一种复杂设备声学故障识别定位方法

摘要

本发明公开了一种复杂设备声学故障识别定位方法，包括：对分布式设备监测网络中单传感器振动信号进行数据预处理和故障特征提取；以类内类间距离作为遗传算法的评价函数，优化选取对故障敏感的特征参量；通过训练正常类样本集，建立基于支持向量数据描述的单值分类器模型进行初始故障识别；依据不同测点故障分类器的输出信息构造证据的基本概率指派函数，采用证据组合规则合成证据集，做出决策结果。本发明提供一种振动信息层级式融合的设备声学故障识别定位方法，采用多特征综合分析的模式识别技术，充分利用了不同测点振动信息，具有较强的泛化能力，解决了因设备结构复杂而难以建立精确数学建模进行故障识别定位的问题。

主权项

一种复杂设备声学故障识别定位方法，其特征在于包括以下步骤：步骤一、利用时域统计、频谱分析、小波变换方法，对复杂设备周围不同测点的原始振动信号进行数据预处理，构造出相对完备的声学故障特征空间；(1)利用统计方法提取复杂设备的时域振动特征量，包括峰值、峰峰值、平均幅值、方根幅值的有量纲参数，以及脉冲指标、裕度指标、峭度、波形指标、峰值指标的无量纲参数；(2)对振动信号做频谱分析，依据设备转速确定它的基频和倍频，提取基频带和倍频带上能量和幅值作为频域故障特征，消除由于转速波动对特征提取产生的影响；(3)采用Symlets小波基，对设备的振动信号进行多层小波包分解，用分解得到的各频带信号能量占信号总能量的比例系数作为时‑频域故障特征，表征设备运行状态；(4)依据步骤一中(1)、(2)提取的时域、频域、时‑频域小波包特征，合并组成完备的测点声学故障特征向量F＝{f_i}，i＝1，2，...，l，f_i表示特征向量中第i个故障特征；步骤二、建立基于改进遗传算法的特征优化算法，包括：编码，初始种群生成，适应度函数计算，选择、交叉和停止准则，从原始故障特征空间中选取对故障敏感的特征量；(1)采用二进制串方式编码，将原始解空间中的特征数据通过一定方式映射到基因型空间，实现每种特征选择方案与遗传个体一一对应，若某位为1，表示该特征被选中；(2)依据单特征的故障可分度作为种群中对应个体特征位的选择概率，指导种群的初始化，故障特征f的可分离性评价准则是$w\left(f_i\right)=\frac{|{\mu }_m\left(f_i\right)-{\mu }_n\left(f_i\right)|}{{\sigma }_m^2\left(f_i\right)+{\sigma }_n^2\left(f_i\right)},f_i\in F---\left(1\right)$其中，μ_m(·)、分别表示第m类样本的均值向量和方差，μ_m(f_i)、表示m类样本的均值向量和方差在第f_i维方向的分量，μ_n(f_i)、表示n类样本的均值向量和方差在第f_i维方向的分量，w(f)值愈大，特征f区分旋转设备工作模式i和j的能力愈强；依据式(1)，可得各故障特征可分离性向量w＝[w(f₁)，w(f₂)，...，w(f_l)]，并根据进行归一化，得到特征区分故障模式的可分离性向量w′；(3)采用类间散布矩阵S_b和类内散布矩阵S_ψ的迹的比值，评价多故障特征子集H作用下的类可分离性，构造遗传算法的适应度函数J(H)：$\left\{\begin{array}{c}J\left(H\right)=tr\left(S_b\right)/tr\left(S_{\psi }\right)\\ S_b={\Sigma }_{j=1}^M{p}_i{(m_j-m)}^T(m_j-m)\\ S_{\psi }={\Sigma }_{j=1}^M\frac{p_j}{N_j}{\Sigma }_{k=1}^{N_j}{(x_k^{\left(j\right)}-m_j)}^T(x_k^{\left(j\right)}-m_j)\end{array}\right.---\left(2\right)$其中，tr(·)表示矩阵的迹，即方阵主对角元素之和，为第j类模式第K个样本的特征向量，N_j为第j类模式包含的样本数量，M为故障的类别数，p_j为第j类样本的先验概率，其值等于第j类样本数与总样本数的比值；(4)不断改变候选特征子集输入至适应度评价函数J(H)，在群中选出生命力强或适应度高的个体产生新群体；采用随机设定交叉位置方式，从种群中选出一定数量个体进行随机组队，并以迭代次数作为停止准则，迭代次数取50‑500；步骤三、以优化特征向量作为输入，建立基于支持向量数据描述的单值设备故障分类器，对复杂设备的状态进行初始故障识别；(1)通过训练正常类样本数据集，建立一个封闭而紧凑的最小特征超球体来描述设备的正常状态，具体方法是：该超球面由球面中心a和半径R所决定，为了提高算法的鲁棒性，即允许在超球面内部包含非目标样本数据，引入松弛变量ξ和惩罚参数C，定义结构风险为：$\left\{\begin{array}{cc}\min & F(R,a)=R^2+C\underset{i}{\Sigma }{\xi }_i\\ s.t.& \left|\right|x_i-a|{|}^2\le R^2+{\xi }_k\\ & {\xi }_i\ge 0,(i=1,2,...,l)\end{array}\right.---\left(3\right)$其中，x_i为第i个样本的特征向量；引入拉格朗日乘子α_i、β_i，化简以后得到最终的优化问题：$L(R,a,{\alpha }_i,{\beta }_i)=R^2+C\underset{i}{\Sigma }{\xi }_i-\underset{i}{\Sigma }{\alpha }_i(R^2+{\xi }_i-||x_i-a|{|}^2)-\underset{i}{\Sigma }{\beta }_i{\xi }_i---\left(4\right)$求出使L达到最小值的α_i，超球体内的点为目标样本数据，位于边界上的点为支撑超球体的支持向量，超球体之外的点为非目标样本，超球体的中心及半径分别为：$\{\begin{array}{c}a={\Sigma }_i{\alpha }_i{x}_{{\mathrm{sv}}_i}\\ R=(x_{{\mathrm{sv}}_c}·x_{{\mathrm{sv}}_c})-2{\Sigma }_i{\alpha }_i(x_{{\mathrm{sv}}_i}·x_{{\mathrm{sv}}_c})+{\Sigma }_i{\Sigma }_j{\alpha }_i{\alpha }_j(x_{{\mathrm{sv}}_i}·x_{{\mathrm{sv}}_j})\end{array}---\left(5\right)$求得R，a后，对于待测样本点z，根据如下决策函数判别该点所属类别：f_SVDD(z，a，R)＝I(||z‑a||²≤R²)＝I((z·z)‑2∑_ia_i(z·x_i)+∑_i，ja_ia_j(x_i·x_i)≤R²) (6)其中，I为指示函数，此处A指命题，若A为真，则判定为正常，若A为假，则判定为故障；(2)采用结构形式简单、计算量较小的高斯径向基函数作为核函数，其中核宽度参数s的选取原则是：作为训练模型，超球面空间需要能够代表隶属于某一范围之内的数据样本，并不希望对该范围作太严格的限制，s取值能够使得超球体空间稳定，并避免产生过多的支持向量约束状态空间；随着C的减小，超球体外面所包含的非目标样本点数量逐渐增加，超球体的体积逐渐减小，形状更为紧凑，需要结合复杂设备不同测点的振动特点来设定；(3)将待测样本的故障特征向量输入至建立的故障分类器模型，依据待测样本至超球体中心的核空间相对距离识别设备的工作状态；步骤四、以设备不同测点处故障分类器的初始识别信息作为独立证据源，依据单值分类器的输出的核空间相对距离信息，客观构造证据的基本概率指派函数，采用证据组合规则合成证据集，做出最终决策。