一种基于回归模型系数变化的时域故障识别方法

摘要

本发明涉及一种基于回归模型系数变化的时域故障识别方法，该方法包括以下步骤：（1）构建参考特征向量：利用在正常运转的设备上测量的时域信号，提取一组由回归模型系数组成的参考特征向量；（2）构建待评估特征向量：当设备需要故障诊断时，按照步骤（1）相同方式，提取另一组由回归模型系数组成的待评估特征向量；（3）计算待评估特征向量与参考特征向量之间的差异程度，差异程度用向量距离来表示；（4）估算显著水平为时的限值；（5）比较并判断设备情况：将向量距离与限值比较，分析判断是否故障。本发明使用的方法计算代价小，可靠性高，适应性强。

主权项

1.一种基于回归模型系数变化的时域故障识别方法，其特征在于：该方法包括以下步骤：（1）构建参考特征向量：利用振动传感器，在正常运转的设备上测量一段时域振动信号作为参考信号，从中提取n组时间序列，对每组时间序列应用自回归模型，并取m阶模型系数构建参考特征向量，，则这n组数据组成的参考矩阵；（2）构建待评估特征向量：当设备需要故障诊断时，采用与获取参考信号相同的采样率，测量一段时域振动信号，从中提取k组时间序列，并利用步骤（1）中相同的回归模型进行预测，提取相同的m阶模型系数构建待评估特征向量，；（3）计算待评估特征向量与参考特征向量之间的差异程度：待评估特征向量与参考特征向量之间的差异程度用向量距离来表征，则k个待评估信号可计算出k个距离，；（4）根据蒙特卡洛法（Monte Carlo），估算显著水平为时的限值；（5）比较并判断设备情况：将向量距离与限值比较：对于马氏距离，如果（）的数目超过个，则判定发生故障，否则设备运转正常；对于欧氏距离，如果（）的数目超过个，则判定发生故障，否则设备运转正常。