[发明专利]旋转类机械早期故障预警分析方法

权利要求书

1.用于旋转类机械早期故障预警分析的方法，包括以下步骤：

一、状态学习

旋转类机器运转状态包括稳态运行、加速运行、减速运行、变工况运行；在不同的运转状态下，机器所表现出的特征值是不同的；

(1)选择自学习开始触发的方式，包括内部触发和外部触发；所述外部触发由外部给定变换工况信号，所述内部触发包括：内部工况运行时间变换信号，或其它工况变换特征的变换；

(2)选择振动传感器的监控通道数量、采样频率，以及编码器脉冲当量，编码器监控通道；通过辅助监控传感器采集辅助监控信息，所述辅助监控信息包括扭矩、温度、压力、流量信号；辅助监控信息作为后续故障分析时的辅助判定指标，帮助使用者快速寻找故障原因；

(3)选择自学习的机器特征参数，所述机器特征参数包括均值、均方根、峭度、绝对阶次趋势指数、相对阶次趋势谱、小波能量谱、时间序列谱；

(4)系统开始运行后，自动采集振动传感器、编码器的数据信号，以及来自辅助监控传感器的数据信号；

(5)系统采集振动传感器和编码器数据信号后，对数据信号进行滤波，根据步骤(3)中需要学习的机器特征参数，对数据信号进行计算；每个工况采集的样本数不少于50组样本，对各组样本数据进行计算，剔除异常参数，对各组样本计算的特征参数去均值，作为后续的监控指标，保存在数据文件中；

(6)系统自学习结束后，自动切换到监控状态，开始对机器进行实时监控；

二、状态监控

(7)参数初始化：进入状态监控时，先对监控参数进行初始化，监控参数为自学习的机器特征参数，系统将各监控参数清空置零；

(8)读取自学习参考值：系统将自学阶段保存的机器特征参数读取到内存空间中，避免每次将监控值与之相比较时都需要从数据文件中读取，提高系统运行效率；

(9)自学习参考值容差比选择：自学习阶段学习的机器特征参数是机器当前的状态，后续的监控值与之比较时，需要给出一定的分布区间，系统对均值、均方根、峭度、绝对阶次趋势指数、小波能量谱给出了上限比较区间，选择容差比，该容差比与上述参数求积，即可得到上限值；系统对相对阶次谱趋势和时间序列谱给出了上限和下限比较区间，选择上限容差比和下限容差比，该容差比与上述参数求积，即得到上限值和下限值；

(10)进行实时监控：进入实时监控阶段，系统自动实时采集振动传感器、编码器以及辅助监控传感器的数据，并进行相应滤波降噪处理；

(11)监控值比较：系统将实时采集的振动传感器和编码器数据，计算机器特征参数，并与步骤(9)中得到的自学习阶段机器特征参数的容差范围进行比较，如果监控值超出容差范围，则发出报警，如果没有则表明系统正常；

所述自学习机器特征参数采用统计学原理，学习不同工况下对应的各种数字处理方法的特征参数；

系统对每次出现的故障数据进行累积，逐渐形成庞大的专家诊断数据库；所述编码器的脉冲分辨率高达2¹⁸；

系统的状态监控参数，主要为振动信号和转速信号，以振动信号为基础的主要监控指标包括：

绝对阶次谱趋势指数故障识别：对于转速不稳定的旋转机械，采用阶次分析法，对信号进行频谱分析；将等时采样转换为等角域采样的频谱分析法即为阶次分析法，此时的频谱即为阶次谱，其横坐标为阶次；

阶次O＝波动次数/转数，

最大分析阶次Omax＝Z/2， Z为编码器每转脉冲，

阶次分辨率△O＝Z/L， L为采样点，

频率f＝n×O/60， n为转速，

绝对阶次谱趋势指数是在系统自学习阶段，通过对振动数据进行阶次分析，对每条谱线进行统计，计算每条谱线的上下偏差，形成容差界线，在后续实时监控中，将上下偏差界线中每条谱线与实际谱线进行求差，得出变化谱线，对谱线取绝对值求和，即可得到绝对阶次谱趋势指数，将其与自学习中得到的上下谱线差值绝对值的和进行比较，如果绝对阶次谱趋势指数超出报警限值，则发出报警；

相对阶次趋势谱故障识别：相对阶次趋势谱是在系统自学习阶段，通过对振动数据进行阶次分析，对每条谱线进行统计，计算每条谱线的上下偏差，形成容差界线，在后续实时监控中，将实时计算得到的阶次谱线与容差曲线比较，得到每条谱线细节信息，反应出机器的细节故障；

归一化小波包能量谱故障识别：由于小波包对信号进行分解后，对于不同的工况下的信号不具备可比性，将小波包分解到每个频带里的信号进行能量计算，并进行归一化处理，在软件中以直方图的形式进行显示；归一化能量处理后，能量直方图中明显地看到各频带内的信号能量变化，当出现异常故障时，能量会出现波动，超出自学习统计限值，系统自动发出报警。