[发明专利]基于时变数据与多尺度微观振动数据分析的状态识别方法

权利要求书

1.基于时变数据与多尺度微观振动数据分析的状态识别方法，其特征在于：包括如下步骤：

步骤一、工作过程数据的测量

根据待识别装置工作机理及故障模式分析，通过多个传感器采集工作过程数据；

步骤二、基于时变数据的待识别装置故障特征识别方法

2-1异常数据去除

去除异常数据：异常数据指的是不符合整个时间序列趋势的数据，不能反应结构的真实工作状况的监测值；

设n个测量值按大小顺序排列x₁≤x₂≤…≤x_i≤…≤x_n，x_i是需要检验判别的异常数据，测量值的分布概率密度由式(1)求得；

式中：P是分布概率密度，S是测量值的拟合函数，是测量值的平均数，λ′(α,n)是测量值正常浮动误差值，α是异常数据概率，n是测量值的个数；

根据异常数据x_i与平均值的残差是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除，对应的残差可由式(2)求得：

式中：是x_i与平均值的残差，λ′(α,n)是测量值正常浮动误差值，S是测量值的拟合函数，σ是样本标准差，λ(α,n)是异常数据分布概率；

当残差值大于异常数据分布概率，则剔除此x_i；重复本步骤，直至剔除所有异常数据；

2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理含噪模型表示为：

S(k)＝f(k)+ε*e(k),k＝0,1,......,n-1 (3)

其中，f(k)为有用信号，S(k)为含噪声信号，e(k)为噪声，ε为噪声系数的标准偏差；

(1)信号S(k)的小波分解：任意选择一个小波信号并确定小波分解的层次，对信号进行多层小波分解计算，得到低频系数、高频系数；

(2)小波分解高频系数的阈值量化：对步骤(1)得到的高频系数进行阈值量化处理，得到R；

R(k)＝(sort(|x|))²,(k＝0,1,2,...,n-1) (4)

式中：R(k)是阈值量化函数，x是分解后的高频小波，k是分解后的小波个数；

(3)信号的小波重构：根据步骤(1)得到的低频系数，以及步骤(2)得到的R进行信号的小波重构；

式中：H_jf是重构后的信号，m_j-1,k是低频系数，是小波基，n_j-1,k是阈值量化后的高频系数，Ψ(x)是小波尺度函数；

2-3故障特征提取

根据待识别装置的常见故障模式确定装置的故障特征，利用故障特征对装置进行状态识别；待识别装置工作过程包括：后坐过程以及复进过程，后坐过程数据特征x_hz,t_hz，复进过程数据特征x_fj,t_fj，后坐位移峰峰间隔时间t_pp；

根据待识别装置运动特点以及常见故障模式，后坐最大位移x_hz以及后坐时间t_hz可以反应后坐过程的工作状态，复进结束位移x_fj以及复进时间t_fj可以反应复进过程的工作状态，峰峰间隔时间t_pp可以反应每个循环周期内时间的变动；

2-4故障状态识别

根据拉依达准则，通过从正常工作数据中提取关键故障特征参数的标准偏差，按照99.73％的概率确定故障特征参数的分布区间，将此分布区间设置为正常阈值范围；

P(μ-3σ,μ+3σ)≥99.73％ (6)

式中：P是正常工作数据分布概率，μ是正常工作数据平均值，σ是正常工作数据方差；

在故障特征提取之后，将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较，如果超出正常阈值范围，则判定待识别装置工作状态出现异常，否则仍是正常工作状态。