CN109211548A - 一种机械故障诊断方法 - Google Patents

Abstract

一种机械故障诊断方法，其步骤为：(1)信号预处理；(2)信号幅值域参数计算；(3)对工况异常的设备进行具体分析；(4)趋势分析；(5)智能预测设备运行趋势曲线。本发明用优化的滤波算法对信号进行预处理，相比于一般的故障诊断软件，信号的信噪比得到显著提高，采用改进的故障特征提取算法提取故障特征，相比于一般的故障诊断软件，故障特征提取的精度得到显著提高；能够对设备的历史趋势进行分析，帮助提高故障诊断的精度，能够对设备的残余寿命进行智能预测。

Description

一种机械故障诊断方法

技术领域

本发明涉及监控技术领域，尤其涉及一种机械故障诊断方法。

背景技术

现代企业中生产设备日趋大型化、连续化、高速化和自动化，这也成为现代大型企业生产的主要特征，工业技术发展的同时也对工业生产过程的安全性与可靠性提出更高的要求，特别是在国民经济支柱产业中更是如此。如航空、航天、石油、电力等行业中对于生产过程的安全性要求异常严格，如果不预防生产设备的故障则一旦发生生产事故将会造成极大的经济损失，甚至会导致人员的伤亡与环境的污染。这在世界范围内时有发生，如1979年美国三里岛核电站由于设备故障导致核物质泄露，不仅造成几十亿美元的经济损失而且因为环境的污染引起公民的抗议；1984年印度博帕尔农药厂因生产设备故障导致了毒气泄露，除了经济损失外更造成了两千多人死亡和二十多万人受伤。

除了当设备故障时会造成生产事故引起的巨大损失外，设备发生故障造成设备的损坏而需要的维修费也是一笔巨额费用。与此同时，现代工业生产设备往往结构复杂，如果按照通常的维修方法把机械拆开检查不但会浪费大量的时间同样也会产生高昂的维修费用。因此不管是从设备故障引起生产事故所造成的损失来看还是从维修设备造成的巨大损失与维修的复杂性来看都需要进行一次设备维修方式的变革。

现代设备故障诊断技术最早是由于航空航天的需要，自上世纪六十年代初于美国发展起来的。此后，英国、德国、瑞典、日本等国家也相继开始故障诊断技术的研究，并取得了显著的成效。经过30余年得发展，机械故障诊断已经由最初的航空、航天等军工企业扩展到民用领域，从简单的检测手段发展为多学科和技术相交叉的边缘学科，计算机技术和网络技术也在故障诊断中得到了广泛应用并极大的促进了故障诊断的发展。

旋转机械的种类繁多，如减速机、汽轮机、燃气轮机、水轮机、发电机、航空发动机、离心压缩机等设备，一般都是电力、石油、石化、冶金、机械、航空以及一些军事工业部门的关键设备。旋转机械故障诊断经过不断的发展，已经形成了许多故障诊断技术，一般常用的故障诊断技术有以下几种：

振动诊断法

振动诊断法以设备的运行状态中的加速度信号、速度信号、位移信号等为检测目标，进行特征量分析、谱分析和时频域分析。其中时频域分析是最为成熟的振动分析方法，绝大多数转子的故障信息都能够在振动信号的时域、频域分析中发现，因此振动信号分析是旋转机械故障诊断的主要手段。

温度分析法

许多机械设备的运行状态与温度有关，因此根据机械设备和周围环境温度的变化，可以识别***的运行状态的变化。温度诊断法也是故障诊断最早使用的一种方法。现在工业中温度测量主要采用热电阻、热电偶测温传感器，近年来红外测温技术逐渐发展起来，在未来将会有越来越广泛的应用。

油液分析技术

油液分析技术以光谱分析和铁谱分析为代表，利用各种常规、简易、精密或中和的润滑油分析仪器和方法，对润滑油的理化性质特别是其内所含的机械磨损碎屑以及其他微粒进行定性定量的测量，从而得到有关零部件的磨损状态、机器工作情况以及***污染程度等方面的重要信息。

声学诊断法

声学诊断法以噪声、声阻、超声声发射为检测目标，进行声级、声强、声源、声场、声谱分析。超声波诊断法、声发射诊断法应用较为广泛。近年来，机械噪声盲源分离技术(Blind Source Separation)逐渐应用发展起来，声学与诊断在故障诊断中的作用将会不断加强。

目前故障诊断***的实施过程中，信号在线检测，一般就是采用合适的传感器将机械运行中的完整信号采集下来，然后用信号处理方法作为工具，对采集到的振动信号进行处理，把反映故障的特征信息和与故障无关的特征信息分离开，找到工况状态与特征量的关系，判断工况状态是正常还是异常。但直接对采集到的信号进行分析，没有采用相关的信号预处理方法，其中的噪声等干扰严重影响信号特征提取精度，而且信号的特征分析方法精度有限，由于目前的信号特征分析方法主要是时域分析方法和以傅里叶变换为基础的信号频域分析方法。以傅里叶变换为基础的频域分析方法只适用于平稳信号，而现场的振动信号为非平稳的且含有大量噪声的信号，这就使得信号的特征提取精度很难得到提高；另外，只能对设备的工况进行监测，实现简单的报警功能，无法对设备的运行趋势做出分析，更不能够通过相关参数的计算来进行精度较高的设备运行趋势分析。

发明内容

本发明为解决上述问题提供，提供了一种机械故障诊断方法，该方法通过改进的故障特征提取算法，结合相关的时域参数计算方法、时域分析方法，实现相关参数的历史趋势的分析，通过相关参数的历史趋势分析可以实现对设备工况的预判，采用智能学习算法对设备的剩余寿命进行智能预测。

本发明所采取的技术方案：

一种机械故障诊断方法，其步骤为：

(1)信号预处理：由于采集到的振动信号中不可避免的含有噪声，首先对采集到的振动信号进行降噪预处理，通过IIR滤波器进行滤波，降低噪声对信号的干扰，提高信噪比；

(2)信号幅值域参数计算：对预处理后的信号进行幅值域相关参数的计算，以实现设备工况的预警，进而判断设备的运行状态是否正常；

(3)对工况异常的设备进行具体分析：通过计算设备振动信号的故障特征频率，判断出故障设备的故障位置、故障类型；

(4)趋势分析：计算振动信号的峭度、烈度、峰值，对计算得到的相关参数进行趋势分析，分析设备的总体运行状态，确认设备的故障严重程度；

(5)智能预测设备运行趋势曲线：通过计算得到设备的振动信号和噪声信号的ARMA模型，并依靠迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，采用智能预测算法对设备的剩余寿命进行预测，从而为相关的技术人员提供参考，帮助制定设备的检修、维护计划。

所述的IIR滤波器为巴特沃斯滤波器、切比雪夫滤波器、反切比雪夫滤波器、椭圆滤波器和贝塞尔滤波器中的一种。

所述的幅值域相关参数包括：均方根值、平均值、波形指标、脉冲指标、裕度指标、峰值指标、最大振幅、峭度指标。

所述的故障特征频率包括FFT幅值谱、功率谱、倒频谱、包络谱、共振解调谱。

所述的设备的剩余寿命预测通过振动烈度参数变化趋势图和振动烈度曲线预测结果展示。

所述的信号预处理根据设备的不同工况、采集到的振动信号的不同选择合适的滤波算法。

所述的振动信号ARMA模型：

式中第一项是趋势项，第二项是周期项，其余项为ARMA(p,q)部分，其中ARMA(p,q)模型：

所述的迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，为需要预测得出的滤波器权向量，权向量的迭代公式为：其中e(t)为误差因子，k(t)为Kalman增益向量，k(t)根据以下公式求得：

P(t)＝λ^-1P(t-1)-λ^-1k(t)x^T(t)P(t-1)。

本发明的有益效果：本发明先用IIR滤波器对信号进行预处理，相比于一般的故障诊断软件，信号的信噪比得到显著提高，采用改进的故障特征提取算法提取故障特征，相比于一般的故障诊断软件，故障特征提取的精度得到显著提高；能够对设备的历史趋势进行分析，帮助提高故障诊断的精度，能够对设备的残余寿命进行智能预测。

附图说明

图1为本发明的算法流程示意图。

具体实施方式

一种机械故障诊断方法，其步骤为：

(1)信号预处理：由于现在采集到的振动信号中不可避免的含有噪声，首先对采集到的振动信号进行降噪预处理，通过IIR滤波器进行滤波，降低噪声对信号的干扰，提高信噪比；

(2)信号幅值域参数计算：对预处理后的信号进行幅值域相关参数的计算，以实现设备工况的预警，进而判断设备的运行状态是否正常，该***可以计算出设备的运行参数并做出预警；

(3)对工况异常的设备进行具体分析：通过计算设备振动信号的故障特征频率，判断出故障设备的故障位置、故障类型；

(4)趋势分析：计算振动信号的峭度、烈度、峰值，对计算得到的相关参数进行趋势分析，分析设备的总体运行状态，确认设备的故障严重程度；

(5)智能预测设备运行趋势曲线：通过计算得到设备的振动信号和噪声信号的ARMA模型，并依靠迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，采用智能预测算法对设备的剩余寿命进行预测，从而为相关的技术人员提供参考，帮助制定设备的检修、维护计划。

所述的IIR滤波器为巴特沃斯滤波器、切比雪夫滤波器、反切比雪夫滤波器、椭圆滤波器和贝塞尔滤波器中的一种。

所述的幅值域相关参数包括：均方根值、平均值、波形指标、脉冲指标、裕度指标、峰值指标、最大振幅、峭度指标。

所述的故障特征频率包括FFT幅值谱、功率谱、倒频谱、包络谱、共振解调谱。

所述的设备的剩余寿命预测通过振动烈度参数变化趋势图和振动烈度曲线预测结果展示。

所述的信号预处理根据设备的不同工况、采集到的振动信号的不同选择合适的滤波算法。

所述的信号预处理根据设备的不同工况、采集到的振动信号的不同选择合适的滤波算法。

所述的振动信号ARMA模型：

式中第一项是趋势项，第二项是周期项，其余项为ARMA(p,q)部分，其中ARMA(p,q)模型：

所述的迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，为需要预测得出的滤波器权向量，权向量的迭代公式为：

其中e(t)为误差因子，k(t)为Kalman增益向量，k(t)根据以下公式求得：

P(t)＝λ^-1P(t-1)-λ^-1k(t)x^T(t)P(t-1)。

以下将结合具体实施例对本发明进行说明：

首先对采集到的振动信号进行降噪预处理，降低噪声对信号的干扰，提高信噪比，通过选择分析文件的存储路径加载文件后，可以根据信号分析需求设置不同的滤波器类型、阶数、截止频率及通带、阻带衰减等关键参数，信号数据输入滤波器后，依据设置的参数对数据进行逐点计算，达到滤除数据中特定频率成分或提取特定频率成分的目的；然后根据滤波处理后的信号计算出相应的时域统计参数并可以针对各个参数设置不同阈值，当计算参数高于或低于设置的阈值时，进行设备预警提示；计算滤波处理后的振动信号，将采集的时域信息转换到频域，从而提取设备的故障特征频率，并根据这些特征频率判断出故障设备的故障位置、故障类型，SKF6205深沟球轴承，在包络谱中外圈故障频率108hz，计算滤波处理后的振动信号的峭度、烈度、峰值等参数，并提取这些参数随时间变换的规律，对相关参数进行趋势分析，可以此掌握设备总体运行状态的变化情况，SKF6205深沟球轴承的峭度值一般在3左右，根据偏离这个值得程度判断故障的严重程度，通过计算得到设备的振动信号和噪声信号的ARMA模型，并依靠迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，采用智能预测算法对设备的剩余寿命进行较为准确的预测，振动故障序列为含有趋势项及周期项的非平稳随机序列，可由时间序列的经典分解式表示：

X_t＝m_t+s_t+Y_t

式中：m_t是缓慢变化的趋势项；s_t是已知周期为d的函数，称为周期项；Y_t为平稳随机噪声项，在建立时间序列ARMA模型之前必须对动态数据进行必要的预处理，即——剔除趋势项与周期项，并对剔除趋势项与周期项的噪声项的基本统计特征进行检验，以确保所建立的时间序列ARMA模型的可靠性和置信度。剔除时间序列的经典分解式X_t＝m_t+s_t+Y_t中的趋势项和周期项，采用S1法，其中EY_t＝0，s_t,d＝s_t及所以趋势项的无偏估计为

周期项s_t的估计则由下式给出：

式中g为周期的个数，并满足第j个周期第k点估计的噪声项为

对剔除趋势项与周期项的随机噪声项，采用近似为一个零均值的平稳时间序列，以满足序列建立ARMA模型的条件，如果仍然不能够满足时间序列建立模型的条件，可以根据S3法反复作用差分算子使随机噪声项尽可能地趋近为零均值的平稳时间序列。我们可以用下面的ARMA(p,q)模型来描述：y_t+φ₁y_t-1+Λ+φ_py_t-p＝a_t+θ₁a_t-1+Λ+θ_qa_t-q

式中：p和q分别是自回归部分和滑动平均部分的阶数；φ_i(i＝1,2,Λ,p)，θ_j(j＝1,2,Λ,q)分别是自回归系数和滑动平均系数；t＝1,2,Λ，为白噪声序列，σ_a为白噪声方差。故ARMA(p,q)模型有p+q+1个未知参数。如果要确定这些未知参数，必须首先确定模型的阶次，即p和q值。辨识模型阶数有多重准则，如AIC准则、BIC准则。

根据准则确定未知参数φ_i、θ_j及至此，可对随机噪声项建立如下的ARMA(p,q)模型：

综上所述，得到振动信号预测模型

式中第一项是趋势项，第二项是周期项，其余项为ARMA(p,q)部分。由于式综合考虑了时间序列的周期项、趋势项及随机噪声项特征，因此具有较好的拟合精度和外推预测性能。

迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，递归最小二乘(RLS)算法是一种自适应递归算法，以其收敛速度快、信号非平稳适应性好、具有快速的跟踪能力等优点被广泛应用于自适应预测识别、预测、过滤等方面。设为需要预测得出的滤波器权向量，则在RLS算法中，权向量的迭代公式为：

其中e(t)为误差因子，k(t)为Kalman增益向量。假设在离散点t时，x(t)为输入信号，y(t)为经过信道受到噪声干扰后的输出信号，为经过信道受到噪声干扰后的期望输出信号，n(t)是均值为零且方差为σ²的白噪声，P(t)为协方差矩阵，则误差因子e(t)和Kalman增益向量k(t)可以根据以下公式求得：

P(t)＝λ^-1P(t-1)-λ^-1k(t)x^T(t)P(t-1)

通过ARMA(p,q)模型中的一维数组进行迭代可以求出即得到需要的估计结果。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种机械故障诊断方法，其特征在于，诊断方法步骤为：

(1)信号预处理：由于采集到的振动信号中不可避免的含有噪声，首先对采集到的振动信号进行降噪预处理，通过IIR滤波器进行滤波，降低噪声对信号的干扰，提高信噪比；

(2)信号幅值域参数计算：对预处理后的信号进行幅值域相关参数的计算，以实现设备工况的预警，进而判断设备的运行状态是否正常；

(3)对工况异常的设备进行具体分析：通过计算设备振动信号的故障特征频率，判断出故障设备的故障位置、故障类型；

(4)趋势分析：计算振动信号的峭度、烈度、峰值，对计算得到的相关参数进行趋势分析，分析设备的总体运行状态，确认设备的故障严重程度；

(5)智能预测设备运行趋势曲线：通过计算得到设备的振动信号和噪声信号的ARMA模型，并依靠迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，采用智能预测算法对设备的剩余寿命进行预测，从而为相关的技术人员提供参考，帮助制定设备的检修、维护计划。

2.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的IIR滤波器为巴特沃斯滤波器、切比雪夫滤波器、反切比雪夫滤波器、椭圆滤波器和贝塞尔滤波器中的一种。

3.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的幅值域相关参数包括：均方根值、平均值、波形指标、脉冲指标、裕度指标、峰值指标、最大振幅、峭度指标。

4.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的故障特征频率包括FFT幅值谱、功率谱、倒频谱、包络谱、共振解调谱。

5.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的设备的剩余寿命预测通过振动烈度参数变化趋势图和振动烈度曲线预测结果展示。

6.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的信号预处理根据设备的不同工况、采集到的振动信号的不同选择合适的滤波算法。

7.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的振动信号ARMA模型：

式中第一项是趋势项，第二项是周期项，其余项为ARMA(p,q)部分，其中ARMA(p,q)模型：

8.根据权利要求1所述的机械故障诊断方法，其特征在于，所述的迭代最小二乘法即RLS方法对设备的运行趋势进行智能预测，为需要预测得出的滤波器权向量，权向量的迭代公式为：其中e(t)为误差因子，k(t)为Kalman增益向量，k(t)根据以下公式求得：

P(t)＝λ^-1P(t-1)-λ^-1k(t)x^T(t)P(t-1)。