CN102592172A - 一种基于敏感测点数据融合的行星轮故障识别方法 - Google Patents
一种基于敏感测点数据融合的行星轮故障识别方法 Download PDFInfo
- Publication number
- CN102592172A CN102592172A CN2012100315500A CN201210031550A CN102592172A CN 102592172 A CN102592172 A CN 102592172A CN 2012100315500 A CN2012100315500 A CN 2012100315500A CN 201210031550 A CN201210031550 A CN 201210031550A CN 102592172 A CN102592172 A CN 102592172A
- Authority
- CN
- China
- Prior art keywords
- fault
- sorting algorithm
- anfis
- planetary gear
- recognition method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于敏感测点数据融合的行星轮故障识别方法,该方法选取对行星齿轮箱故障识别适用性强的特征参数组成特征集,然后利用历史数据训练基于自适应神经模糊推理系统(ANFIS)的分类算法,最后在多个测点所测振动数据的基础上采用训练好的分类算法实现行星齿轮箱故障的自动分类识别。本发明的优点在于把多个测点的信息融合到一起,利用基于ANFIS的分类算法进行故障分类,实现行星齿轮箱故障的准确识别,这种方法克服了不同测点信息对故障敏感程度不一致的问题,显著提高了故障识别的准确性与稳定性。
Description
技术领域
本发明属于机械设备故障诊断领域,涉及一种基于敏感测点数据融合的行星轮故障识别方法,本方法能够对行星齿轮箱的不同故障模式进行准确分类和定位,实现行星齿轮箱故障的有效识别。
背景技术
行星齿轮箱一般由太阳轮、行星轮及内齿圈三部分构成,由于其具有体积小、传动比大、承载能力强、传动效率高等优点而被广泛应用于不同行业的机械传动系统中。在恶劣的工作环境下,行星齿轮箱的某个部件一旦出现故障,就可能会引发连锁反应,导致整个传动系统不能正常运行,造成巨大的经济损失甚至人员伤亡。因此行星齿轮箱的精确诊断具有重要的社会意义。
行星齿轮箱不同于各齿轮以固定中心轴旋转的定轴齿轮箱。它的行星轮不仅绕各自的中心轴自转,同时围绕太阳轮的中心轴公转,并与太阳轮和内齿圈同时啮合,所以从结构、传动方式及振动响应来讲行星齿轮箱都要比定轴齿轮箱复杂得多,如果部件出现故障,诊断起来会非常困难。适用于定轴齿轮箱的检测方法和诊断参数一般不能有效地诊断行星齿轮箱的故障,研究人员根据行星齿轮箱的具体振动模式开发了滤波信号有效值(FRMS)、正规化的差谱正值和(NSDS)等一些新的诊断分类参数,这些参数具有对部分故障敏感的特性,在诊断时需要对采集到的每组振动数据分别求各参数的值,然后再根据结果判断故障类型;同时诊断参数对测点的位置也有一定的要求,如果在安装位置采集到的振动信号对故障不敏感,则无法识别出行星齿轮箱的具体故障或者造成误诊。即使能够通过某些先进的信号处理方法得到处理结果,实际中仍需要专业人员进行分析进而给出诊断结果,所以这种诊断方式具有一定的局限性。
采用基于自适应神经模糊推理系统(ANFIS)的分类算法可以实现故障的自动分类诊断。ANFIS是吸收了神经网络自适应性和模糊逻辑善于推理特性的混合模型,通过利用神经网络的数学计算特性来调节基于规则的模糊系统,拥有了神经网络和模糊逻辑二者的优势,克服了它们各自的不足,作为分类组合诊断中的基本分类算法得到了广泛的应用。但是基于ANFIS的分类算法依赖于提取的特征参数和所测数据对故障的敏感度,准确性和稳定性都不是很高,有待于进一步的改进。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于敏感测点数据融合的行星轮故障识别方法。该方法选取对行星齿轮箱故障识别适用性强的特征参数组成特征集,然后利用历史数据训练基于自适应神经模糊推理系统(ANFIS)的分类算法,最后在多个测点所测振动数据的基础上采用训练好的分类算法实现行星齿轮箱故障的自动分类识别。
本发明的技术方案是按照如下步骤进行的:
(1)利用已知故障类型的历史数据训练基于自适应神经模糊推理系统(ANFIS)的分类算法;
(2)在行星齿轮箱上采用三个不同的测点测取振动数据,利用训练好的基于ANFIS的分类算法完成故障识别。
步骤(1)中:
历史数据的种类对应不同的行星齿轮箱故障类型,等于分类算法的分类数,由历史数据提取出特征参数组成特征集作为基于ANFIS分类算法的输入进行训练;
步骤(2)中:
在行星齿轮箱输入端端盖外侧成90°选取两个测点,分别测垂直径向和水平径向两个方向的振动,把输出端端盖上方选取为一个测点,测取垂直径向的振动信号,在三个测点获得三组数据,提取出特征参数组成特征集,将此特征集输入到训练好的分类算法中完成分类,实现故障的有效识别。
本发明的核心是把多个测点的信息融合到一起,利用基于自适应神经模糊推理系统(ANFIS)的分类算法进行故障分类,实现行星齿轮箱故障的准确识别。这种方法可以实现无专业人员情况下的故障诊断,克服了不同测点信息对故障敏感程度不一致的问题,显著提高了故障识别的准确性与稳定性。
附图说明
图1为一种基于敏感测点数据融合的行星轮故障识别方法的流程图;
图2为行星齿轮箱的结构示意图;
图3为单一测点及多测点信息融合的训练和测试结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述:参照附图1所示,本发明的流程如下:
1)在行星齿轮箱上选取三个测点,输入端的两个测点选取在端盖外侧成90°布置,分别测垂直径向和水平径向两个方向的振动,输出端选取一个测点,测取垂直径向的振动信号;
2)利用历史数据计算滤波信号有效值(FRMS)和正规化的差谱正值和(NSDS)两个特征参数,组成特征集作为基于ANFIS的分类算法的输入训练此分类算法,其中历史数据的故障种类等于分类算法的分类数;
3)每个测点测取的振动数据都可以计算出一个FRMS和NSDS,三个测点可以获得六个特征参数,把它们组成一个特征集输入到训练好的基于ANFIS的分类算法中,完成行星齿轮箱故障的自动分类诊断。
根据以上发明内容和图1的一种基于敏感测点数据融合的行星轮故障识别方法的流程图,对某行星齿轮箱进行故障分类诊断。此行星齿轮箱为内齿圈固定的两级行星轮系传动系统,第一级行星传动有三个行星轮,行星轮齿数是40,太阳轮齿数是20,内齿圈齿数是100;第二级传动有四个行星轮,行星轮齿数为36,太阳轮齿数为28,内齿圈齿数为100。此齿轮箱的传动比为27.43∶1。在试验中对齿轮箱具有的五种不同故障模式进行诊断,分别为正常、第一级太阳轮齿根裂纹、第一级太阳轮齿面磨损、第二级太阳轮剥落和第二级太阳轮缺齿,在输入轴转频分别为35Hz、40Hz、45Hz、50Hz的情况下测取振动数据,每种转频下又分为加载与不加载两种工况。
如图2所示,为行星齿轮箱的结构示意图,主要由行星齿轮箱4、输入轴5、输出轴6、端盖7和8组成,在行星齿轮箱上选取三个测点,测点1和测点2分别选取在输入端盖外侧成90°布置,分别测垂直径向和水平径向两个振动,测点3选取为第二级即输出端端盖上方,测取垂直径向的振动信号。采样频率设置为5120Hz,采样长度为120秒钟,将每4秒钟长度的数据作为一个样本,这样每种特定工况下包含30个样本,每个测点在一个故障类型下可以采集到240个样本(四种转频、两种加载情况),五种故障模式则具有1200个样本,三个测点总共可以获得3600个样本。把其中的1800个样本作为已知故障类型的历史数据训练基于ANFIS的分类算法,剩下的1800个样本用来测试分类算法完成行星齿轮箱的故障诊断从而检测所提方法的有效性。
首先,选取FRMS和NSDS作为行星齿轮箱的诊断特征参数。从采集的振动信号中将1-3阶啮合频率左右各6阶行星架调制频率范围之内的信号全部滤除掉,同时滤除掉振动信号中的太阳轮1-5倍转频,然后求滤波后信号的有效值即为FRMS;对原始振动信号进行傅里叶变换,然后计算频谱与历史正常信号的差谱,对差谱中大于0的幅值进行累加,然后正规化得到NSDS。
其次,按要求安装好加速度传感器,拾取不同工况下的振动数据,将所有数据分为3600个样本,随机取其中的1800个作为已知故障类型的历史数据,计算每个样本的FRMS和NSDS值组成特征集输入到基于ANFIS的分类算法中进行训练,分类算法将所有训练样本分为五类,分别对应行星齿轮箱的五种故障模式。
最后,对剩下的测试样本分别计算其FRMS和NSDS的值组成特征集,将特征集输入到训练好的基于ANFIS的分类算法中进行分类,完成故障诊断。
为了证明上述发明内容的有效性和优越性,采用单一测点的振动数据按上述方法对行星齿轮箱进行诊断。同样每种特定工况下包含30个样本,单一测点在一个故障类型下可以采集到240个样本(四种转频、两种加载情况),五种故障模式总共可获得1200个样本。任取其中的600个作为已知故障类型的历史数据,计算每个样本的FRMS和NSDS值组成特征集输入到基于ANFIS的分类算法中进行训练,分类算法将所有训练样本分为五类,分别对应行星齿轮箱的五种故障模式。剩余的600个作为测试样本计算出FRMS和NSDS值组成特征集输入到训练好的分类算法中进行故障诊断。
图3为三个单一测点及多测点信息融合的训练和诊断结果图。可以看到四种方法训练的分类诊断准确率在74%-99.33%的范围内,训练的情况没有达到100%是因为行星齿轮箱结构比较复杂,且存在五种故障模式,诊断起来比较困难,其中准确率最高的结果是由多测点信息融合训练取得的,为99.33%。从测试分类诊断准确率上看,前三种单一测点的准确率分别为78.66%、85.5%、70.83%(平均为78.33%),而多测点信息融合后的分类诊断准确率为98.33%,平均比单一测点的方法提高了20%。从图3中能够看到多测点信息融合的方法不仅实现了不同故障模式的分类诊断而且可以定位故障部件,鲁棒性很好,显著提高了行星齿轮箱故障识别的稳定性和准确率。
由此可得,将多个测点的信息融合到一起,利用基于ANFIS的分类算法可以实现行星齿轮箱故障的准确识别。这种方法克服了不同测点信息对故障敏感程度不一致的问题,对行星齿轮箱的故障诊断具有重要意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (3)
1.一种基于敏感测点数据融合的行星轮故障识别方法,包括:
(1)利用已知故障类型的历史数据训练基于自适应神经模糊推理系统ANFIS的分类算法;
(2)在行星齿轮箱上采用三个不同的测点测取振动数据,利用训练好的基于ANFIS分类算法完成故障识别。
2.根据权利要求1所述一种基于敏感测点数据融合的行星轮故障识别方法,其特征在于,步骤(1)中:
历史数据的种类对应不同的行星齿轮箱故障类型,等于分类算法的分类数,把历史数据提取的特征参数组成特征集作为基于ANFIS分类算法的输入进行训练。
3.根据权利要求1所述一种基于敏感测点数据融合的行星轮故障识别方法,其特征在于,步骤(2)中:
在行星齿轮箱输入端端盖外侧成90°选取两个测点,分别测垂直径向和水平径向两个方向的振动,把输出端端盖上方选取为一个测点,测取垂直径向的振动信号,由三个测点获得三组数据,提取出特征参数组成特征集,将此特征集输入到训练好的分类算法中完成分类,实现故障的有效识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100315500A CN102592172A (zh) | 2012-02-14 | 2012-02-14 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100315500A CN102592172A (zh) | 2012-02-14 | 2012-02-14 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102592172A true CN102592172A (zh) | 2012-07-18 |
Family
ID=46480781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100315500A Pending CN102592172A (zh) | 2012-02-14 | 2012-02-14 | 一种基于敏感测点数据融合的行星轮故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592172A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN108647642A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
CN108700873A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243135A (zh) * | 2011-04-15 | 2011-11-16 | 河海大学 | 一种塔式太阳能热发电站定日镜故障诊断分析方法 |
-
2012
- 2012-02-14 CN CN2012100315500A patent/CN102592172A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243135A (zh) * | 2011-04-15 | 2011-11-16 | 河海大学 | 一种塔式太阳能热发电站定日镜故障诊断分析方法 |
Non-Patent Citations (1)
Title |
---|
雷亚国等: "基于多传感器信息融合的行星齿轮箱故障诊断", 《振动与冲击》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN103398843B (zh) * | 2013-07-01 | 2016-03-02 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN108700873A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
US11347212B2 (en) | 2016-03-09 | 2022-05-31 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
CN108647642A (zh) * | 2018-05-10 | 2018-10-12 | 北京航空航天大学 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
CN108647642B (zh) * | 2018-05-10 | 2021-08-31 | 北京航空航天大学 | 基于模糊融合的多传感器裂纹损伤综合诊断方法 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
CN112748317B (zh) * | 2021-03-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108431B (zh) | 一种基于机器学习分类算法的机械设备故障诊断方法 | |
CN101660969B (zh) | 一种用于齿轮箱故障智能诊断的方法 | |
CN101799359B (zh) | 一种动力设备故障监测预报方法及其系统 | |
CN103398843B (zh) | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 | |
CN102507186A (zh) | 一种基于特色参数的行星齿轮箱状态监测与故障辨识方法 | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN102765010A (zh) | 刀具破磨损状态检测方法及其检测系统 | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
CN102592172A (zh) | 一种基于敏感测点数据融合的行星轮故障识别方法 | |
CN108106841A (zh) | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 | |
CN105823632B (zh) | 行星齿轮箱故障信息获取方法 | |
CN105134456A (zh) | 基于在线监测的水轮机故障预诊断方法 | |
CN109726772A (zh) | 基于多流融合模型的行星齿轮箱智能诊断方法 | |
CN102928224A (zh) | 一种检测风力发电机组轴承故障的方法 | |
CN107014607A (zh) | 一种摩擦振动测试装置及其测试方法 | |
CN102607641A (zh) | 一种燃气轮机的聚类异常检测方法 | |
CN104866633A (zh) | 一种设备振动数据处理方法、装置及系统 | |
CN105571994A (zh) | 一种动力传动系统滑油金属屑参数检测方法 | |
CN102393303A (zh) | 一种燃气轮机的排序异常检测方法 | |
CN112177865B (zh) | 一种用于解决风机故障检测中标记噪音和标记不足的方法 | |
CN113204849A (zh) | 一种齿轮箱齿轮剥落故障检测方法 | |
CN116415185B (zh) | 一种基于工业互联网的滚动轴承监测方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120718 |