本發(fā)明屬于故障診斷領(lǐng)域，具體地說是一種大型風(fēng)機(jī)運(yùn)行趨勢(shì)分析及故障預(yù)測(cè)方法。

背景技術(shù)：

大型風(fēng)機(jī)是一種將機(jī)械能轉(zhuǎn)化為輸送氣體壓力能和動(dòng)能的大型回轉(zhuǎn)設(shè)備。它在采礦、冶金、化工等行業(yè)中應(yīng)用廣泛且具有重要作用，風(fēng)機(jī)運(yùn)行的可靠性和連續(xù)性將直接影響工業(yè)生產(chǎn)的可靠性和安全性。但在實(shí)際生產(chǎn)中，由于設(shè)備運(yùn)行環(huán)境的惡劣、設(shè)備老化和安裝不當(dāng)?shù)纫蛩氐挠绊?，風(fēng)機(jī)發(fā)生故障的情況時(shí)有發(fā)生。此外，嚴(yán)重的停機(jī)故障的發(fā)生大多是由異常趨勢(shì)隨著時(shí)間積累不斷劣化，倘若能在故障早期分析識(shí)別出異常運(yùn)行趨勢(shì)，可大大減少嚴(yán)重故障的發(fā)生。

經(jīng)典診斷技術(shù)大多將研究的重點(diǎn)放在診斷環(huán)節(jié)，缺乏對(duì)設(shè)備運(yùn)行過程中的狀態(tài)趨勢(shì)分析及故障預(yù)測(cè)的研究。風(fēng)機(jī)異常趨勢(shì)狀態(tài)運(yùn)行時(shí)往往是故障發(fā)生的早期，由于故障特征表現(xiàn)的不明顯，檢修可能并不會(huì)立即執(zhí)行；而當(dāng)異常運(yùn)行狀態(tài)發(fā)展為嚴(yán)重故障后，往往又是“事后維修”，這樣不僅給企業(yè)造成了巨大的經(jīng)濟(jì)損失，同時(shí)給從業(yè)人員帶來嚴(yán)重的安全隱患，因此對(duì)大型風(fēng)機(jī)的運(yùn)行狀態(tài)趨勢(shì)進(jìn)行分析并對(duì)其故障進(jìn)行預(yù)測(cè)、減少“事后維修”就顯得尤為重要。相較于其他大型旋轉(zhuǎn)機(jī)械設(shè)備，大型風(fēng)機(jī)故障機(jī)理與振動(dòng)信號(hào)特性與其他旋轉(zhuǎn)機(jī)械不盡相同，應(yīng)用于旋轉(zhuǎn)機(jī)械的成熟技術(shù)可能并不一定適用，加之存在對(duì)風(fēng)機(jī)重要性認(rèn)識(shí)不足等問題，極大地限制和阻礙了對(duì)風(fēng)機(jī)運(yùn)行狀態(tài)趨勢(shì)預(yù)測(cè)與故障診斷技術(shù)的研究及實(shí)施。

對(duì)于大型風(fēng)機(jī)的運(yùn)行狀態(tài)趨勢(shì)分析及故障預(yù)測(cè)，其中很重要的問題是選擇監(jiān)測(cè)的參數(shù)。設(shè)備在運(yùn)行過程中以振動(dòng)現(xiàn)象最為普遍和明顯，機(jī)械設(shè)備只要運(yùn)轉(zhuǎn)則會(huì)產(chǎn)生振動(dòng)，風(fēng)機(jī)的振動(dòng)現(xiàn)象包含了豐富的故障信息。然而，隨著風(fēng)機(jī)的發(fā)展，風(fēng)機(jī)各狀態(tài)參量之間的聯(lián)系越來越緊密，設(shè)備在異常趨勢(shì)情況下往往伴隨著多個(gè)特征量的變化，只依靠單一狀態(tài)量的異常越來越難準(zhǔn)確的判斷設(shè)備的運(yùn)行趨勢(shì)，甚至還有可能造成誤判或錯(cuò)判。其次，風(fēng)機(jī)振動(dòng)監(jiān)測(cè)部分主要集中在傳動(dòng)系統(tǒng)(包括主軸、齒輪箱等部件)，這些振動(dòng)信號(hào)的測(cè)量獲取需要高精度的傳感器，并且大多數(shù)采用的是嵌入式的測(cè)量方法，獲取代價(jià)較高或不易獲取。再者，大型風(fēng)機(jī)的工作環(huán)境較為惡劣，其實(shí)際的生產(chǎn)工況復(fù)雜，包括強(qiáng)負(fù)載、原材料腐蝕性和設(shè)備自身及周圍的強(qiáng)輻射等，加大了單一變量進(jìn)行趨勢(shì)分析及故障預(yù)測(cè)的難度。并且，在實(shí)際的生產(chǎn)現(xiàn)場(chǎng)，大型風(fēng)機(jī)都有設(shè)置有嚴(yán)格的檢修計(jì)劃，且實(shí)時(shí)監(jiān)測(cè)的數(shù)據(jù)量大，關(guān)于振動(dòng)參量的精密檢測(cè)設(shè)備不可能隨時(shí)在線，在早期萌發(fā)階段，振動(dòng)參量反應(yīng)故障的趨勢(shì)需要時(shí)間的積累，故障數(shù)據(jù)極有可能淹沒在眾多正常數(shù)據(jù)當(dāng)中。相較于振動(dòng)參量，電參量信號(hào)獲取方便、精度較高、抗干擾能力強(qiáng)，當(dāng)風(fēng)機(jī)出現(xiàn)振動(dòng)加劇時(shí)，電機(jī)側(cè)負(fù)荷電流會(huì)出現(xiàn)升高等特征，也就是說電參量也包含了風(fēng)機(jī)大量運(yùn)行狀態(tài)的信息。因此，為了彌補(bǔ)單一參量進(jìn)行趨勢(shì)分析及故障預(yù)測(cè)帶來的不足，考慮引入以振動(dòng)參量為主導(dǎo)，輔以電參量的多元信息融合的數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行趨勢(shì)分析和故障預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明目的在于一種大型風(fēng)機(jī)運(yùn)行趨勢(shì)分析及故障預(yù)測(cè)方法，該方法針對(duì)故障初期故障表征不明顯導(dǎo)致的早期故障不易判別，以及由分析過程復(fù)雜、數(shù)據(jù)處理量大所導(dǎo)致的在線智能故障診斷效率低、實(shí)時(shí)性差等問題。通過引入以振動(dòng)參量為主導(dǎo)，輔以電參量的多元信息融合的數(shù)據(jù)驅(qū)動(dòng)方法，建立描述風(fēng)機(jī)運(yùn)行狀態(tài)的模型用于趨勢(shì)分析。在分析結(jié)果為異常的基礎(chǔ)上，預(yù)測(cè)引發(fā)該異常趨勢(shì)的最大可能性故障。從而實(shí)現(xiàn)對(duì)故障初期時(shí)的診斷與預(yù)測(cè)，提高維護(hù)與維修效率，保障人員、設(shè)備和工作環(huán)境的安全。為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

步驟一：建立大型風(fēng)機(jī)運(yùn)行狀態(tài)模型

1)將ti時(shí)刻采集到的振動(dòng)-電參量組成向量ki，則ki可以表示為ki＝[υ1,υ2,…,υ8]。其中[υ1,υ2,…,υ8]表示振動(dòng)參量的時(shí)域特征和電參量的時(shí)域特征組成的特征向量，選取υ1,υ2,…,υ8為振動(dòng)參量的均值、峰值、峭度、均方根值和功率的極差、均方根、標(biāo)準(zhǔn)差、峭度。

2)對(duì)ki進(jìn)行行向量的擴(kuò)展，組成一個(gè)由以上參數(shù)構(gòu)成的狀態(tài)特征矩陣v，v＝[k1,k2,…,km]^t。將時(shí)域振動(dòng)參量與電參量代入v，則v等價(jià)表示為：

3)考慮到單獨(dú)的特征矩陣不能反映設(shè)備連續(xù)運(yùn)行狀態(tài)趨勢(shì)，將時(shí)間序列上的采樣數(shù)據(jù)進(jìn)行分段處理，得到連續(xù)的特征狀態(tài)矩陣v，記這些連續(xù)的序列為vj，也就是將vj可以表示為vj＝[v1,v2,…,vn]，根據(jù)大型風(fēng)機(jī)的轉(zhuǎn)速以及傳感器采集頻率，同時(shí)為了在預(yù)測(cè)環(huán)節(jié)進(jìn)行fft變換后更方便的分析頻譜信息，在一連續(xù)時(shí)間段內(nèi)采集1024個(gè)點(diǎn)，由此確定vj＝[v1,v2,…,v4]。并連續(xù)采集8次，則j＝8。

4)將連續(xù)時(shí)間序列上相鄰兩個(gè)狀態(tài)作差，這樣就可以將相鄰狀態(tài)聯(lián)系起來，得到反映設(shè)備在運(yùn)行過程中相鄰狀態(tài)振動(dòng)信號(hào)-電參量最直接的變化關(guān)系，記為δv＝vj-vj-1，至此建立了描述大型風(fēng)機(jī)運(yùn)行狀態(tài)的特征模型。

步驟二：大型風(fēng)機(jī)運(yùn)行趨勢(shì)的分析

1)提取該特征差值矩陣δv的特征值組成狀態(tài)特征向量λ＝[λ1,λ2,…λα]，并求取特征值向量的范數(shù)||λ||，以此來表征各個(gè)差值特征矩陣的特征；

2)根據(jù)步驟一中對(duì)采樣點(diǎn)及采樣次數(shù)的確定，將該時(shí)間序列上的差值特征矩陣的特征值模向量組成新的特征向量η，η＝[||λ1||,||λ2||…,||λ7||]，將η作為支持向量機(jī)的輸入特征向量，建立基于svm的大型風(fēng)機(jī)運(yùn)行趨勢(shì)分析模型。

3)根據(jù)svm的訓(xùn)練過程中，svm選取核函數(shù)為徑向基函數(shù)參數(shù)，并選用ga算法進(jìn)行自動(dòng)的尋優(yōu)，保證分類正確率保持在95％以上，由此可得到最優(yōu)參數(shù)σ及懲罰因子c。其中σ為核參數(shù)σ，尋求最優(yōu)參數(shù)σ可改善svm對(duì)故障的識(shí)別性能，懲罰因子c表示對(duì)錯(cuò)誤樣本的懲罰程度。

4)通過對(duì)風(fēng)機(jī)運(yùn)行正常和異常趨勢(shì)的分類輸出，實(shí)現(xiàn)對(duì)大型風(fēng)機(jī)運(yùn)行趨勢(shì)的分析。

步驟三：大型風(fēng)機(jī)故障預(yù)測(cè)

針對(duì)運(yùn)行狀態(tài)趨勢(shì)分析為異常的情況，進(jìn)一步采用基于復(fù)信號(hào)雙邊譜與隱半馬爾科夫模型相結(jié)合的故障預(yù)測(cè)方法。

1)復(fù)信號(hào)雙邊譜是將同一截面上相互垂直的兩個(gè)通道的振動(dòng)信號(hào)構(gòu)造為一個(gè)復(fù)信號(hào)，對(duì)該復(fù)信號(hào)進(jìn)行一次fft變換，一次信號(hào)預(yù)處理、一次譜校正，無需對(duì)x、y方向信號(hào)分別進(jìn)行分析，直接得到雙邊譜，變換過后所得雙邊譜的幅值譜及相位譜中頻率存在正負(fù)之分且不對(duì)稱。

2)利用復(fù)信號(hào)雙邊譜分析方法提取信號(hào)在正負(fù)特征頻率下的幅值-3f,-2,-f,-1/2f,1/2f,f,-2f,3f，并將其組成故障特征矩陣。為了便于數(shù)據(jù)的處理并減少數(shù)據(jù)之間的相互影響，將所采集和選取的特征值進(jìn)行矢量歸一化的處理，使得所有的特征值都在[0,1]范圍內(nèi)。

3)每一個(gè)hmm對(duì)應(yīng)大型風(fēng)機(jī)的一種故障類型的一種時(shí)序過程，hmm的初始條件按照左右型的條件進(jìn)行約束和設(shè)置，其狀態(tài)轉(zhuǎn)移概率矩陣采用的是等概率的方法進(jìn)行初始化，而狀態(tài)轉(zhuǎn)移概率矩陣求解的自動(dòng)尋優(yōu)可由前向-后向算法解決。不同故障類型的復(fù)信號(hào)雙邊譜正負(fù)特征頻率下的振幅組成的特征矩陣即為觀測(cè)狀態(tài)矩陣，并將其作為訓(xùn)練hmm的輸入。

4)對(duì)于hmm訓(xùn)練的參數(shù)估計(jì)問題，由baum-welch算法利用遞歸的思想解決，以此尋求hmm最優(yōu)的模型參數(shù)，hmm中的各參量組成了數(shù)乘法中的變量，通過對(duì)目標(biāo)函數(shù)的極值進(jìn)行推導(dǎo)，建立新舊模型參數(shù)之間的關(guān)系，從而達(dá)到各參數(shù)的重估。迭代過程尋求新舊參量之間的關(guān)系，當(dāng)模型的參數(shù)不再發(fā)生明顯變化時(shí)，可以認(rèn)為迭代可以停止，此時(shí)得到的hmm的模型參數(shù)即為最優(yōu)參數(shù)。以此構(gòu)建大型風(fēng)機(jī)的hmms故障模型庫。

5)對(duì)于已經(jīng)確定初始化參數(shù)的hmm，對(duì)于模型的評(píng)判結(jié)果的好壞，可以通過輸出的似然概率值進(jìn)行最直觀的判斷。通過viterbi算法計(jì)算異常運(yùn)行趨勢(shì)在各hmms模型庫的似然對(duì)數(shù)值輸出，找出最大似然對(duì)數(shù)值所對(duì)應(yīng)的hmm故障模型，該模型所對(duì)應(yīng)的故障類型為引發(fā)異常運(yùn)行趨勢(shì)的最大可能性故障，由此實(shí)現(xiàn)對(duì)故障的預(yù)測(cè)。

本發(fā)明的有益效果在于：

該方法提出一種采用振動(dòng)信號(hào)和電參量信息聯(lián)合表征運(yùn)行狀態(tài)，通過對(duì)運(yùn)行狀態(tài)趨勢(shì)進(jìn)行預(yù)測(cè)分類的方法，實(shí)現(xiàn)對(duì)風(fēng)機(jī)早期故障的判別。通過將風(fēng)機(jī)運(yùn)行中的振動(dòng)信號(hào)與電參量結(jié)合起來建立表征運(yùn)行狀態(tài)的模型，可以更加完整全面的對(duì)風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行表征和描述。同時(shí)通過利用svm實(shí)現(xiàn)了小故障樣本條件下對(duì)大型風(fēng)機(jī)運(yùn)行趨勢(shì)的判別，并有效提高判別結(jié)果的可靠性。并且通過將復(fù)信號(hào)雙邊譜與hmm相結(jié)合的故障預(yù)測(cè)方法，在滿足特征提取可靠性的基礎(chǔ)上提高了響應(yīng)速度，實(shí)現(xiàn)對(duì)導(dǎo)致風(fēng)機(jī)異常運(yùn)行狀態(tài)的最大可能故障類型的預(yù)測(cè)。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行說明：

圖1為本發(fā)明具體實(shí)施方式的流程示意圖；

圖2為本發(fā)明具體實(shí)施方式的趨勢(shì)分析結(jié)果圖；

圖3為本發(fā)明具體實(shí)施方式hmms故障訓(xùn)練庫訓(xùn)練曲線結(jié)果圖；

圖4為本發(fā)明具體實(shí)施方式的最大似然對(duì)數(shù)值曲線對(duì)比圖。

具體實(shí)施方式

下面將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。

圖1為本發(fā)明所述方法的流程示意圖，如圖所示，本發(fā)明所述的一種大型風(fēng)機(jī)運(yùn)行趨勢(shì)分析及故障預(yù)測(cè)方法，包括如下步驟：步驟一：建立大型風(fēng)機(jī)運(yùn)行狀態(tài)模型；步驟二：大型風(fēng)機(jī)運(yùn)行趨勢(shì)的分析；步驟三：大型風(fēng)機(jī)故障預(yù)測(cè)。

步驟一：建立大型風(fēng)機(jī)運(yùn)行狀態(tài)模型

1)將ti時(shí)刻采集到的振動(dòng)-電參量組成向量ki，則ki可以表示為ki＝[υ1,υ2,…,υ8]。其中[υ1,υ2,…,υ8]表示振動(dòng)參量的時(shí)域特征和電參量的時(shí)域特征組成的特征向量，選取υ1,υ2,…,υ8為振動(dòng)參量的均值、峰值、峭度、均方根值和功率的極差、均方根、標(biāo)準(zhǔn)差、峭度。

2)對(duì)ki進(jìn)行行向量的擴(kuò)展，組成一個(gè)由以上參數(shù)構(gòu)成的狀態(tài)特征矩陣v，v＝[k1,k2,…,km]^t。將時(shí)域振動(dòng)參量與電參量代入v，則v等價(jià)表示為：

3)考慮到單獨(dú)的特征矩陣不能反映設(shè)備連續(xù)運(yùn)行狀態(tài)趨勢(shì)，將時(shí)間序列上的采樣數(shù)據(jù)進(jìn)行分段處理，得到連續(xù)的特征狀態(tài)矩陣v，記這些連續(xù)的序列為vj，也就是將vj可以表示為vj＝[v1,v2,…,vn]，根據(jù)大型風(fēng)機(jī)的轉(zhuǎn)速以及傳感器采集頻率，同時(shí)為了在預(yù)測(cè)環(huán)節(jié)進(jìn)行fft變換后更方便的分析頻譜信息，在一連續(xù)時(shí)間段內(nèi)采集1024個(gè)點(diǎn)，由此確定vj＝[v1,v2,…,v4]。并連續(xù)采集8次，則j＝8。

4)將連續(xù)時(shí)間序列上相鄰兩個(gè)狀態(tài)作差，這樣就可以將相鄰狀態(tài)聯(lián)系起來，得到反映設(shè)備在運(yùn)行過程中相鄰狀態(tài)振動(dòng)信號(hào)-電參量最直接的變化關(guān)系，記為δv＝vj-vj-1，至此建立了描述大型風(fēng)機(jī)運(yùn)行狀態(tài)的特征模型。

步驟二：大型風(fēng)機(jī)運(yùn)行趨勢(shì)的分析

1)提取該特征差值矩陣δv的特征值組成狀態(tài)特征向量λ＝[λ1,λ2,…λα]，并求取特征值向量的范數(shù)||λ||，以此來表征各個(gè)差值特征矩陣的特征；

2)根據(jù)步驟一中對(duì)采樣點(diǎn)及采樣次數(shù)的確定，將該時(shí)間序列上的差值特征矩陣的特征值模向量組成新的特征向量η，η＝[||λ1||,||λ2||…,||λ7||]，將η作為支持向量機(jī)的輸入特征向量，建立基于svm的大型風(fēng)機(jī)運(yùn)行趨勢(shì)分析模型。

3)根據(jù)svm的訓(xùn)練過程中，svm選取核函數(shù)為徑向基函數(shù)參數(shù)，并選用ga算法進(jìn)行自動(dòng)的尋優(yōu)，保證分類正確率保持在95％以上，由此可得到最優(yōu)參數(shù)σ＝1.75及懲罰因子c＝10.892。

4)通過對(duì)風(fēng)機(jī)運(yùn)行正常和異常趨勢(shì)的分類輸出，實(shí)現(xiàn)對(duì)大型風(fēng)機(jī)運(yùn)行趨勢(shì)的分析。

圖2為根據(jù)步驟一建立的大型風(fēng)機(jī)振動(dòng)信號(hào)-電參量運(yùn)行趨勢(shì)分析模型所得到的趨勢(shì)分析結(jié)果，class1表示的是正常運(yùn)行趨勢(shì)，class2表示的是異常運(yùn)行趨勢(shì)。

步驟三：大型風(fēng)機(jī)故障預(yù)測(cè)

針對(duì)運(yùn)行狀態(tài)趨勢(shì)分析為異常的情況，進(jìn)一步采用基于復(fù)信號(hào)雙邊譜與隱半馬爾科夫模型相結(jié)合的故障預(yù)測(cè)方法。

1)復(fù)信號(hào)雙邊譜是將同一截面上相互垂直的兩個(gè)通道的振動(dòng)信號(hào)構(gòu)造為一個(gè)復(fù)信號(hào)，對(duì)該復(fù)信號(hào)進(jìn)行一次fft變換，一次信號(hào)預(yù)處理、一次譜校正，無需對(duì)x、y方向信號(hào)分別進(jìn)行分析，直接得到雙邊譜，變換過后所得雙邊譜的幅值譜及相位譜中頻率存在正負(fù)之分且不對(duì)稱。

2)利用復(fù)信號(hào)雙邊譜分析方法提取信號(hào)在正負(fù)特征頻率下的幅值-3f,-2,-f,-1/2f,1/2f,f,-2f,3f，并將其組成故障特征矩陣。為了便于數(shù)據(jù)的處理并減少數(shù)據(jù)之間的相互影響，將所采集和選取的特征值進(jìn)行矢量歸一化的處理，使得所有的特征值都在[0,1]范圍內(nèi)。

3)每一個(gè)hmm對(duì)應(yīng)大型風(fēng)機(jī)的一種故障類型的一種時(shí)序過程，hmm的初始條件按照左右型的條件進(jìn)行約束和設(shè)置，其狀態(tài)轉(zhuǎn)移概率矩陣采用的是等概率的方法進(jìn)行初始化，而狀態(tài)轉(zhuǎn)移概率矩陣的求解的自動(dòng)尋優(yōu)可由前向-后向算法解決。不同故障類型的復(fù)信號(hào)雙邊譜正負(fù)特征頻率下的振幅組成的特征矩陣即為觀測(cè)狀態(tài)矩陣，并將其作為訓(xùn)練hmm的輸入。

4)對(duì)于hmm訓(xùn)練的參數(shù)估計(jì)問題，由baum-welch算法利用遞歸的思想解決，以此尋求hmm最優(yōu)的模型參數(shù)，hmm中的各參量組成了數(shù)乘法中的變量，通過對(duì)目標(biāo)函數(shù)的極值進(jìn)行推導(dǎo)，建立新舊模型參數(shù)之間的關(guān)系，從而達(dá)到各參數(shù)的重估。迭代過程尋求新舊參量之間的關(guān)系，當(dāng)模型的參數(shù)不再發(fā)生明顯變化時(shí)，可以認(rèn)為迭代可以停止，此時(shí)得到的hmm的模型參數(shù)即為最優(yōu)參數(shù)。以此構(gòu)建大型風(fēng)機(jī)的hmms故障模型庫。

5)對(duì)于已經(jīng)確定初始化參數(shù)的hmm，對(duì)于模型的評(píng)判結(jié)果的好壞，可以通過輸出的似然概率值進(jìn)行最直觀的判斷。通過viterbi算法計(jì)算異常運(yùn)行趨勢(shì)在各hmms模型庫的似然對(duì)數(shù)值輸出，找出最大似然對(duì)數(shù)值所對(duì)應(yīng)的hmm故障模型，該模型所對(duì)應(yīng)的故障類型為引發(fā)異常運(yùn)行趨勢(shì)的最大可能性故障，由此實(shí)現(xiàn)對(duì)故障的預(yù)測(cè)。

針對(duì)運(yùn)行狀態(tài)趨勢(shì)分析為異常的情況，進(jìn)一步采用基于復(fù)信號(hào)雙邊譜與隱半馬爾科夫模型相結(jié)合的故障預(yù)測(cè)方法。根據(jù)步驟二的實(shí)驗(yàn)結(jié)果，選擇的是不平衡、不對(duì)中、軸承座及基礎(chǔ)松動(dòng)和碰磨故障異常趨勢(shì)進(jìn)行進(jìn)一步的預(yù)測(cè)，則需要對(duì)以上四種故障建立hmms模型庫。利用復(fù)信號(hào)雙邊譜分析方法提取信號(hào)在正負(fù)特征頻率下的幅值-3f,-2,-f,-1/2f,1/2f,f,-2f,3f，并將其組成故障特征矩陣。接著，將不同故障類型的特征矩陣作為訓(xùn)練hmm的輸入，以此構(gòu)建大型風(fēng)機(jī)的hmms故障模型庫，圖3為不平衡、不對(duì)中、軸承座及基礎(chǔ)松動(dòng)和碰磨以及正常趨勢(shì)的hmm訓(xùn)練曲線。通過計(jì)算異常運(yùn)行趨勢(shì)在各hmms模型庫的似然對(duì)數(shù)值輸出，找出最大似然對(duì)數(shù)值所對(duì)應(yīng)的hmm故障模型，該模型所對(duì)應(yīng)的故障類型為引發(fā)異常運(yùn)行趨勢(shì)的最大可能性故障，由此實(shí)現(xiàn)對(duì)故障的預(yù)測(cè)。

由圖4最大似然對(duì)數(shù)值曲線對(duì)比圖可以得到10組測(cè)試數(shù)據(jù)的似然對(duì)數(shù)比較，其中(a)為不對(duì)中在hmms似然對(duì)數(shù)曲線、(b)為不平衡在hmms似然對(duì)數(shù)曲線、(c)為松動(dòng)在hmms似然對(duì)數(shù)曲線、(d)為碰磨在hmms似然對(duì)數(shù)曲線。由此判斷hmms模型庫識(shí)別造成異常趨勢(shì)的最大可能故障類型的準(zhǔn)確率。其對(duì)比值如下表1所示：

表1四種故障各10組樣本測(cè)試結(jié)果比較

實(shí)例結(jié)果分析：

由上述實(shí)例可見，在振動(dòng)信號(hào)與電參量數(shù)據(jù)相融合的方法的基礎(chǔ)上建立風(fēng)機(jī)運(yùn)行模型，同時(shí)利用支持向量機(jī)對(duì)風(fēng)機(jī)的運(yùn)行趨勢(shì)進(jìn)行分析，可以在小故障樣本條件下實(shí)現(xiàn)對(duì)大型風(fēng)機(jī)運(yùn)行趨勢(shì)的判別，并有效提高判別結(jié)果的可靠性。同時(shí)采取復(fù)信號(hào)雙邊譜與hmm相結(jié)合的故障預(yù)測(cè)方法，在已判別所觀測(cè)的風(fēng)機(jī)運(yùn)行狀態(tài)為異常的情況下，可以有效降低特征提取過程中的運(yùn)算量和分析的復(fù)雜性，在滿足特征提取可靠性的基礎(chǔ)上提高了響應(yīng)速度，實(shí)現(xiàn)對(duì)導(dǎo)致風(fēng)機(jī)異常運(yùn)行狀態(tài)的最大可能故障類型進(jìn)行預(yù)測(cè)。

最后說明的是，以上優(yōu)選實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述優(yōu)選實(shí)施例已經(jīng)對(duì)本發(fā)明進(jìn)行了詳細(xì)的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細(xì)節(jié)上對(duì)其做出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。