基于多点振动信号特征值的风机振动故障状态诊断方法

摘要

风机振动故障的检测和诊断研究一直是多年来的研究热点，在振动信号的自动检测上已有较成熟的方法和技术，但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平，缺少实用的和在线的方法和技术。为了解决上述问题，本发明提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法，包括以下步骤：建立模型；得到多振动特征值平均值；判定不同测点是否发生振动故障；用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量。本发明所依据的特征值可以是振动信号的时域特征值，如烈度、歪度、峭度、加速度有效值、加速度峰值等，也可以是振动信号的频域特征值，如1倍频、3倍频、6倍频等。

权利要求

1.一种基于多点振动信号特征值的风机振动故障状态自动诊断方法，其特征在于，包括以下步骤：

步骤1、建立多种风机振动常见故障类型的特征值样板区模型，在特征值样板区模型中，为不同振动测点及所对应的不同特征值设立发生风机振动常见故障时的上限值及下限值；

步骤2、对于某风机设备自动检测得到多点振动加速度信号，多点振动加速度信号被提取为多个特征值，各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值；

步骤3、根据各特征值平均值，依据某风机设备及相应工况所匹配的特征值样板区模型，判定不同测点是否发生振动故障，以及所发生的振动故障对应的风机振动故障类型，不同风机振动故障类型对应不同的风机振动故障类型序号；

步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据，用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量；

步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障，j表示振动测点序号；

步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。

说明书

基于多点振动信号特征值的风机振动故障状态诊断方法

技术领域

[0001] 本发明涉及一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。

背景技术

[0002] 现代工业设备中，风机是一种典型的旋转机械设备。风机设备在长期运行后，由于磨损、变形、松动、材料疲劳等原因，发生振动故障的概率大为增加。从保障生产安全的要求出发，非常需要对风机运行进行严密监视，并及时预测和诊断出振动故障的类型，以便开展针对性维修。因此，风机振动故障的检测和诊断研究一直是多年来的研究热点，并且已经出现不少有实用价值的研究成果。

[0003] 然而目前的研究现状仍然是：在振动信号的自动检测上已有较成熟的方法和技术，但是在故障的自动诊断上多数的研究还停留在人工的和离线的诊断水平，缺少实用的和在线的方法和技术。

发明内容

[0004] 本发明的目的是提供一种风机振动信号故障的在线自动诊断方法。

[0005] 为了达到上述目的，本发明的技术方案是提供了一种基于多点振动信号特征值的风机振动故障状态诊断方法，其特征在于，包括以下步骤：

[0006] 步骤1、建立多种风机振动常见故障类型的特征值样板区模型，在特征值样板区模型中，为不同振动测点及所对应的不同特征值设立发生风机常见振动故障时的上限值及下限值；

[0007] 步骤2、对于某风机设备自动检测得到多点振动加速度信号，多点振动加速度信号被提取为多个特征值，各特征值的采样序列被提取为移动数据窗预定时长的振动特征值平均值；

[0008] 步骤3、根据各特征值平均值，依据某风机设备及相应工况所匹配的特征值样板区模型，判定不同测点是否发生振动故障，以及所发生的振动故障对应的风机振动故障类型，不同风机振动故障类型对应不同的风机振动故障类型序号；

[0009] 步骤4、针对某特征值、某测点和某风机振动故障类型的故障诊断数据，用统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量；

[0010] 步骤5、用最优化算法算出针对某测点的故障诊断结果变量的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障；

[0011] 步骤6、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。

[0012] 本发明的优点是：提出了一种风机振动故障状态的基于多点振动信号特征值的自动诊断方法。本发明所依据的特征值可以是振动信号的时域特征值，如烈度、歪度、峭度、加速度有效值、加速度峰值等，也可以是振动信号的频域特征值，如1倍频、3倍频、6倍频等。

具体实施方式

[0013] 为使本发明更明显易懂，兹以优选实施例作详细说明如下。

[0014] 本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法应用的前提条件是基于以下几点：

[0015] (1)对于某风机设备已自动检测得到多点振动加速度信号；

[0016] (2)已检测得到多点振动加速度信号被提取为个数为N的特征值；

[0017] (3)各特征值的采样序列被提取为移动数据窗预定时长的特征值平均值，记为E(i，j)。假设各特征值平均值用两个数字编序，设i为特征值序号，j为振动测点序号。

[0018] (4)根据机理分析知识、试验建模模型和专家经验预先建立对应某类风机设备及相应工况的风机振动常见故障的特征值样板区模型库，该样板区模型可用特征值上边界值Eup(i，j，k，g)和下边界值Edown(i，j，k，g)表示，其中k为风机振动故障分类序号，g为风机振动故障模型库的匹配序号。

[0019] 在本实施例中，已建的风机振动故障类型的特征值样板区模型示例如下表1及表2所示：

[0020] 表1特征值样板区下边界值模型Edown(i，j，k，g)示例

[0021]j＝1 j＝2 j＝3
i＝1 2277 3828 986
i＝2 343 492 170
i＝3 285 409 104
i＝4 93 276 131
i＝5 497 1632 519
i＝6 0.521 2.09 0.82401
i＝7 5.945 7.36 5.60
i＝8 3.01 5.71 3.84
i＝9 -2.55 -0.101 -0.391
i＝10 -0.693 4.20 0.168

[0022] 表2特征值样板区上边界值模型Eup(i，j，k，g)示例

[0023]j＝1 j＝2 j＝3
i＝1 4096 8419 1833
i＝2 426 561 208
i＝3 338 435 111
i＝4 209 324 159
i＝5 1369 3239 943
i＝6 1.189 2.90 1.06
i＝7 10.65 15.6 10.44
i＝8 12.79 10.41 6.75
i＝9 0.006 0.31 -0.176
i＝10 14.3 9.49 0.694

[0024] 基于以上几点，本发明提供的一种基于多点振动信号特征值的风机振动故障状态诊断方法，包括以下步骤：

[0025] 步骤1、根据以上第(1)点至第(3)点获得实测的各特征值的振动信号平均值，在本实施例中，如下表3所示：

[0026] 表3实际特征值数据E(i，j)

[0027]

[0028]

[0029] 步骤2、若特征值的平均值满足条件：Edown(i，j，k，g)＜E(i，j)＜Eup(i，j，k，g)，则可令针对某特征值、某测点和某风机振动故障类型的故障诊断结果变量Er(i，j，k)＝1，否则令Er(i，j，k)＝0；结果见表4。

[0030] 步骤3、可用某种统计分析方法求出针对某测点和某风机振动故障类型的故障诊断结果变量的具体值，如利用简单的求和法可得故障诊断结果变量如表5所示：

[0031] 表4故障诊断结果变量Er(i，j，4)示例

[0032]j＝1 j＝2 j＝3
i＝1 0 1 1
i＝2 1 1 1
i＝3 1 1 1
i＝4 1 1 1
i＝5 1 1 1
i＝6 1 1 1
i＝7 1 1 1
i＝8 1 1 1
i＝9 1 1 1
i＝10 1 1 1

[0033] 表5故障诊断结果变量Eri(j，k)示例

[0034]k＝1 k＝2 k＝3 k＝4
j＝1 3 0 0 9
j＝2 0 2 0 10
j＝3 0 4 0 10

[0035] 步骤4、用最优化算法算出针对某测点的故障诊断结果变量Eri(j，k)的最大值所对应的风机振动故障类型序号kmax(j)和针对某测点的故障诊断结果变量Eri(j，k)的第二大值所对应的风机振动故障类型序号kmax1(j)，得到针对某测点的故障诊断结论：或者发生风机振动故障类型序号kmax(j)对应的风机振动故障，或者发生风机振动故障类型序号kmax1(j)对应的风机振动故障。如果始终有Eri(j，k)＝0，那么可诊断为发生与所用风机振动故障模型库不匹配的其他未知故障。

[0036] 步骤5、用最优化算法算出所有风机振动故障类型序号kmax(j)中出现频率最高的序值kmaxj和所有风机振动故障类型序号kmax1(j)中出现频率最高的序值kmax1j，得到针对整个风机设备的诊断结论：或者发生风机振动故障类型序号kmaxj对应的风机振动故障，或者发生风机振动故障类型序号kmax1j对应的风机振动故障。

[0037] 针对某测点的第一可能的风机振动故障类型序号kmax(j)举例(表6)和第二可能的风机振动故障类型序号kmax1(j)举例(表7)。于是有针对某风机的第一可能的风机振动故障类型序号kmaxj＝4和第二可能的风机振动故障类型序号kmax1j＝2。所以，最后的故障诊断结论是针对某风机的第一可能发生类型序号为4的风机振动故障和第二可能发生类型序号为2的风机振动故障。

[0038] 表6风机振动故障类型序号kmax(j)举例

[0039] kmax(j)j＝1 4
j＝2 4
j＝3 4

[0040] 表7风机振动故障类型序号kmax1(j)举例

[0041]

[0042]