CN107782551B

CN107782551B - 一种机械部件损伤程度的评估方法

Info

Publication number: CN107782551B
Application number: CN201711034070.9A
Authority: CN
Inventors: 谭晓栋
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2017-10-30
Filing date: 2017-10-30
Publication date: 2020-10-23
Anticipated expiration: 2037-10-30
Also published as: CN107782551A

Abstract

本发明公开了一种机械部件损伤程度的评估方法，该评估方法包括如下步骤：使用测点采集不同严重程度故障对应的原始数据；使用时域、频域及时频域结合方法提取故障增长特征，采用函数拟合故障增长趋势，建立测点描述的故障增长趋势曲线；分析不同测点描述的故障增长趋势曲线，选择对故障跟踪能力最大的测点数据；采用对故障跟踪能力最大的测点采集的数据作为损伤评估算法的输入，经过模型训练和智能推理流程评估当前时刻机械部件的损伤程度。通过分析不同测点数据对故障增长过程的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤程度评估方法的输入，能有效减小无效、冗余数据对损伤程度评估的影响，提高评估的准确度和精度。

Description

一种机械部件损伤程度的评估方法

技术领域

本发明涉及一种评估方法，具体是一种机械部件损伤程度的评估方法，属于机电系统技术领域。

背景技术

在机械系统的运行阶段，若不考虑维修措施，机械部件从正常状态到功能失效状态是一个损伤程度不断增长且不可逆转的过程。由于机械系统复杂的功能结构特点，导致通过传感器或检测设备采集的原始数据极易受到振动噪声干扰、信号传递耦合等因素的影响。

为了有效评估机械部件的损伤程度，采集的原始数据必须包含丰富的损伤增长信息，这些信息涉及两方面：一方面，不同损伤程度下采集的原始数据的特征之间具有显著的距离，以确保更敏感、准确的评估不同损伤状态下机械部件的损伤程度，提高损伤评估的准确度；另一方面，随着机械部件损伤程度不断增长变化，原始数据的特征也呈现单调变化，如随着损伤程度的增加，特征单调递增或者单调递减，以确保特征能有效刻画机械部件整个损伤增长过程，提高损伤评估的精度。

目前，现有技术中存在的机械部件损伤评估方法主要集中在数据处理、特征提取和诊断方法等方面，具体而言是采用时域、频域或时频域结合的方法从复杂噪声干扰的原始信号中提取故障特征，进而采用智能算法辨识机械部件的损伤状态。然而，现有技术中存在的机械部件损伤评估方法没有从数据采集的源头上考虑如何获取以上所述的损伤增长信息，导致以下三个问题：第一，不同损伤程度下的数据特征区别小、间距近，很难有效评估部件的损伤程度，尤其在部件损伤的早期阶段，正常状态和早期损伤状态的数据特征关系模糊，导致损伤评估准确度低；第二，在整个部件损伤过程中，随着部件损伤程度的增长，数据的特征的总体趋势呈现波动、随机变化，采集的原始数据信息不能有效刻画整个损伤增长过程，导致整个损伤过程的评估精度低；第三，将大量与损伤增长信息无关的无效数据作为评估算法的输入，导致了评估时间长、效率低。

发明内容

针对上述现有技术存在问题，本发明提供一种机械部件损伤程度的评估方法，该评估方法能够克服现有机械部件损伤评估方法缺少分析原始数据对故障增长过程跟踪的有效度分析，导致评估准确度和精度低、评估时间长、效率低等缺陷，创造性地提出了一种基于故障增长趋势分析的机械部件损伤程度评估方法，该方法主要针对机电系统中典型机械部件(如轴承、齿轮、轴等)，其通过分析不同测点采集数据对故障增长的跟踪能力，选择能敏感、稳定地感知故障增长过程的测点数据作为损伤评估算法的输入，确保有效提高损伤程度评估的准确度和精度。

本发明通过以下技术方案来实现上述目的：一种机械部件损伤程度的评估方法，该评估方法包括如下步骤：

1)使用测点采集不同严重程度故障对应的原始数据；

2)使用时域、频域及时频域结合方法提取故障增长特征，采用函数拟合故障增长趋势，建立测点描述的故障增长趋势曲线；

3)分析不同测点描述的故障增长趋势曲线，选择对故障跟踪能力最大的测点数据；

4)采用对故障跟踪能力最大的测点采集的数据作为损伤评估算法的输入，经过模型训练和智能推理流程评估当前时刻机械部件的损伤程度。

进一步，所述步骤1)中，根据系统功能结构、故障传播特点和状态监控要求，初步部署测点T_I＝{t₁,t₂,t₃,...,t_M}，M为测点总数，采集系统从正常状态到出现故障状态下的故障增长原始数据O＝{O₁,O₂,O₃,...,O_i,...,O_M}，其中O_i为第i个测点t_i采集的故障增长数据，O_i＝{x_i(1),x_i(2),x_i(3),...,x_i(k),...,x_i(K)}，x_i(k)为测点t_i采集的第k时刻的数据。

进一步，所述步骤2)中，建立故障增长趋势曲线，步骤如下：

Step1：使用式(1)对原始数据O进行预处理：

式中，x_i(k)为测点t_i采集的第k时刻的数据，μ_i和σ_i分别为x_i(k)的均值和标准差；

Step2：利用时频统计指标提取原始数据O的故障特征E＝{E₁,E₂,E₃,...,E_i,...,E_M}，使用式(2)对E进行归一化处理：

式中，E_i为原始数据O_i的特征向量，E_max为特征向量E中的最大值，E_min为特征向量E_i中的最小值，

为特征向量E_i归一化后的向量；

Step3：使用式(3)将特征向量E_i综合为一个综合损伤指标SDI_i：

Step4：采用常用的函数拟合故障增长趋势，建立各个测点描述的故障增长趋势曲线Φ₁,Φ₂,Φ₃,...,Φ_i,...,Φ_M。

进一步，计算各个测点对故障的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤评估方法的输入，步骤如下：

Step1：使用式(4)计算测点t_i对故障增长过程Φ_i的稳定度τ_i：

式中，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长曲线Φ_i的第k₁，k₂个观测点，N为故障增长曲线Φ_i所有观测点的总数；sign(x)为符号函数，在数学和计算机运算中，其功能是取某个数的符号：表示当自变量x>0时，函数值为1，自变量x＝0时，函数值为0，自变量x<0时，函数值为-1；

Step2：使用式(5)计算测点t_i对故障增长过程Φ_i的灵敏度β_i：

式中，Φ_i(1)表示正常状态时的第i个特征的输出值，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长曲线Φ_i的第k₁，k2个观测点，N为故障增长曲线Φ_i所有观测点的总数；median为中值函数，返回给定数值的中值；

Step3：使用式(6)计算第i个测点t_i对故障的跟踪能力TOF_i

式中，τ_i为测点t_i对故障增长过程的稳定度，β_i为测点t_i对故障增长过程的灵敏度；

Step4：使用式(7)选择对故障跟踪能力最大的测点t*采集的数据作为损伤程度评估的数据输入，

式中，TOF_i为测点t_i对故障的跟踪能力，

为最大跟踪能力TOF_i对应的测点。

进一步，所述步骤4)中，使用智能辨识算法评估损伤程度步包括步骤：

Step1：使用测点t*已采集的数据作为训练样本，训练不同损伤状态对应的损伤评估模型；

Step2：使用测点t*采集当前时刻机械部件的原始数据，提取故障增长特征，作为智能辨识算法的输入；

Step3：使用智能算法的推理过程，输出当前时刻对应的损伤状态。

本发明的有益效果是：通过分析不同测点数据对故障增长过程的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤程度评估方法的输入，能有效减小无效、冗余数据对评估的影响，提高损伤程度评估的准确度和精度。

附图说明

图1为本发明整体流程示意图；

图2为本发明实施例中测点t₁采集的四种故障状态下的原始数据示意图；

图3为本发明实施例中测点t₂采集的四种故障状态下的原始数据示意图；

图4为本发明实施例中测点t₃采集的四种故障状态下的原始数据示意图；

图5为本发明实施例中轴承故障增长趋势曲线Φ₁示意图；

图6为本发明实施例中轴承故障增长趋势曲线Φ₂示意图；

图7为本发明实施例中轴承故障增长趋势曲线Φ₃示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示：一种机械部件损伤程度的评估方法，该评估方法包括：

第一：使用测点采集不同严重程度故障对应的原始数据。

通过各个测点采集故障增长的原始数据，步骤如下：

根据系统功能结构、故障传播特点和状态监控要求，初步部署测点T_I＝{t₁,t₂,t₃,...,t_M}，M为测点总数，采集系统从正常状态到出现故障状态下的故障增长原始数据O＝{O₁,O₂,O₃,...,O_i,...,O_M}，其中O_i为第i个测点t_i采集的故障增长数据，O_i＝{x_i(1),x_i(2),x_i(3),...,x_i(k),...,x_i(K)}，x_i(k)为测点t_i采集的第k时刻的数据。

第二：使用时域、频域及时频域结合方法提取故障增长特征，采用常用的函数(如多项式函数、指数函数、双指数函数、高斯函数等)拟合故障增长趋势，建立测点描述的故障增长趋势曲线。

建立故障增长趋势曲线，步骤如下：

Step1：使用式(1)对原始数据O进行预处理：

式中，x_i(k)为测点t_i采集的第k时刻的数据，μ_i和σ_i分别为x_i(k)的均值和标准差。

Step2：利用时频统计指标(如：均方根、峭度指标、EMD等)提取原始数据O的故障特征E＝{E₁,E₂,E₃,...,E_i,...,E_M}，使用式(2)对E进行归一化处理：

为特征向量E_i归一化后的向量。

Step3：使用式(3)将特征向量E_i综合为一个综合损伤指标SDI_i：

Step4：采用常用的函数(如多项式函数、指数函数、双指数函数、高斯函数等)拟合故障增长趋势，建立各个测点描述的故障增长趋势曲线Φ₁,Φ₂,Φ₃,...,Φ_i,...,Φ_M。

第三：分析不同测点描述的故障增长趋势曲线，选择对故障跟踪能力最大的测点数据。

计算各个测点对故障的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤评估方法的输入，步骤如下：

Step1：使用式(4)计算测点t_i对故障演化过程Φ_i的稳定度τ_i：

式中，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长曲线Φ_i的第k₁，k₂个观测点，N为故障增长曲线Φ_i所有观测点的总数；sign(x)为符号函数，在数学和计算机运算中，其功能是取某个数的符号(正或负)：表示当自变量x>0时，函数值为1，自变量x＝0时，函数值为0，自变量x<0时，函数值为-1。

Step2：使用式(5)计算测点t_i对故障增长过程Φ_i的灵敏度β_i：

式中，Φ_i(1)表示正常状态时的第i个特征的输出值，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长曲线Φ_i的第k₁，k2个观测点，N为故障增长曲线Φ_i所有观测点的总数；median(number1,number2,…)为中值函数，返回给定数值的中值。

Step3：使用式(6)计算第i个测点t_i对故障的跟踪能力TOF_i

式中，τ_i为测点t_i对故障增长过程的稳定度，β_i为测点t_i对故障增长过程的灵敏度。

Step4：使用式(7)选择对故障跟踪能力最大的测点t*采集的数据作为损伤程度评估的数据输入。

式中，TOF_i为测点t_i对故障的跟踪能力，

为最大跟踪能力TOF_i对应的测点。

第四：采用对故障跟踪能力最大的测点采集的数据作为损伤评估算法的输入，经过模型训练、智能推理等流程评估当前时刻机械部件的损伤程度。

使用智能辨识算法(如神经网络、支持向量机等)评估损伤程度，主要步骤：

实施例一：

以某型柴油机曲轴轴承故障为例详细阐述本发明的评估方法：

步骤一：采集轴承故障增长原始数据。

在发动机缸体表面油底壳与缸体结合部正对第四道主轴承左右两处(测点t₁和t₂)和油底壳处(测点t₃)放置振动传感器，采集加速振动信号，工作为正常状态、曲轴轴承轻微磨损、中度磨损和严重磨损共四种故障程度状态。即初始部署的测点集合T_I＝{t₁,t₂,t₃}，使用上述四个测点采集曲轴轴承的故障增长数据。利用测点集合T_I中三个测点t₁、t₂、t₃采集正常状态、曲轴轴承轻微磨损、中度磨损和严重磨损共四种故障状态下的原始振动数据，如图2-4所示分别为3个测点采集的四种故障状态的原始数据。使用式(1)对原始数据进行预处理，消除直流分量。

步骤二：提取故障增长特征，拟合测点描述的故障增长趋势曲线。

(1)、采用EMD方法提取3个测点t₁、t₂、t₃采集的四种故障状态对应的原始数据的特征向量E＝{E₁,E₂,E₃}，结果如表1所示。

表1. 3个测点描述的轴承故障增长特征向量E及综合指标SDI

(2)、使用式(3)将3个测点描述的特征向量E综合为损伤指标SDI，SDI＝{SDI₁,SDI₂,SDI₃}，结果如表1所示。

(3)、使用式(2)将损伤指标SDI归一化，结果如表2所示。

表2.归一化后的轴承综合损伤指标SDI

基于表2的数据，采用3次多项式拟合3个测点描述的轴承故障增长趋势曲线Φ₁,Φ₂,Φ₃，如图5、图6和图7所示。

轴承故障增长趋势曲线Φ₁,Φ₂,Φ₃的数学表达式如下：

Φ₁(k)＝0.6415k³-0.6685k²+2.329k-1.724

Φ₂(k)＝0.168k³-1.469k²+4.152k-2.851

Φ₃(k)＝0.1704k³-1.432k²+3.917k-2.655

步骤三：计算测点对轴承故障跟踪能力，选择对故障跟踪能力最大的测点。

(1)、使用式(4)、(5)、(6)分别计算3个测点对故障的灵敏度β_i、稳定度τ_i及故障跟踪能力TOF_i，如表3所示。

表3.三个测点对故障的灵敏度β_i、τ_i和TOF_i

测点	β<sub>i</sub>	τ<sub>i</sub>	TOF<sub>i</sub>
				t<sub>1</sub>	1	0.3008	0.06
t<sub>2</sub>	0.83	0.1256	0.0037
				t<sub>3</sub>	0.83	0.3465	0.03

从表3可以看出，测点t₁、t₂和t₃对轴承故障的跟踪能力分别为0.06、0.0037和0.03，使用式(7)计算对故障跟踪能力最大的测点t*＝t₁。因此，选择对故障跟踪能力最大的测点t₁采集的数据作为损伤程度评估算法的输入数据。

步骤四：轴承损伤程度评估。

(1)、使用测点t₁已采集的轴承正常状态、轻微磨损状态、中度磨损状态及重度磨损状态的四个状态的各10个数据作为训练样本，使用支持向量机训练这四种状态的故障程度评估模型SVM1、SVM2、SVM3和SVM4；

(2)、使用测点t₁采集当前时刻的轴承对应的原始数据，提取其特征向量E₁＝[7366494035]；

(3)、使用支持向量机的推理方法，评估当前时刻状态为轻微磨损状态。

以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所做出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。

Claims

1.一种机械部件损伤程度的评估方法，其特征在于，该评估方法包括如下步骤：

1)使用测点采集不同严重程度故障对应的原始数据；根据系统功能结构、故障传播特点和状态监控要求，初步部署测点T_I＝{t₁,t₂,t₃,...,t_M}，M为测点总数，采集系统从正常状态到出现故障状态下的故障增长原始数据O＝{O₁,O₂,O₃,...,O_i,...,O_M}，其中O_i为第i个测点t_i采集的故障增长数据，O_i＝{x_i(1),x_i(2),x_i(3),...,x_i(k),...,x_i(K)}，x_i(k)为测点t_i采集的第k时刻的数据；

2)使用时域、频域及时频域结合方法提取故障增长特征，原始数据利用时频统计指标提取原始数据的故障特征构成特征向量；通过由特征向量Ei通过

计算构成综合损伤指标SDIi，采用函数拟合故障增长趋势，建立测点描述的故障增长趋势曲线；

4)采用对故障跟踪能力最大的测点采集的数据作为损伤评估算法的输入，经过模型训练和智能推理流程评估当前时刻机械部件的损伤程度；使用智能辨识算法评估损伤程度包括步骤：

2.根据权利要求1所述的一种机械部件损伤程度的评估方法，其特征在于：所述步骤2)中，建立故障增长趋势曲线，步骤如下：

Step1：使用式(1)对原始数据O进行预处理：

为特征向量E_i归一化后的向量；

Step3：使用式(3)将特征向量E_i综合为一个综合损伤指标SDI_i：

3.根据权利要求2所述的一种机械部件损伤程度的评估方法，其特征在于，所述步骤3)中，计算各个测点对故障的跟踪能力，选择对故障增长过程跟踪能力最大的测点数据作为损伤评估方法的输入，步骤如下：

Step1：使用式(4)计算测点t_i对故障增长趋势曲线Φ_i的稳定度τ_i：

式中，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障增长趋势曲线Φ_i的第k₁，k₂个观测点，N为故障增长趋势曲线Φ_i所有观测点的总数；sign(x)为符号函数，在数学和计算机运算中，其功能是取某个数的符号：表示当自变量x>0时，函数值为1，自变量x＝0时，函数值为0，自变量x<0时，函数值为-1；

Step2：使用式(5)计算测点t_i对故障增长过程Φ_i的灵敏度β_i：

式中，Φ_i(1)表示正常状态时的第i个特征的输出值，Φ_i(k₁)及Φ_i(k₂)分别为第i个预测特征描述的故障演化曲线Φ_i的第k₁，k₂个观测点，N为故障演化曲线Φ_i所有观测点的总数；median为中值函数，返回给定数值的中值；

Step3：使用式(6)计算第i个测点t_i对故障的跟踪能力TOF_i：

Step4：使用式(7)选择对故障跟踪能力最大的测点t*采集的数据作为损伤程度评估的数据输入：

式中，TOF_i为测点t_i对故障的跟踪能力，

为最大跟踪能力TOF_i对应的测点。