CN104458250A - 智能化齿轮箱故障诊断方法 - Google Patents

Abstract

一种智能化齿轮箱故障诊断方法，包括：利用传感器获取齿轮箱的包含故障信号和噪声信号的采集信号；通过小波包处理对采集信号进行降噪处理，以去除采集信号中的噪声信号并提取故障信号；利用小波包分解对故障信号进行分解，从而提取故障信号的特征能量的特征向量；对故障信号的特征能量的特征向量进行归一化处理以得到最终提取的特征向量，并且将最终提取的特征向量作为神经网络专家系统的输入参量；神经网络专家系统通过利用训练样本进行仿真和训练，得到一套规则形成神经网络专家系统诊断机制；神经网络专家系统根据神经网络专家系统诊断机制，基于最终提取的特征向量，做出故障诊断。

Description

智能化齿轮箱故障诊断方法

技术领域

本发明涉及信号处理领域，更具体地说，本发明涉及一种智能化齿轮箱故障诊断方法。

背景技术

齿轮箱作为连接和传递动力的通用部件，在现代工业设备中得到了广泛的应用。齿轮传动的特点决定了齿轮也是一个易于发生故障的部件，实际上齿轮箱的使用过程不可避免地会出现故障，例如由于老化或环境而导致故障。

齿轮箱的运行状态对整机的工作性能有很大的影响。因此，齿轮箱的故障诊断技术一直都是人们研究的重要课题。正确地对齿轮箱的故障做出诊断，是很重要的。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种能够正确地对齿轮箱的故障做出诊断的智能化齿轮箱故障诊断方法。

为了实现上述技术目的，根据本发明，提供了一种智能化齿轮箱故障诊断方法，包括：

第一步骤：利用传感器获取齿轮箱的包含故障信号和噪声信号的采集信号；

第二步骤：通过小波包处理对采集信号进行降噪处理，以去除采集信号中的噪声信号并提取故障信号；

第三步骤：利用小波包分解对故障信号进行分解，从而提取故障信号的特征能量的特征向量；

第四步骤：对故障信号的特征能量的特征向量进行归一化处理以得到最终提取的特征向量，并且将最终提取的特征向量作为神经网络专家系统的输入参量；

第五步骤：神经网络专家系统通过利用训练样本进行仿真和训练，得到一套规则形成神经网络专家系统诊断机制；

第六步骤：神经网络专家系统根据神经网络专家系统诊断机制，基于最终提取的特征向量，做出故障诊断。

优选地，在第三步骤中，将故障信号从低频到高频分为8个频带，由此得到：S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈，其中S为故障信号的经小波包重构信号；S_ij为X_ij的单支重构信号，X_ij为经过消噪处理后用小波包对故障信号进行分解的第i层的第j个结点的分解系数，其中i＝1,2,3，j＝1,2,...,2ⁱ；其中，S_ij对应的能量为：(i＝1,2,3，j＝1,2,...,2ⁱ)；而且其中，x_jk(k＝1,2,...,n)表示重构信号S_ij离散点的幅值；得到信号的特征向量T＝[E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇，E₃₈]。

优选地，在第四步骤S4中，设 $E={(E_{31}^2+E_{32}^2+E_{33}^2+E_{34}^2+E_{35}^2+E_{36}^2+E_{37}^2+E_{38}^2)}^{\frac{1}{2}},$ 得到最终提取的特征向量表示为：T′＝[E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E，E38/E]，将此向量作为神经网络专家系统的输入进行模式识别。

优选地，在第五步骤中，神经网络专家系统通过训练样本得到神经网络专家系统的隐知识库，隐知识库中包括用于做出故障诊断的隐含故障特征。

本发明利用小波包对故障信号降噪处理，并提取故障信号的特征能量作为神经网络专家系统(NNES)的输入参量，通过训练样本得到神经网络专家系统的隐知识库，测试样本则调用隐知识库中的隐含故障特征，从而做出故障诊断，具有网络性能良好、操作方便、诊断效率高等特点。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的智能化齿轮箱故障诊断方法的流程图。

图2示意性地示出了根据本发明优选实施例的智能化齿轮箱故障诊断方法中采用的小波包去噪原理框图。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

正确的对齿轮箱的故障做出诊断，不仅可以缩短维修时间、降低维修费用、还能提高设备运行的稳定性，保证安全生产，本发明设计了一种小波神经网络专家系统智能化诊断系统。通过小波包对故障信号降噪处理，并提取故障信号的特征能量作为神经网络专家系统(NNES)的输入参量，通过训练样本得到神经网络专家系统的隐知识库，测试样本则调用隐知识库中的隐含故障特征，从而做出故障诊断。这种诊断方法有别于常规齿轮箱故障诊断，具有网络性能良好、操作方便、诊断效率高等特点。

图1示意性地示出了根据本发明优选实施例的智能化齿轮箱故障诊断方法的流程图。

具体地说，如图1所示，根据本发明优选实施例的智能化齿轮箱故障诊断方法包括：

第一步骤S1：利用传感器获取齿轮箱的包含故障信号和噪声信号的采集信号；

第二步骤S2：通过小波包处理对采集信号进行降噪处理，以去除采集信号中的噪声信号并提取故障信号；

具体地，如图2所示，采集信号实际上包括故障信号f和噪声信号w；信号在小波域的表示L_ψ，即采集信号(含噪声)在小波变换下的分解系数。作用阈值和作用Mask保留特定的系数并把其它的系数置零。根据最低层的小波包分解系数和经过最优化处理系数，进行信号的重构得到去噪的信号。

第三步骤S3：利用小波包分解对故障信号进行分解，从而提取故障信号的特征能量的特征向量；

具体地，由于齿轮箱振动信号中含有丰富的频率成分，并且在各频率成分的能量中，包含着丰富的故障信息。利用小波包分解对信号进行细化分解，从而提取信号的能量特征；可以根据N＝2ⁱ的原则，把故障信号从低频到高频分为8个频带，由此得到：S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈，其中S为故障信号的经小波包重构信号；S_ij为X_ij的单支重构信号，X_ij为经过消噪处理后用小波包对故障信号进行分解的第i层的第j个结点的分解系数，其中i＝1,2,3，j＝1,2,...,2ⁱ。S_ij对应的能量为：(i＝1,2,3，j＝1,2,...,2ⁱ)x_jk(k＝1,2,...,n)表示重构信号S_ij离散点的幅值。得到信号的特征向量T＝[E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇，E₃₈]。

第四步骤S4：对故障信号的特征能量的特征向量进行归一化处理以得到最终提取的特征向量，并且将最终提取的特征向量作为神经网络专家系统的输入参量

具体地说，在第四步骤S4中，为了防止能量值过大，进行归一化处理，设 $E={(E_{31}^2+E_{32}^2+E_{33}^2+E_{34}^2+E_{35}^2+E_{36}^2+E_{37}^2+E_{38}^2)}^{\frac{1}{2}},$ 最终提取的特征向量可表示为：T′＝[E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E，E38/E]。将此向量作为神经网络专家系统的输入进行模式识别。

第五步骤S5：神经网络专家系统通过利用训练样本进行仿真和训练，得到一套规则形成神经网络专家系统诊断机制；实际上，第五步骤S5可预先执行以得到神经网络专家系统诊断机制；

例如，具体地，神经网络专家系统通过训练样本得到神经网络专家系统的隐知识库，隐知识库中包括用于做出故障诊断的隐含故障特征。

第六步骤S6：神经网络专家系统根据神经网络专家系统诊断机制，基于最终提取的特征向量，做出故障诊断。

从上面的步骤可以看出，虽然传感器采得的信号中往往混有噪声，导致有用的信号不突出，便难以做出准确的诊断；但是本发明为了提高信号分析精度和信噪比，采用了小波包理论对诊断信号进行消噪处理，因为小波包分析对上一层的低频部分和高频部分同时进行分解，具有更加精确的局部分析能力，并在信号的分解与重构、信噪分离技术、特征信号提取、数据压缩等工程实际中显示出巨大的优越性。

另一方面，神经网络专家系统是以神经网络为核心建造的一种数值结合型智能诊断系统。它不仅可以很好地实现专家系统的基本功能，模仿人类专家的逻辑思维方式进行推理决策和问题求解，还具有学习能力、自适应能力、并行推理能力、联想记忆能力。神经网络的信息处理方式是利用大量神经元的互连及每个连接权值的分布来表示特定的概念或知识。在进行知识获取时，它只要求领域专家提供范例或实例及相应的解，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把领域专家求解实际问题的启发式知识和经验分布到网络的互连及权值分布上。

神经网络和专家系统各有长处和不足，知识获取的“瓶颈”问题一直是专家系统所困扰的问题。而具有良好的学习能力的神经网络正好可以弥补专家系统这一不足。但是神经网络的学习和问题的求解具有“黑箱”的特性，其求解结果不具有可解释性，而专家系统正好具有强大的“解释”功能。根据侧重点不同，决定采用专家系统支持神经网络的集成方式，即神经网络作为主导，专家系统主要进行解释方面的工作来设计齿轮箱故障诊断系统。神经网络专家系统在功能上也包括知识获取、知识表示、知识推理、知识更新、推理解释等操作。神经网络专家系统的这些功能与传统专家系统相比具有很大的差别。

在知识表示方面，不论是什么知识，神经网络专家系统都将其隐式地分散存储在神经网络的各项连接权值和阈值中，这方法可以有效地解决传统专家系统在运行过程中出现的知识容量与运行速度的矛盾。在推理过程方面，神经网络专家系统也是一种并行计算过程根据需要还可以通过学习算法对网络参数进行训练和适应性调整。

神经网络专家系统通过实例的学习，不仅记住了一些死的数据，而且具有举一反三的学习和推广的能力。利用训练好的网络，把待模式识别的故障信号的能量特征向量输入神经网络专家系统当中，将输出的故障模式与实际的故障模式进行对比，来判断此系统性能的好坏，是否具有进行工程实践的利用价值。

由此，根据本发明的方法，可以对故障信号进行降噪处理，再通过小波包分解后第三层的8个频带分别进行重构，得到信号从低频到高频的信号能量，构造一个以能量为元素能量向量，然后对能量向量进行归一化处理，得到神经网络专家系统的输入特征向量，经过仿真、训练得到一套规则形成神经网络专家系统诊断机制，解释体系说明故障类型、位置、故障等级，退出系统。

在具体实现时，最后基于小波神经网路专家系统知识可以利用MATLAB和VB进行混合编程，开发出用户界面友好、操作简单的齿轮箱智能故障诊断系统。

通过上面的实现方式，采用本发明的系统就可简单便捷地实现齿轮箱智能化故障诊断。

此外，需要说明的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (8)

1.一种智能化齿轮箱故障诊断方法，其特征在于包括：

第一步骤：利用传感器获取齿轮箱的包含故障信号和噪声信号的采集信号；

第二步骤：通过小波包处理对采集信号进行降噪处理，以去除采集信号中的噪声信号并提取故障信号；

第三步骤：利用小波包分解对故障信号进行分解，从而提取故障信号的特征能量的特征向量；

第四步骤：对故障信号的特征能量的特征向量进行归一化处理以得到最终提取的特征向量。

2.根据权利要求1所述的智能化齿轮箱故障诊断方法，其特征在于第四步骤还包括：将最终提取的特征向量作为神经网络专家系统的输入参量。

3.根据权利要求2所述的智能化齿轮箱故障诊断方法，其特征在于还包括：

第五步骤：神经网络专家系统通过利用训练样本进行仿真和训练，得到一套规则形成神经网络专家系统诊断机制。

4.根据权利要求3所述的智能化齿轮箱故障诊断方法，其特征在于还包括：

第六步骤：神经网络专家系统根据神经网络专家系统诊断机制，基于最终提取的特征向量，做出故障诊断。

5.根据权利要求4所述的智能化齿轮箱故障诊断方法，其特征在于，在第三步骤中，将故障信号从低频到高频分为8个频带，由此得到：S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈，其中S为故障信号的经小波包重构信号；S_ij为X_ij的单支重构信号，X_ij为经过消噪处理后用小波包对故障信号进行分解的第i层的第j个结点的分解系数，其中i＝1,2,3，j＝1,2,...,2ⁱ；其中，S_ij对应的能量为：(i＝1,2,3，j＝1,2,...,2ⁱ)；而且其中，x_jk(k＝1,2,...,n)表示重构信号S_ij离散点的幅值；得到信号的特征向量T＝[E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇，E₃₈]。

6.根据权利要求2所述的智能化齿轮箱故障诊断方法，其特征在于，在第四步骤中，设 $E={(E_{31}^2+E_{32}^2+E_{33}^2+E_{34}^2+E_{35}^2+E_{36}^2+E_{37}^2+E_{38}^2)}^{\frac{1}{2}},$ 得到最终提取的特征向量表示为：T′＝[E₃₁/E，E₃₂/E，E₃₃/E，E₃₄/E，E₃₅/E，E₃₆/E，E₃₇/E，E₃₈/E]，将此向量作为神经网络专家系统的输入进行模式识别。

7.根据权利要求3所述的智能化齿轮箱故障诊断方法，其特征在于，在第五步骤中，神经网络专家系统通过训练样本得到神经网络专家系统的隐知识库。

8.根据权利要求7所述的智能化齿轮箱故障诊断方法，其特征在于，隐知识库中包括用于做出故障诊断的隐含故障特征。