CN104252573A - 一种基于分步模式的机械多故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于分步模式的机械多故障诊断方法，包括如下操作步骤：S1：判断机械是否发生故障，若发生故障则进行步骤S2操作；S2：判断机械发生的是否为多故障，若为单故障进行步骤S3操作，若为多故障进行步骤S4操作S3：采用单故障分类器模型对机械进行故障诊断；S4：采用多故障分类器模型对机械进行故障诊断。上述分步模式的方法其可对机械多故障进行有效可靠的诊断，提高机械多故障诊断的可靠性。

Description

一种基于分步模式的机械多故障诊断方法

技术领域

本发明涉及机械故障分析领域，具体涉及一种基于分步模式的机械多故障诊断方法。

背景技术

机械故障诊断技术的发展已经有三、四十年左右，诊断技术及其理论都得到了很大的发展。现代的系统日益趋向大系统，且具有复杂、非线性等特点，而复杂的机电系统通常由多个子系统组合与连接而成，所以当机电设备系统发生运行故障时多个故障同时出现在一个系统中的现象越来越多。但是，对于多故障的诊断问题，目前还未能很好的解决。原因是多方面，其一，系统复杂，对于多故障的研究还不够深入；其二，在工程实际中，多机组同时运行，互相影响，多故障发生的机会增多，诊断分析更加困难；其三，诊断方法不够成熟。由于规则和知识库的限制，专家系统等人工智能方法对多故障的处理也显得力不从心，在神经网络诊断技术中，如果将各种多故障的组合作为训练样本，将使得网络规模非常庞大。网络的归纳、联想能力将大幅度下降，甚至完全失败。同时，关于多故障诊断的研究也不多见，可见研究多故障诊断的理论，提出多故障诊断方法，是很有必要的。

发明内容

为实现上述目的，本发明提供了一种基于分步模式的机械故障诊断方法，其可对机械多故障进行有效可靠的诊断，提高机械多故障诊断的可靠性。

本发明采用的技术方案具体如下：

一种基于分步模式的机械多故障诊断方法，其特征在于，包括如下操作步骤：

S1：判断机械是否发生故障，若发生故障则进行步骤S2操作；

S2：判断机械发生的是否为多故障，若为单故障进行步骤S3操作，若为多故障进行步骤S4操作；

S3：采用单故障分类器模型对机械进行故障诊断；

S4：采用多故障分类器模型对机械进行故障诊断。

更为详细的操作为：

步骤S3中用GBN分类器模型进行故障诊断。

步骤S4中用TAN分类器模型进行故障诊断。

通过上述分步模式的机械故障诊断方法，其可快速的对机械的多故障或者单故障进行有效可靠的分析诊断，实现机械快速可靠的诊断。

附图说明

图1为本发明流程示意图；

图2为多故障试验数据；

图3为数据集15Hz(未分类)的贝叶斯网络模型；

图4为数据集15Hz(高)的贝叶斯网络模型；

图5为数据集15Hz(低)的贝叶斯网络模型；

图6为数据集30Hz(未分类)的贝叶斯网络模型；

图7为数据集30Hz(高)的贝叶斯网络模型；

图8为数据集30Hz(低)的贝叶斯网络模型；

图9为数据集45Hz(未分类)的贝叶斯网络模型；

图10为数据集45Hz(低)的贝叶斯网络模型；

图11为数据集45Hz(高)的贝叶斯网络模型；

图12为数据集45Hz(未分类)的贝叶斯网络模型；

图13为数据集45Hz(低)的贝叶斯网络模型；

图14为数据集45Hz(高)的贝叶斯网络模型；

图15为数据集60Hz(低)的贝叶斯网络分类器的混淆矩阵；

图16为基于数据集60hz(低)机械状态贝叶斯网络判断模型；

图17为各分类器模型的混淆矩阵；

图18为基于数据集60hz(低)故障模式判断贝叶斯网络模型；

图19为各分类器模型混淆矩阵；

图20为GBN分类器模型(左)和TAN分类器模型(右)；

图21为分类器模型的混淆矩阵；

图22为单故障贝叶斯网络分类器转子翘曲故障ROC曲线对比；

图23为多故障贝叶斯网络分类器模型的升力曲线对比。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

其中：在此处分别介绍下

旋转机械有很多种不同的故障，其故障机理和特征各不相同。综合国内外典型故障诊断案例，可将旋转机械故障归纳为10类58种故障识别规则，具体如表1所示。

表1旋转机械故障原因简表

本发明基于上述故障类型，具体采用如下方法进行诊断：

一种基于分步模式的机械多故障诊断方法，包括如下操作步骤：

S1：判断机械是否发生故障，若发生故障则进行步骤S2操作；

S2：判断机械发生的是否为多故障，若为单故障进行步骤S3操作，若为多故障进行步骤S4操作；

S3：采用单故障分类器模型对机械进行故障诊断；

S4：采用多故障分类器模型对机械进行故障诊断。

更为详细具体的操作如下：

1.1多故障数据采集

1.1.1方案设计

为了进行多故障诊断试验，在故障模拟器中，选取了旋转机械上的轴承座(翘曲)、转子(偏心)、转轴(弯曲)三个部件中来模拟机器多故障工况，选取其中的3种多故障模式，采集机械带故障工作时处于15Hz、30Hz、45Hz、60hz时的状态数据。

1.1.2原始数据收集

本发明所用数据集取自于故障模拟器，共收集12个表，每张表中都有两万多条数据，如图2所示。此数据集记录了三种故障模式下传感器所收集的振动数据。目标变量为State有四个取值，属性变量包括：Tach、L-V、L-H、R-V、R-H，具体如表2所示。

表2实例变量描述

从收集的12个表的数据中每个表随机抽取出3000条数据，按15Hz、30Hz、45Hz、60Hz四种转速分类，再分别补充3000条正常运行数据，最终建立多故障数据集15Hz、多故障数据集30Hz、多故障数据集45Hz、多故障数据集60Hz。其中取2／3为训练集，1／3为测试集，表3列出了数据集属性。

表3数据集属性

数据集属性	取值
		数据集大小	12000
训练集大小	8000
		测试集大小	4000
属性变量数目	5

本文中选取了转子的三种故障翘曲转子(M-CR rotor)、偏心转子1(M-ERrotor1)、偏心转子2(M-ER rotor2)的故障状态来进行故障仿真并采集故障数据来进行模型的验证。

从收集的12个表的数据中每个表随机抽取出Tach值处于4和5时的4500条数据和Tach值处于0和1之间的4500条数据，建立新的数据集，为多故障数据集15Hz(高)、多故障数据集30Hz(高)、多故障数据集45Hz(高)、多故障数据集60Hz(高)和多故障数据集15Hz(低)、多故障数据集30Hz(低)、多故障数据集45Hz(低)、多故障数据集60Hz(低)还有未分类的四种原始数据集。

1.2多故障数据诊断模型

1.2.1数据建模

1)15hz故障数据集建模，如图3、4、5以及表4所示；

表4故障数据集15hz贝叶斯网络分类器分类精度

表4中列出了基于混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

2)30hz故障数据建模，如图6、7、8以及表5所示；

表5列出了基于分类器模型的混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

表5故障数据集30hz贝叶斯网络分类器分类精度

3)45hz故障数据建模，具体如图9、10、11以及表6所示；

表6列出了基于分类器模型的混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

表6故障数据集45hz贝叶斯网络分类器分类精度

4)60hz故障数据建模，具体如图12、13、14、15以及表7所示；

表7列出了基于分类器模型的混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

表7故障数据集60hz贝叶斯网络分类器分类精度

综合以上四组数据集建模分析，每一种贝叶斯网络分类器的训练集和测试集的分类精度相差不大，说明数据集的贝叶斯网络分类器模型具有良好的泛化能力；在多故障数据集建模分析中TAN分类器在整个分析过程中都表现出了明显的优势，TAN分类器精度在每个数据集建立的分类器模型中都是最高的；而NB分类器忽略了属性变量之间的关系，分类精度是最低的，说明多故障数据集中的每个属性变量之间的关联关系与系统状态存在着一定的联系不能忽略。

1.2.2建模总结

1)随着机器旋转速度也就是机械旋转速度越来越大，故障特征变得越来越明显，模型精度也有所提高；

2)将多故障数据也进行和单故障数据相同的简单梳理，把方波的高频和低频分开有助于提高模型精度，Tach值分类后低频数据集的贝叶斯网络分类器模型依然是取得了稍高的精度，但模型精度并没有没有达到最佳；

3)和单故障建模时相同NB分类器只考虑属性变量与目标变量之间的关系，忽略了其他属性变量之间的关系，所以其分类精度明显低于其他三种分类器，不同的是，在多故障建模时TAN分类器总是表现最好，BAN分类器和GBN分类器模型精度比NB分类器较好，但两者自身的差别不大；

4)由以上建模得知，TAN分类精度最高为83.1％，多故障诊断模型选取TAN分类器建模。故障数据和正常数据同时作为目标变量状态值来直接建立诊断模型精度并没有达到很高的精度，为了进一步提高模型诊断精度，下节将讨论将目标变量分阶段建模的模型精度。

1.3目标变量分步模式建模诊断

1.3.1建模方案

为了提高模型分类精度，基于贝叶斯网络分类器建立的多故障数据诊断模型和单故障数据诊断最优贝叶斯网络分类器诊断模型不同，而得到的两种诊断模型的精度不是很理想。为了更进一步提高分类器网络模型的精度，将目标变量进行分步模式建模，如图1所示。

将24种训练数据集根据目标变量State性质进行分步建模，即：

1)判断是否故障(N or UN)；

2)判断是否为多故障(Y or N)；

3)单故障用GBN分类器模型进行故障诊断；

4)多故障用TAN分类器模型进行故障诊断。

1.3.2建模举例

利用最优训练集数据60Hz(低)，对于连续变量采用决策树分布离散化。

①判断是否故障(N-表示为正常状态／UN-表示故障状态)

以训练集数据60Hz(低)建立NB、BAN、TAN、GBN分类器模型如图16所示。

表7列出了基于混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

表7分类器分类精度

分类器	训练集(％)	测试集(％)
			NB分类器	91.24	88
BAN分类器	93.75	89.83
			TAN分类器	93.27	89.36
GBN分类器	93.7	89.81

由上面的图表可知，BAN分类器用于机械状态判断建模时最佳。

②判断是否为多故障(Y-表示为多故障数据／N-表示为单故障数据)，如图18、19及表8所示；

表8列出了基于混淆矩阵计算的各分类器在训练集和测试集上的分类精度，其中分类精度较高的字体加粗表示。

表8分类器分类精度

分类器	训练集(％)	测试集(％)
			NB分类器	90.98	85.98
BAN分类器	95.98	90.42
			TAN分类器	94.17	89.85
GBN分类器	94.01	89.6

由上面的图表可知，BAN分类器用于故障模式判断建模时最佳。

③目标变量分阶段后单故障诊断GBN模型和多故障诊断TAN模型及模型精度如图20、21所示：

由图20、21可知目标变量分阶段后建模，单故障模型精度由原来的80.95％提高为88.4％，多故障诊断模型精度由原来的83.1％提高为95.49％。相对于直接建模诊断将目标分阶段后建模后进行故障诊断的诊断精度较高。

1.3.3模型分析

除了分类器精确度我们还可以用ROC曲线和升力曲线来评估得到的最优诊断模型。

ROC曲线最初源于20世纪70年代的信号检测理论，描述的是分类混淆矩阵中FPR-TPR两个量之间的相对变化情况。其基本原理是通过目标变量对阈值移动的判别，获得多对TPR和FPR的取值。然后以TPR为纵轴，FPR为横轴，连接各点绘制曲线并计算曲线下的面积。如果得到的曲线与斜率为1的直线差不多重合，则说明属性变量对目标变量的判断价值很差；若越远离斜45度的直线即曲线下的面积越大，则说明在误判率一定的情况下，其灵敏度越高，即属性变量对目标变量的判断价值越好。升力曲线横轴表示应用数据占总体数据的百分比，纵轴表示采用优化模型获得的目标值数量与采用随机模型获得的目标值数量的比值。给定数据和模型，升力值越大说明模型的响应率越好，即优化模型的分类效果越好。

单故障诊断分类器的ROC曲线如图22，其中图22是以转子翘曲故障(MCR)为目标节点的增益曲线。从图22的结果显示，GBN、BAN分类器在误判率37％左右达到100％灵敏度，TAN分类器在误判率50.9％左右达到％100灵敏度，NB分类器在误判率55.3％左右达到100％灵敏度，说明GBN、BAN分类器的灵敏度高于TAN、NB分类器。GBN、BAN、TAN分类器的ROC值分别为91.82％，91.82％，89.28％，NB分类器的ROC值为86.29％相对较低，说明它的灵敏度最差。

多故障诊断分类器的升力曲线如图23所示。图23结果显示，TAN分类器的升力曲线最为光滑，NB分类器的升力曲线波动最大，说明了TAN分类器对目标变量的相应情况最稳定。观察图中黄色直线，当取34％左右的样本数据时，TAN分类器的升力值达到2.85，GBN、BAN分类器的升力值相差不多，为2.56和2.506，NB分类器的升力值为2.39，说明在取大部分样本数据时，TAN分类器的提升效果最好。TAN分类器的相对升力数同样最大，达到了99.22％。BAN分类器紧随其后，相对升力数为95.51％，说明这两种分类器都具有良好的响应率。NB分类器表现最差，仅为92.1％。

1.4总结

本发明在单故障诊断模型建立的基础上对多故障诊断模型的选取做了分析。选取了转子、转轴和轴承座三个部件的三种多故障组合进行故障模拟，并基于12组实例数据的NB、BAN、TAN和GBN网络模型，提出了基于分步模式的多故障诊断模型建模方法，从而提高了相应的故障诊断模型的精确度，根据ROC曲线和升力曲线的评价标准对模型进行了比较分析。

以上所述仅是本发明的优选实施方式，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的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于分步模式的机械多故障诊断方法，其特征在于，包括如下操作步骤：

S1：判断机械是否发生故障，若发生故障则进行步骤S2操作；

S2：判断机械发生的是否为多故障，若为单故障进行步骤S3操作，若为多故障进行步骤S4操作；

S3：采用单故障分类器模型对机械进行故障诊断；

S4：采用多故障分类器模型对机械进行故障诊断。

2.如权利要求1所述的基于分步模式的机械多故障诊断方法，其特征在于，步骤S3中用GBN分类器模型进行故障诊断。

3.如权利要求1所述的基于分步模式的机械多故障诊断方法，其特征在于，步骤S4中用TAN分类器模型进行故障诊断。