CN103559392A - 一种基于多传感信息融合的机组状态评估方法 - Google Patents

Abstract

一种基于多传感信息融合的机组状态评估方法：同步采集机组转子同一截面上相互垂直的X通道和Y通道的振动信号，同时采集键相信号；用键相信号对两路振动信号进行键相处理；进行傅里叶变换，并进行频谱校正，求出频率成分的幅值和相位；从幅值和相位中提取出各阶次的频率ω、幅值A、B和相位α和β；分别对频率、幅值和相位进行合成得到二维全息谱图；以二维全息谱图的参数构建综合指标，利用该指标对机组状态进行模糊分类；通过判定七种类型模糊集的相似性的大小，采用最大最小法对标准样本评价；将全息谱模糊分类结果按时间的变化情况绘出曲线进行模糊趋势分析。本发明能定量地对机组的状态进行划分，能够对机组的状态有更全面的了解和掌握。

Description

一种基于多传感信息融合的机组状态评估方法

技术领域

本发明涉及一种机械设备故障诊断评估方法。特别是涉及一种基于多传感信息融合的机组状态评估方法。

背景技术

多传感器信息融合技术最早产生于航空电子学上的雷达目标识别问题，后来逐渐推广并应用到智能制造、过程监测、材料成型等研究领域。信息集成是指为帮助系统完成某一任务而对多个传感器提供的信息的协同利用。信息融合是信息集成过程的某一级，在此级中将不同传感器信息源综合成一种表示形式。也就是说，信息融合是将来自不同信息源的信息进行处理，信息集成是将各级信息融合过程进行合成。此过程的最终目的都是通过对多传感器信息的协同利用以产生对被测对象或过程的最佳估计。唯有在信息完整的基础上，通过多传感器信息的集成与融合，才有可能获得正确的诊断结论。在大型回转机械的故障诊断中一个比较成功的融合诊断信息方法是全息谱技术，它是在传统傅里叶频谱分析基础上发展起来的频域信息集成方法。根据信息融合的观点，将一个测量面的信息加以融合后考察，与孤立地分析各个测点信息相比，能更加充分地利用现有信息，这就是二维全息谱的理论基础。它在FFT算法的基础上通过内插技术，将精确求得的不同通道信号的幅值、频率、相位信息进行集成，最终合成一系列椭圆，这些椭圆刻画了不同频率分量下转子的形态学振动行为。二维全息谱技术在频域中融合了一个轴承截面上X、Y两个方向上振动信号的幅值、频率和相位，特别是相位信息的利用，使大机组中常见隐含故障的特征充分地显示出来，得以正确识别和诊断。

发明内容

本发明所要解决的技术问题是，提供一种构造了全息谱综合特征指标并进行模糊分类及趋势预测，能定量地对机组的状态进行划分，降低了对使用者自身经验要求的基于多传感信息融合的机组状态评估方法。

本发明所采用的技术方案是：一种基于多传感信息融合的机组状态评估方法，包括以下步骤：

1）同步采集机组转子同一截面上相互垂直的X通道和Y通道的振动信号，同时采集键相信号；

2）用键相信号对步骤1）采集的两路振动信号进行键相处理；

3）对键相处理后的两路振动信号进行傅里叶变换，并进行频谱校正，求出所关心频率成分的精确的幅值和相位，即得到如下的表达式 $\left\{\begin{array}{c}{X}_i=A_i\sin (\mathrm{i\ωt}+{\mathrm{\α}}_i)\\ Y_i=B_i\sin (\mathrm{i\ωt}+{\mathrm{\β}}_i)\end{array}\right.,$ 式中，α_i，β_i分别为i阶初相位即正弦；A_i和B_i为i阶幅值；ω为旋转角频率；

4）从步骤3）所得到的幅值和相位公式中提取出各阶次的频率ω、幅值A、B和相位α和β；

5）按照各相同频率分量分别对步骤4）所得到的频率、幅值和相位进行合成，第i阶全息谱以向量方式表示为，并将合成结果按频率顺序排列在一张图谱上，就得到了二维全息谱图；

6）以步骤5）中二维全息谱图的参数构建综合指标，利用该指标对机组状态进行模糊分类。

7）通过判定下面七种类型模糊集的相似性的大小，采用最大最小法对标准样本评价，

对于A_H、R_H或者S_H类：

对于AR_H、RS_H或AS_H类： ${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$

对于ARS_H类：μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H

8）按设定时间周期采集机组某测点的径向振动值，以步骤6）进行模糊分类，并将全息谱模糊分类结果按时间的变化情况绘出曲线，根据曲线的走势，进行模糊趋势分析。

步骤2）中所述的用键相信号对步骤1）采集的两路振动信号进行键相处理，是将X通道和Y通道的振动信号中对应于第一个键相脉冲之前的信号全部移除，并在X通道和Y通道的振动信号末端补零成相同长度。

步骤6）中所述的对机组状态进行模糊分类，是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过比较A_H，R_H和S_H的数值大小，结合标准谱样本就能够进行振动频谱的模糊分类。

步骤6）中所述的对机组状态进行模糊分类，是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过求解隶属度函数来进行模糊分类，相应的隶属函数是通过下述公式计算获得：

对于A_H、R_H或者S_H类，隶属函数

对于AR_H、RS_H或AS_H类，隶属函数 ${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$

对于ARS_H类，隶属函数μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，

I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H

通过比较上述所有类型的隶属函数的大小来进行振动频谱的模糊分类，即对应隶属函数最大的类型即为当前的机组状态。

本发明的一种基于多传感信息融合的机组状态评估方法，在多传感器信息融合机组状态指标的基础上，利用全息谱综合可靠地反映机组状态的能力，运用模糊综合评判，建立了一种多传感器信息融合的机组状态评估方法，构造了全息谱综合特征指标并进行模糊分类及趋势预测，能定量地对机组的状态进行划分，能够对机组的状态有更全面的了解和掌握。本发明可以为挖掘机组潜在故障和实现机组故障精确诊断提供可靠的依据，对把握机组状态、预测机组运行趋势和防止重大事故发生都有着重要的作用，大大地扩展了传统全息谱的运用范围，突破了传统的直接依靠诊断经验观察全息谱图来进行状态评估方法的局限，拓展了旋转机械故障监测诊断的水平和范围，为旋转机械健康可靠地运行提供有力支持。

附图说明

图1是振动频谱的3个域划分示意图；

图2是振动频谱的模糊分类的标准频谱样本图，图中：

令：a、r、s分别为A、R、S区域中的最大峰值，其中a＋r＋s＝10；

图3是全息谱的3个域划分示意图；

图4是X通道采样数据的振动频谱曲线图；

图5是Y通道采样数据的振动频谱曲线图；

图6是二维全息谱形成示意图；

图7是该测点的低频二维全息谱；

图8是该测点的全频二维全息谱示意图；

图9是全息谱分类趋势分析曲线图；

图10是键相处理示意图，

图中：a原始采样长度；b键相后采样长度；c移除长度；d补零长度；e振动信号；f振动信号；g截去部分；h补零。

具体实施方式

下面结合实施例和附图对本发明的一种基于多传感信息融合的机组状态评估方法做出详细说明。

在大型回转机械的故障诊断中，要正确地划分各种峰值分布情况，就要较好地区分机械的各种振动状态。最简捷的办法是将频谱分为三个区域：A域─小于工频的区域；R域─工频点；S域─大于工频的区域，如图1所示。这样划分的依据是从能量角度考虑的。这3个区域中谱峰能量的比例可大致反映出转子振动的特点和相应的故障，经长期使用证实，这样划分是切合实际的。例如：

（1）当频谱上工频分量突出时，是由于转子上零件脱落、积垢，暂时的或永久性热弯曲等原因引起轴承特别是滑动轴承的缺陷；

（2）当大于工频的分量突出时，主要由强迫振动引起，如联轴节对中不良或转子与固定部件的碰磨等；叶片与齿轮的故障也会导致很高阶次的谱峰出现；

（3）小于工频区域的分倍频分量主要反应出各类自激振荡现象存在，如发生油膜振荡、油膜涡动或流体激励等现象。

根据在这3个区域上频谱幅值的相对大小，定义转子振动的7种标准频谱样本如图2所示。如果有一个主要谱峰在区域A、R或S，则所测试的频谱应当属于图1中对应所示的A、R或S类；如果有两个主要谱峰位于区域AR、RS或AS，而第三个区域则有很微小的谱峰，则所测试的谱应当对应于图2所示的AR、RS或AS类；最后，如果在任何一个区域里面都没有占主导地位的谱峰，则所测试的谱应当归于ARS类。相应的隶属函数可以通过与标准谱样本比较计算所得。

本发明的一种基于多传感信息融合的机组状态评估方法，包括以下步骤：

1）同步采集机组转子同一截面上相互垂直的X通道和Y通道的振动信号，同时采集键相信号；

2）用键相信号对步骤1）采集的两路振动信号进行键相处理，如图10所示，是将X通道和Y通道的振动信号中对应于第一个键相脉冲之前的信号全部移除，并在X通道和Y通道的振动信号末端补零成相同长度；

3）对键相处理后的两路振动信号进行傅里叶变换，并进行频谱校正，求出所关心频率成分的精确的幅值和相位，即得到如下的表达式 $\left\{\begin{array}{c}{X}_i=A_i\sin (\mathrm{i\ωt}+{\mathrm{\α}}_i)\\ Y_i=B_i\sin (\mathrm{i\ωt}+{\mathrm{\β}}_i)\end{array}\right.,$ 式中，α_i，β_i分别为i阶初相位即正弦；A_i和B_i为i阶幅值；ω为旋转角频率；其X通道和Y通道的采样数据的振动频谱如图4、图5所示。

4）从步骤3）所得到的幅值和相位公式中提取出各阶次的频率ω、幅值A、B和相位α和β；

5）按照各相同频率分量分别对步骤4）所得到的频率、幅值和相位进行合成，第i阶全息谱以向量方式表示为，并将合成结果按频率顺序排列在一张图谱上，就得到了二维全息谱图；二维全息谱图的构成示意图如图6所示。相同频率的分量经过合成，可得到二维全息谱，其低频及全频全息谱如图7、图8所示。

6）以步骤5）中二维全息谱图的参数构建综合指标，利用该指标对机组状态进行模糊分类，

具体是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过比较A_H，R_H和S_H的数值大小，结合标准谱样本（图2所示）就能够进行振动频谱的模糊分类。或者：

是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过求解隶属度函数来进行模糊分类，相应的隶属函数是通过式

μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037与图2所示的标准谱样本比较计算获得。

7）通过判定下面七种类型模糊集的相似性的大小，采用最大最小法对标准样本评价，

对于A_H、R_H或者S_H类：

对于AR_H、RS_H或AS_H类： ${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$

对于ARS_H类：μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H

8）按设定时间周期（一周，一月等）采集机组某测点的径向振动值，以步骤6）进行模糊分类，并将全息谱模糊分类结果按时间的变化情况绘出曲线，如图9所示，根据曲线的走势，进行模糊趋势分析。

下面结合附图对本发明的方法举一空压机的实际例子进行说明。

1）同步采集某空压机机组转子同一截面上相互垂直的X通道和Y通道的振动信号，同时采集键相信号；

2）用键相信号对步骤1）采集的两路振动信号进行键相处理，如图10所示，即将X通道和Y通道的振动信号对应于第一个键相脉冲之前的信号全部移除，并在信号末端补零相同长度；

3）对键相处理后的两路振动信号进行傅里叶变换，并进行频谱校正，求出所关心频率成分的精确的幅值和相位，可以得到如下的表达式 $\left\{\begin{array}{c}{X}_i=A_i\sin (\mathrm{i\ωt}+{\mathrm{\α}}_i)\\ Y_i=B_i\sin (\mathrm{i\ωt}+{\mathrm{\β}}_i)\end{array}\right.,$ 其X通道和Y通道的采样数据的振动频谱如图4、图5所示。

4）从步骤3）所得到的幅值和相位中提取出其各阶次的频率、幅值和相位，α_i，β_i分别为i阶初相位(正弦)；A_i和B_i为i阶幅值；ω为旋转角频率；

5）按照各相同频率分量分别对步骤4）所得到的频率、幅值和相位进行合成，第i阶全息谱以向量方式表示为，并将合成结果按频率顺序排列在一张图谱上，就得到了二维全息谱。二维全息谱的构成示意图如图6所示（图6表示步骤1）到步骤5）的整个过程）。相同频率的分量经过合成，可得到二维全息谱，其低频及全频全息谱如图7、图8所示。

6）以步骤5）中二维全息谱图的参数构建综合指标，利用该指标对机组状态进行模糊分类。将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将以上4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值。接着可以得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过比较A_H，R_H和S_H的数值大小，结合图2就可以进行振动频谱的模糊分类。

另外，也可以通过求解隶属度函数来进行模糊分类。相应的隶属函数可以通过式（1-3）与图2所示的标准谱样本比较计算获得。通过判定这七种类型模糊集的相似性的大小，采用最大最小法对标准样本评价。

对于A_H、R_H或者S_H类

${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$ 对于AR_H、RS_H或AS_H类

                                                       (1-1)

μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037对于ARS_H类

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，

I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H

以步骤1）中的振动信号为例，其工频为186.35Hz，所以在每个区域中的复合指标最大值为：A_H区a_H=11.04，R_H区r_H=47.86，S_H区s_H=41.65。则每个区域相对应的隶属度函数为：

A_H=a_H/(a_H+r_H+s_H)=0.1098

R_H=r_H/(a_H+r_H+s_H)=0.4760              (1-2)

S_H=s_H/(a_H+r_H+s_H)=0.4142

${\mathrm{\μ}}_{R_H}=\min (\frac{0.4760}{0.8},1)=0.5950$

${\mathrm{\μ}}_{{\mathrm{RS}}_H}=\min (\frac{0.4760*0.4142}{0.2025},1)=0.9736---(1-3)$

${\mathrm{\μ}}_{{\mathrm{ARS}}_H}=0.4760*0.4142*0.1098/0.037=0.5851$

从式（1-1）可以看出，R_H和S_H约是A_H的4.5倍，结合图2就可以判断机组该测点的状态应当归于RS_H类。

另外也可以计算式（1-2）的隶属度函数来判断：从式（1-2）可以看出，在这些隶属度函数中是最大的一个，因此根据图2所示的模糊分类方法，机组该测点的状态应当归于RS_H类。

对属于RS_H类的故障，主要是由两种可能性：工频和高倍频故障。工频分量突出，主要由转子本身缺陷所致，如需确诊则需观测一段时间该测点全息椭圆初相点的变化；而高倍频故障主要由强迫振动引起；叶片与齿轮的故障也会导致很高阶次的倍频出现。

步骤7）：按一定时间周期（一周，一月等）采集机组某测点的径向振动值，以步骤6）进行模糊分类，并将全息谱模糊分类结果按时间的变化情况绘出曲线，如图9所示，根据曲线的走势，进行模糊趋势分析。

利用全息谱模糊分类技术进行趋势分析时，按一定时间周期采集机组某测点的径向振动值，并全息谱模糊分类。机组的起始数据均来自正常无故障运行状态，因此分类的结果和渐变趋势可直观反应机组运行状态的稳定性、可预测性和主导故障转移的过程。掌握这一过程并对其未来的发展做出正确的中长期预测和预报，就意味着达到了“预知”，为实现预知维修创造了条件，否则就成了盲目维修。图9显示了机组某测点根据全息谱模糊分类方法观测的一年的运行状态变化趋势。从图9中可以很明显的看出，在机组处于正常运行状态的时期内，相对应的全息谱的模糊分类结果也是非常稳定的归属于某一类。而一旦机组的状态发生变化，首先全息谱相应的产生变化，同时全息谱的模糊分类也在逐渐向与之相邻的类变化。

本发明多传感器信息融合机组状态指标的基础上，利用全息谱模糊分类技术来进行信息融合，得到的复合指标中包含了所有构成二维全息谱的原始指标，能够对机组的状态有更全面的了解和掌握，突破了传统只能基于单频谱的状态评估方法的局限，拓展了旋转机械故障监测诊断的水平和范围，为旋转机械健康可靠地运行提供有力支持。

Claims (4)

1.一种基于多传感信息融合的机组状态评估方法，其特征在于，包括以下步骤：

1）同步采集机组转子同一截面上相互垂直的X通道和Y通道的振动信号，同时采集键相信号；

2）用键相信号对步骤1）采集的两路振动信号进行键相处理；

3）对键相处理后的两路振动信号进行傅里叶变换，并进行频谱校正，求出所关心频率成分的精确的幅值和相位，即得到如下的表达式 $\left\{\begin{array}{c}{X}_i=A_i\sin (\mathrm{i\ωt}+{\mathrm{\α}}_i)\\ Y_i=B_i\sin (\mathrm{i\ωt}+{\mathrm{\β}}_i)\end{array}\right.,$ 式中，α_i，β_i分别为i阶初相位即正弦；A_i和B_i为i阶幅值；ω为旋转角频率；

4）从步骤3）所得到的幅值和相位公式中提取出各阶次的频率ω、幅值A、B和相位α和β；

5）按照各相同频率分量分别对步骤4）所得到的频率、幅值和相位进行合成，第i阶全息谱以向量方式表示为

，并将合成结果按频率顺序排列在一张图谱上，就得到了二维全息谱图；

6）以步骤5）中二维全息谱图的参数构建综合指标，利用该指标对机组状态进行模糊分类；

7）通过判定下面七种类型模糊集的相似性的大小，采用最大最小法对标准样本评价，

对于A_H、R_H或者S_H类：

对于AR_H、RS_H或AS_H类： ${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$

对于ARS_H类：μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H；

8）按设定时间周期采集机组某测点的径向振动值，以步骤6）进行模糊分类，并将全息谱模糊分类结果按时间的变化情况绘出曲线，根据曲线的走势，进行模糊趋势分析。

2.根据权利要求1所述一种基于多传感信息融合的机组状态评估方法，其特征在于，步骤2）中所述的用键相信号对步骤1）采集的两路振动信号进行键相处理，是将X通道和Y通道的振动信号中对应于第一个键相脉冲之前的信号全部移除，并在X通道和Y通道的振动信号末端补零成相同长度。

3.根据权利要求1所述一种基于多传感信息融合的机组状态评估方法，其特征在于，步骤6）中所述的对机组状态进行模糊分类，是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过比较A_H，R_H和S_H的数值大小，结合标准谱样本就能够进行振动频谱的模糊分类。

4.根据权利要求1所述一种基于多传感信息融合的机组状态评估方法，其特征在于，步骤6）中所述的对机组状态进行模糊分类，是将步骤3）中的表达式进一步表示成如下形式： $\left\{\begin{array}{c}{X}_i=\mathrm{sx}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cx}\·\cos \left(\mathrm{i\ωt}\right)\\ Y_i=\mathrm{sy}\·\sin \left(\mathrm{i\ωt}\right)+\mathrm{cy}\·\cos \left(\mathrm{i\ωt}\right)\end{array}\right.,$ 其中，sx和cx分别代表信号的水平分量的正弦和余弦系数，sy和cy分别代表信号的垂直分量的正弦和余弦系数，将sx、cx、sy和cy4个参数进行信息融合得到分析机组运行趋势的复合特征指标，即

$i_H=\sqrt{\left|\mathrm{sx}\right|*\left|\mathrm{sy}\right|}+\sqrt{\left|\mathrm{cx}\right|*\left|\mathrm{cy}\right|}$ i_H可取为a_H,r_H,s_H

式中，i_H为构造的复合指标，i_H综合了全息谱构成的所有信息，a_H,r_H,s_H表示对应区域里的全息谱的复合指标的最大值，从而得到

A_H=a_H/(a_H+r_H+s_H)

R_H=r_H/(a_H+r_H+s_H)

S_H=s_H/(a_H+r_H+s_H)

通过求解隶属度函数来进行模糊分类，相应的隶属函数是通过下述公式计算获得：

对于A_H、R_H或者S_H类，隶属函数

对于AR_H、RS_H或AS_H类，隶属函数 ${\mathrm{\μ}}_{\mathrm{IJ}}=\min \{\frac{I*J}{0.45*0.45},1\}=\min \{\frac{I*J}{0.2025},1\}$

对于ARS_H类，隶属函数μ_ARS=ARS/(0.33*0.33*0.33)=ARS/0.037

式中：I=i/(a_H+r_H+s_H);i=a_H,r_H或s_H，

I*J=i*j/(a_H+r_H+s_H),i或j=a_H,r_H或s_H

通过比较上述所有类型的隶属函数的大小来进行振动频谱的模糊分类，即对应隶属函数最大的类型即为当前的机组状态。

Images