[发明专利]一种适用于水泵转子系统的工频振动异常故障诊断方法

说明书

本发明公开了一种适用于水泵转子系统的工频振动异常故障诊断方法，包括如下步骤：(1)构建以水泵转子系统工频振动异常为顶事件的T‑S模糊故障树；(2)将所构建的T‑S模糊故障树按照特定的转化规则转化为诊断贝叶斯网络；(3)利用诊断贝叶斯网络强大的推理进行故障诊断。本发明能很好的克服贝叶斯网络结构构件及条件概率表确定困难的问题，且诊断结果更优于传统的基于贝叶斯网络的方法。

技术领域

本发明属于故障诊断领域，特别涉及一种适用于水泵转子系统的工频振动异常故障诊断方法。

背景技术

大型泵站机组的运行状态受水力、机械、电磁的耦合作用，影响其效率或形成故障的因素往往存在多重映射，是一个典型的大型、非线性复杂系统。转子作为泵机组的主要组成部分，有研究发现，旋转机械有超过一半的故障都是由转子故障引起。因此，对其进行故障诊断是整个泵机组故障诊断的重中之重。

贝叶斯网络作为一种融合概率论、图论、决策理论等知识的智能方法在故障诊断领域，尤其是存在大量不确定性信息的复杂系统故障诊断中越来越受到重视，非常适用于大型水泵机组中转子的故障诊断。

然而，贝叶斯网络在应用过程中存在着网络结构构建及条件概率表确定困难的问题。基于此，为了更好的实现大型泵站机组的故障诊断，迫切的需要对现有的基于贝叶斯网络的故障诊断方法进行改进，降低贝叶斯网络结构和条件概率表确定的难度。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种将贝叶斯网络与T-S模糊故障树结合，有效解决了贝叶斯网络在转子故障诊断中结构构造及条件概率表确定困难问题的适用于水泵转子系统的工频振动异常故障诊断方法。

技术方案：为解决上述技术问题，本发明提供一种适用于水泵转子系统的工频振动异常故障诊断方法，具体步骤如下：

步骤一：构建以水泵转子系统工频振动异常为顶事件的T-S模糊故障树；

步骤二：将所构建的T-S模糊故障树按照特定的转化规则转化为诊断贝叶斯网络；

步骤三：利用诊断贝叶斯网络强大的推理进行故障诊断。

进一步的，所述步骤一中构建T-S模糊故障树的具体步骤如下：

步骤1.1：将专家经验和历史数据进行融合，构造水泵转子系统故障库；

步骤1.2：在转子振动实验平台上模拟水泵转子系统常见故障，用电涡流传感器采集不同故障情况下转子的振动信号，并对其作频谱分析，得到各种故障在不同频率成分下的幅值分布；

步骤1.3：选出引起工频振动异常增大的故障，然后构造T-S模糊故障树。

进一步的，所述步骤1.3中构造T-S模糊故障树的模糊规则如下：

其中：规则l＝1,2,···,r，为底事件x₁的故障状态，为底事件x₂的状态，为底事件x_n的状态，顶事件y₁的故障状态为的概率为

然后依据对历史数据的分析和专家经验确定各底层事件的故障状态概率模糊子集。

进一步的，所述步骤1.3中引起工频振动异常增大的故障有转子质量不平衡和转子热弯曲，其中造成转子质量不平衡的原因有积垢、部件断裂或脱落、初始偏心；造成转子热弯曲的原因有机组起停车不当、运动过程中受热不均匀。

进一步的，所述步骤二中将所构建的T-S模糊故障树按照特定的转化规则转化为诊断贝叶斯网络的具体步骤如下：T-S模糊故障树的顶事件对应于贝叶斯网络叶节点，中间事件对应于中间节点，底事件对应于根节点，通过转换从而得到的诊断贝叶斯网络。