CN103454113A - 一种适用于工况变化情况下的旋转机械健康监测方法 - Google Patents

Abstract

本发明涉及一种适用于工况变化情况下的旋转机械健康监测方法，其步骤包括（1）监测模型构建：利用相关向量机拟合健康特征参数随工况的函数关系，作为自适应阈值模型的参数，构建自适应阈值模型，（2）健康状态监测：将来自待检旋转机械的测试信号，利用构建的自适应阈值模型检测测试数据是否超出阈值，未超出阈值则判断机械健康，否则判断机械故障。本方法使用相关向量机拟合健康特征的均值和标准差随工况参数变化的函数关系，优势在于相关向量机具有很强的学习能力，不仅能够解决神经网络的局部极小值问题、过学习/欠学习问题，还能比支持向量机具有更好的稀疏性，得到的结果更加简洁和实用。本发明具有监测精度高，能够在变转速、变载荷情况下使用的优点。

Description

一种适用于工况变化情况下的旋转机械健康监测方法

技术领域

本发明主要涉及到健康监测与故障诊断领域，特指一种采用相关向量机和自适应阈值模型所进行的健康监测，其主要适用于在工况变化的情况下，对各种旋转机械故障的健康监测。

背景技术

变化的复杂工况以及不确定的外部环境干扰是影响机械健康监测与故障诊断的一个重要因素。实际上不少旋转机械的运行工况并非通常设定的定转速、定载荷。例如，飞机在慢车滑行、爬升、平飞、降落的过程中，发动机的转速和输出功率变化都很大。在对机械设备进行健康监测的过程中，一些在定转速、定载荷下十分有效的处理方法在工况的变化的情况下往往无法使用。目前，有一些方法可以用于处理工况变化引起的非平稳信号，包括短时傅里叶变换、小波分析、经验模式分解、希尔伯特黄变换、阶比分析等（参考文献：“Paul Samuel, Darryll Pines, A review of vibration-based techniques for helicopter transmission diagnostics, Journal of Sound and Vibration 282 (2005) 475–508/ 保罗 塞缪尔，达雷尔 帕恩斯，基于振动信号的直升机传动链故障诊断综述，声与振动学报，282 (2005) 475–508”。）上述方法为变速条件下的振动信号分析提供了途径，但是这些方法并没有考虑在转速、输出功率、特别是载荷变化的同时，正常的接触冲击能量和故障引起的冲击振动能量都会发生变化。考虑到故障，特别是早期故障引起的系统响应变化往往是非常微弱的，如何识别机械的振动响应变化是工况变化引起的还是故障状态引起的，就变得非常的困难。

发明内容

针对现有技术存在的技术问题，本发明提供一种适用于工况变化情况下的旋转机械健康监测方法，该方法操作简便、监测精度高、适用范围广、适用于变化工况。

为解决上述技术问题，本发明采用以下技术方案：

一种适用于工况变化情况下的旋转机械健康监测方法，包括以下步骤：

①. 监测模型构建：利用相关向量机拟合健康特征的统计均值m和标准差d随工况c的函数关系m(c)，d(c)，作为自适应阈值模型的参数，构建自适应高斯阈值模型；

②. 健康状态监测：将来自待检旋转机械的测试信号，利用构建的自适应阈值模型检测测试数据是否超出阈值，未超出阈值则判断机械健康，否则判断机械故障。

所述步骤①的具体流程为：

1.1、训练数据准备：测试健康旋转机械在变工况情况下的测试数据，包括振动信号和工况参数；

1.2、监测特征提取：提取不同工况下的健康特征指标x，统计健康特征指标的均值m和标准差d；

1.3、拟合健康特征指标与工况函数关系：以工况参数c为输入变量，以健康特征指标的统计均值m和标准差d为输出变量，训练相关向量机，得到健康特征参数x的均值m和标准差d与工况参数c之间的函数关系：m(c)、d(c)；

1.4、监测模型生成：使用特征指标的均值与标准差函数构建自适应阈值模型，

      （1）

式中，x是健康特征参数，c是工况参数，m和d表示随工况变化的健康特征参数x的均值和标准差；y表示旋转机械的健康指数，y>0意味着x没有超出阈值，表示机械健康；y<0意味着x超出阈值，表示机械故障；k是阈值因子，用于平衡假正率和假负率，同时使得假正率和假负率之和尽可能小；

1.5、阈值因子调整：调整阈值因子k，观察假正率和假负率随k的变化情况，并据此对阈值因子k进行调整，选择出适当的阈值因子。

所述步骤②的具体流程为：

2.1、测试数据准备：测试待检旋转机械的测试数据，包括振动信号和工况参数c；

2.2、监测特征提取：计算健康特征指标x；

2.3、健康状态判断：将待测数据中的健康特征指标x、工况参数c输入到监测模型，根据监测模型输出是否超出预定阈值，判断旋转机械的健康状态。

本方法利用相关向量机拟合健康特征的均值和标准差随工况参数变化的函数关系，并以健康特征的均值和标准差函数为参数，建立自适应阈值模型，使得该模型在工况变化的情况下可用。使用相关向量机拟合健康特征的均值和标准差随工况参数变化的函数关系，优势在于相关向量机具有很强的学习能力，不仅能够解决神经网络的局部极小值问题、过学习/欠学习问题，还能比支持向量机具有更好的稀疏性，得到的结果更加简洁和实用。本发明具有监测精度高，能够在变转速、变载荷情况下使用的优点。（参考文献：“Michael Tipping, Sparse Bayesian learning and the relevance vector machine, Journal of Machine Learning Research 1 (2001) 211-244/ 迈克 提平，稀疏贝叶斯学习与相关向量机，机器学习研究学报，1 (2001) 211-244”。）。

附图说明

图1是本发明的诊断流程示意图；

图2是应用实例中同步测量和计算得到的轴承的转速；

图3是应用实例中同步测量和计算得到的轴承的振动均方根值；

图4是应用实例中振动均方根值的均值m与转速r之间的函数关系m(r)的拟合结果；

图5是应用实例中振动均方根值的标准差d与转速r之间的函数关系d(r)的拟合结果；

图6是应用实例中假正率和假负率随阈值因子的变化趋势；

图7是应用实例中变工况条件下正常轴承的健康监测结果；

图8是应用实例中变工况条件下故障轴承的健康监测结果。

具体实施方式

下面以旋转机械的关键部件轴承的健康监测为例来说明本发明的具体实施方式。轴承是发动机、齿轮箱、泵、压缩机等旋转机械的重要组成部件。轴承故障是导致旋转机械失效的重要原因之一。对轴承健康监测，可以及时地发现轴承故障，为旋转机械的维护决策提供支持，从而避免造成机械故障或失效。因此，轴承的健康监测对于维护旋转机械的使用安全性非常重要。当轴承的转速和载荷等工况发生变化时，正常的接触冲击能量和故障引起的冲击振动能量都会发生变化。传统的非平稳信号处理方法虽然能够处理工况变化导致的不平稳信号，但是不能区分振动特征的变化是故障造成的还是工况变化造成的。图2所示为同步测量和计算得到的轴承的转速和振动均方根值。从图中可以看出，尽管轴承正常，由于转速不同，振动水平也有很大变化。考虑到故障，特别是早期故障引起的系统响应变化往往是非常微弱的，如何识别机械的振动响应变化是工况变化引起的还是故障状态引起的，就变得非常的困难。

这里提取轴承振动信号的均方根值作为轴承健康特征，以轴承的转速作为工况参数，在变工况下监测轴承健康状态，以此为例，说明采用本发明的实施步骤：

步骤1：监测模型构建，具体步骤如下。

步骤1.1：训练数据准备：在轴承健康的情况下，调整轴承转速，使其工作在轴承的正常范围内，测量轴承的振动信号和转速信号；

步骤1.2：监测特征提取：统计振动信号均方根值x的均值m和标准差d，及其对应的转速值r；

步骤1.3：拟合健康特征指标与工况函数关系：以工况参数r为输入变量，以健康特征指标，即振动均方根值x的统计均值m和标准差d为输出变量，训练相关向量机，得到振动均方根值的均值和标准差与转速之间的函数关系m(r)和d(r)，m(r)的拟合结果如图3所示，d(r)的拟合结果如图4所示；

步骤1.4：监测模型生成：将拟合得到的函数关系带入到高斯阈值模型，得到轴承振动均方根值的自适应阈值模型，

      （1）；

步骤1.5：阈值因子调整：调整阈值因子k，平衡假正率和假负率，同时使得假正率和假负率之和尽可能小；图5所示为假正率和假负率随阈值因子的变化趋势，从图中可以看出，选择k = 3可以在假正率较小的情况下，使得假负率为0。

步骤2：健康状态监测，具体步骤如下：

步骤2.1：测试数据准备：测试待检旋转机械的测试数据，包括振动信号和转速信号；

步骤2.2：监测特征提取：计算振动信号的均方根值x，以及与其对应的转速值r；

步骤2.3：健康状态判断：将振动信号均方根值x、转速值r输入到自适应阈值模型，计算轴承的健康指标y，根据y值判断轴承健康状态；图6所示为正常轴承的健康监测结果，从图中可以看出，当转速位于600~1200rpm之间时，监测特征没有超出阈值，对应的健康指标y为正值，表示该轴承处于健康状态；图7所示为故障轴承的健康监测结果，从图中可以看出，当转速位于600~1200rpm之间时，监测特征超出阈值，对应的健康指标y为负值，表示该轴承处于故障状态。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (3)

1.一种适用于工况变化情况下的旋转机械健康监测方法，其特征在于，步骤包括：

①. 监测模型构建：利用相关向量机拟合健康特征的统计均值m和标准差d随工况c的函数关系m(c)，d(c)，作为自适应阈值模型的参数，构建自适应高斯阈值模型；

②. 健康状态监测：将来自待检旋转机械的测试信号，利用构建的自适应阈值模型检测测试数据是否超出阈值，未超出阈值则判断机械健康，否则判断机械故障。

2.根据权利要求1所述的一种适用于工况变化情况下的旋转机械健康监测方法，其特征在于，所述步骤①的具体流程为：

1.1、训练数据准备：测试健康旋转机械在变工况情况下的测试数据，包括振动信号和工况参数；

1.2、监测特征提取：提取不同工况下的健康特征指标x，统计健康特征指标的均值m和标准差d；

1.3、拟合健康特征指标与工况函数关系：以工况参数c为输入变量，以健康特征指标的统计均值m和标准差d为输出变量，训练相关向量机，得到健康特征参数x的均值m和标准差d与工况参数c之间的函数关系：m(c)、d(c)；

1.4、监测模型生成：使用特征指标的均值与标准差函数构建自适应阈值模型，

      （1）

式中，x是健康特征参数，c是工况参数，m和d表示随工况变化的健康特征参数x的均值和标准差；y表示旋转机械的健康指数，y>0意味着x没有超出阈值，表示机械健康，y<0意味着x超出阈值，表示机械故障；k是阈值因子，用于平衡假正率和假负率，同时使得假正率和假负率之和尽可能小；

1.5、阈值因子调整：调整阈值因子k，观察假正率和假负率随k的变化情况，并据此对阈值因子k进行调整，选择出适当的阈值因子。

3.根据权利要求1所述的一种适用于工况变化情况下的旋转机械健康监测方法，其特征在于，所述步骤②的具体流程为：

2.1、测试数据准备：测试待检旋转机械的测试数据，包括振动信号和工况参数c；

2.2、监测特征提取：计算健康特征指标x；

2.3、健康状态判断：将待测数据中的健康特征指标x、工况参数c输入到监测模型，根据监测模型输出是否超出预定阈值，判断旋转机械的健康状态。

Images