CN106441843A - 一种旋转机械故障波形识别方法 - Google Patents

Abstract

本发明公开了一种旋转机械故障波形识别方法，该识别方法通过采集待检测的旋转机械的实时振动信号波形数据，获取实时波形，判断是否为故障波形；当判断为故障波形时，与标准故障波形库中的波形进行一一匹配，得到匹配波形，即认为该匹配波形为实时波形的故障波形；标准故障波形库中的波形包括典型振动故障波形：突变、爬升、波动和毛刺。本发明能有效识别旋转机械故障波形。

Description

一种旋转机械故障波形识别方法

技术领域

本发明属于机械设备的故障诊断领域，具体涉及一种针对旋转机械的故障波形识别方法。

背景技术

旋转机械作为机械设备的主要组成部分，其主要功能是为机械设备提供动力。典型的旋转机械油燃气轮机、汽轮机、发电机、水轮机、泵、离心式压缩机、通风机以及电动机等，目前广泛应用于冶金、石化、电力和航空航天等行业领域。旋转机械在当今工业生产中占据着举足轻重的地位，这些设备的安全运行对企业的正常生产至关重要，它们大多是机组的核心设备，一旦发生事故，必将造成难以挽回的巨大损失。

长久以来，通常采用两种方式来应对无法预测的故障：第一种是当设备出现问题是再进行维修，这种措施的代价巨大；第二是定期检修设备，这种措施通常需要提前计划和预测检修时间，但当设备没有故障时而进行检修，成本也非常高，且检修时间的确定也没有科学依据。理想的措施应该是在设备还没有发生故障时对其运行状态进行检测，预测出设备的可能故障，防患于未然，因此状态检测和故障诊断技术就显得尤为重要。

故障识别技术其根本上是模式识别，是故障诊断的重要前提，其研究方法主要包括时域分析、频域分析、幅值域分析等经典的分析方法，也包括神经网络、模糊识别、支持向量机和贝叶斯等现代分析手段。其中对于经典的信号分析方法，尽管理论成熟、算法实现简单，但对于复杂的振动信号，有时很难通过时域统计特征或频谱特性来进行区分和识别；而对于神经网络等现代分析手段，尽管具备强大的数据分析和判别能力，但复杂的模型建立过程和参数调试过程，使其很难应用于工程实际。

旋转机械故障诊断系统可根据故障波形结合温度、压力、真空、负荷、励磁电流、励磁电压等参数对故障进行诊断，但在目前的技术中，还没有一种故障波形识别方法既能够做到模型简单易于实现，又能够满足旋转机械故障诊断系统对故障波形识别精度的要求。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，提供一种能有效识别旋转机械故障波形的方法。

为了达到上述目的，本发明提供了一种旋转机械故障波形识别方法，该识别方法通过采集待检测的旋转机械的实时振动信号波形数据，获取实时波形，判断是否为故障波形；当判断为故障波形时，与标准故障波形库中的波形进行一一匹配，得到匹配波形，即认为该匹配波形为实时波形的故障波形；标准故障波形库中的波形包括典型振动故障波形：突变、爬升、波动和毛刺。

其中，对实时波形是否为故障波形的判断方法为：对实时波形峰峰值和均方根值进行计算判断；当所述实时波形峰峰值和均方根值均大于预设阈值时，判断该实时波形为故障波形；其中，实时波形峰峰值的预设阈值为4.1～24.1mm/s，均方根值的预设阈值为1.4～8.5mm/s。各预设阈值可根据旋转机械的不同，进行具体设定：如旋转机械为小型机械(15kW以下电动机等)时，峰峰值的预设阈值为4.1～5.1mm/s，均方根值的预设阈值为1.4～2.2mm/s；如旋转机械为中型机械(15～75kW电动机等)，峰峰值的预设阈值为6.3～9.5mm/s，均方根值的预设阈值为2.2～3.4mm/s；如旋转机械为刚性安装的大型机械(600～12000r/min)，峰峰值的预设阈值为10.2～15.2mm/s，均方根值的预设阈值为3.6～5.4mm/s；如旋转机械为柔性安装的大型旋转机械(600～12000r/min)，峰峰值的预设阈值为16.1～24.1mm/s，均方根值的预设阈值为5.7～8.5mm/s。

实时波形峰峰值和均方根值的计算公式为：

峰峰值：

均方根值：

其中，x_i表示实时波形上的点，n表示数据点数量。

对故障波形的匹配方法为：采用考虑延时的互相关系数计算方法，将上述实时波形与标准故障波形库中的波形一一进行匹配；当所有的互相关系数均小于预设阈值时，该实时波形为新的故障波形，进行标准化处理后，存入标准故障波形库中；当实时波形不为新的故障波形时，得到的实时波形与标准故障波形库中各波形之间的互相关系数最大的匹配波形，即认为该匹配波形为实时波形的故障波形；互相关系数的预设阈值为0.5～0.7。

互相关系数的计算公式为：

归一化互相关系数：

互相关函数：

期望或均值：

方差：

其中，x_i表示实时波形上的点，n表示数据点数量，y_i表示标准故障波形上的点，τ为两组离散数据的之间的延时。

当上述实时波形为故障波形，且不为新的故障波形时，计算实时波形与匹配波形的延时。

延时的计算公式为：

其中，τ₀即为实时波形与标准故障波形的时间延时。

本发明相比现有技术具有以下优点：本发明通过建立标准故障波形库，通过考虑延时的互相关系数计算方法，将实时波形与之进行匹配，能有效确定故障波形，且同时能够计算出实时波形与匹配的故障波形之间的时间延时，有助于精确定位实时波形产生开始产生故障的时刻点，实现对故障的及时预警和诊断。本发明提供的旋转机械故障波形识别方法不需要建立复杂的数学模型，便可实现对故障波形的快速精确辨识，能够有效提高旋转机械故障的早期预警和精确诊断能力。

附图说明

图1为本发明旋转机械故障波形识别方法的流程图；

图2为典型的毛刺故障波形；

图3为典型的突变故障波形；

图4为典型的爬升故障波形；

图5为典型的波动故障波形。

图2、图3、图4、图5中，横坐标表示时间，纵坐标表示振动信号的位移幅值、速度幅值或加速度幅值。

具体实施方式

下面结合附图对本发明进行详细说明。

如图1所示，本发明旋转机械故障波形识别方法包括以下步骤：

(1)从旋转机械诊断检测管理系统(TDM)或其它振动信号采集设备中获取旋转机械的实时振动信号波形数据，获取的实时波形要求与标准故障波形库中的波形具有相同的采样频率和时间长度；

(2)判断实时波形是否为故障波形，具体方法为：

计算实时波形数据的峰峰值和均方根值，当各指标均大于等于各自预设阈值后，则认为该实时波形属于故障波形。峰峰值和均方根值的计算方法分别为：

峰峰值：

均方根值：

其中，x_i表示实时波形上的点，n表示数据点数量。

各预设阈值根据旋转机械的不同，进行设定：如旋转机械为小型机械(15kW以下电动机等)时，峰峰值的预设阈值为4.1～5.1mm/s，均方根值的预设阈值为1.4～2.2mm/s；如旋转机械为中型机械(15～75kW电动机等)，峰峰值的预设阈值为6.3～9.5mm/s，均方根值的预设阈值为2.2～3.4mm/s；如旋转机械为刚性安装的大型机械(600～12000r/min)，峰峰值的预设阈值为10.2～15.2mm/s，均方根值的预设阈值为3.6～5.4mm/s；如旋转机械为柔性安装的大型旋转机械(600～12000r/min)，峰峰值的预设阈值为16.1～24.1mm/s，均方根值的预设阈值为5.7～8.5mm/s。

(3)经过步骤(2)的判断后，若实时波形不满足预设的故障波形指标，则退出故障波形匹配；

(4)经过步骤(2)的判断后，若实时波形满足预设的故障波形指标，则开始进行故障波形匹配。

(5)在步骤(4)的基础上进行波形匹配，具体方法为：将实时波形与标准故障波形库中的故障波形一一进行互相关系数计算，计算方法为

归一化互相关系数：

互相关函数：

期望或均值：

方差：

其中，x_i表示实时波形上的点，n表示数据点数量，y_i表示标准故障波形上的点，τ为两组离散数据的之间的延时。

如上所述的标准故障波形已存入故障波形库。图2所示为典型毛刺故障波形的示意图，其中横坐标表示时间，纵坐标可表示振动信号的位移幅值、速度幅值和加速度幅值。图3为典型突变故障波形示意图，其中横坐标表示时间，纵坐标可表示振动信号的位移幅值、速度幅值和加速度幅值。图4为典型爬升故障波形图，其中横坐标表示时间，纵坐标可表示振动信号的位移幅值、速度幅值和加速度幅值。图5为典型波动故障波形图，其中横坐标表示时间，纵坐标可表示振动信号的位移幅值、速度幅值和加速度幅值。

(6)判断步骤(5)所计算的所有相关系数是否均小于预设阈值；该预设阈值设置范围为0.5～0.7；

(7)经过步骤(6)的判断，若判断结果为“是”，则认为该实时波形为标准故障波形库中没有的故障波形；

(8)在步骤(7)的基础上，对实时波形按标准故障波形库的建立标准进行标准化处理；

(9)在步骤(8)的基础上，将标准化处理后的新故障波形存入标准故障波形库；

(10)经过步骤(6)的判断，若判断结果为“否”，则认为该实时波形属于标准故障波形库的其中一种波形；

(11)在步骤(10)的基础上，筛选出实时波形与各标准故障波形中相关系数最大的值；

(12)在步骤(11)的基础上，确定故障波形类型；

(13)在步骤(11)的基础上，确定实时波形与所述标准故障波形的延迟时间。延迟时间的计算方法为

其中，τ₀即为实时波形与标准故障波形的时间延时。

(14)根据确定的故障波形及时间延迟，利用旋转机械故障诊断系统采用现有技术结合温度、压力、真空、负荷、励磁电流、励磁电压等参数对故障进行故障诊断。

上述实施例，仅用于说明本发明，以上各步骤、波形匹配方法和典型故障波形均可以有所变化，在本发明方案的基础上，凡根据本发明原理对个别步骤和方法进行改进和等同变换，均不排除在本发明的保护范围之外。

Claims (8)

1.一种旋转机械故障波形识别方法，其特征在于：所述识别方法通过采集待检测的旋转机械的实时振动信号波形数据，获取实时波形，判断是否为故障波形；当判断为故障波形时，与标准故障波形库中的波形进行一一匹配，得到匹配波形，即认为所述匹配波形为所述实时波形的故障波形；所述标准故障波形库中的波形包括典型振动故障波形：突变、爬升、波动和毛刺。

2.根据权利要求1所述的识别方法，其特征在于：对实时波形是否为故障波形的判断方法为：对实时波形峰峰值和均方根值进行计算判断；当所述实时波形峰峰值和均方根值均大于预设阈值时，判断该实时波形为故障波形；所述实时波形峰峰值的预设阈值为4.1～24.1mm/s，均方根值的预设阈值为1.4～8.5mm/s。

3.根据权利要求2所述的识别方法，其特征在于：所述实时波形峰峰值和均方根值的预设阈值根据待检测的旋转机械进行设定：当旋转机械为小型机械时，峰峰值的预设阈值为4.1～5.1mm/s，均方根值的预设阈值为1.4～2.2mm/s，所述小型机械的电动机功率为15kW以下；当旋转机械为中型机械时，峰峰值的预设阈值为6.3～9.5mm/s，均方根值的预设阈值为2.2～3.4mm/s，所述中型机械的电动机功率为15～75kW；当旋转机械为刚性安装的大型机械时，峰峰值的预设阈值为10.2～15.2mm/s，均方根值的预设阈值为3.6～5.4mm/s，所述刚性安装的大型机械的转速为600～12000r/min；如旋转机械为柔性安装的大型旋转机械时，峰峰值的预设阈值为16.1～24.1mm/s，均方根值的预设阈值为5.7～8.5mm/s，所述柔性安装的大型旋转机械的转速为600～12000r/min。

4.根据权利要求2或3所述的识别方法，其特征在于：所述实时波形峰峰值和均方根值的计算公式为：

峰峰值：

$A_{pp}=\underset{1\≤i\≤n}{max}\left\{x_i\right\}-\underset{1\≤i\≤n}{\min }\left\{x_i\right\}$

均方根值：

$X_{rms}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i^2}$

其中，x_i表示实时波形上的点，n表示数据点数量。

5.根据权利要求2或3所述的识别方法，其特征在于：对故障波形的匹配方法为：采用考虑延时的互相关系数计算方法，将所述实时波形与标准故障波形库中的波形一一进行匹配；当所有的互相关系数均小于预设阈值时，该实时波形为新的故障波形，进行标准化处理后，存入所述标准故障波形库中；当所述实时波形不为新的故障波形时，得到的实时波形与标准故障波形库中各波形之间的互相关系数最大的匹配波形，即认为所述匹配波形为所述实时波形的故障波形；所述互相关系数的预设阈值为0.5～0.7。

6.根据权利要求5所述的识别方法，其特征在于：所述互相关系数的计算公式为：

归一化互相关系数：

${\mathrm{\ρ}}_{xy}\left(\mathrm{\τ}\right)=\frac{R_{xy}\left(\mathrm{\τ}\right)}{\sqrt{Var\left(X\right)}\sqrt{Var\left(Y\right)}};$

互相关函数：

$R_{xy}\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}\frac{1}{n}\underset{k=0}{\overset{n-1-\mathrm{\&tau;}}{\&Sigma;}}\&lsqb;x\left(k\right)-{\mathrm{\&mu;}}_x\&rsqb;\&lsqb;y(k+\mathrm{\&tau;})-{\mathrm{\&mu;}}_y\&rsqb;,& 0\&le;\mathrm{\&tau;}\&le;n-1\\ \frac{1}{n}\underset{k=-\mathrm{\&tau;}}{\overset{n-1}{\&Sigma;}}\&lsqb;x\left(k\right)-{\mathrm{\&mu;}}_x\&rsqb;\&lsqb;y(k+\mathrm{\&tau;})-{\mathrm{\&mu;}}_y\&rsqb;,& -(n-1)\&le;\mathrm{\&tau;}<0\end{array}\right.$

期望或均值：

$E\left(X\right)={\mathrm{\&mu;}}_x=\stackrel{\&OverBar;}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i,E\left(Y\right)={\mathrm{\&mu;}}_y=\stackrel{\&OverBar;}{y}=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i$

方差：

$Var\left(X\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^2,Var\left(Y\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-\stackrel{\&OverBar;}{y})}^2$

其中，x_i表示实时波形上的点，n表示数据点数量，y_i表示标准故障波形上的点，τ为两组离散数据的之间的延时。

7.根据权利要求6所述的识别方法，其特征在于：当所述实时波形为故障波形，且不为新的故障波形时，计算实时波形与所述匹配波形的延时。

8.根据权利要求7所述的识别方法，其特征在于：所述延时的计算公式为：

其中，τ₀即为实时波形与标准故障波形的时间延时。