CN103359572A - 一种提升机故障诊断方法及装置 - Google Patents

Abstract

一种提升机故障诊断方法及装置，涉及机械设备故障诊断和无线传感器网络领域。本发明主要包括两部分：（1）全局保持与局部鉴别的多核故障监测方法，该方法由离线训练和在线故障监测组成。离线训练具有结构保持的投影矩阵W，将高维数据样本投影到低维空间，然后训练GMM模型，计算T2、SPE、BIP、MD监测统计量，结合贡献图进行故障检测和诊断。（2）提升机故障诊断装置，该装置利用有线、无线两种方式进行信号采集与传输，适合复杂环境中设备的远程监测。应用效果表明，信号采集与传输可靠、监测准确性高、成本适中，具有推广价值。

Description

一种提升机故障诊断方法及装置

技术领域

本发明涉及工业过程的故障监测诊断、无线传感器网络领域，具体是一种非线性、非高斯、多模态故障监测诊断方法及故障诊断装置。

背景技术

近年来随着微机电系统技术、无线通信技术、传感器技术的迅速发展，一种新的信息获取和传输模式—无线传感器网络技术应运而生。与传统的有线传感器监测方式相比，无线传感器网络具有构建快速、部署方便等优点，可完成大范围信息采集和对象的自动监测。在煤矿生产中，矿井提升机的主要任务是提升煤炭、矿石和矸石，下放材料，升降人员和设备，它是关键的生产环节之一，其安全正常运行对煤矿生产产生重大的影响。目前，提升机的温度和振动信号的检测大都采用有线方式，布线繁琐且受传输距离的限制，甚至会出现个别信号无法通过有线方式进行传输的问题。另外，机械设备日趋大型化和集成化，工作状态变化频繁以及其它设备干扰严重，使得振动信号具有很强的非线性、非高斯和动态性，抽取的信号特征也具有非线性、异构、冗余、尺度差异大等特性。基于核PCA的故障检测方法虽然能解决非线性问题，但是在多负荷变化情况下监测性能并不理想。基于GMM的故障检测方法能监测多模态问题，但是在非线性、异构情形下监测性能也不理想。目前，对非线性非高斯多模态进行机械故障监测诊断的研究还比较少。

发明内容

本发明目的在于克服目前提升机故障诊断方法及装置的不足，发明的提升机故障诊断装置采用有线和无线相结合的方式传输监测信号，基于非线性非高斯多模态故障监测诊断方法实时监测提升机运行状态，自动诊断常见的提升机故障，具体是一种故障诊断方法和一种故障诊断装置。本发明是的通过下面的方法实现的。

1.故障诊断装置

一种提升机故障诊断方法及装置，系统根据检测信号装置与提升机监控室之间的距离选择有线或无线方式传输，该系统包括有线信号采集单元、无线信号采集单元、无线传感器网络、故障诊断单元和远程监控单元。

有线信号采集单元使用振动传感器、温度传感器对离监控室较近的电机、减速器和滚筒等主要部件进行信号采集。振动传感器安装于部件轴承处，结合现场情况，在旋转轴的垂直、水平和轴向三个方向上安装传感器，水平与垂直方向的传感器须处于垂直于轴向平面内；温度传感器插装于提升机部件的轴承孔中。传感器所采集信号经信号调理单元后进入数据采集卡，并传至上位机。信号调理单元在上位机旁，包括稳压恒流源和信号转换板，稳压恒流源为振动传感器提供电压，信号转换板将温度传感器输出的标准电流信号转换为标准电压信号，供采集卡采集。

无线信号采集单元包括无线振动加速度节点、无线温度节点、无线网关及网桥等。无线加速度节点安装于提升机天轮轴承处，无线温度节点安装于各高压开关柜进线相处。无线传感器网络使用星型拓扑，温度传感器节点D1~Dn汇聚至网关L并USB口进入上位机，因天轮与监测室间距离较远，使用一对网桥做中继节点，以扩大网络覆盖范围，天轮振动传感器节点B1~Bn连接网关N，网关与网桥（从站）相连，在监控室内，网桥（基站）连接工控机。

2.故障诊断方法

一种提升机故障诊断方法及装置，对采集信号使用一种新的非线性、非高斯、多模态故障诊断方法进行故障诊断，充分地利用了异构数据特征，适合多负荷变化的机械设备故障监测。

一种非线性、非高斯、多模态故障监测诊断方法，包括离线训练和在线故障监测诊断两个算法：离线训练算法首先训练基于多核的特征映射函数φ^e(x)及其核函数权重，样本映射到高维线性特征空间，在该空间内训练具有结构保持的投影矩阵，把高维特征空间数据投影到低维空间，最后使用低维数据特征训练GMM模型；在线监测算法首先利用φ^e(x)把测试数据映射到高维特征空间，并通过抽取数据特征，以此计算T²、SPE监测统计量，使用GMM模型计算BIP、MD监测统计量和贡献图，结合这些统计量进行故障检测和诊断。

本发明基于多核函数的特征映射函数，把信号特征映射到高维线性特征空间，对高维线性数据抽取特征。抽取的特征不仅能够保持高维空间的欧氏几何结构而且包含局部、全局几何结构信息，在低维特征空间内使用GMM建模，构造故障统计量进行故障监测，并使用贡献图进行故障诊断。

所述的一种非线性、非高斯、多模态故障监测诊断方法，对多个核函数的权重及其参数，给出了最优权重以及核函数参数的交替迭代优化算法，关于权重的优化问题如下：

（1）核函数权重和参数迭代优化算法

对多个核函数进行线性组合，即                                                

，

，基于下面的优化准则训练特征映射函数，该方法分别对更新求取最优值，更新方法分别如下：

a.根据下述优化准则更新核函数权重β _l

         

 (1)

b.根据下述优化准则核函数参数θ

                         

                    (2)

                                                       

                         (3)

                                           

                     (4)

                                       

                (5)

其中1_N是所有分量为1的向量N×1向量，，，

，    

， 

，

为X_i最近邻集合，

表示非近邻数据之间的相似性程度，

表示近邻数据之间的相似性，

，是RBF核函数。使用梯度下降法求取最优值

。

根据上述核函数权重和核函数参数更新方法，交替迭代算法求取最优核函数权重以及参数的步骤如下：

输入：训练数据集，权重初始值（满足(1)式的约束条件），核函数的数量M，RBF核参数初始值θ^old，梯度下降法步长N_opt=1，最大迭代次数N_imax；

输出：核函数权重值

，核函数参数值；

步骤1.对于公式(2)固定θ^old，使用凸优化法求解（1）所示问题得到权重更新解

，令

=

；

步骤2.对于公式(3)固定

，使用梯度下降法求解问题

得到核函数更新解θ^new，令θ^old=θ^new；

步骤3. N_opt= N_opt+1, 如果N_opt≥N_imax，则优化过程结束，转到步骤4，否则转到步骤1；

步4.对最优权重

进行检验：如果

≤ε时（ε是事先确定的很小数值），删除其对应的核函数。

基于训练的多核函数求核函数矩阵K，对其进行SVD分解K=QΛQ，（Q由相应正交特征向量组成）。定义显式特征映射函数

，

。

（2）投影矩阵训练算法

假设输入空间为

，给定特征映射φ(x)，满足关系：

                     

                      (6) 

φ(x_i)已经中心化。

所述的一种非线性、非高斯、多模态故障监测诊断方法，在高维特征空间

获取投影矩阵

，保证低维投影空间

和特征空间Φ具有相似的局部结构，并且具有良好的鉴别性，有利于故障模式区分，满足低维空间重构误差最小以及全局信息最大，计算投影矩阵算法如下：

令投影矩阵，则局部保持、非局部和全局保持由下面问题表示

                           

                       (7)

  

         (8)

令

，，

，D^b, S^b, L^b具有类似形式。上面优化问题可表述为：

          

  (9)

                              

  (10)

上述问题转化为求解广义特征值问题：

                

 (11)

其中

是最大特征值对应的特征向量；  

令

，

，当k≥2时，可以通过下面的特征值问题解得：

                           

 (12)

其中

，

，I是单位矩阵；

样本x过降维后的变量y为：

                  

(13)。

（3）低维空间GMM建模与构造监测统计量

高维数据

通过降维得到

，d≤N，其中

。对Y进行GMM建模，然后构造故障监测统计量。

a.构造统计量T²和SPE:

可以由隐含变量重构，即

                                                    Φ=BY+E                                         (14)

这里，E是独立同分布白噪声的残差空间，Φ可以分解为

，

为残差空间，显然

，

。

基于Y建立统计量：

                            

                              (15)

其中，

为协方差矩阵，

表示

的上α分位数。

基于残差

建立SPE统计量：

                                             

                     (16)

SPE_α表示SPE统计量的1-α置信限，y和e分别为Y和E空间的向量。

b. 基于GMM的统计量

y_test与第m个高斯成分相似度为：

                    

    (17)

MD近似服从自由度为N的χ²分布，如果MD的值超过了阈值，意味着y_test是一个在野点或者故障。

y_test为GMM第m成分的分布为

       

      (18)

y_test属于θ_m(GMM第m成分)的后验分布为

              

          (19)

P(θ_m)为每个Gaussian成分的先验，即GMM模型中的权重π_m;

定义             (20)

                                

                            (21)

BIP指标考虑y_test可能来自所有Gaussian成分，即使样本y_test概率分布比较复杂，该指标也能较可靠地检测故障，避免因y_test属于单个Gaussian而导致潜在的误检测风险。

贡献图显示每个变量对统计量的贡献程度，监测变量x_test通过经验映射函数φ(x_test)映射后，经过降维映射到低维空间

，其每一个变量v_d的贡献度，d=1,2,…,D，可以使用MD对v_d的一阶微分近似

                    

              (22)

所述的MD监测统计量反映了单个高斯成分（局部信息），而统计量T²反映了全局信息，两者构造一个新的融合局部和全局信息的监测统计量，其形式为

                                           

                                 (23)

其中η_MD和

分别为MD和T²的阈值。

有益效果：本发明结合有线和无线传输技术，实时监测提升机关键部位的振动和温度信号，保证了实时性和稳定性，较大程度上避免了布线的繁琐、线路间相互影响的问题，方便安装；提出的故障诊断方法应用可行，具有较高的故障监测率和故障诊断的准确性。

附图说明

图1为本发明的监测结构示意图（   表示有线传输，……表示无线传输）;

图1中：A 振动传感器，B 三向加速度振动节点，C 温度传感器，D 无线温度节点，E、F 信号调理器，G 信号采集卡，H 工控机，M 加速度网关，L 温度网关，N 网桥;

图2为故障监测算法框架（a.离线训练，b.在线监测）。

具体实施方式               

下面结合附图1对本发明的实施作进一步的说明：

提升机电机、减速器、滚筒等距监控室较近的设备使用有线振动(A)和温度传感器(C)采集信号，信号经信号调理器(E,F)传至采集卡(G1,G2)从而汇聚至上位机(H)。使用无线传感器检测距监控室较远的天轮振动和高压电气柜的温度。三向振动加速度节点(B)连接至加速度网关(M)，加速度网关连接至从站网桥(N1)，通过基站网桥(N2)接入上位机(H)，基站网桥(N2)和从站网桥(N1)分别位于监控室内和天轮上。在高压电器柜进线相处安装无线温度传感器节点(D)通过网关(L)连接到上位机(H)，远程客户端与上位机通过网络通信实现提升机运行状态的远程监控。

基于LabVIEW和MATLAB平台设计监测诊断单元，采用模块化设计、界面友好，能够实现信号的实时监测及显示、信号处理分析、故障特征提取及诊断、数据存储查询、生命周期管理和系统安全登录等功能。

故障监测算法框架如图2所示。算法应用分为2个阶段：离线训练阶段和在线故障监测阶段。在训练阶段，从机械设备中采集设备状态数据，并进行去噪、规格化等预处理；然后从数据的频域、时域以及信号几何结构方面抽取特征；对由异构特征构建的数据样本求取最优核函数权重和参数，使用本方法对数据维数约简，在低维约简空间中对GMM进行建模。在线故障监测阶段中，数据信号处理过程和特征抽取方法与训练阶段类似，然后使用训练好算法对新数据样本进行维数约简，计算监测统计量T²和SPE，根据GMM模型计算监测统计量MD和BIP；当故障监测统计量超出正常值时发生故障，使用贡献图找出最有可能发生的故障源。

Claims (5)

1.一种提升机故障诊断方法及装置，其特征在于：1)系统根据检测信号装置与提升机监控室之间的距离选择有线或无线方式传输，该系统包括有线信号采集单元、无线信号采集单元、无线传感器网络、故障诊断单元和远程监控单元；2）对采集信号使用一种新的非线性、非高斯、多模态故障诊断方法进行故障诊断，充分地利用了异构数据特征，适合多负荷变化的机械设备故障监测。

2.根据权利要求1所述的一种提升机故障诊断方法及装置，其特征在于：一种非线性、非高斯、多模态故障监测诊断方法，包括离线训练和在线故障监测诊断两个算法：离线训练算法首先训练基于多核的特征映射函数φ^e(x)及其核函数权重，样本映射到高维线性特征空间，在该空间内训练具有结构保持的投影矩阵，把高维特征空间数据投影到低维空间，最后使用低维数据特征训练GMM模型；在线监测算法首先利用φ^e(x)把测试数据映射到高维特征空间，并通过抽取数据特征，以此计算T²、SPE监测统计量，使用GMM模型计算BIP、MD监测统计量和贡献图，结合这些统计量进行故障检测和诊断。

3.根据权利要求2所述的一种非线性、非高斯、多模态故障监测诊断方法，其特征在于：对多个核函数的权重及其参数，给出了最优权重以及核函数参数的交替迭代优化算法，关于权重的优化问题如下：

 (1)

交替迭代优化算法求解步骤如下：

输入：训练数据集，权重初始值

（满足(1)式的约束条件），核函数的数量M，RBF核参数初始值θ^old，梯度下降法步长N_opt=1，最大迭代次数N_imax；

输出：核函数权重值

，核函数参数值

；

步骤1.固定θ^old，使用凸优化法求解（1）所示问题得到权重更新解

，令

=

；

步骤2.固定，使用梯度下降法求解问题

得到核函数更新解θ^new，令θ^old=θ^new；

步骤3.N_opt= N_opt+1 , 如果N_opt≥N_imax，则优化过程结束，转到步骤4，否则转到步骤1；

步骤4.对

进行检验：如果

≤ε时（ε是事先确定的很小数值），删除其对应的核函数。

4.根据权利要求2所述的一种非线性、非高斯、多模态故障监测诊断方法，其特征在于：在高维特征空间

获取投影矩阵

，保证低维投影空间

与特征空间Φ具有相似的局部几何结构，并且具有良好的鉴别性，有利于故障模式区分，计算投影矩阵算法如下：

令投影矩阵，则局部保持、非局部和全局保持由下面问题表示： 

                                                                   (7) 

               (8)

 令 

，

,

,D^b, S^b, L^b具有类似形式，上面优化可表述为: 

                    (9)

   

                                                             (10)

上述问题转化为求解广义特征值问题：

                                               (11)

其中

是最大特征值对应的特征向量；

令

，

，当k≥2时，

可以通过下面的特征值问题解得：

 

                                             (12)

其中

，

，I是单位矩阵。

5.根据权利要求2所述的一种非线性、非高斯、多模态故障监测诊断方法，其特征在于：所述的MD监测统计量反映单个高斯成分(局部信息)，T²监测统计量反映全局信息，两者构造一个新的融合局部和全局信息的监测统计量，其形式为

                                                         (23)

其中η_MD和

分别为MD和T²的阈值。

Images