[发明专利]一种基于小波-近似熵的风机故障诊断方法

说明书

本发明提出的一种基于小波‑近似熵的风机故障诊断方法，目的在于达到对运转中的风机进行在线检测、故障诊断和报警。本发明首先对主风机故障机理进行研究，分析风机常见的故障类型及征兆，确定能够反映风机故障的振动信号和声音信号，完成信号采集点的布置，实现对风机故障信号的采集，然后模拟风机典型故障，采集相应故障信号，进行小波‑近似熵分析，建立风机典型故障特征表采集实际工作中风机故障信号，建立小波‑近似熵模块进行风机故障特征提取，获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测，依据设定故障闽值，对风机未来工作状态进行准确预测与健康评估。

技术领域

本发明属于风机故障诊断领域，尤其是一种基于小波-近似熵的风机故障诊断方法。

背景技术

风机在我们日常生活中很常见，它在不同的应用环境中有着不同的职能，尤其在一些通风系统中起着至关重要的作用。如果风机不能稳定的工作甚至停止工作，那将会对整个系统产生很大的影响。因此及时的检测到风机的故障并进行诊断对整个控制系统是至关重要的。

由于类似风机的旋转机械设备日趋复杂化，并且与电力拖动和电气控制的耦合性不断增强，受刚度、摩擦力、阻尼等因素的影响，导致其信号形态的复杂性和多元化而呈现非平稳特性，有时甚至会出现混沌状态，用传统的方法和理论去刻画这种复杂性时越来越感到理论本身的局限性。目前类似风机的旋转机械故障诊断仍以振动信号的频域特征作为主要的故障征兆，包括功率谱估计、时频分析、轴心轨迹分析、全息谱分析、角域分析、分形维数分析。

分形理论作为非线性科学中的一门新理论，为此类信号分析提供了新方法。分形理论中分形维数是定量刻画混沌吸引子的一个重要参数，它广泛应用于系统非线性行为的定量描述中。如果系统发生故障，其吸引子就要发生变化，反映该吸引子复杂程度的分维数也要发生变化。20世纪90年代初由Pincus提出的近似熵(Approximate Entropy，ApEn)主要从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小，产生新模式的概率越大，序列的复杂性越大，相应的近似熵也越大。用近似熵来描述机械设备振动信号的不规则性和复杂性，通过比较同一设备在不同运行期间近似熵的相对变化，可以直接反映该设备在此期间运行状况。

本发明提出采用小波系数区域相关进行降噪，对信号进行区域系数相关处理，可得到较满意的滤噪结果，然后计算信号的近似熵。以此作为故障诊断的依据。

发明内容

本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警，提供一种设计合理并且具有良好稳态的一种基于小波-近似熵的风机故障诊断方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于小波-近似熵的风机故障诊断方法，包括以下步骤：

步骤1、首先，利用信号采集模块的振动传感器和声音传感器分别实现对风机的振动故障特征信号和声音故障特征信号的采集；

步骤2、采集相应故障信号后，然后利用小波降噪模块对所采集的信号进行降噪；

步骤3、然后将小波降噪后的信号用近似熵模块进行识别辨识处理，并依据故障类型的不同，进行处理和报警，最后将诊断结果传送到上位机中。

而且，上述的降噪处理过程为：

设有如下观测信号f(t)＝s(t)+n(t)，其中s(t)为原始信号，n(t)为方差为σ²的Gaussian白噪声，服从N(0，σ²)。直接从观测信号f(t)中把有用信号s(t)提取出来是十分困难的，必须借助于其他变换方法作为工具。传统的基于快速傅里叶变换(FFT)的频谱分析方法是振动信号分析中最常用的分析方法，但该方法仅适应于分析平稳信号。小波变换理论为信号的消噪提供了强有力的工具，克服了传统方法处理非平稳信号时存在的局限性，而且对白噪声的消除也表现出良好的效果。