CN114037215A - 变步长多尺度复杂度融合指标的故障严重程度评估方法 - Google Patents

Abstract

本发明公开了本发明提出了一种基于变步长多尺度复杂度融合指标的故障严重性评估方法。该方法首先提出了变步长多尺度策略，通过优化粗粒化过程，更全面地挖掘了故障特征，该策略解决了传统复杂度指标(LZC)因单尺度分析导致难以挖掘深层次信息的问题，同时也解决了传统多尺度复杂度指标(MLZC)因序列长度随尺度增加而缩短导致计算结果不准确的问题，以此构建了变步长多尺度复杂度指标(VSMLZC)。该发明相比于传统的复杂度指标，能够更准确、全面地挖掘故障特征，实现对旋转设备的早期故障诊断和损伤程度评估。

Description

变步长多尺度复杂度融合指标的故障严重程度评估方法

技术领域

本发明涉及机械设备信号处理领域，具体涉及一种变步长多尺度复杂度融合指标的故障严重程度评估方法。

背景技术

设备的关键旋转部件如轴承、齿轮往往工作环境恶劣、工况多变，故障易发，若不及时处理可能会导致设备停机甚至发生灾难性事故。状态监测和故障诊断是实现旋转设备安全可靠运行的有效途径。目前，许多研究者关注早期故障诊断和故障类型识别。然而，旋转设备的故障是一个动态的演变过程，故障损伤程度评估是故障预测和健康管理中一个有效且更具实际意义的环节。因此，旋转设备的损伤评估对于旋转设备的故障预测与维护至关重要。然而目前的损伤评估方法，对故障特征的提取不全面。因而，目前急需一种表征设备关键旋转部件故障严重程度的诊断方法，能够准确、全面地挖掘故障信息，保证设备的安全可靠运行。

发明内容

本发明要解决的技术问题是提供一种变步长多尺度复杂度融合指标的故障严重程度评估方法，对于采集到的振动信号，可以挖掘蕴含在信号中潜在的深层次信息，刻画不同尺度下的信号特征，精准且直观地表征时间序列的复杂程度。利用所提指标表征故障的演化过程，实现旋转设备的故障严重程度评估。

为了解决上述技术问题，本发明提供了一种变步长多尺度复杂度融合指标的故障严重程度评估方法，包括：步骤1：将振动信号转化为变步长粗粒化序列；步骤2：计算出各变步长粗粒化序列的复杂化指标，之后将各尺度下不同步长得到的复杂化指标求平均值，作为该尺度下的变步长多尺度复杂度指标；步骤3：采用一种基于拉普拉斯得分加权的融合方法，根据重要性对不同尺度赋予相应的权重，将步骤2得到的计算结果变步长多尺度复杂度指标融合为变步长多尺度复杂度融合指标；以该指标代表所测振动信号的复杂程度，从而表征旋转设备的故障演化趋势，据此进行故障严重程度评估。

在其中一个实施例中，所述步骤1具体包括以下步骤：

对振动信号采用变步长多尺度策略，将采集到的时间序列转化为变步长粗粒化序列；对于序列X_N＝{x₁,x₂,…,x_N}，用长度为τ的滑动窗口以步长s定向移动，将每个窗内数据均值作为变步长粗粒化序列的元素；需要注意的是移动步长不得大于窗口长度，否则会造成原始数据信息的丢失；即尺度因子为τ时，可以得到τ组变步长粗粒化序列；根据式(1)计算得变步长粗粒化序列的结果为

式中，

表示向下取整。

在其中一个实施例中，所述步骤2具体包括：

步骤2.1：计算全部变步长粗粒化序列的复杂度指标；对于序列X_N＝{x₁,x₂,…,x_N}，首先将原始序列X_N转换为二进制序列S_N＝{s₁s₂…s_N}，大于等于原始序列均值的元素赋值1，否则赋值0；然后将临时字符变量S_v,0和Q₀初始化为空字符，令r＝1，当前复杂度C_N(0)＝0；接着进入N次循环，定义字符串Q_r＝{Q_r-1s_r}，并判断Q_r是否属于字符串S_v,r-1＝{S_{v,r- 2}s_r-1}，若是则说明当前并未出现新模式，复杂度不变，r＝r+1；否则说明出现了新模式，复杂度值加1，清空字符串Q_r，r＝r+1；重复此步骤直至遍历序列S_N中所有字符，得到序列的复杂度C_N(N)；所得复杂度C_N与序列长度N有关；

步骤2.2：对同一尺度τ下得到的τ个复杂度指标进行平均处理，将均值作为该尺度下的变步长多尺度复杂度指标；

在其中一个实施例中，步骤2.1中，为了使指标不受样本大小的影响，使用归一化Lempel-Ziv指标：

式中，k为序列S_N中的元素个数。

在其中一个实施例中，对于二进制序列S_N，k＝2。

在其中一个实施例中，所述步骤3具体包括：

步骤3.1：应用拉普拉斯得分，对各尺度特征的重要性进行评价；对于n维特征的m个数据样本，首先若两个样本x_i和x_j较“近邻”时，将两个样本通过边相连，可以取x_i的k近邻点，建立最近邻图；“近邻”由k近邻算法定义；接着，为了衡量近邻样本点之间的距离，构建权重矩阵S_ij：

式中，t为合适的常数；令f_ri表示第i个样本对应的第r个特征，i＝1,2,…,m，r＝1,2,…,n；对于第r个特征，可以定义：

式中，L为图拉普拉斯矩阵；令

为f_r去均值化后的结果，可表示为：

则第r个特征的拉普拉斯得分L_r为：

式中，Var(f_r)为第r个特征的方差；

步骤3.2：利用拉普拉斯得分将更好的特征赋予更大的权重系数，将变步长多尺度复杂度指标多维指标融合为单一指标，实现设备振动信号复杂度的准确度量；

步骤3.3：基于拉普拉斯得分对步骤2得到的VSMLZC各尺度赋予权重，最终得到融合后的变步长多尺度复杂度融合指标：

在其中一个实施例中，所述步骤3.2具体包括：首先，将计算所得的各尺度拉普拉斯得分L_r进行最大最小归一化：

即对于得分越小的尺度，拟赋予了越大的权重系数α_r，反之亦然；为了使变步长多尺度复杂度指标经加权后依然处于[0,1]范围内，对权重系数α_r进一步归一化得到权重系数β_r：

因此，得到了基于拉普拉斯得分的权值系数β_r。

基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

该发明首先提出了变步长多尺度策略，通过优化粗粒化过程，更全面地挖掘了故障信息。该策略解决了传统LZC因单尺度分析导致难以挖掘深层次信息的问题和MLZC因序列长度随尺度增加而缩短导致计算结果不准确的问题，能够更准确、更全面地提取故障特征；该发明所提出的基于拉普拉斯得分加权的融合方法对变步长多尺度LZC进行融合，根据重要性对不同尺度赋予相应的权重，最终将复杂度序列转化为单一但全面的评价指标，即所提的基于变步长多尺度复杂度融合指标。该融合方法对更好的特征赋予更大的权重系数，经融合后的复杂度指标可以表征时间序列复杂程度，据此实现设备旋转关键零部件的故障严重程度评估。

附图说明

图1为本发明变步长多尺度复杂度融合指标的故障严重程度评估方法采集实验信号的轴承试验台。

图2为本发明变步长多尺度复杂度融合指标的故障严重程度评估方法所用实验数据的时域波形图。

图3为本发明变步长多尺度复杂度融合指标的故障严重程度评估方法流程图。

图4为本发明提出的变步长多尺度策略中粗粒化过程的示意图。

图5为本发明应用的传统LZC指标的算法流程图。

图6为本发明提出的变步长多尺度复杂度指标的计算结果。

图7为本发明所提变步长多尺度复杂度指标与其他传统指标的对比结果。其中，图(a)为MLZC的计算结果，图(b)为RCMLZC的计算结果。

图8为本发明提出的变步长多尺度复杂度融合指标的计算结果。

图9为本发明所提变步长多尺度复杂度融合指标与其他传统指标的对比结果；其中，图(a)为MFLZC的计算结果，图(b)为RCMFLZC的计算结果。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实验数据来自可视化径向加载的轴承故障模拟试验台，试验装置如图1所示。被测轴承采用6205-2RSSKF深沟球轴承，通过线切割方法在轴承内圈、外圈和滚动体分别加工宽度约0.2mm、0.3mm、0.4mm、0.5mm、0.6mm，深度约0.3mm的沟槽。轴承由驱动电机以900r/min的转速驱动，采样频率设定为10kHz。图1中的加速度传感器安装在被测轴承上方，加载装置可实现对轴承的径向加载，通过数据采集卡收集振动信号并使用LABVIEW进行采样。这里对测得的不同故障尺寸轴承内圈信号(每组包含2048个采样点)进行分析，最大尺度因子设定为8。所测时域波形如图2所示，图2(a)-(e)分别给出了轴承内圈故障尺寸宽度为0.2mm、0.3mm、0.4mm、0.5mm、0.6mm下的振动信号。

如图3所示，本发明包括以下步骤：

步骤1：将振动信号转化为变步长粗粒化序列。为弥补传统LZC指标因单尺度分析难以挖掘蕴含在振动信号中的深层次信息和传统多尺度MLZC指标随尺度因子增大粗粒化序列长度大大缩短而导致计算结果不准确，采用一种变步长多尺度策略，通过优化粗粒化过程，将振动信号转化为蕴含故障特征的变步长粗粒化序列。

步骤2：计算出各变步长粗粒化序列的LZC指标，之后将各尺度下不同步长得到的LZC求平均值，作为该尺度下的变步长多尺度复杂度指标(VSMLZC)。经过此平均处理过程，得到了一组不同尺度下的复杂度指标。

步骤3：为了充分利用各尺度下的复杂度信息，更直观地描述原始序列的复杂程度，采用一种基于拉普拉斯得分加权的融合方法，根据重要性对不同尺度赋予相应的权重，将步骤2得到的计算结果VSMLZC序列融合为单一但全面的评价指标，即变步长多尺度复杂度融合指标(VSMFLZC)。以该指标代表所测振动信号的复杂程度，从而表征旋转设备的故障演化趋势，据此进行故障严重程度评估。

进一步的，所述步骤1具体包括以下步骤：

步骤1：对振动信号采用变步长多尺度策略，将采集到的时间序列转化为变步长粗粒化序列。对于序列X_N＝{x₁,x₂,…,x_N}，用长度为τ的滑动窗口以步长s定向移动，将每个窗内数据均值作为变步长粗粒化序列的元素。需要注意的是移动步长不得大于窗口长度，否则会造成原始数据信息的丢失。即尺度因子为τ时，可以得到τ组变步长粗粒化序列。根据式(1)计算得变步长粗粒化序列的结果为

式中，

表示向下取整。

变步长粗粒化过程的示意图如图4所示(以尺度因子为3时为例)。

所述步骤2具体包括以下步骤：

步骤2.1：计算全部变步长粗粒化序列的LZC指标。对于序列X_N＝{x₁,x₂,…,x_N}，首先将原始序列X_N转换为二进制序列S_N＝{s₁s₂…s_N}，大于等于原始序列均值的元素赋值1，否则赋值0。然后将临时字符变量S_v,0和Q₀初始化为空字符，令r＝1，当前复杂度C_N(0)＝0。接着进入N次循环，定义字符串Q_r＝{Q_r-1s_r}，并判断Q_r是否属于字符串S_v,r-1＝{S_v,r-2s_r-1}，若是则说明当前并未出现新模式，复杂度不变，r＝r+1；若否则说明出现了新模式，复杂度值加1，清空字符串Q_r，r＝r+1。重复此步骤直至遍历序列S_N中所有字符，得到序列的复杂度C_N(N)。所得复杂度C_N与序列长度N有关。为了使指标不受样本大小的影响，通常使用归一化Lempel-Ziv指标：

式中，k为序列S_N中的元素个数。对于二进制序列S_N，k＝2。

LZC指标的算法流程图如图5所示。

步骤2.2：对同一尺度τ下得到的τ个LZC指标进行平均处理，将均值作为该尺度下的VSMLZC指标。

经过计算，该轴承故障模拟试验台内圈故障信号VSMLZC的计算结果如图6所示。可以看出，在大部分尺度下，内圈故障尺寸越小，复杂度指标值越大，符合LZC随轴承内圈故障严重程度增加而减小的规律；但是在尺度为1和2的情况下，LZC指标呈现出无规律变化趋势，也进一步说明了单一尺度对信号特征和复杂度度量的局限性。

为了证明本发明的优越性，与传统的多尺度复杂度指标MLZC和精细复合多尺度复杂度指标(RCMLZC)对同一组数据进行对比分析，对比结果如图7所示。由图7(a)可以观察到MLZC波动明显，难以辨识出轴承不同故障尺寸；从图7(b)可以发现在尺度因子τ＝1,2,4,7,8下，RCMLZC不能精准地评估轴承的损伤程度；而图6所示的本发明所提VSMLZC除τ＝1,2外均可准确地实现对轴承损伤程度的评估。因此本发明提出的VSMLZC较MLZC和RCMLZC具有更好的性能，可以更为稳定精确地实现损伤评估。

总的来说，步骤1和2通过变步长多尺度策略挖掘了蕴含在信号中的更深层次信息，解决了传统LZC因单尺度分析导致难以挖掘深层次信息的问题和MLZC、RCMLZC因序列长度随尺度增加而缩短导致计算结果不准确的问题。

所述步骤3具体包括以下步骤：

步骤3.1：应用拉普拉斯得分，对各尺度特征的重要性进行评价。对于n维特征的m个数据样本，首先若两个样本x_i和x_j(i≠j)较“近邻”时，将两个样本通过边相连，可以取x_i的k近邻点，建立最近邻图。“近邻”由k近邻算法定义，一般k取5。接着，为了衡量近邻样本点之间的距离，构建权重矩阵S_ij：

式中，t为合适的常数。令f_ri表示第i个样本对应的第r个特征，i＝1,2,…,m，r＝1,2,…,n。对于第r个特征，可以定义：

式中，L为图拉普拉斯矩阵。令

为f_r去均值化后的结果，可表示为：

则第r个特征的拉普拉斯得分L_r为：

式中，Var(f_r)为第r个特征的方差。

步骤3.2：利用拉普拉斯得分将更好的特征赋予更大的权重系数，将VSMLZC多维指标融合为单一指标，实现设备振动信号复杂度的准确度量。首先，将计算所得的各尺度拉普拉斯得分L_r进行最大最小归一化：

即对于得分越小的尺度，拟赋予了越大的权重系数α_r，反之亦然。为了使VSMLZC经加权后依然处于[0,1]范围内，对权重系数α_r进一步归一化得到权重系数β_r：

因此，得到了基于拉普拉斯得分的权值系数β_r。

步骤3.3：基于拉普拉斯得分对步骤2得到的VSMLZC各尺度赋予权重，最终得到融合后的单一指标VSMFLZC：

该轴承故障模拟试验台内圈故障信号VSMFLZC的计算结果如图8所示。可以看出，经基于拉普拉斯得分加权融合后的本发明所提融合指标随着故障尺寸的增大呈下降趋势，这符合轴承内圈复杂度随故障严重性变化趋势的规律。因此，验证了本发明对轴承单点缺陷严重程度评估的有效性。

随后，将MLZC和RCMLZC以同样的基于LS加权的融合策略转化为单一指标，分别得到传统多尺度复杂度融合指标(MFLZC)和精细复合多尺度复杂度融合指标(RCMFLZC)，如图9(b)和(c)所示。同时针对该信号的传统单一尺度LZC的结果如图9(a)所示。对比图8和图9，可以看出所提VSMFLZC随故障尺寸增大单调递减；RCMFLZC虽然也有减小的趋势，但是在故障尺寸0.4mm和0.5mm时具有几乎相同的值；而LZC和MFLZC难以实现对轴承损伤程度的评估。因此本发明所提复杂度融合指标可全面挖掘出故障特征，实现对轴承单点缺陷的损伤评估，验证了本发明较其他方法的优越性。

该融合方法根据重要性对不同尺度赋予相应的权重，最终将复杂度序列转化为单一但全面的评价指标。据此复杂度融合指标表征故障的演化程度，实现旋转设备的损伤评估。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，包括：步骤1：将振动信号转化为变步长粗粒化序列；步骤2：计算出各变步长粗粒化序列的复杂度指标，之后将各尺度下不同步长得到的复杂度指标求平均值，作为该尺度下的变步长多尺度复杂度指标；步骤3：采用一种基于拉普拉斯得分加权的融合方法，根据重要性对不同尺度赋予相应的权重，将步骤2得到的计算结果变步长多尺度复杂度指标融合为变步长多尺度复杂度融合指标；以该指标代表所测振动信号的复杂程度，从而表征旋转设备的故障演化趋势，据此进行故障严重程度评估。

2.如权利要求1所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，所述步骤1具体包括以下步骤：

对振动信号采用变步长多尺度策略，将采集到的时间序列转化为变步长粗粒化序列；对于序列X_N＝{x₁,x₂,…,x_N}，用长度为τ的滑动窗口以步长s定向移动，将每个窗内数据均值作为变步长粗粒化序列的元素；需要注意的是移动步长不得大于窗口长度，否则会造成原始数据信息的丢失；即尺度因子为τ时，可以得到τ组变步长粗粒化序列；根据式(1)计算得变步长粗粒化序列的结果为

式中，

表示向下取整。

3.如权利要求1所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，所述步骤2具体包括：

步骤2.1：计算全部变步长粗粒化序列的复杂度指标；对于序列X_N＝{x₁,x₂,…,x_N}，首先将原始序列X_N转换为二进制序列S_N＝{s₁s₂…s_N}，大于等于原始序列均值的元素赋值1，否则赋值0；然后将临时字符变量S_v,0和Q₀初始化为空字符，令r＝1，当前复杂度C_N(0)＝0；接着进入N次循环，定义字符串Q_r＝{Q_r-1s_r}，并判断Q_r是否属于字符串S_v,r-1＝{S_v,r-2s_r-1}，若是则说明当前并未出现新模式，复杂度不变，r＝r+1；否则说明出现了新模式，复杂度值加1，清空字符串Q_r，r＝r+1；重复此步骤直至遍历序列S_N中所有字符，得到序列的复杂度C_N(N)；所得复杂度C_N与序列长度N有关；

步骤2.2：对同一尺度τ下得到的τ个复杂度指标进行平均处理，将均值作为该尺度下的变步长多尺度复杂度指标；

4.如权利要求3所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，步骤2.1中，为了使指标不受样本大小的影响，使用归一化Lempel-Ziv指标：

式中，k为序列S_N中的元素个数。

5.如权利要求4所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，对于二进制序列S_N，k＝2。

6.如权利要求1所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，所述步骤3具体包括：

步骤3.1：应用拉普拉斯得分，对各尺度特征的重要性进行评价；对于n维特征的m个数据样本，首先若两个样本x_i和x_j较“近邻”时，将两个样本通过边相连，可以取x_i的k近邻点，建立最近邻图；“近邻”由k近邻算法定义；接着，为了衡量近邻样本点之间的距离，构建权重矩阵S_ij：

式中，t为合适的常数；令f_ri表示第i个样本对应的第r个特征，i＝1,2,…,m，r＝1,2,…,n；对于第r个特征，可以定义：

式中，L为图拉普拉斯矩阵；令

为f_r去均值化后的结果，可表示为：

则第r个特征的拉普拉斯得分L_r为：

式中，Var(f_r)为第r个特征的方差；

步骤3.2：利用拉普拉斯得分将更好的特征赋予更大的权重系数，将变步长多尺度复杂度指标多维指标融合为单一指标，实现设备振动信号复杂度的准确度量；

步骤3.3：基于拉普拉斯得分对步骤2得到的VSMLZC各尺度赋予权重，最终得到融合后的变步长多尺度复杂度融合指标：

7.如权利要求1所述的变步长多尺度复杂度融合指标的故障严重程度评估方法，其特征在于，所述步骤3.2具体包括：首先，将计算所得的各尺度拉普拉斯得分L_r进行最大最小归一化：

即对于得分越小的尺度，拟赋予了越大的权重系数α_r，反之亦然；为了使变步长多尺度复杂度指标经加权后依然处于[0,1]范围内，对权重系数α_r进一步归一化得到权重系数β_r：

因此，得到了基于拉普拉斯得分的权值系数β_r。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。

Images