[发明专利]一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法

说明书

技术领域

本发明涉及离心泵故障诊断和健康评估的技术领域，具体涉及一种基于小波能量、流形降维和动态时间规整(dynamictimewarping,DTW)的故障诊断与健康评估方法。

背景技术

离心泵广泛应用于电力、石油化工、冶金、机械等工业部门，是影响系统正常运转的关键部件。因此，对离心泵故障进行准确诊断，对离心泵健康状态进行有效评估，对于工业设备的稳定运行有着重要意义。由于离心泵在旋转过程中会产生振动，而不同状态下产生的振动信号强弱也不同，因此，基于振动信号的故障诊断和健康评估是目前广泛应用的方法。在实际应用中，离心泵的常见故障主要集中在轴承或叶轮，除了单一故障状态还常有混合故障状态存在，而可采集的振动信号往往具有很强的非线性非平稳特性，使得离心泵故障诊断和健康评估更加困难。离心泵故障诊断和健康评估的过程主要包括故障特征提取和故障或健康状态确定两方面。本发明方法旨在提取更具可分性的特征向量，以提高离心泵故障诊断的准确性和健康评估的有效性。

提取更具可分性故障特征的首要问题是如何处理非线性非平稳的轴承振动信号。单一的时域或频域分析方法在这种情况下是不适用的。小波变换是一种时频分析方法，对非线性非平稳的瞬态信号具有宽频响应的特点，在低频时，对频率的分辨率高而对时间的分辨率低，而在高频时，对频率的分辨率低而对时间的分辨率高。这个特点与实际振动信号低频时变化慢、高频时变化快的特点是一致的，因此小波变换对于振动信号的处理取得了很好的效果。小波包分析，在小波变换的基础上，可以将信号进行更为细致的分析和重构，对信号的低频和高频部分同时进行分解，比小波变换更有效地提取了信号的时频特征。因此，本发明中选用小波包分析对原始振动信号进行分解，以获取有效的信号时频特征。因为离心泵各种健康状态下的振动信号强度不同，经小波包分解后得到的各个频带对应的小波分量的能量也会不同，因此，可以提取各小波分量的能量值组成故障特征向量。但是，由此提取的特征向量往往是高维的，不能很有效地反映各故障状态特征间的差别，而且高维特征直接作为后续故障分类或健康评估算法的输入向量会大大增加其复杂度，因此，对高维特征进行降维很有必要。

2000年，Seung和Lee在《Science》上发表了一篇题为“TheManifoldwaysofperception”的论文，开启了流形学习的时代。从微分几何角度看，信号的有效部分往往分布在高维空间中的低维流形上，获取低维流形上的信号特征可以更好地反映故障信息。流形学习算法通过发现高维数据中的内在低维结构来实现对高维数据的降维。目前，流形学习已经得到了深入而广泛的应用与研究，形成了很多经典的方法。其应用范围涉及到人脸识别、视觉信息分析、手指静脉识别、模式识别等领域。本发明中对比了6种非线性降维方法的效果，包括核主成分分析(kernelprincipalcomponentanalysis，KPCA)方法、拉普拉斯特征映射(LaplacianEigenmaps，LE)方法、局部线性嵌入(locallinearembedding，LLE)方法、基于Hessian的LLE方法(HLLE)、局部切空间排列(localtangentspacealignment，LTSA)方法和线性局部切空间排列(linearlocaltangentspacealignment，LLTSA)方法。本发明方法通过流形学习方法降维，将高维的小波能量特征向量降为更具可分性、更简约稳定的特征向量。

对于故障诊断与健康评估，关键是准确地度量测试数据与样本数据之间的相似性。动态时间规整(dynamictimewarping,DTW)方法提出于1978年，最初是为了解决语音识别的问题。而后，作为一种模式匹配技术，DTW在很多其他领域得到了应用，如指纹验证、行为识别、在线签名验证、数据挖掘、计算机视觉和计算机动画、过程监测和故障诊断等。与其他模式匹配方法相比，DTW简单、容易，具有较好的实时能力。因此，本发明应用DTW方法度量待测状态下的特征数据与各状态样本特征数据之间的相似性，从而确定当前的故障状态或当前状态的健康度指标。

发明内容

本发明要解决技术问题为：克服现有技术的不足，提供一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，用以提取更具可分性的故障特征向量，并快速、准确地度量测试数据与训练数据之间的距离，从而确定当前的故障状态，评估当前状态的健康度指标，实现离心泵典型故障的诊断及健康评估。

本发明采用的技术方案为：一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，步骤如下：