一种基于特征有效性分析的轴心轨迹智能识别方法
【技术领域】
[0001]本发明涉及一种基于特征有效性分析的轴心轨迹智能识别方法，用于旋转机械轴心轨迹的状态监测、故障预测和故障诊断，属于设备故障诊断领域。
【背景技术】
[0002]轴心轨迹是旋转机械故障监测与诊断的重要依据，它描述了转轴旋转时由于振动引起的转子轴心点的运动轨迹。这种轴心运动可能出现在径向或轴向，一般来说，对径向运动进行截面分析比较常见，即二维轴心轨迹分析；如果增加考虑轴向运动，就构成了三维轴心轨迹分析。对二维轴心轨迹的识别本质上是对二维图像的模式识别问题。如果对三维轴心轨迹在三个正交的坐标平面上进行投影，也可以将三维轴心轨迹识别转化为三种二维图像的识别问题。为此，准确、快速实现二维图像的模式识别是解决基于轴心轨迹的故障监测与诊断问题的核心。
[0003]工程实践中人们发现，典型故障的轴心轨迹具有一定的形状特征，可以通过人工观察识别。以径向截面二维轴心轨迹为例，正常情况下轴心轨迹为长短轴差异不大的椭圆；转子不平衡或转子弯曲引起的轴心轨迹为较扁的椭圆形；转子不对中引起的轴心轨迹为双椭圆形、月牙形、香蕉形或8字形；动静件碰摩引发紊乱或扩散的轴心轨迹等。然而，对于自动化的故障监测与诊断计算机而言，要自动识别轴心轨迹特征难度很大。目前常用的识别方法有:
[0004](I)智能学习法:将轴心轨迹对应的振动时序信号或数字图像二值信息，经过归一化、滤噪等预处理后，直接送入神经网络或支持向量机等模型进行智能学习，利用训练好后的模型实现识别。这种方法以建立输入与输出之间的模糊非线性关系为目标，受学习样本影响大，识别率有限。
[0005](2)特征匹配法:采用信号处理技术对轴心轨迹进行分析，提取图像形状特征、信号时域特征、信号频域特征或时频特征等，通过特征匹配算法进行识别。该方法以特征提取为目标，物理含义清晰，但特征的敏感性和稳定性差异较大，识别率有限。
[0006](3)特征智能学习法:采用信号处理技术对轴心轨迹进行特征提取，如图像形状特征、信号时域特征、信号频域特征或时频特征等，把特征样本送入神经网络或支持向量机等模型进行样本学习和识别。这种方法结合了智能学习和特征匹配两种方法的优点，能够有效提高轴心轨迹的识别精度，但算法复杂，对不同轴心轨迹样本不具有普适性。
[0007]总之，为了提高轴心轨迹的识别准确度，提取敏感、稳定和有效的特征参数是轴心轨迹识别的核心问题。目前，相关学术研宄给出的特征参数种类较多，如几何特征、时域特征、频域特征等。为了更好地应用于工程实际，我们更关心的是，哪种特征参数在轴心轨迹识别中效果更好。好的特征参数应该不受轴心轨迹图像的大小、位置和旋转角度的影响，即应具有尺度不变性、平移不变性和旋转不变性，同时，能够更清晰的区分多种不同故障模式。事实上，通过前期研宄得出，许多特征参数只对识别一种或几种故障模式是有效的，几乎没有哪种特征参数能够同时区分所有的故障模式。为此，本发明提出了一种基于特征有效性分析的轴心轨迹智能识别方法，对不同轴心轨迹样本具有自适应性，以特征参数的有效性对比分析结论为依据，采用智能逻辑推理的方法选择轴心轨迹的特征类型和数量，优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，结合优选的聚类分析算法进行特征匹配，提高轴心轨迹识别率。
[0008]现有技术中对轴心轨迹识别的方法并不多，例如:
[0009]现有技术一:专利申请号为CN201410750907公开的名称为《基于瞬时频率轴心轨迹的转子动静碰磨故障诊断方法》的发明申请，对振动测试截面上正交的两个位移振动信号X (t)和y (t)，分别进行EMD分解，分别挑选出以工频分量为主的MF信号分量MFx(t)和MFy(t)，使用直接正交法计算得出瞬时频率IFx(t)和IF y(t)，然后对单分量信号MFx(t#MFy(t)通过归一化分解成调幅和调频信号，将一倍转频分量的瞬时频率IF㈦和IF x(t)合成轴心轨迹，借助轴心轨迹形状，对转子运行状态进行识别，通过弯曲振动信号提取转子转速的瞬时波动信息，并合成瞬时频率轴心轨迹，实现转子碰磨故障的有效诊断。该技术方案只用于诊断转子碰磨故障，而不能应用于其它故障模式的轴心轨迹识别。
[0010]现有技术二:专利申请号为CN201410629011公开的名称为《一种基于轴心轨迹的旋转机械二倍频故障检测方法及系统》的发明申请，采用两个相互垂直的探头检测旋转机械振动数据，如果任一探头检测的振动数据中二倍频成分多lOum，则将两个探头检测得到的振动数据中的二倍频数据合成二倍频轴心轨迹，该轨迹呈椭圆形，计算二倍频轴心轨迹的离心率；根据离心率得到引起振动的原因。依照发明人所述，该方法能够区分对中不良和测振带晃度过大问题。由于该技术方案采用单一的离心率特征进行轴心轨迹识别，能够识别的轴心轨迹模式有限，对不同轴心轨迹样本不具有普适性。
[0011]现有技术三:专利申请号为CN201310361525公开的名称为《一种转子系统轴心轨迹进动方向自动识别方法》的发明申请，利用振动传感器采集转子的径向振动信号，并通过快速傅立叶变换FFT得到幅值谱，然后采用相位差校正方法对转子振动信号中的主要频率成分进行校正后重构信号，最后利用重构信号合成转子提纯轴心轨迹，并由提纯轴心轨迹通过局部弧段的进动方向识别得到整个轴心轨迹的进动方向。该方法以识别轴心轨迹进动方向为目标，并不对轴心轨迹对应的故障模式进行识别。
[0012]现有技术四:专利申请号为CN201010257659公开的名称为《一种基于三维空间轴心轨迹的压缩机轴系故障诊断方法》的发明申请，将压缩机转子的水平、垂直以及轴向的三维振动信号进行低通滤波，剔除高频干扰信号，利用频谱分析原理，合成得到三维滤波轴心轨迹。该方法以三维轴心轨迹合成为目标，并不研宄轴心轨迹的识别方法。
【发明内容】
[0013]为了能够应用于各种旋转机械的轴心轨迹识别，对不同轴心轨迹样本具有自适应性，优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，本发明提供了一种基于特征有效性分析的轴心轨迹智能识别方法。
[0014]本发明的技术方案是:
[0015]一种基于特征有效性分析的轴心轨迹智能识别方法，包括:
[0016]步骤I)、对轴心轨迹正常及故障的样本数据进行识别，提取出N个特征参数，建立N个被选特征参数的可识别故障集Fi, i = 1,2,3……N;
[0017]步骤2)、计算第i个被选特征参数能够识别的j种混合模式的数量Μ。，其中I ^ i ^ N, I ^ j ^ N，每种混合模式无法进行进一步细化识别，并且;
[0018]步骤3)、在每一种混合模式下，对Miij进行大小排序，以作为特征匹配顺序；
[0019]步骤4)、输入待识别的轴心轨迹，并对该轴心轨迹按照N个特征参数进行提取特征，得到fi;
[0020]步骤5)、根据步骤3)中得到的Miij排序，对f 1进行特征匹配。
[0021]步骤6)、对步骤5)中的特征匹配，首先执行第I轮特征匹配，特征匹配优选为聚类分析算法，按照第k个特征分布范围，如果待识别轴心轨迹的fk在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第i个模式，识别结束；如果待识别轴心轨迹的fk不在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第i个模式；如果待识别轴心轨迹的fk在第k个特征能够识别的多种模式混合范围(多种模式无法进一步细化识别)内，则记录下该混合模式集；最后分别得到第I轮待识别轴心轨迹的可能混合模式集UjP不可能模式集Wp
[0022]步骤7)、对步骤6)中的特征匹配，执行下一轮特征匹配，在步骤6)的基础上，按照第P个特征分布范围，如果待识别轴心轨迹的fp在第w个模式的第P个特征分布范围内，且第W个模式是第P个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第W个模式，识别结束；如果待识别轴心轨迹的fp不在第W个模式的第P个特征分布范围内，且第W个模式是第P个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第W个模式，并在步骤6)得到的不可能模式集W1中进行补充追加，得到第2轮的不可能模式集W2;如果待识别轴心轨迹的匕在第P个特征能够识别的多种模式混合范围(多种模式无法进一步细化识别)内，则记录下该混合模式集U，并对该模式集U与(6)得到的可能混合模式集U1求交集，作为第2轮的可能混合