CN106796579A - 用于自动检测旋转轴上的缺陷的方法和系统 - Google Patents
用于自动检测旋转轴上的缺陷的方法和系统 Download PDFInfo
- Publication number
- CN106796579A CN106796579A CN201580027222.5A CN201580027222A CN106796579A CN 106796579 A CN106796579 A CN 106796579A CN 201580027222 A CN201580027222 A CN 201580027222A CN 106796579 A CN106796579 A CN 106796579A
- Authority
- CN
- China
- Prior art keywords
- signal
- rotary shaft
- energy
- processor
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 title abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 2
- 229910052742 iron Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于自动检测旋转轴中的缺陷的方法和系统。本发明包括以下步骤:借助于至少一个传感器从旋转轴获取振动型信号;借助于处理器在时域和频域中处理由传感器获取的信号,获得所获取的信号的能量量度作为所述处理的结果;在处理器内将能量量度与之前建立的能量模式进行比较;以及最后基于能量量度与之前建立的模式之间的比较来确定在旋转轴中是否存在任何缺陷。
Description
技术领域
本发明应用于缺陷学以及防损领域,更特别地,应用在旋转轴例如铁路车轴中的故障的自动检测中,以诊断所述轴的状况并且确保所述轴的维护。
背景技术
如今,用于诊断和监视机械系统的状况的方法在工业上具有巨大的意义。预见性的维护对防止旋转机器中的断裂是基本的,并且最广泛使用的诊断方法之一是振动分析,因为可以从声学信号和振动信号中提取用于检测机械缺陷的有用的模式。
检测旋转机械元件中的缺陷对于所述元件的维护是关键的,并且由于在工业应用中齿轮和轴承是最广泛使用的部件的事实,已经针对这些元件充分发展了这些监视技术。然而,如今,所应用的维护技术取决于部件而非常不同,并且对于机械元件例如铁路车轴,目前主要使用不同类型的超声波无损探伤技术。在该情况下,建立固定的间隔以便执行探伤,当执行探伤时,必须使机器在过程中停止运行,甚至移除车轮,这必然引起花费。此外,超声具有不能在包括部件中的变化的区域(其恰恰是最可能具有裂缝的区域)中提供非常高的成功率的缺点,并且在磁性粒子(另一种通用技术)的情况下,探伤设备的低自动化水平意味着该技术易受人为误差的影响。
与此相反,基于状况监视的技术具有无需停止以及拆除机器以检查其元件的状况的优势,并且此外在故障变得严重之前检测到故障的可能性增加,从而避免了损失并且增加了过程安全。在近几十年中,这两个原因已经将工业过程中的状况监视转变成大量研究项目的对象。
具体地涉及轴监视,自从二十世纪六十年代以来,已经使用缺陷轴和正常轴来对轴的动态行为进行了许多研究。然而,这样的研究通常不包括缺陷识别的逆过程。关于检测轴中的缺陷的问题,现有技术中存在的诊断方法可以被分为基于振动的方法、基于模态分析的方法以及非常规技术。
关于非常规方法,除了复杂的信号处理技术例如小波变换(WT)之外,在该领域中例如还包括使用智能分类系统例如神经网络和模糊逻辑的方法。实际上,小波变换(WT)是最广泛地用于信号处理的工具。小波变换的使用正在代替FFT的使用,因为小波变换能够通过包括关于时域的信息来消除常规技术的限制。因此,WT是用于处理非平稳信号的非常合适的工具,使其特别适用于机器中的缺陷技术,因为当在元件内出现裂纹时,在信号中产生仅考虑频域不能被检测到的瞬态效应。因此,在近些年,对于轴和其他重要机械元件例如轴承、齿轮以及包括结构元件的缺陷技术,小波变换已经变得更加重要。
在WT上取得的最新进步之一是具有大量应用的所谓的小波包变换(WPT)。该技术允许信号的所有频带的分解,这使得能够找到正常元件与缺陷元件之间的差异,这还使得能够增加或者降低用于研究信息的分辨率。虽然从WPT获得的系数可以直接用作用于缺陷检测的模式,因为系数对故障非常敏感,但是存在用于应用该技术并且使用与系数有关的其他类型的信息(例如信号或能量量度的统计参数)的许多替选方案。
用于诊断机器中的缺陷的现有技术设置有不同类型的人工分类器。人工分类器已经从初始的传统的(确定性的和概率性的)统计方法进步到:决策制定(decision making)、语法方法(syntactic approaches)或决策树;最近已经通过软件包发展并且源于早前的方法的其他方法,例如模糊群理论方法、遗传算法和连接算法(ANN:人工神经网络);以及包括所有前述的混合版本。如今,ANN已经成为对于工业有巨大意义的智能分类系统。
人工神经网络是受动物内的神经系统如何工作启发的自动学习和自动处理的示例。它是在合作产生输出刺激的网络中的互相连接的神经元的系统。在人工智能领域,它们通常被称作神经网络。基本神经单元的基本部分是:
●输入:刺激神经元的向量(pj)。其包括ANN要被施加到的现象(phenomenon)的最具代表性的数据(模式)。
●权重(weight):与网络中的神经元之间的连接中的每一个相关联的值(wj)。这样的权重的变化确定学习过程。
●激活函数:其负责根据总的输入来计算神经元的激活水平或者激活状态。其可能是最好地限定了神经元行为的神经元的主要特征。在不同的ANN架构中,最常用的激活函数是:Sigmoid函数,其获得区间[0,1]中的值;以及双曲正切函数,其获得区间[-1,1]中的值。
●网络函数或者传播函数:其计算神经单元的基线值或者总的输入。其相当于刺激或者抑制生物神经元的信号的组合。最广泛使用的网络函数是线性函数和二阶函数。对于线性网络函数,用于获得神经单元的输出的等式是:
●输出:根据对神经元的激活的神经元的输出值。在将ANN用于缺陷诊断过程的情况下,输出等于网络诊断。
采用层来组织神经元,其中层通过权重连接。基本的ANN具有至少三层神经元:输入层、一个或更多个隐藏层以及输出层。ANN的每个层包括被称作结点或者神经元的一组处理单元,其中处理单元以单向的方式将其自身的输出发送到下一层的所有结点。
在使用传统ANN时存在两个阶段:学习或者训练阶段,以及测试和/或使用阶段。在具有监督学习的ANN的情况下,训练包括呈现不同组的输入模式,其中输入模式的输出是已知的。网络以迭代误差最小化处理来调整层之间的连接(权重wj),直到使得所述网络遵守所建立的需求为止。存在用于调整构成不同网络配置的权重的不同算法。
根据前述,虽然到目前为止遍及现有技术已知的发明执行本发明的目标的功能,但是是以一种相当不可靠的并且低效率的方式来执行的,因为它们并非以最优的方式适于应用到旋转轴例如铁路车轴。因此,现有技术需要发展这些技术以允许执行对以下状况的可靠和自动的诊断而无须拆除轴并且停止其运行的缺点:轮组(检测是否存在故障/缺陷)连同形成滚动系统的一部分的剩余元件一起的状况。
发明内容
本发明涉及一种用于自动检测旋转轴中的故障的方法。该方法包括以下步骤:
a)借助于至少一个传感器从旋转轴获取振动信号;
b)借助于处理器在时域和频域中处理由传感器获取的信号,获得所获取的信号的能量量度作为所述处理的结果;
c)在处理器内将能量量度与之前建立的能量模式进行比较;
d)基于能量量度与之前建立的模式之间的比较来确定在旋转轴中是否存在任何故障。
根据本发明的一个实施方式,可以通过对所获取的信号施加小波包变换来执行步骤b)的处理。通过对所获取的信号施加小波包变换,本发明的方法预期选择用于所获取的信号的分解级别和母小波的可能性。
根据本发明的一个实施方式,能量模式分布在与所获取的信号的不同频带相对应的包内。
可选地,本发明的实施方式之一预期:检测之前从旋转轴获取的不同信号之间的一个并且相同频带内的能量的变化,以建立能量模式。
在本发明的实施方式之一中,借助于神经网络来执行对能量量度与之前建立的模式的比较。取决于本发明的不同实施方式,神经网络选自单向神经网络、用于模式识别的神经网络、多层感知器神经网络、径向基函数神经网络或概率神经网络。可以预期的是,增加额外的神经网络训练步骤的可能性,其中,将输出结果已知的信号用作神经网络的输入。可选地,该方法可以包括:在获得的命中率小于某一阈值的情况下,增加所获取的信号的分解级别。
本发明的实施方式之一预期以下可能性:旋转轴是安装在铁路车上的铁路车轴,其中所述铁路车在运动中。
换言之,铁路车或者滚动系统包括铁路车的旋转轴或者旋转元件,其中,旋转轴或者旋转元件与通常被包括在所述铁路车或者滚动系统中的剩余元件一起装配。
根据本发明的实施方式之一,可以将通过本发明的方法在旋转轴中检测到的故障或者缺陷按照不同严重级别进行分类。例如,严重级别可以对应于在铁路车轴中检测到的裂缝或者裂纹的深度。
本发明的第二方面涉及一种用于自动检测旋转轴中的故障的系统。该系统包括:
-传感器,其被配置成用于从旋转轴获取振动信号;
-处理器,其与传感器通信,该处理器被配置成用于:在时域和频域内分析信号;获得所述信号的能量量度;将能量量度与之前建立的能量模式进行比较;以及根据能量量度与之前建立的模式的比较来确定在旋转轴中是否存在任何故障。
本发明的系统的可能实施方式预期以下可能性:旋转轴是铁路车轴。
根据本发明的特定实施方式,用于从旋转轴获取振动信号的传感器是加速计。所述加速计可以安装到例如连接到研究中的铁路车轴的润滑油箱内。
本发明的最后方面涉及一种包括程序代码装置的计算机程序,所述程序代码装置适于当在通用处理器、数字信号处理器、FPGA、ASIC、微处理器、微控制器或任何其他形式的可编程硬件中运行所述程序时执行本发明的方法的步骤。
因此,根据所描述的发明,通过本发明提出的方法和系统是对直到现在仍在使用的主要应用于铁路车轴的用于诊断和检测旋转轴中的故障的方法的改进。因此,上述缺点通过预测轴的磨损(wear)的方式以及接着的由于过程优化和效率所带来的成本降低而以完全令人满意的方式被解决,其中,借助于检测处于不同严重级别的故障来预测轴的磨损,而不必在对轴进行探伤时拆除轴或使机器停止工作,所述探伤利用与机器的操作和维护相关联的随后的操作改进被自动完成,并且以上所有均不需要任何特殊的操作者技术并且不存在任何使用困难。
附图说明
为了补充所作的描述并且出于帮助根据本发明的优选实际实施方式来更好地理解本发明的特征的目的,附上一组附图作为所述描述的组成部分,其中已经通过说明性的而非限制性的附图标记来描述了下述附图:
图1示出了所提出的发明的示图。
图2示出了小波变换的应用的示图。
图3示出了当信号通过离散小波变换滤波器时信号的分解的示图。
图4示出了借助于小波包的分析中的三级分解树。
图5a示出了根据本发明的特定示例的信号的在不同分解级别上的能量的分布。
图5b示出了针对图5a中所使用的相同信号的在分解级别3中的能量分布。
图6示出了所提出的发明的步骤的一般示图。
图7a示出了来自20Hz处的正常轴的信号的小波包的能量模式。
图7b示出了来自20Hz处的缺陷轴的信号的小波包的能量模式。
具体实施方式
考虑到上述附图,可以看到本发明的可能实施方式之一如何提出将无损方法和系统用于检测以低转速旋转的轴中的故障,该方法和系统基本应用于铁路车的轮组(其包括轴)。其基于状况监视,并且将本发明应用于铁路车轴的优势在于不必拆除这样的轴用于探伤。
在时域和频域中连续地监视并且处理所发出的振动,选择允许被用作智能分类系统中的输入信息的最佳参数。
基于振动测量的技术尤其包括以实验和分析两种方式来获得信号的技术。当缺陷出现时,寻找在这些元件的动态分析中所观察到的现象(例如在关键轴速度次谐波和旋转速度谐波中观察到的某些不稳定性)以用于缺陷检测。然而,尽管这些效果在理论上是显然的,但是实际上缺陷的早期检测不是简单的任务,并且检测率通常低于25%。
本发明使用借助于WPT计算的能量来代替MRA分析的典型最佳的系数。因此,所提出的发明是基于从振动信号(其在研究的旋转轴的正常运行期间被获得,而无需拆除旋转轴)获得WPT能量。选择最优模式以借助于神经网络来将其分类。目前,已经使用1/5比例的RTK-01原型实验工作台成功地测试了本发明。
图1示出了显示本发明的操作的所提出的发明的示图。根据特定实施方式,所提出的发明提供了对作为研究的机械系统的一部分的旋转轴(在这种情况下为铁路车(2)轴)的状况的恒定诊断(1),其中本发明具有不必拆除车轴的优势,因为在车轴的正常运行期间借助于传感器(4)例如加速计来获取振动信号(3),其中信号通过采集系统(5)被采集并且被发送到信号处理器(6)。在处理信号并且施加小波包变换以获得信号的能量量度(7)之后,所述信号被引入到以更早的样本训练过的神经网络(8)中,以用于取决于轴的状况来比较信号并且对信号进行分类。以非常高的成功率自动识别检测到的故障。
为了将用于监视齿轮和轴承的方法应用到铁路车轴(其是极其关键的元件)的情况,已经根据本发明的不同实施方式进行了对数个函数的研究,以确定轴中存在的缺陷例如裂缝或者裂纹的最佳指标。
在现有技术中最广泛研究的函数一方面是统计参数(例如平均值、中值、标准差、偏差、峰值、均方根、最小值、最大值、峰峰值、峰值、形状因数或者波峰因数),而另一方面是信号的表示,其中信号的表示允许在时域和频域二者中均对其进行研究。
关于频域表示,它们已经传统地用于检查频率峰,其中由于缺陷的存在,幅度被改变或者频率峰被移动。这是因为结构元件中的裂缝的存在降低了结构元件的刚性,因此自然频率降低并且振动模式改变。自然频率的研究始终是寻找机械元件中的损坏的指标的第一步,因为可以以快速并且简单的方式来测量自然频率,并且自然频率经历非常小的由实验噪声引起的污染。通过依据频带进行彻底的分析来检测指示缺陷存在的某些频带中的能量的差异,但是该技术的主要缺点在于:当缺陷发生时,自然频率的变化非常小并且可能由于实验误差而被掩盖。
然而,在本发明中,由于不观察振动模式,而是观察在与旋转轴相关联的机器的正常运动期间发生的响应信号,因此将包括噪声缺点。
关于在时域和频域中描述信号的函数,小波变换非常突出并且被选择用于本发明。这样的变换是用于检测机械元件内的缺陷的非常合适的数学工具。小波变换的最大的优势之一是其允许在多分辨率模式下工作,这允许在具有快速瞬态的非平稳信号中有效地定位局部现象。正如通过傅里叶变换来获得正弦信号分量的频率系数那样,通过小波变换来获得信号与被称作母小波的函数之间的相关系数。此外,所述相关系数取决于母小波的尺度(scale)和位置。由于母小波的形态而选择母小波,因为其更类似于在缺陷存在的情况下信号中产生的效果。
在针对本发明进行的试验中,在实施方式中的一个中选择母小波集,以评估哪个母小波集与所评估的缺陷具有最高的相关性。可以确定的是,Daubechies小波族,特别是Daubechies小波6,是最匹配的一个。
连续小波变换(CWT)是将每个有限能量信号与根据该信号适当地选择的被称作母小波(21)的特定函数相关联的线性算符。如图2中所看到的那样,当选择了瞬间尺度(instant scale)和观察尺度时,CWT允许通过相关系数(22)来分析信号的结构,而非将信号(23)作为整体进行分析。
连续小波变换的优势在于,其是用于对以下信号进行检测、表征和分类的非常有用的工具:具有复杂的谱特性、瞬态成分以及与非平稳信号有关的其他属性的信号。
连续小波变换的数学公式如下:
其中,X(t)是瞬态信号并且ψ是母小波函数,w(a)是权重函数。在式(1)中,b与定位有关,而a与尺度有关。权重函数用于能量守恒的目的(假设小波在每个尺度将具有相同的能量)。T(a,b)是取决于每个尺度a和位移b的小波系数。小波的共轭与信号的乘积在信号的整个范围内积分,这在数学上被称为卷积。
基于连续小波变换的定义,使用离散小波变换是习惯作法。这是由于它们的计算效率以及由于经常使用离散数据信号的事实。使CWT离散的最常见方面是使用二阶网格(dyadic grid),其中a=2i。在这种情况下,变换通过如下被确定:
每个i被称为倍频程(octave)并且包括信号被分解的级别中的每一个。低尺度考虑低频率,而高尺度考虑较高频率。当使用正交小波时,通常使用被称作抽取方法的方法。该方法包括将信号分解为与分析的尺度成比例的若干系数。这表示信号在每个尺度上将会有不同数目的系数。从物理上而言,这反映了以下事实:信号的较低频率需要较少的系数以进行表示。
多分辨率分析(MRA)和小波包变换(WPT)分析二者都是离散小波变换的扩展,其中,如图3所示,在不同频带处并且利用不同的分辨率处理离散信号X,在该情况下利用低通递归滤波器(35)和高通递归滤波器(34)将信号分解为近似信息(32)和细节信息(33)。
近似包括关于高尺度和低频率成分的信息,而细节包括低尺度和高频率的信息。
MRA方法与借助于WPT的分析之间的主要区别根本在于:在MRA分析中,只有近似参数被分解,因此丢失了细节信息以及关于近似细节的信息,而在借助于WPT的分析中,细节和近似二者在级别中的每一个中均被分解。
图4示出了借助于WPT分析的信号的3级分解树,其中考虑了近似和细节二者的所有分解。在所述附图中,分解系数向量以W(k,j)的形式被表示为节点位置,其中k表示分解级别(在这种情况下,k=0、1、2、3),并且j表示在其分解级别之内的结点的位置。结点W(0,0)表示原始信号。
在该情况下,除了近似和细节系数在该情况下均被分解之外,分解算法与多分辨率分析相同。因此,如果每个相关系数向量W(k,j)具有如下形式:
W(k,j)={w1(k,j),...,wN(k,j)}={wi(k,j)} (式3)
则在该情况下信号重组必须根据如下等式将与级别3相对应的8个系数向量(包)W(3,j)考虑进去:
在小波包分析中使用的能量的概念与源于傅里叶理论的已知观点紧密联系。根据每个包的系数的平方和来获得小波包能量:
Ek,j=∑i|wi(k,j)|2 (式5)
为了获得相对能量,计算在分解小波之前的信号的总的能量:
Etotal=∑jEk,j (式6)
最后,每个小波包j在分解级别k中的相对能量被定义为:
其中Σjek,j=1 (式7)
图5示出了借助于WPT分析获得的示例信号在不同分解级别(图5a)中以及特别地在级别3(图5b)中的能量分布的百分比。
根据本发明的不同测试,从按照1/8比例的铁路车轴(其在被称为ROTOKIT的测试平台中测试)获得信号。使用加速计获得的研究信号来自正常轴和具有数种缺陷程度(例如直径的16%、33%以及50%)的轴,并且处于不同的测试速度(20Hz、40Hz以及60Hz)。考虑第一近似作为用于小波包能量分类系统的最优函数,因为已经确定其对于研究机械元件中的缺陷是最相关的,并且其允许在不丢失相关信息的情况下减少要进入到分类系统中的数据片的数目。
图6描绘了通过本发明提出的方法的完整示图。图6示出了如下步骤:
●输入(61):对应于来自要被监视的系统(例如使用Rotokit系统或者真实系统)的信息的采集。借助于传感器,或者更具体地借助于加速器,来获取振动信号。
●处理信号(62):提取关于轴的状况的相关信息。在这一步将执行信号滤波和调节,并且将从获取到的信号提取能量模式。
●分类器系统(63):这涉及选择最有希望的系统以及最合适的配置。
系统输出(64)产生对应于轴实际运行状况的诊断。正常轴/缺陷轴的状况用于第一近似中,并且由于借助于系统训练在输入处获得更多信息,所以根据之前建立的不同的严重级别来从轻微到严重执行故障状况的辨别。
如前面所说明的那样,选择用于执行比较以及/或者分类的最优函数是小波包能量。如图7a和7b所示,明显地,非常易于比较能量模式之间的差异。所述附图对应于平均包能量值,所述平均包能量值是处理在具有以20Hz旋转的系统的两个试验中获得的信号的结果,其中,系统具有正常轴和缺陷深度小于半径的33%的轴。关于小波分解,已经利用Daubechies母小波6来执行了3级分解。在该示例中可以看出,在轴无缺陷的情况下,信号的能量基本集中于包2和包4。当轴中出现缺陷时,所述能量分散在剩余包中。
对于分类以及与模式相比较的任务,本发明使用人工神经网络(ANN)架构。已经执行了来自所有可能性中的不同测试,以借助于运行不同的测试来确定哪个对于轴中故障检测的特定情况而言是最适合。
根据本发明的实施方式之一,已经使用从Daubechies母小波6获得的并且具有等于3的分解级别的小波包的能量作为测试情况下的模式。换言之,如图7中描述的那样,对应于八个包(23)的八个能量级别被呈现给神经网络作为输入。
已经使用集成在easy-to-apply MATLABTM工具箱中的两种类型的多层ANN进行了测试,这将允许研究这样的分类系统对于铁路车轴的特定情况的适用性。这些是前馈型网络和模式识别网络:
-前馈ANN(单向的)是在其隐藏层中具有sigmoid类型的激活函数的多层神经网络。其之所以被称为前馈是因为信息被向前传送并且没有任何类型的反馈。
使用来自利用系统(模式)获得的信号的小波包的八个能量值来训练该神经网络。在下面示出的特定示例中,使用对应于正常轴和缺陷轴(相对于轴直径的16%的裂纹深度)的1000个信号。所述信号的75%用于训练网络,而剩余的25%(400个8维模式向量)被呈现至已经训练过的网络作为验证系统。在该网络配置中,8个神经元被用于输入层(对应于模式向量的维数)中,5个神经元被用于隐藏层中,并且1个神经元被用于对应于分类结果的输出层中。在该第一近似中,选择以下响应:0,用于正常轴;以及1,用于缺陷轴。
可以在试验结果中看到误差收敛。在26次迭代中,算法收敛于所建立的值;然而,在第20次迭代中实现了最优在前验证值,其中误差为0.0158。与此相比,一旦网络已经经过了训练,则当向网络呈现要被分类的新的模式时,获得84.25%的成功率。此外,当向网络呈现缺陷轴时,所提出的算法具有100%的成功率。
-模式识别ANN:这样的网络具有与先前网络相同的架构,区别在于所使用的激活函数的类型、训练算法以及由MATLABTM工具提供的用于定制网络本身的可能性。在相同的训练和验证条件(使用相同的信号)下,所获得的结果是79.5%的分类成功率。
使用上面描述的两个简单ANN配置的训练所获得的良好结果使得将相同的概念应用于被广泛应用于分类领域的其他更复杂和更灵活的网络(例如多层感知器(MLP)网络、径向基函数(RBF)网络以及概率神经网络(PNN))是明显的步骤。
Claims (15)
1.一种用于自动检测旋转轴中的故障的方法,所述方法的特征在于其包括以下步骤:
a)借助于至少一个传感器从所述旋转轴获取振动信号;
b)借助于处理器在时域和频域中处理由所述传感器获取的信号,获得所获取的信号的能量量度作为所述处理的结果;
c)在所述处理器中将所述能量量度与之前建立的能量模式进行比较;
d)基于所述能量量度与之前建立的模式之间的比较来确定在所述旋转轴中是否存在任何故障。
2.根据权利要求1所述的方法,其中,步骤b)的处理包括对所获取的信号施加小波包变换。
3.根据权利要求2所述的方法,其中,对所获取的信号施加小波变换进一步包括选择用于所获取的信号的分解级别和母小波。
4.根据前述权利要求中任一项所述的方法,其中,所述能量模式分布在与所获取的信号的不同频带相对应的包内。
5.根据前述权利要求中任一项所述的方法,其中,所述方法进一步包括:检测之前从所述旋转轴获得的不同信号之间的一个并且相同频带内的能量的变化,以建立能量模式。
6.根据前述权利要求中任一项所述的方法,其中,借助于神经网络来执行对所述能量量度与之前建立的模式之间的比较。
7.根据权利要求6所述的方法,其中,所述神经网络选自单向神经网络、用于模式识别的神经网络、多层感知器神经网络、径向基函数神经网络或概率神经网络。
8.根据权利要求7所述的方法,进一步包括神经网络训练步骤,其中,将输出结果已知的信号用作所述神经网络的输入。
9.根据权利要求8所述的方法,其中,在所述训练步骤期间,所述方法进一步包括:在获得的成功率低于某一阈值的情况下,增加所获取的信号的分解级别。
10.根据前述权利要求中任一项所述的方法,其中,所述旋转轴是安装在铁路车上的铁路车轴,其中所述铁路车在运动中。
11.根据前述权利要求中任一项所述的方法,进一步包括:将在所述旋转轴中检测到的故障按照不同的严重级别进行分类。
12.一种用于自动检测旋转轴中的故障的系统,所述系统的特征在于其包括:
-传感器,其被配置成用于从所述旋转轴获取振动信号;
-处理器,其与所述传感器通信,所述处理器被配置成用于:在时域和频域内分析信号;获得所述信号的能量量度;将所述能量量度与之前建立的能量模式进行比较;以及根据所述能量量度与之前建立的模式的比较来确定在所述旋转轴中是否存在任何故障。
13.根据权利要求12所述的系统,其中,所述传感器是加速计。
14.根据权利要求13或14中任一项所述的系统,其中,所述旋转轴是铁路车轴。
15.一种包括程序代码装置的计算机程序,所述程序代码装置适于当在通用处理器、数字信号处理器、FPGA、ASIC、微处理器、微控制器或任何其他形式的可编程硬件中运行所述程序时执行根据权利要求1至11中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ESP201430606 | 2014-04-24 | ||
ES201430606A ES2549652B1 (es) | 2014-04-24 | 2014-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
PCT/ES2015/070348 WO2015162331A1 (es) | 2014-04-24 | 2015-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106796579A true CN106796579A (zh) | 2017-05-31 |
Family
ID=54331794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580027222.5A Pending CN106796579A (zh) | 2014-04-24 | 2015-04-24 | 用于自动检测旋转轴上的缺陷的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170052060A1 (zh) |
EP (1) | EP3136255A4 (zh) |
CN (1) | CN106796579A (zh) |
ES (1) | ES2549652B1 (zh) |
WO (1) | WO2015162331A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457823A (zh) * | 2019-08-13 | 2019-11-15 | 大连民族大学 | 超弹性圆柱薄壳强非线性振动的mlp方法 |
CN113557420A (zh) * | 2019-03-14 | 2021-10-26 | 西门子股份公司 | 基于专家知识的用于旋转机器的自动健康状态分类器 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3435246B1 (en) * | 2017-07-24 | 2024-08-14 | Tata Consultancy Services Limited | System and method for signal analysis |
EP3489641B1 (en) * | 2017-11-27 | 2024-04-17 | Goodrich Actuation Systems Limited | Improved system for detecting a mechanical fault in a rotating shaft |
CN108416294B (zh) * | 2018-03-08 | 2022-04-01 | 上海天数智芯半导体有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
JP6526362B1 (ja) * | 2018-03-13 | 2019-06-05 | 三菱電機株式会社 | 故障度算出装置及び故障度算出システム |
CN109446671B (zh) * | 2018-11-01 | 2022-09-16 | 上海海事大学 | 一种水下推进器小波神经网络故障预测方法及装置 |
CN109506907B (zh) * | 2018-11-06 | 2020-05-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN109765055B (zh) * | 2019-01-31 | 2020-11-10 | 杭州安脉盛智能技术有限公司 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学(武汉) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
CN113678074A (zh) * | 2019-03-26 | 2021-11-19 | 杰富意钢铁株式会社 | 工艺状态监视装置以及工艺状态监视方法 |
EP3832417A1 (en) * | 2019-12-05 | 2021-06-09 | Elmos Semiconductor SE | Method for the detection of a state of a system |
CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
CN112395968B (zh) * | 2020-11-11 | 2021-08-27 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
CN112583139B (zh) * | 2020-12-17 | 2023-06-09 | 无锡职业技术学院 | 基于模糊rbf神经网络的wpt系统的频率跟踪方法 |
US20240061098A1 (en) * | 2021-01-19 | 2024-02-22 | Massachusetts Institute Of Technology | Radio frequency cyber physical sensing modes for non-invasive faults diagnosis of rotating shafts |
CN113123956B (zh) * | 2021-04-07 | 2023-02-28 | 郑州恩普特科技股份有限公司 | 一种水泵水锤故障诊断方法 |
CN115496993B (zh) * | 2022-09-09 | 2023-07-14 | 锋睿领创(珠海)科技有限公司 | 基于频域融合的目标检测方法、装置、设备及存储介质 |
WO2024116637A1 (ja) * | 2022-11-30 | 2024-06-06 | パナソニックIpマネジメント株式会社 | 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法 |
CN116310599B (zh) * | 2023-05-17 | 2023-08-15 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
CN117191952B (zh) * | 2023-11-06 | 2024-01-23 | 中冶建筑研究总院有限公司 | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6382029B1 (en) * | 2000-03-07 | 2002-05-07 | The United States Of America As Represented By The Secretary Of Commerce | Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials |
US6675164B2 (en) * | 2001-06-08 | 2004-01-06 | The Regents Of The University Of California | Parallel object-oriented data mining system |
US20040022436A1 (en) * | 2001-03-16 | 2004-02-05 | Paul Patti | System and method for data analysis of x-ray images |
US20060069520A1 (en) * | 2004-09-28 | 2006-03-30 | Dimitry Gorinevsky | Structure health monitoring system and method |
US20110023610A1 (en) * | 2009-08-03 | 2011-02-03 | Georgia Tech Research Corporation | Methods and systems for classifying the type and severity of defects in welds |
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN103235649A (zh) * | 2013-05-09 | 2013-08-07 | 上海工程技术大学 | 一种基于mems加速度计的三维无线输入装置 |
CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6857553B1 (en) * | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
KR100623634B1 (ko) * | 2003-09-22 | 2006-09-13 | 김형윤 | 구조물의 건전상태 감시방법 |
-
2014
- 2014-04-24 ES ES201430606A patent/ES2549652B1/es not_active Expired - Fee Related
-
2015
- 2015-04-24 WO PCT/ES2015/070348 patent/WO2015162331A1/es active Application Filing
- 2015-04-24 CN CN201580027222.5A patent/CN106796579A/zh active Pending
- 2015-04-24 EP EP15782634.8A patent/EP3136255A4/en not_active Withdrawn
- 2015-04-24 US US15/306,472 patent/US20170052060A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6382029B1 (en) * | 2000-03-07 | 2002-05-07 | The United States Of America As Represented By The Secretary Of Commerce | Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials |
US20040022436A1 (en) * | 2001-03-16 | 2004-02-05 | Paul Patti | System and method for data analysis of x-ray images |
US6675164B2 (en) * | 2001-06-08 | 2004-01-06 | The Regents Of The University Of California | Parallel object-oriented data mining system |
US20060069520A1 (en) * | 2004-09-28 | 2006-03-30 | Dimitry Gorinevsky | Structure health monitoring system and method |
US20110023610A1 (en) * | 2009-08-03 | 2011-02-03 | Georgia Tech Research Corporation | Methods and systems for classifying the type and severity of defects in welds |
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
CN103235649A (zh) * | 2013-05-09 | 2013-08-07 | 上海工程技术大学 | 一种基于mems加速度计的三维无线输入装置 |
Non-Patent Citations (2)
Title |
---|
XL YU等: "Fault detection method for the rolling bearings of metro vehicle based on RBF neural network and wavelet packet transform", 《IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT RAIL TRANSPORTATION PROCEEDINGS》 * |
潘丽莎等: "基于小波包和 RBF 神经网络的轨道车辆滚动轴承故障诊断", 《铁路计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113557420A (zh) * | 2019-03-14 | 2021-10-26 | 西门子股份公司 | 基于专家知识的用于旋转机器的自动健康状态分类器 |
CN110457823A (zh) * | 2019-08-13 | 2019-11-15 | 大连民族大学 | 超弹性圆柱薄壳强非线性振动的mlp方法 |
CN110457823B (zh) * | 2019-08-13 | 2023-06-02 | 大连民族大学 | 超弹性圆柱薄壳强非线性振动的mlp方法 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3136255A4 (en) | 2018-01-17 |
ES2549652A1 (es) | 2015-10-30 |
ES2549652B1 (es) | 2016-10-07 |
US20170052060A1 (en) | 2017-02-23 |
WO2015162331A1 (es) | 2015-10-29 |
EP3136255A1 (en) | 2017-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106796579A (zh) | 用于自动检测旋转轴上的缺陷的方法和系统 | |
Dibaj et al. | A hybrid fine-tuned VMD and CNN scheme for untrained compound fault diagnosis of rotating machinery with unequal-severity faults | |
Hajnayeb et al. | Application and comparison of an ANN-based feature selection method and the genetic algorithm in gearbox fault diagnosis | |
Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
EP3186598B1 (en) | Monitoring of a device having a movable part | |
Zhang et al. | Ensemble deep contractive auto-encoders for intelligent fault diagnosis of machines under noisy environment | |
CN109975013B (zh) | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 | |
Wuxing et al. | Classification of gear faults using cumulants and the radial basis function network | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Wang et al. | Fuzzy diagnosis method for rotating machinery in variable rotating speed | |
Luo et al. | A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension | |
Boumahdi et al. | On the extraction of rules in the identification of bearing defects in rotating machinery using decision tree | |
Su et al. | Hierarchical diagnosis of bearing faults using branch convolutional neural network considering noise interference and variable working conditions | |
CN108254179A (zh) | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 | |
CN105956514A (zh) | 一种振动数据驱动的直升机旋翼异常检测方法 | |
CN107101829A (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
Shah et al. | An evolving neuro-fuzzy classifier for fault diagnosis of gear systems | |
Patel et al. | Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks | |
Babouri et al. | Rolling bearing faults severity classification using a combined approach based on multi-scales principal component analysis and fuzzy technique | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
Desmet et al. | Leak detection in compressed air systems using unsupervised anomaly detection techniques | |
Zhang et al. | Discriminative sparse autoencoder for gearbox fault diagnosis toward complex vibration signals | |
Yang et al. | Health condition evaluation method for motorized spindle on the basis of optimised VMD and GMM-HMM | |
Lv et al. | A new performance degradation evaluation method integrating PCA, PSR and KELM | |
Manghai et al. | Brake fault diagnosis through machine learning approaches–a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |