專利名稱：一種機械故障診斷方法和裝置的制作方法
技術領域：
本發明涉及自動化技術，特別涉及一種機械故障診斷方法和裝置。
背景技術：
當前，基于人工智能的自動機械故障診斷系統在機械領域的應用越來越廣泛。其 中，在學術領域和工業界，尤以基于知識的故障推理和基于數學模型的故障診斷這兩種技 術的研究和應用最為普遍。但是，這兩種技術的實現均需要依賴于一個基本的假設，那就 是對所獲得的故障類型的知識有一個清晰的表述，無論是采用數學方程還是通過在知識庫 (Knowlegde Database)中構建規則集(Rule Stes)的表述方式。 但是，由于不同的故障類型在不同的場景下表現為不同的信號模式，而且，即使對 于類似機械設備的相同故障類型，所表現出來的信號模式也可能有很大的不同，所以，通常 很難完整準確地獲取到針對各種不同故障類型的知識。 為此，現有技術中多采用對采集到的所有信號進行綜合性的定性趨勢分析的方 法，來彌補當需要進行機械故障診斷時，所需知識不完整的不足。當前，隨著基于人工智能 的自動機械故障診斷系統在工業上的廣泛應用，出現各種基于不同定性趨勢分析方法的機 械故障診斷方法。比如 定性趨勢推理方法，旨在表示和說明一個過程變量的動態演變過程。該方法的具 體實現包括首先，將該過程變量的時間序列劃分為一系列可用幾何學上的三角形或梯形 模型來表示的時域波段；然后，用不同的字母來表示不同的波段，從而將劃分得到的所有波 段表示為一個符合串；舉例說明，圖1為現有不同波段的定義方式以及字母表示示意圖，圖 2為現有一個過程變量所對應的時間序列示意圖，該時間序列可用圖1中所示的不同波段 進行表示，從而得到一個與該時間序列相對應的字符串ABCDABCDAB ;然后，將表示出的字 符串與知識庫中預先保存的故障特征之間進行自動模式匹配，以推斷出機械設備當前的運 行狀態，即所處的故障類型。 但是，這種方法會導致不精確的邊界劃分(即對于處于不同波段交界處的時間序 列，很難確定其所述波段類型)；而且，由于噪聲以及一些潛在的其它因素的影響，即使對 于相同的故障類型，也很難用相同的字符串來進行表示，因此，需要建立一個龐大的知識 庫，同時也可能造成匹配的錯誤。 為此，現有技術中又提出了一種模糊推理方法，該方法首先利用多項式擬合的區 間-二分法技術，從定性上自動識別出所采集的信號的時間序列的演變趨勢，然后，基于識 別出的演變趨勢，計算該信號與知識庫中預先保存的故障特征之間的模糊相似度，以識別 出最可能的故障類型。其中，知識庫中包含有一系列的If/Then規則，這些規則可從物理意 義上解釋一個故障類型所對應的信號的演變趨勢。 這種方法對于提高故障推理過程中的魯棒性非常有幫助。但是，如果在區間_ 二 分法技術中采用不同的時間粒度來劃分信號的時間序列，并且考慮到信號正常或異常的振 幅波動，即使對于相同的信號的時間序列，也會得到不同的趨勢識別結果，進而導致不同的模糊相似度計算結果以及故障類型識別結果。
發明內容
有鑒于此，本發明的主要目的在于提供一種機械故障診斷方法，能夠準確地識別 出機械設備所處的故障類型。 本發明的另一 目的在于提供一種機械故障診斷裝置，能夠準確地識別出機械設備 所處的故障類型。 為達到上述目的，本發明的技術方案是這樣實現的
—種機械故障診斷方法，包括 采集目標機械設備中用于進行機械故障診斷的m個信號，所述m為正整數，并對每 個信號進行定性和定量趨勢分析； 分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的每種 故障類型所對應的特征趨勢之間的總體相似度系數； 判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值，如果是，則 將所述取值最大的總體相似度系數對應的故障類型確定為所述目標機械設備所處的故障 類型。 其中，所述對每個信號進行定性和定量趨勢分析之前，進一步包括對每個信號進 行去噪處理； 所述對每個信號進行定性和定量趨勢分析包括對每個經過去噪處理后的信號進 行定性和定量趨勢分析。 所述對每個信號進行定性和定量趨勢分析之前，進一步包括提取每個信號中的 特征量； 所述對每個信號進行定性和定量趨勢分析包括對從每個信號中提取出的特征量 進行定性和定量趨勢分析。
較佳地，所述對每個信號進行定性和定量趨勢分析包括 按照預先定義的原語，將每個信號的時間序列劃分為一個以上的波段，并將每個 波段用多項式進行擬合； 基于擬合后的信息，分析并識別出每個信號的整體演變趨勢以及局部演變趨勢；
將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定性和定量描述。
所述將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定性和定量描 述包括 將識別出的每個信號的整體演變趨勢以及局部演變趨勢利用可擴展標記語言XML 進行定性和定量描述。 較佳地，所述分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先 保存的每種故障類型所對應的特征趨勢之間的總體相似度系數包括 針對所述知識庫中預先保存的每種故障類型Fi，所述i的取值為從1到N，所述N 為故障類型總數，分別執行以下操作 A、定義兩個參數和SCX」，其初始值均賦值為0 ;將所述m個信號分別編號為S工 到Sm，并從中選取一個信號Sx，所述x的初始值為1 ;
B、判斷所述信號Sx的整體演變趨勢與所述知識庫中保存的當故障類型為Fi時， 信號S,所應該表現出的整體演變趨勢是否一致，如果是，則執行步驟C ;否則，執行步驟D ;
C、 SCX」=SCXj+1 ，然后執行步驟E ;
D、 x = x+l，并執行步驟B ; E、判斷所述信號Sx的局部演變趨勢與所述知識庫中保存的當故障類型為&時，信 號S,所應該表現出的局部演變趨勢是否一致，如果是，則SCX」=SCX」+l，并執行步驟F ;否 則，直接執行步驟F; F、 SCX」=SCX」X Wx」，= SCi+SQ」；所述Wx」為預先定義的權重系數；
G、判斷所述x的取值是否等于m，如果是，結束流程；否則，執行步驟D。
所述Wx」的取值為0. 5 。
—種機械故障診斷裝置，包括 信號采集單元，用于采集目標機械設備中用于進行機械故障診斷的m個信號，所 述m為正整數； 趨勢分析單元，用于對每個信號進行定性和定量趨勢分析； 相似度計算單元，用于分別計算所有m個信號的定性和定量趨勢分析結果與知識
庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數； 故障確定單元，用于判斷計算出的取值最大的總體相似度系數是否大于預先設定
的閾值，如果是，則將所述取值最大的總體相似度系數對應的故障類型確定為所述目標機
械設備所處的故障類型。 該裝置進一步包括 信號預處理單元，用于對每個信號進行去噪處理，和/或，用于提取每個信號中的 特征量； 所述趨勢分析單元對從每個信號中提取出的特征量進行定性和定量趨勢分析。
較佳地，所述趨勢分析單元包括 劃分子單元，用于按照預先定義的原語，將每個信號的時間序列劃分為一個以上 的波段，并將每個波段用多項式進行擬合； 識別子單元，用于基于擬合后的信息，分析并識別出每個信號的整體演變趨勢以 及局部演變趨勢； 描述子單元，用于將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定 性和定量描述。 較佳地，所述相似度計算單元包括N個計算子單元；所述N的取值與知識庫中保 存的故障類型總數相同； 每個計算子單元分別用于，計算所有m個信號的定性和定量趨勢分析結果與知識 庫中預先保存的一種故障類型&所對應的特征趨勢之間的總體相似度系數，所述i的取值 為從1到N。 所述每個計算子單元中進一步包括 保存子單元，用于保存每種故障類型Fi所對應的特征趨勢； 定義子單元，用于定義兩個參數和i，其初始值均賦值為0，并將所述m個信 號分別編號為S工到Sm，從中選取一個信號Sx，所述x的初始值為1 ;
7
第一判斷子單元，用于判斷所述信號Sx的整體演變趨勢與所述保存子單元中保存 的當故障類型為&時，信號Sx所應該表現出的整體演變趨勢是否一致，如果是，則通知第一 計算子單元執行自身功能，否則，通知第二計算子單元執行自身功能；所述第一計算子單元，用于將所述sc;」的取值加一，并將相加結果重新賦值給所
述SCX」，然后通知第二判斷子單元執行自身功能； 所述第二計算子單元，用于將所述x的取值加一，并將相加結果重新賦值給所述 x，然后通知所述第一判斷子單元執行自身功能； 所述第二判斷子單元，用于判斷所述信號Sx的局部演變趨勢與所述保存子單元中 保存的當故障類型為&時，信號Sx所應該表現出的局部演變趨勢是否一致，如果是，則將 SCX」的取值加一，并將相加結果重新賦值給SCX」，然后通知第三計算子單元執行自身功能， 否則，直接通知所述第三計算子單元執行自身功能；所述第三計算子單元，用于計算所述sc;j與預先定于的權重系數W,」的乘積，將
計算結果重新賦值給所述SCX」；并計算重新賦值后的SCX」與所述相加之和，將相加結
果重新賦值給所述; 所述第三判斷子單元，用于判斷所述x的取值是否等于m，如果是，結束處理；否 則，通知所述第二計算子單元執行自身功能。 總之，與現有技術相比，本發明所述方案具備以下優勢 1、如果直接基于原始信號進行定性和定量趨勢分析，那么在實現起來會很困難， 而且結果也不可靠；采用本發明所述方案后，可首先對原始信號進行去噪以及特征量提取 等處理，從而使得后續的定性和定量趨勢分析更為有效。 2、本發明所述方案中采用整體演變趨勢以及局部演變趨勢來描述信號的演變情
況，從而更加適應信號的時域模式的內在特征，并簡化了后續的故障類型識別過程。 3、本發明所述方案在計算總體相似度系數時，綜合考慮了所有信號的整體演變趨
勢以及局部演變趨勢，從而提高了本發明所述方案的魯棒性和準確性。
下面將通過參照附圖詳細描述本發明的優選實施例，使本領域的普通技術人員更
清楚本發明的上述及其它特征和優點，附圖中 圖1為現有不同波段的定義方式以及字母表示示意圖； 圖2為現有一個過程變量所對應的時間序列示意圖； 圖3為本發明機械故障診斷方法實施例的流程圖； 圖4為本發明方法實施例中當軸位置處于0 120mm時，電機扭矩所對應的測量 序列的3維示意圖； 圖5為從圖4所示測量序列中提取出的特征頻帶75 79Hz內的扭矩分量示意 圖； 圖6為將圖5所示特征頻帶75 79Hz內的扭矩分量作為特征量，得到的特征量 的趨勢的示意圖； 圖7為本發明方法實施例中不同原語的示意圖； 圖8為本發明方法實施例中原始的電機扭矩信號示意8
圖9為圖8所示電機扭矩信號的整體演變趨勢示意圖； 圖10為圖8所示電機扭矩信號的局部演變趨勢示意圖； 圖11為將圖9和圖10中所示的整體演變趨勢以及局部演變趨勢用XML進行定性 和定量描述后的示意圖； 圖12為本發明方法實施例中的總體相似度系數計算方式流程圖； 圖13為本發明機械故障診斷裝置實施例的組成結構示意圖； 圖14為本發明裝置實施例中的計算子單元的組成結構示意圖。
具體實施例方式
針對現有技術中存在的問題，本發明中提出一種全新的機械故障診斷方案。其具
體實現包括首先，采集目標機械設備中用于進行機械故障診斷的m個信號，m為正整數，并
對每個信號進行定性和定量趨勢分析；然后，分別計算所有m個信號的定性和定量趨勢分
析結果與知識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數；最
后，判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值，如果是，則將該取
值最大的總體相似度系數所對應的故障類型確定為目標機械設備所處的故障類型。 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對
本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并
不用于限定本發明。 圖3為本發明機械故障診斷方法實施例的流程圖。如圖3所示，包括以下步驟 步驟301 :采集目標機械設備中用于進行機械故障診斷的m個信號。 這里所提到的用于進行機械故障診斷的信號可以是指電機電流以及電機扭矩等
信號，如何采集為現有技術，不再贅述。其中，m為正整數，其具體取值可根據實際需要而定。 步驟302 :對每個信號進行定性和定量趨勢分析。 為了更好地完善本發明所述方案，在執行本步驟之前，可先對采集到的每個信號
(以下稱為原始信號)進行預處理，即進行去噪和/或提取特征量處理。這樣處理的好處在
于通常來說，采集到的信號總是會受到噪聲的干擾，而且，機械故障特征經常隱藏在原始
信號的某些具體分量中，比如，由于存在軸承故障，電機電流將會在某個頻率處出現電流分
量，并且隨著故障的不斷惡化，該電流分量的振幅將會逐漸增大，那么在該頻率處的電流分
量即可作為一個特征量用來表征軸承的故障；相比于去噪后的信號以及與機械故障相關的
特征量，如果直接基于原始信號進行定性和定量趨勢分析，那么在實現起來會很困難，而且
結果也不可靠；所以，對采集到的信號進行一定的預處理，是非常必要的。 由于小波變換是一種可有效用于分析各類型信號的數學工具，并已被證明尤其適
用于進行被附加高斯白噪聲干擾的未知數據的重建，因此，本發明所述方案中采用基于小
波變換的去噪方法，以凈化原始信號。 另外，由于特征量對于機械設備的故障更為敏感，也更適用于進行定性和定量趨 勢分析，所以，本發明所述方案中可進一步從信號中提取出特征量，并基于該特征量進行定 性和定量趨勢分析。如圖4 6所示，其中，圖4為本發明方法實施例中當軸位置處于0 120mm時，電機扭矩所對應的測量序列的3維示意圖，該測量序列是在雙絲杠支撐軸承的條 件下得到的，其中，編號為1 4的測量序列對應于軸承狀態正常的時候，編號為5 8的測量序列對應于軸承狀態異常的時候；圖5為從圖4所示測量序列中提取出的特征頻帶75 79Hz內的扭矩分量示意圖；圖6為將圖5所示特征頻帶75 79Hz內的扭矩分量作為特征 量，得到的特征量的趨勢的示意圖。可以看出，特征量對于機械設備的故障更為敏感。
需要說明的是，在實際應用中，可只對采集到的信號進行去噪處理，也可只對采集 到的信號進行特征量提取處理，還可先后進行上述兩種處理，即對采集到的信號進行去噪 處理后，再從去噪處理后的信號中提取出特征量。總之，具體實現方式不限。另外，基于小 波變換的去噪以及特征量提取的具體實現均為現有技術，不再贅述。 本步驟中，通過對每個信號進行定性和定量趨勢分析，識別出每個信號的時域演 變趨勢。這里所提到的時域演變趨勢，主要包括兩個方面，即整體演變趨勢以及一些與機械 故障相關的局部演變趨勢。其中，整體演變趨勢主要表現為上升、下降、穩定以及振蕩等趨 勢；局部演變趨勢主要表現為尖峰、步進、阻尼振蕩以及跌落等趨勢。分析并識別出每個信 號的整體演變趨勢以及局部演變趨勢，并將信號用這兩種演變趨勢進行描述，將為后續的 故障類型識別提供堅實的基礎。本步驟的具體實現過程如下 首先，按照預先定義的原語，將每個信號的時間序列劃分為一個以上的波段，并將
每個波段用多項式進行擬合；然后，基于擬合后的信息，分析并識別出每個信號的整體演變
趨勢以及局部演變趨勢；最后，將識別出的每個信號的整體演變趨勢以及局部演變趨勢進
行定性和定量描述。 舉例說明 假設有一信號的時間序列S = . . . ，Xm]，其中，^到Xm表示M個采祥點，采
用圖7所示的不同原語，將該時間序列劃分為一系列的連續波段{Pp P2， . . . ， Pn} ， n表示劃 分得到的波段總數；并將每個波段Pi通過最小多項式(通常為階數不大于2的多項式)擬 合算法表示為& = P 。+ P lt+ P 2t2， tPi start < t《tPi end，其中，tPi start表示波段Pi的起始時 間，tPi，d表示波段Pi的結束時間；這樣，信號的時域演變趨勢L即可被表示為T =化， P2， ， PJ ，等同于表示為q2， ， qn。 基于上述表示方式，識別出該信號的整體演變趨勢和局部演變趨勢。如何進行多 項式擬合以及如何進行整體演變趨勢和局部演變趨勢的識別均為現有技術，不再贅述。
然后，將識別出的整體演變趨勢以及局部演變趨勢利用可擴展標記語言(XML， Extensible Markup Language)進行定性禾口定量描述，如下所示 〈Signal qimlitative-qimntitative representation> (Approximation evolution pattern>Ascending(descending, constant or oscillation) (/Approximation evolution pattern> ——整體演變趨勢(上升、
下降、穩定、振蕩) 化ocal level evolution pattern> ___局部演變趨勢 〈Pattern>spike〈/Pattern> ___尖峰 〈Temporary information> 〈Start point>40〈/Start point>___起點位置 〈End point>60〈/End point〉 一-纟冬點^立置 〈/Temporary information> 〈Pattern〉. 〈/Pattern〉
〈Temporary information) 〈Start point〉. . . 〈/Start point〉 〈End point〉. . . 〈/End point〉 〈/Temporary information) 〈/Local level evolution pattern〉 〈/Signal qimlitative—qimntitative representation) 可以看出，上述描述方式與傳統的描述方式，如字符串描述方式等不同，對信號的
時域演進趨勢進行了綜合性的定性和定量描述，且描述方式非常簡潔。當然，此處僅為舉例 說明，并不用于限制本發明的技術方案，如果采用其它的描述方式，也是可以的。 下面結合附圖，進一步說明本步驟的具體實現 如圖8 11所示，其中，圖8為本發明方法實施例中原始的電機扭矩信號的示意 圖；圖9為圖8所示電機扭矩信號的整體演變趨勢示意圖，可以看出，為上升趨勢；圖10為 圖8所示電機扭矩信號的局部演變趨勢示意圖，可以看出，為尖峰趨勢；圖11為將圖9和圖 10中所示的整體演變趨勢以及局部演變趨勢利用XML進行定性和定量描述后的示意圖。
步驟303 :分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保 存的每種故障類型所對應的特征趨勢之間的總體相似度系數。 預先在知識庫中，按照以下定性表示方式，保存有不同故障類型及其對應的特征
趨勢之間的映射關系IF S, is trend Tr s, f AND W, ;=0.9S2 is trend Tr S2 , AND W2; =0.7
...THEN
Fault is Fi 其中，i表示知識庫中所保存的故障類型的編號，i = 1、2.....N，那么相應地，則
需要在知識庫中保存N種特征趨勢，即每種特征趨勢對應一種故障類型。 本實施例中所述的知識庫需要是可擴展的，S卩能夠隨時更新，填加或刪除所需的內容。 每種故障類型采用m個信號Sx G {Sn S2， . . . ， Sm}進行描述(所采集的信號個數 需要與知識庫中保存的每種故障類型所對應的信號個數相等)。 T,- s、—, e{Trsu，Tf S2 ,，…，U表示當機械設備處于故障類型Fi時，信號Sx所應該表 現出來的特征趨勢，包括整體演變趨勢以及局部演變趨勢。 Wxi G ^ i，W2 i， . . . ， Wm J為權重系數，用于表示結論的可信度，也就是說，如果條 件S、 is trendi;」、」成立，那么機械設備則處于故障類型Fi。 SCX—je{SC,—,，SC2,，…，SC^為實際采集到的信號s^ {Sl，S2，..，SJ的演變趨勢 與知識庫中保存的當故障類型為Fi時，信號Sx所應該表現出來的特征趨勢之間的相似度系 數。 另外，考慮到為了更準確地確定出目標機械設備當前所處的故障類型，必須對多 個信號的演變趨勢進行綜合性的分析與比較，因此需要計算一個總體相似度系數，以用來 反映所有相關的演變趨勢比較結果。不同于傳統的總體相似度系數計算方法，即只包括一個相似度系數，如SC「Min(sc^》，本發明所述方案中提出用一個變量來表征所有的相似度
系數，即sc,=|;scx,*wx—,。 基于上述介紹，圖12為本發明方法實施例中總體相似度系數的計算方式流程圖。 如圖12所示，包括以下步驟 步驟1201 :定義兩個參數和SCX」，其初始值均賦值為0 ;將m個信號分別編號 為S工到Sm，并從中選取一個信號Sx， x的初始值為1。
其中，i的取值范圍為從1到N。 步驟1202 :判斷信號Sx的整體演變趨勢與知識庫中保存的當故障類型為&時， 信號Sx所應該表現出的整體演變趨勢是否一致，如果是，則執行步驟1203 ;否則，執行步驟 1204。 步驟1203 :SCXj = SCXj+l，然后執行步驟1205。
步驟1204 :x = x+l，然后執行步驟1202。 步驟1205 :判斷信號Sx的局部演變趨勢與知識庫中保存的當故障類型為&時， 信號Sx所應該表現出的局部演變趨勢是否一致，如果是，則執行步驟1206 ;否則，執行步驟 1207。 需要說明的是，如果信號Sx的局部演變趨勢包括多種類型，比如既有尖峰又有步 進，那么知識庫中所保存的局部演變趨勢需要與信號Sx的局部演變趨勢完全一致才行。
步驟1206 :SCXj = SCXj+l，然后執行步驟1207。
步驟1207 :SCXj = SCXjXWxj， = SQ+SC;，
假設本實施例中Wx」的取值為0. 5 。 1208 :判斷x的取值是否等于m，如果是，結束流程；否則，執行步驟1204。 即判斷是否已經處理完所有m個信號，如果是，結束流程，否則，返回步驟1204，即
按編號遞增順序選擇下一個信號Sx。 步驟304 :判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值， 如果是，則執行步驟305 ;否則，結束流程。 按照圖12所示方法，計算出分別對應N種故障類型的N個最大相似度系數，并從 中選取出取值最大的一個，與預先設定的閾值進行比較，如果取值最大的總體相似度系數 大于該預先設定的閾值，則執行步驟305，否則，可認為當前的目標機械設備不存在故障，結 束流程。 步驟305 :將取值最大的總體相似度系數所對應的故障類型確定為目標機械設備 所處的故障類型，結束流程。 比如，取值最大的總體相似度系數為SCs，那么即可將編號為5的故障類型確定為 目標機械設備當前所處的故障類型。 基于上述方法，圖13為本發明機械故障診斷裝置實施例的組成結構示意圖。如圖 13所示，該裝置包括 信號采集單元l，用于采集目標機械設備中用于進行機械故障診斷的m個信號，m 為正整數； 趨勢分析單元2，用于對每個信號進行定 和定量趨勢分析；
相似度計算單元3，用于分別計算所有m個信號的定性和定量趨勢分析結果與知
識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數； 故障確定單元4，用于判斷計算出的取值最大的總體相似度系數是否大于預先設
定的閾值，如果是，則將該取值最大的總體相似度系數所對應的故障類型確定為目標機械
設備所處的故障類型。 該裝置中進一步包括 信號預處理單元5，用于對每個信號進行去噪處理，和/或，用于提取每個信號中 的特征量；趨勢分析單元2對從每個信號中提取出的特征量進行定性和定量趨勢分析。
其中，趨勢分析單元2中可具體包括 劃分子單元21，用于按照預先定義的原語，將每個信號的時間序列劃分為一個以 上的波段，并將每個波段用多項式進行擬合； 識別子單元22，用于基于擬合后的信息，分析并識別出每個信號的整體演變趨勢 以及局部演變趨勢； 描述子單元23，用于將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行 定性和定量描述。 相似度計算單元3中可具體包括N個計算子單元31 ;N的取值與故障類型總數相 同； 每個計算子單元31分別用于，計算所有m個信號的定性和定量趨勢分析結果與知 識庫中預先保存的一種故障類型Fi所對應的特征趨勢之間的總體相似度系數，i的取值為 從1到N。 其中，每個計算子單元31的組成結構如圖14所示 保存子單元311，用于保存每種故障類型Fi所對應的特征趨勢； 定義子單元312，用于定義兩個參數和SCX i，其初始值均賦值為0，并將m個信
號分別編號為S工到Sm，從中選取一個信號Sx， x的初始值為1 ; 第一判斷子單元313，用于判斷信號Sx的整體演變趨勢與保存子單元311中保存 的當故障類型為&時，信號Sx所應該表現出的整體演變趨勢是否一致，如果是，則通知第一 計算子單元314執行自身功能，否則，通知第二計算子單元315執行自身功能； 第一計算子單元3i4，用于將sc;」的取值加一，并將相加結果重新賦值給sc;」，然
后通知第二判斷子單元316執行自身功能； 第二計算子單元315，用于將x的取值加一，并將相加結果重新賦值給x，然后通知 第一判斷子單元313執行自身功能； 第二判斷子單元316，用于判斷信號Sx的局部演變趨勢與保存子單元311中保存 的當故障類型為&時，信號Sx所應該表現出的局部演變趨勢是否一致，如果是，則將SCX」 的取值加一，并將相加結果重新賦值給SCX」，然后通知第三計算子單元317執行自身功能， 否則，直接通知第三計算子單元317執行自身功能； 第三計算子單元317，用于計算S(;」與預先定于的權重系數W,」的乘積，將計算 結果重新賦值給SCX—i ;并計算重新賦值后的SCX—i與相加之和，將相加結果重新賦值給
; 第三判斷子單元318，用于判斷x的取值是否等于m，如果是，結束處理；否則，通知
13第二計算子單元315執行自身功能。 圖13和14所示裝置實施例的具體工作流程請參照方法實施例中的相應說明，此 處不再贅述。 總之，采用本發明的技術方案，主要具體以下優勢 1、如果直接基于原始信號進行定性和定量趨勢分析，那么在實現起來會很困難， 而且結果也不可靠；采用本發明所述方案后，可首先對原始信號進行去噪以及特征量提取 等處理，從而使得后續的定性和定量趨勢分析更為有效。 2、本發明所述方案中采用整體演變趨勢以及局部演變趨勢來描述信號的演變情
況，從而更加適應信號的時域模式的內在特征，并簡化了后續的故障類型識別過程。 3、本發明所述方案在計算總體相似度系數時，綜合考慮了所有信號的整體演變趨
勢以及局部演變趨勢，從而提高了本發明所述方案的魯棒性和準確性。 需要說明的是，上述實施例僅用于舉例說明，并不用于限制本發明的技術方案。凡 在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保 護范圍之內。
1權利要求
一種機械故障診斷方法，其特征在于，該方法包括采集目標機械設備中用于進行機械故障診斷的m個信號，所述m為正整數，并對每個信號進行定性和定量趨勢分析；分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數；判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值，如果是，則將所述取值最大的總體相似度系數對應的故障類型確定為所述目標機械設備所處的故障類型。
2. 根據權利要求1所述的方法，其特征在于，所述對每個信號進行定性和定量趨勢分析之前，進一步包括對每個信號進行去噪處理；所述對每個信號進行定性和定量趨勢分析包括對每個經過去噪處理后的信號進行定性和定量趨勢分析。
3. 根據權利要求1或2所述的方法，其特征在于，所述對每個信號進行定性和定量趨勢分析之前，進一步包括提取每個信號中的特征量；所述對每個信號進行定性和定量趨勢分析包括對從每個信號中提取出的特征量進行定性和定量趨勢分析。
4. 根據權利要求1所述的方法，其特征在于，所述對每個信號進行定性和定量趨勢分析包括按照預先定義的原語，將每個信號的時間序列劃分為一個以上的波段，并將每個波段用多項式進行擬合；基于擬合后的信息，分析并識別出每個信號的整體演變趨勢以及局部演變趨勢；將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定性和定量描述。
5. 根據權利要求4所述的方法，其特征在于，所述將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定性和定量描述包括將識別出的每個信號的整體演變趨勢以及局部演變趨勢利用可擴展標記語言XML進行定性和定量描述。
6. 根據權利要求4或5所述的方法，其特征在于，所述分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數包括針對所述知識庫中預先保存的每種故障類型&，所述i的取值為從1到N，所述N為故障類型總數，分別執行以下操作A、 定義兩個參數和SCX」，其初始值均賦值為0 ;將所述m個信號分別編號為S工到Sm，并從中選取一個信號S,，所述x的初始值為1 ;B、 判斷所述信號Sx的整體演變趨勢與所述知識庫中保存的當故障類型為&時，信號Sx所應該表現出的整體演變趨勢是否一致，如果是，則執行步驟C ;否則，執行步驟D ;C、 SCX」=SCX」+l，然后執行步驟E ;D、 x = x+l，并執行步驟B ;E、 判斷所述信號Sx的局部演變趨勢與所述知識庫中保存的當故障類型為&時，信號Sx所應該表現出的局部演變趨勢是否一致，如果是，則SCX」=SCX」+l，并執行步驟F ;否則，直接執行步驟F;F、 SCXj = SCX iXWx i， = SCi+SCx」所述Wx」為預先定義的權重系數；G、 判斷所述x的取值是否等于m，如果是，結束流程；否則，執行步驟D。
7. 根據權利要求6所述的方法，其特征在于，所述Wx」的取值為0.5。
8. —種機械故障診斷裝置，其特征在于，該裝置包括信號采集單元(l)，用于采集目標機械設備中用于進行機械故障診斷的m個信號，所述m為正整數；趨勢分析單元(2)，用于對每個信號進行定性和定量趨勢分析；相似度計算單元(3)，用于分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數；故障確定單元(4)，用于判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值，如果是，則將所述取值最大的總體相似度系數對應的故障類型確定為所述目標機械設備所處的故障類型。
9. 根據權利要求8所述的裝置，其特征在于，該裝置進一步包括信號預處理單元(5)，用于對每個信號進行去噪處理，和/或，用于提取每個信號中的特征量；所述趨勢分析單元(2)對從每個信號中提取出的特征量進行定性和定量趨勢分析。
10. 根據權利要求8所述的裝置，其特征在于，所述趨勢分析單元(2)包括劃分子單元(21)，用于按照預先定義的原語，將每個信號的時間序列劃分為一個以上的波段，并將每個波段用多項式進行擬合；識別子單元(22)，用于基于擬合后的信息，分析并識別出每個信號的整體演變趨勢以及局部演變趨勢；描述子單元(23)，用于將識別出的每個信號的整體演變趨勢以及局部演變趨勢進行定性和定量描述。
11. 根據權利要求IO所述的裝置，其特征在于，所述相似度計算單元(3)包括N個計算子單元(31);所述N的取值與知識庫中保存的故障類型總數相同；每個計算子單元(31)分別用于，計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的一種故障類型&所對應的特征趨勢之間的總體相似度系數，所述i的取值為從1到N。
12. 根據權利要求ll所述的裝置，其特征在于，所述每個計算子單元(31)中進一步包括保存子單元(311)，用于保存每種故障類型&所對應的特征趨勢；定義子單元(312)，用于定義兩個參數和SCX i，其初始值均賦值為0，并將所述m個信號分別編號為S工到Sm，從中選取一個信號Sx，所述x的初始值為1 ;第一判斷子單元(313)，用于判斷所述信號S,的整體演變趨勢與所述保存子單元(311)中保存的當故障類型為Fi時，信號Sx所應該表現出的整體演變趨勢是否一致，如果是，則通知第一計算子單元(314)執行自身功能，否則，通知第二計算子單元(315)執行自身功能；所述第一計算子單元(314)，用于將所述SCxi的取值加一，并將相加結果重新賦值給所述S(;」，然后通知第二判斷子單元(316)執行自身功能；所述第二計算子單元(315)，用于將所述x的取值加一，并將相加結果重新賦值給所述x，然后通知所述第一判斷子單元(313)執行自身功能；所述第二判斷子單元(316)，用于判斷所述信號Sx的局部演變趨勢與所述保存子單元(311)中保存的當故障類型為Fi時，信號Sx所應該表現出的局部演變趨勢是否一致，如果是，則將sc;」的取值加一，并將相加結果重新賦值給sc;」，然后通知第三計算子單元(317)執行自身功能，否則，直接通知所述第三計算子單元(317)執行自身功能；所述第三計算子單元(317)，用于計算所述S(;」與預先定于的權重系數W,」的乘積，將計算結果重新賦值給所述SCX」；并計算重新賦值后的SCX」與所述相加之和，將相加結果重新賦值給所述;所述第三判斷子單元(318)，用于判斷所述x的取值是否等于m，如果是，結束處理；否則，通知所述第二計算子單元(315)執行自身功能。
全文摘要
本發明公開了一種機械故障診斷方法，包括獲取目標機械設備中用于進行機械故障診斷的m個信號，所述m為正整數，并對每個信號進行定性和定量趨勢分析；分別計算所有m個信號的定性和定量趨勢分析結果與知識庫中預先保存的每種故障類型所對應的特征趨勢之間的總體相似度系數；判斷計算出的取值最大的總體相似度系數是否大于預先設定的閾值，如果是，則將所述取值最大的總體相似度系數對應的故障類型確定為所述目標機械設備所處的故障類型。本發明同時公開了一種機械故障診斷裝置。應用本發明所述的方法和裝置，能夠準確地識別出機械設備所處的故障類型。
文檔編號G01M99/00GK101788378SQ20091000982
公開日2010年7月28日 申請日期2009年1月23日 優先權日2009年1月23日
發明者卓越, 時文剛, 王青崗, 胡喜, 邢建輝 申請人:西門子公司