CN115898925B - 一种基于振动信号多阶矩的风机故障预警方法 - Google Patents

Abstract

本发明公开了一种基于振动信号多阶矩的风机故障预警方法，包括：在现场布置振动测点，将设备特定位置的振动信号转化为数字信号，并将所述数字信号实时传输给云服务器；基于振动信号的均值、方差、斜度和峭度，构建参数模型；选择现场采集得到的任意一条数据，并将所述数据代入到所述参数模型计算得到参数向量，并判断设备是否故障；本发明通过提取振动信号的多阶矩，而不是仅仅有效值，有效地处理了振动信号的非平稳特征；通过多元决策分析，在理论和实践上解决了故障预警误报和漏报的矛盾。

Description

一种基于振动信号多阶矩的风机故障预警方法

技术领域

本发明涉及故障预警技术领域，尤其涉及一种基于振动信号多阶矩的风机故障预警方法。

背景技术

华能上海石洞口第二发电厂重要辅机设备中的风机(一次风机、送风机、引风机)安装了振动信号探测装置，对振动信号进行实时采样，采样所得数据通过5G通信方式传输至数据服务器，作为预警设备故障的数据依据。

通过分析振动信号有效值的物理意义，它代表了振动能量的大小，直观现场感受是振动的大小，这在早期预警设备故障有着重要意义。因为当设备产生某个故障时，往往因为该故障产生额外的振动成份，进而导致振动能量增加。

在预警设备故障的过程中，对每一段振动信号实时计算有效值，按照国标的规定的有效值阈值进行三级预警，这种方式进行设备故障预警，能大致准确，但存在如下问题：

国标所规定的阈值针对所有机械转动设备，且对设备容量的划分比较粗糙，仅仅分为65千瓦以上和65千瓦以下两档，这导致对于给定设备的故障预警的精准程度有限。

设备从完全正常到存在一定问题但仍可以长时间运行到最终故障完全不可用，是一个缓慢的发展过程。对于不同的工艺线、不同的可靠性要求的设备，对“存在问题但仍可以使用”的容忍程度不一，需要有人工反馈来表达这一容忍，从而尽可能贴合“状态检修”的根本目的。

设备在运行过程中，往往受到偶然的的环境因素的影响导致振动幅值看似超标但实际设备正常。例如，工艺线出力在短时间内因生产需要急剧变化、设备所在位置受其它环境原因产生的振动导致振动超标；这需要有一个评价机制对偶发因素进行剔除。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：给定设备的故障预警的精准程度有限的问题。

为解决上述技术问题，本发明提供如下技术方案：在现场布置振动测点，将设备特定位置的振动信号转化为数字信号，并将所述数字信号实时传输给云服务器；基于振动信号的均值、方差、斜度和峭度，构建参数模型；选择现场采集得到的任意一条数据，并将所述数据代入到所述参数模型计算得到参数向量，并判断设备是否故障。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：所述参数模型的构建包括，

其中，x表示振动信号，θ₁表示均值，θ₂表示方差，θ₃表示斜度，θ₄表示峭度；

设定θ＝(θ₁，θ₂，θ₃，θ₄)^T，其中θ表示参数向量；

θ₁、θ₂、θ₃、θ₄作为参数向量θ的一次观测值，(θ_1i，θ_2i，θ_3i，θ_4i)^T表示第i次参数向量θ的观测值，设定观测的次数为n，即建模数据条数，得到θ₁、θ₂、θ₃、θ₄的n次观测值。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：包括，

参数向量θ都是在设备正常状态下独立采集的，由中心极限定理可知，独立同分布随机变量的均值收敛于高斯分布，即

其中，μ_i表示θ_i的均值，σ_i ²表示θ_i的方差，θ_i表示振动信号的随机变量，i＝1，2，3，4。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：包括，

利用协方差函数对随机变量θ₁、θ₂、θ₃、θ₄作去相关性标准化变换，

其中，∑_θ表示协方差矩阵；

cov(θ_i，θ_j)＝E((θ_i-E(θ_i))(θ_j-E(θ_j)))＝E((θ_i-μ_i)(θ_j-μ_j))，i，j＝1，2，3，4。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：还包括，

当协方差矩阵∑_θ的非主对角线元素都是0时，θ_i，θ_j之间独立，作适当的线性变换至正交基下；

由线性代数理论，对于所述协方差矩阵∑_θ，存在正交矩阵Q，使得：

Q^-1∑_θQ＝Q^T∑_θQ＝Λ

其中，λ₁、λ₂、λ₃、λ₄表示协方差矩阵∑_θ的特征值。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：包括，

对所述协方差矩阵∑_θ进行特征值分解，得到∑_θ＝QΛQ^T；

其中，

对所述参数向量θ作线性变换得到向量α，

α＝B^-1θ

所述向量α各分量之间相互独立且服从标准高斯分布，即

∑_α＝E((α-E(α))(α-E(α))^T)

＝E((B^-1θ-E(B^-1θ))(B^-1θ-E(B^-1θ))^T)

＝B^-1E((θ-E(θ))(θ-E(θ)))(B^-1)^T

＝B^-1Σ_θ(B^-1)^T

＝B^-1BΣ_θB^T(B^-1)^T

＝I。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：所述向量α的联合分布密度函数f(α)的计算包括，

设定d²＝α^Tα，则

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：设备故障的判断包括，

取一天为一个周期，一天能采集的数据条数是96条，对于这96条数据，判断d²≥λ是否成立；

记d²≥λ的数据条数为n₁，d²＜λ的数据条数为n₂；

若n₁≥n₂，判断设备故障；

若n₁＜n₂，判断设备正常；

其中，λ表示故障判断d²的阈值。

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：包括，

设定测点数量500个，能容忍的最大最终故障误报是一个月一次，每天最终判断一次；

每个测点每次最终判断的故障误报容许概率每天的最终判断是基于96次判断的数量比较大小；

设定每次判断误报故障的概率p₂，判断故障的次数为X，那么

X～B(96，p₂)

作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案，其中：还包括，

调用python的scipy.stats.binom.cdf()函数迭代计算求得p₂＝0.31777；

利用函数求联合分布密度函数为1-0.31777的阈值λ；

调用python的scipy.stats.chi2.ppf(1-0.31777，df＝4)得：λ＝4.715。

本发明的有益效果：本发明通过提取振动信号的多阶矩，而不是仅仅有效值，有效地处理了振动信号的非平稳特征；通过多元决策分析，在理论和实践上解决了故障预警误报和漏报的矛盾。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的基本流程示意图；

图2为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的辅机状态监测预警界面图；

图3为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的辅机状态监测预警报警信息界面图；

图4为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的无问题设备状况评分示意图；

图5为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的应立即停机检修的设备状况评分示意图；

图6为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的设备振动频谱图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种基于振动信号多阶矩的风机故障预警方法，包括：

S1：在现场布置振动测点，将设备特定位置的振动信号转化为数字信号，并将数字信号实时传输给云服务器。

S2：基于振动信号的均值、方差、斜度和峭度，构建参数模型。需要说明的是：

参数模型的构建包括，

其中，x表示振动信号，θ₁表示均值，θ₂表示方差，θ₃表示斜度，θ₄表示峭度；

设定θ＝(θ₁，θ₂，θ₃，θ₄)^T，其中θ表示参数向量；

θ₁、θ₂、θ₃、θ₄作为参数向量θ的一次观测值，(θ_1i，θ_2i，θ_3i，θ_4i)^T表示第i次参数向量θ的观测值，设定观测的次数为n，即建模数据条数，得到θ₁、θ₂、θ₃、θ₄的n次观测值。

包括，

参数向量θ都是在设备正常状态下独立采集的，由中心极限定理可知，独立同分布随机变量的均值收敛于高斯分布，即

其中，μ_i表示θ_i的均值，σ_i ²表示θ_i的方差，θ_i表示振动信号的随机变量，i＝1，2，3，4。

包括，

利用协方差函数对随机变量θ₁、θ₂、θ₃、θ₄作去相关性标准化变换，

其中，∑_θ表示协方差矩阵；

cov(θ_i，θ_j)＝E((θ_i-E(θ_i))(θ_j-E(θ_j)))＝E((θ_i-μ_i)(θ_j-μ_j))，i，j＝1，2，3，4。

还包括，

当协方差矩阵∑_θ的非主对角线元素都是0时，θ_i，θ_j之间独立，作适当的线性变换至正交基下；

由线性代数理论，对于协方差矩阵∑_θ，存在正交矩阵Q，使得：

Q^-1∑_θQ＝Q^T∑_θQ＝Λ

其中，λ₁、λ₂、λ₃、λ₄表示协方差矩阵∑_θ的特征值。

S3：选择现场采集得到的任意一条数据，并将数据代入到参数模型计算得到参数向量，并判断设备是否故障。需要说明的是：

包括，

对协方差矩阵∑_θ进行特征值分解，得到∑_θ＝QΛQ^T；

其中，

对参数向量θ作线性变换得到向量α，

α＝B^-1θ

向量α各分量之间相互独立且服从标准高斯分布，即

∑_α＝E((α-E(α))(α-E(α))^T)

＝E((B^-1θ-E(B^-1θ))(B^-1θ-E(B^-1θ))^T)

＝B^-1E((θ-E(θ))(θ-E(θ)))(B^-1)^T

＝B^-1∑_θ(B^-1)^T

＝B^-1B∑_θB^T(B^-1)^T

＝I。

向量α的联合分布密度函数f(α)的计算包括，

设定d²＝α^Tα，则

设备故障的判断包括，

取一天为一个周期，一天能采集的数据条数是96条，对于这96条数据，判断d²≥λ是否成立；

记d²≥λ的数据条数为n₁，d²＜λ的数据条数为n₂；

若n₁≥n₂，判断设备故障；

若n₁＜n₂，判断设备正常；

其中，λ表示故障判断d²的阈值。

包括，

设定测点数量500个，能容忍的最大最终故障误报是一个月一次，每天最终判断一次；

每个测点每次最终判断的故障误报容许概率每天的最终判断是基于96次判断的数量比较大小；

设定每次判断误报故障的概率p₂，判断故障的次数为X，那么

X～B(96，p₂)

还包括，

调用python的scipy.stats.binom.cdf()函数迭代计算求得p₂＝0.31777；

利用函数求联合分布密度函数为1-0.31777的阈值λ；

调用python的scipy.stats.chi2.ppf(1-0.31777，df＝4)得：λ＝4.715。

本发明通过提取振动信号的多阶矩，而不是仅仅有效值，有效地处理了振动信号的非平稳特征；通过多元决策分析，在理论和实践上解决了故障预警误报和漏报的矛盾。

“设备正常”本身是一个主观判断，基于设备在系统的地位和要求程度，通过数据库中认为正常时段的数据进行数据建模，很灵活地定义了“正常”，规避了设备轻微异常但尚可长期运行这种条件下的不必要报警。

实施例2

参照图2～6，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于振动信号多阶矩的风机故障预警方法的验证测试，为对本方法中采用的技术效果加以验证说明，以验证本方法所具有的真实效果。

对于某一天采样得到的96条数据分别计算均值、方差、斜度、峭度，得到96个参数向量θ，对于每一个参数向量θ，分别利用建模算法得到的求/> 对于每一个α，分别计算各个分量的平方和d²，统计d²≥4.715的数量，若d²≥4.715的数量大于48，则微信推送故障预警，反之不推送。需要说明的是48是检验总数(96)的一半，表示异常的数量超过一半即推送报警，可以理解为故障判断的简单多数准则，一个给定测点一天采样得到96条数据，其中一半以上距离分布中心超出阈值，即判断为故障进行推送，如图2、3所示。

利用物联网智慧平台实时检测设备状态评分，评分分值表征偏离正常的程度，越低表示偏差越大，80以上表示无问题，60到80表示有问题但还可以使用，60以下表示应立即停机检修，如图4、5所示。

正常情况下没有振动频率成份或者振动频率成分很小，在故障条件下，设备有多种振动频率的成份，表现为振动增大，图6是对数据进行了傅里叶分析的结果，表示设备存在问题。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于振动信号多阶矩的风机故障预警方法，其特征在于，包括：

在现场布置振动测点，将设备特定位置的振动信号转化为数字信号，并将所述数字信号实时传输给云服务器；

基于振动信号的均值、方差、斜度和峭度，构建参数模型；

选择现场采集得到的任意一条数据，并将所述数据代入到所述参数模型计算得到参数向量，并判断设备是否故障；

参数模型的构建包括，

其中，x表示振动信号，θ₁表示均值，θ₂表示方差，θ₃表示斜度，θ₄表示峭度；

设定θ＝(θ₁，θ₂，θ₃，θ₄)^T，其中θ表示参数向量；

θ₁、θ₂、θ₃、θ₄作为参数向量θ的一次观测值，(θ_1i，θ_2i，θ_3i，θ_4i)^T表示第i次参数向量θ的观测值，设定观测的次数为n，即建模数据条数，得到θ₁、θ₂、θ₃、θ₄的n次观测值。

2.如权利要求1所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：包括，

参数向量θ都是在设备正常状态下独立采集的，由中心极限定理可知，独立同分布随机变量的均值收敛于高斯分布，即

其中，μ_i表示θ_i的均值，σ_i ²表示θ_i的方差，θ_i表示振动信号的随机变量，i＝1，2，3，4。

3.如权利要求1或2所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：包括，

利用协方差函数对随机变量θ₁、θ₂、θ₃、θ₄作去相关性标准化变换，

其中，∑_θ表示协方差矩阵；

cov(θ_i，θ_j)＝E((θ_i-E(θ_i))(θ_j-E(θ_j)))＝E((θ_i-μ_i)(θ_j-μ_j))，i，j＝1，2，3，4。

4.如权利要求3所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：还包括，

当协方差矩阵∑_θ的非主对角线元素都是0时，θ_i，θ_j之间独立，作适当的线性变换至正交基下；

由线性代数理论，对于所述协方差矩阵∑_θ，存在正交矩阵Q，使得：

Q^-1∑_θQ＝Q^T∑_θQ＝Λ

其中，λ₁、λ₂、λ₃、λ₄表示协方差矩阵∑_θ的特征值。

5.如权利要求4所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：包括，

对所述协方差矩阵∑_θ进行特征值分解，得到∑_θ＝QΛQ^T；

其中，

对所述参数向量θ作线性变换得到向量α，

α＝B^-1θ

所述向量α各分量之间相互独立且服从标准高斯分布，即

∑_α＝E((α-E(α))(α-E(α))^T)

＝E((B^-1θ-E(B^-1θ))(B^-1θ-E(B^-1θ))^T)

＝B^-1E((θ-E(θ))(θ-E(θ)))(B^-1)^T

＝B^-1∑_θ(B^-1)^T

＝B^-1B∑_θB^T(B^-1)^T

＝I。

6.如权利要求5所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：所述向量α的联合分布密度函数f(α)的计算包括，

设定d²＝α^Tα，则

7.如权利要求6所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：设备故障的判断包括，

取一天为一个周期，一天能采集的数据条数是96条，对于这96条数据，判断d²≥λ是否成立；

记d²≥λ的数据条数为n₁，d²＜λ的数据条数为n₂；

若n₁≥n₂，判断设备故障；

若n₁＜n₂，判断设备正常；

其中，λ表示故障判断d²的阈值。

8.如权利要求7所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：包括，

设定测点数量500个，能容忍的最大最终故障误报是一个月一次，每天最终判断一次；

每个测点每次最终判断的故障误报容许概率每天的最终判断是基于96次判断的数量比较大小；

设定每次判断误报故障的概率p₂，判断故障的次数为X，那么

X～B(96，p₂)

9.如权利要求8所述的基于振动信号多阶矩的风机故障预警方法，其特征在于：还包括，

调用python的scipy.stats.binom.cdf()函数迭代计算求得p₂＝0.31777；

利用函数求联合分布密度函数为1-0.31777的阈值λ；

调用python的scipy.stats.chi2.ppf(1-0.31777，df＝4)得：λ＝4.715。