多光纤光栅传感器转子机组故障特征数据库的建立方法与流程

1.本发明属于大型旋转装置监测技术领域，具体涉及一种基于多光纤光栅传感器的转子机组故障特征数据库的建库方法及系统。


背景技术：

2.随着科技水平的提高，机械设备不断朝着高速、重载、高稳定性的方向发展，机械结构日趋复杂，工作环境也愈加恶劣。转子广泛应用于旋转机组中，尤其是发动机组。不平衡、不对中、动静摩擦、松动都是转子机组的常见故障，对发动机组的安全稳定运行构成了严重的威胁，甚至危害人们的生命安全。因此，对转子进行故障监测具有重大意义。
3.当前常见的故障诊断大多通过提取振动信息特征参数，并对特征参数进行分类，判断出转子的故障类型。相比构建故障数据库，该方法诊断速度较慢，适用于定期对大量数据进行分析，不利用长期对设备进行实时快速的诊断。并且仅通过单一振动信号参量对故障进行判定，容易出现误判的情况。
4.既有专利有通过校验后的动力学模型参数构建故障数据库，再通过特征提取方法，用特征值代替振动数据。该方法无聚类分析算法，需要预先根据实际数据划分好故障类别，在已知故障数据分类不明确的情况下，该方法难以实施。并且该方法下数据库不能进行自动更新，在遇到新类型故障情况下，无法将该故障加入数据库。
5.还有专利利用多小波技术进行特征提取，然后用k-means算法进行聚类分析，构建特征库。该发明的仅对振动信号单一参量进行聚类分析，容易出现误判的情况，准确率不高。


技术实现要素：

6.本发明主要目的提供一种准确率更高的多光纤光栅传感器转子机组故障特征数据库的建立方法。
7.本发明所采用的技术方案是：
8.提供一种多光纤光栅传感器转子机组故障特征数据库的建立方法，包括：
9.s1、对采集的传感器实时信息进行解调，得到对应的振动信号和温度值；
10.s2、通过基于经验模态分解emd对振动信号进行特征分解，并进行hilbert变换得到相应的边际谱能量特征值；
11.s3、通过融合了贝叶斯公式的改进k-means算法将边际谱能量特征值和温度值一一对应，并进行数据融合和聚类分析；
12.s4、将分类后的振动特征值和温度值分类存入数据库，建立故障特征数据库；
13.其中步骤s3具体包括以下步骤：
14.s31、随机选取一个经hilbert变换的边际谱能量特征值作为第一个聚类中心，计算所有边际谱能量特征值和该第一个聚类中心之间的欧式距离，并根据计算结果选取下一个聚类中心，重复该步骤，直到k个聚类中心被选出；
15.s32、计算其余边际谱能量特征值到k个聚类中心的距离，并将它们归类到最近的聚类中心所属的类别中；
16.s33、重新计算出新的k个聚类中心，如果相邻两次聚类中心没有任何变化，则聚类结束，否则进入下一次迭代；
17.s34、通过贝叶斯公式将一一对应的边际谱能量特征值和温度值进行融合，计算每个边际谱能量特征值对应的后验概率，若后验概率大于预设值，则保持所在聚类的类别，否则调整为正常状态,若原来为正常状态，后验概率大于预设值,则通过人工判断将其加入k-1个聚类中的一种。。
18.接上述技术方案，步骤s34中具体通过贝叶斯公式接上述技术方案，步骤s34中具体通过贝叶斯公式计算后验概率，其中b为边际谱能量特征值，c为与b对应的温度值，b、c之间是相互独立的，i，j取值为0或者1，其中a0表示转子正常，a1表示转子故障，利用先验知识计算先验概率p(ai)和条件概率p(b∨c|ai)；根据转子部位对温度参量划分阈值，大于阈值认为是故障温度，小于阈值则认为正常温度。
19.接上述技术方案，步骤s2具体包括以下步骤：
20.s21、通过emd对振动信号h(t)进行特征分解，用三次样条线将极大值点连接形成上包络线，将极小值连接形成下包络线；求出上下包络线的平均值ai，bi＝h(t)-ai，若bi满足特征模态函数的两个条件，则将bi记成第一个分量imf，另记为c1；进一步进行特征分解得到多个分量imf，并将得到的各个imf分类记为ci(t)，其中i＝1
…
n，n为自然数；
21.s22、对各个imf分量ci进行hilbert变换，得到hilbert时频谱，并计算hilbert边际谱，得到分解后特征相应的边际谱能量特征值。
22.本发明还提供了一种基于多光纤光栅传感器转子机组故障特征数据库的构建系统，包括：
23.解调模块，用于对采集的传感器实时信息进行解调，得到对应的振动信号和温度值；
24.特征分解模块，用于通过基于经验模态分解emd对振动信号进行特征分解，并进行hilbert变换得到相应的边际谱能量特征值；
25.融合聚类模块，用于通过融合了贝叶斯公式的改进k-means算法将边际谱能量特征值和温度值一一对应，并进行数据融合和聚类分析；
26.构建数据库模块，用于将分类后的振动特征值和温度值分类存入数据库，建立故障特征数据库；
27.其中融合聚类模块具体包括：
28.聚类子模块，用于随机选取一个经hilbert变换的边际谱能量特征值作为第一个聚类中心，计算所有边际谱能量特征值和该第一个聚类中心之间的欧式距离，并根据计算结果选取下一个聚类中心，重复该步骤，直到k个聚类中心被选出；计算其余边际谱能量特征值到k个聚类中心的距离，并将它们归类到最近的聚类中心所属的类别中；
29.调整模块，用于重新计算出新的k个聚类中心，如果相邻两次聚类中心没有任何变化，则聚类结束，否则进入下一次迭代；
30.融合子模块，用于通过贝叶斯公式将一一对应的边际谱能量特征值和温度值进行
融合，计算每个边际谱能量特征值对应的后验概率，若后验概率大于预设值，则保持所在聚类的类别，否则调整为正常状态,若原来为正常状态，后验概率大于预设值,则通过人工判断将其加入k-1个聚类中的一种。。
31.接上述技术方案，融合子模块具体通过贝叶斯公式接上述技术方案，融合子模块具体通过贝叶斯公式计算后验概率，其中b为边际谱能量特征值，c为与b对应的温度值，b、c之间是相互独立的，i，j取值为0或者1，其中a0表示转子正常，a1表示转子故障，利用先验知识计算先验概率p(ai)和条件概率p(b∨c|ai)；根据转子部位对温度参量划分阈值，大于阈值认为是故障温度，小于阈值则认为正常温度。
32.接上述技术方案，特征分解模块具体包括：
33.emd特征分解子模块，用于通过emd对振动信号h(t)进行特征分解，用三次样条线将极大值点连接形成上包络线，将极小值连接形成下包络线；求出上下包络线的平均值ai，bi＝h(t)-ai，若bi满足特征模态函数的两个条件，则将bi记成第一个分量imf，另记为c1；进一步进行特征分解得到多个分量imf，并将得到的各个imf分类记为ci(t)，其中i＝1
…
n，n为自然数；
34.hilbert变换子模块，用于对各个imf分量ci进行hilbert变换，得到hilbert时频谱，并计算hilbert边际谱，得到分解后特征相应的边际谱能量特征值。
35.本发明还提供了一种计算机存储介质，其可被处理器执行，其内存储有计算机程序，该计算机程序执行上述技术方案所述的多光纤光栅传感器转子机组故障特征数据库的建立方法。
36.本发明产生的有益效果是：本发明提出了基于贝叶斯公式的改进的聚合分析算法，将温度传感器和振动传感器的监测数据进行了数据融合，降低了漏判、误判的概率。构建的转子机组故障特征数据库方法，能够满足多个部位的故障检测，具有更高的效率。
附图说明
37.下面将结合附图及实施例对本发明作进一步说明，附图中：
38.图1是本发明实施例多光纤光栅传感器转子机组故障特征数据库的建立方法流程图；
39.图2是图中步骤s3的具体流程图；
40.图3是本发明另一实施例的多光纤光栅传感器转子机组故障特征数据库的建立方法的流程图；
41.图4为本发明实施例改进的改进k-means算法流程图；
42.图5是本发明实施例基于多光纤光栅传感器转子机组故障特征数据库的构建系统结构示意图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
44.如图1所示，本发明实施例多光纤光栅传感器转子机组故障特征数据库的建立方法，包括：
45.s1、对采集的传感器实时信息进行解调，得到对应的振动信号和温度值；
46.s2、通过基于经验模态分解emd对振动信号进行特征分解，并进行hilbert变换得到相应的边际谱能量特征值；
47.s3、通过融合了贝叶斯公式的改进k-means算法将边际谱能量特征值和温度值一一对应，并进行数据融合和聚类分析；
48.s4、将分类后的振动特征值和温度值分类存入数据库，建立故障特征数据库；
49.其中，如图2所示，步骤s3具体包括以下步骤：
50.s31、随机选取一个经hilbert变换的边际谱能量特征值作为第一个聚类中心，计算所有边际谱能量特征值和该第一个聚类中心之间的欧式距离，并根据计算结果选取下一个聚类中心，重复该步骤，直到k个聚类中心被选出；
51.s32、计算其余边际谱能量特征值到k个聚类中心的距离，并将它们归类到最近的聚类中心所属的类别中；
52.s33、重新计算出新的k个聚类中心，如果相邻两次聚类中心没有任何变化，则聚类结束，否则进入下一次迭代；
53.s34、通过贝叶斯公式将一一对应的边际谱能量特征值和温度值进行融合，计算每个边际谱能量特征值对应的后验概率，若后验概率大于预设值，则保持所在聚类的类别，否则调整为正常状态,若原来为正常状态，后验概率大于预设值,则通过人工判断将其加入k-1个聚类中的一种。
54.进一步地，步骤s34中具体通过贝叶斯公式计算后验概率，其中b为边际谱能量特征值，c为与b对应的温度值，b、c之间是相互独立的，i，j取值为0或者1，其中a0表示转子正常，a1表示转子故障，利用先验知识计算先验概率p(ai)和条件概率p(b∨c|ai)；根据转子部位对温度参量划分阈值，大于阈值认为是故障温度，小于阈值则认为正常温度。
55.进一步地，步骤s2具体包括以下步骤：
56.s21、通过emd对振动信号h(t)进行特征分解，用三次样条线将极大值点连接形成上包络线，将极小值连接形成下包络线；求出上下包络线的平均值ai，bi＝h(t)-ai，若bi满足特征模态函数的两个条件，则将bi记成第一个分量imf，另记为c1；进一步进行特征分解得到多个分量imf，并将得到的各个imf分类记为ci(t)，其中i＝1
…
n，n为自然数；
57.s22、对各个imf分量ci进行hilbert变换，得到hilbert时频谱，并计算hilbert边际谱，得到分解后特征相应的边际谱能量特征值。
58.本发明的另一实施例中，如图3所示，多光纤光栅传感器转子机组故障特征数据库的建立方法包括以下步骤：
59.步骤一、读取数据：通过光纤光栅解调仪，对采集到的传感器实时信息进行解调得到对应的振动信号和温度值。
60.作为一种举例说明，振动信号和温度值均为一维信号。
61.步骤二、emd-hilbert特征提取：通过emd(基于经验模态分解)对振动信号数据进
行特征分解，然后进行hilbert(希尔伯特)变换得到边际谱能量特征值。
62.作为一种举例说明，对信号h(t)进行分解。
63.用三次样条线将极大值点连接形成上包络线，将极小值连接形成下包络线。
64.求出上下包络线的平均值ai，h(t)-ai＝bi。
65.若bi满足特征模态函数的两个条件，则将bi记成第一个分量imf，另记为c1(t)。若不满足，则将bi作为原始信号h(t)重复上步骤，直到bi满足条件。
66.将c1(t)从h(t)分离出来，r1＝h(t)-c1(t)，将r1代入第一步，重复上述步骤，同理分离出其他分量imf，得到分量imf分类ci(t)(i＝1
…
n)。
67.对各个imf分量ci做hilbert变化，并得到hilbert时频谱h(ω,t)。
68.得到hilbert边际谱h(ω),从而得到hilbert边际谱能量特征值e，其中ω1和ω2为转子故障频率范围。
69.步骤三、如图4所示，为改进的k-means算法流程图，通过贝叶斯对振动信号特征值和温度参量进行数据融合，进行聚类分析。
70.随机选取一个hilbert边际谱能量特征值作为第一个聚类中心，用g表示。
71.计算特征值e和最近的聚类中心之间的欧式距离，再对e成为下一个聚类中心的概率进行计算，选取概率大的作为下一个聚类中心。重复该步骤，直到k个聚类中心被选出。
72.计算e到k个聚类中心的距离，并将它们归类到最近的聚类中心所属的类别中。
73.调整后计算新的聚类中心(即任选另一个hilbert边际谱能量特征值作为第一个聚类中心，按照上述方法重新计算出k个聚类中心)，如果相邻两次聚类中心没有任何变化，则调整结束，否则进入下一次迭代。
74.通过聚类中心特征值对应的原始数据的故障类别，可以确认每种分类对应的故障以及正常工作状态。
75.通过贝叶斯公式计算后验概率。其中b为振动特征，b1为振动特征值属于故障分类，b0为振动特征值属于正常分类。c为温度值，c1为振动特征值属于故障分类，c0为振动特征值属于正常分类。b、c之间是相互独立的。a0表示转子正常，a1表示转子故障。
76.通过历史数据得到先验知识可以得到先验概率p(ai)和条件概率p(bk∨c
l
|ai)。
77.对温度参量根据转子部位划分阈值，大于阈值认为故障温度，小于阈值则认为正常。
78.将振动信号每个特征值与温度参量一一对应。若后验概率大于百分之50，则保持原有类别，否则调整为正常状态。若原来为正常状态，后验概率大于百分之50。则通过人工判断将其加入k-1种分类中的一种。
79.步骤四、故障数据库的建库与管理：将分类后的特征值和温度参量分类存入数据库，建立故障特征数据库。
80.数据的判定通过计算与数据库中特征值的相关系数进行判断，表达式为：
81.cov(x,y)是x，y的协方差，var[x]和var[y]是x、y的方差。x和y分别对应待测数据的振动数据特征值和数据库中振动数据特征值。当相关系数大于0.5时，认定这两组数据具有很大得相关性，进而进行故障判定。当相关系数小于0.5时，认为相关性不强，进行人工判断。若为已知类型，则存入该类型数据库。若为新的故障类型，则加入新的分类。实现故障特征数据库的动态更新。
[0082]
本发明实施例基于多光纤光栅传感器转子机组故障特征数据库的构建系统，包括：
[0083]
解调模块，用于对采集的传感器实时信息进行解调，得到对应的振动信号和温度值；
[0084]
特征分解模块，用于通过基于经验模态分解emd对振动信号进行特征分解，并进行hilbert变换得到相应的边际谱能量特征值；
[0085]
融合聚类模块，用于通过融合了贝叶斯公式的改进k-means算法将边际谱能量特征值和温度值一一对应，并进行数据融合和聚类分析；
[0086]
构建数据库模块，用于将分类后的振动特征值和温度值分类存入数据库，建立故障特征数据库；
[0087]
其中融合聚类模块具体包括：
[0088]
聚类子模块，用于随机选取一个经hilbert变换的边际谱能量特征值作为第一个聚类中心，计算所有边际谱能量特征值和该第一个聚类中心之间的欧式距离，并根据计算结果选取下一个聚类中心，重复该步骤，直到k个聚类中心被选出；计算其余边际谱能量特征值到k个聚类中心的距离，并将它们归类到最近的聚类中心所属的类别中；
[0089]
调整模块，用于重新计算出新的k个聚类中心，如果相邻两次聚类中心没有任何变化，则聚类结束，否则进入下一次迭代；
[0090]
融合子模块，用于通过贝叶斯公式将一一对应的边际谱能量特征值和温度值进行融合，计算每个边际谱能量特征值对应的后验概率，若后验概率大于预设值，则保持所在聚类的类别，否则调整为正常状态,若原来为正常状态，后验概率大于预设值,则通过人工判断将其加入k-1个聚类中的一种。
[0091]
融合子模块具体通过贝叶斯公式计算后验概率，其中b为边际谱能量特征值，c为与b对应的温度值，b、c之间是相互独立的，i，j取值为0或者1，其中a0表示转子正常，a1表示转子故障，利用先验知识计算先验概率p(ai)和条件概率p(bvc|ai)；根据转子部位对温度参量划分阈值，大于阈值认为是故障温度，小于阈值则认为正常温度。
[0092]
特征分解模块具体包括：
[0093]
emd特征分解子模块，用于通过emd对振动信号h(t)进行特征分解，用三次样条线将极大值点连接形成上包络线，将极小值连接形成下包络线；求出上下包络线的平均值ai，bi＝h(t)-ai，若bi满足特征模态函数的两个条件，则将bi记成第一个分量imf，另记为c1；进一步进行特征分解得到多个分量imf，并将得到的各个imf分类记为ci(t)，其中i＝1
…
n，n
为自然数；
[0094]
hilbert变换子模块，用于对各个imf分量ci进行hilbert变换，得到hilbert时频谱，并计算hilbert边际谱，得到分解后特征相应的边际谱能量特征值。
[0095]
本技术还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于被处理器执行时实现方法实施例多光纤光栅传感器转子机组故障特征数据库的建立方法。
[0096]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。