CN114184367B - 旋转机械设备故障诊断方法、装置、设备及可读存储介质 - Google Patents

旋转机械设备故障诊断方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114184367B
CN114184367B CN202111473389.8A CN202111473389A CN114184367B CN 114184367 B CN114184367 B CN 114184367B CN 202111473389 A CN202111473389 A CN 202111473389A CN 114184367 B CN114184367 B CN 114184367B
Authority
CN
China
Prior art keywords
rule
result
fault
vibration
lubricating oil
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.)
Active
Application number
CN202111473389.8A
Other languages
English (en)
Other versions
CN114184367A (zh
Inventor
金贻涛
李修文
曾承志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tangzhi Science & Technology Hunan Development Co ltd
Beijing Tangzhi Science & Technology Development Co ltd
Original Assignee
Tangzhi Science & Technology Hunan Development Co ltd
Beijing Tangzhi Science & Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tangzhi Science & Technology Hunan Development Co ltd, Beijing Tangzhi Science & Technology Development Co ltd filed Critical Tangzhi Science & Technology Hunan Development Co ltd
Priority to CN202111473389.8A priority Critical patent/CN114184367B/zh
Publication of CN114184367A publication Critical patent/CN114184367A/zh
Application granted granted Critical
Publication of CN114184367B publication Critical patent/CN114184367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种旋转机械设备故障诊断方法，包括：利用各振动传感器分别获取旋转机械设备的振动数据；利用各滑油传感器分别获取旋转机械设备的滑油金属屑数据；分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。本发明保证了旋转机械设备故障诊断的准确性。本发明还公开了一种装置、设备及存储介质，具有相应技术效果。

Description

旋转机械设备故障诊断方法、装置、设备及可读存储介质
技术领域
本发明涉及机械设备故障诊断领域，特别是涉及一种旋转机械设备故障诊断方法、装置、设备及计算机可读存储介质。
背景技术
随着旋转机械设备的快速发展，旋转部件的工作条件也日益恶劣、复杂。旋转机械设备的旋转部件(如轴承)是机械传动系统中的关键部件，其故障状态直接影响设备的工作状态。旋转部件工作在高速、高温以及高载荷的工况下，若工况变化剧烈，在工作过程中极易发生故障，进而造成旋转机械设备故障。因此，需要对旋转机械设备进行故障检测。
现有的旋转机械设备故障检测方式主要对旋转机械设备进行振动监测、声发射监测和滑油监测，但这三种故障检测方式均存在一定的缺点。首先，振动监测法是通过采用振动传感器进行振动信号采集，通过间接分析机械的振动来分析设备状态，对有些复杂的机械设备存在诊断诊断准确不高的情形。其次，声发射监测对早期故障诊断有一定的敏感性，但在信号处理及解释方面难度较大，限制了声发射监测在机械故障诊断的应用。且使用声发射监测进行滚动轴承故障诊断时，为了减少检测过程的背景噪声干扰，需要专门设计试验设备。再者，单一滑油监控技术的不能判断故障的准确部位，也只适应于存在一定量的金属屑掉落的情形，在线的滑油监测还易油路气泡的影响，诊断准确率有限，往往造成一些故障类型的漏报。
由此可见，目前使用的旋转机械设备故障诊断方式主要还是通过单方面的故障征兆信息进行诊断，诊断准确性不高。
综上所述，如何有效地解决现有的旋转机械设备故障诊断方式系统化、智能化水平低，诊断准确度低，虚警率高等问题，是目前本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种旋转机械设备故障诊断方法，该方法提高了旋转机械设备故障诊断的系统化、智能化水平，保证了诊断的实时性以及准确性；本发明的另一目的是提供一种旋转机械设备故障诊断装置、设备及计算机可读存储介质。
为解决上述技术问题，本发明提供如下技术方案：
一种旋转机械设备故障诊断方法，包括：
利用预设的各振动传感器分别获取旋转机械设备的振动数据；
利用预设的各滑油传感器分别获取所述旋转机械设备的滑油金属屑数据；
分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；
对所述振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；
对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；
利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果。
在本发明的一种具体实施方式中，分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果，包括：
分别对各所述振动数据和各所述滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果；
基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述所述滑油金属屑数据之间的第二置信距离；
根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度；
根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵；
根据所述第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据所述第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度；
对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果。
在本发明的一种具体实施方式中，基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述所述滑油金属屑数据之间的第二置信距离，包括：
通过公式基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述所述滑油金属屑数据之间的第二置信距离：
dij＝∫i jPi(x/xi)dx；
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数。
在本发明的一种具体实施方式中，在通过公式基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述所述滑油金属屑数据之间的第二置信距离之后，还包括：
对于多传感器测量同一物理的同一特征，则各个置信距离构成一个n×n的置信距离矩阵D：
将所述置信距离矩阵D确定为置信距离计算结果。
在本发明的一种具体实施方式中，根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度，包括：
通过公式根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度：
dij≥0；
其中，rij表示第i个传感器对第j个传感器的支持程度；当两传感器之间的置信距离dij越大，则两所述传感器之间的支持程度就越小；当两传感器之间的置信距离dij越小，则两所述传感器之间的支持程度就越大。
在本发明的一种具体实施方式中，根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵，包括：
通过公式根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵：
其中，rij表示第i个传感器对第j个传感器的支持程度。
在本发明的一种具体实施方式中，对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果，包括：
通过公式对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果：
X＝a1x1+a2x2+…+anxn；
其中，an表示同质传感器对某个测量值的综合支持程度，xn表示传感器n的测量数据，X表示数据融合结果。
在本发明的一种具体实施方式中，对所述振动数据融合结果进行特征提取，得到冲击特征信息，包括：
利用谐振器吸收所述振动数据融合结果中低频的故障冲击并产生高频谐振，得到自由衰减震荡波形；
滤除所述自由衰减震荡波形中的低频振动信号，得到共振波形；
对所述共振波形进行包络解调，得到包络信号；
对所述包络信号进行低通滤波，并对低通滤波后包络信号进行傅里叶变换，得到包络谱；
根据所述包络谱提取保外、保内、外环、内环、滚单、滚双、本齿、邻齿任意的特征频率的dB特征，并将所述dB特征确定为所述冲击特征信息。
在本发明的一种具体实施方式中，对所述振动数据融合结果进行特征提取，得到振动特征信息，包括：
对所述振动数据融合结果进行信号降噪处理，得到降噪后振动信号；
对所述降噪后振动信号进行时域信号提取操作和/或频域信号提取操作，并对提取到的信号进行统计分析，得到时域统计参数集和/或频域统计参数集；
按照预设参数选取规则从所述时域统计参数集和/或频域统计参数集中选取各目标时域统计参数和/或各目标频域统计参数，将各所述目标时域统计参数和/或各目标频域统计参数确定为所述振动特征信息；
其中，所述时域统计参数集中包括峰值、均值、均方值、标准差、偏斜度中的任意种；
所述频域统计参数集中包括基频幅值、各部件运转特征频率幅值、频率能量、幅值谱参数、倒频谱参数的任意种。
在本发明的一种具体实施方式中，对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值，包括：
通过滑油磨粒在线监测对所述滑油金属屑数据融合结果进行铁磁性磨粒和非铁磁性磨粒识别；
对识别到的各所述铁磁性磨粒进行尺寸、大小以及形状统计，得到大磨粒集合和小磨粒集合；
利用BP神经网络对所述小磨粒集合进行特征提取，得到第一特征提取结果；
利用动态PCA神经网络对所述小磨粒集合进行特征提取，得到第二特征提取结果；
利用模糊聚类算法对识别到的各所述非铁磁性磨粒进行特征提取，得到第三特征提取结果；
根据所述第一特征提取结果、所述第二特征提取结果以及所述第三特征提取结果，确定所述磨粒特征值。
在本发明的一种具体实施方式中，利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果，包括：
通过隶属度函数将所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值转化为模糊量；
利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果；
对所述推理结果进行去模糊化得到所述目标故障诊断结果。
在本发明的一种具体实施方式中，还包括所述预设故障规则库的建立过程，所述预设故障规则库的建立过程包括：
将预生成的待添加故障规则输入至预建立的初始故障规则库；
判断所述待添加故障规则是否与所述初始故障规则库中的已有故障规则存在规则冲突；
若是，则输出规则修改提示信息；
若否，则将所述待添加故障规则存储至所述初始故障规则库，得到所述预设故障规则库。
在本发明的一种具体实施方式中，将预生成的待添加故障规则输入至预建立的初始故障规则库，包括：
基于机理分析生成包含特定特征值权重的待添加故障规则；
将所述待添加故障规则输入至预建立的初始故障规则库。
在本发明的一种具体实施方式中，在将所述待添加故障规则输入至预建立的初始故障规则库之后，还包括：
通过公式设置前提条件的权重系数、设置规则激活阀值、设置规则可信度对所述初始故障规则库中的知识进行模糊化：
其中，Ri表示第i条推理规则，Ai1、Ai2、…、Ain表示该规则的前提条件，ωi1、ωi2、…、ωin为对应前提条件的权重系数，Bi表示该规则的结论，CF表示该规则的可信度，τ表示该规则的激活阈值。
在本发明的一种具体实施方式中，利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果，包括：
利用所述预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对所述模糊量进行模糊推理，得到推理结果。
在本发明的一种具体实施方式中，利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果，包括：
将故障特征事实与所述预设故障规则库进行规则匹配；
计算所述规则匹配结果的置信度；
判断所述置信度是否大于等于预设置信度阈值；
若是，则调取所述规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为所述推理结果。
在本发明的一种具体实施方式中，在得到规则匹配结果之后，还包括：
判断所述规则匹配结果包含的匹配规则数量是否大于1；
若是，则按照预设冲突消解策略进行规则冲突消解，得到目标规则；
计算所述规则匹配结果的置信度，包括：
计算对所述目标规则进行知识匹配的置信度。
在本发明的一种具体实施方式中，计算对所述目标规则进行知识匹配的置信度，包括：
通过公式计算对所述目标规则进行知识匹配的置信度：
T＝∑ωi×θi(i＝1，2，...，n)；
其中，ωi为前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，θi为前提条件Ai的置信度，表示该前提条件可能导致结论发生的概率。
在本发明的一种具体实施方式中，当确定所述置信度小于预设置信度阈值时，还包括：
判断是否对所述规则匹配结果包含的各匹配规则均遍历完成；
若否，则重复执行所述按照预设冲突消解策略进行规则冲突消解的步骤。
在本发明的一种具体实施方式中，当对所述规则匹配结果包含的各匹配规则均遍历完成且所述置信度均小于预设置信度阈值时，还包括：
建立故障假设，并获取所述故障假设对应的规则前提；
判断所述预设故障规则库中是否存在所述规则前提；
若是，则结合所述规则前提利用所述预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对所述模糊量进行模糊推理；
若否，则对所述规则前提进行验证操作，得到所述预设故障规则库中支持所述故障假设成立的规则前提，重复执行所述判断所述预设故障规则库中是否存在所述规则前提的步骤。
在本发明的一种具体实施方式中，在得到目标故障诊断结果之后，还包括：
根据所述目标故障诊断结果生成目标故障维护策略。
一种旋转机械设备故障诊断装置，包括：
振动数据获取模块，用于利用预设的各振动传感器分别获取旋转机械设备的振动数据；
滑油金属屑数据获取模块，用于利用预设的各滑油传感器分别获取所述旋转机械设备的滑油金属屑数据；
数据融合结果获得模块，用于分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；
第一特征提取模块，用于对所述振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；
第二特征提取模块，用于对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；
故障诊断结果获得模块，用于利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果。
一种旋转机械设备故障诊断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述旋转机械设备故障诊断方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述旋转机械设备故障诊断方法的步骤。
本发明所提供的旋转机械设备故障诊断方法，利用预设的各振动传感器分别获取旋转机械设备的振动数据；利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据；分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
由上述技术方案可知，通过融合了振动和滑油信息，采用多源信息融合，有效解决了现有技术中信息不准确、不完备的问题，有效解决了单方面的故障征兆信息进行诊断，系统化、智能化水平低，诊断准确度不高的问题。将对振动数据和滑油金属屑数据两种不同数据进行检测的检测方法结合起来，有效利用各自方法的优越性，不仅能够诊断出部件早期失效及潜在故障，而且当故障产生后，能够精确了解轴承故障原因，定位轴承故障位置，提高了旋转机械设备故障诊断的系统化、智能化水平，保证了诊断的实时性以及准确性，具有较好的工程实用性。
相应的，本发明还提供了与上述旋转机械设备故障诊断方法相对应的旋转机械设备故障诊断装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中旋转机械设备故障诊断方法的一种实施流程图；
图2为本发明实施例中旋转机械设备故障诊断方法的另一种实施流程图；
图3为本发明实施例中一种磨粒综合识别流程图；
图4为本发明实施例中一种旋转机械设备故障诊断方法的整体框架图；
图5为本发明实施例中一种旋转机械设备故障诊断装置的结构框图；
图6为本发明实施例中一种旋转机械设备故障诊断设备的结构框图；
图7为本实施例提供的一种旋转机械设备故障诊断设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例中旋转机械设备故障诊断方法的一种实施流程图，该方法可以包括以下步骤：
S101：利用预设的各振动传感器分别获取旋转机械设备的振动数据。
预先在旋转机械设备中设置多个震动传感器，在旋转机械设备运行的过程中会生成振动数据，利用预设的各振动传感器分别获取旋转机械设备的振动数据。
S102：利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据。
预先在旋转机械设备中设置多个滑油传感器，在旋转机械设备运行的过程中旋转部件磨损产物直接进入设备滑油系统，从而生成滑油金属屑数据，利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据。
S103：分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果。
在采集到振动数据和滑油金属屑数据之后，分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果。通过对各振动数据和各滑油金属屑数据分别进行数据层融合，从而获得通过多个同质传感器采集得到的数据的融合结果，避免了数据采集的偶然性，提高了数据到的数据的准确性。
S104：对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息。
在对各振动数据进行融合，得到振动数据融合结果之后，对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息。
S105：对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值。
在对各滑油金属屑数据进行一致性融合，得到滑油金属屑数据融合结果之后，对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值。
S106：利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
预先设置故障规则库，故障规则库中存储有各特征信息及特征值与故障决策之间的对应关系。在提取得到冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值之后，利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
需要说明的是，本发明在进行旋转机械设备故障诊断时，既包括在线实时采集融合诊断，也包括离线采集融合诊断。
由上述技术方案可知，通过融合了振动和滑油信息，采用多源信息融合，有效解决了现有技术中信息不准确、不完备的问题，有效解决了单方面的故障征兆信息进行诊断，系统化、智能化水平低，诊断准确度不高的问题。将对振动数据和滑油金属屑数据两种不同数据进行检测的检测方法结合起来，有效利用各自方法的优越性，不仅能够诊断出部件早期失效及潜在故障，而且当故障产生后，能够精确了解轴承故障原因，定位轴承故障位置，提高了旋转机械设备故障诊断的系统化、智能化水平，保证了诊断的实时性以及准确性，具有较好的工程实用性。
需要说明的是，基于上述实施例，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
参见图2，图2为本发明实施例中旋转机械设备故障诊断方法的另一种实施流程图，该方法可以包括以下步骤：
S201：利用预设的各振动传感器分别获取旋转机械设备的振动数据。
S202：利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据。
S203：分别对各振动数据和各滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果。
在采集得到各振动数据和各滑油金属屑数据之后，分别对各振动数据和各滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果。通过针对同质传感器，即为不同传感器测量同一物理量，将这些传感器测量得到的物理量进行信息关联，实现了对旋转机械设备的振动数据和滑油金属屑数据的多传感器采集。
S204：基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离。
在通过信息关联，得到振动关联结果和滑油金属屑关联结果之后，为了区分出真实测量数据和离异数据，基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离。“置信距离”作为衡量传感器信息之间的偏差程度，能够确定传感器获取数据的正确性。
在本发明的一种具体实施方式中，步骤S204可以包括以下步骤：
通过公式基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离：
dij＝∫i jPi(x/xi)dx；
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数。
一维情况下，设传感器i和传感器j的测量数据分别为xi和xj，则其一维置信距离表达式为：
dij＝∫i jPi(x/xi)dx；
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数。
置信距离的大小反映了两个传感器之间的相互支持的距离，当dij＝0.8时，表示以传感器i的测量数据xi作为估计值，则传感器j的测量值xj在概率分布下的置信距离为80％。置信距离越大说明数据的偏离程度越大，置信距离越小则说明两数据反映同一事物的一致性越好。
在本发明的一种具体实施方式中，在通过公式基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离之后，该方法还可以包括以下步骤：
对于多传感器测量同一物理的同一特征，则各个置信距离构成一个n×n的置信距离矩阵D：
将置信距离矩阵D确定为置信距离计算结果。
通过对于多传感器测量同一物理的同一特征，则各个置信距离构成一个n×n的置信距离矩阵D：
从而完成置信距离的计算。
S205：根据各第一置信距离分别计算各振动传感器之间的第一支持度，并根据各第二置信距离分别计算各滑油传感器之间的第二支持度。
在计算得到各振动数据之间的第一置信距离和各滑油金属屑数据之间的第二置信距离之后，根据各第一置信距离分别计算各振动传感器之间的第一支持度，并根据各第二置信距离分别计算各滑油传感器之间的第二支持度。
在本发明的一种具体实施方式中，步骤S305可以包括以下步骤：
通过公式根据各第一置信距离分别计算各振动传感器之间的第一支持度，并根据各第二置信距离分别计算各滑油传感器之间的第二支持度：
dij≥0；
其中，rij表示第i个传感器对第j个传感器的支持程度；当两传感器之间的置信距离dij越大，则两传感器之间的支持程度就越小；当两传感器之间的置信距离dij越小，则两传感器之间的支持程度就越大。
置信距离矩阵是对不同的同质传感器之间的一致性支持程度进行的数学描述。采用反三角函数表示支持度函数，具体如下式：
dij≥0；
其中，rij表示第i个传感器对第j个传感器的支持程度。
由上式可知，当两传感器之间的置信距离dij越大，则它们之间的支持程度就越小；反之，当置信距离dij越小，则支持程度就越大。
S206：根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵。
在计算得到各振动传感器之间的第一支持度和各滑油传感器之间的第二支持度之后，根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵。
在本发明的一种具体实施方式中，步骤S306可以包括以下步骤：
通过公式根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵：
其中，rij表示第i个传感器对第j个传感器的支持程度。
通过建立的多维置信距离矩阵和根据上式得到某一传感器对另传感器的支持程度。建立支持度矩阵如下式所示：
其中，rij表示第i个传感器对第j个传感器的支持程度。
S207：根据第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度。
在根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵之后，根据第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度。
设ai为所有同质传感器对某个测量值的综合支持程度，若越大，则可认为是这个测量值被所有同质传感器网络认同的程度越高，反之越小，则认为其可信度不高。同质传感器在某次测量中所有的ai之和为1，并构成矩阵A＝(a1，a2，…，an)T。
根据矩阵定义，存在一个非负实数向量Y＝(y1，y2，…，yn)T，使得A＝RY。由于支持度矩阵R为非负对称矩阵，根据其性质，存在一个最大的特征值向量λ，使得RY＝λY，即可求得向量Y。得到：
其中，yi表示向量Y中的第i维的实数值。
S208：对各振动数据和各第一综合支持度进行加权求和得到振动数据融合结果，对各滑油金属屑数据和各第二综合支持度进行加权求和得到滑油金属屑数据融合结果。
在计算得到每个振动数据对应的第一综合支持度和每个滑油金属屑数据对应的第二综合支持度之后，对各振动数据和各第一综合支持度进行加权求和得到振动数据融合结果，对各滑油金属屑数据和各第二综合支持度进行加权求和得到滑油金属屑数据融合结果。
在本发明的一种具体实施方式中，步骤S308可以包括以下步骤：
通过公式对各振动数据和各第一综合支持度进行加权求和得到振动数据融合结果，对各滑油金属屑数据和各第二综合支持度进行加权求和得到滑油金属屑数据融合结果：
X＝a1x1+a2x2+…+anxn；
其中，an表示同质传感器对某个测量值的综合支持程度，xn表示传感器n的测量数据，X表示数据融合结果。
S209：对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息。
在本发明的一种具体实施方式中，对振动数据融合结果进行特征提取，得到冲击特征信息，可以包括以下步骤：
步骤一：利用谐振器吸收振动数据融合结果中低频的故障冲击并产生高频谐振，得到自由衰减震荡波形；
步骤二：滤除自由衰减震荡波形中的低频振动信号，得到共振波形；
步骤三：对共振波形进行包络解调，得到包络信号；
步骤四：对包络信号进行低通滤波，并对低通滤波后包络信号进行傅里叶变换，得到包络谱；
步骤五：根据包络谱提取保外、保内、外环、内环、滚单、滚双、本齿、邻齿任意的特征频率的dB特征，并将dB特征确定为冲击特征信息。
为方便描述，可以将上述五个步骤结合起来进行说明。
冲击特征信息提取方法为利用谐振器吸收振动数据融合结果中低频的故障冲击并产生高频谐振，得到自由衰减震荡波形，滤除自由衰减震荡波形中不需要的低频振动信号，得到共振波形。对共振波形进行包络解调，得到包络信号，对包络信号进行低通滤波，即共振解调，获得一个个对应于低频冲击的、量值放大的、展宽的共振解调波。然后根据不同部位故障的理论故障频率提取对应的旋转部件冲击信号dB值。通过对低通滤波后包络信号进行傅里叶变换，得到包络谱，根据包络谱提取保外、保内、外环、内环、滚单、滚双、本齿、邻齿任意的特征频率的dB(decibel，分贝)特征，并将dB特征确定为冲击特征信息。
在本发明的一种具体实施方式中，对振动数据融合结果进行特征提取，得到振动特征信息，可以包括以下步骤：
步骤一：对振动数据融合结果进行信号降噪处理，得到降噪后振动信号；
步骤二：对降噪后振动信号进行时域信号提取操作和/或频域信号提取操作，并对提取到的信号进行时域统计分析，得到时域统计参数集和/或频域统计参数集；
步骤三：按照预设参数选取规则从时域统计参数集和/或频域统计参数集中选取各目标时域统计参数和/或各目标频域统计参数，将各目标时域统计参数和/或各目标频域统计参数确定为振动特征信息；
其中，时域统计参数集中包括峰值、均值、均方值、标准差、偏斜度中的任意种；
频域统计参数集中包括基频幅值、各部件运转特征频率幅值、频率能量、幅值谱参数、倒频谱参数的任意种。
为方便描述，可以将上述三个步骤结合起来进行说明。
振动特征值提取方法为在振动信号降噪处理的基础上，提取时域信号和/或频域信号并对其进行统计分析。选择对振动信号比较敏感的时域统计参数作为特征参数，如均值、均方根值、标准差、偏斜度系数和峭度等。或选择对振动信号比较敏感的频域统计参数作为特征参数，如基频幅值、各部件运转特征频率幅值、频率能量、幅值谱参数、倒频谱参数等。
如表1所示，表1为本发明实施例中一种冲击特征及振动特征统计表。
表1
S210：对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值。
在本发明的一种具体实施方式中，对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值，可以包括以下步骤：
步骤一：通过滑油磨粒在线监测对滑油金属屑数据融合结果进行铁磁性磨粒和非铁磁性磨粒识别；
步骤二：对识别到的各铁磁性磨粒进行尺寸、大小以及形状统计，得到大磨粒集合和小磨粒集合；
步骤三：利用BP神经网络对小磨粒集合进行特征提取，得到第一特征提取结果；
步骤四：利用动态PCA神经网络对小磨粒集合进行特征提取，得到第二特征提取结果；
步骤五：利用模糊聚类算法对识别到的各非铁磁性磨粒进行特征提取，得到第三特征提取结果；
步骤六：根据第一特征提取结果、第二特征提取结果以及第三特征提取结果，确定磨粒特征值。
为方便描述，可以将上述六个步骤结合起来进行说明。
参见图3，图2为本发明实施例中一种磨粒综合识别流程图。综合识别滑油金属屑数据融合结果中的未知磨粒，根据相位角和沉积位置等，将其分为非铁磁磨粒和铁磁磨粒两大类。对于非铁磁性磨粒，采用模糊聚类识别方法以六个颜色特征参数为聚类指标进行聚类分析，划分为铜磨粒、铝磨粒、巴氏合金磨粒和污染磨粒四类。而对于铁磁性磨粒，首先应用统计分析方法以傅氏细长度和傅氏凹度两个敏感参数将切削磨粒提取出来，然后依据其尺寸大小不同用统计分析方法划分为小磨粒和大磨粒，用于划分的尺寸阈值一般为10μm。小磨粒主要是正常滑动磨粒和球状磨粒，要划分这两类磨粒，必须综合应用三个几何参数和四个傅氏参数，运用BP(Back Propagation)神经网络的方法，完成这两类磨粒的最终划分。而大磨粒先应用PCA的方法将下表36维特征参数进行降维，然后运用BP神经网络识别方法，将磨粒划分为严重滑动磨粒、疲劳剥块磨粒、层状磨粒和氧化物磨粒四类，完成了磨粒的综合识别流程。如表2所示，表2为本发明实施例中一种磨粒参数类型和特征参数名称统计表。
表2
S211：利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
在本发明的一种具体实施方式中，步骤S311可以包括以下步骤：
步骤一：通过隶属度函数将冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值转化为模糊量；
步骤二：利用预设故障规则库对模糊量进行模糊推理，得到推理结果；
步骤三：对推理结果进行去模糊化得到目标故障诊断结果。
为方便描述，可以将上述三个步骤结合起来进行说明。
进行运行至失效全过程剥落试验修改模糊化集合的报警门限并选择合适的隶属度函数。通过隶属度函数将冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值转化为模糊量。输入模糊化集合可以包括：A：正常，B：预警，C：一级报警，D：二级报警。通过隶属度函数将故障特征值转化成基于模糊逻辑推理的融合故障诊断方法所能处理的模糊量，即隶属度。确定隶属函数的途径如下：专家确定法、借用已有的客观尺度、模糊统计法、对比排序法、综合加权法、基本概念扩充法等。利用预设故障规则库对模糊量进行模糊推理，得到推理结果，对推理结果进行去模糊化得到目标故障诊断结果。
在本发明的一种具体实施方式中，该方法还可以包括预设故障规则库的建立过程，预设故障规则库的建立过程可以包括以下步骤：
步骤一：将预生成的待添加故障规则输入至预建立的初始故障规则库；
步骤二：判断待添加故障规则是否与初始故障规则库中的已有故障规则存在规则冲突，若是，则执行步骤三，；
步骤三：输出规则修改提示信息；若否，则执行步骤四
步骤四：将待添加故障规则存储至初始故障规则库，得到预设故障规则库。
为方便描述，可以将上述四个步骤结合起来进行说明。
预先建立初始故障规则库，将预生成的待添加故障规则输入至预将待添加故障规则存储至初始故障规则库，新规则输入过程包括根据分析试验数据、专家经验和工程搜集的知识等，按照规定格式输入规则，并进行规则检验，判断待添加故障规则是否与初始故障规则库中的已有故障规则存在规则冲突，若是，则说明在规则冲突，输出规则修改提示信息，并修改输入规则。若否，则说明未发生规则冲突，将待添加故障规则存储至初始故障规则库，得到预设故障规则库。
在本发明的一种具体实施方式中，将预生成的待添加故障规则输入至预建立的初始故障规则库，可以包括以下步骤：
步骤一：基于机理分析生成包含特定特征值权重的待添加故障规则；
步骤二：将待添加故障规则输入至预建立的初始故障规则库。
为方便描述，可以将上述两个步骤结合起来进行说明。
上述规则库的建立要充分利用对设备运转及信号产生机理的分析，基于机理分析建立相关规则或各特征值的权重，如对于识别轴系不平衡的故障，振动信号中的转子振动基频幅度是最重要的物理量，而对于轴系不对中，则振动中的转子2倍基频的幅度是最重要的物理量。通过基于机理分析生成包含特定特征值权重的待添加故障规则，将待添加故障规则输入至预建立的初始故障规则库。
规则修改过程包括通过实际数据发现原有规则无法适用，在规则库中搜索原有规则并修改，修改后存入规则库，经过大量的学习，得到较优的效果。
在本发明的一种具体实施方式中，在将待添加故障规则输入至预建立的初始故障规则库之后，还包括：
通过公式设置前提条件的权重系数、设置规则激活阀值、设置规则可信度对初始故障规则库中的知识进行模糊化：
其中，Ri表示第i条推理规则，Ai1、Ai2、…、Ain表示该规则的前提条件，ωi1、ωi2、…、ωin为对应前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，同一故障中对不同征兆分配不同权重系数，同一征兆对不同故障应分配不同权重系数，同一征兆对一种故障的可信度越高，权重系数越大，其中所有权重系数的和为1，Bi表示该规则的结论，CF表示该规则的可信度，τ表示该规则的激活阈值，对故障决策中的模糊性征兆与知识库中的模糊规则的前提条件进行模糊匹配，通过模糊匹配得到的匹配度为k(0≤k≤1)，当k＞τ时规则被使用；若τ＝1，该规则为精确规则。权重阈值根据实际旋转部件的不同类型及不同工况进行设定。
通过对初始故障规则库中的知识进行模糊化，较大地提升了故障规则库中的知识对故障处理的适用性。
在本发明的一种具体实施方式中，利用预设故障规则库对模糊量进行模糊推理，得到推理结果，可以包括以下步骤：
利用预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对模糊量进行模糊推理，得到推理结果。
在故障决策中，由于故障特征的模糊性、诊断经验知识的不确定性，为了能够让故障决策在信息不完全的情况下做出正确的判断，知识的表示采用产生式规则和模糊数学相结合的模糊产生式规则方式，模糊产生式规则具有效地表达启发性知识等优点，并可以根据数据可靠性给出可信度因子，从而实现模糊推理。
模糊推理系统是基于模糊概念和模糊逻辑而建立、能够处理模糊信息的系统，其由输入模糊化单元、模糊规则库、模糊逻辑推理机、输出反模糊化单元四部分组成。
在本发明的一种具体实施方式中，利用预设故障规则库对模糊量进行模糊推理，得到推理结果，可以包括以下步骤：
步骤一：将故障特征事实与预设故障规则库进行规则匹配；
步骤二：计算规则匹配结果的置信度；
步骤三：判断置信度是否大于等于预设置信度阈值，若是，则执行步骤四，若否则不做处理；
步骤四：调取规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为推理结果。
为方便描述，可以将上述四个步骤结合起来进行说明。
在进行故障模糊推理时，获取故障特征事实，将故障特征事实与预设故障规则库进行规则匹配，计算规则匹配结果的置信度，判断置信度是否大于等于预设置信度阈值，若是，则说明当次正向推理成功，调取规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为推理结果。
参见图4，图4为本发明实施例中一种旋转机械设备故障诊断方法的整体框架图。在提取得到冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值之后，选用按照混合推理机制中的正向推理原则利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，如可以采用Rete匹配算法对预设故障规则库中的规则进行匹配，得到规则匹配结果。
Rete算法是一种前向规则快速匹配算法，用于产生式系统的高效模式匹配，其匹配速度与规则数目无关。因此当预设故障规则库中规则数量较大时，能够快速实现规则匹配。
在本发明的一种具体实施方式中，在得到规则匹配结果之后，该方法还可以包括以下步骤：
判断规则匹配结果包含的匹配规则数量是否大于1；
若是，则按照预设冲突消解策略进行规则冲突消解，得到目标规则；
计算规则匹配结果的置信度，包括：
计算对目标规则进行知识匹配的置信度。
在按照正向推理原则利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到规则匹配结果之后，判断规则匹配结果包含的匹配规则数量是否大于1，若是，则说明当次规则匹配得到的规则数量为多个，需要进行规则选取操作，按照预设冲突消解策略进行规则冲突消解，得到目标规则，若否，则说明当次规则匹配到的规则数量不超过1个，计算对目标规则进行知识匹配的置信度。
在本发明的一种具体实施方式中，计算对目标规则进行知识匹配的置信度，包括：
通过公式计算对目标规则进行知识匹配的置信度：
T＝∑ωi×θi(i＝1，2，...，n)；
其中，ωi为前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，θi为前提条件Ai的置信度，表示该前提条件可能导致结论发生的概率。在本发明的一种具体实施方式中，当确定置信度小于预设置信度阈值时，还包括：
判断是否对规则匹配结果包含的各匹配规则均遍历完成；
若否，则重复执行按照预设冲突消解策略进行规则冲突消解的步骤。
当确定置信度小于预设置信度阈值时，说明当次正向推理失败，判断是否对规则匹配结果包含的各匹配规则均遍历完成，若否，则说明需要对匹配到的其余规则进行匹配，重复执行按照预设冲突消解策略进行规则冲突消解的步骤。在本发明的一种具体实施方式中，当对规则匹配结果包含的各匹配规则均遍历完成且置信度均小于预设置信度阈值时，还包括：
建立故障假设，并获取故障假设对应的规则前提；
判断预设故障规则库中是否存在规则前提；
若是，则结合规则前提利用预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对模糊量进行模糊推理；
若否，则对规则前提进行验证操作，得到预设故障规则库中支持故障假设成立的规则前提，重复执行判断预设故障规则库中是否存在规则前提的步骤。
当确定对规则匹配结果包含的各匹配规则均遍历完成时，按照反向推理原则利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
反向分支推流流程包括：
(1)首先建立故障假设：假设该故障已经发生。
(2)检验规则前件：判断与假设成立有关的前提是否已知，若规则前题已知则跳入下一步，否则跳转到步骤(4)。
(3)已知事实与规则进行匹配，匹配成功则根据公式计算结论的置信度，置信度大于等于预设置信度阈值，则查找决策结论表，输出故障原因，此次决策成功，若置信度小于预设置信度阈值，则判断是否还有假设，还有假设就跳转到步骤(2)，否则跳出此次决策，决策失败。
(4)如果前提条件未知(表示该前提条件是一个中间条件)就需要对前提进行验证，则将找出假设成立的所有前提条件，并让所有条件都成为假设，跳转到步骤(2)。
通过设置包含正向推理原则和反向推理原则的混合推理机制，较大地提升了推理效率，保证了诊断的实时性以及准确性，具有较好的工程实用性。
在本发明的一种具体实施方式中，在得到目标故障诊断结果之后，该方法还可以包括：
根据目标故障诊断结果生成目标故障维护策略。
预先设置各故障诊断结果与各故障维护策略之间的对应关系，在获得目标故障诊断结果之后，根据目标故障诊断结果生成目标故障维护策略，从而为旋转机械设备的当次故障提供维修方案以及建议，实现对故障的及时维护。
相应于上面的方法实施例，本发明还提供了一种旋转机械设备故障诊断装置，下文描述的旋转机械设备故障诊断装置与上文描述的旋转机械设备故障诊断方法可相互对应参照。
参见图5，图5为本发明实施例中一种旋转机械设备故障诊断装置的结构框图，该装置可以包括：
振动数据获取模块51，用于利用预设的各振动传感器分别获取旋转机械设备的振动数据；
滑油金属屑数据获取模块52，用于利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据；
数据融合结果获得模块53，用于分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；
第一特征提取模块54，用于对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；
第二特征提取模块55，用于对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；
故障诊断结果获得模块56，用于利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
由上述技术方案可知，通过融合了振动和滑油信息，采用多源信息融合，有效解决了现有技术中信息不准确、不完备的问题，有效解决了单方面的故障征兆信息进行诊断，系统化、智能化水平低，诊断准确度不高的问题。将对振动数据和滑油金属屑数据两种不同数据进行检测的检测方法结合起来，有效利用各自方法的优越性，不仅能够诊断出部件早期失效及潜在故障，而且当故障产生后，能够精确了解轴承故障原因，定位轴承故障位置，提高了旋转机械设备故障诊断的系统化、智能化水平，保证了诊断的实时性以及准确性，具有较好的工程实用性。
在本发明的一种具体实施方式中，数据融合结果获得模块53包括：
信息关联子模块，用于分别对各振动数据和各滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果；
置信距离计算子模块，用于基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离；
支持度计算子模块，用于根据各第一置信距离分别计算各振动传感器之间的第一支持度，并根据各第二置信距离分别计算各滑油传感器之间的第二支持度；
支持度矩阵构建子模块，用于根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵；
综合支持度计算子模块，用于根据第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度；
数据融合结果获得子模块，用于对各振动数据和各第一综合支持度进行加权求和得到振动数据融合结果，对各滑油金属屑数据和各第二综合支持度进行加权求和得到滑油金属屑数据融合结果。
在本发明的一种具体实施方式中，置信距离计算子模块，具体用于通过公式基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离：
dij＝∫i jPi(x/xi)dx；
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数。在本发明的一种具体实施方式中，该装置还可以包括：
置信距离计算结果确定模块，用于在通过公式基于振动关联结果分别计算各振动数据之间的第一置信距离，并基于滑油金属屑关联结果分别计算各滑油金属屑数据之间的第二置信距离之后，对于多传感器测量同一物理的同一特征，则各个置信距离构成一个n×n的置信距离矩阵D：
将置信距离矩阵D确定为置信距离计算结果。
在本发明的一种具体实施方式中，支持度计算子模块，具体用于通过公式根据各第一置信距离分别计算各振动传感器之间的第一支持度，并根据各第二置信距离分别计算各滑油传感器之间的第二支持度：
dij≥0；
其中，rij表示第i个传感器对第j个传感器的支持程度；当两传感器之间的置信距离dij越大，则两传感器之间的支持程度就越小；当两传感器之间的置信距离dij越小，则两传感器之间的支持程度就越大。
在本发明的一种具体实施方式中，支持度矩阵构建子模块，具体用于通过公式根据各第一支持度构建第一支持度矩阵，并根据各第二支持度构建第二支持度矩阵：
其中，rij表示第i个传感器对第j个传感器的支持程度。
在本发明的一种具体实施方式中，数据融合结果获得子模块，具体用于通过公式对各振动数据和各第一综合支持度进行加权求和得到振动数据融合结果，对各滑油金属屑数据和各第二综合支持度进行加权求和得到滑油金属屑数据融合结果：
X＝a1x1+a2x2+…+anxn；
其中，an表示同质传感器对某个测量值的综合支持程度，xn表示传感器n的测量数据，X表示数据融合结果。
在本发明的一种具体实施方式中，第一特征提取模块54包括：
自由衰减震荡波形获得子模块，用于利用谐振器吸收振动数据融合结果中低频的故障冲击并产生高频谐振，得到自由衰减震荡波形；
低频振动信号滤除子模块，用于滤除自由衰减震荡波形中的低频振动信号，得到共振波形；
包络信号获得子模块，用于对共振波形进行包络解调，得到包络信号；
包络谱获得子模块，用于对包络信号进行低通滤波，并对低通滤波后包络信号进行傅里叶变换，得到包络谱；
冲击特征信息确定子模块，用于根据包络谱提取保外、保内、外环、内环、滚单、滚双、本齿、邻齿任意的特征频率的dB特征，并将dB特征确定为冲击特征信息。
在本发明的一种具体实施方式中，第一特征提取模块54包括：
信号降噪处理子模块，用于对振动数据融合结果进行信号降噪处理，得到降噪后振动信号；
时域统计参数集获得子模块，用于对降噪后振动信号进行时域信号提取操作和/或频域信号提取操作，并对提取到的信号进行统计分析，得到时域统计参数集和/或频域统计参数集；
振动特征信息确定子模块，用于按照预设参数选取规则从时域统计参数集和/或频域统计参数集中选取各目标时域统计参数和/或各目标频域统计参数，将各目标时域统计参数和/或各目标频域统计参数确定为振动特征信息；
其中，时域统计参数集中包括峰值、均值、均方值、标准差、偏斜度中的任意种；
频域统计参数集中包括基频幅值、各部件运转特征频率幅值、频率能量、幅值谱参数、倒频谱参数的任意种。
在本发明的一种具体实施方式中，第二特征提取模块55包括：
铁磁性及非铁磁性磨粒识别子模块，用于通过滑油磨粒在线监测对滑油金属屑数据融合结果进行铁磁性磨粒和非铁磁性磨粒识别；
大小磨粒集合获得子模块，用于对识别到的各铁磁性磨粒进行尺寸、大小以及形状统计，得到大磨粒集合和小磨粒集合；
第一特征提取结果获得子模块，用于利用BP神经网络对小磨粒集合进行特征提取，得到第一特征提取结果；
第二特征提取结果获得子模块，用于利用动态PCA神经网络对小磨粒集合进行特征提取，得到第二特征提取结果；
第三特征提取结果获得子模块，用于利用模糊聚类算法对识别到的各非铁磁性磨粒进行特征提取，得到第三特征提取结果；
磨粒特征值确定子模块，用于根据第一特征提取结果、第二特征提取结果以及第三特征提取结果，确定磨粒特征值。
在本发明的一种具体实施方式中，故障诊断结果获得模块56包括：
模糊量获得子模块，用于通过隶属度函数将冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值转化为模糊量；
推理结果获得子模块，用于利用预设故障规则库对模糊量进行模糊推理，得到推理结果；
故障诊断结果获得子模块，用于对推理结果进行去模糊化得到目标故障诊断结果。
在本发明的一种具体实施方式中，该装置还可以包括故障规则库建立模块，故障规则库建立模块包括：
故障规则输入子模块，用于将预生成的待添加故障规则输入至预建立的初始故障规则库；
第一判断子模块，用于判断待添加故障规则是否与初始故障规则库中的已有故障规则存在规则冲突；
提示信息输出子模块，用于当确定待添加故障规则与初始故障规则库中的已有故障规则存在规则冲突时，输出规则修改提示信息；
预设故障规则库获得子模块，用于当确定待添加故障规则与初始故障规则库中的已有故障规则不存在规则冲突时，将待添加故障规则存储至初始故障规则库，得到预设故障规则库。
在本发明的一种具体实施方式中，故障规则输入子模块包括：
故障规则生成单元，用于基于机理分析生成包含特定特征值权重的待添加故障规则；
故障规则输入单元，用于将待添加故障规则输入至预建立的初始故障规则库。
在本发明的一种具体实施方式中，该装置还可以包括：
知识模糊化模块，用于在将待添加故障规则输入至预建立的初始故障规则库之后，通过公式设置前提条件的权重系数、设置规则激活阀值、设置规则可信度对初始故障规则库中的知识进行模糊化：
其中，Ri表示第i条推理规则，Ai1、Ai2、…、Ain表示该规则的前提条件，ωi1、ωi2、…、ωin为对应前提条件的权重系数，Bi表示该规则的结论，CF表示该规则的可信度，τ表示该规则的激活阈值。
在本发明的一种具体实施方式中，推理结果获得子模块具体为利用预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对模糊量进行模糊推理，得到推理结果的模块。
在本发明的一种具体实施方式中，推理结果获得子模块包括：
规则匹配单元，用于将故障特征事实与预设故障规则库进行规则匹配；
置信度计算单元，用于计算规则匹配结果的置信度；
第一判断单元，用于判断置信度是否大于等于预设置信度阈值；
推理结果确定单元，用于当确定置信度大于等于预设置信度阈值时，调取规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为推理结果。
在本发明的一种具体实施方式中，该装置还可以包括：
第一判断模块，用于在得到规则匹配结果之后，判断规则匹配结果包含的匹配规则数量是否大于1；
冲突消解模块，用于当确定规则匹配结果包含的匹配规则数量大于1时，按照预设冲突消解策略进行规则冲突消解，得到目标规则；
置信度计算单元具体为计算对目标规则进行知识匹配的置信度的单元。
在本发明的一种具体实施方式中，置信度计算单元，具体用于通过公式计算对目标规则进行知识匹配的置信度：
T＝∑ωi×θi(i＝1，2，...，n)；
其中，ωi为前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，θi为前提条件Ai的置信度，表示该前提条件可能导致结论发生的概率。
在本发明的一种具体实施方式中，该装置还可以包括：
第二判断模块，用于当确定置信度小于预设置信度阈值时，判断是否对规则匹配结果包含的各匹配规则均遍历完成；
第一重复执行模块，用于当确定对规则匹配结果包含的各匹配规则均遍历完成时，重复执行按照预设冲突消解策略进行规则冲突消解的步骤。
在本发明的一种具体实施方式中，该装置还可以包括：
规则前提获取模块，用于当对规则匹配结果包含的各匹配规则均遍历完成且置信度均小于预设置信度阈值时，建立故障假设，并获取故障假设对应的规则前提；
第三判断模块，用于判断预设故障规则库中是否存在规则前提；
模糊推理模块，用于当确定预设故障规则库中存在规则前提时，结合规则前提利用预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对模糊量进行模糊推理；
第二重复执行模块，用于当确定预设故障规则库中不存在规则前提时，对规则前提进行验证操作，得到预设故障规则库中支持故障假设成立的规则前提，重复执行判断预设故障规则库中是否存在规则前提的步骤。
在本发明的一种具体实施方式中，该装置还可以包括：
故障维护策略生成模块，用于在得到目标故障诊断结果之后，根据目标故障诊断结果生成目标故障维护策略。
相应于上面的方法实施例，参见图6，图6为本发明所提供的旋转机械设备故障诊断设备的示意图，该设备可以包括：
存储器332，用于存储计算机程序；
处理器322，用于执行计算机程序时实现上述方法实施例的旋转机械设备故障诊断方法的步骤。
具体的，请参考图7，图7为本实施例提供的一种旋转机械设备故障诊断设备的具体结构示意图，该旋转机械设备故障诊断设备可因配置或性能不同而产生比较大的差异，可以包括处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器322可以设置为与存储器332通信，在旋转机械设备故障诊断设备301上执行存储器332中的一系列指令操作。
旋转机械设备故障诊断设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。
上文所描述的旋转机械设备故障诊断方法中的步骤可以由旋转机械设备故障诊断设备的结构实现。
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
利用预设的各振动传感器分别获取旋转机械设备的振动数据；利用预设的各滑油传感器分别获取旋转机械设备的滑油金属屑数据；分别对各振动数据和各滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；对振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；对滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；利用预设故障规则库对冲击特征信息、振动特征信息、磨粒特征值以及理化指标特征值进行规则匹配，得到目标故障诊断结果。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (16)

1.一种旋转机械设备故障诊断方法，其特征在于，包括：
利用预设的各振动传感器分别获取旋转机械设备的振动数据；
利用预设的各滑油传感器分别获取所述旋转机械设备的滑油金属屑数据；
分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；
对所述振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；
对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；
利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果；
分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果，包括：
分别对各所述振动数据和各所述滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果；
基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离；
根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度；
根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵；
根据所述第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据所述第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度；
对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果；
所述基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离，包括：
通过公式基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离：
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数；
所述根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度，包括：
通过公式根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度：
其中，rij表示第i个传感器对第j个传感器的支持程度；当两传感器之间的置信距离dij越大，则两所述传感器之间的支持程度就越小；当两传感器之间的置信距离dij越小，则两所述传感器之间的支持程度就越大；
所述利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果，包括：
通过隶属度函数将所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值转化为模糊量；
按照正向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果；
对所述推理结果进行去模糊化得到所述目标故障诊断结果；
所述按照正向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果，包括：
将故障特征事实与所述预设故障规则库进行规则匹配；
计算所述规则匹配结果的置信度；
判断所述置信度是否大于等于预设置信度阈值；
若是，则调取所述规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为所述推理结果；
在得到规则匹配结果之后，还包括：
判断所述规则匹配结果包含的匹配规则数量是否大于1；
若是，则按照预设冲突消解策略进行规则冲突消解，得到目标规则；
所述计算所述规则匹配结果的置信度，包括：
计算对所述目标规则进行知识匹配的置信度；
所述计算对所述目标规则进行知识匹配的置信度，包括：
通过公式计算对所述目标规则进行知识匹配的置信度：
T＝∑ωi×θi(i＝1，2，...，n)；
其中，ωi为前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，θi为前提条件Ai的置信度，表示该前提条件可能导致结论发生的概率；
当确定所述置信度小于预设置信度阈值时，还包括：
判断是否对所述规则匹配结果包含的各匹配规则均遍历完成；
若否，则重复执行所述按照预设冲突消解策略进行规则冲突消解的步骤；
若是，则按照反向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果。
2.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，在通过公式基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离之后，还包括：
对于多传感器测量同一物理的同一特征，则各个置信距离构成一个n×n的置信距离矩阵D：
将所述置信距离矩阵D确定为置信距离计算结果。
3.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵，包括：
通过公式根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵：
其中，rij表示第i个传感器对第j个传感器的支持程度。
4.根据权利要求3所述的旋转机械设备故障诊断方法，其特征在于，对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果，包括：
通过公式对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果：
X＝a1x1+a2x2+…+anxn；
其中，an表示同质传感器对某个测量值的综合支持程度，xn表示传感器n的测量数据，X表示数据融合结果。
5.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，对所述振动数据融合结果进行特征提取，得到冲击特征信息，包括：
利用谐振器吸收所述振动数据融合结果中低频的故障冲击并产生高频谐振，得到自由衰减震荡波形；
滤除所述自由衰减震荡波形中的低频振动信号，得到共振波形；
对所述共振波形进行包络解调，得到包络信号；
对所述包络信号进行低通滤波，并对低通滤波后包络信号进行傅里叶变换，得到包络谱；
根据所述包络谱提取保外、保内、外环、内环、滚单、滚双、本齿、邻齿任意的特征频率的dB特征，并将所述dB特征确定为所述冲击特征信息。
6.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，对所述振动数据融合结果进行特征提取，得到振动特征信息，包括：
对所述振动数据融合结果进行信号降噪处理，得到降噪后振动信号；
对所述降噪后振动信号进行时域信号提取操作和/或频域信号提取操作，并对提取到的信号进行统计分析，得到时域统计参数集和/或频域统计参数集；
按照预设参数选取规则从所述时域统计参数集和/或频域统计参数集中选取各目标时域统计参数和/或各目标频域统计参数，将各所述目标时域统计参数和/或各目标频域统计参数确定为所述振动特征信息；
其中，所述时域统计参数集中包括峰值、均值、均方值、标准差、偏斜度中的任意种；
所述频域统计参数集中包括基频幅值、各部件运转特征频率幅值、频率能量、幅值谱参数、倒频谱参数的任意种。
7.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值，包括：
通过滑油磨粒在线监测对所述滑油金属屑数据融合结果进行铁磁性磨粒和非铁磁性磨粒识别；
对识别到的各所述铁磁性磨粒进行尺寸、大小以及形状统计，得到大磨粒集合和小磨粒集合；
利用BP神经网络对所述小磨粒集合进行特征提取，得到第一特征提取结果；
利用动态PCA神经网络对所述小磨粒集合进行特征提取，得到第二特征提取结果；
利用模糊聚类算法对识别到的各所述非铁磁性磨粒进行特征提取，得到第三特征提取结果；
根据所述第一特征提取结果、所述第二特征提取结果以及所述第三特征提取结果，确定所述磨粒特征值。
8.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，还包括所述预设故障规则库的建立过程，所述预设故障规则库的建立过程包括：
将预生成的待添加故障规则输入至预建立的初始故障规则库；
判断所述待添加故障规则是否与所述初始故障规则库中的已有故障规则存在规则冲突；
若是，则输出规则修改提示信息；
若否，则将所述待添加故障规则存储至所述初始故障规则库，得到所述预设故障规则库。
9.根据权利要求8所述的旋转机械设备故障诊断方法，其特征在于，将预生成的待添加故障规则输入至预建立的初始故障规则库，包括：
基于机理分析生成包含特定特征值权重的待添加故障规则；
将所述待添加故障规则输入至预建立的初始故障规则库。
10.根据权利要求9所述的旋转机械设备故障诊断方法，其特征在于，在将所述待添加故障规则输入至预建立的初始故障规则库之后，还包括：
通过公式设置前提条件的权重系数、设置规则激活阈值、设置规则可信度对所述初始故障规则库中的知识进行模糊化：
其中，Ri表示第i条推理规则，Ai1、Ai2、…、Ain表示该规则的前提条件，ωi1、ωi2、…、ωin为对应前提条件的权重系数，Bi表示该规则的结论，CF表示该规则的可信度，τ表示该规则的激活阈值。
11.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果，包括：
利用所述预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对所述模糊量进行模糊推理，得到推理结果。
12.根据权利要求1所述的旋转机械设备故障诊断方法，其特征在于，所述按照反向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，包括：
建立故障假设，并获取所述故障假设对应的规则前提；
判断所述预设故障规则库中是否存在所述规则前提；
若是，则结合所述规则前提利用所述预设故障规则库采用产生式规则和模糊数学相结合的模糊产生式规则对所述模糊量进行模糊推理；
若否，则对所述规则前提进行验证操作，得到所述预设故障规则库中支持所述故障假设成立的规则前提，重复执行所述判断所述预设故障规则库中是否存在所述规则前提的步骤。
13.根据权利要求1至12任一项所述的旋转机械设备故障诊断方法，其特征在于，在得到目标故障诊断结果之后，还包括：
根据所述目标故障诊断结果生成目标故障维护策略。
14.一种旋转机械设备故障诊断装置，其特征在于，包括：
振动数据获取模块，用于利用预设的各振动传感器分别获取旋转机械设备的振动数据；
滑油金属屑数据获取模块，用于利用预设的各滑油传感器分别获取所述旋转机械设备的滑油金属屑数据；
数据融合结果获得模块，用于分别对各所述振动数据和各所述滑油金属屑数据进行一致性融合，得到振动数据融合结果和滑油金属屑数据融合结果；
第一特征提取模块，用于对所述振动数据融合结果进行特征提取，得到冲击特征信息和振动特征信息；
第二特征提取模块，用于对所述滑油金属屑数据融合结果进行特征提取，得到磨粒特征值和理化指标特征值；
故障诊断结果获得模块，用于利用预设故障规则库对所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值进行规则匹配，得到目标故障诊断结果；
所述数据融合结果获得模块包括：
信息关联子模块，用于分别对各所述振动数据和各所述滑油金属屑数据进行信息关联，得到振动关联结果和滑油金属屑关联结果；
置信距离计算子模块，用于基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离；
支持度计算子模块，用于根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度；
支持度矩阵构建子模块，用于根据各所述第一支持度构建第一支持度矩阵，并根据各所述第二支持度构建第二支持度矩阵；
综合支持度计算子模块，用于根据所述第一支持度矩阵分别计算每个振动数据对应的第一综合支持度，并根据所述第二支持度矩阵分别计算每个滑油金属屑数据对应的第二综合支持度；
数据融合结果获得子模块，用于对各所述振动数据和各所述第一综合支持度进行加权求和得到所述振动数据融合结果，对各所述滑油金属屑数据和各所述第二综合支持度进行加权求和得到所述滑油金属屑数据融合结果；
其中，所述置信距离计算子模块，具体用于通过公式基于所述振动关联结果分别计算各所述振动数据之间的第一置信距离，并基于所述滑油金属屑关联结果分别计算各所述滑油金属屑数据之间的第二置信距离：
其中，Pi(x/xi)为传感器i的概率密度函数，Pj(x/xj)为传感器j的概率密度函数；
所述支持度计算子模块具体用于通过公式根据各所述第一置信距离分别计算各所述振动传感器之间的第一支持度，并根据各所述第二置信距离分别计算各所述滑油传感器之间的第二支持度：
其中，rij表示第i个传感器对第j个传感器的支持程度；当两传感器之间的置信距离dij越大，则两所述传感器之间的支持程度就越小；当两传感器之间的置信距离dij越小，则两所述传感器之间的支持程度就越大；
所述故障诊断结果获得模块包括：
模糊量获得子模块，用于通过隶属度函数将所述冲击特征信息、所述振动特征信息、所述磨粒特征值以及所述理化指标特征值转化为模糊量；
推理结果获得子模块，用于按照正向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果；
故障诊断结果获得子模块，用于对所述推理结果进行去模糊化得到所述目标故障诊断结果；
其中，所述推理结果获得子模块具体用于：
将故障特征事实与所述预设故障规则库进行规则匹配；
计算所述规则匹配结果的置信度；
判断所述置信度是否大于等于预设置信度阈值；
若是，则调取所述规则匹配结果对应的故障诊断结果，将匹配得到的故障诊断结果确定为所述推理结果；
所述旋转机械设备故障诊断装置还包括：
第一判断模块，用于在得到规则匹配结果之后，判断所述规则匹配结果包含的匹配规则数量是否大于1；
冲突消解模块，用于当确定规则匹配结果包含的匹配规则数量大于1时，按照预设冲突消解策略进行规则冲突消解，得到目标规则；
置信度计算单元具体为计算对所述目标规则进行知识匹配的置信度的单元；
所述置信度计算单元具体用于通过公式计算对所述目标规则进行知识匹配的置信度：
T＝∑ωi×θi(i＝1，2，...，n)；
其中，ωi为前提条件的权重系数，表示前提条件中征兆对故障产生影响大小的度量，θi为前提条件Ai的置信度，表示该前提条件可能导致结论发生的概率；
所述旋转机械设备故障诊断装置还包括：
第二判断模块，用于当确定置信度小于预设置信度阈值时，判断是否对所述规则匹配结果包含的各匹配规则均遍历完成；
第一重复执行模块，用于当确定对规则匹配结果包含的各匹配规则没有遍历完成时，重复执行所述按照预设冲突消解策略进行规则冲突消解的步骤；
当确定对规则匹配结果包含的各匹配规则均遍历完成时，推理结果获得子模块还用于按照反向推理原则利用所述预设故障规则库对所述模糊量进行模糊推理，得到推理结果。
15.一种旋转机械设备故障诊断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至13任一项所述旋转机械设备故障诊断方法的步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至13任一项所述旋转机械设备故障诊断方法的步骤。
CN202111473389.8A 2021-11-29 2021-11-29 旋转机械设备故障诊断方法、装置、设备及可读存储介质 Active CN114184367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111473389.8A CN114184367B (zh) 2021-11-29 2021-11-29 旋转机械设备故障诊断方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111473389.8A CN114184367B (zh) 2021-11-29 2021-11-29 旋转机械设备故障诊断方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114184367A CN114184367A (zh) 2022-03-15
CN114184367B true CN114184367B (zh) 2024-06-28

Family

ID=80542311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111473389.8A Active CN114184367B (zh) 2021-11-29 2021-11-29 旋转机械设备故障诊断方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114184367B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114856820B (zh) * 2022-05-16 2024-04-09 太仓点石航空动力有限公司 基于滑油系统健康管理的故障分析方法、系统和设备
CN115597871B (zh) * 2022-10-24 2023-10-31 中国人民解放军93208部队 一种军用涡扇发动机机械系统机载健康诊断装置
CN115563549B (zh) * 2022-10-27 2023-10-20 武汉理工大学 一种焊接缺陷成因诊断方法、系统及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322018A (zh) * 2019-06-19 2019-10-11 上海电力学院 一种基于模糊推理的电厂风机故障预警系统
CN113204837A (zh) * 2021-03-27 2021-08-03 中国航发湖南动力机械研究所 一种多源信息的滚动轴承故障诊断方法
CN113609440A (zh) * 2021-07-26 2021-11-05 华智生物技术有限公司 传感器数据融合方法、装置及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002169611A (ja) * 2000-11-30 2002-06-14 Yaskawa Electric Corp 故障診断システムおよびその自動設計方法
CN102306206B (zh) * 2011-07-18 2013-10-30 福州大学 自适应一致性数据融合方法
CN106197996A (zh) * 2016-06-24 2016-12-07 南京理工大学 基于多元数据的海上起重机齿轮箱故障诊断装置及方法
CN106778883A (zh) * 2016-12-23 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于模糊集合的证据理论智能巡检信息融合方法
CN109870306A (zh) * 2019-03-01 2019-06-11 洛阳中科晶上智能装备科技有限公司 一种拖拉机发动机故障诊断及预测方法
CN110455546A (zh) * 2019-07-19 2019-11-15 广西大学 基于振动和油液信息的发动机状态监测和故障诊断方法
CN111832731B (zh) * 2020-07-09 2022-08-05 西安交通大学 一种多指标监测的油液不确定状态表征及故障诊断的方法
CN112098094A (zh) * 2020-09-27 2020-12-18 上海数深智能科技有限公司 一种低速重载轴承故障振动诊断的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322018A (zh) * 2019-06-19 2019-10-11 上海电力学院 一种基于模糊推理的电厂风机故障预警系统
CN113204837A (zh) * 2021-03-27 2021-08-03 中国航发湖南动力机械研究所 一种多源信息的滚动轴承故障诊断方法
CN113609440A (zh) * 2021-07-26 2021-11-05 华智生物技术有限公司 传感器数据融合方法、装置及设备

Also Published As

Publication number Publication date
CN114184367A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN114184367B (zh) 旋转机械设备故障诊断方法、装置、设备及可读存储介质
Helmi et al. Rolling bearing fault detection of electric motor using time domain and frequency domain features extraction and ANFIS
CN112418277B (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
Yan et al. A dynamic multi-scale Markov model based methodology for remaining life prediction
Li et al. Multi-sensor data-driven remaining useful life prediction of semi-observable systems
CN110703057B (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
Zhang et al. Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism
CN111597651A (zh) 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
Tang et al. A bearing fault diagnosis method based on feature selection feedback network and improved DS evidence fusion
Afrasiabi et al. Two-stage deep learning-based wind turbine condition monitoring using SCADA data
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
Karnavas et al. Fault diagnosis of squirrel-cage induction motor broken bars based on a model identification method with subtractive clustering
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
Afia et al. Gearbox fault diagnosis using REMD, EO and machine learning classifiers
CN117786461A (zh) 水泵的故障诊断方法、控制设备及其存储介质
CN117708542A (zh) 一种基于深度神经网络的设备故障诊断方法及系统
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
CN113237619A (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN115878986A (zh) 一种变工况轴承的退化趋势评估方法
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
JPH07219581A (ja) 音響信号の識別方法および装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant