[发明专利]一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法

说明书

技术领域

本发明属于旋转机械设备的基于状态维修（CBM）技术领域，具体涉及一种基于费希尔判别分析（FDA）与马氏距离（MD）相结合的旋转机械设备健康评估与故障诊断方法。

背景技术

装备系统中的旋转机械设备一旦发生故障和失效问题，将严重影响装备的可用度并对安全性、任务性和经济性造成影响。因此，如何合理地制定维护计划，防止设备和产品因故障而失效，已成为降低寿命周期费用、提高可用度的重要手段。而要保持设备和产品的稳定性，现在多采用周期性预防维修或者事后维修的方式，但这两种方式将出现维修不足或者过维修的情况并带来严重的经济损失。随着性能评估、故障诊断和故障预测等技术发展，新的观念是采用智能维护系统，不停地对设备的性能状态进行监测、预测和评估，并按需制定维护计划即基于状态的维修（CBM），以防止它们因故障而失效，从而提高装备的可用度，减少停机时间，降低备件库存、维护费用和安全风险。因此如何对旋转机械设备当前的健康状态进行评估，进而进行故障诊断，已成为目前设备综合健康管理的研究热点之一。

FDA是一种线性降维技术，在空间映射过程中把各类总体之间最大程度地分离。它确定了一系列的线性变换向量，这些向量是按照最大化类间离散度，同时最小化类内离散度的准则进行排列。选取最优的判别向量使得FISHER准则函数最大，则高维的数据空间可以沿着已获得的FISHER特征方向投影，从而实现了数据降维并将不同类别数据最大程度地分离。马氏距离表示数据的协方差距离，它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系并且是尺度无关的(SCALE-INVARIANT)，即独立于测量尺度。

目前，对于旋转机械的健康评估和故障诊断正处于起步阶段，而且大部分的现有评估方法都是在故障的特征识别的基础上对当前状态进行评估的。这种方法的关键之一在于需要有待评估设备的齐备的历史故障数据，因为只有通过比较当前状态与各种故障程度的历史特征模式才能实现健康状态评估。这类方法的本质就是状态的模式识别。然而，设备的历史故障数据往往较难获取，尤其是针对一些新安装使用的设备来说，根本没有历史故障数据，评估效果差、鲁棒性差，因此在实际工程中此方法的应用受到了很大的限制。

发明内容

本发明的目的是为了解决在进行旋转机械健康状态评估和故障诊断时，现有方法依赖于大量历史数据并且评估效果差、鲁棒性差的问题，提出一种基于费希尔判别分析与马氏距离相结合的旋转机械健康评估与故障诊断方法。

本发明是一种基于费希尔判别分析与马氏距离相结合的旋转机械健康评估与故障诊断方法，具体包括以下步骤：

步骤一、基于小波包分解提取能量特征向量：旋转机械设备正常信号和各类故障信号通常在各个高频段和低频段都有分布，而小波包分解在低频段和高频段都可以达到很精细的程度，因此非常适用于需同时提取低频和高频特征的信号分解。对小波包分解得到的各频带内的信号进行统计和分析，形成反映信号特征的频带能量指标。在旋转机械设备的正常工作状态和各类故障工作状态下，采集振动信号，并进行小波包分解从而提取能量特征向量样本。

步骤二、构建判别分析函数并进行健康状态评估：将每种工作状态（包括正常工作状态和各类故障工作状态）下所提取的能量特征向量样本组成训练集，用来进行FDA的学习，实现高维空间到低维空间的转换，并构建各判别总体（包括正常总体和各类故障总体）和判别分析函数。

将t时刻工作状态下采集到的实时振动信号进行小波包分解提取能量特征向量，结合判别分析函数，计算该能量特征向量与正常总体之间的马氏距离。通过对马氏距离的归一化，评估出设备在t时刻的健康度CV。

步骤四、对旋转机械设备进行故障检测：将t时刻工作状态下设备的健康度CV与设定的健康度阈值HT比较，若CV>HT，则设备运行状态良好，若CV≤HT，则设备存在故障，转入故障诊断。

步骤五、对旋转机械设备进行故障诊断：结合判别分析函数，计算t时刻工作状态下提取的能量特征向量与各类故障总体之间的马氏距离，通过对比，具有最小马氏距离的故障总体所表征的故障状态即可判定为当前的故障模式。

本发明的优点与积极效果在于：

（1）本发明构建了一个融合状态评估、故障检测和故障诊断的综合框架，解决了目前对旋转机械设备综合健康管理的热点问题，实现了旋转机械设备的智能维护；

（2）充分利用费希尔判别分析强大的降维处理能力和马氏距离直观的度量表征能力，进行健康状态评估与故障诊断，该方法原理简单明了，评估诊断效果显著；