其于数据挖掘的旋转机械故障诊断研究与应用*

侯国安　贺晓莹

(银川能源学院　银川　750015)



其于数据挖掘的旋转机械故障诊断研究与应用*

侯国安贺晓莹

(银川能源学院银川750015)

针对旋转机械故障诊断复杂问题,提出了基于粗糙集的分类方法。首先利用粗糙集的差别矩阵进行属性约简,再利用决策树方法进行分类,最后得到分类规则,做为工作中故障诊断的依据。这种方法提高了数据挖掘的效率和故障诊断分类的准确性。

旋转机械; 故障诊断; 粗糙集; 差别距阵; 决策树

Class NumberTP23

1　引言

当今社会,计算机技术以及信息技术迅猛发展,使工业生产发展日益趋向设备大型化、结构复杂化和高度自动化,这也导致设备故障诊断日趋困难。无法及时发现设备故障导致停机停产,往往给企业带来巨额经济损失和维修难度。有效地实施设备状态检测及故障诊断,可由初期征兆识别故障进而采取相应的解决办法,可以避免重大恶性事故的发生,保障设备的安全运行[1]。

2　故障诊断的现状及发展

故障诊断技术已经经过了几十年的发展,大致经历了三个阶段[2～3]:20世纪60～70年代,是第一个阶段,主要依据经典控制理论,用传递函数法和频域法对简单故障进行诊断;70～80年代,是第二个阶段,主要依据现代控制理,应用状态函数法和时域法对设备机组进行诊断;80年代以后,便进入了智能故障诊断时期。

2.1传统故障诊断技术

传统故障诊断技术,往往是由专业技术人员现场拆卸机器,用肉眼察看,或用仪器测量,凭经验指导设备维修。这些经验只存在于专家的头脑里,没法形成专家诊断系统模型,很难留存下来[4]。这种诊断技术往往是在设备故障发生后,造成了停机,才能进行诊断,不利于故障早期预测,从而避免重大事故的发生。

2.2智能故障诊断技术

智能故障诊断综合了人工智能技术、信号处理、模式识别技术、现代控制理论、电子技术、计算机技术和统计学等,是一门综合性很强的技术。智能诊断融合了多位领域专家的经验,实现了人-机联合,能达到甚至超过专家水平,对于多种故障和突发性故障能做到快速诊断。

智能故障诊断的目的是用计算机模拟人类思维、推理方式对故障进行分类、预测,其关键是模式获取,也就是知识的自动获取。这样,数据挖掘就得到了应用。所谓数据挖掘(Data Mining),其原义是从数据中挖矿[5],从大量、不完全、有噪声、模糊、随机的数据中,提取隐含在其中、人们事先不知道、但又潜在有用的信息和知识[6]。应用数据挖掘进行故障诊断,就是根据设备的历史运行记录,对其可能的运行状态进行分类并对其趋势进行预测。

3　转子系统常见故障分析

旋转机械是电力、石化、冶金等工业领域的重要生产设备,它们以转子及其回转部件为工作主体,一旦发生故障将造成重大损失。研究转子系统故障机理,对于监测旋转机械运行状态和提高诊断故障的准确度,具有重要理论意义和实际工程应用价值[7]。下面针对转子常见的不对中、质量不平衡、动静碰磨、油膜涡动四种非线性振动故障进行理论分析,得出各振动故障在频域方面所表现出来的特征,明确振动故障判别标准。

3.1转子不对中故障分析

转子不对中可分为两部分:轴承和轴系。轴承不对中表现为轴颈在轴承中产生偏斜,它主要使油膜性能和阻尼发生变化,进而导致振动发生。轴系不对中为轴系连接同心度和平直度出现偏差,即通过联轴器连接的转子不在同一直线上,通常所遇到的不对中多为轴系不对中。其可分为三种情况:平行不对中、偏角不对中和平行偏角不对中[8]。

3.1.1轴系平行不对中

由图1、图2分析计算可得出,O3的角速度为转子角速度的两倍,由此会在转子转动时产生二倍频成分,并且转子高速运转时产生的较大离心力,会使转子在径向振动较大。

3.1.2轴系偏角不对中

由图3分析计算可得出,该类不对中有二倍转速频率特性。

图1　转子平行不对中

图2　联轴器运动分析

图3　联轴器偏角不对中

3.2转子质量不平衡分析

转子质量不平衡是旋转机械常见故障,其根本原因是质量偏心或转子部件出现缺损,在目前常见的振动故障中,旋转机械故障一半以上与不平衡有关。造成转子质量不平衡的原因有很多,按发生不平衡的过程可分为原始不平衡、渐发性不平衡和突发性不平衡几种情况[9]。

图4　转子质量不平衡力学模型

由图4分析计算可知,转子质量不平衡以工频成分为主,其它频率幅值很小;当ω<ωn时,振幅会随着转速增加而增大;当ω>ωn后,振幅会趋于稳定,不随转速变化;当ω接近于ωn时,因发生共振将会产生最大峰值。

3.3动静碰磨故障分析

动静碰磨可分为两种:径向摩擦,轴颈或转子外缘与静止件接触;另一是轴向摩擦,通常为轴向与静止件接触而引起。转子发生径向碰磨可以细分为两类:一类为转子在涡动过程中周期性的局部碰磨;另一类则为碰磨接触弧度较大,更严重者为发生全周碰磨。

图5　转子与定子碰磨模型

碰磨故障的频域具有丰富的频谱特征,将会出现亚谐波和高次谐波成分,其中突出的频率成分有1倍频、2倍频、3倍频成分,也有大于5倍频的高频成分;同时存在较小的低频成分[10]。

3.4油膜涡动故障机理分析

当轴颈在轴瓦中转动时,随着轴颈转动在轴颈与轴瓦之间形成油膜,轴颈中心与轴瓦中心有一定的偏移。当施加一个外界扰动时,轴颈在围绕自身中心转动的同时,还将绕着某一平衡位置转动,称之为“涡动”。

图6　轴颈的受力分析图

转子稳定运转时,轴颈载荷与油膜力相互平衡,如图2～图6所示,油膜涡动,在频域上,涡动频率随转速升高而升高,略小于转速频率的一半;油膜振荡时,在频域上,涡动频率为转子一阶固有频率,振幅较大;特征频率为0.42～0.48倍频成分,低频成分相比油膜涡动更明显[11]。

4　数据挖掘技术

4.1数据挖掘的组成

数据挖掘系统主要由以下几个部分组成。

图7　典型的数据挖掘系统结构

1) 数据库、数据仓库:是一个或一组数据库、电子表格或其他类型信息库。可以进行数据清理和集成。

2) 数据库或数据仓库服务器:根据用户的数据挖掘请求提取相关数据。

3) 知识库:是领域知识,用于指导搜索,或评估结果模式的兴趣度。

4) 数据挖掘引擎:由一组功能模块组成,用于数据挖掘的特征化、关联、分类、聚类分析以及演变和偏差分析。

5) 模式评估:根据评估准则,把真正有意义并且能够提供有用知识的模式识别出来。

6) 图形用户界面:用可视化技术把挖掘出来的相关知识表达出来,便于人们识别和理解。

4.2数据挖掘的任务

数据挖掘的任务主要有关联分析、聚类分析、分类、预测、时序模式和偏差检测。

4.3数据挖掘过程

数据挖掘是一个从已知数据集中发现各种模型、概要和导出值的过程。这个过程是循环往复的,通常包括数据准备、数据挖掘、评估和解释模型等步骤。

图8数据挖掘过程

4.3.1数据准备

数据库中可能含有一些噪声、不完整甚至是不一致的数据,为了改善数据的质量,在数据挖掘之前必须对数据进行数据清洗、数据集成、数据转换、数据消减等。

4.3.2数据挖掘

在一堆数据中发现有用的模式或有趣的知识,这个阶段就是实际的数据挖掘的过程,有以下三个过程[12]:

1) 确定数据挖掘的任务或目的;

2) 选择合适的挖掘算法,该算法和挖掘目标必须是匹配的,算法模型能够查找模式,并且与数据相符合;

3) 查找有趣的模式或知识。

4.3.3结果评估

在数据挖掘之后需要对数据挖掘的结果进行评估,以消除冗余的模式规则,获得有实际应用价值的模式知识。数据挖掘是一个不断反复的过程,如果挖掘结果并不是用户所期望的,就需要进行调整之后重新挖掘。

4.3.4数据挖掘常用技术

数据挖掘常用技术有决策树方法、人工神经网络方法、粗糙集方法、模糊集合方法、遗传算法、基于事例的推理方法等。

5　基于粗糙集[13～14]的属性约简[15～16]

5.1粗糙集理论简介

粗糙集理论是研究不确定性和不完整性问题的工具,具有很强的知识获取能力,可以对不完整资料进行分析推理和学习发现。最早是1982年由波兰科学家Z.Pawlak首先提出的。在分类问题中,粗糙集理论可以帮助发现不准确数据或噪声数据中存在的结构关系。

定义1设信息系统S=(U,A,V,f),其中,U={x1,x2,…,xn},称为论域;A={a1,a2,…,am。}是属性的非空有限集合;V={v1,v2,…,vm}是全体属性的值域;f为U×A→V的一个映射,称为信息函数[17]。

定义2等价关系。设R为定义在集合A上的一个关系,如果R是自反的、对称的、传递的,则称R为等价关系。

数据库中的数据存在冗余现象,需要进行知识约简,删除其中的不相关或不重要的知识。目前广泛使用的属性约简有两种,一种是基于核的约简,一种是基于可辨识矩阵的属性约简。

5.2可辨识矩阵的属性约简[18]

依据系统的条件属性生成一个可辨识矩阵,从该矩阵可以推导出合取范式结构的可辨识函数,可辨识函数的形式从合取范式转换到析取范式,就可以取析取范式的每一个合取式作为系统的一个约简。

5.3转子故障诊断的属性约简

设备故障诊断多采用频域分析法[19],设备的故障类型可以由特征频段上的特征量反映出来。根据这些特征频率成分及其量值,基本上可以判断出振动原因和故障。

旋转机械故障类型较多。以某企业转子振动实测数据做为样本,将转子质量不平衡、不对中、动静碰磨3类故障的频谱数据在以下7段频谱段上进行划分:(0.00～0.39)f、(0.40～0.99)f、f、(1.00～1.49)f、(1.50～1.99)f、(2.00～2.99)f、>3f。表1列出了故障诊断学习样本和故障编号,1～3表示故障类别:转子质量不平衡、不对中、动静碰磨。

表1　频域下的故障样本表

由于属性是连续值,必须进行离散化。本文采用等宽区间法对数据进行离散化,把各频段能量分成五等份,分别如下:[0～0.20],[0.20～0.40],[0.40～0.60],{0.60～0.80],[0.80～1.00]。

表2中a,b,c,d,e,f,g为样本的条件属性,h为决策属性。

表2　离散化后故障样本表

表3　离散化后故障样本表的差别距阵

表3是离散化后故障样本表的差别矩阵,是一个主对角线对称的6×6方阵,主对角线上的元素全部为Φ。

差别矩阵中所有列的条件属性集合为

∫M(S)=(c∨d)∧(c∨d∨e)∧(c∨d∨e)∧(a∨b∨c∨d)∧(a∨c∨d∨g)第一列

(c∨e)∧(c∨e)∧(a∨b∨c)∧(a∨c∨g)第二列

(a∨b∨e)∧(a∨e∨g)第三列

(a∨b∨e)∧(a∨e∨g)第四列

(a∨b∨g)第五列

将所有列进行合取范式化简:∫M(S)=(a∧c)∨(a∧d∧e)

所以条件属性的约简结果是{a,c}或者{a,d,e}。

如果选择{a,c}作为约简后的条件属性,进行决策树构造。由表2可以看出,当描述属性a取值为3、5时的样本子集均对应同一个故障类别3(即动静碰磨),因此,可以将这些样本子集标注为叶结点。所以该故障样本子集的决策树如图9所示。

图1　分类树

对决策树叶节点进行读树,可得规则如表4所示。

表4　规则集

每一条规则都为旋转机械转子故障诊断的分类。如第一条“ifa=3或a=5 thenI=3”,可解释为如果旋转机械转子特征频率a的频率大于0.40小于0.6或者大于0.80小于1.0,则可能是转子动静碰磨了。同理,第二条“ifa=1&c=1 thenI=2”,可解释为如果旋转机械转子特征频率a的频率小于0.20且特征频率c的频率也小于0.20,则可能是转子不对中。

这样,通过基于粗糙集的数据挖掘技术,将7个属性约简为2个或3个,降低了旋转机械转子故障诊断分类的维度,并挖掘出分类规则。通过这些规则,可以对新的样本进行分类,也可以在数据库建立过程中形成检索和匹配的规则。

6　结语

本文分析了旋转机械转子常见振动故障与频域的关系,包括转子不平衡、转子不对中、动静碰磨。利用粗糙集理论对旋转机械转子故障诊断进行属性约简,删除了冗余属性,提高了决策树算法的效率,克服了在决策树生成过程中产生子树重复的缺点,并且也杜绝了在生成规则中某些属性被多次选择。

[1] 邴汉昆.基于小波分析和SVM的汽轮机非线性振动故障诊断研究[D].保定:华北电力大学,2013:1-4.

BING Hankun. Based on Wavelet Analysis and Nonlinear Vibration Fault Diagnosis of Steam Turbine of the SVM Research[D]. Baoding: North China Electric Power University,2013:1-4.

[2] 邓世建.一种远程设备故障诊断模式[C]//设备管理与维修.北京:中国机械工程学会,2003:306.

DENG Shijian. A Remote Device Fault Diagnosis Mode[C]//Equipment Management and Maintenance. Beijing: China Mechanical EngineeringSociety,2003:306.

[3] 张海琳.设备状态检修与传感器故障诊断技术研究[D].北京:华北电力大学,2001:1-6.

ZHANG Hailin. Equipment State Overhaul and Sensor Fault Diagnosis Technology Research[D]. Beijing: North China Electric Power University,2001:1-6.

[4] 关惠玲,韩捷.设备故障诊断专家系统原理与实践[M].北京:机械工业出版社,1997:57-61.

GUAN Huilin, DENG Jie. Equipment Fault Diagnosis Expert System Theory and Practice[M]. Beijing: Mechanical Industry Publishing House,1997:57-61.

[5] Jiawei Han, Micheline Kamber. Data Mining Concepts and Techniques[M].北京:高等教育出版社&Morgan Kaufmann Publishers,2002:123-145.

[6] 毛国君,段立娟.数据挖掘原理与算法[M].北京:清华大学出版社,2005:212-230.

MAO Guojun, DUAN Lijuan. Principle and Algorithm of Data Mining[M]. Beijing: Qinghua University Press,2005:212-230.

[7] 陈进.机械设备振动监测与故障诊断[M].上海:上海交通大学出版社,1999:46-54.

CHEN Jin. Vibration Monitoring and Fault Diagnosis of Mechanical Equipment[M]. Shanghai: Shanghai jiaotong University Press,1999:46-54.

[8] 张新江,等.旋转机械不对中故障提取特征及诊断方法研[J].汽轮机技术,1999,41(2):104-109.

ZHANG Xinjiang, et al. Of the Rotating Machinery Fault Feature Extraction and Diagnosis Method Research[J]. Journal of Steam Turbine Technology,1999,41(2):104-109.

[9] 杨娟.转子故障信号的量化特征提取方法研究[D].兰州:兰州理工大学,2010:23-30.

YANG Juan. Quantitative Characteristics of the Rotor Fault Signal Extraction Method Research[D]. Lanzhou: Lanzhou University of Technology,2010:23-30.

[10] 罗跃纲,等.基础松动-碰磨转子系统的混沌特性研究[J].振动工程学报,2003,16(2):185-188.

LUO Yuegang, et al. Loose Foundation - touch Grinding Rotor System Characteristics of Chaos Study[J]. Journal of Vibration Engineering,2003,16(2):185-188.

[11] 杨秀岐.850MW大型汽轮发电机组不稳定振动故障分析诊断[D].北京:华北电力大学,2006:17-25.

YANG Xiuqi. 850 MWLarge Steam Turbine Generator Set is Unstable Vibration Fault Diagnosis[D]. Beijing: North China Electric Power University,2006:17-25.

[12] 纪希禹,韩秋明,李微,等.数据挖掘技术应用实例[M].北京:机械工业出版社,2009:8-9.

JI Xiyu, HANG Qiuming, LI Wei, et al. The Data Mining Technology Applications[M]. Beijing: Mechanical Industry Publishing House,2009:8-9.

[13] Ivo Dutsch, Gunter Gediga. The Rouhg Set Engine GROBLAN. School of Information and Software Engineering[EB/OL]. http://www.infj.ulst.aciuk/～cccz23/papers/grobian.pdf.

[14] Ziarko W, Shna. Rough Sets as a Methodology for Data Mninig[M]. Heidelberg: Physica-Verlag,1998:554-573.

[15] Ziakro W. A Method for Computing all Maximally General Ruels in Attribute-value Systems[J]. Computational Intelligence,1993,12(2):2-13.

[16] Bell D, Guan J. Computational Methods for Rough Classification and Discovery[J]. Journal of ASIS,1998,49(5):403-414.

[17] 苗夺谦,李道国.粗糙集理论、算法与应用[M].北京:清华大学出版社,2008:25-50.

MIAO Guoqian, LI Guodao. Rough Set Theory, Algorithms and Application[M]. Beijing: Tsinghua University Press,2008:25-50.

[18] 常犁云,王国撤,吴渝.一种基于Rouhg Sat理论的属性约简及规则提取方法[J].软件学报,1999,11:1206-1211.

CHANG Liyun, WANG Guoche, WU Yu. A Rouhg Sat Theory Based on the Attribute Reduction and Rule Extraction Method[J]. Journal of SoftA Journal,1999,11:1206-1999.

[19] 廖伯瑜.机械故障诊断基础[M].北京:冶金工业出版杜,1994:130-144.

LIAO Boyu. Mechanical Fault Diagnosis Based on[M]. Beijing: Metallurgical Industry Press,1994:130-144.

Research and Application of Rotating Machinery Fault Diagnosis Based on Data Mining

HOU GuoanHE Xiaoying

(College of Energy Resources of Yinchuan, Yinchuan750015)

In view of the complicated problem of rotating machinery fault diagnosis, classification method of rotating machinery fault diagnosis based on rough sets is proposed. First discernibility matrix of rough set are used to attribute reduction, the decision tree method is used to classify, finally the classification rules are gotten as a work in the basis of fault diagnosis. This method improves the efficiency of data mining and the accuracy of fault diagnosis classification.

rotating machinery, fault diagnosis, rough set, the difference matrix, decision tree

2016年3月16日,

2016年4月28日

侯国安,男,硕士研究生,讲师,研究方向:过程装备与控制及数据挖搅。贺晓莹,女,硕士研究生,讲师,研究方向:分析检测。

TP23DOI:10.3969/j.issn.1672-9722.2016.09.034