[发明专利]一种基于包络信息的设备故障特征提取方法

说明书

本发明公开了一种基于包络信息的设备故障特征提取方法，其包括以下步骤：检测获取旋转机械设备的振动数据；对获取的振动数据进行包络转换，得到振动数据的包络信息；对包络信息内的幅值序列和频率系列做归一化处理；对归一化后的幅值序列进行异常值检测；分别计算异常幅值剔除前后的幅值序列方差；计算异常幅值剔除前后的幅值序列方差比作为特征v₁，计算异常幅值对应频率的均值和中位值分别作为特征v₂和v₃，得到特征向量v＝{v₁,v₂,v₃}。本发明简单有效，提取到的特征具有较高的区分度，提高了计算机算法对特征进行识别的准确率和速度。

技术领域

本发明涉及振动信号分析领域，更详而言之涉及一种基于包络信息的设备故障特征提取方法。

背景技术

一般来说，旋转机械是指主要依靠旋转动作来完成特定功能的机械设备，例如汽轮机、电动机、风机等都是典型的旋转机械。由于旋转机械自身结构的特点，当旋转机械内部出现故障时，从旋转机械上采集到的振动信号会出现较为明显的异常。因此检测分析旋转机械的振动信号有利于旋转机械的故障预测性维护，对于潜在的故障，可以提前或在其恶化之前诊断发现，从而及时采取维护措施，合理安排检修和采购备品备件，避免设备的意外停机，提高设备有效作业率，延长设备的使用寿命。

振动数据的包络信息是设备振动数据经过包络函数转换后得到的频域信息，是傅里叶变换的一种应用。原始的振动数据是时域里的数据序列，经过包络变换得到频域里的数据序列，它包括两个长度相同的序列，分别是频率序列和对应的幅值序列。以包络信息中的频率序列和幅值序列分别作为横轴和纵轴绘制包络图，根据振动分析领域的理论知识，在正常设备的包络图中，幅值随频率的增加呈现比较平稳的下降趋势；而故障设备的包络图中，存在明显的异常幅值，这些异常幅值远超整体幅值平均水平，而且异常幅值对应的频率通常比较均匀地分布在横轴上。因此，包络图可以直观地显示出正常设备和故障设备的区别特征。

传统的工业设备预测性维护一般依靠人工分析完成，本领域技术人员根据行业理论和经验，可以从旋转机械振动数据的包络图中直观地识别出设备是否存在异常。但是随着设备状态数据量的快速增长，人工分析成本高，效率低等弊端日益突出。

随着大数据和机器学习技术的发展，智能分析技术应运而生。通过大数据处理技术和机器学习算法，可以让机器从海量的状态数据中学习和训练，训练得到的智能模型可以自动地对新的数据进行故障预测，极大地提高分析效率和准确率。本领域的技术人员可以直观地从包络图中识别正常设备和故障设备的包络信息特征，但是要让机器学习算法即计算机也能理解这些特征，则需要以数值的形式描述和提取这些特征。特征提取是机器学习算法的关键步骤之一，通常直接影响到算法最终的准确率，高质量的特征更容易得到高的准确率。

但是，传统的包络信息特征提取方法过于通用，逻辑较为简单，没有抓住故障特征和正常特征的本质，无法较为准确地对故障特征进行区分显示。另外，现有技术中还存在通过提取例如包络图像素灰度矩阵等图像特征的方法来提取包络信息特征，但是图像特征的维数较高，存在较多噪声信息，需要进行降维，由此大大增加了复杂度和计算量，导致特征提取的效率较低。

发明内容

本发明的目的在于提供一种基于包络信息的设备故障特征提取方法，简单有效，提取到的特征具有较高的区分度，提高了计算机算法对特征进行识别的准确率和速度。

为了实现上述目的，本发明提供一种基于包络信息的设备故障特征提取方法，其包括以下步骤：

(S1)检测获取旋转机械设备的振动数据；