轨迹，被监测转子系统的内部动态与状态估计器的内部动态之间的差异。

本发明与现有技术相比，有如下优点：

1、不需要建立精确的数学模型，对于具有高复杂性、强非线性、故障机理不明确的转子系统，很难用精确的数学模型来表示。本发明通过运用确定学习理论，可实现神经网络对各种模式下的转子系统动态的局部准确逼近，采用包含了大量运行模式的模式库来精确而全面地描述转子系统的动态行为，可以帮助人们对转子系统和故障的机理进行深入的认识，同时提高诊断过程的可靠性。

2、与传统的神经网络学习方法相比，本发明中的神经网络能真正地学到转子系统动态知识，这种知识以时不变且空间分布的方式表达，以常数神经网络权值的形式存储，可方便有效地应用于故障诊断中。诊断故障的过程就是利用知识的过程，由于不需要再进行参数估计,故障诊断时间也就大大减少了，从而可以快速地进行故障的检测和分离。

3、与基于信号分析的方法相比，基于确定学习理论的转子系统故障诊断方法更全面地获取和更充分地利用了系统信息。利用各种信号处理技术从转子系统的信号数据中提取对故障识别有用的信息，根据所提取的故障特征进行故障诊断，这势必丢失大量信息，其中可能包括有用的信息，从而容易造成误判漏判。本发明中所获取的系统信息包括转子系统各种模式下的状态轨迹以及沿着状态轨迹的系统内部动态，当对应的模式发生时，常数神经网络能快速回忆已学到的知识，提供该模式下的系统内部动态的准确信息，这样转子系统的行为过程可被完整地记录并利用起来。

4、基于确定学习理论的转子系统故障诊断方法是一种对转子系统进行自动动态监测的方法，可反映系统瞬态行为和非线性特性。各种模式的学习是通过神经网络自动学习的，并根据残差进行自动故障诊断，大大提高了转子系统故障诊断的自动化程度。

5、基于确定学习理论的转子系统故障诊断方法将诊断过程分为故障检测和故障分离，检测故障时只需要将被监测转子系统与正常模式状态估计器进行比较，仅当检测到故障后才进行故障分离，这样避免了转子系统与所有的状态估计器比较，从而简化诊断方案、提高诊断效率。

附图说明

图1是RBF神经网络对转子系统未知动态进行学习的结构简图。

图2是本发明所采用的RBF神经网络示意图。

图3是本发明实施例中转子系统残差产生的结构简图。

图4是实施例中转子系统正常模式下的轴心轨迹图。

图5是实施例中转子系统故障模式1下的轴心轨迹图。

图6是实施例中转子系统故障模式2下的轴心轨迹图。

图7a是实施例中转子系统故障模式2下神经网络

的部分权值的收敛情况。

图7b是实施例中转子系统故障模式2下神经网络

的部分权值的收敛情况。

图8a是实施例中神经网络

（直线—）逼近转子系统故障模式2下的未知系统动态

（星号*）。

图8a是实施例中神经网络

（直线—）逼近转子系统故障模式2下的未知系统动态

（星号*）。

图9a是实施例中各状态估计器与发生故障1的被监测转子系统在X方向的速度残差范数的时域曲线。

图9b是实施例中各状态估计器与发生故障1的被监测转子系统在Y方向的速度残差范数的时域曲线。

具体实施方式

实施例

下面结合实施例及附图，对本发明的具体实施方式作进一步地说明。

以诊断现有的Jeffcott转子系统的碰摩故障为例，所述Jeffcott转子系统是具有弹性支承、非线性刚度和线性阻尼、可能发生动静件碰摩的转子系统，所述Jeffcott转子系统的运动微分方程表示如下：(1)

$\left\{\begin{array}{c}m\stackrel{\·\·}{x}+c\stackrel{\·}{x}+\mathrm{kx}+k_s(x^2+y^2)x=F_x+\mathrm{me}{\mathrm{\ω}}^2\cos \mathrm{\ωt}\\ m\stackrel{\·\·}{y}+c\stackrel{\·}{y}+\mathrm{ky}+k_s(x^2+y^2)y=F_y+\mathrm{me}{\mathrm{\ω}}^2\sin \mathrm{\ωt}-\mathrm{mg}\end{array}\right.$

其中，x、y为转子中心相对初始位置的位移，m是转子质量，c是转轴阻尼系数，k是轴刚度系数，k_s是转轴刚度非线性项系数，e是圆盘质量偏心量，ω是转子转速，F_x和F_y分别是在x和y方向的碰摩力，表示如下：

$\left\{\begin{array}{cc}\begin{array}{ccc}\left\{\begin{array}{c}{F}_x\\ F_y\end{array},=-\frac{r-\mathrm{\&delta;}}{r}{k}_c\right.& \left[\begin{array}{cc}1& -f\\ f& 1\end{array}\right]& \left\{\begin{array}{c}x\\ y\end{array}\right\}\end{array}& (r>\mathrm{\&delta;})\\ F_x=F_y=0& (r<\mathrm{\&delta;})\end{array}\right.---\left(2\right)$

其中，δ为静止时转子与定子之间的间隙，f为转子与定子间的摩擦系数，k_c为定子的径向刚度，

为转子的径向位移。

引入如下无量纲变换：

$X=\frac{x}{\mathrm{\&delta;}},Y=\frac{y}{\mathrm{\&delta;}},\mathrm{\&tau;}={\mathrm{\&omega;}}_{0}t,\stackrel{\&OverBar;}{\mathrm{\&omega;}}=\frac{\mathrm{\&omega;}}{{\mathrm{\&omega;}}_0},\mathrm{\&xi;}\frac{c}{2m{\mathrm{\&omega;}}_0},\mathrm{\&alpha;}=\frac{k_s{\mathrm{\&delta;}}^2}{k},\mathrm{\&beta;}=\frac{k_c}{k},G=\frac{g}{{{\mathrm{\&omega;}}_0}^2\mathrm{\&delta;}},\mathrm{\&mu;}=\frac{e}{\mathrm{\&delta;}}$

其中，X、Y是转子无量纲位移，

是转子临界转速，τ是无量纲时间，

是频率比，ξ是阻尼比，α和β是刚度比，G是无量纲重力加速度，μ是偏心量，

是转子的无量纲径向位移，则有转子系统的无量纲微分方程：

$\left\{\begin{array}{c}\stackrel{\&CenterDot;\&CenterDot;}{X}+2\mathrm{\&xi;}\stackrel{\&CenterDot;}{X}+X+\mathrm{\&alpha;X}(X^2+Y^2)+\mathrm{\&beta;}(1-\frac{1}{E})(X-\mathrm{fY})=\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\cos \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}\\ \stackrel{\&CenterDot;\&CenterDot;}{Y}+2\mathrm{\&xi;}\stackrel{\&CenterDot;}{Y}+Y+\mathrm{\&alpha;Y}(X^2+Y^2)+\mathrm{\&beta;}(1-\frac{1}{E})(\mathrm{fX}+Y)=\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\sin \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}-G\end{array}\right.---\left(3\right)$

引入变量：

则转子系统可由如下一阶微分方程组表示：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{X}}_1=X_2\\ {\stackrel{\&CenterDot;}{X}}_2=-2\mathrm{\&xi;}{X}_2-X_1-\mathrm{\&alpha;}{X}_1(X_1^2+Y_1^2)-\mathrm{\&beta;}(1-\frac{1}{E})(X_1-f{Y}_1)+{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\cos \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}\\ {\stackrel{\&CenterDot;}{Y}}_1=Y_2\\ {\stackrel{\&CenterDot;}{Y}}_2=-2\mathrm{\&xi;}{Y}_2-Y_1-\mathrm{\&alpha;}{Y}_1(X_1^2+Y_1^2)-\mathrm{\&beta;}(1-\frac{1}{E})(f{X}_1+Y_1)+\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\sin \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}-G\end{array}\right.---\left(4\right)$

令

和(s=0,1,…,N)(N为故障模式的个数，s=0对应正常模式)分别为转子系统在各模式下X和Y方向的未知动态，包括了转子未发生碰摩和已发生碰摩的各种不确定因素。

$\left\{\begin{array}{c}{\mathrm{\&phi;}}_1^s=-2\mathrm{\&xi;}{X}_2-X_1-\mathrm{\&alpha;}{X}_1(X_1^2+Y_1^2)-\mathrm{\&beta;}(1-\frac{1}{E})(X_1-f{Y}_1)\\ {\mathrm{\&phi;}}_2^s=-2\mathrm{\&xi;}{Y}_2-Y_1-\mathrm{\&alpha;}{Y}_1(X_1^2+Y_1^2)-\mathrm{\&beta;}(1-\frac{1}{E})(f{X}_1+Y_1)\end{array}\right.---\left(5\right)$

本实施例中考虑三种转子系统模式：

和

为转子未发生碰摩故障(正常模式)时的系统未知动态，其主要参数为：δ=1.6×10^-4m，ξ=0.135，α=0.6，β=3，μ=1，

G=1.47。

和为转子发生轻微碰摩(故障模式1)时的系统未知动态，其主要参数为：β=4，f=0.15，其余参数与未发生碰摩故障时相同。

和

为转子发生局部严重碰摩(故障模式2)时的系统未知动态，其主要参数为：ξ=0.09，μ=1.8，其余参数与发生轻微碰摩故障时相同。

本实施例中转子系统正常模式、故障模式1和故障模式2的轴心轨迹分别如图4、图5和图6所示。

采用基于确定学习理论的转子系统故障诊断方法的步骤如下：

（1）转子系统正常模式和故障模式的学习，利用学到的知识建立模式库：

采用RBF神经网络学习正常模式和故障模式下的转子未知动态，其系统结构简图如图1所示。其中,x是转子系统的状态，

是RBF神经网络学习器的输出，神经网络采用高斯径向基网络，如图2所示。其中，系统状态Z(x₁,x₂,L,x_n)作为神经网络的输入,y为神经网络的输出。本实施中神经网络有X₁,Y₁,X₂,Y₂四个输入。

RBF神经网络学习器由如下方程表示：

$\left\{\begin{array}{c}{\stackrel{\stackrel{\&CenterDot;}{^}}{X}}_2=-a({\hat{X}}_2-X_2)+{\hat{W}}_1^{T}S\left(Z\right)+\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\cos \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}\\ {\stackrel{\stackrel{\&CenterDot;}{^}}{Y}}_2=-a({\hat{Y}}_2-Y_2)+{\hat{W}}_2^{T}S\left(Z\right)+\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\sin \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}-G\end{array}\right.---\left(6\right)$

其中,

是RBF神经网络学习器的状态，Z(X₁,Y₁,X₂,Y₂)是转子系统(3)的状态，a>0为设计常数。

和是RBF神经网络，用来逼近各模式下的转子系统未知动态

和

式(6)中的估计权值

和的更新律为：

$\left\{\begin{array}{c}{\stackrel{\stackrel{\&CenterDot;}{^}}{W}}_1=-\mathrm{\&Gamma;S}\left(Z\right)({\hat{X}}_2-X_2)-\mathrm{\&delta;\&Gamma;}{\hat{W}}_1\\ {\stackrel{\stackrel{\&CenterDot;}{^}}{W}}_2=-\mathrm{\&Gamma;S}\left(Z\right)({\hat{Y}}_2-Y_2)-\mathrm{\&delta;\&Gamma;}{\hat{W}}_2\end{array}\right.---\left(7\right)$

其中,Γ=Γ^T>0和σ>0为设计参数。

本实施例中的参数选取为：转子系统初始条件X₁(0)=0.1,X₂(0)=0,Y₁(0)=0,Y₂(0)=0，神经网络权值初始值

神经网络节点数N=11×13×11×11=17303，中心点均匀分布在[-2.5,2.5]×[-3,3]×[-2.5,2.5]×[-2.5,2.5]上；a=4，Γ=3，σ=0.0001。

根据确定学习理论，一方面，如图7a,7b所示，RBF神经网络

和对转子系统故障模式2进行学习时的部分权值收敛，其中靠近系统轨迹的神经元满足持续激励条件，其权值收敛到最优值，而远离系统轨迹的神经元受激励的程度很小，其权值基本上保持在初始值很小的领域内。另一方面，如图8a,8b所示,沿着故障模式2下的系统轨迹，RBF神经网络

和

分别逼近转子未知系统动态

和

根据RBF神经网络的权值收敛结果，按下式取其均值：

${\stackrel{\&OverBar;}{W}}_i={\mathrm{mean}}_{t\&Element;[t_a,t_b]}{\hat{W}}_i\left(t\right),i=\mathrm{1,2}---\left(8\right)$

其中，t_b>t_a>0表示权值收敛过程后的一段时间。

按步骤(1)对本实施例的三个模式进行学习可获得三组常数神经网络权值：

这三组权值构成了转子系统模式库，每组权值对应一种模式，作为转子系统在该模式下的静态表达。如果学习的模式数量更多，模式库就有更多组常数神经网络权值。

（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差:

从模式库中取出权值，构造各模式的常数RBF神经网络。本实施例中的三个常数RBF神经网络的表达形式为：

${\stackrel{\&OverBar;}{W}}_i^{\mathrm{sT}}S\left(Z\right)(i=\mathrm{1,2},s=\mathrm{0,1,2})$

利用常数RBF神经网络建立状态估计器如下：

$\left\{\begin{array}{c}{\stackrel{\stackrel{\&CenterDot;}{\&OverBar;}}{X}}_2^s=-b({\stackrel{\&OverBar;}{X}}_2^s-X_2)+{\stackrel{\&OverBar;}{W}}_1^{\mathrm{sT}}S\left(Z\right)+\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\cos \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}\\ {\stackrel{\stackrel{\&CenterDot;}{\&OverBar;}}{Y}}_2^s=-b({\stackrel{\&OverBar;}{Y}}_2^s-Y_2)+{\stackrel{\&OverBar;}{W}}_2^{\mathrm{sT}}S\left(Z\right)+\mathrm{\&mu;}{\stackrel{\&OverBar;}{\mathrm{\&omega;}}}^2\sin \stackrel{\&OverBar;}{\mathrm{\&omega;}}\mathrm{\&tau;}-G\end{array}\right.---\left(9\right)$

其中，

和

是状态估计器的状态，b>0为设计常数，本实施例中b=2。

将状态估计器与被监测转子系统之间的同步误差作为残差，残差产生框架如图3所示。其中,x是被监测转子系统(3)的状态，是状态估计器的状态，

是状态估计器与被监测转子系统之间的同步误差。对残差取平均l₁范数按如下公式计算：

$\left|\right|{\tilde{x}}^s\left|\right|=\frac{1}{T}{\&Integral;}_{t-T}^t\left|{\tilde{x}}^s\left({\mathrm{\&tau;}}^{\&prime;}\right)\right|d{\mathrm{\&tau;}}^{\&prime;}---\left(10\right)$

其中，T是被监测转子系统的周期。

（3）对残差进行分析与评估，实现故障的检测与分离：

本实施中选择转子系统振动速度作为残差评价的参照，为转子系统碰摩故障诊断提供数据基础。因为从转子碰摩的机理出发，考虑到碰摩瞬间转子受到突然增大的径向冲击力和切向摩擦力作用，轴心的振动速度信号同时发生大小和方向的改变，这个改变可以直接反映碰摩故障的突发性和激烈程度，是对碰摩故障早期诊断的有效参照量。另外目前工程上振动速度传感器的广泛使用，保证了振动速度信号的有效采集。

设定阈值，本实施例设定为0.05。

假设转子系统在1秒时刻发生故障1，各状态估计器与被监测转子系统之间的速度残差范数曲线如图9a,9b所示。其中，L_X0,L_X1,L_X2分别为各状态估计器与被监测转子系统在X方向上的速度残差范数，L_Y0,L_Y1,L_Y2分别为各状态估计器与被监测转子系统在Y方向上的速度残差范数。在1秒之前正常模式状态估计器的残差范数L_X0,L_Y0小于阈值，在这段时间内可判断系统工作正常。1秒时刻故障1发生，正常模式状态估计器的残差范数L_X0,L_Y0开始增大并在1.2秒左右超过阈值，此时检测出转子系统发生故障并开始进行故障分离；由于1.4秒之后只有故障模式1的状态估计器的残差范数L_X1,L_Y1最小，因此可判断故障1发生。本实施例中故障分离阶段没有出现最小残差大于阈值的情况，因此不必考虑新故障发生的情况。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于确定学习理论的转子系统故障诊断方法，其特征在于，包括如下步骤：

（1）对转子系统的正常模式和故障模式进行学习，利用学到的知识建立模式库：采用RBF神经网络对正常模式和故障模式下的转子系统未知动态进行学习，所述学习采用基于李亚普诺夫的学习方法并根据确定学习理论，实现RBF神经网络的部分权值收敛和各模式下系统内部动态的局部准确逼近；取权值收敛后的一段时间内各权值的均值作为学到的知识，将其存贮于模式库中，建立模式库；

（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差：利用步骤（1）中所述模式库中的权值构造包含常数RBF神经网络的状态估计器，每一个状态估计器对应一种模式；将各状态估计器的状态分别与被监测转子系统的状态进行比较，将误差作为残差；

（3）对残差进行分析与评估，实现故障的检测与分离：在故障检测阶段，设定一个阈值，若正常模式状态估计器产生的残差小于该阈值，则判断被监测转子系统运行正常；若残差大于该阈值，则判断转子系统发生了故障，并进行下一步的故障分离；在故障分离阶段，比较各模式状态估计器产生的残差，最小残差所对应的状态估计器与被监测转子系统最匹配，如果被监测系统与某个故障模式状态估计器相匹配，则说明该故障发生；如果被监测系统与正常模式状态估计器匹配，则说明被监测转子系统重新正常工作；如果最小残差大于阈值，则认为没有与被监测转子系统匹配的状态估计器，即说明系统发生了新故障。

2.根据权利要求1所述的转子系统故障诊断方法，其特征在于，步骤（1）中所述的部分权值收敛是指：

靠近系统轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值；而远离系统轨迹的RBF神经网络的神经元不受激励，其权值为零。

3.根据权利要求1所述的方法，其特征在于步骤（1）中所述的局部准确逼近是指沿着系统轨迹的内部动态的逼近，而远离系统轨迹的内部动态不被逼近。

4.根据权利要求1～3任一项所述的转子系统故障诊断方法，其特征在于，步骤（1）中，所述的学习是获取知识的过程，所述知识是以时不变且空间分布的方式表达、以常数RBF神经网络权值的形式存储于模式库中，每组权值对应一种模式，作为这种模式的静态表达。

5.根据权利要求4所述的转子系统故障诊断方法，其特征在于，步骤（2）中，所述的状态估计器是对知识的利用，作为模式的动态表达，再现对应的模式的动态行为；当状态估计器对应的模式发生时，常数RBF神经网络能快速回忆已学到的知识，提供该模式下的转子系统内部动态信息。

6.根据权利要求5所述的转子系统故障诊断方法，其特征在于，步骤（3）中，所述的残差是被监测转子系统与状态估计器之间动态差异的度量。

7.根据权利要求5所述的转子系统故障诊断方法，其特征在于，步骤（3）中，所述的阈值是依据正常模式的状态估计器与被监测转子系统匹配时残差的最大值来设定的。

8.根据权利要求5所述的转子系统故障诊断方法，其特征在于，如果步骤（3）中有新故障发生，则再次启动步骤（1）所述的学习方法，对新故障模式进行学习，并将学到的知识存储于模式库中，升级模式库。

9.根据权利要求5所述的转子系统故障诊断方法，其特征在于，步骤（2）和（3）是对转子系统进行故障诊断的过程，所述对故障的诊断是动态模式识别的过程。

10.根据权利要求1所述的转子系统故障诊断方法，其特征在于，步骤（3）中，所述匹配是指状态估计器与被监测转子系统之间具有相似性，所述相似性的衡量因素为：被监测转子系统的状态与状态估计器的状态之间的差异，或者所述相似性的衡量因素为：沿着被监测转子系统的轨迹，被监测转子系统的内部动态与状态估计器的内部动态之间的差异。

Images