CN109359699A - 一种基于Alpha稳定分布的工业机组故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于Alpha稳定分布的工业机组故障诊断方法，用于对大型机械设备的故障进行诊断。本发明通过采集工业机组设备的正常振动信号和各种故障振动信号并对振动信号进行归一化处理后得到标准信号；其次对标准信号做Alpha稳定分布参数拟合得到稳定分布四参数；利用Alpha稳定分布拟合参数对随机森林分类器得到故障类型。本发明所提供的技术方案，能够有效提高分析工业机组故障时的准确率。

Description

一种基于Alpha稳定分布的工业机组故障诊断方法

技术领域

本发明涉及机械故障诊断领域，更具体地，涉及一种基于Alpha稳定分布的工业机组故障诊断方法。

背景技术

机械设备故障诊断主要基于振动信号进行分析，而一般采用时域分析法，通过对机械振动信号的概率密度函数分析，进一步推导出了幅值域中的有量纲指标(如均值、均方根值等)、无量纲指标(如波形指标、裕度指标、脉冲指标等)。

在实际应用中，有量纲指标虽然对故障特征敏感，但其数值不仅会随着故障的发展而增大，而且也会因工作条件(如机械载荷、转速等)的变化而变化，并极易受环境干扰的影响，表现不够稳定。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于Alpha稳定分布的工业机组故障诊断方法。

本发明旨在至少在一定程度上解决上述技术问题。

为解决上述技术问题，本发明的技术方案如下：一种基于Alpha稳定分布的工业机组故障诊断方法，包括以下步骤：

S1：按抽样频率f_s采集的振动信号x(t)(t＝0,1,…,T-1)，对x(t)进行归一化处理得到X(t)：

若果则x(t)取值为X(t),即为归一化，其中t表示时间，X(t)表示信号归一化后的随机样本，服从Alpha稳定分布参数；

S2：计算出标准信号Alpha稳定分布参数：

Φ(t)＝exp{jδt-γ^α|t|^α[1+jβsign(t)ω(t,α)]}

其中，j是虚数，α、β、γ和δ为特征函数中4个参数，α为特征指数，β为对称参数，γ为分散系数；δ为位置参数；

S3：将计算出的参数传入随机森林分类模型对故障类型进行预测。

优选地，步骤S1中采样频率采集的振动信号是在工业机组在运行磨合期后采集到的振动信号，并分别采集正常运行和不同故障状况下分别采集到的振动信号。

优选地，步骤S2中利用样本分位数得到标准信号的Alpha稳定分布参数进行估计：

其中Alpha稳定分布过程的α参数可以通过估计得到的，样本分位数由查表和内插法得到，为β参数的估计量；假定已知α参数的估计值，由查表和内插得到为了方便计算γ引入了参数c，c由c的估计值计算得到，N表示随机样本的个数，1≤i≤N，为参数γ的估计，为δ参数的估计值，表示样本分位数的估计值，f是分位数，这样做可以将高维度的信号用alpha分布的四个参数来表示，以便于在降维后进行后续的分类。

优选地，所述的样本分位数的估计值由以下方法得到：

F(x_f)＝f

其中F(x)为随机变量X的分布函数，实数f满足0＜f＜1时，f是分位数，这里P{X＜x_f}＝F(x_f)＝f；x_f表示样本分位数，P{X＜x_f}表示X＜x_f时的概率；取随机样本X₁,X₂,…,X_N将其进行升序排列表示为X₍₁₎,X₍₂₎,…,X_(N)，满足X₍₁₎≤X₍₂₎≤…≤X_(N)，N表示样本的个数，表示样本分位数的估计值，1≤i≤N。

优选地，步骤S3中利用随机森林进行故障估计，其中树的颗数为100，最大树深度为10。

与现有技术相比，本发明技术方案的有益效果是：一种基于Alpha稳定分布的随机森林故障分类器，由于故障信号不都属于高斯模型信号，而Alpha稳定分布既能很好的描述高斯过程，又能很好的描述非高斯过程，与高斯混合模型相比对故障的诊断更加地敏感，故能提高故障诊断的准确率。

附图说明

图1为本发明的流程图。

图2为本发明中正常、轴承外圈磨损、轴承内圈磨损、大齿轮缺齿、小齿轮缺齿、轴承缺滚珠这六种状况下的原始振动时域信号。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示的流程图，本发明步骤如下：

S1：按抽样频率f_s采集正常运行和不同故障状况下工业机组在运行磨合期后采集到的振动信号x(t)(t＝0,1,…,T-1)，图2分别是正常、轴承外圈磨损、轴承内圈磨损、大齿轮缺齿、小齿轮缺齿、轴承缺滚珠这六种状况下的原始振动时域信号，对x(t)进行归一化处理得到X(t)：

若果则x(t)取值为X(t),即为归一化，其中t表示时间，X(t)表示信号归一化后的随机样本，服从Alpha稳定分布参数；

S2：计算出标准信号Alpha稳定分布参数：

Φ(t)＝exp{jδt-γ^α|t|^α[1+jβsign(t)ω(t,α)]}

其中，j是虚数，α、β、γ和δ为特征函数中4个参数，α为特征指数，β为对称参数，γ为分散系数；δ为位置参数；参数α、β、γ和δ由以下公式得到：

其中Alpha稳定分布过程的α参数可以通过估计得到的，样本分位数由查表和内插法得到，为β参数的估计量；假定已知α参数的估计值，由查表和内插得到为了方便计算γ引入了参数c，c由c的估计值计算得到，N表示随机样本的个数，1≤i≤N，为参数γ的估计，为δ参数的估计值，表示样本分位数的估计值，f是分位数，这样做可以将高维度的信号用alpha分布的四个参数来表示，以便于在降维后进行后续的分类。

并且其中的样本估计值由以下方法得到：

F(x_f)＝f

其中F(x)为随机变量X的分布函数，实数f满足0＜f＜1时，f是分位数，这里P{X＜x_f}＝F(x_f)＝f；x_f表示样本分位数，P{X＜x_f}表示X＜x_f时的概率；取随机样本X₁,X₂,…,X_N将其进行升序排列表示为X₍₁₎,X₍₂₎,…,X_(N)，满足X₍₁₎≤X₍₂₎≤…≤X_(N)，N表示样本的个数，表示样本分位数的估计值，1≤i≤N。

S3：将计算出的参数传入树的颗数为100，最大树深度为10的随机森林分类模型中对故障类型进行预测。

在具体实施过程中，首先在机组正常状态下分别在两种转速下平稳转动时采集一组振动信号作为不同工况的无故障振动信号。按需要更换故障件，得到5种故障。在每种故障的两种工况下分别采集100组数据(前50组用来训练，后50组用来验证)，则每种故障一共采集了200组数据(前100组用来训练，后100组用来验证)。完成故训练信号和测试征信号的采集。然后用本发明的方法分别求正常和每种故障的Alpha稳定分部拟合参数。将训练集传入深度为10，颗数为100的随机森林分类器。将测试集带入训练好的随机森林分类器完成预测。在具体实施过程中，

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于Alpha稳定分布的工业机组故障诊断方法，其特征在于：包括以下步骤：

S1：按抽样频率f_s采集的振动信号x(t)(t＝0,1,…,T-1)，对x(t)进行归一化处理得到X(t)：

若果则x(t)取值为X(t),即为归一化，其中t表示时间，X(t)表示信号归一化后的随机样本，服从Alpha稳定分布参数；

S2：计算出标准信号Alpha稳定分布参数：

Φ(t)＝exp{jδt-γ^α|t|^α[1+jβsign(t)ω(t,α)]}

其中，j是虚数，α、β、γ和δ为特征函数中4个参数，α为特征指数，β为对称参数，γ为分散系数；δ为位置参数；

S3：将计算出的参数传入随机森林分类模型对故障类型进行预测。

2.根据权利要求1所述的一种基于Alpha稳定分布的工业机组故障诊断方法，其特征在于：步骤S1中采样频率f_s采集的振动信号是在工业机组在运行磨合期后采集到的振动信号。

3.根据权利要求1所述的一种基于Alpha稳定分布的工业机组故障诊断方法，其特征在于：步骤S2中利用样本分位数得到标准信号的Alpha稳定分布参数进行估计：

其中Alpha稳定分布过程的α参数可以通过估计得到的，样本分位数由查表和内插法得到，为β参数的估计量；假定已知α参数的估计值，由查表和内插得到为了方便计算γ引入了参数c，c由c的估计值计算得到，N表示随机样本的个数，1≤i≤N，为参数γ的估计，为δ参数的估计值，表示样本分位数的估计值，f是分位数。

4.根据权利要求3所述的一种基于Alpha稳定分布的工业机组故障诊断方法，其特征在于：所述的样本分位数的估计值由以下方法得到：

F(x_f)＝f

其中F(x)为随机变量X的分布函数，实数f满足0＜f＜1时，f是分位数，这里P{X＜x_f}＝F(x_f)＝f；x_f表示样本分位数，P{X＜x_f}表示X＜x_f时的概率；取随机样本X₁,X₂,…,X_N将其进行升序排列表示为X₍₁₎,X₍₂₎,…,X_(N)，满足X₍₁₎≤X₍₂₎≤…≤X_(N)，N表示样本的个数，表示样本分位数的估计值，1≤i≤N。

5.根据权利要求1所述的一种基于Alpha稳定分布的工业机组故障诊断方法，其特征在于：步骤S3中利用随机森林进行故障估计，其中树的颗数为100，最大树深度为10。