盲源分离滚动轴承复合故障诊断方法

摘要

　　在实际石化装备工业运行过程中，监控其运行的传感器往往会采集到大量包含状态信息与故障特征的重要信息，可以用于装备的状态监测与故障诊断。当前设备运行的状态变化会时刻影响信号的相关特征参数，根据相关特征参数的分布情况可以间接掌握设备的当前运动状态。因此，状态监测与故障诊断成功与否的前提和关键在于如何从强干扰的机械状态信号中提炼出绝对有用、能够客观评价和判断诊断对象的状态特征。在实际工业现场中，往往存在大量背景干扰噪声、多种未知的机械结构源信号相互耦合以及传感器数目小于源信号数目等多种因素，加之传感器拾取的观测信号的传输过程未知，传感器获取的观测信号往往都是所有可能因素影响以及信号混杂后的结果，因此，难以直接获取有价值的故障特征信息。为了能够准确、高效地提取故障源目标信号，前提必须尽可能地将背景噪声和其他干扰信号进行抑制或排除。

　　针对上述问题，本论文面对石化行业装备运行过程中故障诊断存在的问题，以石化装备轴承智能故障诊断系统为切入点，首先展开石化装备故障诊断系统的需求分析，多角度剖析确定系统总体的逻辑框架。然后通过分析石化装备滚动轴承智能故障诊断中数据采集的技术及实现过程，结合数据驱动的思想及优点，分别对石化装备滚动轴承智能故障诊断系统的逻辑框架的三个层面：即数据预处理、数据驱动下基于人工智能的故障诊断、数据驱动下基于统计方法估计盲源分离信号的故障诊断进行分析研究。论文的主要工作及创新之处如下：

　　1、数据驱动下改进小波分析的滚动轴承故障信号降噪。基于传统小波阈值降噪原理，提出一种新的改进小波阈值除噪的方法，设计衡量各个尺度下小波系数的标准差估计指标，并基于此构造一种新的自适应的阈值过滤函数，实现对采集信号的过滤去噪预处理，模拟仿真及实例仿真验证均表明其降噪有效性。

　　2、数据驱动下耦合交互的滚动轴承复合故障解耦诊断。针对复合故障数据耦合交互特点，首先引入线性判别分析理论，将数据进行解耦映射，采用数据驱动下 BP 神经网络诊断方法进行解耦模式辨识，考虑到复合故障数据耦合程度较高，提出利用核函数作用下的线性判别分析解耦，进一步采用极限学习机进行模式辨识，将模型进行对比验证其改进的有效性。

　　3、数据驱动下滚动轴承复合故障盲源分离辨识与诊断。对于降噪后的复合故障数据，设计盲源分离方法进行分离，引入实际系统误差及观测误差，进一步引入总体最小二乘方法对分离的信号进行优化估计，设计实验仿真验证算法分离辨识信号的能力。

　　关键词：数据驱动，滚动轴承故障诊断，改进小波阈值降噪，解耦，盲源分离

ABSTRACT

　　In the actual operation of the petrochemical equipment industry, the sensors that monitor its operation often collect a large amount of important information that contains status information and fault characteristics, which can be used for equipment condition monitoring and fault diagnosis.Therefore, the premise and key factor in condition monitoring and fault diagnosis is how to extract the state characteristics from the strong interference of the mechanical signals, and it is absolutely useful to objectively evaluating and diagnosing the object. However, in the actual industrial field, there is a lot of background interference such as a variety of mechanical structure and the unknown noise source signal coupling, resulting in the number of sensors less than the number of source signals often exists,also coupled with the transmission process of unknown factors like observation signal collected by the sensor often contains any possible factors and fault, to estimate the fault source signal, we can directly obtain from the observed signal valuable information. Therefore, in order to extract the fault source signal accurately and efficiently, we must suppress the background noise and other interference signals as much as possible.

　　In view of the above problems, the paper faces the problems in the fault diagnosis of the equipment operation in the petrochemical industry. Taking the intelligent fault diagnosis system of the petrochemical equipment bearing as the starting point, the demand analysis of the fault diagnosis system of the petrochemical equipment is firstly carried out, and the overall system is determined by vary analysis.Through the requirement analysis of the petrochemical equipment rolling bearing intelligent fault diagnosis system framework, we hackle the logical framework analysis that the accuracy of the data, the effectiveness is the basis of intelligent fault diagnosis.

　　Combining the current analysis and realization of petrochemical equipment’s rolling bearing data acquisition technology in intelligent fault diagnosis process , we summarize the advantage and disadvantage of data driven below:the logical framework of intelligent fault diagnosis system data preprocessing, data driven fault diagnosis based on artificial intelligence and data driven based on blind source separation statistical estimation method. The main work and innovations of this paper are:

　　1. Data-driven denoising rolling bearing fault signals by the improved wavelet analysis method. Based on the principle of traditional wavelet threshold denoising, a new method of wavelet threshold denoising is proposed. we design the standard deviation estimation index of the wavelet coefficients at each scale, and based on this,we construct a new adaptive threshold filtering function to realized filtering and denoising pretreatment of the collected signal.Finally by the simulation and example simulation,we verify the effectiveness of noise reduction.

　　2. Data-driven decoupling rolling bearing multiple faults signals. In view of the coupling interaction characteristics of multiple fault data, we proposed linear discriminant analysis theory to decouple data mapping, based on this,we put data-driven artificial intelligence BP diagnosis method for decoupling mode identification. Considering the high coupling degree of multiple fault data,we propose the kernel function linear discriminant analysis method. Under this function ,the multiple faults are decoupled, and furtherly the extreme learning machine is used for pattern recognition. At last,we compared these two models to verify the improved validity.

　　3. Data-Driven separating rolling bearings multiple faults signals by blind source separation method. For the de-noised multiple fault data, the blind source separation method is designed to separate, the actual system error and observation error are introduced, the total least-squares method is further introduced to optimize the separated signal, and the experimental simulation is designed to verify the ability of the algorithm to separate the identification signal.

　　KEY WORDS: data driven, rolling bearing fault diagnosis, improved wavelet threshold denosing, decoupling, blind source separation

　　随着计算机技术、智能化技术等的不断发展，石化装备等大型工业设备日趋大型化、自动化，极大提升工业生产及运作规模，使得工业生产成本大大降低、生产效率不断提高、能源损耗也相应减少，然而，在满足工业生产需求的同时，旋转机械复杂性也直接导致其运行过程中存在较大安全隐患：设备的主要零部件一旦发生故障，其链式结构工作机制就可能直接导致整台设备的运行状态、使用寿命以及工作精度发生恶化，带来极大的安全隐患的同时也极有可能导致企业巨大的经济损失[1]。因此，自动化故障监测与诊断的智能技术将成为石化行业解决设备故障的重要手段。

　　与传统的基于专家知识的故障诊断技术[2]不同，数据驱动的智能故障诊断技术主要依赖于数据，该智能故障诊断技术的数据采集技术融合信息传输、电子传感器、信号处理及控制等多个领域技术，实现了技术的集成与协调控制，建立起一种应用更广泛、处理更全面、实时、准确、高效的智能故障诊断集成服务系统。

　　该技术将故障诊断由人工检测时代带入到智能自动化检测判别时代，解决目前石化行业常常面临的缺乏维修以及过度检修、成本控制等棘手问题，给石化企业有效降低设备安全隐患带来可能。

　　数据驱动故障诊断技术是智能故障诊断系统的核心模块，其协同其它子模块共同完成智能故障诊断，其中综合信息管理平台是负责集成多个子模块，通过该平台可以展现系统的输出，依此做出相应的决策。系统输出的可靠性依赖前端的传感器，近年来随着设备传感器技术、电子信息技术的高速发展，大量设备传感器以及视频监控设备装置已被广泛投入到企业生产及管理中。工业界生产商可根据采集到的海量设备运行数据实现设备监控与设备可靠性检测，发现潜在设备机组故障风险，及时采取安全维护措施，尽可能减少因前期潜在微小故障缺少及时维护而导致重大故障发生的事件。数据驱动技术融合了统计学、控制学等多个方面的学科，在建模方面有较强的理论依据，在应用方面特别适用于复杂工业海量数据的背景，能有效建立关于复杂系统的输入输出模型，既保证模型的数学合理性，也能体现工业实际过程的内在的运行规律[3]。数据驱动应用于故障诊断是近年来被广泛关注的领域，具有十分重要的理论发展意义与应用价值。数据驱动故障诊断技术基于数据驱动控制思想，结合工业运行复杂装备自身的运行机制，构建一套适用于工业设备故障检测与诊断的模型。目前主流的数据驱动故障诊断技术主要分为三类：基于统计分析的方法、基于信号分析的方法以及基于定量的人工智能方法。

　　数据驱动技术与基于模型的诊断技术不是绝对独立的，在难以完全获得建立分析模型的所需参数的情况下，数据驱动技术就可以实现建立模型，基于数据驱动的技术还可以考虑到模型构建中故障指标变量相关性以及系统的非线性等方面的问题，国内外对其关注程度日益增加。国际上，美国 University of Minnesota 于2002 年主办题为“IMA hot topics workshop :Data-driven control and optimization”

　　的研讨会。在国内，2008 年国家自然科学基金委就召开主题为“基于数据的控制、决策、调度和故障诊断”的开创性会议，会议就数据驱动的思想、技术及应用进行报告，这表明国内关于数据驱动的故障诊断技术已得到了高度重视，而后大批学者开始投入到数据驱动技术的研究中，发表大量关于数据驱动故障诊断技术的理论成果，有的甚至还进行工业推广应用，取得大量较好的成果。

　　因此，本文将立足于石化行业设备故障诊断领域，继续探讨分析数据驱动技术在故障诊断领域的应用，利用数据驱动技术来设计设备故障特征提取以及故障类型辨识两个方面，以及将它们应用在实际石化机组智能故障诊断系统中。

　　随着石化企业的发展，越来越多的情况表明，传统的基于模型的故障诊断其模型建立参数设定的不确定性，及适用条件假设太过理想化，这给石化故障诊断带来较大不便，因此，在应用与推广方面都受到较大的限制。

　　与传统建立模型的思想不同，数据驱动故障诊断技术不需要获取模型参数，不需要设计特别强的假设，采用的是一种类似只有输入与输出的“黑箱”式理论[5]-[6]，在“黑箱”理论中，设备故障发生的复杂过程只存在输入与输出，不具体分析其发生的内部机理及详细过程，直接根据输入与输出数据建立一种类似规律的推测模型，根据推导出的规则进行决策。

　　盲源分离滚动轴承复合故障诊断：

改进小波阈值去噪效果对比图

振动烈度信号 minmax 软阈值处理降噪图

振动烈度信号本章改进软阈值处理降噪图

轴承测试样本经 LDA 映射后分布图

本章方法诊断准确率

目 录

　　第一章 绪论
　　　　1.1 课题研究背景
　　　　1.2 课题研究目的及意义
　　　　1.3 国内外研究现状及存在的问题
　　　　　　1.3.1 数据驱动的国内外研究现状
　　　　　　1.3.2 数据驱动应用在石化装备故障诊断领域的研究现状及问题
　　　　1.4 论文的研究内容及结构安排
　　　　1.5 小结
　　第二章 石化装备轴承智能故障诊断系统需求分析及数据采集技术
　　　　2.1 石化装备轴承智能故障诊断系统需求分析及故障配件装置
　　　　　　2.1.1 石化装备轴承智能故障诊断系统需求分析
　　　　　　2.1.2 石化装备轴承智能故障诊断系统故障配件装置
　　　　2.2 石化装备轴承智能故障诊断系统数据采集与处理
　　　　　　2.2.1 石化装备轴承智能故障诊断系统数据采集与处理总体框架
　　　　　　2.2.2 石化装备轴承智能故障诊断系统数据采集与处理具体实现
　　　　2.3 数据驱动技术应用在石化装备故障诊断中的优劣分析
　　　　2.4 小结
　　第三章 数据驱动下滚动轴承复合故障的信号降噪方法
　　　　3.1 滚动轴承故障信号降噪背景
　　　　　　3.1.1 石化装备滚动轴承振动机理及噪声产生过程
　　　　　　3.1.2 石化装备滚动轴承失效形式及特征分析
　　　　3.2 改进的滚动轴承故障信号小波阈值降噪方法
　　　　　　3.2.1 小波降噪的基本原理
　　　　　　3.2.2 传统小波降噪的阈值选取方法
　　　　　　3.2.3 改进的滚动轴承故障信号小波阈值降噪方法
　　　　3.3 实验仿真与结果分析
　　　　　　3.3.1 模拟仿真
　　　　　　3.3.2 实例仿真
　　　　3.4 本章小结
　　第四章 数据驱动下耦合交互的滚动轴承复合故障解耦诊断方法......26
　　　　4.1 引言
　　　　4.2 数据驱动下线性判别分析的滚动轴承复合故障解耦诊断方法
　　　　　　4.2.1 线性判别分析解耦基础理论
　　　　　　4.2.2 数据驱动下基于线性判别分析解耦的 BP 诊断方法
　　　　　　4.2.3 数据驱动下基于线性判别分析解耦诊断方法的仿真验证
　　　　4.3 数据驱动下改进线性判别分析的滚动轴承复合故障解耦诊断方法
　　　　　　4.3.1 核函数作用下线性判别分析解耦理论
　　　　　　4.3.2 数据驱动下核线性判别分析解耦的 ELM 故障模式辨识方法
　　　　　　4.3.3 数据驱动下耦合交互的滚动轴承复合故障解耦诊断算法设计
　　　　　　4.3.4 算法验证及仿真分析
　　　　4.4 本章小结
　　第五章 数据驱动下滚动轴承复合故障信号盲源分离辨识诊断方法
　　　　5.1 引言
　　　　5.2 盲源分离理论概述
　　　　　　5.2.1 盲源分离基本思想
　　　　　　5.2.2 多故障信号盲源分离辨识规则
　　　　5.3 数据驱动下滚动轴承复合故障信号的盲源分离辨识与诊断方法
　　　　　　5.3.1 滚动轴承复合故障信号盲源分离辨识与诊断方法
　　　　　　5.3.2 算法评价指标
　　　　　　5.3.3 滚动轴承复合故障信号分离辨识与诊断算法设计
　　　　　　5.3.4 算法验证及仿真分析
　　　　5.4 石化装备智能故障诊断系统 GUI 设计
　　　　5.5 本章小结
　　第六章 总结与展望
　　　　6.1 论文结论
　　　　6.2 主要创新点
　　　　6.3 研究展望
　　致谢
　　参考文献
　　作者在攻读硕士期间的主要工作目录
　　一、发表的论文
　　二、申请的专利
　　三、参与的科研项目

（如您需要查看本篇毕业设计全文，请您联系客服索取）