CN105675274A - 基于时域参数与d-s证据理论的转子运行状态监测方法 - Google Patents

Abstract

本发明公开了一种基于时域参数与D-S证据理论的转子运行状态监测方法。该方法通过计算在线采集数据的时域参数来构造判别向量，再计算判别向量与通过历史数据计算所构建的识别标准框架的欧氏距离，通过计算将距离转化为转子系统各状态的概率函数值，最后通过D-S证据理论将多通道的信息进行融合得到最终的结果，提高诊断结果的准确性。本发明大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象，拓展了旋转机械故障监测的水平和范围，为旋转机械健康可靠地运行提供有力支持。

Description

基于时域参数与D-S证据理论的转子运行状态监测方法

技术领域：

本发明属于机械设备故障诊断领域，具体涉及一种基于时域参数与D-S证据理论的转子运行状态监测方法。

背景技术：

大型旋转机械作为现代大部分工业生产中的核心设备，其安全平稳运行对电力、冶金、交通、机床、炼油、汽车制造等企业至关重要。随着科学技术的进步与发展，机械设备性能越来越好的同时，对设备平稳运行能力的要求也越来越高。转子作为旋转机械的工作主体，是故障高发部位，因此对转子状态的监测与判定具有很大的经济效益和社会意义，将大大促进我国重型基础装备的发展。

提取转子状态的特征，即采用适当的方法，从采集的信号中提取出转子各状态的特征信息，信号处理是特征提取最常用的方法。时域特征参数主要包括均值、标准差、峰值、有效值、偏斜度、峭度等统计量，以及一些无量纲指标，如：峰值指标、脉冲指标、裕度指标等。这些特征参数计算简单，物理意义明确，因而很早就被应用于各种机械的故障检测和状态分析。对于转子系统来说，单源或单通道的时域特征参数很难准确的区分转子的状态，所以对时域参数来区分转子状态类别需要融合多方面信息。

D-S证据理论是一种非精确的推理方法，被广泛用于信息融合、专家系统、情报分析、法律案件分析、多属性决策分析等众多领域。由于在证据理论中需要的先验数据比概率推理理论中的更为直观、更容易获得，再加上Dempster合成公式可以综合不同专家或数据源的知识或数据，将多通道信息进行融合，避免单一状态特征信息引起对状态判别的片面性，因此能快速、全面、可靠的反应出转子的状态信息。

发明内容：

本发明的目的在于弥补单通道信息对转子系统状态监测的片面性和其他状态监测方法的繁琐性，融合多通道信息，全面、快速、准确区分转子的状态类型，提供了一种基于时域参数与D-S证据理论的转子运行状态监测方法。

为达到上述目的，本发明采用如下技术方案来实现的：

基于时域参数与D-S证据理论的转子运行状态监测方法，包括以下步骤：

1)获取旋转机械转子系统的常见状态的历史振动数据集；

2)从历史振动数据中计算各状态的时域参数，每种状态构造一个时域参数的多维向量，作为识别标准向量；

3)采集旋转机械转子系统在线的多通道的振动数据，作为测试样本；

4)将每个采集通道的测试样本进行处理，计算时域参数，每个数据得到一个关于时域参数的多维向量，作为判别向量；

5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离，进行测度，得到距离向量；

6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量；

7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。

本发明进一步的改进在于：所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。

本发明进一步的改进在于：所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；其中识别标准向量是5个代表各转子状态的15维向量；

各参数数计算方法如下表1：

式中：x(t)为振动数据大小，t为时间，T是振动数据的观测时间， $\mathrm{\α}=\frac{1}{T}{\∫}_0^T{\[x\left(t\right)-{\mathrm{\μ}}_x\]}^{3}dt$ 为偏斜度； $\mathrm{\β}=\frac{1}{T}{\∫}_0^T{\[x\left(t\right)-{\mathrm{\μ}}_x\]}^{4}dt$ 为峭度。

本发明进一步的改进在于：所述步骤3)中振动数据的采集为对每个测量面同步采集的两路相互垂直的振动数据。

本发明进一步的改进在于：所述步骤5)中每个判别向量与识别标准向量的欧氏距离d_ij的计算公式如下：

$d_{ij}=d(X_i,B_j)=\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_{ik}-b_{jk})}^2}$

其中，X_i为判别向量，B_j为识别标准向量中的向量，n为向量维数，即n＝15，x_ik为判别向量X_i中的元素，b_jk为识别标准向量B_j中的元素。

本发明进一步的改进在于：所述步骤6)中概率分配函数值c_ij的计算公式如下：

$c_{ij}=\left(\frac{1}{d_{ij}}\right)/\left(\underset{j=1}{\overset{m}{\Σ}}\frac{1}{d_{ij}}\right)$

其中d_ij为两个向量的欧氏距离，m为距离向量的维数，即m＝5。

本发明进一步的改进在于：所述步骤7)中多通道对应多个传感器，转子每个测量面对应两个相互垂直的传感器，D-S证据理论将各通道信息进行融合，从而全面反应转子的状态信息。

与现有技术相比，本发明具有以下的有益效果：

本发明所述是基于时域参数与D-S证据理论的转子运行状态监测方法，根据时域参数能全面反应振动数据的特征且计算方便和D-S证据理论能融合多通道信息、全面反应系统状态的特点，通过转子系统的历史振动数据的时域参数构造识别标准向量，继而通过计算在线采集数据的时域参数构造判别向量，计算判别向量与识别标准向量的欧氏距离，通过距离的反比例法计算得到转子系统各状态的概率，最后通过D-S证据理论将多通道的信息进行融合得到最终的结果，提高状态识别结果的准确性，大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象，拓展了旋转机械故障监测的水平和范围，为旋转机械健康可靠地运行提供有力支持。

附图说明：

图1为本发明的基本流程图；

图2为D-S证据理论融合多通道信息的框图。

具体实施方式：

以下结合附图对本发明作进一步的详细说明。

本发明主要针对旋转机械的转子系统运行时常见的状态识别与诊断，图1为本发明的基本流程图，具体实施步骤如下。

步骤1)首先要获取转子系统常见故障(包括转子不对中、转子不平衡、转子裂纹和转子碰磨)的样本数据和转子系统处于正常状态时的数据样本；

步骤2)对5类典型转子状态数据通过时域统计分析获得相应的表征状态特征的如表1中的15个时域特征参数，所有的时域特征参数构成特征向量，即5类转子状态的识别标准向量B＝(B₁,B₂,B₃,B₄,B₅)，其中B₁代表转子不对中，B₂代表转子不平衡，B₃代表转子裂纹，B₄代表转子碰磨，B₅代表转子正常；

步骤3)采集转子系统在线4通道的振动数据，作为测试样本；

步骤4)将每个采集通道的测试样本进行处理，计算时域特征参数，每个数据得到一个关于时域特征参数的15维向量，作为判别向量X,X₁代表第一通道判别向量，X₂代表第二通道判别向量，X₃代表第三通道判别向量，X₄代表第四通道判别向量；

步骤5)通过计算每个判别向量与识别标准向量中每种状态向量之间的欧氏距离，进行测度，每计算一次得到一个5维的距离向量D,距离向量D中的元素表示第i的通道的判别向量与第j个识别向量之间的距离；

步骤6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的一个5维向量C，向量C中元素

$c_{ij}=\left(\frac{1}{d_{ij}}\right)/\left(\underset{j=1}{\overset{m}{\Σ}}\frac{1}{d_{ij}}\right)$

其中，c_ij表示第第i个通道的测试数据为转子第j种状态的概率大小；

7)最后通过D-S证据理论将4通道概率进行融合，其过程框图如图2所示，得到采集数据时转子状态的判别结果的一个5维向量P，向量P中的元素代表转子为各状态的概率大小。

为了检验本发明方法的准确性和实用性，做了以下实施例,针对某一旋转机械的转子系统，通过历史数据计算得到各转子状态的识别标准向量B，其中B₁代表转子不对中，B₂代表转子不平衡，B₃代表转子裂纹，B₄代表转子碰磨，B₅代表转子正常，部分结果如表2。

表2

	b1	b2	b3	…	b14	b15
							B1	0.0089	25.2781	5.0277	…	-0.0684	1.4788
B2	-0.0005	641.3289	25.3245	…	0.0135	1.4896
							B3	0.0758	64.4834	8.0302	…	0.8123	2.7422
B4	0.0460	25.9954	5.0986	…	0.1412	2.5199
							B5	0.0950	19.6352	4.4312	…	-0.1139	1.4751

得到识别标准向量后，采集测试数据，用已知状态的样本进行测试，每种状态取2组数据，一组数据包含4个通道，一个通道为一个测试样本，因此五种状态共采集样本40个。

然后通过步骤4)得到40个判别向量，继而通过步骤5)和步骤6)得到40个5维向量C,对于五种状态的结果如下列各表，其中表3为转子不对中的结果，表4为转子不平衡的结果，表5为转子裂纹的结果，表6为转子碰磨的结果，表7为转子正常的结果。

表3

	不对中	不平衡	裂纹	碰磨	正常
						c11	0.8103	0.0011	0.0157	0.0731	0.0998
c12	0.7916	0.0011	0.0157	0.0780	0.1136
						c13	0.2737	0.0047	0.0562	0.1851	0.4803
c14	0.2640	0.0037	0.0412	0.1495	0.5420
						c21	0.7264	0.0016	0.0237	0.1101	0.1382
c22	0.7777	0.0012	0.0172	0.0853	0.1186
						c23	0.2711	0.0044	0.0533	0.1789	0.19423
c24	0.2621	0.0032	0.0400	0.1465	0.482

表4

	不对中	不平衡	裂纹	碰磨	正常
						c11	0.0016	0.9934	0.0017	0.0016	0.0016
c12	0.0813	0.6689	0.0877	0.0815	0.0805
						c13	0.1934	0.2006	0.2218	0.1942	0.1900
c14	0.1906	0.2131	0.2175	0.1914	0.1874
						c21	0.0043	0.9824	0.0046	0.0044	0.0043
c22	0.0808	0.6712	0.0871	0.0810	0.0800
						c23	0.1927	0.2034	0.2208	0.1936	0.1895
c24	0.1906	0.2133	0.2174	0.1914	0.1874

表5

	不对中	不平衡	裂纹	碰磨	正常
						c11	0.0588	0.0046	0.8210	0.0627	0.0529
c12	0.2110	0.0498	0.3228	0.2145	0.2018
						c13	0.1695	0.0192	0.4800	0.1750	0.1563
c14	0.2030	0.0361	0.3614	0.2074	0.1921
						c21	0.0531	0.0041	0.8383	0.0567	0.0477
c22	0.2115	0.0515	0.3194	0.2150	0.2025
						c23	0.1746	0.0205	0.4636	0.1799	0.1614
c24	0.2034	0.0366	0.3598	0.2078	0.1925

表6

表7

	不对中	不平衡	裂纹	碰磨	正常
						c11	0.1907	0.0015	0.0205	0.0912	0.6961
c12	0.4647	0.0024	0.0349	0.2333	0.26485 -->
						c13	0.2771	0.0061	0.0691	0.2110	0.4367
c14	0.2263	0.0026	0.0333	0.1294	0.6084
						c21	0.1970	0.0015	0.0202	0.1024	0.6789
c22	0.6196	0.0018	0.0262	0.1447	0.2077
						c23	0.2642	0.0056	0.0642	0.2120	0.4540
c24	0.1715	0.0020	0.0265	0.1289	0.6711

表3、表4、表5、表6和表7中每一行代表一个测试样本的计算结果，其中的元素分别代表转子系统处于不对中、不平衡、裂纹、碰磨和正常状态的概率大小，其中每种状态的结果表格中c_ij表示第i组数据的第j个通道的计算结果。

对每种状态的计算结果用D-S证据理论进行融合，首先两组数据中先对同一通道的计算结果进行融合，得到的结果如下列各表，其中表8为转子不对中的结果，表9为转子不平衡的结果，表10为转子裂纹的结果，表11为转子碰磨的结果，表12为转子正常的结果。

表8

	不对中	不平衡	裂纹	碰磨	正常
						T1	0.9636	0.0000	0.0006	0.0132	0.0226
T2	0.9679	0.0000	0.0004	0.0105	0.0212
						T3	0.2140	0.0001	0.0086	0.0955	0.6818
T4	0.1775	0.0000	0.0042	0.0562	0.7621

表9

	不对中	不平衡	裂纹	碰磨	正常
						T1	0.0000	1.0000	0.0000	0.0000	0.0000
T2	0.0138	0.9428	0.0160	0.0139	0.0135
						T3	0.1857	0.2034	0.2441	0.1874	0.1794
T4	0.1809	0.2263	0.2355	0.1824	0.1749

表10

	不对中	不平衡	裂纹	碰磨	正常
						T1	0.0045	0.0000	0.9868	0.0051	0.0036
T2	0.1881	0.0108	0.4345	0.1944	0.1722
						T3	0.0957	0.0013	0.7196	0.1018	0.0816
T4	0.1634	0.0052	0.5145	0.1705	0.1463

表11

	不对中	不平衡	裂纹	碰磨	正常
						T1	0.1089	0.0000	0.0063	0.7409	0.1439
T2	0.0398	0.0001	0.8777	0.0521	0.0302
						T3	0.1843	0.0000	0.0080	0.2610	0.54666 -->
T4	0.2267	0.0002	0.0832	0.5327	0.1571

表12

	不对中	不平衡	裂纹	碰磨	正常
						T1	0.0723	0.0000	0.0008	0.0180	0.9090
T2	0.7625	0.0000	0.0024	0.0894	0.1457
						T3	0.2283	0.0001	0.0138	0.1395	0.6183
T4	0.0835	0.0000	0.0019	0.0359	0.8787

表8、表9、表10、表11和表12中每一行代表一个通道测试样本的融合结果，其中的元素分别代表转子系统处于不对中、不平衡、裂纹、碰磨和正常状态的概率大小，其中每种状态的结果表格中T_i表示第i个通道的融合结果。

表8对应是转子不对中的融合结果，从表中可以看出，第一通道和第二通道的融合结果中不对中的概率达到0.96以上，能明显判别是不对中故障，而第三、四通道的融合结果可以看出转子为正常的概率远大于不对中，从而出现不准确的判定结果；

表9对应是转子不平衡的融合结果，从表中可以看出，第一通道的融合结果中不平衡的概率达到百分之百，第二通道的融合结果也达到0.94，而第三、四通道的融合结果可以看出转子为各状态的概率比较均衡，从而不能判定转子处于什么状态；

表10对应是转子裂纹的融合结果，从表中可以看出，四个通道的融合结果中裂纹的概率都相对于其他状态的概率较大，但只有第一通道能明显判别是裂纹故障，而第二、三和四通道的融合结果还不够明显；

表11对应是转子碰磨的融合结果，从表中可以看出，第一通道和第四通道的融合结果中碰磨的概率较大，可以判别是碰磨故障，而第二通道的融合结果可以看出转子为裂纹的概率远大于碰磨，而第三通道的融合结果可以看出转子为正常的概率大于碰磨，从而第二、三同道出现不准确的判定结果；

表12对应是转子正常的融合结果，从表中可以看出，第一、三和四通道的融合结果中正常的概率较大，可以判别是正常故障，而第二通道的融合结果可以看出转子为不对中的概率远大于正常，从而第二同道出现不准确的判定结果；

为了提高准确性对每种状态的测试样本进行四个通道结果的融合，得到的最终结果如表13，表13中P₁为转子不对中的融合结果，P₂为转子不平衡的融合结果，P₃为转子裂纹的融合结果，P₄为转子碰磨的融合结果，P₅为转子正常状态的融合结果，从表中可以看出每种状态的融合结果都达到0.9以上，可以明显的判定各自转子所处的状态，与单通道相比，进一步提高了准确性，没有出现误判现象，全面反映出了转子的状态信息。

表13

	不对中	不平衡	裂纹	碰磨	正常
						P1	0.9930	0.0000	0.0000	0.0000	0.0070
P2	0.0000	1.0000	0.0000	0.0000	0.0000
						P3	0.0001	0.0000	0.9998	0.0001	0.0000
P4	0.0306	0.0000	0.0006	0.9057	0.06317 -->
						P5	0.0144	0.0000	0.0000	0.0001	0.9855

通过上面的实施例可以看出，本发明通过时域参数的计算，能部分反映出转子的状态，而单通道的融合结果也不能全面反应转子状态，有时还会出现错误的结果，通过D-S证据理论的多通道信息融合，提高转子状态判定的准确性，效果明显。

Claims (7)

1.基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于，包括以下步骤：

1)获取旋转机械转子系统的常见状态的历史振动数据集；

2)从历史振动数据中计算各状态的时域参数，每种状态构造一个时域参数的多维向量，作为识别标准向量；

3)采集旋转机械转子系统在线的多通道的振动数据，作为测试样本；

4)将每个采集通道的测试样本进行处理，计算时域参数，每个数据得到一个关于时域参数的多维向量，作为判别向量；

5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离，进行测度，得到距离向量；

6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量；

7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。

2.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。

3.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；其中识别标准向量是5个代表各转子状态的15维向量；

各参数数计算方法如下表1：

式中：x(t)为振动数据大小，t为时间，T是振动数据的观测时间， $\mathrm{\α}=\frac{1}{T}{\∫}_0^T{\[x\left(t\right)-{\mathrm{\μ}}_x\]}^{3}dt$ 为偏斜度； $\mathrm{\β}=\frac{1}{T}{\∫}_0^T{\[x\left(t\right)-{\mathrm{\μ}}_x\]}^{4}dt$ 为峭度。

4.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤3)中振动数据的采集为对每个测量面同步采集的两路相互垂直的振动数据。

5.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤5)中每个判别向量与识别标准向量的欧氏距离d_ij的计算公式如下：

$d_{ij}=d(X_i,B_j)=\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_{ik}-b_{jk})}^2}$

其中，X_i为判别向量，B_j为识别标准向量中的向量，n为向量维数，即n＝15，x_ik为判别向量X_i中的元素，b_jk为识别标准向量B_j中的元素。

6.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤6)中概率分配函数值c_ij的计算公式如下：

$c_{ij}=\left(\frac{1}{d_{ij}}\right)/\left(\underset{j=1}{\overset{m}{\Σ}}\frac{1}{d_{ij}}\right)$

其中d_ij为两个向量的欧氏距离，m为距离向量的维数，即m＝5。

7.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法，其特征在于：所述步骤7)中多通道对应多个传感器，转子每个测量面对应两个相互垂直的传感器，D-S证据理论将各通道信息进行融合，从而全面反应转子的状态信息。