[发明专利]一种机械部件损伤程度的评估方法

权利要求书

1.一种机械部件损伤程度的评估方法，其特征在于，该评估方法包括如下步骤：

1)使用测点采集不同严重程度故障对应的原始数据；根据系统功能结构、故障传播特点和状态监控要求，初步部署测点T_I＝{t₁,t₂,t₃,...,t_M}，M为测点总数，采集系统从正常状态到出现故障状态下的故障增长原始数据O＝{O₁,O₂,O₃,...,O_i,...,O_M}，其中O_i为第i个测点t_i采集的故障增长数据，O_i＝{x_i(1),x_i(2),x_i(3),...,x_i(k),...,x_i(K)}，x_i(k)为测点t_i采集的第k时刻的数据；

2)使用时域、频域及时频域结合方法提取故障增长特征，原始数据利用时频统计指标提取原始数据的故障特征构成特征向量；通过由特征向量Ei通过计算构成综合损伤指标SDIi，采用函数拟合故障增长趋势，建立测点描述的故障增长趋势曲线；

3)分析不同测点描述的故障增长趋势曲线，选择对故障跟踪能力最大的测点数据；

4)采用对故障跟踪能力最大的测点采集的数据作为损伤评估算法的输入，经过模型训练和智能推理流程评估当前时刻机械部件的损伤程度；使用智能辨识算法评估损伤程度包括步骤：

Step1：使用测点t*已采集的数据作为训练样本，训练不同损伤状态对应的损伤评估模型；

Step2：使用测点t*采集当前时刻机械部件的原始数据，提取故障增长特征，作为智能辨识算法的输入；

Step3：使用智能算法的推理过程，输出当前时刻对应的损伤状态。

2.根据权利要求1所述的一种机械部件损伤程度的评估方法，其特征在于：所述步骤2)中，建立故障增长趋势曲线，步骤如下：

Step1：使用式(1)对原始数据O进行预处理：

式中，x_i(k)为测点t_i采集的第k时刻的数据，μ_i和σ_i分别为x_i(k)的均值和标准差；

Step2：利用时频统计指标提取原始数据O的故障特征E＝{E₁,E₂,E₃,...,E_i,...,E_M}，使用式(2)对E进行归一化处理：

式中，E_i为原始数据O_i的特征向量，E_max为特征向量E中的最大值，E_min为特征向量E_i中的最小值，为特征向量E_i归一化后的向量；

Step3：使用式(3)将特征向量E_i综合为一个综合损伤指标SDI_i：

Step4：采用常用的函数拟合故障增长趋势，建立各个测点描述的故障增长趋势曲线Φ₁,Φ₂,Φ₃,...,Φ_i,...,Φ_M。

3.根据权利要求2所述的一种机械部件损伤程度的评估方法，其特征在于，所述步骤3)中，计算各个测点对故障的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤评估方法的输入，步骤如下：

Step1：使用式(4)计算测点t_i对故障增长趋势曲线Φ_i的稳定度τ_i：

式中，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长趋势曲线Φ_i的第k₁，k₂个观测点，N为故障增长趋势曲线Φ_i所有观测点的总数；sign(x)为符号函数，在数学和计算机运算中，其功能是取某个数的符号：表示当自变量x0时，函数值为1，自变量x＝0时，函数值为0，自变量x0时，函数值为-1；

Step2：使用式(5)计算测点t_i对故障增长过程Φ_i的灵敏度β_i：

式中，Φ_i(1)表示正常状态时的第i个特征的输出值，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障演化曲线Φ_i的第k₁，k₂个观测点，N为故障演化曲线Φ_i所有观测点的总数；median为中值函数，返回给定数值的中值；

Step3：使用式(6)计算第i个测点t_i对故障的跟踪能力TOF_i：

式中，τ_i为测点t_i对故障增长过程的稳定度，β_i为测点t_i对故障增长过程的灵敏度；

Step4：使用式(7)选择对故障跟踪能力最大的测点t*采集的数据作为损伤程度评估的数据输入：

式中，TOF_i为测点t_i对故障的跟踪能力，为最大跟踪能力TOF_i对应的测点。