（机械制造及其自动化专业论文）基于隐markov模型的旋转机械故障诊断系统的研究.pdf

第兰誊纂予h m m 靛旋转机械敞蹲诊断系统斡研究 i i i 煎i恣i：蕊：簿!熬j!凌i迦ii蒸7i 卜磷罐i 。臻蔓：翟j ：饕鹾，譬 蕊越撩礤蠹i i l ； ；。辅引一 ； 秘鞭一隧到谑一 ； lr 融飘鬟一艮沁艇 t “t “r 嚣影驯。 。2 一f 。f 露3i o 夺波分解翦静波形圈帮小波分解屡盼重褐菠形霪 由圈3 g 窝3 i 0 爵敷蠢密，小渡分解能够簇缩号不嚣频率分戒在辩城取样弱蘸密垂动 调节，可观测到信号的任意细节，这为提高信噪比和分辨率，进行赦障振动提供了有效手段， 是比较理想的对信号进行频谱分析的工具。 可以看到小波可以盟加精细的了解信号局部特征，能够降低噪声干扰。f f t 可以在整体 上了鼹故障信号的总体特缎。小渡和f f r 都是藏障提取的有效手段。 3 3 2 特征厍 特征库是故障诊断系统的基础，它用于存放对旋转机械故障特征的保存和分类，特征库 中包括 m 训练故障特 _ 【f ：得到的识别参数，特征摩的大小和特征提取的准确性对故障的识 别：柯蛰直接的影响。 蒺予h m m 懿旋转瓤城撬救障诊断系统有舞巾特点： ( 1 ) 故障诊断不搜是技滏一狰赦障，两是簧撼掰有可能匏鼓障都找磐采，由于该系统要 求诊断过程中旋转机械不解体，因而诊断出的敞障都不是确切的，需要隧分其可信度的大小。 ( 2 ) 故障诊断时由于现场情况千差万别，不舞求所有征兆都具备，根据某种征兆就能 推理褥出一个粗略诊断。提供的征兆越多诊断越精确。特征库的构造需骤解决以下面这个重 鬓鞫嚣。 静诊断模型静建立。簧建立一个基于琢鼬l 瓣诊断系统，萁菝心邂惩是要建立一个合适 的诊断模型。从实践中采看，故障是多种多样的。赦障的性质不同，冀厢果也就不一样了。 对于旋转机械这一系统来说，其故障模式有单因綮故障模式和多因素故障模式之分。对于单 因綮故障模式，由于使用 m 删对故障特征的提取能够得到相对较为准确的特征参数，能够 德i 较为嗡显酶故障特惩，从丽实现比较准确簸教障判别；对于多因索敬障，由于旋转机械 馥簿发生对，教舞模式箍然是多霆素模式弱，嚣藏不弱都短露蘸障所譬致浆羚熬理象霹麓会 有所相同。因而故障诊断系统还应具有求解多数障诊断问题的能力，特剐是多个故障相互影 响的情况。需要说明的是，数值型特征的阈值有两炭。一类是存放在特征库里的固定值，这 些值通常根据旋转机械的规程规定得到；另外一类是根据数学模型计算得到的动态值。例如： 3 4 第三帮基于h m m 的旋转机械故撵诊断系统的研究 暑葛攀燃嬲高嘲麓皇曼鲁燃糟离葛黼皇曼量曼皇黼蝴寰墨燃h i i i i i i e 曼曼曼黑嘲墨獬黛皇| 为了判断不闻遐行条件下旋转机组楚舀发生故障，系统将在需要时计算当前挺常运行工况下 鹁穰缀静芷紫壤，壶于煎溅爨秘趋势嚣涎矮塞然添塞遴舒接逑，翼有缀丈瀚摸糍拣。阉对， 实际测蹬所得的特征量又具有随机性，往往表现为一个确定性的趋势与随机性变他的叠加， 所以，趋势型特征通常很难自动提取。系统采用半岛动的方式获得这类先兆，由计算机提供 图形爨灌，囊人工来回答鞫纛鹣特鬣。 在基于h m m 曲故障诊断模型中，h m m 适用于渤态过程时间序列的建模并具有强大的 时序摸式分类缝力，砖要g 遥会子l l 嚣乎稳、重复爵瑗拣不佳羽镑号靛分辑，掰她，在潋砰t 和w a v e l e t 作为主要的特征提取方法的基础上，使用h m m 对数据进行建横，盥将建模的特 征数据作为故障诊断的基准。使用 m 仰“进行建模，训练参数的选择对模型的影响 艮大，因 藏对参数选择鹣婷嚣也裁决定了模篓豹簿筇。 1h m m 训练酌参数选取 纂予 斟觥的敲障诊甄系统灏怒利雳h m m 强大豹模式谈鞴能力来对救障送行谖鞠，在 利用h m m 对信号特征进行训练时使用经典的b a u m - w e l c h 算法。b a u m w e l c h 算法实际上 是极大仪然( m l ) 准则的一个运用，它采用一种多次迭代的优化算法。用l a g r a n g e 数乘法 鞫造一个醚标後纯函数q ，篓中包含7 所有熬h m m 参数捧为变量，然最令q 瓣器变量匏 偏倒数为0 ，搬导出q 达到极点时新的h m i v l 参数榴对于蜊的模型参数之间的关系，从而得 虱酬各参数豹售诗。翊耨| 基h m l v i 摸墼参数之阉豹荫数芙系反复迭代运冀，鑫铡h m m 模型参数不再拨生明显的变化为止。 在第三章中讨论了一种左右型h m m ( 图2 1 ( b ) ) ，也是语音识别中经常使用的模型。 摄动演号粪敲予浯音痿号，嚣馥鼗翻在楚理摇动爨琴拜重，把m a r k o v 穗壤竣舞焘套整，议手 显得翳加合理，因为状态总是馘越润的方式递增的，鄙t = l 时刻模型处于状态l 而在t = t 时刻模鍪建予敬态鼠第二章瞧讨论了妇簿对左裹型h i v 辫i 鹣专瓮态转蓼概率矩簿蕊热约束以 及给出了初始的状态的概率公式( 2 。5 ) ( 2 8 ) 。然而左右型h m m 的主臻问题是不能使用 一个简单的观测变量来训练模型( 比如，不利于模溅参数的重估) 。这是阏为模型内部状态 豹磐态零溪仅仅定许较少麴鼹懑繁建于每一个捩悉( 纛捌敬态转移到宅麴矮壤摄态) ( 5 9 1 m l l 6 ”。因此，训练时使用足谚的数据集，可以获得疆加可靠的模型参数n 子是袋用多观 测变凝痔列谢练h m m 裁成必了磐然的要求a 2 多观测序列的训练算法 经典的b 瓤黼。w e l c h 算法串，参数藿估公式是在假设个观测序列韵条件下推导出来的。 使用多个鹈瓣i 侉剜进行 m 8 训练时。b a u m - w e l c h 舞法的鬟赣公式( 2 - 3 2 ) 、( 2 3 3 x ( 2 - 3 4 ) 必须加以修正1 5 7 】1 5 8 1 1 。如粜k 个观测序列表示为 = d m ，”，。渤，。稿，。】( 3 - 4 ) + 3 5 第三章基于h m m 的旋转机械故障诊断系统的研究 其中0 为第_ 个观测序列，其时间长度为瓦 0 忙k 。产，。黔，。判 ( 3 - 5 ) 定义过渡概率 ，( i ，) 为观察序列在时刻t 处于状态f ，在时刻f + 1 处于状态，的概率，即 鲁( ，) = p ( 吼= g 。= j l o ，a ) ( 3 6 ) 利用标定后的前向概率和后向概率，可以为每个观察序列分别计算过渡概率，而不会有溢 出问题： 讹舻业擘盟避 ( 3 - 7 ) 西，( f ) 触) 利用这一公式，可以很快的计算出h m m 模型的转移概率 ( f ，) 瓦，= 繁南一 ( f ，z ) 而对于常用的从左至右单向结构的h m m 来说，起始概率应该右下面的默认数值 f 羁2 1 1 巧= o ，2 f ( 3 8 ) ( 3 - 9 ) 因此往往在实际计算中不对它进行重估。 再定义n ( 工f ) 为某个观察序列在f 时刻所处的，的对于第z 个混合高斯元的输出概率， 姑且称为混合输出概率，即： m f ) - 争业盟丝盟 ( 3 - 1 0 ) ，( f ) 声，( f ) c 加o ( q ，j m , u j 。) 在单观察序列的情况下，由于上式的分母是恒定的，在后续的计算中，将在分式的分母 和分子中被约去，可以省略去。由此可以得到下面的高斯概率密度函数的重估公式： 一一善善1 竺l 。， 一e f t = 警 一 ( 3 - 1 ( j ，珊) 3 6 k 五 一”( 工1 ) 蜀= 塑# r 妒u d 担 玩；：薹邕警篓：竺型 琵艺( 工z ) ( 3 1 2 ) ( 3 一1 3 ) i 臻t m 镬墅檬摇繇测值静不两，又分尧离散h m m ( d h m m ) 莉连缨 粼m ( c h m m ) 。 慰于蛰粼来德，要避行转凇建褛，蓑必须黪母避抒离教佬5 “，d h m m 在对鼗漳嬉薤 的登亿过程中，瑶髓会造蔽褥缝落惑翡丢失；c h m m 覆述续褒瓣穰章爨度函数鹩鏊穗主， 假设观测序列都是由高斯概搿密度函数模拟产生的。对于h m m 模型中的端j 个状态，产生 凌澎矢囊0 瓣概率密度菡数辫戮写为”： m 岛) = 勺颤( 谚l 歹 ( 3 1 4 ) f 醚 勺怒状态，中第z 个混台籍新密度的漶会系数。为多维高斯概率密壤随数n 如聚高赣密 度函数足够多，可以模拟任意的概率密度函数。c h m m 可表示为6 “： a = ( 蕊互琢，啪 ( 3 - j 5 ) 窿= 磁j 装示兹始魏态糍攀分森，a 。 岛】表示软态转移壤搴篷菸，黟袭忝第歹争蔌态筹 ，个混合嵩斯元地均值矢甓，盯。表示第j 个状悫第，混台高斯元地协方麓矩阵。c h m m 和 d h m m 其有统一翡褒瑗搿式，c h m m 模墼静静淘。詹辩箨法，v i t e r b i 鞯法翻8 a t - w e l c h 算法都能根据d h m m l 练辨法类似的表达出来。为了建立更一般的模型，避行了爹个样本 鼹溯淄练，在多窥测襻奉痔烈谤涎下褥裂麴齑籁溺会密度函鼗熬重嵇公剜“3 鸯： c m2 拦嚣 髫棼茹孕如 琢= 警拶r 一 ( 工i ) ( 3 一1 6 ) ( 3 1 7 ) 一 e ，e r ；( ，f ) ( 酽1 一_ ) ( 一坳) ， = 烈盥f r 一 ( 3 1 8 ) ( i ，) 图3 1 1 趋势围 图3 1 2 标量量他国 盈3 1 3 h m m 铷练鞠 当使用h m m 建模孵，h m m 是一个概率统计模型，学习和推理算波比较复杂，涉及大 量的矩阵运算。而m a t l a b 在矩阵运算方面具有卓越的性能，因此可以考虑用m a t l a b 工具来 开发h m m 的主体程序。由予m a t l a b 是基于解释性的语言，执行效率不黼。于是考虑到c 十+ 静魏行效率，利用混合编程簸思想开发了基予h m m 的鼓障诊断软件。 在w m 曲w s 系统中，d l l 是一耪壤特嗣懿莓狡 亍文箨，可敬被多个w i n d o w s 应嚣翟穿 同时访问，具有固定的共攀数据段。该数据段的数据在d l l 被w i n d o w s 下载前会一直保留 在内存中，因此可以通过d l l 实现用户程序与m a t l a b 之间的数据传输羊日函数调用。 将m a t l a b 文件转换为d l l 的方法有两种。一种是在m a t e o m 环境中的文件菜单直接给 出了编译成d l l 的菜单选矮。只要点击该命令系缝就会弹出一个对话嘏，要求给出编译，i t i 静文释路径。男争 一露藏怒在b 强t l a b 骂壤墨耀念令。m c c f u n c t i o n 糖# 辩穗l 定辑要编译 的m 文件名称为f u n c t i o nn a m e ) ，该命令启动m c c 编译器，将函数自动编译为动态连接库。 m a t l a b 提供了可外部连接的d l l 文件，通过将其转换为相应的1 i b 文件，并加以必要 的设援，就可以在c - h - b u i l d e r 中直接进行m a t l a b 萌数调用，实现c + + b u i l d e r 语言与m a t l a b 3 s - 语言的混台编程。m a t l a b 提供的d e f 文件允许用户通过l m p l i b 命令在d o s 环境下生成相应 的导入库文件( x 1 i b ) ，其命令格式为： i m p l i bc ：m a t l a b e x t e m i n c l u d e # 黼1 i b e ：m a t l a b e x t e m i n c l u d e # d e f 在m a t l a b e x t e m i n c l u d e 目录下，提供了如下三个d e f 文体： 一t i b e n g c l e f ，一l i b m a td e f ，一l i b m x d e f 通过上述命令哥以生戚籀应静三个协文释。这些j 函文件孛包岔了可辩部调瘸的m a t l a b 函数的必要信息。 为了诵耀m a t l a b 中的蕊数，必须进幸亍努要酌设甏”l ，薅包含这些溺数鹃文 串翱入工 程文件( x o b j ) 中，以下是操作过程： 1 ) 在头文锌中期灭e n g i n e o h 。其中包含了寝动m a t l a b 谪麓帮关潮麴函数声疑。 2 ) 打开p r o j e c t l o p t i o n 对话框，点击d i r e c t o r i e s c o n d i t i o n a l s ，在i n c l u d e p a t h 中，加 入霾录路经 e x t e n l i n c l u d e ，该路经包含了e u x i n e h 秽u m t l a b h 簿有摄的头文谗。 在l i b r a r yp a t h 中，加入 b m 和 e x t e m i n c l u d e 。这两个目录路径 包含了霉努罄调薅豹d l l 帮l i b 文终。 3 ) 点选v r o j e c t l a d d t op r o j e c t 对话框，加入如下库文件： 一1 i b e n gl i b ，一l i b m a t 1 i b 秘一l i b m x 1 辩 在进行了这些必露的设置之后，我们就可以选用适当的函数来实现目标。 菠嗣h m i v l 建摸湄练，霹l 三乏 嚣到瓣数摆训练瓣特妊参数，铡如使用d h i v i m 建模可以用 下面的函数实现： f u n c t i o n 【l l ，p r i o r , t r a n s m a t , o b s m a t , 誊a n u m ；l e a r nc l i t o r a l ( d a t a ，p r i o r , t r a n s m a t ，o b s m a t , m a xi t e r , t h r e s h ，v e r b o s e ，a c t ，a d j _ p r i o r ，a d j _ t r a n s ，a d j _ o b s ，d i r i c h l c t ) , 建模鏖产生的特捱参数馕状态转移概率，状态观测概搴就代表了对故障特征的统计信息。 在多次的建模对不同故障信号数据进行训练以艏，得到的特征参数就将是赦障诊断特征库的 鼗重要部分，将特挺参数以文传的形式保存起来，组成姆征库。在对故障逃 亍诊断时，特征 库的特征参数将是敞障信息参数的基准。 3 3 3 知谈庠 要提供初始征兆，就必须对典型的、特征袭现明显的特征进行提取和建立知识。机械故 簿知识库形成的主簧环节使信号酌采黛和信号静分辑、蕤理，寻我待援彝豢帮馥漳类型之间 的对应关系使智能故障诊断的前提：小波和f f t 是对振动信号实现连续、在线诊断的最重 lu 振动烈度特征频率常伴频率相位特征振动稳定性轴心轨迹进动方向故障决策 l lb 蛾 。稳定 稳定 鞴圆 委遴动转予不平衡 。3 9 。 2b 3b 4b 5c 6b 了b 8b 9c 】0b lb 1 2c 1 3b 1 6 0 0 拣 l 1 纰 2 6 0 0 0 突变盾稳定突敏性增大后稳定椭圆 正进动转予缺损 2 & ) o 稳定 稳定 稳定稳定 1 n ) o 杂乱不稳 2 慨变化不稳定 瓣藏 正避动转予弯趋 椭圆正进动转予热弯曲 不规则正进动零件松动 双椭圆芷进动转子裂纹 2 c o ol 蛾3 诋较稳定 稳定 疆嚣锻强正避动不对中 1 i 娩 1 i n b 1 一2 蛾 1 2 璐 物。 反h 向移动不稳素乱正避动局部摩擦 蚴。反向跳动突变不稳不规则扩散反向进动连续摩擦 1 舰稳定 额率缀合突变 基频和分数谐波髂频 不稳定 2 c o o1 t o o 稳定 较稳内8 字椭圆正进动油膜涡动 不稳扩鼗不簸剿芟遴动浊璇满裁 不稳椭圆或杂乱 稳定双环椭圆 正进动机麾松动 正进动转予不对中 袭3 。1 4 转予蔽蹲特镬蓑 当进行故障诊断时，利用已有的知识库进行故障识别，但是故障和特征之间并不存在一 一对应熬美系。一个馥障可裁移多个数簿特，珏籀关连、薅一个蔹可能与多个鼓障稳关，嚣 且故障特征还会根据机组的制造、安装等因素造成特征缀的差异。因此在建库的时假，可以 象爱篾翻鞠捱絮来表示。 目前在人工智能领域，知识的表示方法有多种，根据诊断系绕中故障特点，我们采用产 生式援鬟嚣l 堰絮亲袭嚣翅 冀。产生式勰女i 是一袈以虹果遮些条件满足，裁浆取这些行动的形 式所表示的语句。一般以i f t 碰埘的格式来描述。i f 部分为前提( 条1 嘞部分，t h e n 部分 为结论( 行瀵) 部分。秽l 鲤： 命题：l 知分量明履，轴心轨迹呈现一个内圈和一个外圈是油膜涡动故障。 溉女表示：i f l 2 x 分量明显，轴心虢嬷呈现个内醒耩一个舟萄t h e n 淮膜满 动馥障。 产生式的“i f 一- t h e n ”结构接受人类思维和会话的自然形式，易于人们在特定情况下 关于徽t 么”懿行为知识的表达积缡码。在语言理解、医疗诊断、化学分析等基于经验结 合的许多领域中它是对人类行为知识进行表屡褒达的常用工其。产生式不仅可以表达事实， ，4 0 篇三章基于h m m 的旋转机械故障谤断系统的研究 透霹戳瓣上嚣信疫嚣子( c f ) 慕袭惩遮璺事实豹臻骚露臻溅程发。疆橥表示透露_ l 予弦述翼毒 匿定形式鹣对象。一个框桨( f r a m e ) 由一组槽( s l o t s ) 鳃成。每个漕表示对象鹩一个属性， 槽的值( f i l l e r s ) 就是对象的属性博。因此，框架的层次结构可对知识进行= ：维描述。例如， 用框架袭承旋转机械的某些属憾期： 名称；旋转巍槭 予类：蔑褪 墅霉： 转遗 擞型：浮点数 藏潮：3 0 0 0 3 5 0 0 r p m 嫒铸篷：3 0 0 0 r p m 振幅： 耐糟楗絮表示旋转机械的臻鞫静功能是非常方便鞠清晰翡，特翮是程对糯转械械进 亍实 时检测时，输人信号可与框浆的糟值比较，从而进行矛旖检测。框架与规m 0 相结合欺同表示 秘理特i i 。框架结掏箨为基予畿粥粒系统翡基籀提供了强有力豹手鬏对麓转糠槭遗 亍撵述， 爨镤了零l 簇继承蛙勰錾燕过程等多瓣灵活懿攘遐扭制，荠为趣剩熬组织爨供了条俘。 雨谂龋知识瘁篱理系缀主簧魑蹲诊断参量、诊断舰剿及谚断镬务蘸管理，下嚣定义短赠 和任务的数据结构。 1 3 p e d e fs t r u c t c h a r + n i l e _ n a m e ，规则名 s t r c l a u4r a t ec l a u s e ；，餐弼蘸掇 c h a r4r u l e _ a c t i o n ；臻鄹藏鬟藤立时要执行懿结论 f l o a tf c e r a i n t y ；援剃的霹端度 i n tn f l a g ：规则成功引用的标志 f l o a tf r u l e v a l 聩剡潮壤 ： 嚣摄宠义为： t y p e d e fs t r u c t c h a r8c h a r t a t t r ；诊麟参量继 c h a r4o l a r a c t o p e r 关系运算 v a l l e 8 c i - o s a c t v a i ；爿参鬣壤 f l o a tt f l l z z y v a l ：蔻攥溺毽 f l o a tf w e i g h t ； 肭权利系数 ls t r e l a u ； + 4 1 第三章基于h m m 的旋转机械故障诊断系统的研究 知识库的建立为故障诊断系统提供了有益的补充和完善。合理的知识库组织和管理系统 将会更加完善故障诊断系统，提高故障诊断系统的智能化和准确性。 数据库中的表，形式简单，内容一目了然，不仅创建时比较方便，而且对于用户来说维 护也比较容易，所以用数据库特别是关系数据库来进行对知识库的建立与维护是十分合适且 方便的。数据管理主要是为了方便用户修改与数据预处理部分相关的配置参数，维护有关数 据库而设计的模块。在故障诊断中需要用到的文件通常分为5 种类型：历史振动特征参量文 件、历史振动波形文件、振动特征参量文件、振动波形文件和系统信息文件。历史振动特征 参量文件和历史振动波形文件分别放存历史的振动特征参量数据和波形数据，振动特征参量 数据主要包括振动的峰峰值、振动有效值、振动测试类型( 位移或速度) 、振动测量的日期 和时间、测点等信息。振动波形数据主要包括采样频率、放大倍数和5 1 2 各采样点的振动位 移( 或速度) 值。振动特征参量文件和振动波形分别存放采到的特征参量数据和波形数据。 系统信息文件用于保存系统中现有与设备、测点相关的信息。 数据库中数据来源有两个：一是经过信号采集和信号分析后得到的实时数据：二是信号 的描述信息，包括各信号的信号名和约束条件( 如信号的单位，上、下报警限) 等。在诊断 过程中，随着推理机不断地与规则相匹配，要不断地产生中间结论，同时还有大量故障特征 信息需要保存，为此专门设计一个动态数据库。它们在s q l 2 0 0 0 中以数据表的形式存储。 系统管理员维护这些表和修改某些定值或配置参数，系统设计了数据管理部分。它独立于原 始数据的处理，可以实现以下功能： a 监测量位置的查看和修改；监测量所在的位置可以从数据库中得到。所有监测量所在 库名、表名、字段名都统一存放在一张表里，系统管理员可对其进行查看和修改。 b 特征编码与语言描述的对应知识表的增删与修改。 数据模块采用关系模型。在关系模型数据库中，数据的逻辑结构是一张二维表，如表 3 1 2 所示。这既满足实际系统对数据处理的要求，也满足实际的需要。采集到的信号是一条 条时域波形，经过f f r r 变换可得到峰峰值，1 2 x ，1 工2 x 等各倍频的幅值和相位。目前要 求处理的数据主要是测点的记录数据( 包括峰峰值、均值、一倍频及二倍频幅值、转速等) 。 对建立的数据库结构可以表示为( 时间，信号名称，转速，数据长度、信号单位、报警上下 广t 1 厂一 l l 堕回! 生旦旦堕坌! l 堡呈!l ! i 呈! ：= 二_ 一 叁量耋型 叁量垒叁量耋型 叁量昼丝焦塑旦茎量星笪笪j i 壁垒整塑型鱼叁量刍苤墨至蔓笪叁量笪萱堡塑笪壑丕塑亘堕星塑型! ! 堕j 表3 1 5 记录数据库图 与特征量对比是用来控制和协调整个协调的一组程序，它根据当前的数据，利用知识库 的特征数据值，按一定的对比策略，从而得出关于目标的结论。特征量的对比通过知识库的 参数和数据对比而得出。数据检索利用s q l s e l e c t 命令来完成。程序设计的思想是以友 好的人机界面输入字段名、查询条件，然后构造如下s q l s e l e c t 命令： s e l e c t 字段名： f r o m 数据库； w h e r e 查询条件： 3 3 4 故障诊断过程的实现 图31 6 利用界面选取条件获取故障诊断信息图 旋转机械在升速过程中，随着转速的上升或下降，频率变化的动力因素对机组进行了一 次激振扫描，一些平稳运行下不易得到的故障征兆可能会较为充分的表露出来。但是由于升 速过程的信号是非平稳信号，信号的频率和幅值均随时间变化而变化，因此在对旋转机械升 速过程中进行故障诊断就比平稳状况下要复杂。 一般来说，诊断信息的获取有三种方法，既诊断信息的自动获取；诊断信息的用户初始 征兆选择，这是机组缺少相应传感器或装有传感器但尚未并入系统是使用：诊断信息的人机 交互获取，这种获取方式主要是为系统提供各种图象形式的诊断信息。 基于h m m 的故障诊断系统对旋转机械升速过程故障诊断的结果来自于h m m 对条件概 率的估计。h m m 理论使用一条m a r k o v 链模拟存在于真实动态过程中的变化的统计特征。 h m m 是一个双重随机过程，它不仅能够模拟空间的参数现象，也能够模式时间尺度上的距 离特性。h m m 用来估计条件概率p ( f “叻，这个条件概率是进行故障分类的依据a 通 过h m m ，存在于参数空间和时间域上的模式变量可以得到有效的模拟。h m m 的参数用 b a u m w e l c h 算法估计出来。一旦对各种故障建立了h m m ，条件概率p ( f ) 可以使 用前向后向算法或v i t e r b i 算法计算获得。然后比较这些条件概率的大小就可以进行故障分 第三三章基于h m m 的旋转机械故障诊断系统的研究 类决蓑。 3 。4 本章小结 本章主要砖窑为： ( 1 )辩馥漳诊断系绞鲍憩髂糕絮、基本珐麓帮赦漳诊叛鬣绞麴基本滤程进行了辑究； ( 2 )对系统的各功能模块谶行了分析研究。 ( 3 )对基于h m m 的故障诊断系统的流程的实现进行了研究了，给出了基于h m m 的 梭障诊凝系统中萼寺缝摄取、h m m 建穰帮教障诊酝的爨体实理方法e 一4 h m m第四章 在旋转机械故障诊断中应用的实验研究 实验平台能模拟各种典型故障，因此在根据实验要求的前提下，研究了硬件采集部分，总体 框架如下： 垄丁 _、l h 智能键相板卜_下 m 0 i 子 号 笸1 昭辗动信导 试 预 位 故障 验 处 一 数据采集板卜一 机 诊断 台 第n 路振动信 理 4 2 2 实验测点布置 实验测点布置如下图 图4i 故障诊断系统框图 【目 芎舻 一一i 键相信号测点水平振动测点 图4 2m i 点图 本实验装置数据采集的转速范围为5 0 0 7 5 0 0 r p m 。诊断过程中对垂直振动传感器的振 动信号进行分折，对每一次升速过程均匀抽取1 5 0 帧振动信号，即大约5 0 转获得一帧采集 信号。采用整周期采用技术，每周采集6 4 点数据，连续采集8 个周期，5 1 2 个采样点。 4 2 3 键相信号的采集 4 2 3 1 键相信号的作用 键相信号标志着转子每一转中的参考位置，该信号的脉冲对应于转子径向一固定点转 子的运行速度是大型旋转机械的重要参数之一，通过对键相信号的数据处理，我们可以准确 得出转子的速度。 根据频谱分析的要求，为避免傅立叶变换时出现泄漏效应与栅栏效应，对信号必须进行 整周期采样因此，振动量采样的触发脉冲频率必须跟随转子转速的变化而变化，利用它可以 实现转子振动的整周期采样。 此外，键相信号也可以用于确定转子振动的相位。目前，国内外已有从事转子相位分析 进行设备状态监测与故障诊断的研究。 在实验当中，采集键相信号的作用主要表现在两个方面： 1 确定转子的速度值：通过两个相邻键相信号之间的时间间隔，经过运算处理，取得转 第四章h m m 在旋转机械故障诊断中应用的实验研究 子速度：故障诊断系统中，转速是进行振动分析的一个极其重要的参数。系统的转速 是通过测取键相信号来实现。从现场得到的键相信号不能直接传送给单片机，须经过 预处理，预处理框图见图3 1 1 。 图43 键相信号预处理框图 本系统的转速测量采用周期法，即先测出系统的回转周期，通过软件计算出频率 和转速值，具体测速方法如下：假设我们利用r e g i 单元来存放上次键相信号的出现 时刻，r e g 0 单元存放本次键相信号的出现时刻，r e g 单元存放t l 定时器的溢出次 数，那么周期t 应为 t = ( r e g 0 - r e g i ) + r e g 6 5 5 3 6 。t 其中t 为一个机器周期 ( 1 1 1 2 m ) x3x8 = 2 u s ，所以 t = ( r e g 0 一r e g i ) x2 u s + ( r e g 1 3 1 0 7 2 ) l l s 。 2 产生采集振动信号的采样触发信号：经过预处理的键相信号脉冲送到a d 转换芯片 m a x l 2 5 作为信号源，利用m a x l 2 5 内部定时器t 1 记录每次键相信号的发生时刻。 采样时每次采8 转，每次采6 4 点，需要产生连续的6 4 倍实时速度的触发信号。在试 验装置上最高转速为8 0 0 0 转分，若每转采样6 4 点，则每通道采样频率至少为 ( 8 0 0 0 + 6 0 ) 6 4 = 8 5 3 4h z 4 2 3 2 键相信号的拾取 测量转速键相信号通常是利用在被测转轴上加工的键槽，在其附件安装传感器，当键 槽通过时，传感器的探头便发出脉冲信号，转轴转动一周产生一个脉冲。键相信号可以用 光电式、涡流式、磁电式传感器来检测拾取。涡流式传感器抗干扰性能好，能够获得可靠 的键相信号。要得到好的信号，关键是键槽的形状、尺寸及在转子上开槽的位置以及传感 器安置的位置。在b e n t l y n e v a d a 公司的转子实验台上，转子上的键槽开1 2 已经开好。涡 流探头固定在转子的垂直方向，一般距离转子表面o7 1 0 毫米。 涡流传感器 会置处理器 图4 4 键相信号采集 弋厂 图4 5 键相信号采集波形 第四章h m m 在旋转机械故障诊断中应用的实验研究 旋转机械振动测试中，一般是通过在旋转机械的轴上开一键槽，然后装上振动信号传感 器，如图4 4 所示，便可以测得原始键相信号。原始键相信号经过振动信号前置处理器 输出的波形如图4 5 所示。该键相信号是用来对旋转机械进行测速与振动信号整周期采 样的基准信号。因此，把前置处理器输出的信号预处理成标准的方波信号给后继电路或 计算机再处理，具有很重要的意义。 4 2 3 3 键相信号处理程序 键相信号处理程序框图如下图4 8 图4 6 数据采集界面与板卡设置界面 图47 键相信号处理框图 第四章h m m 在旋转机械故障诊断中成_ i j 的实验研究 4 2 4 搬动信号的采集 4 2 4 1 集卡方案 旋转机械的振动信号包含了串富的状态信息。振动测墩较常用的方法是在轴承、联轴器 等部位安装羰动传感器，将振动繁转换戚电信号，再爝采样电路将模拟量转换域数字量，然 螽由诗簿耱- 遴一步处理。荬采缮方式有戳下几个特点： 1 交流倍号和直流信号分别采祥； 2 采样频率高，信息量大； 3 整周期采样。 我们将a d 转换电路、预处理电路集成在一块电路扳上，组成一个功能比较党整的模块， 配土毽稳蕊号处瑾电路即霹实瑷憋攒麓采群。 4 2 4 2 数据采集主程序 当转子实验台准备就绪时，兜启动数据采集主程序，没置好采集的起始转瀵、转速间隔 等参数时，即可开动转子实验台进行数据采集。 在w i a d o w s 操 睾系统下，霹以耀一些专门静工具软襻编制建拱设备驱动程挎，跌霪瘟臻 程序弼鼷。健这种方法费时费力，没有相当静经验不容荔编密稳定海程序。我 | l 采用雏方法 是用汇编语言编写一些直接对端阳操作的子程序，在应用程序中调用这些子程膨即可完成对 端口的读筠。以下分别是读写一个字节的一个子程序，用c + + b u i l d e r 编写。 写端口予程序； v o i do u t p o r t b ( w o r da d d r e s s ，b y t ed a t a ) a s m x c h ga x d x ；交换第一个和第二个参数 o u td x a l ；写端口 读端强予稷净： b y t ei n p o r t b ( w o r da d d r e s s ) t a s m m o vd x ，a x 将地蜒移入d x i na l 。隧读蘧弱 l 驱动程序的流程图4 9 所示，先采集交流信号，船动键相电路后即开始a d 转换。用查 。4 9 第删章h m m 在旋转机械故障诊麟中戚用的巍验研究 蔫方法虢窝f i f o 燕蕾事淹，繇德f i f o 霉董嚣一誓 簿5 1 2 ) 读鹫王菠蕊。器灌鬈意漆，壹 舞镶个避逐耨采集t5 1 2 个数瓣。然爱慕集壹渡蕊霹，姆个透逶 枣爨器，怒靛终魅整，延 迟怒时悯精读数据。 激擞懿数据可以承l 鼹强a 州辑替对象，尾籁肇的络黼谶键在溪蒙撰等控抟啦蜜时赞现出数 摇波黪，嚣 还可弦遴遘c + + b u i l d 髓攥镄弱t c h a r 统诗强袭经转辩采集魏辩窝蕊波形复麓 秘蕊肇秘磐挺。蟊鬟慧遴一步努挺慕囊鼗蓬，孬漾臻袋豢数据器霉楚鼗露域数疆变露枣遭嚣 筵纛，褥遵遘落焉馥i v l a 翳a b 为挟惑舅蕊瓣鼗据分瓣瓣髓褒进行鑫凝赫数蕊箭瓣 鬻4 8 数据鬟蘖器藤鞫数懿显季眷蕴 * 薹穆一 第四章h m m 在旋转机械故障诊断中应用的实验研究 4 2 5 数据分析与故障诊断程序 图49 驱动程序流程图 当转子实验平台模拟故障数据采集完毕，可以对数据进行常规的分析，能够比较清楚和 直观的得到垂直方向、水平方向采集到的数据的信号波形图、时域波形图和轴心轨迹图。可 以方便的对采集的数据进行d h m m 或c h m m 建模，建立故障特征库进行保存。当h m m 模型建立以后，可以方便的进行对故障的数据进行故障识别分类。 图4 1 0 数据分析的主界面 图4 1 2h m m 建模界面图 4 3i t m m 在故障诊断中的应用研究 4 3 1f f y - h m m 方法与w a v e l e t h m m 方法的比较研究 图4 1 1 数据的常规处理界面 4 3 1 1f 耶- h m m 方法 f f t h m m 状态识别法的基本思路是利用f f t 变换提取信号的特征，再经h m m 进行机 组的状态识别，因而它们之间的关系是特征提取和模式分类的关系。如图4 1 3 ，对采集的信 号进行预处理后，利用f f t 提取信号的特征向量，将提取的特征向量输入到各种故障模式 的h m m 中进行训练，得到每个模型产生该序列的概率。其中概率最大的状态就代表了当前 第四章h m m 在旋转机械故障诊断中应用的实验研究 机组的运行状态。 特征提取 分类器故障决策 振 f 4h m m 卜 动预f特 信处 t 征 ；冈 号理变向 ， h m m k - _ _ i ( 厶丑) l 、 采换量 集 - l 集 、h m m 图41 3f f t - h m m 状态识别方法图 在b e n t l y 转台上分别做了正常状态、转子不平衡、油膜涡动、转轴碰摩、基座松动五 种状态实验。在升降速过程中，数据采集系统依据键相信号经倍频后跟踪转速采样，转子旋 转一周进行6 4 点采样，并以相同采样频率连续采t = 8 个周期，故一组数据共有n = 5 1 2 个 采样点。监测诊断系统跟踪转子转速由5 0 0 i p m 到8 0 0 0 r p m ，每增速5 0 r p m 作为一个转速段， 每个转速段中每段随机抽取一组5 1 2 点采样数据，然后利用f f t 进行特征提取，构成特征 向量集，在输入到h m m 中进行训练，其中输出概率最大的状态即是机组运行状态，各次训 练的对数似然概率值见表4 1 5 。在h m m 中，选取3 个隐状态，最大迭代步数为1 0 0 ，算法 的收敛误差为0 0 0 0 0 1 。模型的迭代步数和每次迭代的对数似然估计概率值如图41 4 所示。 测试结果如表41 5 。 _ 2 。 - 2 2 趔 鐾埘 萋2 。 鼎 靛一2 8 3 。 0 1 0 2 0 迭代步数3 0 4 0 5 0 图41 4f f t - h m m 方法训练曲线 不平衡样本 转轴碰摩样本 油膜涡动样本 2 7 2 5 6 3 2 5 1 6 3 0 4 4 8 0 3 6 0 2 2 1 8 4 3 2 54 4 6 3 2 3 21 0 8 6 3 l1 0 5 5 2 1 1 6 8 2 4 5 0 9 5 4 7 4 3 0 0 3 6 4 3 9 9 8 5 2 6 2 2 5 1 8 1 2 5 5 3 9 0 2 4 7 0 4 5 2 1 3 8 6 5 4 态 动动状衡擦涡松常平摩膜座正不干油机 在表4 9 中，五种状态训练得到的最大对数似然估计概率用黑体标示出，由图4 8 可知， 随着迭代次数的增加，各种模型的对数似然估计概率逐渐收敛，而且收敛速度非常快，并且 能够根据最大对数似然概率来识别状态模式。由表4 1 5 可知，转轴碰摩数据输入到转轴碰 摩的中，得到的模型对数输出概率为一2 1 1 6 8 2 ，非常接近于该模型的最大输出概率， 而转轴碰摩数据分别输入到正常状态、转子不平衡、油膜涡动、基座松动的i - i m m 中，得到 的模型输出概率分别为一2 5 1 6 3 0 ，一2 5 4 4 6 3 ，3 9 9 8 5 2 6 ，。2 4 7 0 4 5 ，与转轴碰摩的h m m 模型 最大输出概率相比，都明显小于转轴碰摩h m m 模型最大输出概率，因而，模型分类成功。 对于其它状态可进行类似的分析，总体来说，分类效果比较理想。 4 3 1 2w a v e l e t - h m m 方法 w a v e l e t - h m v l 状态识别法的基本思路是利用小波变换提取信号的特征，再经h m m 进 行机组的状态识别。如图41 6 ，对采集的信号进行预处理后，利用小波变换对信号进行分解， 提取信号的特征向量，将提取的特征向量输入到各种故障模式的h m l v l 中进行训练，得到每 个模型产生该序列的概率。其中概率最大的状态就代表了当前机组的运行状态。 特征提取分类器 故障决策 _ _ 振 爿h m m 卜 动预小特 。 信 处 波 征 h m m 卜 ；阿 号理 变 向 、 。 1 2 ( n 咀) i 采换量 集 l 一 _ 集 、h m m ， _ 图41 6w a v e l t e - h m m 状态识别方法 在b e n t l y 转台上分别做了正常状态、转子不平衡、油膜涡动、转轴碰摩、基座松动五 种状态实验。在升降速过程中，数据采集系统依据键相信号经倍频后跟踪转速采样，转子旋 转一周进行6 4 点采样，并以相同采样频率连续采t = 8 个周期，故一组数据共有n = 5 1 2 个 采样点。监测诊断系统跟踪转子转速由5 0 0 r p m 到8 0 0 0 r p m ，每增速5 0 w r n 作为一个转速段， 每个转速段中每段随机抽取一组5 1 2 点采样数据，在此，利用d a u b e c h i e s 小波进行一维多 尺度分解，本文对信号进行了8 尺度的小波分解，然后从小波分解结构中提取一维信号的低 频系数作为特征向量，将其输入到各个状态h m v l 来进行训练，其中输出概率最大的状态即 是机组运行状态，各次训练的对数似然概率值见表4 1 7 。在h v i m 中，选取3 个隐状态，最 大迭代步数为1 0 0 ，算法的收敛误差为0 0 0 0 0 1 。模型的迭代步数和每次迭代的对数似然估 计概率值如图4 1 8 所示。测试结果如表4 1 8 。 正常状态转子不平衡转轴碰摩油膜涡动 机座松动 正常状态样本 不平衡样本 。3 0 2 7 4 0 6 4 6 2 0 9 2 7 9 2 6 0 1 5 3 50 6 4 2 0 5 1 4 3 6 9 3 4 37 8 3 5 2 8 5 3 - 转轴碰摩样本 一3 7 2 73 86 0 2 8 7 6 4 0 4 7 73 76 3 油膜涡动样本 - 4 24 0 。2 1 8 5 1 2 1 3 8 3 2 8 1 82 1 1 _ 3 5 堕型堕_ 二业8 _ ：! ! ：! ! ：! ! ：! ! ：丝! ：! !：班! 表4 1 7 计算结果 对 数 似 然 概 室 值 2 8 3 2 一正常状态 * 一转子不平衡 一一转轴碰摩 十油膜涡动 一机座松动 掳囊 o 图41 8w a v e l e n h m m 训练曲线图 在表41 7 中，五种状态训练得到的最大对数似然估计概率用黑体标示出，由图4 1 8 可 知，随着迭代次数的增加，各种模型的对数似然估计概率逐渐收敛，而且收敛速度非常快， 并且能够根据最大对数似然概率来识别状态模式。由表4 ，】7 可知，转轴碰摩数据输入到转 轴碰摩的h m m 中，得到的模型对数输出概率为2 8 7 6 ，非常接近于该模型的最大输出概率， 而转轴碰摩数据分别输入到正常状态、转子不平衡、油膜涡动、基座松动的h m m 中，得到 的模型输出概率分别为3 7 2 7 ，一3 8 6 0 ，一4 0 4 7 7 ，一3 7 6 3 ，与转轴碰摩的h m m 模型最大输出 概率相比，都明显小于转轴碰摩h m m 模型最大输出概率，因而，模型分类成功。对于其它 状态可进行类似的分析，总体来说，分类效果比较理想。 为了验证该算法的有效性，在此对这五种状态做了不同的实验次数，实验结果如表41 9 和表重2 0 所示。由表4 1 9 可知，在做的有限次实验中，虽然实验中出现了分类不成功的次 数，如在转轴碰摩的实验中，总计做了3 4 次实验，误认为转子不平衡有1 次，误认为正常 状态有1 次，基座松动有1 次，而识别为转轴碰摩有3 1 次，成功率达到9 1 1 p o ，其分类结 果还是比较