CN103267652A

CN103267652A - 一种智能早期设备故障在线诊断方法

Info

Publication number: CN103267652A
Application number: CN2013101962555A
Authority: CN
Inventors: 付胜; 徐斌; 许晓东
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2013-05-24
Filing date: 2013-05-24
Publication date: 2013-08-28
Anticipated expiration: 2033-05-24
Also published as: CN103267652B

Abstract

一种智能早期故障诊断方法属于设备早期故障诊断领域。针对设备早期故障诊断的重要性和复杂性，本发明在设备状态特征提取方面实现了既能提取设备微弱的早期故障特征，又能识别设备状态的细微变化。由于目前的故障诊断方法只能诊断简单设备的特定类型的中晚期故障，而不能诊断复杂设备的故障及设备的早期故障。本发明利用变差函数对设备的状态信号进行运算并提取设备信号中微弱的特征参数，且不受噪声的干扰。在故障的识别与分类方面使用人工神经网络模型，同时利用每次诊断的数据不断丰富与更新人工神经网络模型的训练与学习样本，使该模型包含更多的信息，达到设备早期故障的准确、快速和智能诊断的目的。

Description

一种智能早期设备故障在线诊断方法

技术领域

本发明涉及一种智能早期设备故障在线诊断方法，通过分析和运算设备的状态信号来诊断和识别设备的运行状态及状态的微弱变化，特别是用于复杂设备的早期故障诊断，属于设备早期故障诊断领域。

背景技术

机械设备正朝着大型化、综合化、复杂化、自动化的方向发展，在生产过程中对设备的依赖程度越来越高，非计划停机的损失巨大。为了保证设备安全、可靠和平稳地运行，需要对设备进行早期故障诊断。

由于复杂设备的故障类型多，状态信号的成分多，信号特征微弱且提取困难，为了准确诊断出复杂设备的故障类型及故障位置，需要选择合适信号故障诊断方法。传统的故障诊断方法能够较好的诊断简单设备的特定类型的中晚期故障，而不能正确提取设备状态信号中的微弱特征，所以无法诊断复杂设备的早期故障。设备故障发现的越及时，对设备维护的代价越小。设备早期故障诊断的结果要准确客观，需要建立智能早期故障的识别与分类系统。目前国内外还没有成熟的复杂设备的早期故障诊断系统，因此研究开发出一种智能的复杂设备的早期故障的在线诊断系统具有重要的现实意义。

发明内容

本发明的目的在于：针对目前的故障诊断方法可以较好的诊断简单设备的特定类型的中晚期故障，而不能诊断出复杂设备的早期故障的不足，研发的一种智能早期设备故障在线诊断方法，该方法用于复杂设备的早期故障诊断。在复杂设备上安装振动传感器采集设备的振动信号，将设备的振动信号输入到上位机，通过对信号运算来提取信号的特征，将信号特征输入到人工神经网络模型单元，诊断和识别设备的早期故障。

一种智能早期设备故障在线诊断方法,其基于的硬件平台包括振动传感器、信号采集卡、上位机、诊断结果显示装置、故障报警装置，其特征在于,包括以下步骤:S1:振动传感器垂直放置在设备的任意位置，通过触发信号采集开关，信号采集卡开始信号采集。信号采集卡将采集的信号传输到上位机中；

S2:不需要对S1中采集的信号滤波、降噪，直接对S1中采集的振动信号进行重采样，并由软件自动转换为长度为N的数组，其中200≤N≤10240；

S3:设置信号间的间隔向量h，h的值为1≤h<N；

S4:求取每一个信号间隔h的变差函数值γ(k,h)，计算公式为

其中为N为数组长度，h为间隔向量，x(k)为k时刻的振动信号，x(k+h)为k+h时刻的振动信号并利用坐标系表示出这些变差函数值。

S5:利用多种拟合方法拟合这些数据，所述的多种拟合方法包括指数逼近、傅立叶逼近、高斯逼近、插值逼近、多项式逼近、幂逼近、有理数逼近、平滑逼近、正弦曲线逼近。拟合得到的曲线为变差函数曲线。S6:取h趋于0时的变差函数曲线的值为块金点，并作为人工神经网络模型的输入；训练和建立人工神经网络模型，实现设备状态的识别与分类；

S7:上位机将诊断结果送入到诊断结果显示装置和故障报警装置。

2.根据权利要求1所述的一种智能早期设备故障在线诊断方法，其特征在于诊断结果由上位机显示，显示被测对象振动信号的时域波形、变差函数值及变差函数曲线、块金点以及设备状态；同时将诊断结果以文件的形式输出保存。

本发明提出的智能早期设备故障在线诊断方法，其优点是：

1、实现了在线实时智能化的设备故障的早期诊断，实现了对微弱信号的准确提取，能够及时诊断出设备是否存在故障及故障的类型与位置。

2、针对复杂设备的状态信号成分复杂，信号的特征提取困难，研发了利用变差函数提取设备的信号特征，既能提取出微弱的早期故障特征，又能发现设备状态的微弱变化。在状态的识别与故障分类方面，采用基于人工神经网络的智能方法，提高了复杂设备早期故障的准确性与智能性。

附图说明

图1本系统硬件示意图；

图2本系统故障诊断流程图；

具体实施方式

下面结合附图和实例对本发明进行详细说明：

该系统的硬件结构如图1所示，主要由振动传感器、信号采集卡、上位机、诊断结果显示装置、故障报警装置组成，还要具有数据文件的输入接口和报警记录的存储接口；振动传感器为压电式加速度传感器，频率范围为0～16.5kHz，灵敏度为3.1pc/g，用于采集设备的振动信号；采集卡内部时钟为10MHz，带有32位计数器，模拟输入可达1.25MHz。

如图2所示为本系统故障诊断流程图，在信号采集前，需要设置采样频率f、数组长度N、间隔向量h；参数设置完成后开始采集信号；对采集到的信号做变差函数运算；拟合变差函数值；取h趋于0时γ(k,h)的极值为块金点；将块金点同时输入到人工神经网络模型，首先训练人工神经网络模型，然后将其用于故障的识别与诊断；发现故障立即报警。

实例中以轴承故障试验台为诊断对象，将振动传感器垂直置于驱动端的轴承上方，振动信号的采集频率可调。故障诊断的流程如下：

（1）设置参数

设置采样频率f为10kHz，数组长度N为2048，间隔向量h为1000。

（2）信号的采集

首先触发信号采样开关，开始采集轴承的振动信号。

（3）信号运算

对信号进行截取、分段，并转化为长度为2048的数组，间隔向量为1000，计算振动信号的变差函数值γ(k,h)，公式为

（4）曲线拟合

将（3）中得到的信号的变差函数值在直角坐标系中表示出来，以h为横坐标，以γ(k,h)为纵坐标。在直角坐标系中拟合这些点，得到振动信号的变差函数曲线，取h趋于0时γ(k,h)为块金点。

（5）故障的分类与识别

将（4）中得到的块金点作为人工学习网络模型的输入，首先利用数据样本训练人工神经网络模型，然后将人工神经网络模型应用于故障的分类和识别。

（6）诊断结果的输出

通过显示装置显示诊断的结果，显示被测对象振动信号的时域波形、变差函数值及变差函数曲线、块金点以及设备状态。同时将诊断结果以文件的形式输出保存。

下面表1为轴承不同状态的块金点；表2为诊断测试结果。

表1变差函数对轴承不同状态的块金点

表2诊断测试结果

Claims

1.一种智能早期设备故障在线诊断方法,其基于的硬件平台包括振动传感器、信号采集卡、上位机、诊断结果显示装置、故障报警装置，其特征在于,包括以下步骤:

S1:振动传感器垂直放置在设备的任意位置，通过触发信号采集开关，信号采集卡开始信号采集；信号采集卡将采集的信号传输到上位机中；

S3:设置信号间的间隔向量h，h的值为1≤h<N；

S4:求取每一个信号间隔h的变差函数值γ(k,h)，计算公式为

其中为N为数组长度，h为间隔向量，x(k)为k时刻的振动信号，x(k+h)为k+h时刻的振动信号并利用坐标系表示出这些变差函数值；

S5:利用多种拟合方法拟合这些数据，所述的多种拟合方法包括指数逼近、傅立叶逼近、高斯逼近、插值逼近、多项式逼近、幂逼近、有理数逼近、平滑逼近、正弦曲线逼近；拟合得到的曲线为变差函数曲线；

S6:取h趋于0时的变差函数曲线的值为块金点，并作为人工神经网络模型的输入；训练和建立人工神经网络模型，实现设备状态的识别与分类；

2.根据权利要求1所述的一种智能早期设备故障在线诊断方法，其特征在于：诊断结果由上位机显示，显示被测对象振动信号的时域波形、变差函数值及变差函数曲线、块金点以及设备状态；同时将诊断结果以文件的形式输出保存。