CN108537260A - 一种起重机传动轴故障诊断方法和系统 - Google Patents

Abstract

本发明涉及一种起重机传动轴故障方法和系统，包括：获取起重机传动轴的振动信号；对起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩特征；将所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特征进行分类诊断，实现起重机传动轴故障诊断。本发明利用了信号的时频信息以及原始信号的统计信息并利用多类支持向量机进行诊断，增加了传动轴故障诊断结果的准确性与可靠性，解决了一般诊断中存在的诊断结果难以明确等问题。

Description

一种起重机传动轴故障诊断方法和系统

技术领域

本发明涉及一种起重机传动轴故障诊断技术，特别是涉及一种基于小波包分解和多类支持向量机的起重机传动轴故障诊断方法和系统。

背景技术

传动轴是工程机械传动系统中传递动力的重要部件，其运行状态的好坏直接影响工程机械工作的状况，因此，对传动轴的故障进行准确、高效的诊断，对于确保工程机械及时恢复正常工作状态有着非常重要的意义。

当前大部分起重机故障诊断系统都是针对起重机的整体健康状况进行评估，例如一些基于贝叶斯网络的桥式起重机故障诊断方法(比如唐艳同等，一种基于贝叶斯网络的桥式起重机故障诊断方法[J].《起重运输机械》,2017(04):22-26)以及起重机的智能检测方法(比如孙旺.汽车起重机关键部件智能故障诊断系统开发[D].《上海交通大学》，2012)等。然而，这种整体故障诊断方法所得结果较为粗略，无法针对某一特定部件进行精确的故障诊断。

当前，也有使用传统模态分析对传动系统进行故障诊断的方法，这种方法的优势在于诊断精度较高，但这种方法需要对物理模型进行建模，在建模过程中难度大且实施过程比较复杂，可操作性较差。

也有使用2阶循环谱和支持向量机(SVM)的汽车传动轴故障诊断方法(比如刘远宏等，基于2阶循环谱和SVM的汽车传动轴故障诊断[J].《噪声与振动控制》,2014,34(01):160-163.)。但与汽车传动轴相比，起重机的传动轴制造精度较低且运行时工况较为恶劣，所产生的噪声较大，采用2阶循环谱不能很好的表征传动轴的运行特征。

因此，急需研发一种新的技术，解决上述存在的问题，以便能够更好的实现起重机传动轴故障诊断。

发明内容

针对现有技术的不足/之一，本发明的目的在于提供一种基于小波包分解和多类支持向量机的起重机传动轴故障诊断方法和系统，通过对采集的振动信号进行特征提取，获得信号的小波包能量以及信号幅值的一些统计信息后，利用多类支持向量机(SupportVector Machine)进行故障诊断，以获取最终的诊断结果。

根据本发明的第一方面，提供一种起重机传动轴故障诊断方法，包括：

获取起重机传动轴的振动信号；

对起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩特征；

将所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特征进行分类诊断，实现起重机传动轴故障诊断。

优选地，所述特征提取，其操作包括：

信号归一化：将离散信号序列进行归一化操作，便于后续的小波包分解；

小波包分解：利用morlet小波对离散信号序列四层小波包分解，从不同的尺度观察振动信号；

小波能量谱计算：计算经过四层小波包分解后的信号的能量谱，观察不同尺度下信号的能量谱；

信号幅值统计信息：计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩统计特征。

优选地，所述利用多分类支持向量机对不同振动信号的特征进行分类诊断，是指：利用多分类支持向量机对多层小波包的能量以及信号幅值统计信息进行诊断，并采用了两两分类再投票的方法实现多分类模型，从而实现传动轴故障的多类别诊断。

更优选地，所述两两分类再投票的方法，其中：

两两分类，是指每次只选取其中的两类样本，对所有可能的两类组合构造支持向量机模型，总共需要构造个支持向量机模型，其中N表示传动轴所有可能的故障状态，例如轴承磨损、紧固螺栓松动等。

所述投票，是将特征提取得到的信号特征作为输入，利用个支持向量机模型对其进行诊断，其中每个支持向量机模型会得到一个结果，最终会得到个诊断结果，这个诊断结果中会包含相同的诊断结果，统计所有诊断器的所得结果，选取票数最高的诊断结果作为最终诊断结果。

根据本发明的第二方面，提供一种起重机传动轴故障诊断系统，包括：

传感器，用于采集起重机传动轴的振动信号，将振动信号转换为模拟电信号；

数据采集模块，将所述传感器传来的模拟信号转化为数字信号；

故障特征提取模块，对所述数据采集模块发来的起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩；

特征识别模块，将故障特征提取模块所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特诊进行分类，从而达到传动轴故障诊断的目的。

优选地，所述特征提取模块包括：

信号归一化模块，用于将离散信号序列进行归一化操作；

小波包分解模块，接收信号归一化模块操作后的信号，利用morlet小波对离散信号序列四层小波包分解，从不同的尺度观察振动信号；

小波能量谱计算模块，用于计算经过四层小波包分解后的信号的能量谱并传给特征识别模块，观察不同尺度下信号的能量谱；

信号幅值统计信息模块，用于计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩等统计特征，并传给特征识别模块。

所述特征识别模块，其中利用多分类支持向量机对不同振动信号的特诊进行分类，对多层小波包的能量以及信号幅值统计信息进行诊断，并采用两两分类再投票的方法实现多分类模型，实现传动轴故障的多类别诊断。

更优选地，所述两两分类再投票的方法，其中：

两两分类，是指每次只选取其中的两类样本，对所有可能的两类组合构造支持向量机模型，总共需要构造个支持向量机模型，其中N表示传动轴所有可能的故障状态，例如轴承磨损、紧固螺栓松动等。

所述投票，是将特征提取得到的信号特征作为输入，利用个支持向量机模型对其进行诊断，其中每个支持向量机模型会得到一个结果，最终会得到个诊断结果，这个诊断结果中会包含相同的诊断结果，统计所有诊断器的所得结果，选取票数最高的诊断结果作为最终诊断结果。

由于采用了上述的技术方案，本发明具有以下的优点和积极效果：

本发明所述方法和系统采用了小波包能量谱、振动信号幅值的中心矩及原点矩特征等信息作为特征，利用多类支持向量机进行特征的判别，从而实现振动信号的故障诊断，获取最终的诊断结果。

本发明所述方法和系统能适用于起重机工况复杂的情况，增加了传动轴故障诊断结果的准确性与可靠性，解决了一般诊断中存在的诊断结果难以明确等问题。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明一实施例的起重机传动轴故障诊断系统模块框图；

图2是本发明一实施例的起重机传动轴故障诊断方法总体流程图；

图3是本发明一实施例的起重机传动轴故障诊断方法实现细节流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

参照图1所示，为本发明起重机传动轴故障诊断系统的一实施例示意图，包括：

加速度传感器，用于采集起重机传动轴的振动信号，将振动信号转换为模拟电信号；

数据采集模块，将所述加速度传感器传来的模拟信号转化为数字信号；

故障特征提取模块，对所述数据采集模块发来的起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩；

特征识别模块，将故障特征提取模块所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特诊进行分类，从而达到传动轴故障诊断的目的。

进一步的，上述的系统还可以包括显示模块，所述显示模块用于诊断结果显示以及便于人机交互的界面。

在优选实施例中，所述特征提取模块包括：

信号归一化模块，用于将离散信号序列进行归一化操作；

小波包分解模块，接收信号归一化模块操作后的信号，利用morlet小波对离散信号序列四层小波包分解，得到不同尺度下的振动信号；

小波能量谱计算模块，用于计算经过四层小波包分解后的信号的能量谱并传给特征识别模块，得到不同尺度下信号的能量谱；

信号幅值统计信息模块，用于计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩统计特征，并传给特征识别模块。

所述特征识别模块，其中利用多分类支持向量机对不同振动信号的特诊进行分类，对多层小波包的能量以及信号幅值统计信息进行诊断，并采用两两分类再投票的方法实现多分类模型，实现传动轴故障的多类别诊断。

在优选实施例中，所述两两分类再投票的方法，其中：

两两分类，是指每次只选取其中的两类样本，对所有可能的两类组合构造支持向量机模型，总共需要构造个支持向量机模型，其中N表示传动轴所有可能的故障状态，例如轴承磨损、紧固螺栓松动等。

所述投票，是将特征提取得到的信号特征作为输入，利用个支持向量机模型对其进行诊断，其中每个支持向量机模型会得到一个结果，最终会得到个诊断结果，这个诊断结果中会包含相同的诊断结果，统计所有诊断器的所得结果，选取票数最高的诊断结果作为最终诊断结果。

参照图2所示，为本发明起重机传动轴故障诊断方法的一实施例，其实施步骤包括：

获取起重机传动轴的振动信号；

对起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩特征；

将所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特征进行分类诊断，实现起重机传动轴故障诊断。

在优选实施例中，所述特征提取，其操作包括：

信号归一化：将离散信号序列进行归一化操作，便于后续的小波包分解；

小波包分解：利用morlet小波对离散信号序列四层小波包分解，从不同的尺度观察振动信号；

小波能量谱计算：计算经过四层小波包分解后的信号的能量谱，观察不同尺度下信号的能量谱；

信号幅值统计信息：计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩统计特征。

所述利用多分类支持向量机对不同振动信号的特征进行分类诊断，采用两两分类再投票的方法，与上述系统中的技术特征对应，可以参照上述描述，此处不再赘述。

所述特征提取/模块和特征识别模块(基于多类支持向量机的诊断)是整个故障诊断系统的核心，其中特征提取模块包含了计算原始信号幅值的统计信息、对信号进行归一化处理、小波包分解以及计算小波包能量谱的流程，计算原始信号幅值的统计信息包括原始离散信号幅值的一阶中心矩、二阶中心矩和一阶原点矩、二阶原点矩。小波包分解则是对归一化后的信号进行四层“morlet”小波包分解，得到16个分解后的序列；计算这分解后的16个序列的能量谱即为计算小波包能量谱。

对于特征识别模块，则采取支持向量机(SVM)进行识别，由于支持向量机为二分类模型，因此采用个支持向量机进行多分类识别任务，其中N代表故障的种类数，多的一种类别为诊断正常类别。对这个支持向量机的分类结果进行统计，这结果中数量最多的结果(故障类别)为最终诊断结果，以上流程即为“两两分类再投票”流程。

图3详细的展示了“两两分类在投票”策略的流程，其中一共有N种故障类型，因此诊断模型中一共包含个支持向量机，这支持向量机对输入的特征进行分类得到个分类结果，其中一定包含重复的诊断结果，让每个分类器给某一项诊断结果进行投票，得到票数最高的结果则为最终诊断结果。

起重机传动轴结构，一般分为轴管、伸缩套和万向节三大部件，在本发明实施例中可以通过在轴管上安装加速度传感器来获取传动轴的振动信号，通过分析振动信号来判别传动轴出现的故障。图3中所示方法只与安装在轴管上的加速度传感器所采集的信号有关。传动轴不同的故障都会间接的在这一振动信号上反应出来。本发明实施例前期利用大量正常和故障的传动轴振动信号，对其进行模式分类，是利用多类支持向量机来完成的。当训练好这N个支持向量机的参数后，则可以进行故障诊断了。对于一个新的传动轴振动信号(新的样本)，首先进行特征提取，其次根据已训练好的多类支持向量机进行分类，诊断故障类型。

同样的，如图2所示，其中涉及的的花键磨损、传动轴扭曲等故障类型都可以间接的在传动轴振动信号上体现出来。本发明的核心就是利用传动轴的振动信号来诊断这些传动轴故障。

本发明中不仅对振动信号进行了小波包分解提取信号的时频信息，并且还利用了原始振动信号的统计信息来进行诊断，能较为有效的克服噪声大的问题。

本发明将小波包分解与原始信号统计信息结合，利用多类支持向量机进行故障诊断，提高了在复杂工况下诊断结果的准确性与可靠性，将有着非常重要意义。

需要说明的是，本发明提供的所述起重机传动轴故障诊断方法中的步骤，可以利用所述起重机传动轴故障诊断系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施方式，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施方式，这些实施方式不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施方式，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种起重机传动轴故障诊断方法，其特征在于：包括：

获取起重机传动轴的振动信号；

对起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩特征；

将所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特征进行分类诊断，实现起重机传动轴故障诊断。

2.根据权利要求1所述的起重机传动轴故障诊断方法，其特征在于：所述特征提取，包括：

信号归一化：将离散信号序列进行归一化操作，便于后续的小波包分解；

小波包分解：利用morlet小波对离散信号序列四层小波包分解，从不同的尺度观察振动信号；

小波能量谱计算：计算经过四层小波包分解后的信号的能量谱，观察不同尺度下信号的能量谱；

信号幅值统计信息：计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩。

3.根据权利要求1或2所述的起重机传动轴故障诊断方法，其特征在于：所述利用多分类支持向量机对不同振动信号的特征进行分类诊断，是指：利用多分类支持向量机对多层小波包的能量以及信号幅值统计信息进行诊断，并采用了两两分类再投票的方法实现多分类模型，从而实现传动轴故障的多类别诊断。

4.根据权利要求3所述的起重机传动轴故障诊断方法，其特征在于：所述两两分类再投票的方法，其中：

两两分类，是指每次只选取其中的两类样本，对所有可能的两类组合构造支持向量机模型，总共需要构造支持向量机模型，其中N表示传动轴所有可能的故障状态；

所述投票，是将特征提取得到的信号特征作为输入，利用个支持向量机模型对其进行诊断，其中每个支持向量机模型会得到一个结果，最终会得到个诊断结果，这个诊断结果中会包含相同的诊断结果，统计所有诊断器的所得结果，选取票数最高的诊断结果作为最终诊断结果。

5.一种起重机传动轴故障诊断系统，其特征在于：包括：

传感器，用于采集起重机传动轴的振动信号，将振动信号转换为模拟电信号；

数据采集模块，将所述传感器传来的模拟信号转化为数字信号；

故障特征提取模块，对所述数据采集模块发来的起重机传动轴的振动信号进行特征提取，至少提取所述振动信号的小波包能量谱、振动信号幅值的中心矩及原点矩；

特征识别模块，将故障特征提取模块所提取的振动信号小波包能量谱以及振动信号幅值的中心矩及原点矩作为输入特征，利用多分类支持向量机对不同振动信号的特诊进行分类，从而达到传动轴故障诊断的目的。

6.根据权利要求5所述的起重机传动轴故障诊断系统，其特征在于：所述特征提取模块包括：

信号归一化模块，用于将离散信号序列进行归一化操作；

小波包分解模块，接收信号归一化模块操作后的信号，利用morlet小波对离散信号序列四层小波包分解；

小波能量谱计算模块，用于计算经过四层小波包分解后的信号的能量谱并传给特征识别模块；

信号幅值统计信息模块，用于计算未经过归一化的原始信号序列的一阶原点矩、二阶原点矩、一阶中心矩、二阶中心矩，并传给特征识别模块。

7.根据权利要求5或6所述的起重机传动轴故障诊断系统，其特征在于：所述特征识别模块，其中利用多分类支持向量机对不同振动信号的特诊进行分类，对多层小波包的能量以及信号幅值统计信息进行诊断，并采用两两分类再投票的方法实现多分类模型，实现传动轴故障的多类别诊断。

8.根据权利要求7所述的起重机传动轴故障诊断系统，其特征在于：所述两两分类再投票的方法，其中：

两两分类，是指每次只选取其中的两类样本，对所有可能的两类组合构造支持向量机模型，总共需要构造个支持向量机模型，其中N表示传动轴所有可能的故障状态；

所述投票，是将特征提取得到的信号特征作为输入，利用个支持向量机模型对其进行诊断，其中每个支持向量机模型会得到一个结果，最终会得到个诊断结果，这个诊断结果中会包含相同的诊断结果，统计所有诊断器的所得结果，选取票数最高的诊断结果作为最终诊断结果。