CN104976139A - 一种基于高斯模型的机械设备状态诊断方法 - Google Patents

Abstract

一种基于高斯模型的机械设备状态诊断方法，属于设备故障诊断技术领域的。具体步骤为：(1)根据设备类型确定需要获取的特征参数的种类；(2)获取设备正常状态的特征参数数据并构建对应的高斯模型库；(3)获取设备当前的特征参数数据并构建高斯模型；(4)根据公式计算当前设备状态的高斯模型与正常状态高斯模型的偏离度；(5)根据计算得到的偏离度确定设备当前运行状态。本发明用于对机械设备进行实时的状态诊断，使得设备管理人员掌握设备运行状态。

Description

一种基于高斯模型的机械设备状态诊断方法

技术领域

本发明属于机械设备故障诊断领域，涉及一种基于高斯模型的机械设备状态诊断方法。

背景技术

随着科学技术和现代工业的不断发展和进步，机械设备正朝着大型化、复杂化、高速化等方向发展。这些机械设备对人们日常生活和生产所产生的影响越来越大、越来越明显。设备一旦出现故障，不仅会带来严重的经济损失，还会给人身安全造成威胁。对设备进行实时评估可以较早地发现故障，使得设备管理人员掌握设备运行的状态，这样不仅可以预防事故和减少事故的发生，保证人身和机械设备的安全，还为维修决策提供依据，提高了企业的经济效益和社会效益。

近年来，在设备故障诊断领域，针对不同设备研究了不同的机械设备的状态评估方法。王均华等研究了变电设备状态评估及故障诊断系统，李晋等针对大型机电设备研究了模糊－灰度－变权求和的分层设备健康状态综合评估模型，王孟莲等使用模糊神经网络和支持向量机构建了船舶电力推进系统的状态评估方法，孙志斌等研究了针对六氟化硫封闭式组合电器设备的状态评估方法和检修策略。目前的故障诊断方法研究均是针对不同设备的特点，构建专用的状态评估方法。并未见有文献或专利设计本发明中提到的基于高斯模型的机械设备状态诊断方法。

本发明提出的一种基于高斯模型的机械设备状态诊断方法，获取设备开机正常时间段的特征参数数据，并根据公式构建设备正常状态的高斯模型。在进行设备状态评估的过程中，获取设备当前的特征参数数据构建高斯模型，使用匹配公式计算当前设备状态特征参数高斯模型和设备正常状态高斯模型的匹配度，根据匹配度判断设备当前运行状态正常或异常。

发明内容

本发明的目的是在于实现一种机械设备状态诊断方法，该方法将已知状态评估等级的设备特征参数数据构建成高斯模型，使用模型匹配算法对当前设备的状态进行诊断，最终实现一套能够准确评估设备状态的基于高斯模型的机械设备状态诊断方法。

一种基于高斯模型的机械设备状态诊断方法，其特征在于，包括：

1)获取机械设备开机正常的特征参数数据，生成机械设备正常状态特征参数数据的高斯模型，并将正常状态高斯模型保存到高斯模型库中；

2)实时采集机械设备特征参数数据，生成实时特征参数数据的高斯模型；

3)将实时特征参数数据的高斯模型与状态评估等级及高斯模型库中各个等级特征参数的高斯模型进行匹配计算，得到实时特征参数数据的高斯模型与正常状态高斯模型的偏离度；

4)根据计算得到的高斯模型的偏离度，判定设备运行状态。若计算得到的偏离度超过设定的阈值，则判定设备异常，若不超过设定的阈值，则判定设备运行正常。

根据获取的机械设备一段时间的特征参数数据x_i(t)，其中i＝1,2,…,N，i代表不同种类的特征。不同的设备获取不同数量不同种类的特征参数数据。根据公式(1)(2)(3)构建不同特征参数数据的高斯模型f(x_i(t))，

$f\left(x_i\left(t\right)\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x_i\left(t\right)-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2})---\left(1\right)$

其中，

$\mathrm{\μ}=\frac{x_i\left(t_1\right)+x_i\left(t_2\right)+...+x_i\left(t_n\right)}{n}---\left(2\right)$

$\mathrm{\σ}=\frac{{(x_i\left(t_1\right)-\mathrm{\μ})}^2+{(x_i\left(t_2\right)-\mathrm{\μ})}^2+...+{(x_i\left(t_n\right)-\mathrm{\μ})}^2}{n}---\left(3\right)$

n表示i组特征参数个数，x_i(t₁)、x_i(t₂)...x_i(t_n)表示i组特征参数数据具体数值。

将实时采集得到的当前机械设备的特征参数，根据公式(1)(2)(3)构建当前特征参数数据的高斯模型f_current(x_i(t))；

将当前特征参数数据的高斯模型f_current(x_i(t))与设备正常状态的高斯模型库f_normal(x_i(t))进行匹配识别。模型匹配算法：

$P=\frac{p_1+p_2+...+p_n}{n}---\left(4\right)$

其中，p_i i＝1,2,…,n为根据公式(5)计算得到的第i个特征值的偏差度。

$p_i=1-\frac{\∫f_{\mathrm{current}}\left(x_i\left(t\right)\right)f_{\mathrm{normal}}\left(x_i\left(t\right)\right)\mathrm{dx}}{\sqrt{{\∫f}_{\mathrm{current}}\left(x_i\left(t\right)\right)\mathrm{dx}}\sqrt{\∫f_{\mathrm{normal}}\left(x_i\left(t\right)\right)\mathrm{dx}}}---\left(5\right)$

其中，f_current(x_i(t))为当前运行状态第i个特征值的高斯模型，f_normal(x_i(t))为正常状态第i个特征值的高斯模型。

根据公式(4)(5)计算当前状态的高斯模型f_current(x_i(t))与设备正常状态高斯模型库f_normal(x_i(t))的偏差度P。若计算的到的偏离度p≤Thre，则判定设备运行状态正常；若计算得到的偏离度p＞Thre，则判定设备发生故障；其中，Thre为偏离度阈值。偏离度阈值设定为0.05－0.1之间的任意值，建议取0.05。

附图说明

图1一种基于高斯模型的机械设备状态评估方法流程图；

图2第一组多级离心泵工艺特征参数数据趋势

图3第一组多级离心泵振动特征参数数据趋势

图4第二组多级离心泵工艺特征参数数据趋势

图5第二组多级离心泵振动特征参数数据趋势

具体实施方式

下面结合附图和实例对本发明进行具体说明。

一种基于高斯模型的机械设备状态诊断方法流程图如图1所示，主要包括：

1)根据设备的实际情况，由设备管理人员设定需要采集的特征参数数据类型；

2)获取设备开机时间段正常状态下的特征参数数据，并根据公式(1)(2)(3)构建设备正常状态高斯模型；

3)获取设备当前运行状态的特征参数数据，将当前状态的特征参数数据根据公式(1)(2)(3)构建当前状态特征参数数据的高斯模型；

4)根据公式(4)(5)计算当前状态特征参数数据的高斯模型和设备正常状态特征参数数据高斯模型的偏离度p；

5)若计算的到的偏离度p≤Thre，则判定设备运行状态正常；若计算得到的偏离度p＞Thre，则判定设备发生故障；

本发明以某多级离心泵试验台为对象对基于高斯模型的机械设备状态诊断方法进行校验。

设定多级离心泵状态评估需要采集的特征参数包括：流量特征参数、入口压力特征参数、出口压力特征参数、多级离心泵驱动端轴承振动特征参数、多级离心泵非驱动端轴承振动特征参数、多级离心泵壳体振动特征参数；

获取多级离心泵4个状态等级的流量、入口压力、出口压力、驱动端轴承振动、非驱动端轴承振动、离心泵壳体振动特征参数，根据公式(1)(2)(3)构建离心泵正常状态的特征参数数据的高斯模型。

分别获取2组离心泵运行一段时间的多级离心泵的6个特征参数数据；

第一组特征参数数据如图2和图3所示；第二组特征参数数据如图4和图5所示。

根据根据公式(1)(2)(3)计算当前状态特征参数数据的高斯模型，根据(4)(5)计算当前特征参数数据高斯模型的偏离度，设定多级离心泵偏离度阈值Thre＝0.05。

根据上述公式计算得到第一组特征参数数据的高斯模型偏离度为P＝0.0126，判定设备运行状态正常。

根据上述公式计算得到第二组特征参数数据的高斯模型偏离度为：P＝0.6231，判定设备运行状态异常。

根据多级离心泵记录，第一组数据是来自离心泵正常运行状态的数据，第二组数据是来离心泵自气蚀故障的数据，该方法诊断准确率100％。

Claims (4)

1.一种基于高斯模型的机械设备状态诊断方法，其特征在于，包括：

1)获取机械设备开机正常的特征参数数据，生成机械设备正常状态特征参数数据的高斯模型，并将正常状态高斯模型保存到高斯模型库中；

2)实时采集机械设备特征参数数据，生成实时特征参数数据的高斯模型；

3)将实时特征参数数据的高斯模型与状态评估等级及高斯模型库中各个等级特征参数的高斯模型进行匹配计算，得到实时特征参数数据的高斯模型与正常状态高斯模型的偏离度；

4)根据计算得到的高斯模型的偏离度，判定设备运行状态；若计算得到的偏离度超过设定的阈值，则判定设备异常，若不超过设定的阈值，则判定设备运行正常。

2.根据权利要求1所述的一种基于高斯模型的机械设备状态诊断方法，其特征在于：所述的特征参数数据高斯模型生成，根据获取的机械设备一段时间的特征参数数据x_i(t)，其中i＝1,2,…,N，i代表不同种类的特征；不同的设备获取不同数量不同种类的特征参数数据；根据公式(1)(2)(3)构建不同特征参数数据的高斯模型f(x_i(t))，

$f\left(x_i\left(t\right)\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x_i\left(t\right)-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2})---\left(1\right)$

其中，

$\mathrm{\μ}=\frac{x_i\left(t_1\right)+x_i\left(t_2\right)+...+x_i\left(t_n\right)}{n}---\left(2\right)$

$\mathrm{\σ}=\frac{{(x_i\left(t_1\right)-\mathrm{\μ})}^2+{(x_i\left(t_2\right)-\mathrm{\μ})}^2+...+{(x_i\left(t_n\right)-\mathrm{\μ})}^2}{n}---\left(3\right)$

n表示i组特征参数个数，x_i(t₁)、x_i(t₂)...x_i(t_n)表示i组特征参数数据具体数值。

3.根据权利要求1所述的一种基于高斯模型的机械设备状态诊断方法，其特征在于：所述的当前状态特征参数数据高斯模型生成，将实时采集得到的当前机械设备的特征参数，根据公式(1)(2)(3)构建当前特征参数数据的高斯模型f_current(x_i(t))。

4.根据权利要求1所述的一种基于高斯模型的机械设备状态诊断方法，其特征在于：所述的运行状态高斯模型匹配，将当前特征参数数据的高斯模型f_current(x_i(t))与设备正常状态的高斯模型库f_normal(x_i(t))进行匹配识别；模型匹配算法：

$P=\frac{p_1+p_2+...+p_n}{n}---\left(4\right)$

其中，p_i i＝1,2,…,n为根据公式(5)计算得到的第i个特征值的偏差度；

$p_i=1-\frac{\∫f_{\mathrm{current}}\left(x_i\left(t\right)\right)f_{\mathrm{normal}}\left(x_i\left(t\right)\right)\mathrm{dx}}{\sqrt{{\∫f}_{\mathrm{current}}\left(x_i\left(t\right)\right)\mathrm{dx}}\sqrt{\∫f_{\mathrm{normal}}\left(x_i\left(t\right)\right)\mathrm{dx}}}---\left(5\right)$

其中，f_current(x_i(t))为当前运行状态第i个特征值的高斯模型，f_normal(x_i(t))为正常状态第i个特征值的高斯模型；

根据公式(4)(5)计算当前状态的高斯模型f_current(x_i(t))与设备正常状态高斯模型库f_normal(x_i(t))的偏差度P；若计算的到的偏离度p≤Thre，则判定设备运行状态正常；若计算得到的偏离度p＞Thre，则判定设备状态异常；其中，Thre为偏离度阈值；偏离度阈值设定为0.05－0.1之间的任意值。