[发明专利]一种基于多传感器数据融合的旋转设备故障特征提取方法

说明书

本发明公开了一种基于多传感器数据融合的旋转设备故障特征提取方法，包括：采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息；提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号及频域信号；将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。与现有技术相比，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性。并且还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。该方法不但在不降低频域分别率的情况下能够压制干扰，而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征信号，可有效发现更微小的故障隐患。

技术领域

本发明涉及旋转设备故障预测技术领域，具体涉及一种基于多传感器数据融合的旋转设备故障特征提取方法。

背景技术

依靠旋转完成特定功能的旋转类机械设备使用中，旋转部件转动的不平衡、位置不对中、磨损或者结构松动等微小故障会随着旋转设备的使用而逐渐严重，并可能使旋转设备产生连锁性地故障；为了避免故障进一步地严重和由此可能造成的连锁性故障，需要对旋转设备的工作状态进行监测及诊断，及时发现故障。

目前国内外对旋转设备的诊断分析主要针对振动信号，分析方法有：波形分析、频谱分析、时频分析、倒频谱分析、时间序列分析等，这些分析方法将时域信息、频率幅值信息、频域相位信息分离。这些传统的分析方法不仅忽略了不同维度的振动信息的关联性，往往也忽略了振动之外的，和设备故障相关的噪声、温度等其他信息。这样不仅不能反映旋转设备故障因素的全貌，甚至会发生严重的歪曲和误判。

因此，如何保证用于分析的数据能够反映旋转设备故障因素的全貌，提高故障预测的准确性，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题包括：如何保证用于分析的数据能够反映旋转设备故障因素的全貌，提高故障预测的准确性。

本发明采用了如下的技术方案：

一种基于多传感器数据融合的旋转设备故障特征提取方法，包括：

S1、采集待测旋转设备的三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息；

S2、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号；

S3、提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号；

S4、将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。

优选地，所述时域信号包括三轴振动位移、三轴振动加速度、噪声及温度的均值、均方值、均方根值、方差、标准差、概率密度函数、概率分布函数。

优选地，所述频域信号包括三轴振动位移、三轴振动加速度及噪声的频率幅值及频率相位。

优选地，步骤S1与步骤S2之间还包括，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

优选地，待测旋转设备处于不同工作状态时，采用不同的滤波方法。

优选地，对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波的方法包括：

利用设置在待测旋转设备上的磁场传感器的输出信号计算待测旋转设备的转速；

基于转速判断待测旋转设备的工作状态，工作状态包括停止工作、匀速工作、变速工作；

当待测旋转设备处于匀速工作状态时采用维纳滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波，否则，采用卡尔曼滤波对三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息进行滤波。

优选地，所述基于多传感器数据融合的旋转设备故障特征提取方法还包括：

S5、将故障特征输入训练后的多参数决策树对待测旋转设备进行故障预测。