[发明专利]一种基于概率密度函数的旋转机械健康状态评估方法

说明书

技术领域

本发明属于机械装备的性能退化评估领域，具体涉及一种基于核密度估计和K-L散度等统计学方法以实现旋转机械的健康状态评估。

背景技术

旋转机械广泛应用于大型制造系统和重要技术装备中，例如数控机床、风力发电机、航空航天发动机等。在这些制造系统和装备中，滚动轴承、齿轮等旋转机械中的关键部件发挥着重要作用，但是旋转机械零件在运转中需要承受交变的机械应力和偶然冲击，加上本身固有的制造误差，经常会产生一些早期缺陷(如：轻度磨损、点蚀等)。如果这些缺陷不及时诊断发现，就会随着时间的推移不断恶化，最终导致系统失效，带来巨大的财产损失。对于现代化大型复杂旋转机械设备，尽管可以通过改善设计、制造工艺来提高零部件的质量，但仍然不能完全避免故障的发生。健康状态评估和故障诊断已经成为保障旋转机械装备正常运转和预防故障发生的重要技术手段。通过这两种技术的结合，可以尽早地发现设备运行过程中的早期故障，从而通过对早期故障加以隔离，避免设备的突发性失效和意外停机。健康状态评估的首要工作是利用先进的传感和监测技术，对关键零部件及系统进行状态监测。为了监测旋转机械设备的健康状况，需要对该设备的运行状态进行准确地评估，然后根据评估结果制定合理的维修计划。使用敏感的健康指标探测机械设备异常状态和正常状态的分界点或分界面，不但有助于预防机械产品发生严重的功能失效，而且可以避免灾难性失效引起的巨额财产损失。在旋转机械健康状态评估中，选择合适的健康评估指标和建立健康状态评估模型尤为重要。

基于数据驱动的健康状态评估和故障诊断方法是近年来逐渐兴起的一种新技术，计算机技术的快速发展使得大数据并行高速计算变得非常容易，推动了依靠大量数据分析的健康评估技术的发展。从应用的角度看，基于数据驱动的健康状态评估和故障诊断方法比基于物理模型的方法更为切实可行，这是由于数据采集通常要比精确建立物理模型更加容易。除此之外，基于数据驱动的健康评估方法还有两个明显的优点：一是该类方法更容易实现自动化评估，这与现代工业的智能化发展是切合的；二是该类方法不需要太多参数设置和专家经验知识，所以具有一定的稳健性。一般来说，一种数据驱动的健康评估方法应包括数据获取、特征提取、特征选择或特征变换、选择评估指标及设计评估模型、评估结果输出五个步骤。其中，评估指标的选择及评估模型的设计是该类方法的关键。

目前，现有的基于数据驱动的健康评估方法大多都是建立在数据融合的基础上，然后通过一些比较成熟的机器学习等智能技术进行回归预测，当选取的健康评估指标达到预先设定的阈值时，则认为所监测的对象发生故障或者达到失效状态。例如，基于支持向量机(Support Vector Machine,SVM)的健康状态评估方法，基于人工神经网络(Artificial Neural Network,ANN)的健康状态评估方法等。然而由于噪声测量误差等对有效振动信号的污染，使得回归及分类问题存在一定的不确定性，进而导致了结果误差较大，即很难找到一个恰当的超平面使得所有样本落在允许的较小误差带范围内。

由以上常用方法得到的分类及回归预测结果误差较大的原因与它们的训练过程的原理有关。现有的健康状态评估方法往往忽略了样本间的统计信息和关联信息，而统计信息对于随机信号处理是极为关键的，即对于正确分类及回归预测很有帮助。目前，国内外从样本统计性角度开展的智能故障诊断方法的研究还非常有限。

发明内容

本发明的目的是为了从原始样本中提取更加全面、有效的统计学信息，从而提高回归预测的准确率和推广能力，提出一种基于概率密度函数的旋转机械健康状态评估方法。

本发明利用核密度估计(Kernel Density Estimation，KDE)和K-L散度(Kullback-Leibler Divergence)两种统计学工具实现健康状态的评估。因而本发明一种基于概率密度函数的旋转机械健康状态评估方法，包括如下步骤：

步骤1：采集被监测对象的原始振动数据；

步骤2：从步骤1中得到的原始振动数据中提取多个的时域和频域特征，获得时域特征集和频域特征集；

步骤3：对步骤2中得到的时域和频域特征集进行降维处理获得敏感特征，并且计算这些敏感特征的贡献率，然后获得贡献率向量；

步骤4：采集被监测对象每一个时刻的原始振动数据为一个样本，使用一个窗宽为k的移动滑动窗来动态地选定样本集，即落入滑动窗的k个样本构成一个样本集合，计算获得样本集合的统计特性；

步骤5：利用核密度估计方法，计算各个样本集关于步骤3中提取的敏感特征下的概率密度函数；