CN1120366C - 基于非线性频谱分析的故障检测与诊断方法 - Google Patents
基于非线性频谱分析的故障检测与诊断方法 Download PDFInfo
- Publication number
- CN1120366C CN1120366C CN 99115737 CN99115737A CN1120366C CN 1120366 C CN1120366 C CN 1120366C CN 99115737 CN99115737 CN 99115737 CN 99115737 A CN99115737 A CN 99115737A CN 1120366 C CN1120366 C CN 1120366C
- Authority
- CN
- China
- Prior art keywords
- model
- identification
- signal
- data
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于非线性频谱分析的状态检测与故障诊断方法，其实现步骤是：(1)模型简化；(2)激励信号设计；(3)数据采集与数据压缩；(4)选取辨识算法；(5)信号预处理；(6)模型泛化能力检验；(7)模式分类与故障诊断试验；最后是对临界故障状态进行报警，对故障状态进行应急处理。该方法不仅可以适用于线性和非线性系统的状态检测与故障诊断，而且可以大大提高检测与诊断精度，可以在线实际应用。
Description
技术领域
本发明属于控制科学与工程学科领域，进一步涉及一种基于非线性频谱分析的状态检测与故障诊断方法。
背景技术
目前，关于状态检测与故障诊断有两种最基本的方法，一种方法基于信号处理，另一种基于过程分析。
基于信号处理的状态检测与故障诊断方法是最基本的方法(见[美]J.S.米尔著，林明邦等译，《机器故障的分析与监测)》，机械工业出版社，1990)。因为系统输出信号幅值、相位、频率、相关性等参量的变化往往与故障源之间存在一定的联系，通过信号处理可得到输出信号的频谱图等特性，并由此可以分析得出系统所处得状态。常用的方法有谱分析法、概率密度法、时序分析法等。此方法的优点是简单直观，在许多情况下也很有效。但由于只利用了输出信号，不能完全反映系统的本质特性，所以这种方法不可避免地有其局限性。即对一些系统而言，输出信号的变化并不能完全反映对象特征的变化，容易造成误判。
基于过程分析的方法，就是利用对象的输入输出信号，用模型辨识方法获得对象传递特性的变化，并由此判断系统是否处于故障状态。参数模型辨识或非参数模型辨识，均属于这类方法(见周东华、孙优贤著，《控制系统的故障检测与诊断技术)》，清华大学出版社，1994)。直接基于参数模型辨识的方法是一种流行的辨识方法，优点是算法通用，容易实现；它的缺点是参数估计的精确性依赖于模型结构的正确，而模型结构辨识却是一件十分困难的事情。
发明内容
本发明的目的在于克服上述现有技术的缺点，提出一种基于非线性频谱分析的状态检测与故障诊断方法，不仅可以适用于线性和非线性系统的状态检测与故障诊断，而且可以大大提高检测与诊断精度，可以在线实际应用。
本发明的核心技术是利用非线性动态系统的频谱分析方法进行状态检测与故障诊断。所谓非线性动态系统的频谱分析，就是利用非线性对象的实测输入输出数据获取其广义频率响应函数(Generalized Frequency Response Function，简称GFRF)模型，或称为对象的非线性传递特性频谱图。所谓基于非线性频谱分析的状态检测与故障诊断方法，就是对已经获取的GFRF模型进行特征提取和模式分类，以判断对象是处于正常状态、临界故障状态，或故障状态。
本发明的技术方案主要通过如下步骤实现：
1.模型简化，即根据GFRF模型所具有的对称性、共轭对称性和零极点分布等特点，对模型结构进行简化；
2.激励信号设计，即根据辨识需要，选定一种激励信号；本发明采用具有较宽频带的伪白噪声信号作为附加激励信号输入对象；
3.根据对象特点选取采样周期和数据样本长度，并对实际对象的输入输出进行同步采样，获取辨识数据；又根据非线性非参数模型辨识的特点，对参与辨识的数据进行压缩；
4.选取辨识算法，即根据数据特征最终选定一种方法，本发明采用按奇异值分解的整体最小二乘算法；
5.信号预处理，即对输入输出数据进行变换和调理，使得这些输入输出数据更适合用于系统辨识；
6.模型泛化能力检验，即对辨识所得GFRF模型，利用未参与辨识的其它信号进行模型泛化能力检验，计算模型输出并测量实际系统输出，检验均方误差，以确定模型是否适用于状态检测与故障诊断；
7.模式分类与故障诊断试验，即采用多层感知器神经网络BP算法，对已获取的GFRF谱图特征进行模式分类，以确定对象处于何种状态，从而达到状态检测的目的；并利用分类信息以确定对象是否处于故障或临界故障状态，对临界故障状态进行报警，对故障状态进行应急处理。
附图说明
图1是本发明的试验系统结构简图。
图2是实施例中一个紫铜板试验片的非线性频谱图，其中(i)、(ii)、(iii)分别是一阶、二阶和三阶频谱图；上图是幅频特性曲线，纵坐标是幅值；下图是相频特性曲线，纵坐标是相位；横坐标均是频率。
图3是实施例的检验结果，其中上图为模型输出预测与实际输出量测的曲线拟合图，下图为误差曲线图，横坐标是时间，纵坐标是幅值。
具体实施方式
本发明的试验系统结构如图1所示。其中1是输出信号检测传感器；2是输入信号检测传感器；3是被测的非线性试验片；4是驱动装置；5是数据采集装置；6是信号源；7是计算机。
被测试的非线性试验片3是一批簧片，其振动具有明显的非线性特征，而且随着结构和材料的变化其非线性特性有明显变化，故障也有明显的特征。
取三个试样进行实测，这三个试样分别为长172mm、宽20mm的紫铜板、黄铜板和铝板。
本发明的实施例按以下步骤进行：
1.模型简化实施过程是：一阶选取全部点，二阶选取1/4点，三阶选取中心线上的点；高阶全部省略。
2.激励信号设计为伪白噪声信号。利用计算机7设定激励信号，再通过信号源6用驱动装置4使试验片3振动。
3.选取采样周期为0.4毫秒，样本长度为1100；再利用输入输出检测传感器1和2获得输入输出信号，再通过数据采样装置5进行采样获得输入输出数据传给计算机7；由于辨识采用非参数模型，对输入输出数据进行分类，共分为32类；在同类中进行辨识，而不是利用全部数据，达到数据压缩目的。
4.用奇异值分解的整体最小二乘算法进行GFRF模型辨识。
5.采用数值滤波法对信号进行预处理，并进行快速付立叶变换(FFT)，我们用处理过的1024对数据进行辨识。
6.进行实际辨识，得到试验片的频谱图，如图2所示。然后用模型对另外的输入信号产生的输出进行预测，同时进行实际测试，以检验模型的泛化能力；实际上我们应用第1025对到第1125对数据进行模型检验，得到图3所示的拟合曲线，其中实线是由模型估计的输出，虚线是实际测量的输出，二者拟合程度相当理想，拟合误差在±5％以内。
7.采用神经元网络对频谱图进行模式分类，得到表1所示的分类结果。分类成功率超过80％。
表1
注：其中测试次数指对试验片的测试次数；收敛步数指每次迭代学
| 测试次数 | 收敛步数 | 模式分类错误率(％) | ||||
| I(5) | II(3) | III(3) | IV(2) | 小计(13) | ||
| 1 | 18 | 0.0 | 33.3 | 0.0 | 0.0 | 7.7 |
| 2 | 18 | 0.0 | 33.3 | 0.0 | 0.0 | 7.7 |
| 3 | 23 | 0.0 | 66.7 | 33.3 | 0.0 | 23.0 |
| 4 | 23 | 0.0 | 66.7 | 66.7 | 0.0 | 30.7 |
| 5 | 50 | 0.0 | 33.3 | 0.0 | 0.0 | 7.7 |
| 6 | 25 | 0.0 | 33.3 | 33.3 | 0.0 | 15.3 |
| 7 | 18 | 0.0 | 33.3 | 33.3 | 0.0 | 15.3 |
| 8 | 66 | 0.0 | 66.7 | 33.3 | 0.0 | 23.0 |
| 9 | 23 | 20.0 | 0.0 | 66.7 | 0.0 | 23.0 |
| 10 | 14 | 0.0 | 66.7 | 66.7 | 0.0 | 30.7 |
| 11 | 16 | 0.0 | 33.3 | 0.0 | 0.0 | 7.70 |
| 12 | 22 | 0.0 | 33.3 | 33.3 | 0.0 | 15.3 |
| 13 | 24 | 0.0 | 66.7 | 0.0 | 0.0 | 15.3 |
| 14 | 34 | 0.0 | 66.7 | 33.3 | 0.0 | 23.0 |
| 15 | 22 | 0.0 | 66.7 | 0.0 | 0.0 | 15.3 |
| 16 | 29 | 20.0 | 33.3 | 33.3 | 0.0 | 23.0 |
| 17 | 17 | 40.0 | 33.3 | 0.0 | 0.0 | 15.3 |
| 18 | 24 | 0.0 | 33.3 | 0.0 | 0.0 | 7.70 |
| 19 | 18 | 0.0 | 33.3 | 0.0 | 0.0 | 7.70 |
| 20 | 18 | 20.0 | 33.3 | 66.7 | 0.0 | 30.7 |
习所用的迭代次数；模式分类错误率指各试件用于模式分类时失
败的次数与总试验次数之比。
Claims (8)
1.基于非线性频谱分析的故障检测与诊断方法，其特征在于：
(1)模型简化，即根据广义频率响应函数模型所具有的对称性、共轭对称性和零极点分布的特点，对模型结构进行简化；
(2)激励信号设计，即根据辨识需要，采用具有较宽频带的伪白噪声信号作为附加激励信号输入对象；
(3)根据对象特点选取采样周期和数据样本长度，并对实际对象的输入输出进行同步采样，获取辨识数据，又根据非线性非参数模型辨识的特点，对参与辨识的数据进行压缩；
(4)选取辨识算法，即采用按奇异值分解的整体最小二乘算法；
(5)信号预处理，即对输入输出数据进行变换和调理，使得这些输入输出数据更适合用于系统辨识；
(6)模型泛化能力检验，即对辨识所得广义频率响应函数模型，利用未参与辨识的其它信号进行模型泛化能力检验，计算模型输出并测量实际系统输出，检验均方差，以确定模型是否适用于状态检测与故障诊断；
(7)模式分类与故障诊断试验，即采用多层感知器神经网络反向传播算法，对已获取的广义频率响应函数谱图特征进行模式分类，以确定对象处于何种状态，并利用分类信息以确定对象是否处于故障或临界故障状态，对临界故障状态进行报警，对故障状态进行应急处理。
2.根据权利要求1所述的方法，其特征在于，模型简化实施过程是：一阶选取全部点，二阶选取1/4点，三阶选取中心线上的点，高阶全部省略。
3.根据权利要求1所述的方法，其特征在于，利用计算机(7)设定激励信号，再通过信号源(6)用驱动装置(4)使试验片(3)振动。
4.根据权利要求1所述的方法，其特征在于，选取采样周期为0.4毫秒，样本长度为1100，利用输入输出检测传感器(1)、(2)获得输入输出信号，再通过数据采样装置(5)进行采样获得输入输出数据传给计算机(7)，对输入输出数据进行分类，共分为32类。
5.根据权利要求1.所述的方法，其特征在于，用奇异值分解的整体最小二乘算法进行广义频率响应函数模型辨识。
6.根据权利要求1所述的方法，其特征在于，采用数值滤波法对信号进行预处理，并进行快速付立叶变换，用预处理过的数据进行辨识。
7.根据权利要求1所述的方法，其特征在于，进行实际辨识，得到试验片的频谱图，然后用模型对另外的输入信号产生的输出进行预测，同时进行实际测试，得到拟合曲线。
8.根据权利要求1所述的方法，其特征在于，采用神经元网络对频谱图进行模式分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 99115737 CN1120366C (zh) | 1999-03-22 | 1999-03-22 | 基于非线性频谱分析的故障检测与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 99115737 CN1120366C (zh) | 1999-03-22 | 1999-03-22 | 基于非线性频谱分析的故障检测与诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1241721A CN1241721A (zh) | 2000-01-19 |
| CN1120366C true CN1120366C (zh) | 2003-09-03 |
Family
ID=5278654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 99115737 Expired - Fee Related CN1120366C (zh) | 1999-03-22 | 1999-03-22 | 基于非线性频谱分析的故障检测与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1120366C (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100393048C (zh) * | 2006-01-13 | 2008-06-04 | 武汉大学 | 一种建立网络故障诊断规则库的方法 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7194317B2 (en) * | 2002-08-22 | 2007-03-20 | Air Products And Chemicals, Inc. | Fast plant test for model-based control |
| CN1910434B (zh) * | 2004-01-14 | 2012-02-15 | Abb公司 | 在机械中诊断机械问题的方法和装置 |
| CN1301387C (zh) * | 2004-06-04 | 2007-02-21 | 广东科龙电器股份有限公司 | 基于神经网络的空调器噪声源识别方法 |
| CN101438249A (zh) * | 2006-05-07 | 2009-05-20 | 应用材料股份有限公司 | 用于错误诊断的多种错误特征 |
| CN100440089C (zh) * | 2006-11-23 | 2008-12-03 | 浙江大学 | 一种基于fisher的工业过程非线性故障诊断系统及方法 |
| CN100461043C (zh) * | 2006-12-22 | 2009-02-11 | 浙江大学 | 工业聚丙烯生产熔融指数检测故障诊断系统及方法 |
| CN102175917B (zh) * | 2011-01-19 | 2013-11-06 | 西安交通大学 | 在线式非线性频谱分析与故障诊断仪 |
| US8429975B2 (en) * | 2011-04-21 | 2013-04-30 | The Boeing Company | System and method for simulating high-intensity pyrotechnic shock |
| CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
| CN103488204B (zh) * | 2013-08-14 | 2015-10-21 | 西北工业大学 | 一种基于系统辨识的电磁激振系统的逆控制方法 |
| CN104697796A (zh) * | 2015-04-01 | 2015-06-10 | 北京交通大学 | 一种基于滚动轴承的分段故障检测的方法 |
| CN105092467B (zh) * | 2015-09-09 | 2018-05-18 | 南车工业研究院有限公司 | 一种高速铁路车轮踏面擦伤快速监测装置及方法 |
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
-
1999
- 1999-03-22 CN CN 99115737 patent/CN1120366C/zh not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100393048C (zh) * | 2006-01-13 | 2008-06-04 | 武汉大学 | 一种建立网络故障诊断规则库的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1241721A (zh) | 2000-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1120366C (zh) | 基于非线性频谱分析的故障检测与诊断方法 | |
| CN102494899B (zh) | 柴油机复合故障诊断方法及诊断系统 | |
| CN104112072B (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN1918524A (zh) | 使用压力变送器的紧急关断阀诊断 | |
| CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
| CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN106021842A (zh) | 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
| CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
| CN110987431A (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
| CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
| Liu et al. | Research on online monitoring technology for transmission tower bolt looseness | |
| Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
| Yao et al. | A low-frequency fault detection method for low-speed planetary gearbox based on acoustic signals | |
| Duan et al. | Rolling bearing fault diagnosis method based on multi-information fusion characteristics under complex working conditions | |
| CN203011692U (zh) | 一种便携式滚动轴承故障诊断器 | |
| Rui et al. | Research on fault diagnosis and state assessment of vacuum pump based on acoustic emission sensors | |
| CN115655731A (zh) | 柴油机状态监测方法、装置及存储介质 | |
| Huang et al. | Fault Diagnosis of Rolling Bearings Based on Spectral Kurtosis Graph and LFMB Network | |
| Liu et al. | SAL-CNN: Estimate the remaining useful life of bearings using time-frequency information | |
| CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C06 | Publication | ||
| PB01 | Publication | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C19 | Lapse of patent right due to non-payment of the annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |