【嘉勤点评】纵行科技发明的基于信息熵的旋转机械振动故障诊断方案，能够处理振动设备产生的微弱或非平稳故障特征信号，且适用于不同的采样时刻、样本大小和采样频率等不同领域，实现了机械故障在定性和定量两方面的精准判断。
集微网消息，现有的设备健康状态评估与故障诊断方法主要是基于振动的时域信号、频域信号和时频域信号等信息，包括有时域分析、频域分析、时频域分析等方法。
通常来说，在设备处于正常状态时，振动信号的频域信息熵集中在设备的工作频率附近，设备的频域信息熵较小；当设备出现故障时，设备作为一个系统向着无序化的方向发展，系统的不确定性会增加，因此设备的能量由于故障而被分散到不同的频段内，导致频域的信息熵增加。
但是这些方案在实际的应用中具有一定的局限性，其原因如下：
1）处于实际工况的旋转机械产生的振动信号具有一定的非平稳性，信号的该特性造成传统分析方法对故障分析结果具有一定的偏差；
2）传统分析方法对采样时刻、样本大小、采样频率等都有特殊要求，导致其对不同时刻的同一振动信号样本的分析结果不尽相同；
3）当故障引起的振动信号比较微弱时，传统分析方法的准确度较低，有时无法准确检测到设备的故障特征。
此外，在工业生产的不同领域中，在不同的机械故障、不同的阶段下，设备的健康状态均处于不同的层级，传统的故障诊断方法只能定性的分析出故障特征，不能给指出该故障所处的阶段，且传统的故障诊断方法不能处理非线性或非平稳信号。
针对这些难点，纵行科技在2020年3月11日申请了一项名为“一种基于信息熵的旋转机械振动故障诊断方法及其系统”的发明专利（申请号：202010165513.3），申请人为上海纵行实业有限公司。
根据该专利目前公开的相关资料，让我们一起来看看这项技术方案吧。
如上图，为该专利中发明的基于信息熵的旋转机械振动故障诊断方法的流程示意图，首先，该方案通过传感器对需要进行故障诊断的旋转机械进行数据采集，并获得振动数据，再将数据上传至处理器，振动数据包括来自旋转机械的三个方向的振动信号。
其次，利用获取到的振动数据构建多维时间序列矩阵，并对该多维时间序列矩阵进行处理从而获得时域信号矩阵。在该步骤中，会分别以振动数据中的每个方向的振动信号构建一维变量，并利用构建的所有一维变量构建多维时间序列矩阵。再进而对多维时间序列矩阵进行分割，获取所有方向的时间子序列矩阵，根据所有方向的时间子序列矩阵构成时域信号矩阵。
接着，通过对时域信号矩阵中的每个元素进行处理，得到幅值谱矩阵和功率谱矩阵。最后，对各类矩阵中的每一个序列进行信息熵计算，并通过信息熵的值反映旋转机械的状态。其中，这些矩阵包括：时域信号矩阵、幅值谱矩阵和功率谱矩阵。
如上图，上侧为变频电机在稳定状态下的时域信号，下侧为变频电机在晃动状态下的时域信号，该图通过幅值谱的信息熵的总和，以及和功率谱的信息熵的总和来反映旋转机械的状态，从而诊断出旋转机械是否故障以及发生故障的情况。
以上就是纵行科技发明的基于信息熵的旋转机械振动故障诊断方案，该方案能够处理振动设备产生的微弱或非平稳故障特征信号，且适用于不同的采样时刻、样本大小和采样频率等不同领域，不仅可以给出设备的故障特征而且能够对其进行量化估计，从而实现机械故障在定性和定量两方面的精准判断。
营业执照公示信息