CN110501631B - 一种在线间歇故障检测与诊断方法 - Google Patents

Abstract

本发明公开了一种在线间歇故障检测与诊断方法，具体包括以下步骤：(1)利用待诊断系统获取标准故障数据集；(2)通过小波模极大值法判断信号中是否存在奇异点，识别出数据集中的间歇故障信号；(3)利用经验小波变换对检测出的间歇故障信号进行处理，实现间歇故障信号的自适应分解；(4)计算经验模态分量与原始间歇故障信号的皮尔逊相关系数以及经验模态分量的峭度，优化选取分量进行特征提取；(5)通过灰色关联度分析方法对待识别间歇故障信号和参考间歇故障模式的多个特征参数进行快速匹配，建立动态变化的间歇故障模式库；(6)根据不同间歇故障模式出现的次数和时间差对间歇故障类别进行判定，得出在线诊断结果。

Description

一种在线间歇故障检测与诊断方法

技术领域

本发明涉及在线间歇故障检测与诊断技术领域，特别涉及一种基于信号奇异点检测、经验小波变换和灰色关联度分析的在线间歇故障检测与诊断方法。

背景技术

间歇故障现象在生产和生活中十分普遍，对系统性能和设备安全构成了巨大的威胁。据统计，集成电路中的间歇故障通常是永久故障的10-30倍。来自美军装备和电子工业的数据表明，间歇故障占整个系统故障的70％-90％，是系统失效的主要原因。由于各种设备的运行环境越来越多样化，许多设备甚至工作在超高温、超低温、高辐射、高腐蚀的极恶劣环境。复杂多变的环境加重了系统的负担，同时系统部件磨损、人为操作不当、机械应力、元件制造工艺不佳等都会使得系统中的间歇故障频繁发生。探索间歇故障的特点，研究在线间歇故障的检测方法和诊断方法，对于保证系统可靠安全地运行具有重要意义。

间歇故障是指发生故障后，未经处理可以在有限时间内自行恢复功能，可反复出现，持续时间相对较短的一类特殊故障，特点是间歇性、反复性和随机性。系统本身的缺陷可能会造成间歇故障，比如机械系统中，轴承和齿轮的磨损、裂隙等容易造成周期性、固定幅值的间歇故障。在电子设备中，间歇故障一般由外界环境引起，具有非周期、时变幅值和不同时刻的故障相互独立等特点。因此，如果外界扰动结束，故障就会消失，需要大量的人力和时间来反复测试和更换可疑部件。相比永久故障而言，间歇故障行为模式复杂，通常不是以一种可预知的方式出现和消失，因此间歇故障很难检测与诊断。

间歇故障信号中通常包含一个或多个瞬态跳变过程，瞬态跳变是一种奇异结构，在数学上又被称为奇点，是指在该点函数不连续或导数不存在。采用基于小波模极大值的信号奇点辨识方法，可以较为准确地计算出信号中奇点的位置，因此可将间歇故障的检测问题转换为奇点信号的检测问题。经验小波变换(EWT)是建立在小波变换(WT)基础上的，通过对傅里叶变换的频谱进行划分，构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的调幅调频(AM-FM)成分，通过对分量进行特征提取从而进行故障诊断。为了能够快速诊断间歇故障，通过对提取的间歇故障信号的多个特征参数进行匹配识别，同时记录不同间歇故障模式出现的次数及时间差以确定信号的不同状态，从而达到间歇故障在线诊断的目的。

发明内容

本发明的目的是提出一种在线间歇故障检测与诊断方法，通过滑动时间窗口对采集信号进行在线处理，采用小波模极大值法实现间歇故障信号检测，通过经验小波变换对检测出的间歇故障信号进行分解，优化选取更能表现原始间歇故障信号特征的经验模态分量进行特征提取，通过灰色关联度分析方法对待识别间歇故障信号进行多特征快速匹配，建立动态变化的间歇故障特征模式库，根据不同间歇故障模式出现的次数和时间差判断间歇故障的类别，从而实现间歇故障的在线诊断。

为达到上述目的，本发明的技术方案提供一种在线间歇故障检测与诊断方法，所述方法包括以下步骤：

1)采集待诊断系统在不同运行状态下的监测信号，通过滑动时间窗口对采集到的信号进行在线处理，以时间窗口获取的多段数据作为故障数据集，这些数据包括正常信号、不同间歇故障信号和永久故障信号；

2)对采集到的不同状态的信号进行异常检测，通过小波模极大值法对信号中的奇异点进行检测，将对间歇故障信号的检测问题转化为对奇点信号的检测问题，从而识别出数据集中的间歇故障信号；

3)对不同的间歇故障信号进行信号处理，通过经验小波变换从原始信号中提取出不同的调幅-调频经验模态分量，实现间歇故障信号的自适应分解；

4)选取所有经验模态分量中间歇故障特征最明显的分量进行特征提取，通过计算经验模态分量与原始间歇故障信号的皮尔逊相关系数，设定相关系数阈值排除虚假的分量，并从真实分量中选取峭度最大的经验模态分量作为特征分量，对优化选取的特征分量进行特征提取，计算特征分量的峰值因子、峭度因子、脉冲因子、波形因子、裕度因子、超阈值次数、能量、持续时间作为特征指标；

5)通过灰色关联度分析方法对间歇故障信号进行多特征快速匹配，从而确定每个时间窗数据的故障模式，若关联度低于设定的阈值，则该时间窗数据的特征作为一种新的故障模式添加到间歇故障模式库中，建立动态变化的间歇故障模式库，若关联度大于设定的阈值，取最大关联度对应的模式作为正确的模式匹配；

6)记录不同间歇故障模式每次出现的时间，根据不同间歇故障模式出现的次数和时间差对间歇故障类别进行判定，得出在线诊断结果。

本发明达到的有益效果为：本发明通过对信号中的奇异点进行检测，从而实现对间歇故障信号的检测问题，小波变换能够反映出间歇故障局部信息的特征，从而直观地展现出间歇故障信号的奇异点，通过小波模极大值方法能够较为准确地计算出信号中奇异点的位置。经验小波变换可以对间歇故障信号的傅里叶频谱进行自适应的划分滤波，滤波后可以得到一组分量，该信号处理方法的计算速度快，模态混叠和端点效应减弱，对处理间歇故障这类非线性非平稳信号具有优势。皮尔逊相关系数可以反映变量之间的关系，相关系数越大说明变量之间的相关性越高，因此，通过计算经验模态分量与原始间歇故障信号的相关系数，选择相关系数满足设定的阈值并且峭度最大的分量作为最优分量进行特征提取，可以保证分量特征代表原始间歇故障信号特征的有效性。通过灰色关联度分析方法对间歇故障信号的多个特征进行快速匹配，可以有效地识别不同故障模式，并且帮助建立动态的间歇故障模式库，使诊断具有实时性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明做进一步的详细描述，其中：

图1为本发明所述在线间歇故障检测与诊断方法流程图；

图2为本发明所述基于经验小波变换的间歇故障信号处理与特征提取流程图；

图3为本发明所述间歇故障模式识别与间歇故障模式库动态更新流程图。

具体实施方式

下面将结合附图和具体实施方式，对本发明做进一步的详细阐述：

1、采集待诊断系统在不同运行状态下的监测信号。具体实施方式如下：

首先使待诊断系统正常工作，从系统的测试节点采集例如振动信号、电压信号、电流信号等作为待检测信号，接着向系统中注入不同类型的故障，比如向机械系统施加极端振动条件、向电子系统的激励信号中添加随机的噪声信号或者使用继电器等控制电路中元器件的通断从而模拟故障，通过控制故障持续时间来产生永久故障信号或间歇故障信号。根据故障特点，使用窗口大小为W的滑动时间窗对采集到的信号进行在线处理，以滑动时间窗获取的多段数据作为故障数据集。

2、通过小波模极大值法对采集到的不同信号进行异常检测，识别出数据集中的间歇故障信号。具体实施方式如下：

间歇故障信号与正常信号和永久故障信号在时域上的表现不同，当间歇故障发生时，信号会产生瞬态跳变，这种瞬态跳变结构在数学上称为奇异点，因此利用小波变换技术对数据进行信号处理，然后通过模极大值方法来检测数据是否包含奇异点，从而实现间歇故障检测。

由于采集到的信号为采样信号，因此采用离散小波变换(DWT)对信号进行处理，信号f(t)的离散小波变换表示为：

其中j为尺度因子离散化后的对数坐标，k为平移因子离散化后的倍数，ψ_j,k(t)为离散小波函数，

是ψ_j,k(t)的共轭函数。

在信号小波变换所形成的“尺度-时间”平面上，将小波变换模(小波变换系数绝对值)极大值点沿着尺度方向连接起来，构成小波变换模极大值曲线，信号的奇异性可通过Lipschitz指数，也称李氏指数α来描述，该指数与小波变换的模值关系为：

其中常数C＞0。小波变换模极大值曲线会沿着尺度减小的方向收敛于李氏指数为α的奇异点t₀处，且模极大值曲线不会中断。直观地来说，正负极大值曲线在尺度接近零时，两曲线相交的位置即为信号奇异点的位置。通过模极大值曲线计算出李氏指数可定量分析信号的奇异性，当李氏指数处于阈值之内时，认为该条模极大值曲线对应的点为奇异点，从而判断该信号为间歇故障信号。

3、利用经验小波变换对检测出的间歇故障信号进行处理，实现间歇故障信号的自适应分解。具体实施方式如下：

对间歇故障信号进行傅里叶变换得到频谱图，通过尺度空间方法对经验小波频谱进行自适应分隔，离散信号的尺度空间表达为信号和核函数的卷积：

其中t表示尺度参数，离散后的尺度参数为

其中s＝1,2…为整数，通常设置

选取C＝6时可确保近似误差小于10^-9，采样高斯核函数为：

在离散尺度空间中，L(x,t)是代表变量x极小值数目的函数，每一个局部极小值对应一条尺度空间曲线。尺度空间方法通过高斯核函数对信号的频谱进行平滑，随着平滑次数的增加，一些虚假的频带分界点会消失，而真实的分界点会保留，通过最大类间方差法(Otsu)自动确定阈值T_l，如果尺度空间曲线的长度大于T_l，则将该尺度空间曲线的位置定义为频谱的分隔边界。

根据频谱划分，利用Meyer小波构造方法构造经验小波尺度函数和经验小波函数，对于一个间歇故障信号，经验小波变换后的分解结果为：

4、计算经验模态分量与原始间歇故障信号的皮尔逊相关系数以及经验模态分量的峭度，选取相关系数达到阈值T_c并且峭度最大的分量作为优化选取的特征分量并进行特征提取。具体实施方式如下：

计算经验小波变换后的经验模态分量c_j(t)和原始间歇故障信号f(t)的相关系数r_j：

其中m_cj和m_f分别为c_j(t)和f(t)的样本均值，当满足r_j＞T_c时，对应的经验模态分量被视为真实有意义的分量，此时计算这些分量的峭度K_j：

其中c_j,std为经验模态分量c_j(t)的标准差。选取K_j最大时所对应的分量作为优化选取的特征分量进行特征提取，计算特征分量的峰值因子、峭度因子、脉冲因子、波形因子、裕度因子、超阈值次数、能量、持续时间作为特征指标。

5、通过灰色关联度分析方法对待识别间歇故障信号和参考间歇故障模式的多个特征进行快速匹配，建立动态变化的间歇故障模式库。具体实施方式如下：

将间歇故障信号的特征参数进行归一化处理，参考间歇故障模式的归一化特征为X_i{X_i(k)|k＝1,2,…,N}，i＝1,2,…,M表示不同参考故障模式，k表示故障模式中的第k个特征参数，一个故障模式共有N个特征参数，X_j为待识别间歇故障信号的归一化特征，X_j(k)与X_i(k)的灰色关联系数为：

ρ为分辨系数，通常取值为0.5。由于每个特征参数在模式识别中的重要性不同，因此，取前5个特征参数的权值为1/10，后3个特征参数的权值为1/6，待识别信号与参考故障模式的加权灰色关联度为：

设置关联度阈值为T_r,当γ_ij＜T_r时，认为待识别信号与已有故障模式不匹配，因此将此时的待识别信号的特征作为新的故障模式添加到间歇故障模式库中，动态更新故障模式库，此时待识别信号被诊断为新的故障类别；当关联度大于设定的阈值，即γ_ij＞T_r时，取γ_ij最大时对应的故障模式i作为待识别信号X_j的识别结果，判断所有待识别间歇故障信号的故障模式。

6、根据不同间歇故障模式出现的次数和时间差对间歇故障类别进行判定，得出在线诊断结果。具体实施方式如下：

在待识别的间歇故障信号正确匹配到相应的间歇故障模式后，记录下每个间歇故障信号发生的时间，在整个检测诊断过程中，若该间歇故障模式只出现一次，则该间歇故障为瞬态故障；若该间歇故障模式出现多次，并且周期性地出现，则该间歇故障为周期性间歇故障；若该间歇故障模式出现多次，但是出现时间没有规律，则该间歇故障为非周期性间歇故障。

记某类间歇故障模式出现的次数为Count，出现的时间间隔为Δt，则有：

Claims (6)

1.一种在线间歇故障检测与诊断方法，其特征在于，包括如下步骤：

1)采集待诊断系统在不同运行状态下的监测信号，通过滑动时间窗口对采集到的信号进行在线处理，以时间窗口获取的多段数据作为故障数据集，这些数据包括正常信号、不同间歇故障信号和永久故障信号；

2)对采集到的不同状态的信号进行异常检测，通过小波模极大值法对采集到的信号中的奇异点进行检测，将对间歇故障信号的检测问题转化为对奇异点信号的检测问题，从而识别出数据集中的间歇故障信号；

3)对不同的间歇故障信号进行信号处理，通过经验小波变换从原始间歇故障信号中提取出不同的调幅-调频经验模态分量，实现间歇故障信号的自适应分解；

4)选取所有经验模态分量中间歇故障特征最明显的分量进行特征提取，通过计算经验模态分量与原始间歇故障信号的皮尔逊相关系数，设定相关系数阈值排除虚假的分量，并从真实分量中选取峭度最大的经验模态分量作为特征分量，对优化选取的特征分量进行特征提取，计算特征分量的峰值因子、峭度因子、脉冲因子、波形因子、裕度因子、超阈值次数、能量、持续时间作为特征指标；

5)通过灰色关联度分析方法对间歇故障信号进行多特征快速匹配，从而确定每个时间窗数据的故障模式，若关联度低于设定的阈值，则该时间窗数据的特征作为一种新的故障模式添加到间歇故障模式库中，建立动态变化的间歇故障模式库，若关联度大于设定的阈值，取最大关联度对应的模式作为正确的模式匹配；

6)记录不同间歇故障模式每次出现的时间，根据不同间歇故障模式出现的次数和时间间隔对间歇故障类别进行判定，得出在线诊断结果。

2.根据权利要求1所述的一种在线间歇故障检测与诊断方法，其特征在于，所述步骤1)待诊断系统故障数据集获取的具体过程为：

通过在待诊断系统的测试节点采集信号作为待检测信号，首先让待诊断系统工作在正常状态，采集正常信号，接着向待诊断系统中注入不同类型的故障，向机械系统施加极端振动条件、向电子系统的激励信号中添加随机的噪声信号或者使用继电器控制电路中元器件的通断从而模拟故障，通过控制故障的持续时间来产生永久故障信号或间歇故障信号；通过使用滑动时间窗口对采集到的信号进行在线处理，使信号成为标准的故障数据集。

3.根据权利要求1所述的一种在线间歇故障检测与诊断方法，其特征在于，所述步骤2)通过信号奇异点检测识别间歇故障信号的具体过程为：

采用离散小波变换对采集到的信号进行处理，绘制小波变换模极大值曲线，通过Lipschitz指数也称李氏指数α来判断采集到的信号的奇异性，当李氏指数处于阈值之内时，认为该条模极大值曲线对应的点为奇异点，从而判断该信号为间歇故障信号；李氏指数与小波变换的模值关系为：

。

4.根据权利要求1所述的一种在线间歇故障检测与诊断方法，其特征在于，所述步骤4)经验小波变换得到的经验模态分量的优化选取的具体过程为：

计算经验小波变换得到的经验模态分量c_j(t)和原始间歇故障信号f(t)的皮尔逊相关系数rj：

其中m_cj和m_f分别为c_j(t)和f(t)的样本均值，当满足r_j＞Tc，其中Tc为阈值时，对应的经验模态分量被视为真实有意义的分量，计算这些真实分量的峭度，峭度最大的经验模态分量将作为优化选取的特征分量。

5.根据权利要求1所述的一种在线间歇故障检测与诊断方法，其特征在于，所述步骤5)待识别间歇故障信号与参考故障模式多特征快速匹配与间歇故障模式库动态更新的具体过程为：

计算待识别间歇故障信号与参考故障模式的加权灰色关联度：

其中ω_ij(k)为每个特征参数的权重，ζ_ij(k)为待识别间歇故障信号与第i个参考故障模式的第k个特征参数的灰色关联系数，当γ_ij＜Tr，Tr为阈值时，认为待识别间歇故障信号与已有故障模式不匹配，将此时的待识别间歇故障信号的特征作为新的故障模式添加到间歇故障模式库中，动态更新故障模式库；当γ_ij＞Tr时，取γ_ij最大时所对应的故障模式i作为待识别间歇故障信号的识别结果。

6.根据权利要求1所述的一种在线间歇故障检测与诊断方法，其特征在于，所述步骤6)间歇故障在线诊断的具体过程为：

记录不同间歇故障模式每次出现的时间，记某类间歇故障模式出现的次数为Count，出现的时间间隔为Δt，则待诊断间歇故障信号的诊断结果为：

Images