[发明专利]一种旋转机械复合故障诊断方法

说明书

技术领域

本发明涉及故障诊断技术领域，具体是一种旋转机械复合故障诊断方法。

背景技术

随着旋转机械设备复杂性的不断提高，人们对其可靠性与安全性也提出了更高的要求。通过故障诊断技术对机械的健康状态进行分析，判断出发生故障的类型，为设备进行及时有效地维护和健康管理提供了科学依据。

在旋转机械故障诊断研究中，通常采用时域或频域分析方法对振动监测数据进行故障诊断。然而旋转机械在发生故障时，振动监测信号往往存在大量的非线性、随机、不可遍历的信息，给故障信号的分析带来很大的困难。考虑到振动时域信号是最基本、最原始的信号，如果能够直接通过这类时域信号提取故障特征，进行故障诊断，对于保持信号的基本特征将非常有利。在时域分析中，能较好的反映故障信息的就是振动信号的概率密度函数。通过振动信号的概率密度函数，目前已经衍生出了幅值域中得有量纲指标(如均值、均方根值等)和无量纲指标(如波形指标、裕度指标、脉冲指标等)。在实际中，有量纲指标虽然对故障特征敏感，其数值会随着故障的发展而上升，但也会因工作条件(如负载、转速等)的变化而变化，并极易受干扰的影响，给工程应用带来一定的困难。相比之下，无量纲指标对于振动监测信号中的扰动不敏感，性能较为稳定。特别地，这些无量纲指标对信号的幅值和频率的变化不敏感，即与机器的工作条件关系不大。因此，无量纲指标在旋转机械故障诊断中得到了广泛的应用。在无量纲指标中，峭度指标和脉冲指标对冲击型故障比较敏感，尤其是在故障发生早期，大幅值的脉冲比较少，其他指标值增加不多，而峭度指标和脉冲指标值上升比较快，因此这两个指标对于旋转机械的早期故障比较敏感。然而实际工况下，由于旋转机械等大型设备结构和工艺上的复杂性，往往发生的是复合故障，即设备的故障是多个单一故障并发的结果。现有的相关研究主要集中在对单一故障的处理，而对于复合故障的诊断研究仍处于初级阶段，相关的研究也非常缺乏，现有的诊断方法对这一问题难以处理。其主要难点是：通过振动监测数据计算得到的各个无量纲指标对应的故障范围之间存在很大的重合，即正常状态的无量纲指标的范围和故障状态的无量纲指标范围难以严格区分，从而造成诊断结果的不确定性。这个难点很大程度上增加了应用现有故障诊断方法去解决这些问题的复杂性和难度。要想解决这个问题，就要求应用一种有效的方法对不确定性信息可以进行合理的、系统的、灵活的处理。

发明内容

为了解决前面分析的问题，实现旋转机械复合故障的准确诊断，本发明提供一种旋转机械复合故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

1、无量纲指标

早期的故障诊断技术多为基于有量纲的分析研究，如方根幅值、平均幅值、均方根值和峰值的分析，这些指标易受机械载荷和转速的影响。而无量纲指标具有对幅值和频率变化

不敏感的特性，与机器的运动条件无关，因此在故障诊断中得到了广泛应用。无量纲指标只依赖于概率密度函数，是一种较好的诊断参数，其参数定义为：

式中：x代表振动幅值；p(x)代表振动幅值的概率密度函数。

若l＝2,m＝1，则有波形指标

若l→∞,m＝1，则有脉冲指标

若l→∞,则有裕度指标

若l→∞,m＝2，则有峰值指标

此外，峭度指标为

2、贝叶斯判别方法

所谓判别方法就是对空间的一种划分，一种划分对应一种判别方法，不同的划分就是不同的判别方法。贝叶斯的统计思想总是假定对研究的对象已有一定的认识，常用先验概率分布来描述这种认识；然后抽取一个样本，用样本来修正已有的认识(先验概率分布)，得到后验概率分布。各种统计推断都通过后验概率分布来进行，将贝叶斯思想用于判别分析就得到贝叶斯判别法。贝叶斯判别方法是通过计算得出属于某一类的概率，具有最大概率的类便是该对象所属的类。一般情况下在贝叶斯分类中所有的属性都潜在地起作用，即所有的属性都参与分类。