[发明专利]一种基于无量纲指标的旋转机械故障诊断方法

说明书

技术领域

本技术方案涉及一种数据处理方法，具体地说是旋转机械故障诊断方法。

背景技术

大型旋转机械设备(如汽轮机、旋转轴承、风机、压缩机等)是石油、化工、冶金、机械制造、航空航天等重要工程领域的关键设备，旋转机械设备朝着大型化、集中化、自动化、连续化、精密化的方向不断发展，要求这些设备的安全性和可靠性更高。

但是，石化旋转机械设备发生故障时，振动监测信号往往存在大量的非线性、随机、不可遍历的信息，因此给故障信号的分析带来很大的困难。

现有技术往往利用石化旋转机械设备振动信号的概率密度函数，推导出了幅值域中的有量纲指标、无量纲指标，有量纲指标如均值、均方根值等；无量纲指标如波形指标、裕度指标、脉冲指标等。

在实际应用中，有量纲指标对故障特征敏感，其数值会随着故障的发展而上升，同时因工作条件，如负载、转速等的变化而变化，并极易受干扰的影响，表现不够稳定。

无量纲指标对于振动监测信号中的扰动不敏感，性能较为稳定。特别地，这些无量纲指标对信号的幅值和频率的变化不敏感，即与机器的工作条件关系不大。因此，无量纲指标在旋转机械故障诊断中得到了广泛的应用。

在无量纲指标中，脉冲指标和峭度指标对冲击型故障比较敏感，尤其是在故障发生早期，大幅值的脉冲比较少，其他指标值增加不多，而峭度指标和脉冲指标值上升比较快，这样导致故障的区间范围较大，难以确定故障。

要想解决上述问题，就要求应用一种有效的方法对不确定性信息可以进行合理的、系统的、灵活的处理。但是，在实际的信息融合系统中，由于自然环境干扰或人为干扰等原因，常会导致传感器提供的证据体之间的相互冲突。因此，当证据之间存在高度冲突时，实现证据之间的有效融合是一个亟待需要解决的问题。

发明内容

本发明要解决的技术问题是提供一种基于无量纲指标的旋转机械故障诊断方法，本技术方案通过用无量纲指标、K-S、D-S相结合的旋转机械故障证据合成诊断方法，可以大量提取故障信号特征值，使用K-S方法获得更加可靠的实现旋转机械故障证据合成诊断，使用融合出更加可靠和合理的结果，降低决策风险。

为解决上述技术问题，本发明采用以下技术方案：

一种基于无量纲指标的旋转机械故障诊断方法，包含以下步骤：

(1)从石化旋转机组的传感器上实时的采集故障类型信号数据；

(2)对采集到的信号数据进行无量纲指标计算，得到波形指标S_f、峰值指标C_f、脉冲指标I_f、裕度指标CL_f和峭度指标K_v；

(3)对(2)得到的数据进行采样处理，得到1024个样本值，形成数据集；

(4)利用Kolmogorov-Smirnov检验方法；在(3)的数据集中任意选择一个样本值作为待测样本，使用matlab中的kstest2函数比较待测样本与已知数据集的相似度，从而得到基本信任函数；

(5)利用基于权重系数与冲突概率重新分配的证据合成方法进行改正D-S数据融合；

(6)分析融合结果，做出决策。

本技术方案通过用无量纲指标、K-S、D-S相结合的旋转机械故障证据合成诊断方法，可以大量提取故障信号特征值，使用K-S方法获得更加可靠的实现旋转机械故障证据合成诊断，使用融合出更加可靠和合理的结果，降低决策风险。

作为对本技术方案的进一步改进，所述的故障类型信号数据包括：轴承磨损数据、轴承外裂数据、轴承内裂数据、弯轴数据、缺轴承数据。

作为对本技术方案的进一步改进，所述的Kolmogorov-Smirnov检验方法包括以下步骤，描述2个独立样本的相似性：

假设

并且与为独立全样本，δ(x)与α(x)是连续分布函数，进行非参数假设检验得：