[发明专利]一种基于支持向量机和数据驱动的旋转电机状态监测方法

摘要

本发明公开了一种基于支持向量机和数据驱动的旋转电机状态监测方法，包括采集旋转电机振动信号，利用曲线拟合振动信息预测旋转电机加速度及速度运行状态，以及根据误差、电机性能等指标评估电机状态。将采集节点安装于旋转电机外壳上，实时获得监测电机的三轴振动信号以及环境温湿度，通过物联网无线通讯技术传至接收端，再由接收端存储至数据库，利用小波分析与ARIMA模型或者其他时间序列预测方法计算各节点速度频谱图等信息，得到预测曲线。加入历史误差补偿得到准确的预测值，将之与真值比较得到此刻误差。此误差作为支持向量机分类的主要特征、结合温度、电机功率、转速等辅助特性做出故障判断。

主权项

1.一种基于支持向量机和数据驱动的旋转电机状态监测方法，其特征在于，该方法包括以下步骤：/n步骤1、在旋转电机的外壳安装数据采集装置，所述数据采集装置包括加速度传感器、电源模块和LORA通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；/n步骤2、将步骤1采集的数据通过LORA通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；/n步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：/na)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；/nb)温度值超过阈值；/nc)除旋转电机主频外有其他明显主要频率成分存在；/nd)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；/n若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；/n步骤4、采用大量历史加速度、速度数据代入自回归滑动平均模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；/n所述的历史误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值X