CN101660969A - 一种用于齿轮箱故障智能诊断的方法 - Google Patents

Abstract

本发明公开了一种用于齿轮箱故障智能诊断的方法，包括：检测并做出判断的步骤；判断的结果为有故障隐患或无故障隐患；如判断结果中含有故障隐患则发出预警；如判断结果中均无故障隐患，即结束。所述步骤至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤，以及SVM判断的步骤。本发明克服了现有智能诊断中单一诊断方法容易漏诊，诊断知识获取困难，故障案例样本匮乏的缺点，能智能诊断出齿轮箱故障隐患，有效提高齿轮箱故障准确率。可以实现对齿轮箱的智能诊断，降低诊断人员劳动强度与漏诊风险。

Description

一种用于齿轮箱故障智能诊断的方法

技术领域

本发明涉及用于机械设备故障诊断的方法，特别是用于齿轮箱设备故障的智能诊断方法。

背景技术

在现代钢铁生产企业生产设备中很大一部分故障发生在齿轮箱设备上。这类设备结构复杂，自动化水平较高，一旦突发故障，维修困难，且维修成本很高，甚至会引起整个生产中断，造成巨大的经济损失。目前，企业对齿轮箱故障的诊断大多是进行振动信号频谱分析，人工进行诊断。但频谱分析诊断效果有限，而应用智能诊断的知识库表示复杂，智能诊断准确率比较低，从而使得智能诊断应用受到限制。

发明内容

本发明所要解决的技术问题是：提供一种用于进行齿轮箱故障智能诊断的方法，该方法能有效诊断出齿轮箱故障隐患。

本发明解决上述技术问题所采用的技术方案是：

一种用于齿轮箱故障智能诊断的方法，它包括：检测并做出判断的步骤；判断的结果为有故障隐患或无故障隐患；根据判断结果作以下选择：如判断结果中含有故障隐患，发出预警；或，判断结果中均为无故障隐患，结束；

上述步骤至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤；

其中，案例推理并做出判断的步骤具体为：

提取齿轮箱已有案例典型故障特征的步骤；

检索未知故障与已有案例相似度的步骤；

其中，判断的步骤；具体为：目标案例与源案例相似度在设定范围内，判断的结果为案例匹配；

目标案例与源案例相似度在不设定范围内，判断的结果为新案例；

其中，规则推理并做出判断的步骤具体为：

根据齿轮箱典型故障特征表，建立量化的知识库规则的步骤；

利用知识库中的模糊规则进行推理的步骤；

其中，判断的步骤；具体为：将利用知识库中的模糊规则进行推理的步骤推理结果相互对比；

较大值，对应结果为存在故障隐患，并得出隐患类型。值较小，判断的结果为无所列规则中的故障隐患。

上述方案中，所述检测并做出判断的步骤还包括支持向量机做出判断的步骤，具体为：

提取与优化齿轮箱各类故障的典型特征的步骤；RBF核函数的参数选取的步骤；SVM训练、测试的步骤；

SVM判断新故障的步骤，具体为：将结果与设定故障进行匹配；

匹配，判断的结果为存在故障隐患，并得出隐患类型。不匹配，判断的结果为无故障隐患或新故障类型；

上述方案中，规则推理的故障特征参数包括：旋转频率、齿轮啮合频率、峭度指标、径向振动、轴向振动。

上述方案中，提取与优化的故障特征参数包括：峰值、峰峰值、有效值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、小波能量指标。

本发明与现有技术相比，本发明方法具有以下优点：

1、克服了现有故障诊断中所有数据进行人工诊断的缺点，能有效降低诊断人员劳动强度。

2、克服了现有现有智能诊断中方法的单一性，能有效提高齿轮箱设备的故障诊断成功率。

3、便于早期发现设备故障隐患，避免引起重大事故。

4、便于掌握设备的总体运行情况，提高维修效率，节省工时。

附图说明

图1为本发明实施例流程图；

图2为基于案例推理的智能诊断系统工作流程；

图3为某钢厂26架齿轮箱时域波形图；

图4为某钢厂26架齿轮箱频域波形图；

图5为小波分解与SVM故障诊断方法流程图；

图6为轴承故障小波包分解能量柱状图；

图7为轴承故障小波包分解能量SVM测试效果。

具体实施方式

如图1所示，本发明方法实施例为用于齿轮箱故障的智能诊断。

本发明方法实施例包括：

步骤1、检测并做出判断的步骤；

判断的结果为有故障隐患或无故障隐患；

步骤2，是根据步骤1的判断结果作以下选择：

步骤1的判断结果中含有有故障隐患，发出预警；

步骤1的判断结果中均为无故障隐患，结束；

所述步骤1至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤，支持向量机训练与判断的步骤；

案例推理并做出判断的步骤具体为：(如图2所示)

通过对齿轮箱常见典型故障特征的研究，将各种典型的故障特征规划为案例信息的形式，通过在线监测系统采集设备状态数据以及用户提供的故障征兆，将采集的数据进行转换，然后通过时域和频域分析提取故障特征，依据故障特征从案例库中检索匹配的案例，如果找到匹配的案例，则做出诊断报告，如果没有匹配的案例，在诊断结束后，根据现场开箱检查的实际结果，对本次诊断的案例进行调整和修改，将该案例作为一个新的诊断案例存储到案例库中，以便不断的完善知识库。

提取齿轮箱已有案例典型故障特征的步骤，表1表示的为案例特征表示形式；

表1  案例表示表

Table 1 The table of case description

检索未知故障与已有案例相似度的步骤；

最近邻法的通常用公式表示为

$\mathrm{Sim}(A,S)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(A_j,S_j)*w_j---\left(1\right)$

给出案例间距离(即相似度的定义)，其中要体现各属性的权重，根据这个定义，计算出目标案例与案例库中所有案例间的距离，然后从中选出距离最小者，即为最佳匹配案例。

为了减小案例中属性值大小对相似度的影响，本课题改进了最近邻检索算法，提出了比值相似度求解方法。利于两个属性的比值作为相似度的计算公式：

$\mathrm{Sim}(A,S)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\frac{A_j}{S_j}---\left(2\right)$

式中A_j-目标案例A的第j个属性的值；

    S_j-案例的第j个属性的值；

    w_j-表示第j个属性的权重；

    d_n-值越大表示两个案例的相似度越小。

判断的步骤；具体为：目标案例与源案例相似度在设定范围内，判断的结果为案例匹配；目标案例与源案例相似度在不设定范围内，判断的结果为新案例；

利用式(2)计算相似度的方法，案例匹配的判断规则如下：

当0.9＝＜Sim(A，S)＜＝1.1时，A案例与案例库中的S案例匹配；

当0.7＜＝Sim(A，S)＜0.9或者1.1＜Sim(A，S)＜＝1.3时，A案例与案例库中的S案例相似；

当Sim(A，S)＜0.7或者Sim(A，S)＞1.3时，案例库中没有与A相似的案例，A案例为新案例。

通过改进的检索算法，避免了采用以往最近邻法检索算法的一些弊端，提高了智能诊断系统检索的准确性。

根据实际诊断工作中的诊断规则，将三个特征频率的权重设置为表2所示。假如案例库中某个案例的三个频率分别是113.281Hz、227.567Hz和342.97Hz，转速为1495r/min，目标案例的三个频率分别是110.21Hz、231.73Hz和346.36Hz，转速为1496r/min。由于频率与转速成正比，而需要检索的是由齿轮或轴承结构计算得到的特征频率，因此，将以上频率都除以对应的转速的值作为案例检索的参数计算相似度。

表2  案例属性权重表

表中w-案例属性的权重；f-基频；2f-2倍频；3f-3倍频。

传统相似度Sim1的计算：

$\mathrm{Sim}1=\frac{{\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j{(S_j-A_j)}^2\right)}^{\frac{1}{2}}}{n}=0.00095---\left(3\right)$

本发明提出的案例相似度S2的计算：

$\mathrm{Sim}2=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\frac{A_j}{S_j}=0.997---\left(4\right)$

从Sim1与Sim2的数值可以看出，传统的案例相似度计算值Sim1是两个数值的差值，其数值的范围非常大，很难给定一个具体的数值表明其案例相似的范围。但发明提出的案例相似度的计算值可以通过上面提到的判断规则进行判断。

规则推理并做出判断的步骤具体为：

根据齿轮箱典型故障特征表，建立量化的知识库规则的步骤：

表3  齿轮箱典型故障特征

表中f_r为旋转频率；f_m为齿轮啮合频率；x_q为峭度；f_i为内圈通过频率；f_o为外圈通过频率；f_g为滚动体通过频率。

结合典型故障的特征，将这些规则以模糊知识的形式存入知识库中，知识库中的模糊规则的形式如表4所示。

表4  知识库规则

Table 4 The rules of knowledge base

利用知识库中的模糊规则进行推理的步骤；

结合表4模糊规则知识，建立齿轮箱故障诊断模糊矩阵：

$R=\left[\begin{array}{cccccccccc}0.8& 0& 0& 0& 0& 0& 0& 0& 0.2& 0\\ 0.5& 0.4& 0& 0& 0& 0& 0& 0& 0& 0.1\\ 0.7& 0& 0& 0& 0& 0& 0& 0& 0.3& 0\\ 0.4& 0.2& 0.2& 0& 0& 0& 0& 0& 0& 0.2\\ 0.2& 0.1& 0.1& 0& 0.2& 0.1& 0.1& 0.1& 0.1& 0\\ 0& 0& 0& 0& 0.4& 0.2& 0.2& 0.1& 0.1& 0\\ 0.1& 0.1& 0.1& 0& 0.2& 0.1& 0.1& 0.2& 0.1& 0\\ 0.4& 0.2& 0.2& 0& 0& 0& 0& 0.2& 0& 0\end{array}\right]---\left(5\right)$

在齿轮箱故障诊断模糊矩阵中，行表示的故障原因的集合，列表示的是故障征兆的集合，而矩阵中的数值表示了故障征兆与故障原因的隶属度。

在利用模糊推理方法进行故障诊断时，首先建立模糊矩阵R，确定故障的征兆为A，A通过量化表完成，假设故障的结论为B，则利用模糊推理的方法可以表示为如下形式：

$B=R*A=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{\mathrm{nm}}\end{array}\right]*\left[\begin{array}{c}{a}_1\\ a_2\\ ...\\ a_m\end{array}\right]---\left(6\right)$

表5  模糊程度量化表

Table 5 Fuzz y degree quantify Table

判断的步骤；具体为：将利用知识库中的模糊规则进行推理的结果相互对比；

较大值，对应结果为存在故障隐患，并得出隐患类型。

值较小，判断的结果为无所列规则中的故障隐患；

下面结合某钢厂高线精轧机26架齿轮箱的故障诊断过程，阐述模糊推理在智能诊断系统中实际推理的过程。图3为26架齿轮箱的时域波形，图4为齿轮箱的频谱图。

通过图4的频谱图发现351.563Hz，705.566Hz，1057.129Hz的幅值非常突出，而该齿轮箱滚动体过外圈的特征频率f_r为349.2Hz。351.563Hz接近频率f_r，705.566Hz接近2倍频2f_r(698.4Hz)，1057.129Hz接近3倍频3f_r(1047.6)，通过分析上边的定量的频率值。分别求取对应频率的比值，比值为0.993、0.99、0.991，但对应频率的差值不是很小，结合表5的规定，可以认定f_r，2f_r和3f_r幅值非常可能突出，而此时计算得到峭度超过6，与峭度超过3的征兆相比，其峭度超过3的事实也是非常可能，综合上述将征兆量化如表6所示。

表6实际故障征兆量化表

Table 6 The actual fault premonition quantity table

那么该故障征兆的相量A＝[0.96，0.92，0.95，0，0，0，0，0.95，0，0]，则故障结论向量B的计算过程如下：

$B=\left[\begin{array}{cccccccccc}0.8& 0& 0& 0& 0& 0& 0& 0& 0.2& 0\\ 0.4& 0.3& 0& 0.2& 0& 0& 0& 0& 0& 0.1\\ 0.7& 0& 0& 0& 0& 0& 0& 0& 0.3& 0\\ 0.4& 0.2& 0.2& 0& 0& 0& 0& 0& 0& 0.2\\ 0.2& 0.1& 0.1& 0& 0.2& 0.1& 0.1& 0.1& 0.1& 0\\ 0& 0& 0& 0& 0.4& 0.2& 0.2& 0.1& 0.1& 0\\ 0.1& 0.1& 0.1& 0& 0.2& 0.1& 0.1& 0.2& 0.1& 0\\ 0.4& 0.2& 0.2& 0& 0& 0& 0& 0.2& 0& 0\end{array}\right]*\left[\begin{array}{c}0.96\\ 0.92\\ 0.95\\ 0\\ 0\\ 0\\ 0\\ 0.95\\ 0\\ 0\end{array}\right]=\left[\begin{array}{c}0.77\\ 0.66\\ 0.67\\ 0.758\\ 0.474\\ 0.095\\ 0.37\\ 0.948\end{array}\right]$

通过最后的计算结果可以看出，第8个故障结论对应的值最大，可以确定此故障为轴承故障，现场拆机检查发现齿轮箱II轴轴承碎裂。

上述方案中，所述步骤1还包括支持向量机做出判断的步骤，具体为：(如图5所示)

提取与优化齿轮箱各类故障的典型特征的步骤；

将采集的4类故障信号分别进行小波包分解，分解层数为3层，提取8个频段信号的能量E_j和总能量E，以各分解频带的信号能量E_j和总能量E的百分比为元素来构造特征向量。图6为轴承正常、内圈点蚀、外圈点蚀、滚动体点蚀的各频段能量比例柱状图，横轴为小波包分解对应的频段序号，纵轴为各频段能量与总能量的比值。(如图6所示)

从多组信号的统计结果柱状图中可以发现，在4种轴承状态下，各个频段能量具有较大区别，容易区分。正常轴承的第1和第3频段能量相对较高，外圈点蚀情况下的第2和第4频段能量相对较高，内圈点蚀与滚动体点蚀下，第3和第7频段能量都相对较高，但内圈点蚀情况下的第2和第4频段能量比滚动体点蚀下的能量高出一倍。因此，以小波包的能量作为特征向量来表征设备的运行状态比较适合，可以作为SVM的输入特征向量。

RBF核函数的参数选取的步骤；

对c和γ采用网格搜索的办法，利用指数增长可以快速初步确定(C，γ)的范围，当找到一个比较好的区域时，可以将该区域再次细分，以求得更高的精度。采用网格搜索的交叉验证法比较耗时，但是不容易遗漏好的参数对，这样针对具体问题试算的方法往往得到比较小的推广误差和较高的验算精度。

SVM训练、测试的步骤：

小波包分解能量系数，将采集的4类故障信号，共100组数据分别进行小波包分解，分解层数为3层，提取8个频段信号的能量E_j和总能量E，以各分解频带的信号能量E_j和总能量E的百分比为元素来构造另一特征向量，输入SVM为8维特征向量。经过取样和分析统计，将小波包重构后各个频段能量百分比和多量纲参数作为SVM的训练样本以及测试样本。图7为测试结果图，表1给出了SVM的分类结果。

SVM判断新故障的步骤，具体为：将结果与设定故障进行匹配；(如图7所示)；

匹配，判断的结果为存在故障隐患，并得出隐患类型。不匹配，判断的结果为无故障隐患或新故障类型；

表7  SVM分类结果

经过SVM的分类识别，从图7中可以看出，小波分解能量方法只有1处错误判断，主要原因是故障冲击激起的共振频段不同，采用能量系数能够把频率分解，可以再小样本情况下实现四类故障的区分。

以上实施例仅用以说明而非限制本发明所涉及的技术方案，尽管参照以上实例对本发明进行了详细说明，但本发明的技术方案可以进行修改、变化或者等同替换，而不脱离本发明技术方案的精神和实质，这些修改、变化或者替换均涵盖在本发明的权利要求范围之中。

Claims (5)

1、一种用于齿轮箱故障智能诊断的方法，通过检测做出有无故障隐患的判断，其特征在于：根据所述的判断结果作以下选择：

如判断结果中含有故障隐患，发出预警；或，

如判断结果中均为无故障隐患，结束；

上述的判断过程至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤；其中，案例推理并做出判断的步骤具体为：

步骤1.1.案例推理步骤，包括：提取齿轮箱已有案例典型故障特征的步骤；检索未知故障与已有案例相似度的步骤；

步骤1.2.做出判断的步骤，包括；目标案例与源案例相似度在设定范围内，判断的结果为案例匹配；目标案例与源案例相似度在不设定范围内，判断的结果为新案例；

规则推理并做出判断的步骤，包括：根据齿轮箱典型故障特征表，建立量化的知识库规则的步骤；利用知识库中的模糊规则进行推理的步骤；以及判断的步骤；

其中，判断的步骤，将利用知识库中的模糊规则进行推理结果相互对比；

较大值，对应结果为存在故障隐患，并得出隐患类型；

值较小，判断的结果为无所列规则中的故障隐患。

2、根据权利要求1所述的用于齿轮箱故障智能诊断的方法，其特征在于：所述判断结果中含有故障隐患的步骤，还包括支持向量机做出判断的步骤，具体为：

提取与优化齿轮箱各类故障的典型特征的步骤；

RBF核函数的参数选取的步骤；

SVM训练、测试的步骤；

SVM判断新故障的步骤；

其中所述的SVM判断新故障的步骤包括：将结果与设定故障进行匹配；

如匹配，判断的结果为存在故障隐患，并得出隐患类型；

如不匹配，判断的结果为无故障隐患或新故障类型。

3、根据权利要求1所述的用于齿轮箱故障智能诊断的方法，其特征在于：模糊规则进行推理的故障特征参数包括：旋转频率、齿轮啮合频率、峭度指标、径向振动、轴向振动。

4、根据权利要求2所述的用于齿轮箱故障智能诊断的方法，其特征在于：提取与优化的故障特征参数包括：峰值、峰峰值、有效值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、小波能量指标。

5、根据权利要求1所述的用于齿轮箱故障智能诊断的方法，其特征在于：所述的相似度的计算公式为：

$\mathrm{Sim}(A,S)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\frac{A_j}{S_j}$

式中A_j-目标案例A的第j个属性的值；

    S_j-案例的第j个属性的值；

    w_j-表示第j个属性的权重；

    d_n-值越大表示两个案例的相似度越小。

Images