[发明专利]机械零部件故障诊断系统

说明书

本发明公开了一种机械零部件故障诊断系统，状态辨识矩阵构建模块用于获得用于机械零部件检测信号的模式识别的辨识矩阵；状态辨识矩阵构建模块采用方差分析方法计算因素显著性，基于此重构用于待判别检测信号模式识别的最终状态辨识矩阵，这可以消除非显著因素的影响，提高后续模式识别的准确性，也使得计算更为简便，便于实现。

技术领域

本发明涉及自动化检测技术，特别设计一种机械零部件故障诊断系统。

背景技术

工业生产和日常生活领域中，机械零部件的磨损或损伤诊断是关系到生命和生产安全的重要问题。为了保证设备的正常运行，目前通常采用定期检修的方式，但是对于故障率较低的情况，定期检修增加了成本，而对于故障率较高的情况，很可能出现维修不足，在某些场合将造成严重的经济损失。在此背景下，故障诊断技术应运而生，通过对设备信号的监测可以在不停机的情况下分析设备零部件运行状态，降低运行过程中的风险和检修成本。

在实际运行过程中，设备零部件的监测信号往往呈现明显的非线性非平稳特征，难以直接用于分析，需要将其分解为多个平稳信号，不同信号分解后，分量个数可能出现差异，在此情况下，由不同信号提取的信号特征数目也将不同，这会导致信号特征不能用于故障模式识别。中国发明专利授权说明书CN102854015B中公开了信号分解后分量个数不同时的解决办法：首先确定不同信号分解后分量的最大个数n，小于n的补充零向量以保证分量个数一致。但是由于增加了无关元素，不仅会导致后续故障诊断效率的降低，同时更为严重的问题是：由于补充的为相同的零元素向量，降低了样本间的差异，在对信号模式识别的过程中会增加误判率。

信号特征的提取是故障模式识别的前提，但是某些信号特征并不是故障模式识别的关键因素，将信号特征中的非关键因素剔除后用于故障模式识别，能够提高故障模式识别效率和诊断准确率。中国发明专利授权说明书CN103674511B中公开了采用田口方法对信号特征进行约减，其中采用信噪比作为指标，判断某一信号特征是否应该剔除，但是实际信号的信噪比难以获得，需要估计噪声方差和有用信号能量，估计的结果误差较高，若要提高估计准确度，需要大量的样本进行估计，但是大量的故障样本往往难以获得，同时这将极大增加信号采集的工作量。

根据信号的特征信息，可以进行模式识别，判断信号背后的机械零部件的健康程度。K-近邻法(KNN)是一种非参数识别方法，不需要事先确定样本先验概率和类条件概率密度函数，因此也并不需要大量样本用于训练。中国发明专利授权说明书CN103488561B采用KNN方法进行故障检测。但是KNN方法中近邻个数K的选取具有主观性，不同的K值选取可能会导致不同的模式识别结果，影响判断的准确性；同时也没有考虑误判之后所造成损失的差异。

发明内容

本发明要解决的技术问题是提供一种机械零部件故障诊断系统，能提高模式识别的准确性，也使便于实现。

为解决上述技术问题，本发明提供的机械零部件故障诊断系统，其包括状态辨识矩阵构建模块；

所述状态辨识矩阵构建模块，用于获得用于机械零部件检测信号的模式识别的辨识矩阵；

所述状态辨识矩阵构建模块，工作过程如下：

首先，构建e个样本检测信号的特征矩阵；e为大于1的正整数，e个样本检测信号包括至少一个正常样本检测信号及至少一个故障样本检测信号；一个样本检测信号的特征矩阵A_mn的(i,j)元a_ij表示该个样本检测信号的一种平稳信号分量的第j个平稳信号分量的第i个时域幅值，m为正整数，i为1到m的整数,j为1到n的整数，n为检测信号的该种平稳信号分量的分析用分量个数；

然后分别对e个样本检测信号的特征矩阵进行奇异值分解或广义特征值计算，分别获得e个样本检测信号的特征矩阵的奇异值向量或广义特征值向量，由e个样本检测信号的奇异值向量或广义特征值向量构成初始状态辨识矩阵；