转子故障分析方法及装置与流程

本发明涉及转子故障诊断
技术领域：
，特别涉及一种基于逻辑回归算法的转子故障分析方法及装置。
背景技术：
：大型旋转机械是在化工、电力和钢铁生产制造过程中的关键设备。如果旋转机械出现故障将直接影响整个生产线的运行。旋转机械由基本的转子、轴承等零部件组成。其中转子作为大型旋转机械设备的重要组成部件，长期处于高速运转以及交叉载荷的运行环境下，很容易对其表面以及结构造成一定的损伤，使其脱落，给设备安全运行带来巨大的威胁，对工业生产效率以及经济效益造成极大的影响。但由于工业生产中转子运行的不间断性，设备维护人员对设备进行检测维护只是间断和周期性的，并且还要在工业现场由专业人员进行相应的数据采集和故障诊断，这并不有利于旋转机械转子的长期监测以及诊断，所以如何采用合理有效的监测诊断方法以及便利快捷的实现路径，是判断工业现场中旋转机械转子早期是否故障的关键难题。现有的针对转子进行故障诊断的流程基本为专业人员通过安装传感器，进行振动信号的采集，再将数据进行相应的处理获得相应的频谱，通过个人的专业知识来分析转子可能存在的问题。但这存在着以下不足之处∶一是由于转子运行的长期性和连续性，对转子进行维护诊断也是周期间隔性的，这并不能有效及时的发现转子的早期故障情况，这对延长维护转子生产寿命上有着极大的不利；二是针对转子故障情况必须在现场及时的采集信号数据，再将数据带回进行相应的处理，这对于维护诊断而言存在着极大的不便利性；三是转子的维护诊断是基于专家知识，需要专业的人员，这对于早期诊断和维护而言具有太高的专业门槛。所以研究如何将工业生产上转子设备的故障诊断在线化、便利化以及程序化，对工业生产上设备维护诊断的效率提升具有非常重要的意义。技术实现要素：有鉴于此，本发明实施例的目的是提供一种能够对转子脱落故障进行分析预测，以便于优化设备运维管理方法，避免因故障发生造成经济损失的转子故障分析方法及装置。为了实现上述目的，本发明实施例提供了一种转子故障分析方法，包括：获取故障转子和非故障转子轴向和径向的第一位移数据；提取用于训练故障分析模型的第一位移数据的特征，形成第一特征数据集；根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型；获取待检测转子轴向和径向的第二位移数据，并提取所述第二位移数据的特征；根据所述故障分析模型对所述第二位移数据的特征进行分析，得到所述待检测转子是否会发生故障的分析结果；其中所述特征的类型包括时域特征和频域特征。优选地，提取用于训练故障分析模型的第一位移数据的特征，形成第一特征数据集，包括：对所述第一位移数据进行预处理，得到预处理后的第一位移数据；提取所述预处理后的第一位移数据的特征；对所述特征进行筛选得到筛选后的有效特征，形成第一特征数据集。优选地，对所述第一位移数据的特征进行预处理，得到预处理后的特征，包括：将所述第一位移数据进行数据清洗，以去除异常数据和无用数据。优选地，对所述特征进行筛选得到筛选后的有效特征，形成第一特征数据集，包括：选择在故障时和非故障时具有明显差异的特征；计算所述具有明显差异的特征的相关系数；根据所述相关系数确定相关度较大的特征，并从相关度较大的特征中选择其中一个特征作为代表性特征。优选地，对所述特征进行筛选得到筛选后的有效特征，形成第一特征数据集，还包括：选取以下至少一种特征：峰峰值、峰值因子、频率方差、一倍频幅值及其能量占比、二倍频幅值及其能量占比和三倍频幅值及其能量占比。优选地，根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型之后，所述方法包括：采用所述数据集中除所述至少部分数据以外的数据对所述模型进行测试，并获得所述模型的精确率和召回率。优选地，其中所述时域特征包括有量纲特征和无量纲特征；其中，所述有量纲特征包括以下至少一种：均值、标准差、均方根和峰峰值；所述无量纲特征包括以下至少一种：偏度、峭度、波形因子、峰值因子、脉冲因子和裕度因子；所述频域特征包括以下至少一种特征：均方频率、重心频率、频经方差、一倍频幅值及其能量占比、二倍频幅值及其能量占比和三倍频幅值及其能量占比。优选地，所述第一位移数据包括故障邻近数据和故障远离数据。优选地，其中，所述故障转子、所述非故障转子和所述待检测转子的两端均布置有用于采集位移数据的电涡流位移传感器。本发明实施例还提供一种转子故障分析装置，所述装置包括：第一获取模块，用于获取故障转子和非故障转子轴向和径向的第一位移数据；提取模块，用于提取用于训练故障分析模型的第一位移数据的特征，形成第一特征数据集；建模模块，用于根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型；第二获取模块，用于获取待检测转子轴向和径向的第二位移数据，并提取所述第二位移数据的特征；分析模块，用于根据所述故障分析模型对所述待检测转子的特征进行分析，得到所述待检测转子是否会发生故障的分析结果；其中所述特征的类型包括时域特征和频域特征。。与现有技术相比，本发明实施例具有以下有益效果：获取故障转子和非故障转子轴向和径向的第一位移数据，根据包含第一位移数据的时域特征和频域特征，采用svm算法构建故障分析模型，根据所述故障分析模型对待检测转子的第二位移数据进行计算，得到所述待检测转子是否会发生故障的分析结果；本发明实施例通过采用支持向量机算法构建故障分析模型，来分析判断是否会发生转子故障，对可能发生故障的转子进行及时预防和维护，优化设备运维管理方法，从而避免因故障发生的经济损失。附图说明图1(a)为本发明实施例的非故障机组的转子在某时间段内的轴心轨迹示意图；图1(b)为本发明实施例的非故障机组的转子在某时间段内的轴心轨迹示意图；图1(c)为本发明实施例的非故障机组的转子在下一时间段内的轴心轨迹示意图；图1(d)为本发明实施例的非故障机组的转子在下一时间段内的轴心轨迹示意图；图2(a)为本发明实施例的故障机的转子在某时间段内的轴心轨迹示意图；图2(b)为本发明实施例的故障机的转子在某时间段内的轴心轨迹示意图；图2(c)为本发明实施例的故障机的转子在下一时间段内的轴心轨迹示意图；图2(d)为本发明实施例的故障机的转子在下一时间段内的轴心轨迹示意图；图3(a)为本发明实施例的故障机的转子在某时间段内的位移数据的傅里叶变换频谱图；图3(b)为本发明实施例的故障机的转子在下一时间段内的位移数据的傅里叶变换频谱图；图4为本发明的转子故障分析方法的实施例一的转子故障分析流程图；图5为本发明的转子故障分析方法的实施例二的转子故障分析流程图；图6为本发明的转子故障分析方法的实施例二的对第一特征数据集进行分组示意图；图7为本发明的转子故障分析装置的实施例一的示意图。具体实施方式此处参考附图描述本公开的各种方案以及特征。应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。本说明书可使用词组"在一种实施例中"、"在另一个实施例中"、"在又一实施例中"或"在其他实施例中"，其均可指代根据本公开的相同或不同实施例中的一个或多个。为更好地理解本发明实施例，首先分析转子脱落的故障机理。转子脱落大部分是由于转子不平衡引起的，转子不平衡引起转子或轴承径向振动，转子的轴心轨迹基本上为一个圆形或椭圆形。请参见图1(a)至图1(d)，图1(a)和图1(b)为非故障机组的转子在某时间段内的轴心轨迹，图1(c)和图1(d)为非故障机组的转子在下一时间段内的轴心轨迹，可以看出两个时间段内转子的轴心轨迹并没有较大的变化。请参见图2(a)和图2(b)，图2(a)和图2(b)为故障机的转子在某时间段内的轴心轨迹，图2(c)和图2(d)为故障机的转子在下一时间段内的轴心轨迹，下一时间段为临近转子发生脱落时，可以看到转子轴心轨迹已近似为椭圆形。将转子位移数据，通过快速傅里叶变换得到数据频谱。请参见图3(a)和图3(b)，图3(a)为故障机的转子在某时间段内的位移数据的傅里叶变换频谱图，图3(b)故障机的转子在下一时间段，即临近转子发生脱落时的位移数据的傅里叶变换频谱图。图中频谱峰值突出的部分为一倍频、二倍频和三倍频。通过对比故障机和非故障机的位移数据频谱，可以发现在临近故障发生的时间段内，故障机位移数据频谱的倍频幅值明显增加，而非故障机则在两个时间段内倍频幅并没有什么显著变化。由此可以说明倍频幅值的变化可以作为判断是否可能发生故障的指标。基于以上对转子轴心轨迹的观察，及与转子轴心轨迹对应的转子移动数据的分析，发明人提供了一种能够根据转子位移数据来判断转子发生脱落故障的可能性，从而方便工作人员及时进行维护，避免因故障发生造成的经济损失。实施例一图4为本发明的转子故障分析方法的实施例一的流程图。如图4所示，本实施例的转子故障分析方法，具体可以包括如下步骤：s101，获取故障转子和非故障转子轴向和径向的第一位移数据。大型旋转机组一般采用承载力强的滑动轴承，机组出厂时会在转子上布置电涡流位移传感器，例如在转子两端布置2-3个电涡流传感器，用于测量转子径向和轴向的振动及位移。在具体实施时，可以在每台机组上取6至7个测点，分别为联端径向x、联端径向y、非联端径向x、非联端径向y、轴端轴向a、轴端轴向b和轴端轴向c。其中，联端是指用于联接两设备的端子，例如汽轮机与压缩机相连的一端，称为联端；非联端是指未联接任何设备的端子。在其中一个具体实施例中，取18台机组的转子位移数据作为样本，这18台机组的编号为m1至m18。采集机组发生转子部件脱落故障(以下简称故障机)之前半年内的数据作业正样本，采样至少一年以上未发生此类故障的机组(以下简称非故障机)数据作为负样本。所采集的位移数据为段波形数组，其信息结构参见表1。表1：数据字段表示信息cycles转子转动的周数speed转速samples总采样点数wave波形数组根据大型旋转机组变转速的特点，采用等角度采样的方式对机组的转子振动和位移情况进行采样。转子旋转一周等角度采样32个位移数据点，转子转动周期数为32，即总采样点数为1024个，每采集1024个数据值为一段波形数组。其中，所述第一位移数据包括故障邻近数据和故障远离数据。也就是说，采集位移数据时，将按照时间分阶段进行采集，采集距离故障发生时刻接近的数据，和逐渐远离故障发生时刻的数据。s102，提取用于训练故障分析模型的第一位移数据的特征，形成第一特征数据集。其中，所述特征的类型包括时域特征和频域特征。其中所述时域特征包括有量纲特征和无量纲特征；其中，所述有量纲特征包括以下至少一种：均值、标准差、均方根和峰峰值；所述无量纲特征包括以下至少一种：偏度、峭度、波形因子、峰值因子、脉冲因子和裕度因子；所述频域特征包括以下至少一种特征：均方频率、重心频率、频经方差、一倍频幅值及其能量占比、二倍频幅值及其能量占比和三倍频幅值及其能量占比。其中，倍频能量占比计算公式如下：一倍频能量占比＝一倍频幅值/(一倍频幅值+二倍频幅值+三倍频幅值)二倍频能量占比＝二倍频幅值/(一倍频幅值+二倍频幅值+三倍频幅值)三倍频能量占比＝三倍频幅值/(一倍频幅值+二倍频幅值+三倍频幅值)s103，根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型。其中，该第一特征数据集中的至少部分数据用作来训练数据，用来构建故障分析模型。采用支持向量机(supportvectormachines，svm)算法来构建构建故障分析模型。svm是一种二分类模型，它的基本原理是寻找特征空间上最大间隔的分类面。svm在解决小样本、非线性及高维模式识别中表现出许多特有的优势。采用svm算法构建模型涉及的目标函数如下：αi≥0,i＝1,2,…,n其中，表示把样本x映射到一个高维度特征空间；yi表示样本标签。svm核函数的选择对于其性能的表现有至关重要的作用，通过测试验证最终选择核函数为高斯径向基函数，公式如下：高斯径向基函数是一种局部性强的核函数，该核函数是应用最广的一个，无论大样本还是小样本都有比较好的性能。调整参数主要有惩罚项系数c和核函数参数gamma,经过验证最后设置参数为c＝0.1,gamma＝0.1.s104，获取待检测转子轴向和径向的第二位移数据，并提取所述第二位移数据的特征。其中，第二位移数据与第一位移数据相同，为段波形数组数据。s105，根据所述故障分析模型对所述第二位移数据的特征进行分析，得到所述待检测转子是否会发生故障的分析结果。现有技术相比，本发明实施例具有以下有益效果：获取故障转子和非故障转子轴向和径向的第一位移数据，根据包含第一位移数据的时域特征和频域特征，采用逻辑回归算法构建故障分析模型，根据所述故障分析模型对多个待检测转子进行分析，得到所述待检测转子是否会发生故障的分析结果；本发明实施例通过采用支持向量机算法构建故障分析模型，来分析判断是否会发生转子故障，对可能发生故障的转子进行及时预防和维护，优化设备运维管理方法，从而避免因故障发生造成经济损失。实施例二图5为本发明的转子故障分析方法的实施例二的流程图。本实施例的转子故障分析方法在上述实施例一的基础上，进一步更加详细地介绍本发明的技术方案。如图5所示，本实施例的转子故障分析方法，具体可以包括如下步骤：s201，获取故障转子和非故障转子轴向和径向的第一位移数据。其中，所述故障转子、所述非故障转子和所述待检测转子的两端均布置有用于采集位移数据的电涡流位移传感器。通过电涡流位移传感器，测量转子的相关数据，例如，转子转动周数、转速、采样频率、总采样点数、波形数组等。其中波形数组即为转子的位移数据。在本实施例中，故障转子和非故障转子的波形数组为第一位移数据。本发明实施例二的步骤s201与实施例一的步骤s101相对应。s202，对所述第一位移数据进行预处理，得到预处理后的第一位移数据。其中，s202包括以下步骤：a，将所述第一位移数据进行数据清洗，以去除异常数据和无用数据。一般来说，转速为0的时候机组处于停机状态，无法利用停机数据对是否故障进行分析，这类数据即为无用数据。另一方面，数据中存在转速无波动的部分，从现实角度来讲这是不可能的，这类数据为异常数据。无用数据和异常数据会影响故障分析模型计算的准确度，因此在数据清洗阶段，删除数据中停机阶段的无用数据和转速无波动部分的异常数据。s203，提取所述预处理后的第一位移数据的特征。如上所述，所述特征的类型包括时域特征和频域特征s204，对所述特征进行筛选得到筛选后的有效特征，形成第一特征数据集。其中，s204包括以下步骤：b，选择在故障时和非故障时具有明显差异的特征；c，计算所述具有明显差异的特征的相关系数；d,根据所述相关系数确定相关度较大的特征，并从相关度较大的特征中选择其中一个特征作为代表性特征。为使模型计算更为准确，首先选择在故障和非故障时表现出明显差异的特征。然后计算特征间的相关系数，以确定特征间的相关度。对于特征间相关度高的，可以选择其中一个特征作为代表性特征。对于相关度较高的特征，选择其中一个代表性特征即可，以便于在保证计算准确性的同时减少计算量。计算特征间相关系数的方法可以采用现有技术中的方法，在此不再赘述。因为有量纲的特征会受到工况的影响，所以在选取特征时尽量选择无量纲特征。根据以上步骤，最终选取特征可以为峰峰值、峰值因子、频率方差、一倍频幅值及其能量占比、二倍频幅值及其能量占比和三倍频幅值及其能量占比。本发明实施例二的步骤s202至s204与实施例一的步骤s102相对应。s205，根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型。具体的故障分析模型的构建方法可参见实施例一的故障分析模型构建方法。本发明实施例二的步骤s205与实施例一的步骤s103相对应。s206，获取待检测转子轴向和径向的第二位移数据，并提取所述第二位移数据的特征。其中，所述第二位移数据与第一位移数据相同，即为待检测转子的波形数组。本发明实施例二的步骤s206与实施例一的步骤s104相对应。s207，根据所述故障分析模型对所述第二位移数据的特征进行分析，得到所述待检测转子是否会发生故障的分析结果。本发明实施例二的步骤s207与实施例一的步骤s105相对应。与现有技术相比，本发明实施例具有以下有益效果：在获取故障转子和非故障转子轴向和径向的第一位移数据后，对第一位移数据进行预处理，以去除异常数据和无用数据，然后对数据进行筛选，选择代表性特征，使得在保证模型准确率的同时还能减少模型的计算量。实施例三本实施例的转子故障分析方法在上述实施例一和实施例二的基础上，进一步更加详细地介绍本发明的技术方案。在本发明的实施例中，在构建故障分析模型后，还可以对故障分析模型进行测试。具体过程如下所述。首先值得注意的是，在获取故障转子和非故障转子轴向和径向的第一位移数据，然后提取第一位移数据的特征，并形成第一特征数据集时，第一特征数据集中的数据实际划分为两部分。一部分数据用于训练故障分析模型，另一部分数据用于对训练好的故障分析模型进行测试。测试的目的一方面便于用户及时了解模型计算的准确性，另一方面当准确性不高时，还可以重新训练模型。如图6所示，本发明实施例提供一组实验数据。共有18台机组，编号为m1至m18，将由机组m1至m5获取的数据用于训练模型，其中m1、m2是发生转子脱落故障的故障机，m3、m4和m5为非故障机。由机组m6～m18获取的数据作为测试数据，其中机组m7、m9、m10、m11、m13、m15为故障机，由其采集的数据为故障机数据。其中，训练数据用于模型的训练和超参数调整，测试集合用于模型的测试和验证。在采集的故障机数据中将临近故障发生的一组波形数据作为分类目标的正类，非故障机数据作为负类。采用所述第一特征数据集中除所述至少部分数据以外的数据对所述模型进行测试，并获得所述模型的精确率和召回率。具体地，将由机组m6～m18获取的测试数据代入模型，然后计算得出转子是否会发生故障的计算结果，然后将计算结果与实际的结果进行对比。请参见表2。表2：另外，用于评价模型计算结果的指标可以包括精确率和召回率等。具体地，精确率计算公式如下：其中，tp为真正例；fp为假正例。具体地，召回率的计算公式如下：其中，tp为真正例；fn为为假负例。本发明实施例在实验过程中，将真实数据代入故障分析模型进行计算得出的故障分析结果为：精确率为0.75，召回率为1。由召回率结果可以看出svm模型能够将所有故障机器预测出来，而精确率指标没有很高是因为存在非故障机组误判所导致的，这可能是因为旋转机组存在其他类型的故障。根据上述步骤s205构建包含有时域特征和频域特征的第一特征数据集时，将第一特征数据集中的一部分数据作为训练数据，另一部分数据作为测试数据。采用训练数据来构建故障分析模型，测试数据用来对模型进行测试，由此得出模型的精确率。在其中一个实施例中，可将数据集大部分数据用作训练数据，这样所训练出来的故障分析模型将更为准确；另一部分较少的数据作为测试数据，用来对模型计算出来的结果进行验证。如果经验证，模型出来的结果精确率不高，还可以重新对模型进行训练。与现有技术相比，本发明实施例具有以下有益效果：在采用支持向量机算法构建故障分析模型后，对多个待检测转子进行分析，得到所述待检测转子是否会发生故障的分析结果，然后对分析结果进行测试，以便于评估模型的精确率和召回率，而且当准确度未满足要求时还可以重新构建模型，这样可以较大地提高校转子故障分析模型的准确度。实施例一(装置)图7为本发明的转子故障分析装置的实施例一的示意图。如图7所示，本实施例的转子故障分析装置，具体可以包括第一获取模块701、提取模块702、建模模块703、第二获取模块704和分析模块705。第一获取模块701，用于获取故障转子和非故障转子轴向和径向的第一位移数据；提取模块702，用于提取用于训练故障分析模型的第一位移数据的特征，形成第一特征数据集；建模模块703，用于根据所述第一特征数据集中的至少部分特征，采用支持向量机算法构建故障分析模型；第二获取模块704，用于获取待检测转子轴向和径向的第二位移数据，并提取所述第二位移数据的特征；分析模块705，用于根据所述故障分析模型对所述待检测转子的特征进行分析，得到所述待检测转子是否会发生故障的分析结果；其中所述特征的类型包括时域特征和频域特征。本实施例的转子故障分析装置，是与实施例一所述的转子故障分析方法对应的装置实施例，通过采用上述模块实现转子故障诊断分析的实现机制与上述图1所示实施例的转子故障分析方法的实现机制相同，详细可以参考上述图1所示实施例的记载，在此不再赘述。以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。当前第1页12