CN104318079A - 一种基于故障演化分析的故障预测特征选择方法 - Google Patents
一种基于故障演化分析的故障预测特征选择方法 Download PDFInfo
- Publication number
- CN104318079A CN104318079A CN201410531775.1A CN201410531775A CN104318079A CN 104318079 A CN104318079 A CN 104318079A CN 201410531775 A CN201410531775 A CN 201410531775A CN 104318079 A CN104318079 A CN 104318079A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- feature
- evolution
- failure evolution
- 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于故障演化分析的故障预测特征选择方法,解决了现有故障特征选择方法不能有效提高故障预测技术的效率和准确度的问题。该基于故障演化分析的故障预测特征选择方法,包括以下步骤:(1)建立故障仿真模型,获取机电系统中典型故障从无故障状态、早期故障状态到失效状态整个故障演化过程中,不同严重程度状态下系统的输出响应数据;(2)采用工程中常用的特征提取方法,建立各种特征描述的故障演化趋势曲线;(3)分析各种特征描述的故障演化趋势,计算各特征对故障演化过程的跟踪能力;(4)比较选择对故障演化过程的跟踪能力最大的特征作为故障预测特征。本发明能及时有效地检测出故障的早期状态和跟踪故障的演化过程。
Description
技术领域
本发明涉及一种故障预测特征的选择方法,具体地讲,是涉及一种基于故障演化分析的故障预测特征选择方法。
背景技术
目前,公知的故障特征提取方法主要有时域法(如均方根、峰态因子、能量比、峭度、标准差等),频域法(傅立叶变换、快速傅立叶变换等),以及时-频域法(如小波变换),采用这些故障特征提取方法主要侧重两个方面:一是从较强环境噪声中提取区别于正常状态的故障特征,以驱动故障报警;二是从强背景噪声中提取机电系统中不同故障的特征,为故障诊断或识别提供数据输入。但是,目前采用的方法所提取的故障特征不能很好描述整个故障演化(即机电部件从正常状态到功能失效状态故障逐渐增长过程)的趋势,导致了机电系统故障预测技术的效率和准确性不高。
发明内容
本发明的目的在于克服上述缺陷,提供一种能及时有效地检测出故障的早期状态和跟踪故障的演化过程的基于故障演化分析的故障预测特征选择方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于故障演化分析的故障预测特征选择方法,包括以下步骤:
(1)建立故障仿真模型,获取机电系统中典型故障从无故障状态、早期故障状态到失效状态整个故障演化过程中,不同严重程度状态下系统的输出响应数据;其中,故障仿真模型可以采用已有的故障仿真软件,也可通过系统的物理失效模型仿真计算得到;典型故障如磨损、疲劳裂纹、点蚀、电气应力损伤等;
(2)采用工程中常用的特征提取方法,建立各种特征描述的故障演化趋势曲线;常用的特征提取方法如下:均方根、峭度、频率均方根、谱峭度、小波熵、模极大值、损伤度等;
(3)分析各种特征描述的故障演化趋势,计算各特征对故障演化过程的跟踪能力;
(4)根据步骤(3)的计算结果,比较选择对故障演化过程的跟踪能力最大的特征作为故障预测特征。
基于以上的故障演化趋势曲线,可以分析各个演化曲线的统计特征值、单调性水平和敏感度水平,具体内容括如下:
(31)使用式(1)计算第i个预测特征描述的故障演化趋势Φi的单调特性统计值TSi。
(32)使用式(2)计算第i个预测特征描述的故障演化趋势的单调性水平τi(0≤τi≤1),其表达式为:
(33)使用式(3)计算第i个特征对故障演化趋势总的敏感度水平βi,其表达式为:
式中,Φi(1)表示无故障状态时的特征输出值,d(t1)、d(t2)分别表示t1及t2时刻故障的严重程度,Φi(t1)及Φi(t2)分别为第i个预测特征描述的故障演化曲线Φi的第t1,t2个观测点,N为故障演化曲线Φi所有观测点的总数。
完成上述分析计算后,所述步骤(3)中计算各特征对故障演化过程的跟踪能力的具体方式如下:
使用式(4)计算第i个特征对故障演化过程的跟踪能力TFFi,其表达式为:
与现有技术相比,本发明具有以下有益效果:
本发明通过故障演化分析方法准确地揭示了故障演化的本质规律,定义了特征对故障演化过程的跟踪能力的量化指标,基于最大化该指标的规则选择的故障预测特征包含了丰富的故障演化(或增长)信息,同时能及时检测出故障早期微弱状态,并有效地跟踪故障演化过程;这些优选的故障预测特征能极大提高机电系统损伤评估和故障预测的效率和精度。
附图说明
图1为本发明的流程示意图。
图2为故障演化趋势曲线。
图3为一阶齿轮箱的故障仿真模型。
图4为裂纹故障不同严重程度下主动轮齿的角加速度a1的响应输出曲线。
图5为四个特征描述的裂纹故障演化趋势曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
为了克服现有故障特征选择方法不能有效提高故障预测技术的效率和准确度的问题,本实施例提供一种基于故障演化分析的故障预测特征选择方法,该方法选择的故障预测特征包含了丰富的故障演化(增长)的信息,能及时有效地检测出故障的早期状态和跟踪故障的演化过程,如图1所示,该方法主要包括以下步骤:
一、建立故障仿真模型,获取机电系统中典型故障从无故障状态、早期故障状态到失效状态整个故障演化过程中,不同严重程度状态下系统的输出响应数据;
二、采用工程中常用的特征提取方法,建立各种特征描述的故障演化趋势曲线;其中,常用的特征提取方法包括均方根、峭度、频率均方根、谱峭度、小波熵、模极大值、损伤度等。如图2所示,在图中,Φ(1)、Φ(2)和Φ(3)分别表示特征1、特征2和特征3描述的故障随时间的演化趋势,d(t1)、d(t2)和d(t3)分别表示为特征1、特征2和特征3检测到早期故障时对应的故障严重程度;
三、分析各种特征描述的故障演化趋势,计算各特征对故障演化过程的跟踪能力;具体的说,基于故障演化趋势曲线,可以分析各个演化曲线的统计特征值、单调性水平和敏感度水平,其主要包括以下内容:
1、使用式(1)计算第i个预测特征描述的故障演化趋势Φi的单调特性统计值TSi。
2、使用式(2)计算第i个预测特征描述的故障演化趋势的单调性水平τi(0≤τi≤1),其表达式为:
3、使用式(3)计算第i个特征对故障演化趋势总的敏感度水平βi,其表达式为:
式中,Φi(1)表示无故障状态时的特征输出值,d(t1)、d(t2)分别表示t1及t2时刻故障的严重程度,Φi(t1)及Φi(t2)分别为第i个预测特征描述的故障演化曲线Φi的第t1,t2个观测点,N为故障演化曲线Φi所有观测点的总数。
基于上述计算结果,计算各特征对故障演化过程的跟踪能力的具体方式如下:
使用式(4)计算第i个特征对故障演化过程的跟踪能力TFFi,其表达式为:
四、根据步骤三的计算分析结果,比较选择对故障演化过程的跟踪能力最大的特征作为故障预测特征。
以一阶齿轮箱系统的齿轮裂纹故障为例,下面结合案例对本发明进行举例说明,本案例是从工程中常用的针对齿轮裂纹故障的特征提取方法中选择一个最好的特征作为裂纹故障的预测特征:
步骤1:建立一阶齿轮箱的裂纹故障仿真模型
一阶齿轮箱的裂纹故障的动力学模型如式(6):
式中,M为质量矩阵,Cc为齿轮裂纹故障下的系统阻尼矩阵,Kc为系统齿轮裂纹故障下的刚度矩阵,F为外部载荷,q为广义坐标向量,分别对应如下:
F=[0 0 0 0 T1-T2] (12)
q=[y1y2θ1θ2θmθb] (13)
系统中的主要参数定义如表1所示:
表1一阶齿轮箱的参数定义
主动齿轮质量 | m1=0.96kg |
被动齿轮质量 | m2=2.88kg |
接触比 | Cr=1.6456 |
电机的惯量 | Im=0.0021kg.m2 |
负载惯量 | Ib=0.0105kgm2 |
主动齿惯量 | I1=4.3659×10-4kgm2 |
被动齿惯量 | I2=8.3602×10-3kgm2 |
输入轴频率 | f1=30HZ |
啮合频率 | fm=570HZ |
输入电机扭矩 | M1=11.9N.m |
输出负载扭矩 | M2=48.8Nm |
连接件刚度 | kc=4.4×104Nm/rad |
连接件阻尼系数 | Cr=5.0×105Nm/rad |
轴承刚度 | kr=6.56×107N/m |
轴承阻尼系数 | cr=1.8×105N.s/m |
基于式(6)描述的裂纹故障动力学模型,采用MATLAB/Simulink工具包建立该系统的故障仿真模型,如图3所示。
设置裂纹故障严重程度s(0≤s≤1)从0到50%按5%递增,使用ODE15求解器进行求解,就可获得裂纹故障严重程度从0到50%系统角加速度a1的响应。图4显示了齿轮裂纹故障严重程度s=0,10%,20%,30%,40%,50%状态下,主动轮齿的角加速度a1的响应输出曲线。
步骤2:齿轮裂纹故障演化分析
采用在工程中常用的均方根、峭度、小波熵、FGP特征提取方法建立齿轮裂纹故障的演化趋势,如图5所示。
使用式(2)和(3)计算出四个特征描述的裂纹故障演化趋势曲线的单调性水平τi和灵敏度水平βi,如表2所示。
表2单调性水平和灵敏度水平
步骤3:计算四个特征(均方根、峭度、小波熵、FGP)对裂纹故障演化过程的跟踪能力TFFi,其结果如表3所示。
表3四个特征对裂纹故障演化的跟踪能力
步骤4:选择对裂纹故障演化过程跟踪能力最大的特征作为预测特征。从表3可以看出,在均方根、峭度、小波熵、FGP四个工程中常用的特征中,小波熵对裂纹故障演化过程跟踪能力最大。因此,选择小波熵作为裂纹故障的预测特征。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述设计原理的前提下,为解决同样的技术问题,即使在本发明所公开的结构基础上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (4)
1.一种基于故障演化分析的故障预测特征选择方法,其特征在于,包括以下步骤:
(1)建立故障仿真模型,获取机电系统中典型故障从无故障状态、早期故障状态到失效状态整个故障演化过程中,不同严重程度状态下系统的输出响应数据;
(2)采用工程中常用的特征提取方法,建立各种特征描述的故障演化趋势曲线;
(3)分析各种特征描述的故障演化趋势,计算各特征对故障演化过程的跟踪能力;
(4)比较选择对故障演化过程的跟踪能力最大的特征作为故障预测特征。
2.根据权利要求1所述的一种基于故障演化分析的故障预测特征选择方法,其特征在于,所述步骤(2)中常用的特征提取方法包括均方根、峭度、频率均方根、谱峭度、小波熵、模极大值、损伤度。
3.根据权利要求1所述的一种基于故障演化分析的故障预测特征选择方法,其特征在于,所述步骤(3)中分析各种特征描述的故障演化趋势的具体方式如下:
(31)使用式(1)计算第i个预测特征描述的故障演化趋势Φi的单调特性统计值TSi:
(32)使用式(2)计算第i个预测特征描述的故障演化趋势的单调性水平τi(0≤τi≤1),其表达式为:
(33)使用式(3)计算第i个特征对故障演化趋势总的敏感度水平βi,其表达式为:
4.根据权利要求3所述的一种基于故障演化分析的故障预测特征选择方法,其特征在于,所述步骤(3)中计算各特征对故障演化过程的跟踪能力的具体方式如下:
使用式(4)计算第i个特征对故障演化过程的跟踪能力TFFi,其表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531775.1A CN104318079B (zh) | 2014-10-10 | 2014-10-10 | 一种基于故障演化分析的故障预测特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531775.1A CN104318079B (zh) | 2014-10-10 | 2014-10-10 | 一种基于故障演化分析的故障预测特征选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318079A true CN104318079A (zh) | 2015-01-28 |
CN104318079B CN104318079B (zh) | 2017-02-22 |
Family
ID=52373310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410531775.1A Expired - Fee Related CN104318079B (zh) | 2014-10-10 | 2014-10-10 | 一种基于故障演化分析的故障预测特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318079B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019046A (zh) * | 2016-05-18 | 2016-10-12 | 成都理工大学 | 一种新型小电流接地系统暂态选线方法 |
CN107229272A (zh) * | 2017-06-22 | 2017-10-03 | 谭晓栋 | 一种基于故障增长趋势相关度分析的传感器优化部署方法 |
CN107782551A (zh) * | 2017-10-30 | 2018-03-09 | 电子科技大学 | 一种机械部件损伤程度的评估方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087125A (zh) * | 2007-06-25 | 2007-12-12 | 中国科学院电工研究所 | 一种具有寿命预测功能的电动汽车电机驱动系统 |
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
US20130013138A1 (en) * | 2011-07-06 | 2013-01-10 | Yinghui Lu | System and method for predicting mechanical failure of a motor |
-
2014
- 2014-10-10 CN CN201410531775.1A patent/CN104318079B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087125A (zh) * | 2007-06-25 | 2007-12-12 | 中国科学院电工研究所 | 一种具有寿命预测功能的电动汽车电机驱动系统 |
US20130013138A1 (en) * | 2011-07-06 | 2013-01-10 | Yinghui Lu | System and method for predicting mechanical failure of a motor |
CN102662389A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种基于故障特性分析的监测参数选择方法 |
Non-Patent Citations (1)
Title |
---|
LYU KEHONG, ET AL;: "《Sensor selection of helicopter transmission systems based on physical model and sensitivity analysis》", 《CHINESE JOURNAL OF AERONAUTICS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019046A (zh) * | 2016-05-18 | 2016-10-12 | 成都理工大学 | 一种新型小电流接地系统暂态选线方法 |
CN107229272A (zh) * | 2017-06-22 | 2017-10-03 | 谭晓栋 | 一种基于故障增长趋势相关度分析的传感器优化部署方法 |
CN107229272B (zh) * | 2017-06-22 | 2019-05-24 | 谭晓栋 | 一种基于故障增长趋势相关度分析的传感器优化部署方法 |
CN107782551A (zh) * | 2017-10-30 | 2018-03-09 | 电子科技大学 | 一种机械部件损伤程度的评估方法 |
CN107782551B (zh) * | 2017-10-30 | 2020-10-23 | 电子科技大学 | 一种机械部件损伤程度的评估方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
CN109165396B (zh) * | 2018-06-27 | 2023-09-29 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318079B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
Praveenkumar et al. | Pattern recognition based on-line vibration monitoring system for fault diagnosis of automobile gearbox | |
CN104729853B (zh) | 一种滚动轴承性能退化评估装置及方法 | |
de Bessa et al. | Data-driven fault detection and isolation scheme for a wind turbine benchmark | |
CN105136454A (zh) | 一种风电机组齿轮箱故障识别方法 | |
CN103955750B (zh) | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 | |
CN102509023B (zh) | 航天驱动组件综合应力加速寿命试验损伤累积模型的建模方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN103048137A (zh) | 一种变工况下的滚动轴承故障诊断方法 | |
CN103217280A (zh) | 航空发动机转子剩余寿命的多变量支持向量机预测方法 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN104318079A (zh) | 一种基于故障演化分析的故障预测特征选择方法 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
CN101576443A (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
CN102768115A (zh) | 一种风电机组齿轮箱健康状态实时动态监控方法 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN102520697A (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN103064019A (zh) | 基于灰色关联模糊聚类的高压断路器故障诊断方法 | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN105629958A (zh) | 一种基于子时段mpca-svm的间歇过程故障诊断方法 | |
CN105258940A (zh) | 机械故障定量提取的标准化多小波与多小波包变换方法 | |
CN102179722A (zh) | 基于比例故障率模型的数控机床运行可靠性评估方法 | |
CN104598736A (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
CN102682180A (zh) | 旋转式机械设备性能退化的评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 Termination date: 20181010 |