[发明专利]一种旋转机械设备故障识别方法及系统

说明书

技术领域

本发明属于信号的分析检测领域，具体涉及一种旋转机械设备故障识别方法及系统。

背景技术

机械设备在航空、电力系统等现代工业中发挥着很大的作用。但是，设备故障常常会导致严重的经济损失和人员伤亡，因此非常有必要去发展一种能够精确且自动诊断设备故障的关键技术。

机械设备故障信号的检测涉及到对强噪声背景、复杂机构的振动信号处理，难度大，是信号检测领域的一大难点。大量的方法已经被研究用于机械设备故障。小波分析(wavelet transform，WT)是混合信号检测的常用方法，可以将原始信号按照不同频宽分解为不同尺度。集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)可以将非线性非平稳的信号按照他们本身的振动模态分解成一组固有模态函数，也已经被广泛运用在轴承故障诊断领域中。此外，形态非抽样小波方法(morphological undecimal-ted wavelet,MUDW)也可以分解原始信号，提取被噪声淹没的故障特征。然而,这些方法受噪声与机械设备结构的影响较大，而且需要专业知识从信号分析结果中判断故障而不能自动输出故障类型，此外，故障识别效果也不够精确，有自己的局限性。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种旋转机械设备故障识别方法及系统，能够处理强噪声背景、复杂机构的振动信号，实现对设备故障状态的准确诊断。

本发明是通过以下技术方案实现的：

一种旋转机械设备故障识别方法，包括：

步骤1：对原始信号进行局部极值点分析，建立变尺度形态滤波结构元素长度表；

步骤2：利用差分形态滤波算子对原始信号进行变尺度形态滤波，并对信号截取、分组、特征提取，形成训练样本集；

步骤3：根据支持向量回归机回归函数建立回归分类函数，输入训练样本集，调整参数优化支持向量回归模型，得到最优设备故障识别函数；

步骤4：输入未知状态信号，形成测试样本集，然后将测试样本集输入所述最优设备故障识别函数，获得输出值，并通过输出值判断设备状态。

所述步骤1包括：

步骤1.1：载入采集到的原始信号，将原始信号正脉冲中的局部极大值按时间顺序记录为V_i，则所述极大值表示为：

V＝{V_i|i＝1,2,3...,N_p}(1)

其中,Vi为原始信号正脉冲中的局部极大值，P是局部极大值出现的位置，则有：

P＝{P_i|i＝1,2,3,...,N_p}(2)

步骤1.2：根据极值点的位置确定结构元素长度，建立变尺度形态滤波结构元素长度表，具体包括：

记S_i是相邻的两个极大值点的时间间隔，则：

S＝{S_i|S_i＝P_i+1–P_i,i＝1,2,3,...,N_p-1}(3)

将集合P中最接近第n个离散信号的局部极大值位置记为Peak(n)，则：

Peak(n)＝max{P_n'|P_n'∈Pand P_n'≤n},n＝0,1,2...N-1(4)

记I(n)为Peak(n)在集合P中的指针，考虑原始信号中所有的局部极值，结构元素g_n的长度为：

length(g_n)＝S_I(n),n＝0,1,2...N-1(5)

即得到变尺度形态滤波结构元素长度表。

所述步骤2包括：

步骤2.1：结合腐蚀算子、膨胀算子、开算子、闭算子这四种形态滤波算子，得到差分形态滤波算子：

其中，·表示闭算子，ο表示开算子，表示膨胀算子，Θ表示腐蚀算子；f(n)表示一维离散信号，g_n(k)指变尺度形态滤波的结构元素，对于一个长度为N的信号，有N个结构元素g₀(k),g₁(k),…g_N-1(k),n＝0,1,2…N-1；

利用差分形态滤波算子对原始信号进行变尺度形态滤波得到滤波后的信号；

步骤2.2：对所述滤波后的信号进行截取、分组和特征提取：