[发明专利]基于元素影响度和置信规则库的旋转机械故障诊断方法

说明书

本发明提出基于元素影响度和置信规则库的旋转机械故障诊断方法，针对旋转机械异常振动特征与其发生故障种类之间呈现的复杂非线性映射关系，以及将所有特征数据用于建模时，大量对诊断结果影响度低的信息造成建模计算量大且实时性差等问题，故利用平均影响度(MIV)算法挑选并加权故障特征为模型输入，以旋转机械的故障类型为输出，构建置信规则库(BRB)模型，规则库中的多条或某条置信规则将被输入的振动特征数据不同程度的激活，结合证据推理算法融合被激活规则，从融合的后项置信结构中得出发生故障类型，同时给出潜在故障类型发生概率，并且模型参数物理意义明确，可解释性强，最后以旋转机械中基本的电机转子为例，验证所提方法的有效性。

技术领域

本发明涉及机械故障诊断技术领域，具体为基于元素影响度和置信规则库的旋转机械故障诊断方法。

背景技术

随着旋转机械运行速度越来越高、负载越来越大、自动化程度不断加强，加之其复杂的工业环境和长时间持续运行，设备一旦发生故障或任何损伤，将会直接影响其在工业应用中的运行，造成严重的经济损失和事故发生。因此，准确诊断出旋转机械设备故障，是保障其持续、稳定、安全运行的必要手段。旋转机械故障诊断的本质是通过诊断旋转机械中的转子系统、齿轮箱等异常辨别工况，由于旋转机械在高负载、长时间运行环境下，引起其发生故障因素较多，加之获取故障信号的传感器易受本身精度差异和环境噪声干扰，使得对其故障诊断具有不确定性、强随机性等特点，从而导致故障信号与故障类型之间存在很强的非线性关系。

实际工程中旋转机械经常工作在高负载、长时间运行等环境下，易出现转子不平衡、转子不对中、基座松动、连接器松动、齿轮缺齿等故障，并引发旋转机械不同程度的非线性振动。旋转机械异常振动特征与其发生故障种类之间非线性映射关系复杂；将所有特征数据用于建模时，大量对诊断结果影响度低的信息造成建模计算量大且实时性差。

发明内容

本发明提出了基于元素影响度和置信规则库的旋转机械故障诊断方法，可以监测机器情况，指导维修和保证机器正常运转。

本发明的技术方案如下：

基于元素影响度和置信规则库的旋转机械故障诊断方法，首先进行设备安装，包括在电机柔性转子试验台的转自支撑部位的不同方向上，安装多个频域振动加速度传感器，该方法包括，

步骤一，建立筛选模型，通过所述频域震动加速度传感器得到故障特征因子，并对其进行加权分配比重；

步骤二，分类故障类型，得到根据步骤一中所得模型，设置参考点，建立置信规则库，采用独热编码对其进行描述；

步骤三，设置置信规则库，筛选出故障特征的样本数据，以及筛选故障特征前项参考点和后项参考点，基于专家知识和历史数据构建初始置信规则库；

步骤四，执行故障诊断，根据步骤三所得的置信规则库，得到诊断结果；

步骤五，模型优化，基于独热编码和欧式距离进行模型参数优化。

作为进一步优化，设定电机转子的故障类型包括齿轮缺齿、连接器松动、基座松动、转子不对中、转子不平衡和正常运行，所述设备安装的准备步骤包括安装频域震动加速度传感器的个数为M。

作为进一步优化，计算机获取1X-3X倍频的频域幅值作为模型输入，在每个电机转子的故障类型下获取3个倍频的3×M个故障特征(c₁,c₂,…,c_3M)，

所述步骤一包括，根据与每种故障类型的相关性，从3×M个故障特征(c1,c2,…,c3M)中挑选相应的故障因子，并对所挑选的故障银子进行加权分配比重，从而得到筛选模型。

作为进一步优化，所述步骤一中，建立如下模型