一种机械设备早期故障诊断方法、系统、设备及存储介质与流程

1.本发明属于机械设备故障诊断技术领域，具体涉及一种机械设备早期故障诊断方法、系统、设备及存储介质。


背景技术：

2.旋转机械是自工业革命开始后就扮演着不可或缺的角色，它们在航天航空、石油、化工等领域得到广泛应用。随着科学技术的不断发展进步，机械设备朝着大型化、复杂化、高速化等方向发展，大大提高了生产效率，促进了社会的发展，使得国民经济得到很大程度上的提升；但是伴随着机械设备在各行各业的广泛使用，人们对机械设备在安全可靠性方面也提出了更高的要求。
3.因为需要满足社会经济的高速发展，机械设备常常工作在恶劣的环境中，并且运行状态往往是“不眠不休”的，长时间的工作则很容易出现老化、裂纹等现象。机械设备发生故障时，维修时间长、成本高，对于严重的故障还有可能造成人员伤亡，造成巨大的经济损失。
4.由于机械设备在工作过程中会产生振动信号，利用这些振动信号可以诊断出设备发生故障的来源，因此振动检测诊断法被应用于机械设备故障诊断中。振动检测诊断法是从有强背景噪声干扰的振动信号中提取冲击信号，冲击信号幅值一般非常小，很难直接从振动信号中提取机械设备的故障特征，难以实现对机械设备的早期故障诊断。


技术实现要素：

5.针对现有技术的不足，本发明的目的在于提出一种机械设备早期故障诊断方法、系统、设备及存储介质，本发明能够实现对机械设备早期故障进行诊断，确定机械设备最早发生故障的时间点。
6.为了实现上述目的，本发明采用如下技术予以实现：
7.一种机械设备早期故障诊断方法，包括如下过程：
8.获取机械设备信号中特征发生突变的突变特征信号；
9.获取突变特征信号的时频图，从突变特征信号的时频图中找出敏感频带；
10.将敏感频带的时频图进行局部放大，算出突变特征信号中相邻两次冲击之间的时间间隔，利用该时间间隔计算得到所述突变特征信号的故障频率；
11.获取机械设备信号的时频图，从机械设备信号的时频图中查找所述故障频率对应的时间间隔第一次出现的时间点，将该时间点确定为机械设备最早发生故障的时间点。
12.优选的，获取突变特征信号的时频图的过程包括：
13.对突变特征信号进行二阶时间重排同步压缩变换，得到突变特征信号的时频分布，根据突变特征信号的时频分布得到突变特征信号的时频图；
14.其中，对突变特征信号进行二阶时间重排同步压缩变换，得到突变特征信号的时频分布的过程包括：
15.计算突变特征信号的短时傅里叶变换；
16.计算突变特征信号的短时傅里叶变换关于频率变量的偏导数，利用短时傅里叶变换关于频率变量的偏导数计算群延时估计算子；
17.计算突变特征信号的短时傅里叶变换关于时间变量的偏导数，利用短时傅里叶变换关于时间变量的偏导数计算瞬时频率算子；
18.利用所述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子；
19.对二阶群延时估计算子进行迭代，当二阶时间重排同步压缩变换的瑞丽熵值稳定后，得到新的二阶群延时估计算子；
20.利用新的二阶群延时估计算子将突变特征信号的短时傅里叶变换的时频系数沿频率轴方向重排，得到突变特征信号的时频分布。
21.优选的，获取机械设备信号的时频图的过程包括：
22.对机械设备信号进行二阶时间重排同步压缩变换，得到机械设备信号的时频分布，根据机械设备信号的时频分布得到机械设备信号的时频图；
23.其中，对机械设备信号进行二阶时间重排同步压缩变换，得到机械设备信号的时频分布的过程包括：
24.计算机械设备信号的短时傅里叶变换；
25.计算机械设备信号的短时傅里叶变换关于频率变量的偏导数，利用该短时傅里叶变换关于频率变量的偏导数计算群延时估计算子；
26.计算机械设备信号的短时傅里叶变换关于时间变量的偏导数，利用该短时傅里叶变换关于时间变量的偏导数计算瞬时频率算子；
27.利用所述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子；
28.对二阶群延时估计算子进行迭代，当二阶时间重排同步压缩变换的瑞丽熵值稳定后，得到新的二阶群延时估计算子；
29.利用新的二阶群延时估计算子将机械设备信号的短时傅里叶变换的时频系数沿频率轴方向重排，得到机械设备信号的时频分布。
30.优选的，所述突变特征信号为机械设备信号中包含振动信号幅值突然发生增加的一段信号。
31.优选的，所述敏感频带为突变特征信号的时频图中具有冲击特征的频带。
32.本发明还提供了一种机械设备早期故障诊断装置，包括：
33.突变特征信号获取模块：用于获取机械设备信号中特征发生突变的突变特征信号；
34.敏感频带寻找模块：用于获取突变特征信号的时频图，从突变特征信号的时频图中找出敏感频带；
35.故障频率计算模块：用于将敏感频带的时频图进行局部放大，算出突变特征信号中相邻两次冲击之间的时间间隔，利用该时间间隔计算得到所述突变特征信号的故障频率；
36.故障时间点确定模块：获取机械设备信号的时频图，从机械设备信号的时频图中
查找所述故障频率对应的时间间隔第一次出现的时间点，将该时间点确定为机械设备最早发生故障的时间点。
37.优选的，敏感频带寻找模块包括：
38.突变特征信号时频图获取模块：用于获取突变特征信号的时频图；
39.敏感频带确定模块：用于从突变特征信号的时频图中找出敏感频带；
40.其中，突变特征信号时频图获取模块包括：
41.第一变换模块：用于对突变特征信号进行二阶时间重排同步压缩变换，得到突变特征信号的时频分布：
42.第一时频图获取模块：用于根据突变特征信号的时频分布得到突变特征信号的时频图；
43.其中，第一变换模块包括：
44.第一短时傅里叶变换模块：用于计算突变特征信号的短时傅里叶变换；
45.第一群延时估计算子计算模块：用于计算突变特征信号的短时傅里叶变换关于频率变量的偏导数，利用该短时傅里叶变换关于频率变量的偏导数计算群延时估计算子；
46.第一瞬时频率算子计算模块：用于计算突变特征信号的短时傅里叶变换关于时间变量的偏导数，利用该短时傅里叶变换关于时间变量的偏导数计算瞬时频率算子；
47.第一二阶群延时估计算子模块：用于利用所述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子；
48.第一新二阶群延时估计算子获取模块：用于对二阶群延时估计算子进行迭代，当二阶时间重排同步压缩变换的瑞丽熵值稳定后，得到新的二阶群延时估计算子；
49.第一时频分布获取模块：用于利用新的二阶群延时估计算子将突变特征信号的短时傅里叶变换的时频系数沿频率轴方向重排，得到突变特征信号的时频分布。
50.优选的，故障时间点确定模块包括：
51.机械设备信号时频图获取模块：用于获取机械设备信号的时频图；
52.早期故障时间点确定模块：用于从机械设备信号的时频图中查找所述故障频率对应的时间间隔第一次出现的时间点，将该时间点确定为机械设备最早发生故障的时间点；
53.其中，机械设备信号时频图获取模块包括：
54.第二变换模块：对机械设备信号进行二阶时间重排同步压缩变换，得到机械设备信号的时频分布：
55.第二时频图获取模块：用于根据机械设备信号的时频分布得到机械设备信号的时频图；
56.其中，第二变换模块包括：
57.第二短时傅里叶变换模块：用于计算机械设备信号的短时傅里叶变换；
58.第二群延时估计算子计算模块：计算机械设备信号的短时傅里叶变换关于频率变量的偏导数，利用该短时傅里叶变换关于频率变量的偏导数计算群延时估计算子；
59.第二瞬时频率算子计算模块：用于计算机械设备信号的短时傅里叶变换关于时间变量的偏导数，利用该短时傅里叶变换关于时间变量的偏导数计算瞬时频率算子；
60.第二二阶群延时估计算子模块：用于利用所述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子；
61.第二新二阶群延时估计算子获取模块：用于对二阶群延时估计算子进行迭代，当二阶时间重排同步压缩变换的瑞丽熵值稳定后，得到新的二阶群延时估计算子；
62.第二时频分布获取模块：利用新的二阶群延时估计算子将机械设备信号的短时傅里叶变换的时频系数沿频率轴方向重排，得到机械设备信号的时频分布。
63.本发明还提供了一种电子设备，包括：
64.一个或多个处理器；
65.存储装置，其上存储有一个或多个程序；
66.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明如上所述的机械设备早期故障诊断方法。
67.本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的机械设备早期故障诊断方法。
68.本发明具有如下有益效果：
69.本发明机械设备早期故障诊断方法通过获取机械设备信号中特征发生突变的突变特征信号，从突变特征信号的时频图中找出敏感频带，从敏感频带的时频图算出突变特征信号中相邻两次冲击之间的时间间隔，根据该时间间隔计算得到突变特征信号的故障频率，从机械设备信号的时频图中查找所述故障频率对应的时间间隔第一次出现的时间点，即可获取机械设备最早发生故障的时间点，从而实现了对机械设备故障的早期诊断，对于机械设备早期故障诊断有很大意义。
70.进一步的，获取突变特征信号的时频图以及机械设备信号的时频图过程中，均采用了本发明的提出的二阶时间重排同步压缩变换，本发明二阶时间重排同步压缩变换过程中通过多次迭代构造新的二阶群延时估计算子，同时引入快速算法的思想，将时频矩阵重叠分段，计算效率最多提升了99.8％，同时还能保证二阶迭代时间重排同步压缩变换仍然具有较高的时频聚集性。本发明二阶时间重排同步压缩变换在处理机械设备信号时，能得到更加清晰锐利的冲击效果，能清晰地看出冲击发生的时刻以及冲击间隔，成功对机械设备进行了故障诊断。
附图说明
71.图1为本发明实施例中机械设备早期故障诊断方法的流程图；
72.图2为本发明实施例中测试信号时域信号波形；
73.图3为本发明实施例中测试信号在时域中提取指标均方根值rms变化图；
74.图4(a)为利用现有二阶时间重排同步压缩变换对测试信号第80min内的振动数据处理后得到的时频图；图4(b)为利用本发明实施例中二阶时间重排同步压缩变换(n＝3)对测试信号第80min内的振动数据处理后得到的时频图；
75.图5(a)为利用现有二阶时间重排同步压缩变换对测试信号第61min内的振动数据处理后得到的时频图；图5(b)为利用本发明实施例中二阶时间重排同步压缩变换(n＝3)对测试信号第61min内的振动数据处理后得到的时频图；
76.图6(a)为利用现有二阶时间重排同步压缩变换对测试信号第62min内的振动数据处理后得到的时频图；图6(b)为利用本发明实施例中二阶时间重排同步压缩变换(n＝3)对测试信号第62min内的振动数据处理后得到的时频图；
77.图7(a)为利用现有二阶时间重排同步压缩变换对测试信号第63min内的振动数据处理后得到的时频图；图7(b)为利用本发明实施例中二阶时间重排同步压缩变换(n＝3)对测试信号第63min内的振动数据处理后得到的时频图。
具体实施方式
78.下面将结合附图和实施例对本发明作进一步说明。
79.参照图1，本发明提出了一种新的二阶时间重排同步压缩变换的方法，该方法具体是一种二阶迭代时间重排同步压缩变换，其包括以下步骤：
80.(1)选择窗函数g(t)，根据parseval定理计算时域信号x(t)的短时傅里叶变换(也即间－尺度域内的短时傅里叶变换)：
[0081][0082]
其中：u为时间变量；ξ为频率变量；g(t)为时域紧支撑的窗函数，本发明所采用的窗函数均为高斯窗函数
[0083]
(2)将上述短时傅里叶变换分别对频率变量ξ、时间变量u进行求偏导，计算群延时估计算子和瞬时频率算子
[0084][0085][0086]
(3)结合时间重排同步压缩变换的计算思路，利用上述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子：
[0087][0088]
其中：d为群延时调制因子
[0089][0090]
(4)选择迭代次数n，对上述二阶群延时估计算子进行迭代，使得二阶时间重排同步压缩变换的瑞丽熵值稳定，之后得到迭代后新的二阶群延时估计算子：
[0091][0092]
其中：二阶群延时估计算子可由公式进一步写成
[0093][0094]
(5)利用迭代后新的二阶群延时估计算子，将时间
‑
尺度域的短时傅里叶变换的时频系数沿频率轴方向重排，二阶迭代时间重排同步压缩变换的形式为：
[0095][0096]
其中：表示短时傅里叶变换的有效支撑集；δ(t)表示单位冲击函数； tv
x[n]
(t,ξ)表示二阶迭代时间重排同步压缩变换的时频分布。
[0097]
本发明新的二阶时间重排同步压缩变换的方法将群延时估计算子的逼近阶数转化为二阶，同时结合多次迭代思想使得新的二阶群延时估计算子更逼近理论群延时估计算子，减小两者之间的误差，提高了时频聚集性，进而能够实现机械设备的早期故障诊断。
[0098]
以上二阶时间重排同步压缩变换在机械设备故障诊断中的应用包括以下步骤：
[0099]
(1)截取机械设备故障信号中故障特征比较明显的一段信号，对该信号进行上述二阶迭代时间重排同步压缩变换，从该信号的时频图中找出敏感频带；
[0100]
(2)将该敏感频带的时频图进行局部放大，算出相邻两次冲击之间的时间间隔δt
i
，则取时间间隔δt
i
的倒数即可得到该故障信号的故障频率f＝1/δt
i
；
[0101]
(3)对获取整个机械设备信号进行二阶迭代时间重排同步压缩变换，从该信号的时频图中寻找上述故障频率对应的时间间隔出现的时间点，以该时间点即为机械设备最早发生故障的时间点，这样就实现了对该机械设备的早期故障诊断。
[0102]
进一步所述二阶迭代时间重排同步压缩变换还包括步骤(6)，通过二阶迭代时间重排同步压缩逆变换，得到重构信号
[0103]
所述二阶迭代时间重排同步压缩变换通过公式(7)多次迭代构造新的二阶群延时估计算子，减少二阶群延时估计算子与理论二阶群延时估计算子的误差，而后通过公式(8)只进行一次重排操作即可得到具有很高的时频聚集性的时频分布，同时引入快速计算方法提高计算效率。
[0104]
所述二阶迭代时间重排同步压缩变换步骤(5)的二阶迭代时间重排同步压缩变换的离散形式为：
[0105][0106]
其中：t为采样时间间隔；为时域信号x(t)的短时傅里叶变换的离散形式。
[0107]
实施例
[0108]
本实施例的二阶迭代时间重排同步压缩变换及其在机械设备故障诊断中的应用过程如下，其中二阶迭代时间重排同步压缩变换包括以下步骤：
[0109]
(1)选择窗函数g(t)，根据parseval定理计算时域信号x(t)的短时傅里叶变换：
[0110][0111]
其中：u为时间变量；ξ为频率变量；g(t)为时域紧支撑的窗函数，本专利所采用的窗函数均为高斯窗函数
[0112]
(2)将时间－尺度域内的短时傅里叶变换分别对频率变量ξ、时间变量u进行求偏导，计算群延时估计算子和瞬时频率算子
[0113][0114][0115]
(3)结合时间重排同步压缩变换的计算思路，利用上述群延时估计算子和瞬时频率算子计算二阶时间重排同步压缩变换的二阶群延时估计算子：
[0116][0117]
其中：d为群延时调制因子
[0118][0119]
(4)选择迭代次数n，计算二阶迭代时间重排同步压缩变换迭代后新的二阶群延时估计算子：
[0120][0121]
其中：二阶群延时估计算子可由公式进一步写成
[0122][0123]
(5)将时间
‑
尺度域的短时傅里叶变换的时频系数沿频率轴方向重排，二阶迭代时间重排同步压缩变换的形式为：
[0124][0125]
其中：表示短时傅里叶变换的有效支撑集；δ(t)表示单位冲击函数；tv
x[n]
(t,ξ)表示二阶迭代时间重排同步压缩变换的时频分布。
[0126]
以上二阶时间重排同步压缩变换在机械设备故障诊断中的应用包括以下步骤：
[0127]
(1)截取机械设备故障信号中故障特征比较明显的一段信号，对该信号进行二阶迭代时间重排同步压缩变换，从该信号的时频图中找出敏感频带；
[0128]
(2)将该敏感频带的时频图进行局部放大，算出相邻两次冲击之间的时间间隔δt
i
，则取时间的倒数即可得到该故障信号的故障频率f＝1/δt
i
；
[0129]
(3)对获取整个机械设备信号进行二阶迭代时间重排同步压缩变换，从该信号的时频图中寻找上述故障频率对应的时间间隔出现的时间点，以该时间点即为机械设备最早发生故障的时间点，这样就实现了对该机械设备的早期故障诊断。
[0130]
为了说明本实施例所提算法相比其他时频分析方法的优越性，将二阶迭代时间重排同步压缩变换应用到滚动轴承故障诊断中。使用xjtu
‑
sy轴承加速寿命试验数据，实验中使用的采样频率为25600hz。在图2中绘制了整个运行状态测试记录的振动信号的时域图。可以观察到，在80分钟后，振动信号幅值增加到一个更大的值，这表明这可能是轴承发生早期故障的阶段。123分钟后，幅值陡增，轴承发生外圈故障。根据生产商提供的轴承参数，计
算出当前轴转速下的轴承外圈故障特征频率为107.9hz。
[0131]
对轴承数据在时域中提取指标均方根值rms，如图3所示。通过计算rms可以发现轴承在78min后均方根值有增长，推测轴承在78min以后出现轻微故障。
[0132]
分析轴承早期缺陷阶段的振动信号，选取第80min内的振动数据，此阶段信号的振动幅度远小于真正故障阶段的幅度。为了更直观的观察到时频图中的有效特征，只展示其局部放大图。时频分析的结果如图4(a)和图4(b)所示，现有的二阶时间重排同步压缩变换虽然可以观察到冲击，但由于时频聚集性不够高，不能确定冲击的精准时刻和准确的时间间隔。观察图4(b)，本发明提出的二阶迭代时间重排同步压缩变换可以提取出精确的冲击特征以用于轴承的故障诊断，冲击特征之间的时间间隔为9.3ms，对应轴承外圈故障特征频率107.9hz，这表明了早期外圈故障的发生。因此本发明提出的二阶迭代时间重排同步压缩变换技术可以为轴承早期故障诊断提供有效的方法。
[0133]
同时对二阶时间重排同步压缩变换以及二阶迭代时间重排同步压缩变换进行计时，运行时间分别为170.056338s和2.718474s，采用所提出方法运行时间可减少98.4％，提高了运算效率。
[0134]
为了进一步验证本发明二阶迭代时间重排同步压缩变换在轴承早期微弱故障诊断中相比时域指标rms更加敏感，对第61min、62min和63min的轴承数据进行时频分析，结果局部放大图如图5(a)、图5(b)、图6(a)、图6(b)、及图7(a)和图7(b)。
[0135]
如图5(a)～图5(b)所示，第61min数据时频分析结果可以看出采用现有二阶时间重排同步压缩变换以及本发明二阶迭代时间重排同步压缩变换均未出现以9.3ms为时间间隔的冲击特征，表明此时轴承尚未发生故障。
[0136]
如图6(a)～图6(b)所示，第62min数据时频分析结果可以看出在本发明二阶迭代时间重排同步压缩变换时频图中出现以9.3ms为时间间隔的冲击特征，对应轴承外圈故障特征频率 107.9hz，而在现有二阶时间重排同步压缩变换时频图中未出现，由此可以说明采用本发明二阶迭代时间重排同步压缩变换算法可更早的发现轴承发生故障的时刻。
[0137]
如图7(a)～图7(b)所示，第63min数据时频分析结果可以看出在现有二阶时间重排同步压缩变换、本发明二阶迭代时间重排同步压缩变换时频图中均出现以9.3ms为时间间隔的冲击特征，对应轴承外圈故障特征频率107.9hz。
[0138]
在时频图6(a)、图6(b)、7(a)和图7(b)中均出现以9.3ms为时间间隔的冲击特征，对应轴承外圈故障特征频率107.9hz。虽然在此阶段冲击特征并不是规律的等时间间隔，但出现此间隔即可说明轴承故障处于萌生阶段，随着故障变得明显，冲击特征也变成规律地等时间间隔，进一步证明了本发明二阶迭代时间重排同步压缩变换在轴承早期微弱故障诊断中相比时域指标rms更加敏感，能够提前15min发现轴承发生故障；同时也可以发现二阶迭代时间重排同步压缩变换相比二阶时间重排同步压缩变换具有更强的时频聚集性，并统计两者运行时间，二阶迭代时间重排同步压缩变换能够最多减少99.8％，提高运算效率。
[0139]
综上可以看出，本发明在时间重排同步压缩变换算法基础上将逼近阶次从一阶提高到二阶，然后，通过多次迭代计算出更准确的群延时估计算子，最后进行重排操作使得时频脊线附近的能量得以最大程度的集中，获得具有更高时频聚集性的结果。考虑到工程实际中机械设备监测采样频率高、数据量大，引入快速计算方法，在有效减少运算复杂度的同时保证冲击信号能量的时频聚集性。同时首次将二阶迭代时间重排同步压缩变换应用到机
械设备的故障诊断中，能够更早提取出机械设备初期发生故障的故障特征，对于机械设备早期故障诊断有很大意义。
[0140]
以上实施例只是用于帮助理解本发明的实施方式，不能作为对本发明保护范围的限制；同时，对于本领域的一般技术人员，依据本发明的工作原理，在具体实施方式及应用范围上所作的任何改变，均视为不脱离本发明的保护范围。