CN109708907A - 一种基于包络信息的设备故障特征提取方法 - Google Patents

Abstract

本发明公开了一种基于包络信息的设备故障特征提取方法，其包括以下步骤：检测获取旋转机械设备的振动数据；对获取的振动数据进行包络转换，得到振动数据的包络信息；对包络信息内的幅值序列和频率系列做归一化处理；对归一化后的幅值序列进行异常值检测；分别计算异常幅值剔除前后的幅值序列方差；计算异常幅值剔除前后的幅值序列方差比作为特征v₁，计算异常幅值对应频率的均值和中位值分别作为特征v₂和v₃，得到特征向量v＝{v₁,v₂,v₃}。本发明简单有效，提取到的特征具有较高的区分度，提高了计算机算法对特征进行识别的准确率和速度。

Description

一种基于包络信息的设备故障特征提取方法

技术领域

本发明涉及振动信号分析领域，更详而言之涉及一种基于包络信息的设备故障特征提取方法。

背景技术

一般来说，旋转机械是指主要依靠旋转动作来完成特定功能的机械设备，例如汽轮机、电动机、风机等都是典型的旋转机械。由于旋转机械自身结构的特点，当旋转机械内部出现故障时，从旋转机械上采集到的振动信号会出现较为明显的异常。因此检测分析旋转机械的振动信号有利于旋转机械的故障预测性维护，对于潜在的故障，可以提前或在其恶化之前诊断发现，从而及时采取维护措施，合理安排检修和采购备品备件，避免设备的意外停机，提高设备有效作业率，延长设备的使用寿命。

振动数据的包络信息是设备振动数据经过包络函数转换后得到的频域信息，是傅里叶变换的一种应用。原始的振动数据是时域里的数据序列，经过包络变换得到频域里的数据序列，它包括两个长度相同的序列，分别是频率序列和对应的幅值序列。以包络信息中的频率序列和幅值序列分别作为横轴和纵轴绘制包络图，根据振动分析领域的理论知识，在正常设备的包络图中，幅值随频率的增加呈现比较平稳的下降趋势；而故障设备的包络图中，存在明显的异常幅值，这些异常幅值远超整体幅值平均水平，而且异常幅值对应的频率通常比较均匀地分布在横轴上。因此，包络图可以直观地显示出正常设备和故障设备的区别特征。

传统的工业设备预测性维护一般依靠人工分析完成，本领域技术人员根据行业理论和经验，可以从旋转机械振动数据的包络图中直观地识别出设备是否存在异常。但是随着设备状态数据量的快速增长，人工分析成本高，效率低等弊端日益突出。

随着大数据和机器学习技术的发展，智能分析技术应运而生。通过大数据处理技术和机器学习算法，可以让机器从海量的状态数据中学习和训练，训练得到的智能模型可以自动地对新的数据进行故障预测，极大地提高分析效率和准确率。本领域的技术人员可以直观地从包络图中识别正常设备和故障设备的包络信息特征，但是要让机器学习算法即计算机也能理解这些特征，则需要以数值的形式描述和提取这些特征。特征提取是机器学习算法的关键步骤之一，通常直接影响到算法最终的准确率，高质量的特征更容易得到高的准确率。

但是，传统的包络信息特征提取方法过于通用，逻辑较为简单，没有抓住故障特征和正常特征的本质，无法较为准确地对故障特征进行区分显示。另外，现有技术中还存在通过提取例如包络图像素灰度矩阵等图像特征的方法来提取包络信息特征，但是图像特征的维数较高，存在较多噪声信息，需要进行降维，由此大大增加了复杂度和计算量，导致特征提取的效率较低。

发明内容

本发明的目的在于提供一种基于包络信息的设备故障特征提取方法，简单有效，提取到的特征具有较高的区分度，提高了计算机算法对特征进行识别的准确率和速度。

为了实现上述目的，本发明提供一种基于包络信息的设备故障特征提取方法，其包括以下步骤：

(S1)检测获取旋转机械设备的振动数据；

(S2)对获取的振动数据进行包络转换，得到振动数据的包络信息，所述包络信息包括：频率序列F＝{f₁,f₂,...,f_n}和对应的幅值序列A＝{a₁,a₂,...,a_n}；

(S3)对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别做归一化处理，分别得到取值范围在[0,1]的频率序列和幅值序列

(S4)利用箱线图法对幅值序列进行异常值检测，具体为：

(S41)计算幅值序列的第一四分位数Q_A1和第三四分位数Q_A3；

(S42)取IQR＝Q_A3-Q_A1，设置检测区间D＝[Q_A1-3*IQR,Q_A3+3*IQR]，检测幅值序列中的每一个幅值是否属于检测区间D的数值范围内，若不属于检测区间D的数值范围内，则判定为异常幅值，将异常幅值添加至异常幅值序列A′＝{a′₁,a′₂,...,a′_m}，同时将异常幅值相对应的频率添加至异常频率序列F′＝{f₁′,f₂′,...,f_m′}；

(S5)将异常幅值序列A′从幅值序列中剔除，得到幅值序列A"＝{a"₁,a"₂,...,a"_p}，计算幅值序列A"的方差σ_A"，计算幅值序列的方差σ_A；

(S6)计算σ_A和σ_A"的比值作为特征v₁：

计算异常频率序列F′＝{f₁′,f₂′,...,f_m′}的均值和第二四分位数分别作为特征v₂和v₃：

最终得到三维度的特征向量v＝{v₁,v₂,v₃}。

根据本发明的优选实施例，在所述步骤(S1)中，通过在旋转机械的轴承处加装振动加速度传感器来检测获取旋转机械设备的振动数据，所述振动加速度传感器安装在所述轴承的水平方向或垂直方向。

优选地，所述振动加速度传感器通过AB胶或金属胶水安装固定在所述轴承处。

根据本发明的优选实施例，在所述步骤(S3)中，对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别按照式(1)做归一化处理；

其中，i＝1，2，3…n，当对频率序列F＝{f₁,f2,...,f_n}按照式(1)做归一化处理时，x_i为频率序列F中的频率值，x_min为频率序列F中的最小频率，x_max为频率序列F中的最大频率，为归一化处理后的频率值；当对幅值序列A＝{a₁,a₂,...,a_n}按照式(1)做归一化处理时，x_i为幅值序列A中的幅值，x_min为幅值序列A中的最小幅值，x_max为幅值序列A中的最大幅值，为归一化处理后的幅值。

相较于现有技术，本发明的有益效果在于：

通过分析异常幅值在故障设备和正常设备中的不同占比，以及异常幅值在故障设备和正常设备中的不同分布特点，针对幅值特征计算对异常值具有高敏感性的方差，针对相应的频率特征计算均值和中位值，较为准确地锁定了故障特征和正常特征的本质区别，能够较为明显且准确地对故障设备和正常设备进行区分。

本发明的上述以及其它目的、特征、优点将通过下面的详细说明、附图、以及所附的权利要求进一步明确。

附图说明

图1是根据本发明的优选实施例的基于包络信息的设备故障特征提取方法的流程示意图；

图2是利用本发明所述方法对数据样本进行实验后得到的不同样本的分布示意图。

具体实施方式

下面，结合附图以及具体实施方式，对发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

参看附图之图1至图2，根据本发明的优选实施例的基于包络信息的设备故障特征提取方法将在接下来的描述中被阐明。如附图1所示，所述包络信息的设备故障特征提取方法具体包括以下步骤：

(S1)检测获取旋转机械设备的振动数据；

(S2)对获取的振动数据进行包络转换，得到振动数据的包络信息，所述包络信息包括：频率序列F＝{f₁,f₂,...,f_n}和对应的幅值序列A＝{a₁,a₂,...,a_n}；

(S3)对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别按照式(1)做归一化处理，分别得到取值范围在[0,1]的频率序列和幅值序列

其中，i＝1，2，3…n，当对频率序列F＝{f₁,f₂,...,f_n}按照式(1)做归一化处理时，x_i为频率序列F中的频率值，x_min为频率序列F中的最小频率，x_max为频率序列F中的最大频率，为归一化处理后的频率值；当对幅值序列A＝{a₁,a₂,...,a_n}按照式(1)做归一化处理时，x_i为幅值序列A中的幅值，x_min为幅值序列A中的最小幅值，x_max为幅值序列A中的最大幅值，为归一化处理后的幅值；

(S4)利用箱线图法对幅值序列进行异常值检测，具体为：

(S41)计算幅值序列的第一四分位数Q_A1和第三四分位数Q_A3；

(S42)取IQR＝Q_A3-Q_A1，设置检测区间D＝[Q_A1-3*IQR,Q_A3+3*IQR]，检测幅值序列中的每一个幅值是否属于检测区间D的数值范围内，若不属于检测区间D的数值范围内，则判定为异常幅值，将异常幅值添加至异常幅值序列A′＝{a′₁,a′₂,...,a′_m}，同时将异常幅值相对应的频率添加至异常频率序列F′＝{f₁′,f₂′,...,f_m′}；

(S5)将异常幅值序列A′从幅值序列中剔除，得到幅值序列A"＝{a"₁,a"₂,...,a"_p}，计算幅值序列A"的方差σ_A"，计算幅值序列的方差σ_A；

(S6)计算σ_A和σ_A"的比值作为特征v₁：

计算异常频率序列F′＝{f₁′,f₂′,...,f_m′}的均值和第二四分位数分别作为特征v₂和v₃：

最终得到三维度的特征向量v＝{v₁,v₂,v₃}。

进一步地，在所述步骤(S1)中，通过在旋转机械的轴承处加装振动加速度传感器来检测获取旋转机械设备的振动数据。

优选地，所述振动加速度传感器安装在所述轴承的水平方向或垂直方向。

优选地，所述振动加速度传感器通过AB胶或金属胶水安装固定在所述轴承处。

在所述步骤(S3)中，对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别做归一化处理是为了消除不同指标之间的量纲影响，使得算法能够同时适用于不同量纲下的数据。在本优选实施例中，利用式(1)进行离差标准化，对原始数据进行线性变换，使得归一化的结果值映射到[0,1]之间。

值得一提的是，方差对于异常值具有较高的敏感性，故障设备包络幅值的异常值在整个幅值序列中的占比明显高于正常设备。对包络幅值序列进行异常值检测，可以通过计算异常幅值剔除前后的幅值序列方差比来描述故障设备和正常设备的特征区别。对于故障设备，异常幅值剔除前后的幅值序列方差比明显大于1；对于正常设备，该值通常接近于1，因此计算异常幅值剔除前后的幅值序列方差比能够较为明显地显示出故障设备和正常设备的区别。

除了幅值特征，还有其对应的频率特征。对于故障设备，异常幅值对应的频率通常较为均匀地分布在频率序列；对于正常设备，异常幅值通常集中聚集在频率序列的头部，即包络图中的横轴原点附近。因此可以通过计算异常幅值对应频率的均值和中位值(第二四分位数)来描述故障设备和正常设备的区别。对于故障设备，异常幅值对应频率的均值和中位值通常位于频率序列的中间位置；对于正常设备，异常幅值对应频率的均值和中位值通常位于频率序列的左侧，两者也有足够的区别。

本领域技术人员容易理解的是，特征向量是机器学习算法通用的特征格式，经过本发明的特征提取方法得到的特征向量，可以直接输入给任意机器学习算法进行训练。

如附图2所示，其展示了利用本发明所述方法提取到的特征向量对某风场中的笔风机振动数据样本进行实验后得到的不同数据样本的分布示意图。图中右侧的黑色颗粒表示正常设备数据样本，左侧灰色颗粒表示故障设备数据样本，可以看出两类样本之间有清晰的间隔，且各自聚集成簇，直观地说明了本发明所述方法提取到的特征具有较高的区分度。

如表1所示，其展示了三种机器学习算法利用本发明所述方法提取到的特征向量进行特征区分和传统的基于图像灰度矩阵特征进行特征区分的准确率对比。实验取60*60的包络图灰度矩阵特征进行对比，由表中数据对比可得知，三种机器学习算法利用本发明所述方法提取到的特征向量进行特征区分的准确率明显得到提升。

表1

算法	逻辑回归	卷积神经网络	随机森林
				传统图像灰度矩阵	85％	81％	92％
本发明方法提取的特征	93％	92％	95％

如表2所示，其展示了三种机器学习算法利用本发明所述方法提取到的特征向量进行特征区分和传统的基于图像灰度矩阵特征进行特征区分的计算耗时对比。由表中数据对比可得知，在准确率得到提升的同时，利用本发明所述方法提取到的特征向量进行特征区分的计算耗时大大减少，计算速度大幅提升。

表2

算法	逻辑回归	卷积神经网络	随机森林
				传统图像灰度矩阵	2s	4s	2s
本发明方法提取的特征	100ms	300ms	100ms

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (4)

1.一种基于包络信息的设备故障特征提取方法，其特征在于，包括以下步骤：

(S1)检测获取旋转机械设备的振动数据；

(S2)对获取的振动数据进行包络转换，得到振动数据的包络信息，所述包络信息包括：频率序列F＝{f₁,f₂,...,f_n}和对应的幅值序列A＝{a₁,a₂,...,a_n}；

(S3)对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别做归一化处理，分别得到取值范围在[0,1]的频率序列和幅值序列

(S4)利用箱线图法对幅值序列进行异常值检测，具体为：

(S41)计算幅值序列的第一四分位数Q_A1和第三四分位数Q_A3；

(S42)取IQR＝Q_A3-Q_A1，设置检测区间D＝[Q_A1-3*IQR,Q_A3+3*IQR]，检测幅值序列中的每一个幅值是否属于检测区间D的数值范围内，若不属于检测区间D的数值范围内，则判定为异常幅值，将异常幅值添加至异常幅值序列A′＝{a′₁,a′₂,...,a′_m}，同时将异常幅值相对应的频率添加至异常频率序列F′＝{f₁′,f₂′,...,f′_m}；

(S5)将异常幅值序列A′从幅值序列中剔除，得到幅值序列A"＝{a"₁,a"₂,...,a"_p}，计算幅值序列A"的方差σ_A"，计算幅值序列的方差σ_A；

(S6)计算σ_A和σ_A"的比值作为特征v₁：

计算异常频率序列F′＝{f₁′,f₂′,...,f′_m}的均值和第二四分位数分别作为特征v₂和v₃：

最终得到三维度的特征向量v＝{v₁,v₂,v₃}。

2.如权利要求1所述的基于包络信息的设备故障特征提取方法，其特征在于，在所述步骤(S1)中，通过在旋转机械的轴承处加装振动加速度传感器来检测获取旋转机械设备的振动数据，所述振动加速度传感器安装在所述轴承的水平方向或垂直方向。

3.如权利要求2所述的基于包络信息的设备故障特征提取方法，其特征在于，所述振动加速度传感器通过AB胶或金属胶水安装固定在所述轴承处。

4.如权利要求1-3任一项所述的基于包络信息的设备故障特征提取方法，其特征在于，在所述步骤(S3)中，对频率序列F＝{f₁,f₂,...,f_n}和幅值序列A＝{a₁,a₂,...,a_n}分别按照式(1)做归一化处理；

其中，i＝1，2，3…n，当对频率序列F＝{f₁,f₂,...,f_n}按照式(1)做归一化处理时，x_i为频率序列F中的频率值，x_min为频率序列F中的最小频率，x_max为频率序列F中的最大频率，为归一化处理后的频率值；当对幅值序列A＝{a₁,a₂,...,a_n}按照式(1)做归一化处理时，x_i为幅值序列A中的幅值，x_min为幅值序列A中的最小幅值，xmax为幅值序列A中的最大幅值，为归一化处理后的幅值。