[发明专利]一种移动式供热机组故障诊断方法

说明书

本发明公开了一种移动式供热机组故障诊断方法，属于设备故障诊断技术领域，包括如下步骤：S1、声音数据收集：基于声波传感器的非接触的方法对设备的信息进行采集；S2、故障微弱信号检测：采用运算量更轻量的小波包能量谱方法，较上述采用的机器学习、深度神经网络、最小熵的卷积等数学方法，在时间复杂度和空间复杂度上都更小。本发明能引入了非接触的方法对机组进行检测，避免了常规方法无法深入机组内部进行信号重构的弊端，可得到更多的连续的分离分解信号，并通过小波包和小波包能量谱方法增强故障特征，应用迁移学习方法推广不同种类的换、供热设备中，具有较强的应用价值和推广能力。

技术领域

本发明涉及设备故障诊断技术领域，尤其涉及一种移动式供热机组故障诊 断方法。

背景技术

1》该方法文献披露应用于刀具寿命检测：

[0]朱国奎,张敏良,朱鹤.基于铣削声音信号的刀具状态实验研究[J].轻工机械,2017,35(01):54-58+63.

[1]霍鹏程.基于切削加工中音频信号分析的刀具状态监测系统研究[D].上 海工程技术大学,2016.

[2]杨明伦.基于噪声辅助经验模态分解的铣削刀具破损监控方法的研究 [D].上海交通大学,2013.

[3]陈群涛.基于声振信号EMD和ICA的铣刀状态监测技术研究[D].上海交 通大学,2013.

[4]谢政,王敏,范伟,邵华.基于铣削噪声的刀具状态监测研究[J].工具技 术,2008(07):19-21.

2》本领域内文献公开情况：

[1]申博文,王华庆,唐刚,宋浏阳.基于MCKD与CEEMDAN的声信号故障特征 提取方法[J].复旦学报(自然科学版),2019(03):385-392+400.

[2]阮荣刚,李友荣,易灿灿,肖涵.改进的噪声总体集合经验模式分解方法在 轴承故障诊断中的应用[J].机械设计与制造,2019(01):153-157.

[3]于华森,黄民.滚动轴承声信号故障诊断[J].北京信息科技大学学报(自然 科学版),2018,33(06):72-76.

[4]陈甲华,邹树梁.基于噪声信号分析和HMM-SVM混合模型的乏燃料剪切 机故障诊断研究[J].核科学与工程,2018,38(05):825-832.

[5]曾荣.基于声信号的柴油机故障诊断应用系统研究[J].内燃机与配 件,2018(18):168-171.

区别：

1、文献1中采用了自适应噪声完备集合经验模态分解(CEEMDAN)和最大相 关峭度解卷积(MCKD)的滚动轴承故障诊断方法.运用最大相关峭度解卷积方法 增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计 算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以 准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断， 但上述需提前完成数学模型训练，使用过程中方法计算量巨大，不适宜移动设 备在嵌入式中使用。

2、文献2利用滤波器将声信号划分为不同频段的时域信号,利用峭度对载 荷和轴的转速不敏感,对故障冲击信号敏感的特点,确定故障冲击信号；通过包络 解调,把调制信号解调；通过自相关,明显得到冲击振动周期；通过功率谱密度,判 断出轴承损伤时的冲击频率。该方法只能判轴承故障，不能分辨故障类型，不 能报告故障已发生，不能在轴承滚子发生微小形变时，预判故障。

3、文献4对剪切机工作噪声信号通过三层小波包分解进行特征提取,构建 了HMM-SVM混合模型用于剪切机故障的智能诊断。该模型结合了隐马尔可夫 模型良好的动态建模能力和支持向量机良好的分类能力及小样本泛化能力强 的优点。但同样存在文献1中的计算量和预训练问题。