CN116662793B - 转子裂纹故障诊断、模型构建方法及装置 - Google Patents
转子裂纹故障诊断、模型构建方法及装置 Download PDFInfo
- Publication number
- CN116662793B CN116662793B CN202310952521.6A CN202310952521A CN116662793B CN 116662793 B CN116662793 B CN 116662793B CN 202310952521 A CN202310952521 A CN 202310952521A CN 116662793 B CN116662793 B CN 116662793B
- Authority
- CN
- China
- Prior art keywords
- singular values
- singular
- fault diagnosis
- rotor
- diagnosed
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 206
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 111
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000010183 spectrum analysis Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002077 nanosphere Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108010074864 Factor XI Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种转子裂纹故障诊断、模型构建方法及装置，其中该方法包括：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本集预先训练生成。本发明可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。
Description
技术领域
本发明涉及机械故障诊断技术领域，尤其涉及一种转子裂纹故障诊断、模型构建方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
转子是机泵等旋转机械系统的关键部件之一，转子裂纹是转子最为常见的故障之一，具有高潜伏性、强危害性的特性。通常由于自身材料缺陷、恶劣的运行环境和随机的载荷作用的共同影响下且旋转机械系统一般处于长时间高速运转状态，转子容易出现裂纹，裂纹的存在会严重影响转子系统的安全运行。若转子中的裂纹不能及时被检测出来，裂纹的扩展可能导致轴系的断裂，进而发展为灾难性事故，造成设备财产的经济损失，对人身安全构成重大威胁。因此，对转子的动力学特性进行分析，并对振动信号进行实时在线监测，实现含裂纹轴系的旋转机械在线的故障诊断方法，对于保障旋转机械的安全可靠运行避免重大事故的发生具有重大意义。现在针对转子裂纹故障，一般采用频谱分析和振动幅值监测方式，具有强滞后性、低自动化程度的不足之处。
发明内容
本发明实施例提供一种转子裂纹故障诊断方法，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该方法包括：
采集当前旋转设备在运行过程中转子的待诊断振动信号；
将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；
将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
本发明实施例提供一种转子裂纹故障诊断模型的构建方法，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该方法包括：
获取旋转设备在运行过程中转子的历史振动信号样本数据；
将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；
将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
本发明实施例还提供一种转子裂纹故障诊断装置，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该装置包括：
采集单元，用于采集当前旋转设备在运行过程中转子的待诊断振动信号；
第一提取单元，用于将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；
诊断单元，用于将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
本发明实施例还提供一种转子裂纹故障诊断模型的构建装置，用以实现基于奇异值和nSVDD的转子裂纹故障诊断，该装置包括：
获取单元，用于获取旋转设备在运行过程中转子的历史振动信号样本数据；
第二提取单元，用于将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；
训练单元，用于将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
本发明实施例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计算机程序时实现上述转子裂纹故障诊断方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法。
本发明实施例提供的转子裂纹故障诊断方案，工作时：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本集预先训练生成。
与现有技术相比，本发明实施例提供的转子裂纹故障诊断方案的有益技术效果是：
首先，本发明实施例中将主成分奇异值作为故障诊断方法的特征进行提取，不再进行信号还原。与现有常见的频谱信号提取相比，奇异值特征在转子裂纹时和转子正常态的差别更大，故障分类更准确，所得模型更不容易过拟合，且具有更优秀的泛化性能，模型的转子裂纹故障诊断精度高。
其次，本发明实施例中所采用单分类nSVDD算法在单类故障识别上具有泛化性能优秀，计算占用资源低，模型迭代更新容易，实施步骤简便等优点，在工业领域实际应用的综合性能优于深度学习算法。
综上，本发明实施例提供的转子裂纹故障诊断方案能有够有效提取转子振动信号中突出的能量成分，以奇异值形式进行表征，采用改进单分类故障诊断学习器nSVDD进行建模学习，转子裂纹故障的识别率高，可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。
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。在附图中：
图1为本发明实施例中转子裂纹故障诊断方法的流程示意图；
图2为本发明实施例中转子裂纹故障诊断的原理示意图；
图3为本发明实施例中转子裂纹故障诊断模型的构建方法的流程示意图；
图4为本发明实施例中转子裂纹故障诊断装置的结构示意图；
图5为本发明另一实施例中转子裂纹故障诊断装置的结构示意图；
图6为本发明实施例中转子裂纹故障诊断模型的构建装置的结构示意图；
图7为本发明另一实施例中转子裂纹故障诊断模型的构建装置的结构示意图；
图8为本发明实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
现有转子裂纹检测技术存在的技术问题是：对转子振动信号进行频域分析，人工观测到转子额定频率的倍频成分发生变化后，认为是发生了转子裂纹故障。在自动化实施中，先由人工判断转子裂纹故障监测频段，再针对特定频率成分提取的特征建立机理监测模型或数据驱动监测模型。
针对现有技术存在的技术问题，发明人提出了一种基于奇异值和nSVDD的转子裂纹故障诊断方案，该方案为一种基于奇异值分解和单分类异常识别的转子裂纹故障诊断方案，该方案将振动信号经过奇异值分解（Singular Value Decomposition，缩写为SVD）后进行奇异谱分析，提取主成分奇异值作为故障诊断的特征向量输入nSVDD模型，建立转子裂纹故障诊断模型，实现转子裂纹故障的自动诊断（检测）。
图1为本发明实施例中基于奇异值和nSVDD的转子裂纹故障诊断方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤101：采集当前旋转设备在运行过程中转子的待诊断振动信号；
步骤102：将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；
步骤103：将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
本发明实施例提供的基于奇异值和nSVDD的转子裂纹故障诊断方法，工作时：采集当前旋转设备在运行过程中转子的待诊断振动信号；将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本集预先训练生成。
与现有技术相比，本发明实施例提供的基于奇异值和nSVDD的转子裂纹故障诊断方法的有益技术效果是：
首先，本发明实施例中将主成分奇异值作为故障诊断方法的特征进行提取，不再进行信号还原。与现有常见的频谱信号提取相比，奇异值特征在转子裂纹时和转子正常态的差别更大，故障分类更准确，所得模型更不容易过拟合，且具有更优秀的泛化性能，模型的转子裂纹故障诊断精度高。
其次，本发明实施例中所采用单分类nSVDD算法在单类故障识别上具有泛化性能优秀，计算占用资源低，模型迭代更新容易，实施步骤简便等优点，在工业领域实际应用的综合性能优于深度学习算法。
综上，本发明实施例提供的基于奇异值和nSVDD的转子裂纹故障诊断方法能有够有效提取转子振动信号中突出的能量成分，以奇异值形式进行表征，采用改进单分类故障诊断学习器nSVDD进行建模学习，转子裂纹故障的识别率高，可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。下面对该基于奇异值和nSVDD的转子裂纹故障诊断方法进行详细介绍。
针对转子裂纹识别难的问题，本发明提出了一种基于奇异值和nSVDD（NegativeSupport vector data description，含负样本的支持向量数据描述）算法的转子裂纹故障诊断方法。将振动信号经过奇异值分解后进行奇异谱分析，提取主成分奇异值作为故障诊断的特征向量输入nSVDD模型，建立转子裂纹故障诊断模型。SVDD模型是高效的单分类模型，适用于特化针对单个故障进行识别。nSVDD在SVDD基础上引入了负样本，能更准确地划分最优分类面。经过转子故障数据集的验证实验，结果表明本发明的分类准确率远高于现有技术，可应用于各类旋转机械设备中转子的裂纹故障诊断，有较为广泛的应用前景。下面进行详细介绍。
本发明提出了一种基于奇异值和nSVDD算法的转子裂纹故障诊断方法，如图2所示，该方法基于现有的转子裂纹标签案例数据集，涉及奇异值分解特征提取和nSVDD建模两大主要流程，图2的左半部分是建模的过程，图2的右半部分是利用建好的模型进行转子裂纹故障诊断（也可以称为预测）的过程，同样右半部分也涉及奇异值分解特征提取和将提取出的待预测数据输入建好的nSVDD中进行预测的过程。本发明实施例所涉及的基于奇异值和nSVDD算法的转子裂纹故障诊断方法具体实施步骤如下：
步骤1-采集旋转设备的振动信号并进行预处理。
步骤2-对振动信号以Hankel矩阵形式进行重构，并进行奇异值分解。
即在一个实施例中，将待诊断当前振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值，可以包括：对待诊断振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值。
具体实施时，本发明实施例的主要目的为提供一种基于奇异值和nSVDD算法的转子裂纹故障诊断方法，目的在于识别旋转设备在运行过程中转子部件可能出现的裂纹故障，其要点在于以Hankel矩阵进行奇异值分解并提取奇异值作为特征；应用nSVDD为转子裂纹识别的专用模型。当使用Hankel矩阵时，奇异值分解可以将原始信号分解为一系列分量信号的简单线性叠加，各分量具有零相位偏移特性，即删去其中若干分量，其他分离出来的各分量信号保持原有的相位不变，转子裂纹的主成分量更易被辨识出来。
进一步地，对于振动信号S=[s(1),s(2),…,s(N)]，N为信号长度，所构造的Hankel矩阵的构造形式为：
；
其中1<n<N，n称为分解阶次，m=N-n+1，；
对其进行奇异值分解后改写列向量ui和νi表示的形式，有：
H s =USV T =u1σ1ν1 T+ u2σ2ν2 T++…+uiσiνi T+…++ urσrνr T
其中，σ1, σ2,…σr由大到小递减，称为H s 矩阵的奇异值，ui为左奇异向量，νi为右奇异向量。
进一步地，经实验验证，当n取对称中心时，Hankel矩阵下的奇异值分解特征提取效果是最佳的。即在一个实施例中，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
当信号长度N为偶数时，应取n=N/2,m=N/2+1来构造Hankel矩阵。当信号长度N为奇数时，应取n=(N+1)/2,m=(N+1)/2来构造Hankel矩阵。即在一个实施例中，当信号长度N为偶数时，可以取n=N/2,m=N/2+1来构造Hankel矩阵；当信号长度N为奇数时，可以取n=(N+1)/2,m=(N+1)/2来构造Hankel矩阵，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
步骤3-根据一定的特征选取策略选择奇异值组成特征向量。
在一个实施例中，上述基于奇异值和nSVDD的转子裂纹故障诊断方法还可以包括：从提取得到的多个待诊断主成分奇异值中选取奇异值组成特征向量；
将多个待诊断主成分奇异值输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果，包括：将选取出的奇异值组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。
进一步地，选择奇异值特征的选取策略（预设的特征选取策略）从属以下原则：
1.奇异值分量的值和其代表的频率分量所含能量正相关，排序越前的奇异值数值越大。即首先获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列。
2.若信号中存在直流分量，则在奇异值的首位会出现一个巨大（具体以信号均值，一般比次大奇异值大3-5个数量级）的无检测意义的值，因此在分析时需要舍去，从次大值开始计算；若信号已经进行零均值化处理，则无需舍去。即对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值。
3.由Hankel矩阵构造进行奇异值分解所得的奇异值呈成对下降（例如σ1≈σ2>σ3≈σ4>σ5≈σ6>σ7≈σ8…）的特征，序号连续且大小相近的奇异值一定是由同一个频率产生，序号上不连续的奇异值必定源自于不同的频率源。即对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列。
4.根据经验，前10%（A）对的奇异值对已经覆盖了90%（B）的信号能量（例如：前5个奇异值（占总数量的10%）的能量总和已经大于或等于其余百分之九十的奇异值信号能量总和了），剩余的被视作为噪声冗余。即在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号（90%）能量的多个待诊断主成分奇异值（该奇异值为前10%（A）对的奇异值）组成特征向量。
因此，若固定特征条数为5，奇异值特征选择策略（固定特征条数的策略）如下：
在舍去直流分量情况（详见上面步骤2）下，所选取的奇异值特征组为 [σ2,σ4,σ6,σ8,σ10]；
若无舍去情况（详见上面步骤2），所选取的奇异值特征组为[σ1,σ3,σ5,σ7,σ9]；
进一步地，选择奇异值特征条目的方式（奇异值特征选择策略）可以多样，不仅限于固定特征条数策略，在视情删去直流分量的前提下，也可选择固定数量比例（总奇异值数量的一定比例）、固定总值占比（总奇异值和的一定比例）等方式（策略）。
通过上述可知，在一个实施例中，从提取得到的多个待诊断主成分奇异值中选取奇异值组成特征向量，可以包括：
获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值；
对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号能量的多个待诊断主成分奇异值组成特征向量。
步骤4 -对特征向量进行zscore标准化，并记录标准化参数。
进一步地，zscore标准化的方式为：
；
其中,σ x std分别为特征列σ x 的均值和标准差。
通过上述可知，在一个实施例中，上述基于奇异值和nSVDD的转子裂纹故障诊断方法还可以包括：将选取出的奇异值组成的特征向量进行zscore标准化，得到标准化参数，以使得Hankel矩阵下的奇异值分解特征提取效果最佳；
将选取出的奇异值组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果，包括：将所述标准化参数输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。
步骤5-筛选转子裂纹标签案例数据集，执行步骤2-步骤4，将得到的奇异值特征矩阵作为训练样本输入nSVDD学习器（模型），进行单故障分类模型训练，得到转子裂纹故障诊断模型。
进一步地，本发明实施例所述转子裂纹标签案例数据集是指，旋转设备的转子裂纹发展过程中经过人工标注核验的过程数据（旋转设备在历史运行过程中转子的振动信号样本集），含有故障和正常两类标签，以故障标签为正类（正样本），正常标签为负类（负样本）。本发明实施例主要对转子裂纹案例数据进行学习，因此故障数据为正样本，加入一些裂纹正常数据作为辅助，即负样本，可以充分利用标签确定支持向量，对最优分类面进行矫正优化，提高裂纹故障识别的准确率。
SVDD是在SVM基础上提出的一种单分类方法，其原理思想为：
假设有一组需要描述的训练数据集{x i }SVDD的目的是找到尽可能包含最多x i 的最小超球体，最小超球体S用半径R 2 和球心a来表述，延续SVM软间隔的思想，引入松弛因子ξi和惩罚因子C 1 以避免刚性球体为了个别样本付出巨大代价。
nSVDD在SVDD基础上引入了negative项，充分利用标签确定支持向量，对最优分类面进行矫正优化，进一步引入负类松弛因子ξ l 和惩罚因子C 2，此时超球体应满足：
；
其约束条件为：
；
为求解上述优化问题，引入拉格朗日乘子αi,γi,αl,γl,≥0，将式转化为一个二次优化问题：
；
定义新变量α i ’ =γ i α i ，有；
对于任意样本z对于超球体中心的距离d k 为：
；
超球体半径R 2可由任意α i ’ <C的支持向量求出，为
；
在进行分类判别时，当d k ≤R2时样本点z被接受，当d k >R2时样本z被拒绝：
；
进一步地，在一个实施例中，本发明中nSVDD模型采用RBF（Radial basisfunction，
径向基函数）核，用SMO（Sequential minimal optimization，序列最小优化算法）算法优化得到最优分类面。在一个实施例中，核参数g和惩罚因子C 1 C 2 的最优化采用粒子群优化算法或遗传算法整定，以交叉验证其（nSVDD模型）有效性。
步骤6-对旋转设备实时数据（待诊断数据）执行步骤2-步骤3进行特征提取，并用步骤4中得到的参数进行标准化，得到待诊断数据集。将待诊断数据集输入nSVDD模型，判断单帧信号是否属于正类。当连续五次发生正类判断时，即认为发生了转子裂纹故障。诊断结论由辅助告警系统提醒并记录该段转子裂纹发展过程数据，方便累积故障案例与迭代更新模型。即在一个实施例中，上述基于奇异值和nSVDD的转子裂纹故障诊断方法还可以包括：在转子裂纹故障诊断模型运行预设时段，检测到新的转子裂纹故障诊断结果类型时，将新的转子裂纹故障诊断结果及其对应的振动信号加入至样本数据中，得到更新的样本数据；利用更新的样本数据重新训练所述转子裂纹故障诊断模型，得到更新后的转子裂纹故障诊断模型，进一步提高nSVDD模型预测的准确率。
现有转子裂纹检测采用的常规技术手段主流一般为：对转子振动信号进行频域分析，人工观测到转子额定频率的倍频成分发生变化后，认为是发生了转子裂纹故障。在自动化实施中，首先由人工判断转子裂纹故障监测频段，再针对特定频率成分提取的特征建立机理监测模型或数据驱动监测模型。由于工业环境的错综复杂，信号含有很多非线性成分，上述方法更依赖于信号分析诊断人员肉眼识别频谱图中的特定故障频率成分，人工判断的故障监测频段在故障检测上并不具有非常强的可靠性，对频率自动化解析的方案实施较为困难，人工目测再进行报警的方案滞后性较大。转子裂纹或转子断裂故障发展特别迅速，人工检测一旦漏检，可能对设备造成不可逆转的危害。
本发明实施例中将主成分奇异值作为故障诊断方法的特征进行提取，不再进行信号还原。与现有常见的频谱信号提取相比，奇异值特征在转子裂纹时和转子正常态的差别更大，故障分类更准确，所得模型更不容易过拟合，且具有更优秀的泛化性能。本发明实施例在奇异值分解后不进行分量信号重构等复杂处理，实施上较为简便，所得模型诊断准确率也更高。所采用单分类nSVDD算法在单类故障识别上具有泛化性能优秀，计算占用资源低，模型迭代更新容易，实施步骤简便等优点，在工业领域实际应用的综合性能优于深度学习算法。
因此，与现有技术相比，本发明实施例的有益效果是：本发明提供了一种基于奇异值和nSVDD的转子裂纹故障诊断方法，能有够有效提取转子振动信号中突出的能量成分，以奇异值形式进行表征，采用改进单分类故障诊断学习器nSVDD进行建模学习，转子裂纹故障的特化识别率高。
本发明实施例中还提供了一种转子裂纹故障诊断模型的构建方法，如下面的实施例所述。由于该构建方法解决问题的原理与转子裂纹故障诊断方法相似，因此该构建方法的实施可以参见转子裂纹故障诊断方法的实施，重复之处不再赘述。
图3为本发明实施例中转子裂纹故障诊断模型的构建方法的流程示意图，如图3所示，该构建方法包括：
步骤201：获取旋转设备在运行过程中转子的历史振动信号样本数据；
步骤202：将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；
步骤203：将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值，可以包括：对历史振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值。
在一个实施例中，对于振动信号S=[s(1),s(2),…,s(N)]，N为信号长度，所构造的Hankel矩阵的构造形式为：
；
其中1<n<N，n称为分解阶次，m=N-n+1，；
对其进行奇异值分解后改写列向量ui和ν i表示的形式，有：
H s =USV T =u1 σ 1 ν 1 T+ u2 σ 2 ν 2 T++…+ui σ i ν i T+…++ ur σ r ν r T
其中，σ 1,σ 2,…σ r由大到小递减，称为H s 矩阵的奇异值，ui为左奇异向量，ν i为右奇异向量。
在一个实施例中，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
在一个实施例中，当信号长度N为偶数时，取n=N/2,m=N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n=(N+1)/2,m=(N+1)/2来构造Hankel矩阵。
在一个实施例中，上述转子裂纹故障诊断方法还可以包括：从提取得到的多个历史主成分奇异值中选取奇异值组成特征向量；
将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型，包括：将选取出的奇异值组成的特征向量及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，从提取得到的多个历史主成分奇异值中选取奇异值组成特征向量，可以包括：
获取多个历史主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个历史主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个历史主成分奇异值进行一次筛选处理：若历史振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个历史主成分奇异值；
对一次筛选后的多个历史主成分奇异值进行二次筛选处理：从一次筛选后的多个历史主成分奇异值中选出奇异值成对下降的多个历史主成分奇异值，得到二次筛选处理后的多个历史主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个历史主成分奇异值中，找到覆盖了预设比例信号能量的多个历史主成分奇异值组成特征向量。
在一个实施例中，上述转子裂纹故障诊断方法还可以包括：将选取出的奇异值组成的特征向量进行zscore标准化，得到标准化参数；
将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型，包括：将所述标准化参数及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，nSVDD模型采用RBF核，用SMO算法优化得到最优分类面。
在一个实施例中，RBF核的核参数和惩罚因子的最优化采用粒子群优化算法或遗传算法整定。
本发明实施例中还提供了一种转子裂纹故障诊断装置，如下面的实施例所述。由于该诊断装置解决问题的原理与转子裂纹故障诊断方法相似，因此该诊断装置的实施可以参见转子裂纹故障诊断方法的实施，重复之处不再赘述。
图4为本发明实施例中转子裂纹故障诊断装置的结构示意图，如图4所示，该诊断装置包括：
采集单元011，用于采集当前旋转设备在运行过程中转子的待诊断振动信号；
第一提取单元012，用于将待诊断振动信号经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值；
诊断单元015，用于将多个待诊断主成分奇异值输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成。
在一个实施例中，所述提取单元具体用于：对待诊断振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值。
在一个实施例中，对于振动信号S=[s(1),s(2),…,s(N)]，N为信号长度，所构造的Hankel矩阵的构造形式为：
；
其中1<n<N，n称为分解阶次，m=N-n+1，；
对其进行奇异值分解后改写列向量ui和νi表示的形式，有：
H s =USV T =u1 σ 1 ν 1 T+ u2 σ 2 ν 2 T++…+ui σ i ν i T+…++ ur σ r ν r T
其中，σ 1,σ 2,…σ r由大到小递减，称为H s 矩阵的奇异值，ui为左奇异向量，ν i为右奇异向量。
在一个实施例中，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
在一个实施例中，当信号长度N为偶数时，取n=N/2,m=N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n=(N+1)/2,m=(N+1)/2来构造Hankel矩阵。
在一个实施例中，如图5所示，上述转子裂纹故障诊断装置还可以包括：第一奇异值选取单元013，用于从提取得到的多个待诊断主成分奇异值中选取奇异值组成特征向量；
所述诊断单元具体用于：将选取出的奇异值组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。
在一个实施例中，所述第一奇异值选取单元013具体用于：
获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值；
对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号能量的多个待诊断主成分奇异值组成特征向量。
在一个实施例中，如图5所示，上述转子裂纹故障诊断装置还可以包括：第一标准化处理单元014，用于将选取出的奇异值组成的特征向量进行zscore（标准分数）标准化，得到标准化参数；
所述诊断单元具体用于：将所述标准化参数输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。
在一个实施例中，nSVDD模型可以采用RBF核，可以用SMO算法优化得到最优分类面。
在一个实施例中，RBF核的核参数和惩罚因子的最优化可以采用粒子群优化算法或遗传算法整定，以交叉验证其有效性。
在一个实施例中，上述基于奇异值和nSVDD的转子裂纹故障诊断装置还可以包括：
加入单元，用于在转子裂纹故障诊断模型运行预设时段，检测到新的转子裂纹故障诊断结果类型时，将新的转子裂纹故障诊断结果及其对应的振动信号加入至样本数据中，得到更新的样本数据；
更新单元，用于利用更新的样本数据重新训练所述转子裂纹故障诊断模型，得到更新后的转子裂纹故障诊断模型。
本发明实施例中还提供了一种转子裂纹故障诊断模型的构建装置，如下面的实施例所述。由于该构建装置解决问题的原理与转子裂纹故障诊断方法相似，因此该构建装置的实施可以参见转子裂纹故障诊断方法的实施，重复之处不再赘述。
图6为本发明实施例中转子裂纹故障诊断模型的构建装置的结构示意图，如图6所示，该装置包括：
获取单元021，用于获取旋转设备在运行过程中转子的历史振动信号样本数据；
第二提取单元022，用于将历史振动信号经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值；
训练单元025，用于将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，所述第二提取单元具体用于：对历史振动信号以Hankel矩阵形式进行重构，并在奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值。
在一个实施例中，对于振动信号S=[s(1),s(2),…,s(N)]，N为信号长度，所构造的Hankel矩阵的构造形式为：
；
其中1<n<N，n称为分解阶次，m=N-n+1，；
对其进行奇异值分解后改写列向量ui和νi表示的形式，有：
H s =USV T =u1σ1ν1 T+ u2σ2ν2 T++…+uiσiνi T+…++ urσrνr T
其中，σ1, σ2,…σr由大到小递减，称为H s 矩阵的奇异值，ui为左奇异向量，νi为右奇异向量。
在一个实施例中，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
在一个实施例中，当信号长度N为偶数时，取n=N/2,m=N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n=(N+1)/2,m=(N+1)/2来构造Hankel矩阵。
在一个实施例中，如图7所示，上述转子裂纹故障诊断模型的构建装置还可以包括：第二奇异值选取单元023，用于从提取得到的多个历史主成分奇异值中选取奇异值组成特征向量；
所述训练单元具体用于：将选取出的奇异值组成的特征向量及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，所述第二奇异值选取单元具体用于：
获取多个历史主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个历史主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个历史主成分奇异值进行一次筛选处理：若历史振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个历史主成分奇异值；
对一次筛选后的多个历史主成分奇异值进行二次筛选处理：从一次筛选后的多个历史主成分奇异值中选出奇异值成对下降的多个历史主成分奇异值，得到二次筛选处理后的多个历史主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个历史主成分奇异值中，找到覆盖了预设比例信号能量的多个历史主成分奇异值组成特征向量。
在一个实施例中，如图7所示，上述转子裂纹故障诊断模型的构建装置还可以包括：第二标准化处理单元024，用于将选取出的奇异值组成的特征向量进行zscore标准化，得到标准化参数；
所述训练单元具体用于：将所述标准化参数及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
在一个实施例中，nSVDD模型采用RBF核，用SMO算法优化得到最优分类面。
在一个实施例中，RBF核的核参数和惩罚因子的最优化采用粒子群优化算法或遗传算法整定。
基于前述发明构思，如图8所示，本发明还提出了一种计算机设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现前述转子裂纹故障诊断方法，和/或，转子裂纹故障诊断模型的构建方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法，和/或，转子裂纹故障诊断模型的构建方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述转子裂纹故障诊断方法，和/或，转子裂纹故障诊断模型的构建方法。
与现有技术相比，本发明实施例提供的转子裂纹故障诊断方案的有益技术效果是：
首先，本发明实施例中将主成分奇异值作为故障诊断方法的特征进行提取，不再进行信号还原。与现有常见的频谱信号提取相比，奇异值特征在转子裂纹时和转子正常态的差别更大，故障分类更准确，所得模型更不容易过拟合，且具有更优秀的泛化性能。
其次，本发明实施例中所采用单分类nSVDD算法在单类故障识别上具有泛化性能优秀，计算占用资源低，模型迭代更新容易，实施步骤简便等优点，在工业领域实际应用的综合性能优于深度学习算法。
综上，本发明实施例提供的基于奇异值和nSVDD的转子裂纹故障诊断方案能有够有效提取转子振动信号中突出的能量成分，以奇异值形式进行表征，采用改进单分类故障诊断学习器nSVDD进行建模学习，转子裂纹故障的特化识别率高，可以实现基于奇异值和nSVDD的转子裂纹故障诊断，提高了转子裂纹故障诊断的准确率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (19)
1.一种转子裂纹故障诊断方法，其特征在于，包括：
采集当前旋转设备在运行过程中转子的待诊断振动信号；
将待诊断振动信号以Hankel矩阵形式进行重构，进行奇异值分解，经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值作为故障诊断方法的特征，不再进行信号还原；
获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值；
对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号能量的多个待诊断主成分奇异值组成特征向量；
将多个待诊断主成分奇异值组成的特征向量输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果，诊断结果由辅助告警系统提醒并记录转子裂纹发展过程数据，以方便累积故障案例与迭代更新模型；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成，样本包括故障数据的正样本和正常数据的负样本。
2.如权利要求1所述的方法，其特征在于，对于振动信号S＝[s(1),s(2),…,s(N)]∈RN ×1，N为信号长度，所构造的Hankel矩阵的构造形式为：
其中1<n<N，n称为分解阶次，m＝N-n+1，Hs∈Rm×n；
对其进行奇异值分解后改写列向量ui和νi表示的形式，有：
Hs＝USVT＝u1σ1ν1 T+u2σ2ν2 T++…+uiσiνi T+…++urσrνr T
其中，σ1,σ2,…σr由大到小递减，称为Hs矩阵的奇异值，ui为左奇异向量，νi为右奇异向量。
3.如权利要求2所述的方法，其特征在于，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
4.如权利要求2所述的方法，其特征在于，当信号长度N为偶数时，取n＝N/2,m＝N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n＝(N+1)/2,m＝(N+1)/2来构造Hankel矩阵。
5.如权利要求1所述的方法，其特征在于，还包括：将组成的特征向量进行zscore标准化，得到标准化参数；
将组成的特征向量输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果，包括：将所述标准化参数输入转子裂纹故障诊断模型，得到当前旋转设备的转子裂纹故障诊断结果。
6.如权利要求1所述的方法，其特征在于，nSVDD模型采用RBF核，用SMO算法优化得到最优分类面。
7.如权利要求6所述的方法，其特征在于，RBF核的核参数和惩罚因子的最优化采用粒子群优化算法或遗传算法整定。
8.如权利要求1所述的方法，其特征在于，还包括：
在转子裂纹故障诊断模型运行预设时段，检测到新的转子裂纹故障诊断结果类型时，将新的转子裂纹故障诊断结果及其对应的振动信号加入至样本数据中，得到更新的样本数据；
利用更新的样本数据重新训练所述转子裂纹故障诊断模型，得到更新后的转子裂纹故障诊断模型。
9.一种转子裂纹故障诊断模型的构建方法，其特征在于，包括：
获取旋转设备在运行过程中转子的历史振动信号样本数据；
将历史振动信号以Hankel矩阵形式进行重构，进行奇异值分解，经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值作为故障诊断方法的特征，不再进行信号还原；
获取多个历史主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个历史主成分奇异值被按照数值从大到小的顺序排列；
对从大到小的顺序排列的多个历史主成分奇异值进行一次筛选处理：若历史振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个历史主成分奇异值；
对一次筛选后的多个历史主成分奇异值进行二次筛选处理：从一次筛选后的多个历史主成分奇异值中选出奇异值成对下降的多个历史主成分奇异值，得到二次筛选处理后的多个历史主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；
在二次筛选处理后的多个历史主成分奇异值中，找到覆盖了预设比例信号能量的多个历史主成分奇异值组成特征向量；
将多个历史主成分奇异值组成特征向量及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型，诊断结果由辅助告警系统提醒并记录转子裂纹发展过程数据，以方便累积故障案例与迭代更新模型，样本包括故障数据的正样本和正常数据的负样本。
10.如权利要求9所述的方法，其特征在于，对于振动信号S＝[s(1),s(2),…,s(N)]∈RN ×1，N为信号长度，所构造的Hankel矩阵的构造形式为：
其中1<n<N，n称为分解阶次，m＝N-n+1，Hs∈Rm×n；
对其进行奇异值分解后改写列向量ui和νi表示的形式，有：
Hs＝USVT＝u1σ1ν1 T+u2σ2ν2 T++…+uiσiνi T+…++urσrνr T
其中，σ1,σ2,…σr由大到小递减，称为Hs矩阵的奇异值，ui为左奇异向量，νi为右奇异向量。
11.如权利要求10所述的方法，其特征在于，n取对称中心，以使得Hankel矩阵下的奇异值分解特征提取效果最佳。
12.如权利要求10所述的方法，其特征在于，当信号长度N为偶数时，取n＝N/2,m＝N/2+1来构造Hankel矩阵；当信号长度N为奇数时，取n＝(N+1)/2,m＝(N+1)/2来构造Hankel矩阵。
13.如权利要求9所述的方法，其特征在于，还包括：将组成的特征向量进行zscore标准化，得到标准化参数；
将得到的历史主成分奇异值及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型，包括：将所述标准化参数及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型。
14.如权利要求9所述的方法，其特征在于，nSVDD模型采用RBF核，用SMO算法优化得到最优分类面。
15.如权利要求14所述的方法，其特征在于，RBF核的核参数和惩罚因子的最优化采用粒子群优化算法或遗传算法整定。
16.一种转子裂纹故障诊断装置，其特征在于，包括：
采集单元，用于采集当前旋转设备在运行过程中转子的待诊断振动信号；
第一提取单元，用于将待诊断振动信号以Hankel矩阵形式进行重构，进行奇异值分解，经过奇异值分解后进行奇异谱分析，提取得到多个待诊断主成分奇异值作为故障诊断方法的特征，不再进行信号还原；
第一奇异值选取单元，用于：获取多个待诊断主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个待诊断主成分奇异值被按照数值从大到小的顺序排列；对从大到小的顺序排列的多个待诊断主成分奇异值进行一次筛选处理：若待诊断振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个待诊断主成分奇异值；对一次筛选后的多个待诊断主成分奇异值进行二次筛选处理：从一次筛选后的多个待诊断主成分奇异值中选出奇异值成对下降的多个待诊断主成分奇异值，得到二次筛选处理后的多个待诊断主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；在二次筛选处理后的多个待诊断主成分奇异值中，找到覆盖了预设比例信号能量的多个待诊断主成分奇异值组成特征向量；
诊断单元，用于将多个待诊断主成分奇异值组成的特征向量输入转子裂纹故障诊断nSVDD模型，得到当前旋转设备的转子裂纹故障诊断结果，诊断结果由辅助告警系统提醒并记录转子裂纹发展过程数据，以方便累积故障案例与迭代更新模型；所述转子裂纹故障诊断nSVDD模型根据旋转设备在历史运行过程中转子的振动信号样本数据预先训练生成，样本包括故障数据的正样本和正常数据的负样本。
17.一种转子裂纹故障诊断模型的构建装置，其特征在于，包括：
获取单元，用于获取旋转设备在运行过程中转子的历史振动信号样本数据；
第二提取单元，用于将历史振动信号以Hankel矩阵形式进行重构，进行奇异值分解，经过奇异值分解后进行奇异谱分析，提取得到多个历史主成分奇异值作为故障诊断方法的特征，不再进行信号还原；
第二奇异值选取单元，用于：获取多个历史主成分奇异值；其中，奇异值分量的值和其代表的频率分量所含能量正相关，多个历史主成分奇异值被按照数值从大到小的顺序排列；对从大到小的顺序排列的多个历史主成分奇异值进行一次筛选处理：若历史振动信号中存在直流分量，则舍去排序在首位的奇异值，得到一次筛选处理后的多个历史主成分奇异值；对一次筛选后的多个历史主成分奇异值进行二次筛选处理：从一次筛选后的多个历史主成分奇异值中选出奇异值成对下降的多个历史主成分奇异值，得到二次筛选处理后的多个历史主成分奇异值；其中，成对下降的奇异值为：每两个奇异值的排列序号连续且该两个奇异值之间的差值小于预设值，多对奇异值按照从大到小的顺序排列；在二次筛选处理后的多个历史主成分奇异值中，找到覆盖了预设比例信号能量的多个历史主成分奇异值组成特征向量；
训练单元，用于将多个历史主成分奇异值组成特征向量及其对应的转子裂纹故障历史诊断结果作为训练样本输入nSVDD学习模型进行模型训练，得到转子裂纹故障诊断模型，诊断结果由辅助告警系统提醒并记录转子裂纹发展过程数据，方便累积故障案例与迭代更新模型，样本包括故障数据的正样本和正常数据的负样本。
18.一种计算机设备，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计算机程序时实现权利要求1至8任一所述的转子裂纹故障诊断方法，和/或，权利要求9-15任一所述的转子裂纹故障诊断模型的构建方法。
19.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述的转子裂纹故障诊断方法，和/或，权利要求9-15任一所述的转子裂纹故障诊断模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952521.6A CN116662793B (zh) | 2023-07-31 | 2023-07-31 | 转子裂纹故障诊断、模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952521.6A CN116662793B (zh) | 2023-07-31 | 2023-07-31 | 转子裂纹故障诊断、模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662793A CN116662793A (zh) | 2023-08-29 |
| CN116662793B true CN116662793B (zh) | 2024-03-08 |
Family
ID=87722887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310952521.6A Active CN116662793B (zh) | 2023-07-31 | 2023-07-31 | 转子裂纹故障诊断、模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662793B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118626948B (zh) * | 2024-08-13 | 2024-10-18 | 华润电力技术研究院有限公司 | 一种基于数据分析的风电机组故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
| CN111259992A (zh) * | 2020-03-03 | 2020-06-09 | 东北石油大学 | 基于时变奇异谱的往复压缩机气阀故障诊断方法 |
| CN111832353A (zh) * | 2019-04-19 | 2020-10-27 | 中国科学院沈阳自动化研究所 | 基于emd与ba优化svm的汽轮机转子故障诊断方法 |
| CN113065418A (zh) * | 2021-03-18 | 2021-07-02 | 上海电力大学 | 一种基于ssa-wdcnn的滚动轴承故障诊断方法 |
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| US11506717B1 (en) * | 2021-10-11 | 2022-11-22 | King Fahd University Of Petroleum And Minerals | System and method for diagnosing stator inter-turn faults in synchronous motors |
| CN116028840A (zh) * | 2021-10-27 | 2023-04-28 | 海南大学 | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 |
-
2023
- 2023-07-31 CN CN202310952521.6A patent/CN116662793B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832353A (zh) * | 2019-04-19 | 2020-10-27 | 中国科学院沈阳自动化研究所 | 基于emd与ba优化svm的汽轮机转子故障诊断方法 |
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
| CN111259992A (zh) * | 2020-03-03 | 2020-06-09 | 东北石油大学 | 基于时变奇异谱的往复压缩机气阀故障诊断方法 |
| CN113065418A (zh) * | 2021-03-18 | 2021-07-02 | 上海电力大学 | 一种基于ssa-wdcnn的滚动轴承故障诊断方法 |
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| US11506717B1 (en) * | 2021-10-11 | 2022-11-22 | King Fahd University Of Petroleum And Minerals | System and method for diagnosing stator inter-turn faults in synchronous motors |
| CN116028840A (zh) * | 2021-10-27 | 2023-04-28 | 海南大学 | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 多分类SVDD混叠域识别的模拟电路故障诊断;仝奇;胡双演;叶霞;张仲敏;李俊山;;计算机测量与控制(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662793A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN116662793B (zh) | 转子裂纹故障诊断、模型构建方法及装置 | |
| CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN102324007B (zh) | 基于数据挖掘的异常检测方法 | |
| CN112257942B (zh) | 一种应力腐蚀开裂预测方法及系统 | |
| CN112039903A (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| CN114429563B (zh) | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 | |
| CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
| CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
| CN115389865A (zh) | 基于云边端协同架构的电力设备故障诊断方法及系统 | |
| CN113933054B (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
| CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
| CN116707918A (zh) | 基于CBAM- EfficientNet异常检测的网络安全态势评估方法 | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
| CN114199992A (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| Chan et al. | Explainable health state prediction for social iots through multi-channel attention | |
| Fu et al. | Multi-scale Convolutional Neural Networks Based on Self-attention And Residual Network for Industrial Equipment Fault Diagnosis | |
| Zuo et al. | Bearing fault dominant symptom parameters selection based on canonical discriminant analysis and false nearest neighbor using GA filtering signal | |
| Medina et al. | A LSTM neural network approach using vibration signals for classifying faults in a gearbox | |
| Shomaki et al. | Bearing fault diagnoses using wavelet transform and discrete fourier transform with deep learning |
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 |