CN104964821A - 一种用于轴系设备的故障检测方法和故障检测装置 - Google Patents

Abstract

本发明实施例公开了一种用于轴系设备的故障检测方法和故障检测装置，涉及自动控制技术领域，能够检测并辨别微小故障的形式，提高故障预测的准确性。本发明的方法包括：当船舶平稳航行时，获取船舶中的轴系设备的运行信号，运行信号包括：轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号；对运行信号进行频域上的主能量提取，并生成重构信号，再对重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图；对小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集；根据故障特征向量集确定轴系设备是否发生故障。本发明适用于轴系设备的故障检测。

Description

一种用于轴系设备的故障检测方法和故障检测装置

技术领域

本发明涉及自动控制技术领域，尤其涉及一种用于轴系设备的故障检测方法和故障检测装置。

背景技术

目前，船舶工业已经成为我国具备较强国际竞争能力的外向型产业之一，船舶设备的生产和研发能力逐年提高。相较其他工业产品，船舶设备往往会面临工作环境严酷，连续工作时间长，容易被海水侵蚀等问题，这些问题极易会加速设备衰退老化，从而引起设备故障、报废，甚至引发安全事故。轴系旋转设备是一种重要的船舶设备，被广泛用于船舶动力系统中，主要用于承载动力转换和动力传输，轴系旋转设备的运行状态的正常与否直接关系到轴系乃至整个船舶动力系统的工作性能，从而影响船舶的安全性、时效性和经济性。

目前，针对轴系旋转设备常用的故障预测方法为振动法，主要通过分析轴系各部分的振动信号，结合时域、频域的幅值、频率等特征，力图将故障信号从正常信号中剥离，从而获取故障脉冲的频率、幅值等特征。但大多数由轴系故障引起的事故在早期表现为微小故障的形式，故障征兆不明显，通过振动法很难辨别出微小故障的存在，故障预测的准确性较低。

发明内容

本发明的实施例提供一种用于轴系设备的故障检测方法和故障检测装置，能够检测并辨别微小故障的形式，提高故障预测的准确性。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供一种用于轴系设备的故障检测方法，包括：

当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号，所述运行信号包括：所述轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号；

对所述运行信号进行频域上的主能量提取，并生成重构信号，再对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图；

对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集；

根据所述故障特征向量集确定所述轴系设备是否发生故障。

第二方面，本发明的实施例提供一种用于轴系设备的故障检测装置，包括：

传感器模块，用于当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号，所述运行信号包括：所述轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号；

重构模块，用于对所述运行信号进行频域上的主能量提取，并生成重构信号；

分解模块，用于对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图；

分析模块，用于对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集；

判定模块，用于根据所述故障特征向量集确定所述轴系设备是否发生故障。

本发明实施例提供的用于轴系设备的故障检测方法和故障检测装置，通过对轴系设备的运行信号进行能量提取、信号重构等过程得到反映运行信号的特征的小波灰度图，小波灰度图中的特征包括了对应于微小故障的故障特征，并根据小波灰度图中反映运行信号的特征建立故障判定机制，并以此判定轴系设备是否发生故障。相对于现有技术中的振动法，本发明实施例能够检测并辨别微小故障的形式，提高故障预测的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的用于轴系设备的故障检测方法的流程示意图；

图2为原始振动信号时域分布示意图；

图3为时域原始振动信号通过傅里叶变换得到的能量分布示意图；

图4为通过反傅里叶变换生成的二次重构信号的示意图；

图5为本发明实施例提供的一种小波灰度图；

图6为本发明实施例提供的一种具体轴系设备的结构示意图；

图7a-图7j为本发明实施例提供的正常信号及故障信号在各特征值的差异图；

图8为本发明实施例提供的具体实验结果的示意图；

图9为本发明实施例提供的用于轴系设备的故障检测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供一种用于轴系设备的故障检测方法，如图1所示，包括：

101，当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号。

其中，运行信号包括：轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号。

102，对所述运行信号进行频域上的主能量提取，并生成重构信号，再对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图。

在本实施例中，频域描述是信号的一种描述方式，频域描述的自变量为频率，若以横纵坐标系显示频域，则横轴参数为频率，纵轴参数为信号的幅度。

103，对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集。

104，根据所述故障特征向量集确定所述轴系设备是否发生故障。

在本实施例的优选方案中，102的具体实现手段可以包括：

1021，对所述运行信号进行傅里叶变换，并得到所述运行信号在频域上的能量分布。

例如：作为运行信号，时域原始振动信号通过傅里叶变换得到如图3所示的在频域上的能量分布。

1022，在所述频域中保留主要的能量分布，并通过反傅里叶变换生成所述重构信号。

例如：为放大故障信号与健康信号的对比度，在频域中对信号的主要能量分布进行保留，再通过反傅里叶变换生成如图4所示的二次重构信号。在本实施例中，轴在机械动力驱动下进行旋动时产生的振动信号，此信号或轴向、或径向、或垂向。在频域中对信号的主要能量分布进行保留的，即为振动信号，此类振动信号周期性强，在频域中的能量(即幅值)较高，作为主要的能量分布；噪声信号通常由于环境影响、设备老化、测量误差等引起，噪声信号规律性弱，周期性差，其在频域中表现为较低能量(幅值)，对信号的主要能量分布进行保留后，所去除的即为此类噪声信号。

1023，依据对所述重构信号进行连续小波分解。

其中x(t)表示原始时域信号，a表示小波函数的尺度参数，b表示小波函数的平移参数，表示在母小波基础上延伸出由a、b变换产生的连续小波系，表示小波变换产生的一系列小波变换系数，并将作为对重构信号进行连续小波分解的结果。

其中，小波函数的容许性条件为：ω表示频率，ψ(ω)表示母小波函数，表示ψ(ω)的傅里叶变换。根据实际信号特征，可以选择morlet小波作为母小波函数，其构型如下：

$\mathrm{\&psi;}\left(t\right)=e^{\frac{t^2}{2}}{e}^{{\mathrm{i\&omega;}}_{0}t},-\mathrm{\&infin;}<t<\mathrm{\&infin;},{\mathrm{\&omega;}}_0\&le;5$

1024，根据所述连续小波分解的结果生成所述小波灰度图，所述小波灰度图中每一像素的灰度值表示所述小波变换系数的大小。

例如：根据所述连续小波分解的结果生成如图5所示的小波灰度图，图中每一像素的灰度表示小波系数的大小，从而更直观地观察信号的层次以及在各尺度下的分布。

在本实施例的优选方案中，103的具体实现手段可以包括：

1031，根据所述小波灰度图纹理分布情况确定灰度共生矩阵P中的各参变量值。

其中，在灰度共生矩阵P中存在4个变量：小波灰度图采样窗口N、灰度级L、步长d以及灰度对方向θ。确定灰度共生矩阵P的计算中，灰度共生矩阵的运算量非常大，对于像素较高的图片来说，对全图进行高灰度级低步长的灰度共生矩阵计算是不实际的，根据图片的纹理分布特征，选取合适的参数以缩短运算时间。

在本实施例的优选方案中，所谓合适的参数应当尽量满足以下条件：1、保证设定的参数可以完整地描述图像纹理；2、在满足条件1的前提下，N尽可能小，其大小窗口中能够包括图像中出现的所有灰度值即可；3、L通常选择32或16，对运行速度要求不高的情况下通选32；4、d的最大值为相邻的最高灰度值像素点间的距离；θ值固定，一般不变。例如：参数具体可以选取为：N＝200*165像素、L＝32级、d＝20像素、θ＝0°、45°、90°、135°。其中，在小波灰度图的四个方向上的灰度共生矩阵表示为：

P(i,j；d,0°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|x'-x＝0,|y'-y|＝d,f(x,y)＝i,f(x',y')＝j}

P(i,j；d,45°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝d,)or(x'-x＝-d,y'-y＝-d),f(x,y)＝i,f(x',y')＝j}

P(i,j；d,90°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)||x'-x|＝d,y'-y＝0,f(x,y)＝i,f(x',y')＝j}

P(i，j；d,135°)＝#{((x,y)，(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝-d,)or(x'-x＝-d,y'-y＝d),f(x,y)＝i,f(x',y')＝j}

(x,y)、(x',y')表示小波灰度图坐标。i、j各灰度值对。#表示故障特征向量集中元素的数目。L_r、L_c分别表示小波灰度图行、列的维数。0°、45°、90°、135°为灰度值对中的两个灰度值的相对角度。f(x,y)表示小波灰度图像素坐标在(x,y)的点所对应的灰度值。

1032，根据所述灰度共生矩阵P获取特征值，并根据所获取的特征值构造特征向量。

1033，在经过构造得到的特征向量中提取无关特征向量，并根据所述无关特征向量生成所述故障特征向量集.

其中，无关特征向量至少包括：

能量：熵：相关性：逆差矩和对比度

其中， $u_i=\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}i\&CenterDot;p(i,j),u_j=\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}j\&CenterDot;p(i,j),{\mathrm{\&sigma;}}_i=\sqrt{\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}p(i,j){(i-u_i)}^2},$ ${\mathrm{\&sigma;}}_j=\sqrt{\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}p(i,j){(j-u_j)}^2}.$

例如：图7(a)-图7(j)表示了正常信号及故障信号在各特征值对比下的差异，其中，图7(a)-图7(j)中的参数即灰度共生矩阵的特征参数的值，即上面说的能量、熵等等的值，这些参数具体表示为图像的总体明暗度、纹理的粗细，等图像中的纹理特征。特征参数的值来源于灰度共生矩阵，具体为灰度共生矩阵的特征值，用于判别故障与否。通过特征参数作为一种媒介，将繁杂的振动信号简化为这些特征参数，再根据特征参数判定设备是否故障。

在本实施例的优选方案中，104的具体实现手段可以包括：

利用支持向量机分类器对所述故障特征向量集进行类型识别。

其中，所述支持向量机的最终目标为定义最优超平面，所述支持向量机对应的分类决策函数包括：

假设给定训练样本集{x_i,y_i}，i＝1,2…l,x∈R^d，y_i∈{-1,1}，存在分类超平面，则y_i[(ω·x_i)+b]-1≥0，

其中(ω·x_i)+b为分类超平面，分类间隔为：

$\underset{\left\{x_i|y_i=+1\right\}}{min}\frac{\left(\mathrm{\&omega;}\&CenterDot;x_i\right)+b}{||\mathrm{\&omega;}||}-\underset{\left\{x_i|y_i=-1\right\}}{min}\frac{\left(\mathrm{\&omega;}\&CenterDot;x_i\right)+b}{||\mathrm{\&omega;}||}=\frac{2}{||\mathrm{\&omega;}||},$

所述分类超平面的最优化问题表示为：其中C为误差惩罚参数，用于表示控制对错分样本惩罚的程度，ξ_i为在训练样本线性不可分时引入的非负松弛变量。

引入Lagrange函数： $L=\frac{1}{2}{||\mathrm{\&omega;}||}^2+C\underset{i=1}{\overset{1}{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{1}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i\left(\mathrm{\&omega;}\&CenterDot;x_i+b\right)+\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i,$ 其中，α_i表示所述Lagrange系数，对ω和b求偏导并令其等于0，转化为对偶问题，即求下式的最大值并得到所述分类决策函数：

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j\left(x_i\&CenterDot;x_j\right)K\left(x_i\&CenterDot;x_j\right)$

s.t.    y_i[(ω·x_i)+b]-1≥0

$\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i{\mathrm{\&alpha;}}_i=0$

0≤α_i≤C,i＝1,2…l

K(x_i·x_j)表示核函数，所述分类决策函数表示为：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}\right),$ sgn为符号函数，

$f\left(x_i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}\&GreaterEqual;0\\ -1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}<0\end{array}\right.,$ f(x_i)＝1表示所述轴系设备运行正常，f(x_i)＝-1表示所述轴系设备发生故障。

需要说明的是，在本实施例中获取船舶中的轴系设备的运行信号的具体实现方式具体可以是：通过传感器获取船舶中的轴系设备的运行信号。其中，传感器安装在轴系设备的轴承的轴座或者轴套上，轴系设备具体包括主轴、推力轴、中间轴以及艉轴，各个轴管间以联轴器相连，各个轴管的径向力传输通过轴承完成。轴承同时承受各个轴管的轴向力作用和径向力传输。在本实施例的优选方案中，传感器选用包括电涡流位移信号传感器或高温震动加速度信号传感器。例如：如图6所示，将型号为3570B03的高温震动传感器安装在中间轴承的轴座上，以测量信号为水平方向上的加速度信号。在船舶平稳航行阶段中，通过3570B03高温震动传感器获得中间轴承在水平方向上的加速度信号，传感器的信号采集的持续时间大于等于2小时。

以实验验证本实施例提供的故障检测方法能够实现辨别出微小故障的存在，提高故障预测的准确性的效果：

实验条件：数据采集对象为运营中的散货轮，于2014年7月5日4:59-8:14对散货轮进行中间轴承的振动信号采集；轴承振动频率为10000Hz，传感器具体安装在推力轴轴承的轴套上；

将原始振动数据，即传感器采集到的运行信号进行等时段分割，按等时间间隔提取正常信号和故障信号的各50组样本；通过本实施例提供的故障检测方法得到100组样本的故障特征向量集，在本实验场景中，故障特征向量集也可以成为灰度共生矩阵特征向量集；将100组特征向量进行分类，正常信号和故障信号的各20组用于训练支持向量机分类器，剩余正常信号和故障信号各30组用于分类验证。得到如图8所示的分类结果。在实验的准备阶段，可通过日常检修记录得到设备的故障数据，然后根据故障数据提前训练实验规则，并形成故障类型库，再有了新数据，与故障类型库进行匹配来确定设备是否故障，这一套方法里的规则是要提前训练好的。并通过本实验验证本发明的方法可以有效地识别船舶轴系的微小故障，有效地解决了船舶轴系设备在故障早期不易被检测以及故障发展不易被预测的工程实用问题，提高故障预测的准确性。

小波变换延续了短时傅里叶变换的局部化思想，解决了窗口大小不随频率变换的问题，提供了一个随着频率改变的“时频”窗口。具体应用在本发明实施例中，即通过小波灰度图实现了对时间-频率的局部细化，通过伸缩平移运算对信号进行多尺度细化，聚焦信号的任意细节。小波灰度图将小波变换结果(小波系数)转化为图像表示，即将普通信号表示方法(频域、时域)转化为二维域表示。微小故障表现为幅值小，偏离正常值程度小，但在旋转机械中微小故障的频域特征较一般噪声仍然明显。二维域的小波灰度图同时关注信号的时域、频域信息以及二者之间的关联，且能反映信号的任意细节，包括微小故障在内的所有信息都能够被很好的表达。因此基于小波灰度图的纹理分析能够很好地识别微小故障。由此可见本发明实施例提供的用于轴系设备的故障检测方法，通过对轴系设备的运行信号进行能量提取、信号重构等过程得到反映运行信号的特征的小波灰度图，小波灰度图中的特征包括了对应于微小故障的故障特征，并根据小波灰度图中反映运行信号的特征建立故障判定机制，并以此判定轴系设备是否发生故障。相对于现有技术中的振动法，本发明实施例能够检测并辨别微小故障的形式，提高故障预测的准确性。

本发明实施例提供一种用于轴系设备的故障检测装置90，如图9所示，包括：

传感器模块91，用于当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号，所述运行信号包括：所述轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号。

重构模块92，用于对所述运行信号进行频域上的主能量提取，并生成重构信号。

分解模块93，用于对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图。

分析模块94，用于对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集。

判定模块95，用于根据所述故障特征向量集确定所述轴系设备是否发生故障。

在本实施例的优选方案中，所述重构模块92，具体用于对所述运行信号进行傅里叶变换，并得到所述运行信号在频域上的能量分布。在所述频域中保留主要的能量分布，并通过反傅里叶变换生成所述重构信号。

所述分解模块93，具体用于依据对所述重构信号进行连续小波分解，并根据所述连续小波分解的结果生成所述小波灰度图，所述小波灰度图中每一像素的灰度值表示所述小波变换系数的大小。

其中x(t)表示原始时域信号，a表示小波函数的尺度参数，b表示小波函数的平移参数，表示在母小波基础上延伸出由a、b变换产生的连续小波系，表示小波变换产生的一系列小波变换系数，并将作为对所述重构信号进行连续小波分解的结果，小波函数的容许性条件为：ω表示频率，ψ(ω)表示母小波函数，表示ψ(ω)的傅里叶变换。

所述分析模块94，具体用于根据所述小波灰度图纹理分布情况确定灰度共生矩阵P中的各参变量值。

根据所述灰度共生矩阵P获取特征值，并根据所获取的特征值构造特征向量。

在经过构造得到的特征向量中提取无关特征向量，并根据所述无关特征向量生成所述故障特征向量集。

其中，在所述灰度共生矩阵P中存在4个变量：所述小波灰度图采样窗口N、灰度级L、步长d以及灰度对方向θ。其中，在所述小波灰度图的四个方向上的灰度共生矩阵表示为：

P(i,j；d,0°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|x'-x＝0,|y'-y|＝d,f(x,y)＝i,f(x',y')＝j}

P(i,j；d,45°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝d,)or(x'-x＝-d,y'-y＝-d),f(x,y)＝i,f(x',y')＝j}

P(i,j；d,90°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)||x'-x|＝d,y'-y＝0,f(x,y)＝i,f(x',y')＝j}

P(i，j；d,135°)＝#{((x,y)，(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝-d,)or(x'-x＝-d,y'-y＝d),f(x,y)＝i,f(x',y')＝j}

(x,y)、(x',y')表示所述小波灰度图坐标。i、j各灰度值对。#表示所述故障特征向量集中元素的数目。L_r、L_c分别表示所述小波灰度图行、列的维数。0°、45°、90°、135°为灰度值对中的两个灰度值的相对角度。f(x,y)表示所述小波灰度图像素坐标在(x,y)的点所对应的灰度值。

所述无关特征向量至少包括：能量：熵：相关性：逆差矩和对比度其中， $u_i=\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}i\&CenterDot;p(i,j),u_j=\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}j\&CenterDot;p(i,j),{\mathrm{\&sigma;}}_i=\sqrt{\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}p(i,j){(i-u_i)}^2},$ ${\mathrm{\&sigma;}}_j=\sqrt{\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}p(i,j){(j-u_j)}^2}.$

所述判定模块95，具体用于利用支持向量机分类器对所述故障特征向量集进行类型识别，其中，所述支持向量机的最终目标为定义最优超平面，所述支持向量机对应的分类决策函数包括：

假设给定训练样本集{x_i,y_i}，i＝1,2…l,x∈R^d，y_i∈{-1,1}，存在分类超平面，则y_i[(ω·x_i)+b]-1≥0，

其中(ω·x_i)+b为分类超平面，分类间隔为：

$\underset{\left\{x_i|y_i=+1\right\}}{min}\frac{\left(\mathrm{\&omega;}\&CenterDot;x_i\right)+b}{||\mathrm{\&omega;}||}-\underset{\left\{x_i|y_i=-1\right\}}{min}\frac{\left(\mathrm{\&omega;}\&CenterDot;x_i\right)+b}{||\mathrm{\&omega;}||}=\frac{2}{||\mathrm{\&omega;}||},$

所述分类超平面的最优化问题表示为：其中C为误差惩罚参数，用于表示控制对错分样本惩罚的程度，ξ_i为在训练样本线性不可分时引入的非负松弛变量。

引入Lagrange函数： $L=\frac{1}{2}{||\mathrm{\&omega;}||}^2+C\underset{i=1}{\overset{1}{\&Sigma;}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{1}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i\left(\mathrm{\&omega;}\&CenterDot;x_i+b\right)+\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i,$ 其中，α_i表示所述Lagrange系数，对ω和b求偏导并令其等于0，转化为对偶问题，即求下式的最大值并得到所述分类决策函数：

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j\left(x_i\&CenterDot;x_j\right)K\left(x_i\&CenterDot;x_j\right)$

s.t.    y_i[(ω·x_i)+b]-1≥0

$\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i{\mathrm{\&alpha;}}_i=0$

0≤α_i≤C,i＝1,2…l

K(x_i·x_j)表示核函数，所述分类决策函数表示为：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}\right),$ sgn为符号函数，

$f\left(x_i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}\&GreaterEqual;0\\ -1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K\left(x_i\&CenterDot;x\right)+b^{*}<0\end{array}\right.,$ f(x_i)＝1表示所述轴系设备运行正常，f(x_i)＝-1表示所述轴系设备发生故障。

需要说明的是，装置中的传感器模块可以采用电涡流位移信号传感器或高温震动加速度信号传感器，具体的设置位置包括：安装在轴系设备的轴承的轴座或者轴套上的。其中，轴系设备包括主轴、推力轴、中间轴以及艉轴，各个轴管间以联轴器相连，各个轴管的径向力传输通过轴承完成。轴承同时承受各个轴管的轴向力作用和径向力传输。

本发明实施例提供的用于轴系设备的故障检测装置，通过对轴系设备的运行信号进行能量提取、信号重构等过程得到反映运行信号的特征的小波灰度图，小波灰度图中的特征包括了对应于微小故障的故障特征，并根据小波灰度图中反映运行信号的特征建立故障判定机制，并以此判定轴系设备是否发生故障。相对于现有技术中的振动法，本发明实施例能够检测并辨别微小故障的形式，提高故障预测的准确性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种用于轴系设备的故障检测方法，其特征在于，包括：

当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号，所述运行信号包括：所述轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号；

对所述运行信号进行频域上的主能量提取，并生成重构信号，再对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图；

对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集；

根据所述故障特征向量集确定所述轴系设备是否发生故障。

2.根据权利要求1所述方法，其特征在于，所述对所述运行信号进行频域上的主能量提取，并生成重构信号，具体包括：

对所述运行信号进行傅里叶变换，并得到所述运行信号在频域上的能量分布；

在所述频域中保留主要的能量分布，并通过反傅里叶变换生成所述重构信号。

3.根据权利要求1所述方法，其特征在于，所述对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图，包括：

依据对所述重构信号进行连续小波分解，其中x(t)表示原始时域信号，a表示小波函数的尺度参数，b表示小波函数的平移参数，表示在母小波基础上延伸出由a、b变换产生的连续小波系，表示小波变换产生的一系列小波变换系数，并将作为对所述重构信号进行连续小波分解的结果；

其中，小波函数的容许性条件为：ω表示频率，ψ(ω)表示母小波函数，表示ψ(ω)的傅里叶变换；

根据所述连续小波分解的结果生成所述小波灰度图，所述小波灰度图中每一像素的灰度值表示所述小波变换系数的大小。

4.根据权利要求3所述方法，其特征在于，所述对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集，包括：

根据所述小波灰度图纹理分布情况确定灰度共生矩阵P中的各参变量值，其中，在所述灰度共生矩阵P中存在4个变量：所述小波灰度图采样窗口N、灰度级L、步长d以及灰度对方向θ；其中，在所述小波灰度图的四个方向上的灰度共生矩阵表示为：

P(i,j；d,0°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|x'-x＝0,|y'-y|＝d,

f(x,y)＝i,f(x',y')＝j}

P(i,j；d,45°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝d,)

or(x'-x＝-d,y'-y＝-d),f(x,y)＝i,f(x',y')＝j}

P(i,j；d,90°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)||x'-x|＝d,y'-y＝0,

f(x,y)＝i,f(x',y')＝j}

P(i，j；d,135°)＝#{((x,y)，(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝-d,)

or(x'-x＝-d,y'-y＝d),f(x,y)＝i,f(x',y')＝j}

(x,y)、(x',y')表示所述小波灰度图坐标；i、j各灰度值对；#表示所述故障特征向量集中元素的数目；L_r、L_c分别表示所述小波灰度图行、列的维数；

0°、45°、90°、135°为灰度值对中的两个灰度值的相对角度；f(x,y)表示所述小波灰度图像素坐标在(x,y)的点所对应的灰度值；

根据所述灰度共生矩阵P获取特征值，并根据所获取的特征值构造特征向量；

在经过构造得到的特征向量中提取无关特征向量，并根据所述无关特征向量生成所述故障特征向量集，所述无关特征向量至少包括：

能量：熵：相关性：逆差矩和对比度

其中， $u_i=\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}i\&CenterDot;p(i,j),u_j=\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}j\&CenterDot;p(i,j),{\mathrm{\&sigma;}}_i=\sqrt{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}p(i,j){(i-u_i)}^2},$ ${\mathrm{\&sigma;}}_j=\sqrt{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}p(i,j){(j-u_j)}^2}.$

5.根据权利要求4所述方法，其特征在于，所述根据所述故障特征向量集确定所述轴系设备是否发生故障，包括：

利用支持向量机分类器对所述故障特征向量集进行类型识别，其中，所述支持向量机的最终目标为定义最优超平面，所述支持向量机对应的分类决策函数包括：

假设给定训练样本集{x_i,y_i}，i＝1,2…l,x∈R^d，y_i∈{-1,1}，存在分类超平面，则y_i[(ω·x_i)+b]-1≥0，

其中(ω·x_i)+b为分类超平面，分类间隔为：

$\underset{\left\{x_i\right|y_i=+1\}}{\min }\frac{(\mathrm{\&omega;}\&CenterDot;x_i)+b}{\left|\right|\mathrm{\&omega;}\left|\right|}-\underset{\left\{x_i\right|y_i=-1\}}{\min }\frac{(\mathrm{\&omega;}\&CenterDot;x_i)+b}{\left|\right|\mathrm{\&omega;}\left|\right|}=\frac{2}{\left|\right|\mathrm{\&omega;}\left|\right|},$

所述分类超平面的最优化问题表示为：其中C为误差惩罚参数，用于表示控制对错分样本惩罚的程度，ξ_i为在训练样本线性不可分时引入的非负松弛变量；

引入Lagrange函数： $L=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i(\mathrm{\&omega;}\&CenterDot;x_i+b)+\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i,$ 其中，α_i表示所述Lagrange系数，对ω和b求偏导并令其等于0，转化为对偶问题，即求下式的最大值并得到所述分类决策函数：

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j(x_i\&CenterDot;x_j)K(x_i\&CenterDot;x_i)$

s.t.y_i[(ω·x_i)+b]-1≥0

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_i=0$

0≤α_i≤C,i＝1,2…l

K(x_i·x_j)表示核函数，所述分类决策函数表示为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}),$ sgn为符号函数，

$f\left(x_i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}\&GreaterEqual;0\\ -1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}<0\end{array}\right.,$ f(x_i)＝1表示所述轴系设备运行正常，f(x_i)＝-1表示所述轴系设备发生故障。

6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述获取所述船舶中的轴系设备的运行信号具体包括：通过传感器获取所述船舶中的轴系设备的运行信号，所述传感器安装在所述轴系设备的轴承的轴座或者轴套上，所述轴系设备具体包括主轴、推力轴、中间轴以及艉轴，各个轴管间以联轴器相连，各个轴管的径向力传输通过所述轴承完成；所述轴承同时承受各个轴管的轴向力作用和径向力传输；

所述传感器包括电涡流位移信号传感器或高温震动加速度信号传感器。

7.一种用于轴系设备的故障检测装置，其特征在于，包括：

传感器模块，用于当船舶平稳航行时，获取所述船舶中的轴系设备的运行信号，所述运行信号包括：所述轴系设备中的轴承、轴管和联轴器，分别在垂直和水平方向上的位移、速度和加速度信号；

重构模块，用于对所述运行信号进行频域上的主能量提取，并生成重构信号；

分解模块，用于对所述重构信号进行连续小波分解，并根据连续小波分解的结果生成小波灰度图；

分析模块，用于对所述小波灰度图进行特征提取，并去除具有相关性的冗余特征向量，根据保留下的特征向量生成故障特征向量集；

判定模块，用于根据所述故障特征向量集确定所述轴系设备是否发生故障。

8.根据权利要求7所述方法，其特征在于，所述重构模块，具体用于对所述运行信号进行傅里叶变换，并得到所述运行信号在频域上的能量分布；在所述频域中保留主要的能量分布，并通过反傅里叶变换生成所述重构信号；

所述分解模块，具体用于依据对所述重构信号进行连续小波分解，并根据所述连续小波分解的结果生成所述小波灰度图，所述小波灰度图中每一像素的灰度值表示所述小波变换系数的大小；

其中x(t)表示原始时域信号，a表示小波函数的尺度参数，b表示小波函数的平移参数，表示在母小波基础上延伸出由a、b变换产生的连续小波系，表示小波变换产生的一系列小波变换系数，并将作为对所述重构信号进行连续小波分解的结果，小波函数的容许性条件为：

ω表示频率，ψ(ω)表示母小波函数，表示ψ(ω)的傅里叶变换。

9.根据权利要求8所述装置，其特征在于，所述分析模块，具体用于根据所述小波灰度图纹理分布情况确定灰度共生矩阵P中的各参变量值；

根据所述灰度共生矩阵P获取特征值，并根据所获取的特征值构造特征向量；

在经过构造得到的特征向量中提取无关特征向量，并根据所述无关特征向量生成所述故障特征向量集；

其中，在所述灰度共生矩阵P中存在4个变量：所述小波灰度图采样窗口N、灰度级L、步长d以及灰度对方向θ；其中，在所述小波灰度图的四个方向上的灰度共生矩阵表示为：

P(i,j；d,0°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|x'-x＝0,|y'-y|＝d,

f(x,y)＝i,f(x',y')＝j}

P(i,j；d,45°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝d,)

or(x'-x＝-d,y'-y＝-d),f(x,y)＝i,f(x',y')＝j}

P(i,j；d,90°)＝#{((x,y),(x',y'))∈(L_r,L_c)×(L_r,L_c)||x'-x|＝d,y'-y＝0,

f(x,y)＝i,f(x',y')＝j}

P(i，j；d,135°)＝#{((x,y)，(x',y'))∈(L_r,L_c)×(L_r,L_c)|(x'-x＝d,y'-y＝-d,)

or(x'-x＝-d,y'-y＝d),f(x,y)＝i,f(x',y')＝j}

(x,y)、(x',y')表示所述小波灰度图坐标；i、j各灰度值对；#表示所述故障特征向量集中元素的数目；L_r、L_c分别表示所述小波灰度图行、列的维数；

0°、45°、90°、135°为灰度值对中的两个灰度值的相对角度；f(x,y)表示所述小波灰度图像素坐标在(x,y)的点所对应的灰度值；

所述无关特征向量至少包括：能量：熵：相关性：逆差矩和对比度其中， $u_i=\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}i\&CenterDot;p(i,j),u_j=\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}j\&CenterDot;p(i,j),{\mathrm{\&sigma;}}_i=\sqrt{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}p(i,j){(i-u_i)}^2},$ ${\mathrm{\&sigma;}}_j=\sqrt{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}p(i,j){(j-u_j)}^2};$

所述判定模块，具体用于利用支持向量机分类器对所述故障特征向量集进行类型识别，其中，所述支持向量机的最终目标为定义最优超平面，所述支持向量机对应的分类决策函数包括：

假设给定训练样本集{x_i,y_i}，i＝1,2…l,x∈R^d，y_i∈{-1,1}，存在分类超平面，则y_i[(ω·x_i)+b]-1≥0，

其中(ω·x_i)+b为分类超平面，分类间隔为：

$\underset{\left\{x_i\right|y_i=+1\}}{\min }\frac{(\mathrm{\&omega;}\&CenterDot;x_i)+b}{\left|\right|\mathrm{\&omega;}\left|\right|}-\underset{\left\{x_i\right|y_i=-1\}}{\min }\frac{(\mathrm{\&omega;}\&CenterDot;x_i)+b}{\left|\right|\mathrm{\&omega;}\left|\right|}=\frac{2}{\left|\right|\mathrm{\&omega;}\left|\right|},$

所述分类超平面的最优化问题表示为：其中C为误差惩罚参数，用于表示控制对错分样本惩罚的程度，ξ_i为在训练样本线性不可分时引入的非负松弛变量；

引入Lagrange函数： $L=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i-\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i(\mathrm{\&omega;}\&CenterDot;x_i+b)+\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i,$ 其中，α_i表示所述Lagrange系数，对ω和b求偏导并令其等于0，转化为对偶问题，即求下式的最大值并得到所述分类决策函数：

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j(x_i\&CenterDot;x_j)K(x_i\&CenterDot;x_i)$

s.t.y_i[(ω·x_i)+b]-1≥0

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_i=0$

0≤α_i≤C,i＝1,2…l

K(x_i·x_j)表示核函数，所述分类决策函数表示为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}),$ sgn为符号函数，

$f\left(x_i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}\&GreaterEqual;0\\ -1,& {\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i\&CenterDot;x)+b^{*}<0\end{array}\right.,$ f(x_i)＝1表示所述轴系设备运行正常，f(x_i)＝-1表示所述轴系设备发生故障。

10.根据权利要求7-9中任意一项所述的装置，其特征在于，所述传感器模块具体包括：安装在所述轴系设备的轴承的轴座或者轴套上的电涡流位移信号传感器或高温震动加速度信号传感器，所述轴系设备具体包括主轴、推力轴、中间轴以及艉轴，各个轴管间以联轴器相连，各个轴管的径向力传输通过所述轴承完成；所述轴承同时承受各个轴管的轴向力作用和径向力传输。