CN103822793B - 一种复杂设备声学故障识别定位方法 - Google Patents

Abstract

本发明公开了一种复杂设备声学故障识别定位方法，包括：对分布式设备监测网络中单传感器振动信号进行数据预处理和故障特征提取；以类内类间距离作为遗传算法的评价函数，优化选取对故障敏感的特征参量；通过训练正常类样本集，建立基于支持向量数据描述的单值分类器模型进行初始故障识别；依据不同测点故障分类器的输出信息构造证据的基本概率指派函数，采用证据组合规则合成证据集，做出决策结果。本发明提供一种振动信息层级式融合的设备声学故障识别定位方法，采用多特征综合分析的模式识别技术，充分利用了不同测点振动信息，具有较强的泛化能力，解决了因设备结构复杂而难以建立精确数学建模进行故障识别定位的问题。

Description

一种复杂设备声学故障识别定位方法

技术领域

本发明涉及机械设备声学故障诊断技术领域，特别是分布式监测网络中复杂设备的声学故障识别定位方法。

背景技术

随着科学技术的迅猛发展，电力、交通、矿山等工矿企业中各类机械设备，如水泵、内燃机、涡轮机、风机、化工设备，正朝着大型化、复杂化、高速化、自动化方向发展。设备不同部件间的相互联系、耦合程度日益紧密，往往一个部件出现微小故障，将发生连锁反应，轻则降低生产效率、设备停机，重则发生机毁人亡等恶性事故，给人民的生命、财产和生存环境带来了严重威胁。为确保关键设备安全、可靠、高效的运行，有计划、有组织、有针对地对关键设备进行实时监测与故障诊断，做到尽早地发现设备在运行过程中的各种隐患，从而防止灾难性事故的发生，成为机械设备故障诊断所面临和解决的首要问题。

鉴于设备故障带来的严重危害，国内外发展了一些故障诊断方法，如：振动诊断、声学诊断、气体分析、光谱诊断、温度检测法，等等，这些检测方法各有优缺点。基于上述检测原理或方法，英、美、德、瑞士等国相继研制出具有不同功能、满足不同应用场合的相关诊断仪及在线监控系统；单台仪器方面，如日本精工公司(NSK)的NB系列轴承监测仪，它依据1-15kHz范围内振动信号的均方根和峰值特征来检测轴承故障，以及瑞典斯凯孚公司(SKF)的BT-2000A轴承故障检测仪。在线监控系统方面，有美国的货车滚动轴承轨边声学诊断系统(TADS)，美国BentlyNevada公司的7200系列、9000系列产品，IRD公司的IQ/2000系统，B&K公司的COMPASS状态监测与故障诊断系统，日本三菱重工的机械状态监测系统(MHMS)，并在多台核电站和商业热电站使用，后来发展为带诊断规则描述的振动诊断专家系统，等等。

尽管在设备故障诊断方面取得了一定的研究成果，但还存在如下一些问题：1)由于设备结构日趋复杂，且设备部件之间耦合较为严重，很难通过建立精确的数学模型进行设备故障识别定位；2)现有故障识别方法大多采用单一参量或标准进行诊断，可靠性较差，同时从国外引进的先进在线监测系统价格较为昂贵。例如：铁道部2003年引进美国滚动轴承轨边声学诊断系统(TracksideAcousticDetectionSystem,TADS)，单个测点需要约60万美元(共部署60个测点)，还不包括后期维护以及几年之后设备更新费用。

受噪声、时变效应和环境变化等因素的影响，单测点传感器的检测信息具有不确定性和模糊性。针对日趋复杂的机械设备系统，往往需要部署多个测点进行分布式的网络化监测，其检测信息表现出形式上的不确定性、多样性、数量的巨大性和关系的复杂性，传统的信号处理、分析技术难以有效处理。具体来说，需要解决以下问题：(1)如何从包含强背景噪声的混合检测信号中提取出单设备的多类故障特征信息，并优化选取出对设备故障敏感的特征量，以降低多设备声学故障诊断系统的数据处理量和通信量；(2)如何利用设备正常运行以及发生故障时所收集的非线性、小样本数据，通过深层次的知识加工学习，建立具有较高正确识别率和较强推广能力的定性的设备声学故障实时预测模型；(3)处于不同监测位置的多节点诊断结果间联合决策方法。

针对以上问题，很难通过单一的数据处理方法予以解决，本发明有机结合小波包分析、支持向量数据描述(SupportVectorDataDescription,VCDD)、证据理论等多种处理方法，给出一种基于数据挖掘和信息融合技术的复杂设备声学故障识别方法，建立包括特征级、数据级到决策级的层级式声学故障模型。该方法可对监测网络中各类检测信息进行多级别、多层面的融合处理，达到准确识别设备是否发生故障的目的，满足设备网络化、实时监测需求。

发明内容

本发明的目的是提供一种分布式多测点监测网络的复杂设备声学故障识别定位方法，通过对网络中设备不同测点的加速度信号进行层级式的融合处理，以降低基于单测点传感器信息故障识别过程中的不确定性或误识率，提高识别的准确率。

一种复杂设备声学故障识别定位方法，具体包括以下步骤：

1、利用小波变换、时域统计分析技术，对单测点处加速度传感器采集的信号进行数据级预处理，提取出相对完备的声学故障特征参数，具体方法为：

(1)提取时域故障特征参数；

机械设备自身结构的复杂性、多个部件协同工作和故障源的多样性，都可能造成设备动态的复杂性，引起声学故障恶化。时域信号包含着原始的非常丰富的状态信息，旋转设备发生故障时，其振动信号中许多统计特征参数都会随着故障的性质及大小发生变化，可作为诊断依据；利用统计分析方法，提取峰值、峰峰值、平均幅值、方根幅值等有量纲参数，其数值一般会随着故障发展而上升，但也会因工况变化而变化，难以区分，为此，提取脉冲指标、裕度指标、峭度、波形指标、峰值指标等时域无量纲参数，此类特征量受转速、负载等工况变化的影响较小；

(2)提取频域特征参数；

对于不同工况下的复杂设备，其频谱的幅值和形状一般是不同的，在特征频段上能量大小和比例关系大致可以反映出相应的故障类型；通过转子台振动模拟实验发现，在振动信号频谱曲线的基频及其倍频处，正常类与故障类信号一般都存在一个明显的峰值，且幅值大小有差异，可作为诊断依据；由于设备实际运行过程中，设备转速存在一定波动，致使基频及倍频点有一定偏移,且频率越高偏差越大，为此，以基频及其倍频为中心，提取其频带范围内频谱幅值和能量作为特征；

(3)提取时频域小波包能量特征；

受外界环境变化和本身故障等因素的影响，实际测得振动信号中可能包含有丰富故障信息的非平稳成分，传统的傅立叶分析是一种在时域或频域的全局变换，无法表述信号的时频局部性质，为此，利用具有多分辨率分析的小波包技术，在全频带内对信号进行多层次频带划分，用分解得到的各频带信号能量占信号总能量的比例系数作为声学故障特征，表征设备运行状态。

2、建立基于改进遗传算法的特征优化算法，从原始故障特征空间中选取对故障敏感的特征量，给定旋转设备的声学故障样本数据集Τ＝(S,F,C)，其中，S＝{s₁,s₂,...,s_k}、F＝{F_time,F_frequency,F_wavelet}＝{f₁,f₂,...,f_n}、C＝{c₁,c₂,...,c_m}分别表示数据样本、故障特征和故障类别，具体方法为：

(1)首先将原始解空间中的数据映射到基因型空间，由于最终问题的解是要从故障特征空间中选出一个最优的特征子集或者基因型空间的一组数串，因此，采用二进制串方式编码，实现每种特征选择方案与遗传个体一一对应，若某位为1，表示该特征被选中；

(2)依据单特征的故障可分度作为种群中对应个体特征位的选择概率，指导种群的初始化，故障特征f的可分离性评价准则是：在特征单独作用下，若使得不同类模式的特征均值向量之间距离最大，同时属于同一类模式的特征方差和最小，则可认为此特征对分类最有利，可描述为：

$w\left(f_i\right)=\frac{|{\mathrm{\μ}}_m\left(f_i\right)-{\mathrm{\μ}}_n\left(f_i\right)|}{{\mathrm{\σ}}_m^2\left(f_i\right)+{\mathrm{\σ}}_n^2\left(f_i\right)},f_i\∈F---\left(1\right)$

其中，μ_m(·)、分别表示第m类样本的均值向量和方差，μ_m(f_i)、表示m类样本的均值向量和方差在第f_i维方向的分量，μ_n(f_i)、表示n类样本的均值向量和方差在第f_i维方向的分量，w(f)值愈大，特征f区分旋转设备工作模式i和j的能力愈强；

依据式(1)，可得各故障特征可分离性向量w＝[w(f₁),w(f₂),...,w(f_l)]，并根据进行归一化，得到特征区分故障模式的可分离性向量w'；

(3)利用遗传算法进行特征选择时，涉及一个关键问题就是适应度函数构建，由于基于支持向量数据描述的声学故障识别算法，在思想上是基于分类的，因此，采用类别分离性判据进行特征选择，具体方法是：采用类间散布矩阵S_b和类内散布矩阵S_ψ的迹的比值，评价多故障特征子集H作用下的类可分离性，构造遗传算法的适应度函数J(H)：

$\left\{\begin{array}{c}J\left(H\right)=tr\left(S_b\right)/tr\left(S_{\mathrm{\ψ}}\right)\\ S_b={\Σ}_{j=1}^M{p}_i{\left(m_j-m\right)}^T\left(m_j-m\right)\\ S_{\mathrm{\ψ}}={\Σ}_{j=1}^M\frac{p_j}{N_j}{\Σ}_{k=1}^{N_j}{\left(x_k^{\left(j\right)}-m_j\right)}^T\left(x_k^{\left(j\right)}-m_j\right)\end{array}\right.---\left(2\right)$

其中，tr(·)表示矩阵的迹，即方阵主对角元素之和， 为第j类模式第K个样本的特征向量，N_j为第j类模式包含的样本数量，M为故障的类别数，p_j为第j类样本的先验概率，其值等于第j类样本数与总样本数的比值；

(4)通过不断改变候选特征子集输入至适应度评价函数J(H)，在群中选出生命力强或适应度高的个体产生新群体，具体实现方法是：设H_i表示种群中第i个体，其适应度为I(H_i)，则在下一代复制过程中，此个体被选中的概率为相应个体的累积概率为然后采用轮盘赌的复制方法，即循环M次，每次在区间[01]上产生一个随机数r，如果q_i-1≤r≤q_i，则第i个个体被复制一次，适应度大的个体被选中概率相对较大，被复制次数越多；

采用随机设定交叉位置方式，从种群中选出一定数量个体进行随机组队，具体实现方法是：设交叉概率为p_c，即交叉个体数量为M·p_c，则两个个体开始进行交换的位置为r·n(取整)，其中，r为每次交叉运算时在[01]区间内产生一个随机数，n表示故障特征的维数；经过选择、交叉后，按照变异概率p_m对个体的某些基本位进行反转，即位值由1变为0或由0变为1，从而避免由于选择和交叉运算而造成的某些位信息丢失；以迭代次数作为停止准则，迭代次数取50-500。

3、建立基于支持向量数据描述的设备单值故障分类器进行初始识别，具体方法是：

(1)依据获取的正常类样本数据，通过学习训练可得到一个封闭而紧凑的最小超球体来描述设备的正常状态，具体实现方法是：该超球面由球面中心a和半径R所决定，为了提高算法的鲁棒性，即允许在超球面内部包含非目标样本数据，引入松弛变量ξ和惩罚参数C，定义结构风险为：

$\left\{\begin{array}{cc}\min & F(R,a)=R^2+C\underset{i}{\Σ}{\mathrm{\ξ}}_i\\ s.t& \left|\right|x_i-a|{|}^2\≤R^2+{\mathrm{\ξ}}_k\\ & {\mathrm{\ξ}}_i\≥0(i=1,2,...,l)\end{array}\right.---\left(3\right)$

其中，x_i为第i个样本的特征向量；

引入拉格朗日乘子α_i、β_i，化简以后得到最终的优化问题：

$L(R,a,{\mathrm{\α}}_i,{\mathrm{\β}}_i)=R^2+C\underset{i}{\Σ}{\mathrm{\ξ}}_i-\underset{i}{\Σ}{\mathrm{\α}}_i(R^2+{\mathrm{\ξ}}_i-||x_i-a|{|}^2)-\underset{i}{\Σ}{\mathrm{\β}}_i{\mathrm{\ξ}}_i---\left(4\right)$

求出使L达到最小值的α_i，超球体内的点为目标样本数据，位于边界上的点为支撑超球体的支持向量，超球体之外的点为非目标样本，超球体的中心及半径分别为：

$\left\{\begin{array}{c}a={\Σ}_i{\mathrm{\α}}_i{x}_{{\mathrm{sv}}_i}\\ R=\left(x_{{\mathrm{sv}}_c}\·x_{{\mathrm{sv}}_c}\right)-2{\Σ}_i{\mathrm{\α}}_i\left(x_{{\mathrm{sv}}_i}\·x_{{\mathrm{sv}}_c}\right)+{\Σ}_i{\Σ}_j{\mathrm{\α}}_i{\mathrm{\α}}_j\left(x_{{\mathrm{sv}}_i}\·x_{{\mathrm{sv}}_j}\right)\end{array}\right.---\left(5\right)$

求得R，a后，对于待测样本点z，根据如下决策函数判别该点所属类别：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2∑_ia_i(z·x_i)+∑_i,ja_ia_j(x_i·x_i)≤R²)(6)

其中，I为指示函数，

(2)采用高斯径向基函数作为核函数，其结构形式较为简单，计算量较小，其核宽度参数s的选取原则是：作为训练模型，超球面空间需要能够代表隶属于某一范围之内的数据样本，并不希望对该范围作太严格的限制，s取值能够使得超球体空间稳定，并避免产生过多的支持向量约束状态空间；

(3)将待测样本的故障特征向量输入至建立的故障分类器模型，依据待测样本至超球体中心的核空间相对距离识别设备的工作状态；

4、以设备不同测点处故障分类器的识别信息作为独立证据源，利用证据组合规则合成证据集，依据组合结果做出最终决策，具体方法是：

(1)依据单值故障分类器的输出信息，客观构造证据的基本概率指派函数，具体实现方法是：设设备的故障识别框架为Θ＝{A₁,A₂,...,A_q}，q表示故障的类别数，取自然数，设备周围共部署G个成员节点，测点i所对应声学故障分类器关于命题A_j(j＝1,2,...,q)的输出值为O_i(A_j)，故障分类器的可靠度为α_i，可得证据集{m_i(·)}(i＝1,2,...,G)，证据关于各命题的基本概率指派值为：

$\left\{\begin{array}{c}{m}_i\left(A_j\right)=\frac{{\mathrm{\α}}_i{O}_i\left(A_j\right)}{{\Σ}_{j=1}^q{O}_i\left(A_j\right)},i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q\\ m_i\left(\mathrm{\Θ}\right)=1-{\mathrm{\α}}_i\end{array}\right.---\left(7\right)$

(2)采用下面的Dempster-Shafer证据合成公式进行证据合成：

其中，K_i,j表示证据间的冲突大小，A表示证据i和证据j组合后的焦元，B、C分别表示证据i，j的焦元，m_i、m_j分别表示证据i、j的基本概率指派函数；

(3)根据证据组合结果，做出最终决策，决策方法是：设A₁、A₂是故障识别框架Θ的两个命题集合，基本概率指派值分别为 $m\left(A_2\right)=max\{m\left(A_k\right),A_k\⋐\mathrm{\Θ},A_k\≠A_1\},$ 若满足：

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.---\left(9\right)$

则诊断的结果为A₁，否则不做决策。

本发明的优点在于：

(1)充分利用不同测点的采集信息，从数据级、特征级到决策级进行层级式的融合处理，可实现准确识别复杂设备的声学故障；

(2)以类内类间距离作为评价函数，可从多维特征中优化选出对故障敏感的特征参数；

(3)通过对设备不同测点的分类器识别信息进行合成，可有效的避免基于单测点振动信息的故障分类器可能存在的误识别问题。

附图说明

图1为本发明实施中转子振动实验模拟台及传感器部署图；

图中：

1-底座2-电机3-联轴节4-内侧轴承座5-涡流传感器支架

6-转子I7-摩擦螺钉及支架8-转子II9-外侧轴承座10(11、12、13)-加速度传感器

图2为本发明的方法流程图；

图3为本发明中基于改进遗传算法优化选取故障特征的流程图。

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

图1给出了在ZT-3转子振动模拟试验台的结构，其长1200mm，宽108mm，高145mm，质量约45kg，转轴直径均为Ф9.5mm，转子直径76mm，主要包括底座(1)、电机(2)、联轴节(3)、内侧轴承座(4)、涡流传感器支架(5)、转子I(6)、摩擦螺钉及支架(7)、转子II(8)、外侧轴承座(9)；在转子台周围部署4个Lance2052加速度传感器，分别位于电机侧近端底座侧面的传感器A(10)、电机侧近端底座正上方的传感器B(11)、电机侧远端底座正上方的传感器C(12)、电机侧远端底座侧面的传感器D(13)，分别测量转子设备水平以及垂直方向的振动信号；实验模拟了2040转/每分钟的恒定转速下转子正常以及不平衡故障，不平衡是通过在转子I和II上安装不平衡螺钉实现，不平衡螺钉的质量是0.6g，采样率是25.5KHz，实验得到正常类和故障类样本，每类样本长度为1秒数据。

本发明是一种复杂设备声学故障识别定位方法，流程图如图2所示，具体包括以下步骤：

1、利用小波变换、时域统计等信号分析技术，对单测点处采集的原始振动信号进行数据级预处理，提取出相对完备的声学故障特征，具体方法为：

(1)提取时域特征参数，包括峰值f_max、峰峰值f_max-max、平均幅值f_a-amp、方根幅值f_msr-amp等有量纲参数以及脉冲指标f_impulsion、裕度指标f_tolerance、峭度f_kurtosis、波形指标f_waveform、峰值指标f_peak等无量纲参数：

f_max＝max(|x(i)|),i＝1,...,N(10)

f_max-max＝max(x(i))-min(x(i))(11)

$f_{a-amp}=\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N\left|x\left(i\right)\right|---\left(12\right)$

$f_{msr-amp}=\sqrt{\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{x}^2\left(i\right)}---\left(13\right)$

f_waveform＝f_msr-amp/f_a-amp(14)

f_impulsion＝f_max/f_a-amp(15)

f_peak＝f_max/f_msr-amp(16)

$f_{tolerance}=f_{\max }/{\left(\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N\sqrt{\left|x\left(i\right)\right|}\right)}^2---\left(17\right)$

$f_{kurtosis}=\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{\left(x\right(i)-f_{mean})}^4/(\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{\left(x\left(i\right)-f_{mean}{)}^2\right)}^2---\left(18\right)$

其中x(i),i＝1,2,...,N表示振动信号各离散点的值，N为离散振动信号总长度；

(2)对振动信号做频谱分析，提取频域特征参数，具体方法是：

由大量统计实验表明，恒定转速下，在正常及故障类振动信号频谱曲线基频及其倍频处一般存在明显峰值，可作为诊断依据；由于电机转速是2040转/每分钟，对振动信号做频率分辨率为1Hz的频谱分析，其对应的基频为34Hz，考虑到实际实验过程中，即使稳定在同一电压下电机转速也存在一定波动范围，为此，选取(32-34)Hz、(65-70)Hz、(100-105)Hz、(130-135)Hz分别作为基频带、2倍频带、3倍频带、4倍频带，以相应频带范围内幅值和能量作为故障特征，得到8个频域特征f_freq(i),i＝1,2,...,8；

(3)采用Symlets小波基对原始振动信号进行3层小波包分解，然后以各分解频带信号能量占总能量的比例系数作为声学故障特征，得到8个小波包能量系数比特征f_wavelet(i),i＝1,2,...,8，表征设备运行状况；

通过(1)、(2)、(3)可以得到原始声学故障特征空间F，共包含26个特征。

2、以类内类间距离作为评价函数，建立改进遗传算法从原始故障特征空间中优化选取对故障敏感的特征参数，具体流程图如图3所示：

①初始化，种群规模M＝30，故障的类别数M＝2，p₁＝p₂＝0.5，正常和故障类样本的先验概率p₁＝p₂＝0.5，最大迭代次数Nmax为150，迭代次数Nc＝0，交叉概率p_c＝0.5，变异概率p_m＝0.15；

②生成初始种群，即对特征集进行二进制编码，实现每种特征选择方案与遗传个体一一对应，得到原始解的基因型空间F＝{f_i(j)},i＝1,2,...,30,j＝1,2,...,26，f_i(j)表示第i个个体第j位的值，取0或者1，若为1，表示该位对应的特征为对障敏感的特征；随机生成初始种群，其中，每个个体的特征位取1的概率由式(1)中单特征可分离性位来确定；

③依据式(2)计算每个个体H_i的适应度值I(H_i)，判断若Nc小于Nmax，进行选择、交叉、变异；若Nc等于Nmax，循环结束；

④依据累积概率作为下一代复制过程中个体被选中概率，得到新的种群；对于新种群中每两个个体，从位置r·n(r为每次交叉运算时在[01]区间内产生一个随机数，n等于故障特征的维数26)开始交叉，交叉数量为M·p_c＝30×0.5＝15；然后按照变异概率p_m对个体某些位进行翻转，转至步骤③；

⑤重复步骤②、③，直到达到最大迭代次数，输出最优解，算法结束；

实验结果表明，大约经过48次迭代后，算法开始稳定收敛，输出为F₂₁＝[01111010101111111011111111]；若不进行种群初始化优化操作，则需要经过大约95次迭代(取10次平均值)算法才开始稳定收敛。经过150次迭代后，算法最终收敛于最优特征子集F6＝[00001000001100000011100000]，即选取特征{均方根幅值、基频带幅值、基频带幅值、小波能量系数比1、小波能量系数比2、小波能量系数比3}。

3、建立基于支持向量数据描述的故障分类器融合故障特征，具体方法为：

(1)以优化选取后对故障敏感的特征作为特征向量，依据SVDD原理建立基本的特征超球体或分类器，描述转子台正常工作状态。

(2)基于初步建立的分类器模型，结合实测的实验数据优化选取分类器的核函数、核宽度参数及惩罚因子；

①为了便于观察，在对优化后故障特征归一化处理的基础上，选取其中的均方根幅值、基频带幅值二维特征作为故障特征向量，分别采用线性、多项式、指数和高斯径向基(RadialBasisFunction，RBF)等核函数训练正常类样本数据集，实验结果表明，当惩罚因子一定时，采用RBF核函数以及指数核函数时所得超球面，比线性和多项式核函数训练得到的超球面更为理想，它有效的描述了设备正常类样本数据集；同时，采用RBF核函数时，其结构形式较为简单，计算量较小，由于k(x,y)＝exp[-||x-y||²/2s²]，此时k(x,x)＝exp(0)＝1，为此，选取径向基函数作为分类器的核函数。

②基于同样的实验样本集，改变参数s，选取正常类样本集进行训练，实验结果表明：随着s值减小，所产生的支持向量数量逐渐增加，导致对超球体的约束增加，也即意味着超球体的形状过于严格，对范围之外的数据过于敏感，即使对相差不多的样本点也会产生明显的反映；作为训练模型，我们希望超球面空间能够代表隶属于某一范围之内的数据样本，并不希望它对该范围做太严格的限制，因此，需要s取值能够使得超球体空间稳定，并避免产生过多的支持向量约束状态空间，设定s＝1。

③基于同样的实验样本集，设置s为1，改变惩罚参数C，实验结果表明：当C等于1时，训练得到的分类超球面外不包含非目标点(不允许出现分类误差)，此时超球体的体积最大；随着C数值的减小，超球体外面所包含的非目标样本点数量逐渐增加，超球体的体积逐渐减小，形状更为紧凑，因此，需要根据实际需要来确定C，在这里设置1。

分别选取设备各测点(传感器)的正常类样本集进行训练，可建立相应的转子声学故障分类器A、B、C以及D。

4、利用DS证据理论融合各故障分类器输出信息，做出决策判断，具体方法为：

设备声学故障识别框架Θ＝{A₁,A₂}，A₁表示设备正常，A₂表示设备发生不平衡故障，设备周围共有4个测点，可得证据集{m_i(A_j)}(i＝1,2,...,4)，依据式(7)可得4条证据的基本概率指派函数，利用D-S证据组合公式(8)合成证据集，并利用决策规则式(9)做出最终决策。

基于训练得到的故障分类器模型A、B、C、D，将400个不同程度(不平衡螺钉质量分别为0.6g、0.9g、1.5g、1.8g)的不平衡故障类样本(测试样本)分别输入至相应的分类器进行预测，相应各分类器的总识别率分别为76％(304/400)、93.75％(375/400)、88.50％(354/400)、81.25％(325/400)；然后，将同一时刻4个通道的每个测试样本分别输入至相应的故障分类器，利用证据理论对各分类器的识别结果进行合成，其中，证据权重根据分类器训练时得到的识别率来确定，得出证据合成后总识别率为99.75％(399/400)。可以看出，经过多通道证据合成以后，可以很好的避免单通道故障分类器存在的误判断问题，从而提高设备故障识别的准确率。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非限制，可参照本发明的技术方案进行修改或者等同替换。

Claims (2)

1.一种复杂设备声学故障识别定位方法，其特征在于包括以下步骤：

步骤一、利用时域统计、频谱分析、小波变换方法，对复杂设备周围不同测点的原始振动信号进行数据预处理，构造出相对完备的声学故障特征空间；

(1)利用统计方法提取复杂设备的时域振动特征量，包括峰值、峰峰值、平均幅值、方根幅值的有量纲参数，以及脉冲指标、裕度指标、峭度、波形指标、峰值指标的无量纲参数；

(2)对振动信号做频谱分析，依据设备转速确定它的基频和倍频，提取基频带和倍频带上能量和幅值作为频域故障特征，消除由于转速波动对特征提取产生的影响；

(3)采用Symlets小波基，对设备的振动信号进行多层小波包分解，用分解得到的各频带信号能量占信号总能量的比例系数作为时-频域故障特征，表征设备运行状态；

(4)依据步骤一中(1)、(2)提取的时域、频域、时-频域小波包特征，合并组成完备的测点声学故障特征向量F＝{f_i}，i＝1，2，...，l，f_i表示特征向量中第i个故障特征；

步骤二、建立基于改进遗传算法的特征优化算法，包括：编码，初始种群生成，适应度函数计算，选择、交叉和停止准则，从原始故障特征空间中选取对故障敏感的特征量；

(1)采用二进制串方式编码，将原始解空间中的特征数据通过一定方式映射到基因型空间，实现每种特征选择方案与遗传个体一一对应，若某位为1，表示该特征被选中；

(2)依据单特征的故障可分度作为种群中对应个体特征位的选择概率，指导种群的初始化，故障特征f的可分离性评价准则是

$w\left(f_i\right)=\frac{|{\mathrm{\&mu;}}_m\left(f_i\right)-{\mathrm{\&mu;}}_n\left(f_i\right)|}{{\mathrm{\&sigma;}}_m^2\left(f_i\right)+{\mathrm{\&sigma;}}_n^2\left(f_i\right)},f_i\&Element;F---\left(1\right)$

其中，μ_m(·)、分别表示第m类样本的均值向量和方差，μ_m(f_i)、表示m类样本的均值向量和方差在第f_i维方向的分量，μ_n(f_i)、表示n类样本的均值向量和方差在第f_i维方向的分量，w(f)值愈大，特征f区分旋转设备工作模式i和j的能力愈强；

依据式(1)，可得各故障特征可分离性向量w＝[w(f₁)，w(f₂)，...，w(f_l)]，并根据进行归一化，得到特征区分故障模式的可分离性向量w′；

(3)采用类间散布矩阵S_b和类内散布矩阵S_ψ的迹的比值，评价多故障特征子集H作用下的类可分离性，构造遗传算法的适应度函数J(H)：

$\left\{\begin{array}{c}J\left(H\right)=tr\left(S_b\right)/tr\left(S_{\mathrm{\&psi;}}\right)\\ S_b={\mathrm{\&Sigma;}}_{j=1}^M{p}_i{(m_j-m)}^T(m_j-m)\\ S_{\mathrm{\&psi;}}={\mathrm{\&Sigma;}}_{j=1}^M\frac{p_j}{N_j}{\mathrm{\&Sigma;}}_{k=1}^{N_j}{(x_k^{\left(j\right)}-m_j)}^T(x_k^{\left(j\right)}-m_j)\end{array}\right.---\left(2\right)$

其中，tr(·)表示矩阵的迹，即方阵主对角元素之和， 为第j类模式第K个样本的特征向量，N_j为第j类模式包含的样本数量，M为故障的类别数，p_j为第j类样本的先验概率，其值等于第j类样本数与总样本数的比值；

(4)不断改变候选特征子集输入至适应度评价函数J(H)，在群中选出生命力强或适应度高的个体产生新群体；采用随机设定交叉位置方式，从种群中选出一定数量个体进行随机组队，并以迭代次数作为停止准则，迭代次数取50-500；

步骤三、以优化特征向量作为输入，建立基于支持向量数据描述的单值设备故障分类器，对复杂设备的状态进行初始故障识别；

(1)通过训练正常类样本数据集，建立一个封闭而紧凑的最小特征超球体来描述设备的正常状态，具体方法是：

该超球面由球面中心a和半径R所决定，为了提高算法的鲁棒性，即允许在超球面内部包含非目标样本数据，引入松弛变量ξ和惩罚参数C，定义结构风险为：

$\left\{\begin{array}{cc}\min & F(R,a)=R^2+C\underset{i}{\&Sigma;}{\mathrm{\&xi;}}_i\\ s.t.& \left|\right|x_i-a|{|}^2\&le;R^2+{\mathrm{\&xi;}}_k\\ & {\mathrm{\&xi;}}_i\&GreaterEqual;0,(i=1,2,...,l)\end{array}\right.---\left(3\right)$

其中，x_i为第i个样本的特征向量；

引入拉格朗日乘子α_i、β_i，化简以后得到最终的优化问题：

$L(R,a,{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i)=R^2+C\underset{i}{\&Sigma;}{\mathrm{\&xi;}}_i-\underset{i}{\&Sigma;}{\mathrm{\&alpha;}}_i(R^2+{\mathrm{\&xi;}}_i-||x_i-a|{|}^2)-\underset{i}{\&Sigma;}{\mathrm{\&beta;}}_i{\mathrm{\&xi;}}_i---\left(4\right)$

求出使L达到最小值的α_i，超球体内的点为目标样本数据，位于边界上的点为支撑超球体的支持向量，超球体之外的点为非目标样本，超球体的中心及半径分别为：

$\{\begin{array}{c}a={\&Sigma;}_i{\mathrm{\&alpha;}}_i{x}_{{\mathrm{sv}}_i}\\ R=(x_{{\mathrm{sv}}_c}\&CenterDot;x_{{\mathrm{sv}}_c})-2{\&Sigma;}_i{\mathrm{\&alpha;}}_i(x_{{\mathrm{sv}}_i}\&CenterDot;x_{{\mathrm{sv}}_c})+{\&Sigma;}_i{\&Sigma;}_j{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j(x_{{\mathrm{sv}}_i}\&CenterDot;x_{{\mathrm{sv}}_j})\end{array}---\left(5\right)$

求得R，a后，对于待测样本点z，根据如下决策函数判别该点所属类别：

f_SVDD(z，a，R)＝I(||z-a||²≤R²)＝I((z·z)-2∑_ia_i(z·x_i)+∑_i，ja_ia_j(x_i·x_i)≤R²)(6)

其中，I为指示函数，此处A指命题，若A为真，则判定为正常，若A为假，则判定为故障；

(2)采用结构形式简单、计算量较小的高斯径向基函数作为核函数，其中核宽度参数s的选取原则是：作为训练模型，超球面空间需要能够代表隶属于某一范围之内的数据样本，并不希望对该范围作太严格的限制，s取值能够使得超球体空间稳定，并避免产生过多的支持向量约束状态空间；随着C的减小，超球体外面所包含的非目标样本点数量逐渐增加，超球体的体积逐渐减小，形状更为紧凑，需要结合复杂设备不同测点的振动特点来设定；

(3)将待测样本的故障特征向量输入至建立的故障分类器模型，依据待测样本至超球体中心的核空间相对距离识别设备的工作状态；

步骤四、以设备不同测点处故障分类器的初始识别信息作为独立证据源，依据单值分类器的输出的核空间相对距离信息，客观构造证据的基本概率指派函数，采用证据组合规则合成证据集，做出最终决策。

2.根据权利要求1所述的一种复杂设备声学故障识别定位方法，其特征在于：所属步骤四中以设备不同测点处故障分类器的识别信息作为独立证据源，依据单值故障分类器的输出信息客观构造证据的基本概率指派函数，采用证据组合规则合成证据集，做出最终决策，具体方法为：

(1)假设复杂设备的识别框架为Θ＝{A₁，A₂，...，A_q}，q表示故障的类别数，取自然数，设备周围共部署P个测点，测点i所对应的声学故障分类器关于命题A_j(j＝1，2，...，q)的输出值为O_i(A_j)，其可靠度为α_i，可得证据集{m_i(·)}(i＝1，2，...，p)，证据关于各命题的基本概率指派值为：

$\left\{\begin{array}{c}{m}_i\left(A_j\right)=\frac{{\mathrm{\&alpha;}}_i{O}_i\left(A_j\right)}{{\&Sigma;}_{j=1}^q{O}_i\left(A_j\right)}\\ m_i\left(\mathrm{\&Theta;}\right)=1-{\mathrm{\&alpha;}}_i\end{array}\right.---\left(7\right)$

命题Θ表示不确定度，可能是故障也可能是正常状态；

(2)采用下面的Dempster-Shafer证据组合公式合成证据集：

其中，表示证据间的冲突大小，A表示证据i和证据j组合后的焦元，B、C分别表示证据i，j的焦元，m_i、m_j分别表示证据i、j的基本概率指派函数；

(3)根据证据组合结果，做出最终决策，决策方法是：设A₁、A₂是故障识别框架Θ的两个命题集合，基本概率指派值分别为 若满足：

其中，ε₁、ε₂为事先设定的阈值，则诊断的结果为命题A₁，否则不做决策。