[发明专利]机械设备状态的智能可视化监测与诊断方法

说明书

技术领域

本发明涉及的是一种机械工程技术领域的方法，具体是一种机械设备状态的智能可视化监测与诊断方法。

背景技术

基于状态的设备维护是一种新兴的设备维护技术，它在识别设备状态的基础上实施适当的维护，不仅能够有效避免设备故障的发生，同时还能够降低维护成本。因此，基于状态的设备维护在机械设备维护领域被广泛应用。设备状态识别的一般路径是在所关心设备上安装传感器，采集相应的信号，通过对信号的分析获取设备状态信息，在此基础上结合先验的诊断知识确定设备状态。其中，广泛被采集和分析的信号有压力、流量、振动、电流、应变等。传统的设备状态识别方法通过分析采集信号的频谱图、时频图等可视化的谱分析技术来诊断设备状态。但这种方式对设备维护人员专业素质要求较高。因此，自动化的设备状态智能诊断方法也被广泛采纳。但是，智能诊断方法往往又缺乏人的灵活性。此外，在实际诊断应用中，设备的故障样本信号获取比较困难，使得智能化的诊断方法的应用受限，并对未知的设备故障容易产生误诊断的情况。因此，一种能够结合自动化智能诊断方法，并能够充分利用人在诊断过程中灵活性的诊断方式呼之欲出。如果能够可视化地显现一种机械设备状态分布图，并能够将当前采集到的信号在机械设备状态分布图上定位，使得人能够从图中直观读出设备状态及其变化过程，即：实现机械设备状态监测及诊断的可视化，这无疑是一种很好的诊断方式。

经对现有文献的检索发现，中国专利公开号为：CN101699359A，名称为：故障状态监测的可视化方法，该技术通过合成特征矢量在二维平面内的位置不同来标识设备状态的变化。其不足在于：特征参量必须为离散的状态值，不适合数据形式为时间序列的波形信号；且合成矢量位置的语义不明，仍需要维护人员根据专业知识判断设备状态。

又经检索发现，雷文平在文献“旋转机械故障可视化和预测方法的研究(硕士学位论文)”中提出了基于自组织映射实现对旋转机械故障的可视化诊断，但此方法仅是自组织映射型神经网络在故障诊断中的简单应用，没有进一步探讨波形信号中信号分析及特征提取的问题，也不能抵抗工况条件变化对诊断结果的干扰。

经检索还发现，Abhinav Saxena在文献“Fault Diagnosis in Rotating MechanicalSystems Using Self-Organizing Maps(采用自组织映射型神经网络的旋转机械故障诊断)”中针对波形信号在提取若干简单特征值的基础上基于自组织映射型神经网络诊断旋转机械故障，但是此方法同样不能克服工况变化对采集信号的影响。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种机械设备状态的智能可视化监测与诊断方法。本发明能够有效克服工况变化对设备状态监测及诊断的干扰，同时，能够实现对设备诊断能力自我完善。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，构造初始设备状态字典，并建立初始设备状态分布图。

所述的构造初始设备状态字典，包括以下步骤：

1)采集若干设备状态下的历史样本数据，采用字典学习方法，分别从每种设备状态下的历史样本数据中学习一个单设备状态子字典；

所述的字典学习方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，则采用基于标准稀疏编码模型的字典学习方法；否则，采用基于时不变稀疏编码模型的字典学习方法。

2)所有的单设备状态子字典构成初始设备状态字典。

所述的建立初始设备状态分布图，包括以下步骤：

1)基于建立的初始设备状态字典，采用稀疏求解方法，得到设备的所有历史样本数据的稀疏表示；

所述的稀疏求解方法，是：当设备的历史样本数据中的统计结构特征在数据块内出现的位置具有一致性时，则采用基于标准稀疏编码模型的稀疏求解方法；否则，采用基于时不变稀疏编码模型的稀疏求解方法。

2)从设备的所有历史样本数据的稀疏表示中提取稀疏特征值；

所述的稀疏特征值，是设备状态字典中基函数在稀疏表示中的激活次数，或者是设备状态字典中基函数在稀疏表示中的系数的平方和，或者是设备状态字典中基函数在稀疏表示中的系数的绝对值和。

3)通过训练自组织映射型神经网络构造出U型矩阵图(U-Matrix)，并根据不同机械设备状态下的稀疏特征值与U型矩阵图上节点的距离测度用RGB颜色对节点进行渲染，且根据历史样本数据的稀疏特征值所代表的不同设备状态对U型矩阵图上的节点进行标注，该U型矩阵图就是初始设备状态分布图。