新闻动态
K2干货 | 浅谈机械故障诊断及寿命预测中的特征提取
来源: | 作者:pmod6d781 | 发布时间: 2022-07-06 | 402 次浏览 | 分享到:

机械故障诊断以及寿命预测中的特征提取是实现故障诊断和寿命预测的重要环节。不论是故障诊断还是寿命预测,都是根据一定的特征进行判断,而特征提取需要先从理解故障及寿命预测的基本定义开始。

追本溯源,为什么需要特征提取?

根据JISC的定义,所谓故障,即对象(系统、及其零部件)丧失规定功能的状态。一般而言,故障包含两种状态:

第一、 引起对象马上丢失其性能的破坏性故障。预告着设备生命周期的终结,此时的寿命可能是正常寿命(大于等于预期寿命),也可能是非正常寿命(提早失效,提早损坏等)。

第二、 与设备性能降低的性能性故障。指“亚健康”、“病态”或者是“病而未死”的状态,如果不处理可能就会到达第一种状态。因此在察觉第二种状态时,对未来可能过多久达到第二种状态,就是常说的寿命预测。

无论是上述哪种故障状态,首先都需要对设备状态进行观察。不仅是人工的视觉、触觉、听觉等感官观察,更是对数据的观察。尤其在引用数据分析技术之后,即便是对人工视觉、触觉、听觉的观察,最终也需要量化成数据。

这种将设备“状态”转化为“数据”的过程就是特征提取。而通过数据进行“观察”的过程就是数据分析。

将设备状态使用数据进行描述,本质上是设备建模的一部分。为什么说仅仅是一部分?因为这里的建模具有清楚的目标指向“故障诊断”和“寿命预测”,而事实上,对设备的建模如果出于其他分析目的还可以有其他数据组合,不是本文重点,暂略不表。

特征提取的原则与做法

那么到底应该“观察”哪些“状态呢(提取哪些特征)?这就是设备故障诊断与寿命预测中的特征选择问题。

数据分析师在特征选择时,可以通过各种数据特征比对的工具,在众多数据中寻求与诊断目标具有最大相关性的参数作为特征。这里请注意,数据特征和设备故障特征不是一回事,同时,在工业领域中故障特征的参数选择,更加依赖于机理而非数据本身的特征。

一般情况下,工业机理可以指明与故障状态相关或者可能相关的数据有哪些,而数据分析师可以从这些数据中找到最相关的参数,或对相关性进行研究。

如果抛开先验机理,从海量数据中“盲挖”,往往效率不高,会出现所谓数据分析师经过大量工作发现牛顿第二定律的案例。有效利用机理,是一个更科学、也更省时的原则,避免出现经过大量工作验证出一个业界已知的问题。

另一方面,在机理不明确的地方,通过纯数据的手段发现可能存在的某种关系,是数据分析方法对机理关系有益的拓展。因此,特征提取的过程实践上是一个基于机理知识,结合数据表现的一个迭代收敛的过程。

以电机轴系统为例

在工程实践中,我们以一台电机的轴系统举例说明。

电机轴系统稳定正常旋转的状态是正常状态,我们可以定义为“健康”;当轴系统中出现转轴系统的振动、零部件温度等信息出现异常,但是整个轴系统依然可以运转在一定范畴,并未失去功能,为“带病运行”或者是“亚健康”;当轴系统故障进一步发展,以至于转轴无法旋转,为丧失功能的故障。

在这个例子中,我们使用转轴系统的振动信号作为轴系统状态的表征参数。轴系统振动可以由位移、速度、加速度等指标,这些指标也有X、Y、Z等不同方向的量测;温度和电流也是经常用来表征轴系统健康的指标。我们根据机理选择可以代表轴系统健康程度的指标,就完成了目标参数的选定。

对于一个振动信号,我们可以观察它随时间变化而变化的表现,提取其在时域上的统计特征,例如峰峰值、有效值、波形系数、峰值系数等;也可以观察它在频域上的表现,例如不同频率段的功率分布、转频基频、转频倍频、轴承故障频率的幅值、相位等。当我们选取了与故障状态具有最直接关联的特征参数时,就完成了有关振动的特征提取。

综上,我们对一台电机转轴系统选择了合适的特征指标,然后根据采集的数据对这些特征进行计算提取,以供后续分析,完成了这个转轴系统的振动健康特征提取,基于这个特征的变化对轴系统健康程度进行评估和预测,就完成了故障诊断和寿命预测的部分工作。

当然,我们希望通过机理、经验与数据的结合,去尽量逼近一个真实的结果,但受限于现实条件,数据质量与数据维度往往不尽如人意,对通过数据分析进行设备的寿命预测,仍要有充分客观且理性的期待。