本發(fā)明屬于旋轉(zhuǎn)機(jī)械設(shè)備領(lǐng)域，具體涉及一種基于電流信號(hào)的轉(zhuǎn)子系統(tǒng)典型故障診斷方法。

背景技術(shù)：

旋轉(zhuǎn)機(jī)械是生產(chǎn)企業(yè)中應(yīng)用最為廣泛的機(jī)械設(shè)備，而轉(zhuǎn)子系統(tǒng)作為旋轉(zhuǎn)機(jī)械的核心部件，一旦出現(xiàn)故障將造成巨大的經(jīng)濟(jì)損失甚至人員的傷亡。目前，對(duì)轉(zhuǎn)子系統(tǒng)進(jìn)行故障診斷的方法主要以振動(dòng)分析為主，采集轉(zhuǎn)子系統(tǒng)運(yùn)行過(guò)程中的振動(dòng)信號(hào)，結(jié)合相應(yīng)的信號(hào)處理技術(shù)，判斷轉(zhuǎn)子系統(tǒng)是否存在故障。例如，公開號(hào)為cn101294845a的專利公開了一種“轉(zhuǎn)子早期故障的多頻率微弱信號(hào)檢測(cè)方法”，公開號(hào)為cn104697767a的專利公開了“一種基于振動(dòng)分析的轉(zhuǎn)子系統(tǒng)診斷方法及裝置”，公開號(hào)為cn101929917a的專利公開了“一種旋轉(zhuǎn)機(jī)械的故障診斷方法”。這三種方法都是以振動(dòng)檢測(cè)理論為基礎(chǔ)，通過(guò)采集轉(zhuǎn)子系統(tǒng)的振動(dòng)信號(hào)，利用特定的信號(hào)處理技術(shù)提取振動(dòng)信號(hào)的不同故障特征，以實(shí)現(xiàn)故障診斷的目的。公開號(hào)為cn103245491a的專利公開了一種“基于確定學(xué)習(xí)理論的轉(zhuǎn)子系統(tǒng)故障診斷方法”。此方法同樣以振動(dòng)檢測(cè)為基礎(chǔ)，但其從機(jī)器學(xué)習(xí)理論角度出發(fā)，利用確定學(xué)習(xí)理論實(shí)現(xiàn)對(duì)轉(zhuǎn)子系統(tǒng)的故障診斷。

振動(dòng)檢測(cè)手段在理論上已經(jīng)較為成熟，應(yīng)用上也十分廣泛，然而在信號(hào)采集過(guò)程中，振動(dòng)信號(hào)極易受現(xiàn)場(chǎng)惡劣環(huán)境的影響，造成信號(hào)中噪聲成分過(guò)多，有用信號(hào)被湮沒，對(duì)故障診斷結(jié)果產(chǎn)生較大的影響。電機(jī)電流分析法(motorcurrentsignalanalysis,mcsa)是利用電動(dòng)機(jī)的定子電流信號(hào)來(lái)對(duì)電機(jī)及其拖動(dòng)系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)的新方法，其優(yōu)點(diǎn)在于：mcsa能夠有效的減小監(jiān)測(cè)成本，幾乎不會(huì)對(duì)機(jī)械系統(tǒng)產(chǎn)生干擾，同時(shí)電流信號(hào)抗干擾能力更強(qiáng)，電流信號(hào)較振動(dòng)信號(hào)信噪比更高，信號(hào)更為準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于電機(jī)電流信號(hào)、診斷準(zhǔn)確、易于實(shí)施的轉(zhuǎn)子系統(tǒng)典型故障診斷方法，可用于轉(zhuǎn)子系統(tǒng)質(zhì)量不平衡、偏角不對(duì)中和平行不對(duì)中等故障的診斷。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于電流信號(hào)的轉(zhuǎn)子系統(tǒng)典型故障診斷方案分，包括下述步驟：

(1)在驅(qū)動(dòng)電機(jī)電源輸入端布置霍爾電流傳感器，采集電機(jī)電流信號(hào)；

(2)利用改進(jìn)的小波閾值去噪法對(duì)電流信號(hào)進(jìn)行去噪處理；

(3)針對(duì)傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解存在模態(tài)混疊的缺點(diǎn)，利用總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法改善模態(tài)混疊現(xiàn)象，對(duì)去噪后的電流信號(hào)進(jìn)行分解；

(4)去除無(wú)意義的imf分量，提取剩余imf分量的幅值域和時(shí)頻域特征，組成特征向量；

(5)針對(duì)特征向量維數(shù)過(guò)多的缺點(diǎn)，利用主成分分析法對(duì)多維特征向量進(jìn)行降維處理，得到維數(shù)較少、互相獨(dú)立的特征向量；

(6)將步驟五得到的特征向量作為輸入，以轉(zhuǎn)子系統(tǒng)故障類型作為輸出，利用支持向量機(jī)建立特征向量與故障類型的非線性映射關(guān)系，實(shí)現(xiàn)對(duì)不同故障的診斷。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

1、本發(fā)明故障診斷方法利用電機(jī)電流信號(hào)實(shí)現(xiàn)對(duì)轉(zhuǎn)子系統(tǒng)的故障診斷，相比傳統(tǒng)的振動(dòng)檢測(cè)技術(shù)，抗干擾能力更強(qiáng)，信號(hào)更加準(zhǔn)確，電流傳感器成本更低，實(shí)施更為方便。

2、本發(fā)明對(duì)小波閾值去噪函數(shù)進(jìn)行改進(jìn)，提出了一種新的閾值函數(shù)，結(jié)合信號(hào)本身的特點(diǎn)，選取不同閾值進(jìn)行去噪處理，具有一定的自適應(yīng)性。該方法可推廣至其他領(lǐng)域的信號(hào)處理，有效的對(duì)信號(hào)進(jìn)行去噪預(yù)處理。

3、本發(fā)明利用eemd對(duì)電流信號(hào)進(jìn)行分解，提取各imf分量的幅值域和時(shí)頻域特征。這可以克服電流信號(hào)工頻強(qiáng)大、故障特征易被湮沒的缺點(diǎn)，有效的提取電流信號(hào)中微弱的故障特征信息。該特征提取方法還可用于其他機(jī)械系統(tǒng)的故障特征提取，有效提取故障特征信息。

附圖說(shuō)明

圖1是本發(fā)明的實(shí)施流程圖；

圖2是本發(fā)明改進(jìn)小波閾值去噪法實(shí)施流程圖；

圖3是本發(fā)明的電流信號(hào)特征提取流程圖；

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明：本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程。

如圖1所示，本實(shí)施例包括如下步驟：

1、采集轉(zhuǎn)子系統(tǒng)不同故障下的電機(jī)電流信號(hào)。轉(zhuǎn)子系統(tǒng)發(fā)生故障時(shí)，會(huì)引起轉(zhuǎn)軸上扭矩的波動(dòng)，這個(gè)扭矩波動(dòng)反饋給電動(dòng)機(jī)進(jìn)而造成電機(jī)電流的變化。

2、為避免電機(jī)啟動(dòng)階段電流變化的影響，采集電機(jī)勻速轉(zhuǎn)動(dòng)時(shí)的電流信號(hào)，以此作為待處理的時(shí)域信號(hào)x(t)；其中，t＝1,2,…,n表示信號(hào)采集的時(shí)間間隔，n表示采樣點(diǎn)數(shù)。

3、對(duì)采集的電流信號(hào)進(jìn)行去噪預(yù)處理，得到信號(hào)

去噪預(yù)處理具體操作步驟如下：

(1)軟閾值函數(shù)為：

其中，λ是設(shè)定的閾值，采用通用閾值σ為噪聲方差，n為信號(hào)長(zhǎng)度。

硬閾值函數(shù)為：

為了克服傳統(tǒng)軟、硬閾值函數(shù)的缺點(diǎn)，對(duì)其進(jìn)行改進(jìn)，得到新的折衷閾值函數(shù)表達(dá)式：

其中，λ是設(shè)定的閾值，wj,k表示去噪后第j層小波分解分量的第k個(gè)系數(shù)，為閾值處理后的分解系數(shù)，0≤μ≤1。當(dāng)μ趨于0時(shí)，折衷函數(shù)趨近于軟閾值函數(shù)，此時(shí)去噪信號(hào)更為光滑；當(dāng)μ趨于1時(shí)，折衷函數(shù)趨近于硬閾值函數(shù)，此時(shí)去噪能力更強(qiáng)。然而μ的取值仍需大量實(shí)驗(yàn)來(lái)獲得，有很大的不便。

(2)采取μ為非定值的方法。令

當(dāng)|wj,k|較大時(shí)，說(shuō)明噪聲信號(hào)中突變較多，此時(shí)μ增加，折衷函數(shù)偏向于硬閾值函數(shù)，有很好的去噪能力；當(dāng)wj,k較小時(shí)，說(shuō)明噪聲信號(hào)較為平滑穩(wěn)定，此時(shí)μ減小，折衷函數(shù)偏向軟閾值函數(shù)，有很好的光滑性。

4、將去噪后的信號(hào)進(jìn)行eemd分解，并篩選出前p個(gè)imf分量；

5、對(duì)篩選出的imf分量提取幅值域和時(shí)頻域特征。

本發(fā)明選取13種幅值域特征和1種時(shí)頻域特征。

13種幅值域特征分別為：

(1)均值：(2)均方根值：

(3)方根幅值：(4)絕對(duì)平均值：

(5)偏斜度：(6)峭度：

(7)方差：(8)峰峰值：h＝max(xi)-min(xi)；

(9)波形指標(biāo)：(10)峰值指標(biāo)：

(11)脈沖指標(biāo)：(12)裕度指標(biāo)：

(13)峭度指標(biāo)：

時(shí)頻域特征為：

能量熵：

6、利用主成分分析法對(duì)特征向量進(jìn)行降維處理，進(jìn)而組成新特征向量：

(1)將特征向量進(jìn)行歸一化，歸一化函數(shù)為：

其中，xmax為特征向量的最大值，xmin為特征向量的最小值，x^*為歸一化后的特征向量，x^*∈[0,1]。

(2)對(duì)歸一化后的特征向量進(jìn)行主成分分析降維處理，選取貢獻(xiàn)率超過(guò)95％的特征組成新特征向量。

7、采用粒子群優(yōu)化的支持向量機(jī)算法建立特征向量與不同故障類型之間的非線性映射關(guān)系，得到最終識(shí)別結(jié)果：

(1)建立訓(xùn)練及識(shí)別樣本集：即將新特征向量作為輸入樣本，以不同的故障類型作為估計(jì)目標(biāo)，采用轉(zhuǎn)子試驗(yàn)臺(tái)不同故障下的320組電機(jī)電流數(shù)據(jù)，隨機(jī)選取265組作為訓(xùn)練樣本，其余的55組作為測(cè)試樣本。

(2)支持向量機(jī)參數(shù)的選擇：本發(fā)明應(yīng)用支持向量機(jī)算法對(duì)故障類型進(jìn)行識(shí)別，核函數(shù)采用徑向基核函數(shù)其中，σ是核函數(shù)的半徑。利用粒子群優(yōu)化算法對(duì)參數(shù)懲罰因子c和松弛因子g進(jìn)行尋優(yōu)，以均勻絕對(duì)誤差為適應(yīng)度測(cè)評(píng)參數(shù)的性能，其中,yi為相應(yīng)參數(shù)的輸出值，為相應(yīng)參數(shù)的實(shí)際值，me為適應(yīng)度值。

表1為故障診斷結(jié)果，結(jié)果顯示本發(fā)明所述的故障診斷方法可以獲得較好的準(zhǔn)確率。

表1本發(fā)明所述方法得到的故障診斷結(jié)果

綜合實(shí)施例的上述分析，利用電流信號(hào)進(jìn)行轉(zhuǎn)子系統(tǒng)的故障診斷是可行的，本發(fā)明所述方法能夠有效的提取電流信號(hào)中的微弱故障特征，采用粒子群優(yōu)化的支持向量機(jī)算法能夠?qū)收项愋妥鞒鲇行袛?，故障診斷率較高，該方法也可推廣至其他旋轉(zhuǎn)機(jī)械的故障診斷中。