旋转机械性能退化评估方法、装置、设备及可读存储介质

本发明属于旋转机械性能退化评估，具体涉及一种旋转机械性能退化评估方法、装置、设备及可读存储介质。

背景技术：

1、随着工业领域的不断发展，旋转机械设备正面临着复杂化、精密化、大型化和智能化的挑战。滚动轴承作为旋转机械设备的重要组成部分，其健康状况对设备的整体性能至关重要。因此，对滚动轴承进行智能退化评估与状态监测，对于确保设备的稳定运行、提高生产效率以及降低维护成本具有重要意义。在旋转机械的运行过程中，滚动轴承的性能退化是不可避免的。通过实时监测轴承的状态，可以及时发现异常并采取相应的维护措施，从而避免设备故障的发生。这不仅可以提高设备的可靠性和安全性，还能降低生产成本和损失。

2、性能退化评估是一种评估系统当前性能状态的能力。通过提取零部件的各项参数及退化特征，可以确定其各退化阶段的报警阈值，从而及时采取维护措施，避免故障的发生。传统指标与退化评估模型在滚动轴承的状态监测中存在多方面的不足。首先，轴承的振动信号中含有大量的噪声和随机波动，这些有害信息会影响指标曲线的趋势性和鲁棒性。其次，部分特征对轴承的退化程度并不敏感，直接融合这些特征会影响退化性能曲线的准确性。最后，传统模型通常需要大量数据进行训练，且与实际失效情形存在差异，缺乏自适应性和鲁棒性。

技术实现思路

1、针对现有技术中存在的问题，本发明提供了一种旋转机械性能退化评估方法、装置、设备及可读存储介质，其目的在于解决传统指标对退化信息不敏感，鲁棒性差及传统模型自适应性差，准确性低的问题。

2、为了解决上述技术问题，本发明通过以下技术方案予以实现：

3、根据本发明的第一方面，提供一种旋转机械性能退化评估方法，包括：

4、实时获取旋转机械的振动信号，对所述振动信号构造由时域、频域和时频域组成的第一混合域高维特征集；

5、从所述第一混合域高维特征集中筛选出单调性、趋势性以及鲁棒性均符合指标的特征，形成第二混合域高维特征集；

6、对所述第二混合域高维特征集进行特征融合，得到振动信号的一维退化指标；

7、利用训练好的性能退化评估模型对所述一维退化指标进行评估，得到旋转机械为健康状态或不健康状态；

8、对不健康状态开始时刻以后的一维退化指标进行聚类，得到旋转机械故障程度。

9、在第一方面的一种可能的实现方式中，所述对所述第二混合域高维特征集进行特征融合，具体为：

10、通过核主成分分析对所述第二混合域高维特征集进行特征融合，得到振动信号的一维退化指标。

11、在第一方面的一种可能的实现方式中，所述性能退化评估模型的训练方法为：

12、获取旋转机械在健康状态下的振动信号；

13、对健康状态下的振动信号构造由时域、频域和时频域组成的第一混合域高维非故障退化特征集；

14、从所述第一混合域高维非故障退化特征集中筛选出单调性、趋势性以及鲁棒性均符合指标的特征，形成第二混合域高维非故障退化特征集；

15、对所述第二混合域高维非故障退化特征集进行特征融合，得到健康状态下的振动信号的一维退化指标，由健康状态下的振动信号的一维退化指标形成训练样本；

16、利用所述训练样本训练svdd模型，得到性能退化评估模型。

17、在第一方面的一种可能的实现方式中，所述对不健康状态开始时刻以后的一维退化指标进行聚类，具体为：

18、采用模糊c均值聚类方法对不健康状态开始时刻以后的一维退化指标进行聚类，得到旋转机械故障程度。

19、在第一方面的一种可能的实现方式中，单调性指标计算公式为：

20、

21、式中：mon(·)为单调性指标；x＝{xi}i＝1:i为旋转机械全寿命数据的退化指标集合；xi为时刻ti的退化指标值；i为退化指标的总长度；为ti+1与ti时刻退化指标差值大于零的退化指标数目；为ti+1与ti时刻退化指标差值小于零的退化指标数目。

22、在第一方面的一种可能的实现方式中，趋势性指标计算公式为：

23、

24、式中：tre(·)为趋势性指标；为旋转机械全寿命数据退化指标的均值，t＝{ti}i＝1:i为旋转机械全寿命数据的所有时刻，为旋转机械全寿命时刻的均值。

25、在第一方面的一种可能的实现方式中，鲁棒性指标计算公式为：

26、

27、式中：rob(·)为鲁棒性指标；为通过平滑方法处理在时刻ti的退化指标所获得的新的退化指标。

28、根据本发明的第二方面，提供一种旋转机械性能退化评估装置，其特征在于，包括：

29、获取及构造模块，用于实时获取旋转机械的振动信号，对所述振动信号构造由时域、频域和时频域组成的第一混合域高维特征集；

30、筛选模块，用于从所述第一混合域高维特征集中筛选出单调性、趋势性以及鲁棒性均符合指标的特征，形成第二混合域高维特征集；

31、融合模块，用于对所述第二混合域高维特征集进行特征融合，得到振动信号的一维退化指标；

32、评估模块，用于利用训练好的性能退化评估模型对所述一维退化指标进行评估，得到旋转机械为健康状态或不健康状态；

33、聚类模块，用于对不健康状态开始时刻以后的一维退化指标进行聚类，得到旋转机械故障程度。

34、根据本发明的第三方面，提供一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种旋转机械性能退化评估方法的步骤。

35、根据本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种旋转机械性能退化评估方法的步骤。

36、与现有技术相比，本发明至少具有以下有益效果：

37、本发明提供的一种旋转机械性能退化评估方法，首先对振动信号构造由时域、频域和时频域组成的第一混合域高维特征集；然后从第一混合域高维特征集中筛选出单调性、趋势性以及鲁棒性均符合指标的特征，形成第二混合域高维特征集；接着对第二混合域高维特征集进行特征融合，得到振动信号的一维退化指标；再利用训练好的性能退化评估模型对一维退化指标进行评估，得到旋转机械为健康状态或不健康状态；最后对不健康状态开始时刻以后的一维退化指标进行聚类，得到旋转机械故障程度。通过混合域高维特征集构造筛选，可以去除表征指标中的噪声、减缓旋转机械性能退化过程中的随机波动，有效的避免了有害信息影响指标曲线的趋势性和鲁棒性。同时，设计的表征指标优选准则融入了轴承性能退化过程中的单调性、鲁棒性和趋势性，能够更加合理的优选出有效表征指标，解决了部分特征对旋转机械的退化程度不敏感导致直接融合这些特征会影响退化性能曲线的准确性的问题。且本发明无需要大量数据进行训练，提高了自适应性和鲁棒性。

38、进一步地，使用主成分分析法对优选的有效指标进行融合，可以精简相关性较强的数据造成的信息重叠，且自身较为稳定，可以有效解决滚动轴承振动信号的单一特征指标无法全面体现滚动轴承运行中退化状况的问题，以弥补传统的数据融合方法的不足之处，有效提升检测的准确度。

39、进一步地，支持向量数据描述方法是以边界思想为基础提出的单值分类算法，其鲁棒性好，准确性高。此外，这种算法可以只使用正常状态的样本数据完成模型的训练，较好地解决了因故障数据匮乏而无法及时发现轴承故障的问题。

40、进一步地，采用模糊c均值聚类算法对故障发生后时刻的退化指标进行聚类，得到待预测机械不同故障程度之间的转折点，能够自适应的进行性能退化评估，且具有很好的准确度与鲁棒性。

41、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。