[发明专利]一种GIS异常振动分析及机械故障诊断装置及方法

权利要求书

1.一种GIS异常振动分析与故障诊断装置，其特征在于，所述装置包括：压电加速度传感器、本地数据异常振动分析和故障诊断服务器、通信网络、远程预警监控终端，本地数据异常振动分析和故障诊断服务器包括数据采集卡和工控机；

所述压电加速度传感器经耦合剂附着在GIS外壳表面，将被测的振动物理量转换为模拟电信号，所述压电加速度传感器的输出端连接数据采集卡的信号输入端；

所述数据采集卡插接于所述工控机PCIe插槽，并将所述压电加速度传感器输出的模拟电信号经AD采样转换为数字信号送入所述工控机；

所述工控机执行异常振动分析及机械故障诊断程序，实现对振动数据的异常分析并诊断故障种类；同时，工控机也可存储振动数据、并通过所述通信网络与远程预警监控终端进行通信；

所述通信网络负责所述工控机与远程预警监控终端之间通信时的数据传输；可根据具体GIS设备的应用环境，选择有线通信网络或无线网络；

所述远程预警监控终端可根据具体应用需要选择计算机服务器或个人手持设备，可实现对远端GIS设备运行状况的查询或故障报警。

2.一种异常振动分析及机械故障诊断方法，其特征在于：异常振动分析及机械故障诊断方法采用权利要求1所述的GIS异常振动分析与故障诊断装置；首先，利用VMD方法对振动信号进行分解，得到各个模态分量；其次，构造振动信号的特征向量，即VMD能量熵和振动信号的均方根值，VMD能量熵可由VMD分解的各个模态分量能量值计算得到；最后采用人工智能训练算法(深度神经网络)训练故障诊断模式识别模型；训练故障诊断模式识别模块的训练样本集和测试集由振动信号特征向量组成。

3.根据权利要求2所述的一种异常振动分析及机械故障诊断方法，其特征在于：所述方法包括：

步骤201：振动信号x(t)的VMD分解；VMD分解是一种新的非递归信号分解方法，其将模态的估计转变为变分问题，通过在频率内不断搜索约束变分模型的最优解实现将信号自适应分解为各模态及其中心频率，最后各模态经傅立叶逆变换到时域；首先将每个模态重新定义为调频-调幅信号，如式(1)所示：

u_k(t)＝A_k(t)cos(φ_k(t)) (1)

其中，A_k(t)是u_k(t)的瞬时幅值，ω_k(t)是u_k(t)的瞬时频率；假设每个模态分量u_k(t)具有中心频率和有限带宽，约束条件为各模态之和等于输入信号x(t)，且每个模态分量的估计带宽之和最小，则对应的约束变分模型描述为如式(2)所示：

式中u_k＝{u₁,…,u_K}代表分解得到的K个有限带宽模态分量，ω_k＝{ω₁,…,ω_K}表示各模态分量的中心频率；为求取式(2)的最优解，引入扩展的Lagrange函数，将约束性变分问题变换为非约束性变分问题，其表达式如(3)所示；

式中，α为二次惩罚因子，用于保证信号的重构精度，λ为Lagrange乘子，使得约束条件保持严格性；

利用交替方向乘子算法求取上述Lagrange函数的鞍点，即约束变分模型的最优解，模态分量u_k及中心频率ω_k分别为：

式(5)中，ω＝ω-ω_k；

步骤202：构造振动信号特征向量；当GIS机械状态出现变化时，对应的振动信号各频段内所含的信息一定会产生变化，即分解所得的各个模态分量u_k将发生变化，并且故障信号的能量分布也会出现部分改变；构造的振动信号特征向量为VMD能量熵和振动信号的均方根值；

VMD能量熵定义为：

式中，H_E是VMD能量熵，P_k表示第k个模态分量u_k的能量在总能量中的比重；E_k为各分量的能量，E为K个分量的能量之和，E_k＝∑u_k(t)²；

振动信号的均方根值x_rms表示如下所示：

步骤203：故障诊断模式识别；在该步骤中采用人工智能训练算法(深度神经网络)训练故障诊断模式识别模型；训练故障诊断模式识别模块的训练样本集和测试集由振动信号特征向量组成。