[发明专利]旋转机械的故障诊断方法及旋转机械的故障诊断装置

说明书

本发明公开一种旋转机械的故障诊断方法，包括：获取旋转机械的故障振动信号；基于集合经验模态分解方法对故障振动信号进行分解以获得分解振动信号；基于分解振动信号获得分解振动信号的复杂度信息；对复杂度信息进行处理以生成分解振动信号的特征信息；基于预设算法对特征信息进行分析以获得与故障振动信号对应的故障信息；基于故障信息对正常振动信号进行诊断以获得故障诊断结果。本发明还公开一种旋转机械的故障诊断装置。通过集合经验模态分解方法对旋转机械的故障振动信号进行分解和智能学习以快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。

技术领域

本发明涉及自动控制领域，具体地涉及一种旋转机械的故障诊断方法及一种旋转机械的故障诊断装置。

背景技术

随着现代工业技术的不断发展，工业规模的不断增大，大型工业机械应用于各种工业场景成为行业普遍现场，例如在许多流程工业行业中，大型旋转机械设备被广泛引用以支持整个工艺流程的正常、高速运转。

由于大型旋转机械是许多流程工业的关键设备，因此它们是否能够正常运行关系到整个工艺流程的正常运转，因此对其进行振动分析与故障诊断具有重要意义。而大型旋转机械设备，例如汽轮机或离心压缩机等大型机械往往由多个组件构成，其结构复杂，激励源多，振动信号尤其是故障信号往往具有非平稳性。

在现有技术中，经验模式分解(Empirical Mode Decomposition,EMD)方法可以对非平稳信号进行分析，因此在行业内获得了广泛的应用，但EMD方法存在模式混淆的情况，甚至产生虚假的分析结果，因此其分析精度不高，无法满足更高的检测进度需求。

进一步地，近似熵(Approximate Entropy,ApEn)是一种度量信号复杂性的非线性特征指标，可以度量信号变化时信号中产生新模式的概率大小，由于其计算所需要的数据量少，且能够包含更多信息，因此被广泛应用于生物时间序列分析、电力及机械故障诊断等领域，然而该方法依然存在无法快速获取故障诊断结果、故障诊断可视性差等缺点，无法满足旋转设备的故障诊断需求。

发明内容

为了克服现有技术中旋转机械的故障诊断精度差、诊断结果获取慢以及故障诊断可视性差的技术问题，本发明实施例提供一种旋转机械的故障诊断方法及旋转机械的故障诊断装置，通过基于集合经验模态分解方法对旋转机械的振动信号进行分解，从而获得旋转设备更精确的振动信息，然后基于智能学习算法对振动信号的复杂度信息进行分析，从而快速获取旋转设备的故障信息，且获取过程可视性强，提升了故障诊断的精确性，加快了故障诊断速度，增强了故障诊断的可视性，提升了用户体验。

为了实现上述目的，本发明实施例提供一种旋转机械的故障诊断方法，所述故障诊断方法包括：获取所述旋转机械的故障振动信号；基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号；基于所述分解振动信号获得所述分解振动信号的复杂度信息；对所述复杂度信息进行处理以生成所述分解振动信号的特征信息；基于预设算法对所述特征信息进行分析，以获得与所述故障振动信号对应的故障信息；基于所述故障信息对正常振动信号进行诊断，以获得故障诊断结果。

优选地，所述基于集合经验模态分解方法对所述故障振动信号进行分解，以获得分解振动信号，包括：根据所述故障振动信号，获得所述旋转机械的振动位移信号；基于集合经验模态分解方法对所述振动位移信号进行分解，以获得所述振动位移信号的多层基本模式分量；提取所述多层基本模式分量中的前五层基本模式分量作为所述分解振动信号。

优选地，所述基于所述分解振动信号获得所述分解振动信号的复杂度信息，包括：基于所述分解振动信号获得所述旋转机械的故障敏感振动信号；将所述故障敏感振动信号的近似熵作为所述分解振动信号的复杂度信息。