CN104318079A - 一种基于故障演化分析的故障预测特征选择方法 - Google Patents

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

一种基于故障演化分析的故障预测特征选择方法

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Φ_i的单调特性统计值TS_i。

${\mathrm{TS}}_i=\underset{t_1=1}{\overset{N-1}{\mathrm{\Σ}}}\underset{t_2=t_1+1}{\overset{N}{\mathrm{\Σ}}}\mathrm{sign}({\mathrm{\Φ}}_i\left(t_1\right)-{\mathrm{\Φ}}_i\left(t_2\right))---\left(1\right)$

(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τ_i(0≤τ_i≤1)，其表达式为：

${\mathrm{\τ}}_i=\frac{{\mathrm{TS}}_i}{N(N-1)/2}---\left(2\right)$

(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β_i，其表达式为：

${\mathrm{\β}}_i=\mathrm{median}\left(\frac{{\mathrm{\Φ}}_i\left(t_2\right)-{\mathrm{\Φ}}_i\left(t_1\right)}{{\mathrm{\Φ}}_i\left(1\right)\·(d\left(t_2\right)-d\left(t_1\right))}\right)---\left(3\right)$

式中，Φ_i(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，Φ_i(t₁)及Φ_i(t₂)分别为第i个预测特征描述的故障演化曲线Φ_i的第t₁，t₂个观测点，N为故障演化曲线Φ_i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TFF_i，其表达式为：

${\mathrm{TFF}}_i={(1+e^{-10({\mathrm{\τ}}_i-0.5)})}^{-1}\×{(1+e^{-10({\mathrm{\β}}_i-8)})}^{-1}---\left(4\right).$

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Φ_i的单调特性统计值TS_i。

${\mathrm{TS}}_i=\underset{t_1=1}{\overset{N-1}{\mathrm{\Σ}}}\underset{t_2=t_1+1}{\overset{N}{\mathrm{\Σ}}}\mathrm{sign}({\mathrm{\Φ}}_i\left(t_1\right)-{\mathrm{\Φ}}_i\left(t_2\right))---\left(5\right)$

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τ_i(0≤τ_i≤1)，其表达式为：

${\mathrm{\τ}}_i=\frac{{\mathrm{TS}}_i}{N(N-1)/2}---\left(6\right)$

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β_i，其表达式为：

${\mathrm{\β}}_i=\mathrm{median}\left(\frac{{\mathrm{\Φ}}_i\left(t_2\right)-{\mathrm{\Φ}}_i\left(t_1\right)}{{\mathrm{\Φ}}_i\left(1\right)\·(d\left(t_2\right)-d\left(t_1\right))}\right)---\left(7\right)$

式中，Φ_i(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，Φ_i(t₁)及Φ_i(t₂)分别为第i个预测特征描述的故障演化曲线Φ_i的第t₁，t₂个观测点，N为故障演化曲线Φ_i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：

${\mathrm{TFF}}_i={(1+e^{-10({\mathrm{\τ}}_i-0.5)})}^{-1}\×{(1+e^{-10({\mathrm{\β}}_i-8)})}^{-1}---\left(8\right)$

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)：

$M\stackrel{\·\·}{q}+C_c\left(t\right)\stackrel{\·}{q}+K_c\left(t\right)q=F---\left(9\right)$

式中，M为质量矩阵，C_c为齿轮裂纹故障下的系统阻尼矩阵，K_c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：

$M=\left[\begin{array}{cccccc}{m}_1& 0& 0& 0& 0& 0\\ 0& m_2& 0& 0& 0& 0\\ 0& 0& I_1& 0& 0& 0\\ 0& 0& 0& I_2& 0& 0\\ 0& 0& 0& 0& I_m& 0\\ 0& 0& 0& 0& 0& I_b\end{array}\right]---\left(10\right)$

$C_c\left(t\right)=\left[\begin{array}{cccccc}{c}_c\left(t\right)+k_1& -c_c\left(t\right)& -c_c\left(t\right)R_{b1}& c_c\left(t\right)R_{b2}& 0& 0\\ c_c\left(t\right)& c_2-c_c\left(t\right)& -c_c\left(t\right)R_{b1}& c_c\left(t\right)R_{b2}& 0& 0\\ -c_c\left(t\right)R_{b1}& c_c\left(t\right)R_{b1}& c_c+c_c\left(t\right)R_{b1}^2& -c_c\left(t\right)R_{b1}{R}_{b2}& -c_p& 0\\ c_c\left(t\right)R_{b2}& -c_c\left(t\right)R_{b2}& -c_c\left(t\right)R_{b1}{R}_{b2}& c_g+c_c\left(t\right)R_{b2}^2& 0& -c_g\\ 0& 0& -c_p& 0& c_p& 0\\ 0& 0& 0& -c_g& 0& c_g\end{array}\right]---\left(8\right)$

$K_c\left(t\right)=\left[\begin{array}{cccccc}{k}_c\left(t\right)+k_1& -k_c\left(t\right)& -k_c\left(t\right)R_{b1}& k_c\left(t\right)R_{b2}& 0& 0\\ k_c\left(t\right)& k_2-k_c\left(t\right)& -k_c\left(t\right)R_{b1}& k_c\left(t\right)R_{b2}& 0& 0\\ -k_c\left(t\right)R_{b1}& k_c\left(t\right)R_{b1}& k_p+k_c\left(t\right)R_{b1}^2& -k_c\left(t\right)R_{b1}{R}_{b2}& -k_p& 0\\ k_c\left(t\right)R_{b2}& -k_c\left(t\right)R_{b2}& -k_c\left(t\right)R_{b1}{R}_{b2}& k_g+k_c\left(t\right)R_{b2}^2& 0& -k_g\\ 0& 0& -k_p& 0& k_p& 0\\ 0& 0& 0& -k_g& 0& k_g\end{array}\right]---\left(11\right)$

F＝[0 0 0 0 T₁-T₂]   (12)

q＝[y₁y₂θ₁θ₂θ_mθ_b]   (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τ_i和灵敏度水平β_i，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TFF_i，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Φ_i的单调特性统计值TS_i：

${\mathrm{TS}}_i=\underset{t_1=1}{\overset{N-1}{\mathrm{\Σ}}}\underset{t_2=t_1+1}{\overset{N}{\mathrm{\Σ}}}\mathrm{sign}({\mathrm{\Φ}}_i\left(t_i\right)-{\mathrm{\Φ}}_i\left(t_2\right))---\left(1\right)$

(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τ_i(0≤τ_i≤1)，其表达式为：

${\mathrm{\τ}}_i=\frac{{\mathrm{TS}}_i}{N(N-1)/2}---\left(2\right)$

(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β_i，其表达式为：

${\mathrm{\β}}_i=\mathrm{median}\left(\frac{{\mathrm{\Φ}}_i\left(t_2\right)-{\mathrm{\Φ}}_i\left(t_1\right)}{{\mathrm{\Φ}}_i\left(1\right)\·(d\left(t_2\right)-d\left(t_1\right))}\right)---\left(3\right)$ 式中，Φ_i(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，Φ_i(t₁)及Φ_i(t₂)分别为第_i个预测特征描述的故障演化曲线Φ_i的第t₁，t₂个观测点，N为故障演化曲线Φ_i所有观测点的总数。

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TFF_i，其表达式为：

${\mathrm{TFF}}_i={(1+e^{-10({\mathrm{\τ}}_i-0.5)})}^{-1}\×{(1+e^{-10({\mathrm{\β}}_i-8)})}^1---\left(4\right).$