CN116680659A - 一种基于概率分布切片化测度的旋转机械变转速状态监测方法 - Google Patents
一种基于概率分布切片化测度的旋转机械变转速状态监测方法 Download PDFInfo
- Publication number
- CN116680659A CN116680659A CN202310452126.1A CN202310452126A CN116680659A CN 116680659 A CN116680659 A CN 116680659A CN 202310452126 A CN202310452126 A CN 202310452126A CN 116680659 A CN116680659 A CN 116680659A
- Authority
- CN
- China
- Prior art keywords
- probability distribution
- rotating
- formula
- state data
- slicing
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000005259 measurement Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000000611 regression analysis Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
发明提供一种基于概率分布切片化测度的旋转机械变转速状态监测方法。该方法采用基于算子迭代优化的多参数回归分析方法对旋转机械运行状态数据进行统计表征。通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布。在此基础上，对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，依据概率分布波动值最终实现对旋转机械运行状态的有效监测。该方法具备良好的统计可解释性。该方法通过转速信息切片化以及基准弥合策略能够有效降低由于转速改变导致的运行状态数据出现的较大波动，减少了由此引起的状态误报。该方法能够有效地适用于变转速场景下的旋转机械运行状态监测。
Description
技术领域
本发明涉及机械装备健康监测与智能运维领域，特别涉及一种基于概率分布切片化测度的旋转机械变转速状态监测方法。
背景技术
旋转机械在装备制造业中有着极其广泛的应用，如航空发动机、风力发电机等，其运行状况健康与否直接影响着生产过程能否正常有序进行，甚至关系着人们的生命财产安全。为此，对旋转机械运行过程开展有效的状态监测是至关重要的。
为了实现这一目的，近年来专家学者从不同角度构建了用于刻画旋转机械运行状态和表征其退化趋势的健康监测指标，依据构造策略的不同可以划分为两大类：一是基于统计和信号处理的健康监测指标构造方法，它具有计算方便、可解释性好等特点，在实际工业领域有着广泛的应用；二是基于机器学习的健康监测指标构造方法，通过构造多维度状态特征空间，利用机器学习进行特征挖掘和信息提取，克服了单一健康监测指标表征能力受限的问题，能够对旋转机械的运行状态进行更加全面的监测。然而，由于旋转机械运行工况日趋复杂，上述方法在实际应用过程中也存在一定缺陷，比如基于统计和信号处理的健康监测指标只考虑了部分统计信息，对旋转机械不同运行阶段的状态表征能力有限，基于机器学习的健康监测指标需要进行复杂的模型训练，长耗时和可解释性差等问题需要进一步研究和优化。
值得注意的是，当前健康监测指标主要针对平稳工况或者近似平稳工况等场景构造的，然而，旋转机械不可避免地服役于变转速场景，时变转速一方面会引起观测数据产生较大波动，另一方面也会改变旋转机械的退化速率。在此影响下，用于表征旋转机械性能退化的状态特征空间会产生畸变，使得传统的物理退化模型和特征提取手段难以奏效，对其进行有效的状态监测仍是一个十分棘手的问题。
通过上述分析可知，建立一种可解释性好、灵敏度高且能够适用于变转速条件的旋转机械健康监测指标有着十分迫切的工业应用需求以及十分广阔的工业应用场景。
发明内容
本发明的目的是提供一种基于概率分布切片化测度的旋转机械变转速状态监测方法，以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种基于概率分布切片化测度的旋转机械变转速状态监测方法，包括以下步骤：
1)采集旋转机械变转速条件下的运行状态数据。
2)采用算子迭代优化的多参数回归分析方法对健康阶段旋转机械的运行状态数据进行表征，得到旋转机械运行状态数据的概率分布模型。
3)针对健康阶段不同转速条件下得到的旋转机械运行状态数据概率分布，通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布。
4)通过基准弥合策略降低与转速信息关联的基准概率分布之间的统计差异。
5)将当前时刻得到的旋转机械运行状态数据概率分布与对应条件下的基准概率分布进行对比分析，量化得到当前时刻概率分布的波动值。
6)通过对概率分布波动值进行分析，判断当前时刻旋转机械的运行状态。
进一步，步骤1)中，运行状态数据为旋转机械运行过程中的振动幅值，所述运行状态数据通过传感器采集。
进一步，所述旋转机械为发电机、汽轮机、离心式压缩机、水泵、水轮机、通风机或电动机。
进一步，步骤2具体包括以下子步骤：
2.1)建立特征函数：
式中，α为特征指数，β为对称参数，γ为尺度参数，δ为位置参数，j为虚数单位，ω(t,α)为变换函数，如式(2)所示。sgn(t)为阶跃函数，如式(3)所示。
2.2)对式(1)进行对数变换，得到式(4)。
log(-log|φ(t)|2)＝log(2γ)+αlog|t| (4)
2.3)构造算子y(t)＝log[-log|φ(t)|2]，并建立y(t)对ψ(t)＝log|t|的回归模型如式(5)所示。通过回归计算操作得出特征指数α和尺度参数γ。
yk(t)＝μ+αψk(t)+εk (5)
式中，μ＝log(2γ)，εk为第k次迭代后的误差项。
2.4)固定步骤2.3)中得到的特征指数α和尺度参数γ，构造线性算子z(u)＝g(u)+πk(u)，建立z(u)对u和sgn(u)|u|α的回归模型如式(6)所示。
式中，ηi为第i次迭代后的误差项，ui为实数，g(ui)为反正切函数，如式(7)所示。
g(ui)＝arctan{Im[φ(ui)]/Re[φ(ui)]} (7)
式中，Re[φ(ui)]为函数φ(ui)的实部。Im[φ(ui)]为函数φ(ui)的虚部。
2.5)采用式(8)对步骤2.3)中的回归分析操作进行迭代优化。采用式(9)对步骤2.4)中的回归分析进行迭代优化。
式中，λ为优化系数，p为迭代次数。
式中，ν为线性算子z(u)的优化系数，q为迭代次数。
2.6)得到优化后的特征参数集合如式(10)所示。利用逆傅里叶变换得到旋转机械运行状态数据的概率分布模型如式(11)所示。
Θ＝{α*,β*,γ*,δ*} (10)
式中，x为采集到的旋转机械运行状态数据。
进一步，步骤3)具体包括以下子步骤：
3.1)通过转速信息切片化对旋转机械健康阶段的运行状态数据概率分布进行划分操作：
式中，ω(t)＝{ω1(t),ω2(t),…,ωq(t)}为不同采样周期内旋转机械的转速信息。
3.2)对于中处于同一转速下的旋转机械运行状态数据概率分布，通过式(13)中的能量最小化原则确定基准概率分布：
式中，N代表每一采样周期内的采样点数，m代表处于同一转速ωi(t)下的旋转机械运行状态数据样本数量。
进一步，步骤4)中，若当前转速ωj(t)下没有对应的基准概率分布，则建立旋转机械转速信息与基准概率分布特征参数之间的映射关系，并通过插值方法得到转速ωj(t)下对应的特征参数Θ，建立对应的基准概率分布。
进一步，步骤4)中，通过式(14)建立基准弥合策略，降低与转速信息关联的基准概率分布之间的统计差异。
式中，ωr(t)为初始参考转速，ωi(t)为当前采样周期转速，vr和vi分别代表两种运行状态下采集数据的有效值，Θr和Θi分别为对应的概率分布特征参数。
进一步，步骤5)具体包括以下子步骤：
5.1)通过式(15)对当前时刻得到的概率分布与对应的基准概率分布进行平移变换操作。
Δμ＝μi-μB (15)
式中，μi为当前时刻概率分布的对称中心，μB为对应基准概率分布的对称中心。
5.2)对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，得到当前时刻概率分布的波动值。
进一步，步骤6)中，对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
进一步，步骤6)具体包括以下子步骤：
6.1)连续采集M个旋转机械平稳运行阶段的状态数据样本，利用公式(16)分别计算概率分布的波动值，在此基础上，计算M个概率分布波动值的均值和标准差，由此设置3σ阈值区间。
6.2)采集当前时刻旋转机械的运行状态数据，利用公式(16)计算概率分布的波动值，如果该概率分布波动值不超过设置的3σ阈值区间，则旋转机械运行状态为正常；否则运行状态为异常。
6.3)对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
本发明的技术效果是毋庸置疑的：
A.具备良好的统计可解释性；
B.通过转速信息切片化以及基准弥合策略能够有效降低由于转速改变导致的运行状态数据出现的较大波动，减少了由此引起的状态误报；
C.能够有效地适用于变转速场景下的旋转机械运行状态监测，具备良好的工程应该价值和广阔的应用前景。
附图说明
图1为方法执行逻辑图；
图2为实施例11中采集的风力发电机驱动端轴承振动数据时域波形；
图3为实施例11中数据采集过程中风力发电机主轴转速信息；
图4为实施例11中基于概率分布切片化测度的风力发电机驱动端轴承变转速状态监测结果；
图5为实施例11中风力发电机驱动端轴承振动数据平方包络谱分析结果；
图6为实施例11中多种健康监测指标对比结果；
图7为实施例11中多种健康监测指标ROC曲线对比结果。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例提供一种基于概率分布切片化测度的旋转机械变转速状态监测方法，包括以下步骤：
1)利用安装的传感器采集旋转机械变转速条件下的运行状态数据。
2)采用算子迭代优化的多参数回归分析方法对健康阶段旋转机械的运行状态数据进行表征，得到能够有效刻画其统计特性的概率分布模型。
2.1)建立特征函数：
φ(t)＝exp{jδt-γ|t|α·[1+jβsgn(t)ω(t,α)]} (1)
其中，α为特征指数，β为对称参数，γ为尺度参数，δ为位置参数，j为虚数单位，ω(t,α)为变换函数，表示为：
sgn(t)为阶跃函数，表达式为：
2.2)对公式(1)进行对数变换，得到：
log(-log|φ(t)|2)＝log(2γ)+αlog|t| (4)
2.3)构造算子y(t)＝log[-log|φ(t)|2]，并建立y(t)对ψ(t)＝log|t|的回归模型：
yk(t)＝μ+αψk(t)+εk (5)
其中，μ＝log(2γ)，εk为第k次迭代后的误差项。通过回归计算操作可以得到特征指数α和尺度参数γ。
2.4)固定步骤2.3)中得到的特征指数α和尺度参数γ，构造线性算子z(u)＝g(u)+πk(u)，建立z(u)对u和sgn(u)|u|α的回归模型：
其中，ηi为第i次迭代后的误差项，ui为实数，g(ui)为反正切函数，表示为：
g(ui)＝arctan{Im[φ(ui)]/Re[φ(ui)]} (7)
式中，Re[φ(ui)]和Im[φ(ui)]分别为函数φ(ui)的实部和虚部。
2.5)为了提升上述多参数估计精度，减少概率分布统计模型与旋转机械运行状态数据之间的偏差，采用公式(8)对步骤2.3)中的回归分析操作进行迭代优化：
其中，λ为优化系数，p为迭代次数。在此基础上，采用公式(9)对步骤2.4)中的回归分析进行迭代优化：
其中，ν为线性算子z(u)的优化系数，q为迭代次数。
2.6)通过上述基于算子迭代优化的多参数回归分析方法，可以得到优化后的特征参数集合，表示为：
Θ＝{α*,β*,γ*,δ*} (10)
在此基础上，利用逆傅里叶变换得到旋转机械运行状态数据的概率分布模型，表示为：
其中，x为采集到的旋转机械运行状态数据。
3)针对健康阶段不同转速条件下得到的旋转机械运行状态数据概率分布，通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布。
3.1)通过转速信息切片化对旋转机械健康阶段的运行状态数据概率分布进行划分操作：
其中，ω(t)＝{ω1(t),ω2(t),…,ωq(t)}为不同采样周期内旋转机械的转速信息。
3.2)对于中处于同一转速下的旋转机械运行状态数据概率分布，通过公式(13)中的能量最小化原则确定基准概率分布：
其中，N代表每一采样周期内的采样点数，m代表处于同一转速ωi(t)下的旋转机械运行状态数据样本数量。
4)通过基准弥合策略降低与转速信息关联的基准概率分布之间的统计差异。
4.1)如果当前转速ωj(t)下没有对应的基准概率分布，即：
则建立旋转机械转速信息与基准概率分布特征参数之间的映射关系，即ω(t)→f(Θ)，在此基础上，通过插值方法得到转速ωj(t)下对应的特征参数Θ，由此建立对应的基准概率分布。
4.2)通过公式(15)建立基准弥合策略，降低与转速信息关联的基准概率分布之间的统计差异：
其中，ωr(t)为初始参考转速，ωi(t)为当前采样周期转速，vr和vi分别代表两种运行状态下采集数据的有效值，Θr和Θi分别为对应的概率分布特征参数。
5)将当前时刻得到的旋转机械运行状态数据概率分布与对应条件下的基准概率分布进行对比分析，量化得到当前时刻概率分布的波动值。
5.1)通过公式(16)将当前时刻得到的概率分布与对应的基准概率分布进行平移变换操作，实现分布对齐：
Δμ＝μi-μB (16)
其中，μi为当前时刻概率分布的对称中心，μB为对应基准概率分布的对称中心。
5.2)对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，得到当前时刻概率分布的波动值：
6)通过对概率分布波动值进行分析，判断当前时刻旋转机械的运行状态。
6.1)连续采集M个旋转机械平稳运行阶段的状态数据样本，利用公式(17)分别计算概率分布的波动值，在此基础上，计算M个概率分布波动值的均值和标准差，由此设置3σ阈值区间。
6.2)采集当前时刻旋转机械的运行状态数据，利用公式(17)计算概率分布的波动值，如果该概率分布波动值不超过设置的3σ阈值区间，则旋转机械运行状态为正常；否则运行状态为异常。
6.3)对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
实施例2：
参见图1，本实施例提供一种基于概率分布切片化测度的旋转机械变转速状态监测方法，包括以下步骤：
1)采集旋转机械变转速条件下的运行状态数据。
2)采用算子迭代优化的多参数回归分析方法对健康阶段旋转机械的运行状态数据进行表征，得到旋转机械运行状态数据的概率分布模型。
3)针对健康阶段不同转速条件下得到的旋转机械运行状态数据概率分布，通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布。
4)通过基准弥合策略降低与转速信息关联的基准概率分布之间的统计差异。
5)将当前时刻得到的旋转机械运行状态数据概率分布与对应条件下的基准概率分布进行对比分析，量化得到当前时刻概率分布的波动值。
6)通过对概率分布波动值进行分析，判断当前时刻旋转机械的运行状态。
本实施例采用基于算子迭代优化的多参数回归分析方法对旋转机械运行状态数据进行统计表征。通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布。在此基础上，对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，依据概率分布波动值最终实现对旋转机械运行状态的有效监测。
实施例3：
本实施例主要内容同实施例2，其中，步骤1)中，运行状态数据为旋转机械运行过程中的振动幅值，所述运行状态数据通过传感器采集。
实施例4：
本实施例主要内容同实施例2，其中，所述旋转机械为发电机、汽轮机、离心式压缩机、水泵、水轮机、通风机或电动机。
实施例5：
本实施例主要内容同实施例2，其中，步骤2具体包括以下子步骤：
2.1)建立特征函数：
φ(t)＝exp{jδt-γ|t|α·[1+jβsgn(t)ω(t,α)]} (1)
式中，α为特征指数，β为对称参数，γ为尺度参数，δ为位置参数，j为虚数单位，ω(t,α)为变换函数，如式(2)所示。sgn(t)为阶跃函数，如式(3)所示。
2.2)对式(1)进行对数变换，得到式(4)。
log(-log|φ(t)|2)＝log(2γ)+αlog|t| (4)
2.3)构造算子y(t)＝log[-log|φ(t)|2]，并建立y(t)对ψ(t)＝log|t|的回归模型如式(5)所示。通过回归计算操作得出特征指数α和尺度参数γ。
yk(t)＝μ+αψk(t)+εk (5)
式中，μ＝log(2γ)，εk为第k次迭代后的误差项。
2.4)固定步骤2.3)中得到的特征指数α和尺度参数γ，构造线性算子z(u)＝g(u)+πk(u)，建立z(u)对u和sgn(u)|u|α的回归模型如式(6)所示。
式中，ηi为第i次迭代后的误差项，ui为实数，g(ui)为反正切函数，如式(7)所示。
g(ui)＝arctan{Im[φ(ui)]/Re[φ(ui)]} (7)
式中，Re[φ(ui)]为函数φ(ui)的实部。Im[φ(ui)]为函数φ(ui)的虚部。
2.5)采用式(8)对步骤2.3)中的回归分析操作进行迭代优化。采用式(9)对步骤2.4)中的回归分析进行迭代优化。
式中，λ为优化系数，p为迭代次数。
式中，ν为线性算子z(u)的优化系数，q为迭代次数。
2.6)得到优化后的特征参数集合如式(10)所示。利用逆傅里叶变换得到旋转机械运行状态数据的概率分布模型如式(11)所示。
Θ＝{α*,β*,γ*,δ*} (10)
式中，x为采集到的旋转机械运行状态数据。
实施例6：
本实施例主要内容同实施例2或5，其中，步骤3)具体包括以下子步骤：
3.1)通过转速信息切片化对旋转机械健康阶段的运行状态数据概率分布进行划分操作：
式中，ω(t)＝{ω1(t),ω2(t),…,ωq(t)}为不同采样周期内旋转机械的转速信息。
3.2)对于中处于同一转速下的旋转机械运行状态数据概率分布，通过式(13)中的能量最小化原则确定基准概率分布：
式中，N代表每一采样周期内的采样点数，m代表处于同一转速ωi(t)下的旋转机械运行状态数据样本数量。
实施例7：
本实施例主要内容同实施例2、5或6中任意一项，其中，步骤4)中，若当前转速ωj(t)下没有对应的基准概率分布，则建立旋转机械转速信息与基准概率分布特征参数之间的映射关系，并通过插值方法得到转速ωj(t)下对应的特征参数Θ，建立对应的基准概率分布。步骤4)中，通过式(14)建立基准弥合策略，降低与转速信息关联的基准概率分布之间的统计差异。
式中，ωr(t)为初始参考转速，ωi(t)为当前采样周期转速，vr和vi分别代表两种运行状态下采集数据的有效值，Θr和Θi分别为对应的概率分布特征参数。
实施例8：
本实施例主要内容同实施例2、5、6或7中任意一项，其中，步骤5)具体包括以下子步骤：
5.1)通过式(15)对当前时刻得到的概率分布与对应的基准概率分布进行平移变换操作。
Δμ＝μi-μB (15)
式中，μi为当前时刻概率分布的对称中心，μB为对应基准概率分布的对称中心。
5.2)对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，得到当前时刻概率分布的波动值。
实施例9：
本实施例主要内容同实施例2、5、6、7或8中任意一项，步骤6)中，对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
实施例10：
本实施例主要内容同实施例2、5、6、7、8或9中任意一项，步骤6)具体包括以下子步骤：
6.1)连续采集M个旋转机械平稳运行阶段的状态数据样本，利用公式(16)分别计算概率分布的波动值，在此基础上，计算M个概率分布波动值的均值和标准差，由此设置3σ阈值区间。
6.2)采集当前时刻旋转机械的运行状态数据，利用公式(16)计算概率分布的波动值，如果该概率分布波动值不超过设置的3σ阈值区间，则旋转机械运行状态为正常；否则运行状态为异常。
6.3)对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
实施例11：
本实施例主要内容同实施例1～10中任意一项，本实施例基于某风场风力发电机退化数据开展，以验证本实施例所提供方法在实际工业领域旋转机械状态监测中的有效性。
1)利用安装的传感器采集风力发电机运行过程中的振动数据以及转速信息。数据采集过程中，采样频率为25.6kHz，单个采样周期为1s，采样时间从2018年5月6日至2018年11月30日，通过剔除不完整或无效的数据，共有223天的实际数据需要处理，其时域波形和对应采集时段的风力发电机主轴转速分别如图2和图3所示。在连续收到一系列阈值超出报警后，于2018年11月9日对该风力发电机进行维护作业，通过更换驱动端轴承，风力发电机开始正常工作。
2)针对采集到的每个振动数据样本，采用如前所述的基于算子迭代优化的多参数回归分析方法对其统计特征进行刻画，得到对应的多参数联合表征的概率分布。
3)针对采集到的前50个处于正常运行阶段的风力发电机振动数据样本，将对应的转速信息切片化，然后将相同转速下的多参数联合表征的振动数据概率分布分组归类，依据能量最小化原则确定每一组内的基准概率分布。
4)对于不同组之间的基准概率分布差异，通过如前所述的基准弥合策略进行量化和校正。
5)将当前时刻得到的风力发电机振动数据概率分布与对应条件下的基准概率分布进行对比分析，量化得到当前时刻概率分布的波动值，结果如图4所示。
6)选取前50个处于正常运行阶段的风力发电机振动数据概率分布波动值，通过计算其均值和标准差以设置3σ阈值区间，结果如图4所示。依据3σ判断准则可知，在第132个采样时段(即2018年9月6日)风力发电机的运行状态开始出现异常波动，说明此时可能出现了局部故障。
为了验证上述状态监测结果的准确性，采用平方包络谱分析方法对第132个风力发电机振动数据样本进行分析，结果如图5所示。由图5可知，在第132个采样时段，驱动端轴承的内圈故障特征频率fi、外圈故障特征频率fo及其二倍频分量2fo出现在平方包络谱中，说明风力发电机驱动端轴承此时已经出现了早期局部故障，由此验证了本实施例提供的基于概率分布切片化测度的旋转机械变转速状态监测方法在风力发电机状态监测中的有效性。
将当前较为常用的健康监测指标方法进行对比分析，结果如图6所示。
图中，a～h依次表示Kurtosis(峭度)、RMS(Root mean square，均方根)、Mobility(迁移率)、Average infogram、MFEn-IJRD(Multiscale fuzzy entropy improved Jensen-Rényi divergence，基于多尺度模糊熵的Jensen-Rényi散度)、KLDD(Kullback-Leiblerdistance of the distribution，概率分布的Kullback-Leibler距离)、DPDM(Directprobability distribution measure，直接概率分布度量)和本实施例。
由于转速波动的影响，对比指标在风力发电机正常运行阶段均出现了不同程度的波动，由此可能引起状态误报。而本实施例提供的基于概率分布切片化测度的旋转机械变转速状态监测方法通过转速信息切片以及基准弥合策略有效降低了指标波动，并且具有较好的退化趋势表征能力。
表1
为了验证上述不同方法对风力发电机早期故障的检测能力，选取前50个处于正常运行阶段的指标计算结果设置3σ阈值区间。早期故障初始点检测结果不同方法检测到的故障初始点对比如表1所示，可知本实施例所提供方法得到的故障初始点检测结果均早于对比方法，验证了其在风力发电机状态监测中的有效性。
在此基础上，为了更加客观地对不同方法的监测性能进行对比，采用受试者工作特征(Receiver operating characteristic，ROC)曲线进行量化分析，结果如图7所示。可知本实施例所提供方法通过变转速干扰抑制，能够在较低误报率条件下得到较高准确率的状态监测结果，为后续开展的基于健康监测指标的剩余使用寿命预测以及运行维护提供有利支撑。
Claims (10)
1.一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于，包括以下步骤：
1)采集旋转机械变转速条件下的运行状态数据；
2)采用算子迭代优化的多参数回归分析方法对健康阶段旋转机械的运行状态数据进行表征，得到旋转机械运行状态数据的概率分布模型；
3)针对健康阶段不同转速条件下得到的旋转机械运行状态数据概率分布，通过转速信息切片化以及能量最小化原则确定与转速信息关联的基准概率分布；
4)通过基准弥合策略降低与转速信息关联的基准概率分布之间的统计差异；
5)将当前时刻得到的旋转机械运行状态数据概率分布与对应条件下的基准概率分布进行对比分析，量化得到当前时刻概率分布的波动值；
6)通过对概率分布波动值进行分析，判断当前时刻旋转机械的运行状态。
2.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：步骤1)中，运行状态数据为旋转机械运行过程中的振动幅值；所述运行状态数据通过传感器采集。
3.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：所述旋转机械为发电机、汽轮机、离心式压缩机、水泵、水轮机、通风机或电动机。
4.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于，步骤2具体包括以下子步骤：
2.1)建立特征函数：
φ(t)＝exp{jδt-γ|t|α·[1+jβsgn(t)ω(t,α)]} (1)
式中，α为特征指数，β为对称参数，γ为尺度参数，δ为位置参数，j为虚数单位，ω(t,α)为变换函数，如式(2)所示；sgn(t)为阶跃函数，如式(3)所示；
2.2)对式(1)进行对数变换，得到式(4)；
log(-log|φ(t)|2)＝log(2γ)+αlog|t| (4)
2.3)构造算子y(t)＝log[-log|φ(t)|2]，并建立y(t)对ψ(t)＝log|t|的回归模型如式(5)所示；通过回归计算操作得出特征指数α和尺度参数γ；
yk(t)＝μ+αψk(t)+εk (5)
式中，μ＝log(2γ)，εk为第k次迭代后的误差项；
2.4)固定步骤2.3)中得到的特征指数α和尺度参数γ，构造线性算子z(u)＝g(u)+πk(u)，建立z(u)对u和sgn(u)|u|α的回归模型如式(6)所示；
式中，ηi为第i次迭代后的误差项，ui为实数，g(ui)为反正切函数，如式(7)所示；
g(ui)＝arctan{Im[φ(ui)]/Re[φ(ui)]} (7)
式中，Re[φ(ui)]为函数φ(ui)的实部；Im[φ(ui)]为函数φ(ui)的虚部；
2.5)采用式(8)对步骤2.3)中的回归分析操作进行迭代优化；采用式(9)对步骤2.4)中的回归分析进行迭代优化；
式中，λ为优化系数，p为迭代次数；
式中，ν为线性算子z(u)的优化系数，q为迭代次数；
2.6)得到优化后的特征参数集合如式(10)所示；利用逆傅里叶变换得到旋转机械运行状态数据的概率分布模型如式(11)所示；
Θ＝{α*,β*,γ*,δ*} (10)
式中，x为采集到的旋转机械运行状态数据。
5.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于，步骤3)具体包括以下子步骤：
3.1)通过转速信息切片化对旋转机械健康阶段的运行状态数据概率分布进行划分操作：
式中，ω(t)＝{ω1(t),ω2(t),…,ωq(t)}为不同采样周期内旋转机械的转速信息；
3.2)对于中处于同一转速下的旋转机械运行状态数据概率分布，通过式(13)中的能量最小化原则确定基准概率分布：
式中，N代表每一采样周期内的采样点数，m代表处于同一转速ωi(t)下的旋转机械运行状态数据样本数量。
6.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：步骤4)中，若当前转速ωj(t)下没有对应的基准概率分布，则建立旋转机械转速信息与基准概率分布特征参数之间的映射关系，并通过插值方法得到转速ωj(t)下对应的特征参数Θ，建立对应的基准概率分布。
7.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：步骤4)中，通过式(14)建立基准弥合策略，降低与转速信息关联的基准概率分布之间的统计差异；
式中，ωr(t)为初始参考转速，ωi(t)为当前采样周期转速，vr和vi分别代表两种运行状态下采集数据的有效值，Θr和Θi分别为对应的概率分布特征参数。
8.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于，步骤5)具体包括以下子步骤：
5.1)通过式(15)对当前时刻得到的概率分布与对应的基准概率分布进行平移变换操作；
Δμ＝μi-μB (15)
式中，μi为当前时刻概率分布的对称中心，μB为对应基准概率分布的对称中心；
5.2)对当前时刻得到的概率分布与对应的基准概率分布进行差异度量，得到当前时刻概率分布的波动值。
9.根据权利要求1所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：步骤6)中，对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
10.根据权利要求8所述的一种基于概率分布切片化测度的旋转机械变转速状态监测方法，其特征在于：步骤6)具体包括以下子步骤：
6.1)连续采集M个旋转机械平稳运行阶段的状态数据样本，利用公式(16)分别计算概率分布的波动值，在此基础上，计算M个概率分布波动值的均值和标准差，由此设置3σ阈值区间；
6.2)采集当前时刻旋转机械的运行状态数据，利用公式(16)计算概率分布的波动值，如果该概率分布波动值不超过设置的3σ阈值区间，则旋转机械运行状态为正常；否则运行状态为异常。
6.3)对判定为异常状态的旋转机械运行状态数据进行平方包络谱分析，若故障特征频率及其倍频成分出现，则确定旋转机械出现故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310452126.1A CN116680659A (zh) | 2023-04-25 | 2023-04-25 | 一种基于概率分布切片化测度的旋转机械变转速状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310452126.1A CN116680659A (zh) | 2023-04-25 | 2023-04-25 | 一种基于概率分布切片化测度的旋转机械变转速状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116680659A true CN116680659A (zh) | 2023-09-01 |
Family
ID=87788013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310452126.1A Pending CN116680659A (zh) | 2023-04-25 | 2023-04-25 | 一种基于概率分布切片化测度的旋转机械变转速状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680659A (zh) |
-
2023
- 2023-04-25 CN CN202310452126.1A patent/CN116680659A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10072635B2 (en) | Wind turbine and method for evaluating health state of blade thereof | |
| Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
| CN110849645B (zh) | 一种gis机械故障的初步诊断方法 | |
| CN111120388B (zh) | 一种风机状态联合监测方法及系统 | |
| CN115935243B (zh) | 一种基于数据处理的故障分析方法 | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
| CN111122191A (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
| CN110633686B (zh) | 一种基于振动信号数据驱动的设备转速识别方法 | |
| CN116680659A (zh) | 一种基于概率分布切片化测度的旋转机械变转速状态监测方法 | |
| CN116465627A (zh) | 机械设备故障监测系统 | |
| CN103149047A (zh) | 一种基于非线性混合模型的冷却塔声学诊断方法 | |
| CN113654651B (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
| Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| Baqqar et al. | Data mining for gearbox condition monitoring | |
| CN114383718A (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
| CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
| Wang et al. | An integrative computational method for gearbox diagnosis | |
| CN112364762B (zh) | 一种基于阶梯误差频谱特征的机械传动故障检测方法 | |
| CN117703688A (zh) | 一种基于幅值标准化统计分析的风力发电机变工况状态监测方法 | |
| CN115541231A (zh) | 一种基于冲击分量概率分布度量的旋转机械状态监测方法 | |
| CN113374654B (zh) | 一种检测风力发电机组叶片开裂的方法 | |
| Liu et al. | An enhanced filter method for rolling bearing fault diagnosis with variable speed condition | |
| CN109190287B (zh) | 一种面向时变工况的旋转机械运行稳定性在线监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |