專利名稱：機械設備狀態的智能可視化監測與診斷方法
技術領域：
本發明涉及的是一種機械工程技術領域的方法，具體是一種機械設備狀態的智能 可視化監測與診斷方法。
背景技術：
基于狀態的設備維護是一種新興的設備維護技術，它在識別設備狀態的基礎上實 施適當的維護，不僅能夠有效避免設備故障的發生，同時還能夠降低維護成本。因此，基于 狀態的設備維護在機械設備維護領域被廣泛應用。設備狀態識別的一般路徑是在所關心設 備上安裝傳感器，采集相應的信號，通過對信號的分析獲取設備狀態信息，在此基礎上結合 先驗的診斷知識確定設備狀態。其中，廣泛被采集和分析的信號有壓力、流量、振動、電流、 應變等。傳統的設備狀態識別方法通過分析采集信號的頻譜圖、時頻圖等可視化的譜分析 技術來診斷設備狀態。但這種方式對設備維護人員專業素質要求較高。因此，自動化的設 備狀態智能診斷方法也被廣泛采納。但是，智能診斷方法往往又缺乏人的靈活性。此外，在 實際診斷應用中，設備的故障樣本信號獲取比較困難，使得智能化的診斷方法的應用受限， 并對未知的設備故障容易產生誤診斷的情況。因此，一種能夠結合自動化智能診斷方法，并 能夠充分利用人在診斷過程中靈活性的診斷方式呼之欲出。如果能夠可視化地顯現一種機 械設備狀態分布圖，并能夠將當前采集到的信號在機械設備狀態分布圖上定位，使得人能 夠從圖中直觀讀出設備狀態及其變化過程，即實現機械設備狀態監測及診斷的可視化，這 無疑是一種很好的診斷方式。經對現有文獻的檢索發現，中國專利公開號為CN101699359A，名稱為故障狀態 監測的可視化方法，該技術通過合成特征矢量在二維平面內的位置不同來標識設備狀態的 變化。其不足在于特征參量必須為離散的狀態值，不適合數據形式為時間序列的波形信 號；且合成矢量位置的語義不明，仍需要維護人員根據專業知識判斷設備狀態。又經檢索發現，雷文平在文獻“旋轉機械故障可視化和預測方法的研究(碩士學 位論文)”中提出了基于自組織映射實現對旋轉機械故障的可視化診斷，但此方法僅是自組 織映射型神經網絡在故障診斷中的簡單應用，沒有進一步探討波形信號中信號分析及特征 提取的問題，也不能抵抗工況條件變化對診斷結果的干擾。^ W M R M' Abhinav Saxena ^h 文 ^"Fault Diagnosis in Rotating MechanicalSystems Using Self-Organizing Maps (采用自組織映射型神經網絡的旋轉機 械故障診斷)”中針對波形信號在提取若干簡單特征值的基礎上基于自組織映射型神經網 絡診斷旋轉機械故障，但是此方法同樣不能克服工況變化對采集信號的影響。
發明內容
本發明的目的在于克服現有技術的上述不足，提供一種機械設備狀態的智能可視 化監測與診斷方法。本發明能夠有效克服工況變化對設備狀態監測及診斷的干擾，同時，能 夠實現對設備診斷能力自我完善。
本發明是通過以下技術方案實現的，本發明包括以下步驟第一步，構造初始設備狀態字典，并建立初始設備狀態分布圖。所述的構造初始設備狀態字典，包括以下步驟1)采集若干設備狀態下的歷史樣本數據，采用字典學習方法，分別從每種設備狀 態下的歷史樣本數據中學習一個單設備狀態子字典；所述的字典學習方法，是當設備的歷史樣本數據中的統計結構特征在數據塊內 出現的位置具有一致性時，則采用基于標準稀疏編碼模型的字典學習方法；否則，采用基于 時不變稀疏編碼模型的字典學習方法。2)所有的單設備狀態子字典構成初始設備狀態字典。所述的建立初始設備狀態分布圖，包括以下步驟1)基于建立的初始設備狀態字典，采用稀疏求解方法，得到設備的所有歷史樣本 數據的稀疏表示；所述的稀疏求解方法，是當設備的歷史樣本數據中的統計結構特征在數據塊內 出現的位置具有一致性時，則采用基于標準稀疏編碼模型的稀疏求解方法；否則，采用基于 時不變稀疏編碼模型的稀疏求解方法。2)從設備的所有歷史樣本數據的稀疏表示中提取稀疏特征值；所述的稀疏特征值，是設備狀態字典中基函數在稀疏表示中的激活次數，或者是 設備狀態字典中基函數在稀疏表示中的系數的平方和，或者是設備狀態字典中基函數在稀 疏表示中的系數的絕對值和。3)通過訓練自組織映射型神經網絡構造出U型矩陣圖(U-Matrix)，并根據不同機 械設備狀態下的稀疏特征值與U型矩陣圖上節點的距離測度用RGB顏色對節點進行渲染， 且根據歷史樣本數據的稀疏特征值所代表的不同設備狀態對U型矩陣圖上的節點進行標 注，該U型矩陣圖就是初始設備狀態分布圖。第二步，實時對機械設備狀態進行監測，得到機械設備的監測數據，當機械設備的 監測數據的統計結構特征在數據塊內的出現位置具有一致性，則采用基于標準稀疏編碼模 型的稀疏求解方法得到當前監測數據的稀疏表示；否則，則采用基于時不變稀疏編碼模型 的稀疏求解方法得到當前監測數據的稀疏表示。第三步，采用第一步的方法，從當前監測數據的稀疏表示中提取當前稀疏特征值， 并按照自組織映射型神經網絡方法，得到該當前稀疏特征值在設備狀態分布圖上的最佳匹 配點(BMU，Best Matching Unit)，從而將當前稀疏特征值映射到設備狀態分布圖上。第四步，當第三步得到的最佳匹配點已被標注設備狀態時，當前的設備狀態就是 最佳匹配點所標注的設備狀態，返回第二步，繼續對設備狀態進行監測和識別；否則，進行 未知設備狀態檢測處理，當出現新的設備狀態時，執行第五步，否則，返回第二步，繼續對機 械設備狀態進行監測與識別。所述的未知設備狀態檢測處理，包括以下步驟1)計算當前稀疏特征值在設備狀態圖上的最佳匹配點與當前稀疏特征值的最小 量化誤差，當最小量化誤差大于或者等于閾值ΘΜΘΕ，則執行2)；否則，認定沒有出現新的設 備狀態，并將與最佳匹配點顏色相近的節點所標注的設備狀態確認為當前設備狀態；2)進行人工確認，當人工確認沒有出現新的設備狀態，對閾值ΘΜ0Ε進行修正處理，否則，認定出現新的設備狀態。所述的修正處理，是指將當前稀疏特征值在設備狀態圖上的最佳匹配點的最小量 化誤差設為閾值ΘΜΘΕ。第五步，采集新的設備狀態下的樣本數據，進行設備狀態字典更新處理和設備狀 態分布圖更新處理，得到更新的設備狀態字典和更新的設備狀態分布圖，且返回第二步，繼 續對機械設備狀態進行監測與識別。所述的設備狀態字典更新處理，是采用第一步構造初始設備狀態字典的方法，從 機械設備新狀態下的樣本數據中學習設備新狀態的子字典，且將代表設備新狀態的子字典 中加入設備狀態字典，實現設備狀態字典的更新。所述的設備狀態分布圖更新處理，是采用第一步建立初始設備狀態分布圖的方 法，將機械設備新狀態下的樣本數據并入歷史樣本數據，重新求解當前所有歷史樣本數據 的稀疏表示，并從中提取與第一步相同的稀疏特征值，通過訓練自組織映射型神經網絡構 造出新的U型矩陣圖，新的設備狀態在設備狀態圖上占據單獨的一個聚類，從而實現對設 備狀態分布圖的更新。與現有技術相比，本發明的有益效果是對所監測機械設備的狀態顯示簡單直觀， 從而能夠充分發揮人在設備狀態診斷識別中的靈活性；對工況條件的變化具有一定的抗干 擾性，同時，能夠檢測出未知的設備狀態；通過建立設備狀態字典的更新機制能夠實現對設 備狀態診斷能力的自我完善。
圖1為本發明初始設備狀態字典及初始設備狀態分布圖建立的流程圖。圖2為本發明設備狀態字典及設備狀態分布圖在機械設備狀態監測中應用的流 程圖。圖3為本發明設備狀態字典及設備狀態分布圖更新的流程圖。圖4為實施例中軸承振動信號在軸承狀態分布圖上的映射過程。圖5為實施例中基于軸承正常、內圈故障及球故障狀態下的振動信號建立的軸承 狀態分布圖；其中(a)是U型矩陣圖；(b)是標注后的三種軸承狀態分布圖。圖6為實施例中三種不同軸承狀態下監測到的振動信號在初始軸承狀態分布圖 上的投影；其中(a)是在定載荷工況下；(b)是在變載荷工況下。圖7為實施例中用閾值判斷新的軸承狀態——外圈故障。圖8為實施例中更新對外圈故障的診斷能力后的軸承狀態分布圖；其中(a)是U型矩陣圖；(b)是標注后的四種軸承狀態分布圖。
具體實施例方式下面結合附圖對本發明的實施例作詳細說明本實施例在以本發明技術方案為前 提下進行實施，給出了具體的實施方式和具體的操作過程，但本發明的保護范圍不限于下 述的實施例。
實施例本實施例為本發明在軸承狀態監測與故障診斷中的應用，所監測軸承為一電機輸 出軸上的深溝球軸承。加速度傳感器安裝在輸出軸正上方的箱體上用于采集振動信號。所 監測的軸承狀態包括正常、內圈故障、球故障與外圈故障，其中的部分正常、內圈故障及球 故障狀態下的軸承振動監測信號已知，并作為歷史樣本數據用于建立初始軸承狀態字典及 初始軸承狀態分布圖。建立的初始軸承狀態字典及初始軸承狀態分布圖用于軸承狀態的進 一步監測與診斷應用；在監測到新的軸承狀態時，進行軸承狀態字典及軸承狀態分布圖的 更新。本實施例包括以下步驟(一)如圖1所示，根據已經掌握的軸承正常、內圈故障及球故障狀態下的振動信 號構造初始軸承狀態字典并建立初始軸承狀態分布圖。首先、構造初始軸承狀態字典1)軸承在故障狀態下，軸承損傷會導致軸承在滾動過程中在產生非正常沖擊，對 應地在采集到的振動信號中出現劇烈的沖擊脈沖。在對振動信號處理過程中需將振動信號 分割成一定長度的時間序列，這使得沖擊脈沖被分割到時間序列中的任意位置，即使得沖 擊脈沖在時間序列中的出現位置缺乏一致性。因此，從振動信號中學習子字典應采用基于 時不變稀疏編碼模型的字典學習方法。時不變稀疏編碼模型通過卷積運算使得基函數可以出現在時間序列的任意位 置
權利要求
一種機械設備狀態的智能可視化監測與診斷方法，其特征在于，包括以下步驟第一步，構造初始設備狀態字典，并建立初始設備狀態分布圖；第二步，實時對機械設備狀態進行監測，得到機械設備的監測數據，當機械設備的監測數據的統計結構特征在數據塊內的出現位置具有一致性時，采用基于標準稀疏編碼模型的稀疏求解方法得到當前監測數據的稀疏表示；否則，采用基于時不變稀疏編碼模型的稀疏求解方法得到當前監測數據的稀疏表示；第三步，采用第一步的方法，從當前監測數據的稀疏表示中提取當前稀疏特征值，并按照自組織映射型神經網絡方法，得到該當前稀疏特征值在設備狀態分布圖上的最佳匹配點，從而將當前稀疏特征值映射到設備狀態分布圖上；第四步，當第三步得到的最佳匹配點已被標注設備狀態時，當前的設備狀態就是最佳匹配點所標注的設備狀態，返回第二步，繼續對機械設備狀態進行檢測與識別；否則，進行未知設備狀態檢測處理，當出現新的設備狀態時，執行第五步，否則，返回第二步，繼續對機械設備狀態進行監測與識別；第五步，采集新的設備狀態下的樣本數據，進行設備狀態字典更新處理和設備狀態分布圖更新處理，得到更新的設備狀態字典和更新的設備狀態分布圖，且返回第二步，繼續對機械設備狀態進行監測與識別。
2.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第 一步中所述的構造初始設備狀態字典，包括以下步驟1)采集若干設備狀態下的歷史樣本數據，采用字典學習方法，分別從每種設備狀態下 的歷史樣本數據中學習一個單設備狀態子字典；2)所有的單設備狀態子字典構成初始設備狀態字典。
3.根據權利要求2所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，所 述的字典學習方法，是當設備的歷史樣本數據中的統計結構特征在數據塊內出現的位置 具有一致性時，采用基于標準稀疏編碼模型的字典學習方法；否則，采用基于時不變稀疏編 碼模型的字典學習方法。
4.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第 一步中所述的建立初始設備狀態分布圖，包括以下步驟1)基于建立的初始設備狀態字典，采用稀疏求解方法，得到設備的所有歷史樣本數據 的稀疏表示；2)從設備的所有歷史樣本數據的稀疏表示中提取稀疏特征值；3)通過訓練自組織映射型神經網絡構造出U型矩陣圖，并根據不同機械設備狀態下的 稀疏特征值與U型矩陣圖上節點的距離測度用RGB顏色對節點進行渲染，且根據歷史樣本 數據的稀疏特征值所代表的不同設備狀態對U型矩陣圖上的節點進行標注，該U型矩陣圖 就是初始設備狀態分布圖。
5.根據權利要求4所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，所 述的稀疏求解方法，是當設備的歷史樣本數據中的統計結構特征在數據塊內出現的位置 具有一致性時，采用基于標準稀疏編碼模型的稀疏求解方法；否則，采用基于時不變稀疏編 碼模型的稀疏求解方法。
6.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第三步中所述的稀疏特征值，是設備狀態字典中基函數在稀疏表示中的激活次數，或者是設 備狀態字典中基函數在稀疏表示中的系數的平方和，或者是設備狀態字典中基函數在稀疏 表示中的系數的絕對值和。
7.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第 四步中所述的未知設備狀態檢測處理，包括以下步驟1)計算當前稀疏特征值在設備狀態圖上的最佳匹配點與當前稀疏特征值的最小量化 誤差，當最小量化誤差大于或者等于閾值9MQE，則執行2)；否則，認定沒有出現新的設備狀 態，并將與最佳匹配點顏色相近的節點所標注的設備狀態確認為當前設備狀態；2)進行人工確認，當人工確認沒有出現新的設備狀態，對閾值eMQE進行修正處理，否 則，認定出現新的設備狀態。
8.根據權利要求7所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，所 述的修正處理，是指將當前稀疏特征值在設備狀態圖上的最佳匹配點的最小量化誤差設為 閾值0MQE。
9.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第 五步中所述的設備狀態字典更新處理，是采用第一步構造初始設備狀態字典的方法，從機 械設備新狀態下的樣本數據中學習設備新狀態的子字典，且將代表設備新狀態的子字典中 加入設備狀態字典，實現設備狀態字典的更新。
10.根據權利要求1所述的機械設備狀態的智能可視化監測與診斷方法，其特征是，第 五步中所述的設備狀態分布圖更新處理，是采用第一步建立初始設備狀態分布圖的方法， 將機械設備新狀態下的樣本數據并入歷史樣本數據，重新求解當前所有歷史樣本數據的稀 疏表示，并從中提取與第一步相同的稀疏特征值，通過訓練自組織映射型神經網絡構造出 新的U型矩陣圖，新的設備狀態在設備狀態圖上占據單獨的一個聚類，從而實現對設備狀 態分布圖的更新。
全文摘要
一種機械工程技術領域的機械設備狀態的智能可視化監測與診斷方法，包括以下步驟構造初始設備狀態字典，并建立初始設備狀態分布圖；基于設備狀態字典求解設備監測數據的稀疏表示；從設備檢測數據的稀疏表示提取稀疏特征值；將稀疏特征值投影到設備狀態分布圖上，根據其在設備狀態圖上的投影位置進行設備狀態的識別，并檢測是否出現新的設備狀態；在檢測到新的設備狀態情況下，對設備狀態字典與設備狀態分布圖進行更新。本發明能夠直接明了地對設備狀態進行可視化顯示，降低對設備維護人員專業素質的要求，并能夠克服工況條件變化對設備診斷過程的干擾。
文檔編號G05B19/406GK101937207SQ201010263849
公開日2011年1月5日 申請日期2010年8月27日 優先權日2010年8月27日
發明者劉成良, 劉海寧, 孫旺, 李彥明, 李楠 申請人:上海交通大學