[发明专利]一种基于信息熵的旋转机械振动故障诊断方法及其系统

说明书

本申请公开了一种基于信息熵的旋转机械振动故障诊断方法及其系统，其中，基于信息熵的旋转机械振动故障诊断方法包括如下步骤：获取旋转机械的振动数据；利用振动数据构建多维时间序列矩阵，并对该多维时间序列矩阵进行处理从而获得时域信号矩阵；对时域信号矩阵中的每个元素进行处理，得到幅值谱矩阵和功率谱矩阵；对各类矩阵中的每一个序列进行信息熵计算，并通过信息熵的值反映旋转机械的状态；其中，各类矩阵包括：时域信号矩阵、幅值谱矩阵和功率谱矩阵；各类矩阵中的每个元素均为一个序列。本申请具有给出设备的故障特征而且能对其进行量化估计，实现机械故障在定性和定量两方面的精准判断的技术效果。

技术领域

本申请涉及数字处理技术领域，特别涉及一种基于信息熵的旋转机械振动故障诊断方法及其系统。

背景技术

设备的振动信息能够反映设备的运行状态。现有的设备健康状态评估与故障诊断方法主要是基于振动的时域信号、频域信号和时频域信号等信息，但此类信息未能全面反映设备的运行状态。使用振动传感器得到离散时间序列的振动信号，该振动信号作为反映设备运行状态的一条信息，信息熵是在各种谱的基础上提炼出熵值，以此反映该信息的混乱程度，是一种非线性估计方法。

在设备处于正常状态时，振动信号的频域信息熵集中在设备的工作频率附近，设备的频域信息熵较小；当设备出现故障时，设备作为一个系统向着无序化的方向发展，系统的不确定性会增加，表现在设备的能量由于故障而被分散到不同的频段内，导致频域的信息熵增加。

旋转机械的传统状态监测及分析方法包括时域分析、频域分析、时频域分析等方法，此类方法均是先通过不同的分析手段提取振动数据的特征值，比较提取的特征量和标准信号的特征量，如果两者相差不大，则认为设备运行良好，否则认为运行状态较差。该类方法对识别平稳信号中的故障特征具有较好的表现，但在实际的应用中具有一定的局限性，其原因如下：首先，处于实际工况的旋转机械产生的振动信号具有一定的非平稳性，信号的该特性造成传统分析方法对故障分析结果具有一定的偏差。其次，传统分析方法对采样时刻、样本大小、采样频率等都有特殊要求，导致其对不同时刻的同一振动信号样本的分析结果不尽相同。最后，当故障引起的振动信号比较微弱时，传统分析方法的准确度较低，有时无法准确检测到设备的故障特征。

在工业生产的不同领域，不同的机械故障类型时有发生，且在故障的不同阶段，设备的健康状态处于不同的层级，传统的故障诊断方法只能定性的分析出故障特征，不能给指出该故障所处的阶段，且传统的故障诊断方法不能处理非线性或非平稳信号。

发明内容

本申请提供一种基于信息熵的旋转机械振动故障诊断方法，包括如下步骤：获取旋转机械的振动数据；利用振动数据构建多维时间序列矩阵，并对该多维时间序列矩阵进行处理从而获得时域信号矩阵；对时域信号矩阵中的每个元素进行处理，得到幅值谱矩阵和功率谱矩阵；对各类矩阵中的每一个序列进行信息熵计算，并通过信息熵的值反映旋转机械的状态；其中，各类矩阵包括：时域信号矩阵、幅值谱矩阵和功率谱矩阵；各类矩阵中的每个元素均为一个序列。

如上的，其中，利用振动数据构建多维时间序列矩阵，并对该多维时间序列矩阵进行处理从而获得时域信号矩阵的子步骤包括：利用振动数据构建多维时间序列矩阵；对多维时间序列矩阵进行分割，获取所有方向的时间子序列矩阵；利用所有方向的时间子序列矩阵构成时域信号矩阵。

如上的，其中，多维时间序列矩阵的表达式如下：

其中，X_i,j(t)为多维时间序列矩阵；i表示传感器测量的方向，取值范围为i＝1,2,3，其中i＝1表示旋转机械的径向方向d_r，i＝2表示旋转机械的切向方向d_t，i＝3表示旋转机械的轴向方向d_s；N为正整数，表示总采样次数；j表示任意一个采样数据；t表示时域。