CN109376486A - 一种提升齿轮箱故障诊断准确性的方法 - Google Patents
一种提升齿轮箱故障诊断准确性的方法 Download PDFInfo
- Publication number
- CN109376486A CN109376486A CN201811471720.0A CN201811471720A CN109376486A CN 109376486 A CN109376486 A CN 109376486A CN 201811471720 A CN201811471720 A CN 201811471720A CN 109376486 A CN109376486 A CN 109376486A
- Authority
- CN
- China
- Prior art keywords
- supplemental characteristic
- confidence
- data
- gear
- parameter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种提升齿轮箱故障诊断准确性的方法。本发明的步骤包括:1)获取齿轮箱实时的各参数数据,并利用齿轮箱历史数据来验证所述参数数据的可信度;2)将每一所述参数数据的可信度与设置的参数置信权值限矩阵进行比对,若采集的所述参数数据的可信度没有达到对应的置信权值限,则判定对应的参数数据不可信,不作为故障诊断的输入数据。运用故障参数进行加权筛选,用来提升诊断效率和准确度,从而为实现高效的故障诊断和快捷的维修决策创造坚实基础。
Description
技术领域
本发明属于故障诊断和机械装备领域,涉及一种提升故障诊断准确性的方法,具体为涉及运用齿轮箱工作参数可信度加权的方法提升故障诊断准确性。
背景技术
齿轮是生活中常见的机械设备,在制造机械、风力发电、交通运输等行业领域有相当高的使用率,具体如高铁转向架和电力发电机组。其通常工作在高温、高速、强振动、大应力的恶劣环境下,其结构复杂且运行强度高,所以故障频发,在各类机械事故中,因齿轮故障导致事故发生的概率接近百分之七十。齿轮故障对各行业的生产将产生严重的影响,如对交通运输行业高速动车组的运行平稳性及安全性产生严重的影响,而在电力行业发电机组和钢铁行业轧辊机组中,由于齿轮箱的故障造成的损失也是巨大的。所以这些行业的安全稳定关系到人民生命安全、也关系到国家经济运行安全和社会稳定。
因此,如何提高采集的数据的可信度用以提高故障诊断准确性,解决误报率居高不下的问题,并且为日后的数据分析提供了可查数据,进而保障装备安全、稳定的运行。
发明内容
为了保障齿轮箱的安全稳定运行,在齿轮箱出现故障的早期对装备进行及时的维修,避免发生严重事故,同时也减少经济损失和降低维护费用,本发明提供一种基于参数可信度加权的齿轮箱故障诊断方法,运用故障参数进行加权筛选,用来提升诊断效率和准确度,从而为实现高效的故障诊断和快捷的维修决策创造坚实基础。
本发明的技术方案为:
一种提升齿轮箱故障诊断准确性的方法,其步骤包括:
1)获取齿轮箱实时的各参数数据,并利用齿轮箱历史数据来验证所述参数数据的可信度;
2)将每一所述参数数据的可信度与设置的参数置信权值限矩阵进行比对,若采集的所述参数数据的可信度没有达到对应的置信权值限,则判定对应的参数数据不可信,不作为故障诊断的输入数据。
进一步的,利用齿轮箱历史数据来验证所述参数数据的可信度的方法为:设时刻t传感器获取的参数X的数据为Xt、t-Δt时刻传感器获取的参数X的数据为Xt-Δt;计算数据Xt与Xt-Δt之间的置信距离测度dti;设一单调下降函数ri=f(dti),表示不同时间间隔Δt时Xt-Δt对Xt的支持程度;然后根据ri=f(dti)得到每一dti对应的支持度ri,然后利用ri与对应的权重系数ai进行相乘并求和,得到Xt的支持度r;其中,计算dti所用数据距离当前时刻t越近,对应的ri的权重系数ai越高,且0≤ri≤1、∑ri=1;将所述支持度r作为Xt的可信度。
进一步的,根据先验知识设置所述参数置信权值限矩阵。
进一步的,采用公式dx计算置信距离测度dti;其中, σi为传感器的方差。
进一步的,采用公式计算置信距离测度dti;其中,σi为传感器的方差,erf()为误差函数。
进一步的,所述参数数据包括振动、温度、转速、负荷程度和压力。
本发明的有益效果是:
本发明主要目的是基于参数可信度加权技术进行齿轮箱的参数的优化,不仅充分利用了可信度加权技术的灵活、快捷等特点,大大降低了故障的误报率,能快速的实现齿轮箱故障诊断,提高了诊断精确度,更是降低了诊断维修周期,产生良好的经济和社会效益,具有重要的现实意义。
附图说明
图1为本发明的方法流程图。
具体实施方式
为了便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
本发明提供一种基于可信度加权技术的故障参数优化方法,对齿轮箱工作数据进行实时的采集和分析,对齿轮箱失效所发生的众多故障进行诊断,用来避免事故的发生。具体采用故障参数可信度加权的故障树诊断分析方法,对齿轮箱故障现象与故障原因的对应关系即故障树进行分析。
对齿轮箱进行故障诊断时,首先获取实时的工作参数,如振动、温度、转速、负荷程度和压力等,但是利用这些参数进行分析应用时,并没有考虑这些参数是否可信,若运用的参数不可信,最终导致诊断结果不准确,所以本发明运用可信度加权的方法,通过利用传感器获取的历史数据来验证实时数据的可信度。
参数数据的可信度算法如下:若在某一时刻t获取了传感器采集的某参数(例如温度、振动)的数据Xt,在这个时刻的之前第t-Δt时刻获得采集数据Xt-Δt,用此方法采集的数据都是服从高斯分布的,根据传感器所采集的历史数据生成高斯曲线作为传感器的特性函数,记为Pt(x)、Pt-Δt(x)。
用已知置信距离测度来反映Pt(x)和Pt-Δt(x)之间的偏差大小,设:
其中:
其中x表示参数数据,Pt(x|xt)为相应的条件概率,σi为第i个传感器的方差,本发明中dti表示的是t时刻数据Xt与t-Δt时刻数据Xt-Δt的置信距离测度,具体的将公式(2)代入公式(1)之后,通过已知误差函数erf(θ),可直接得:
假设r1表示Xt-Δt对Xt的支持程度,则r1应该为置信距离测度dti的函数,并且dti越大,r1越小,根据实际情况可以设置多个不同的时间间隔Δt,从而获得多个dti、多个ri,即ri=f(dti),ri是单调下降的函数,且0≤ri≤1。然后根据ri=f(dti)得到每一dti对应的支持度ri,然后利用ri与对应的ai进行相乘并求和,得到Xt的支持度r,计算dti所用数据距离当前时刻t越近,对应的ri的权重系数ai越高。在某时刻的数据xt,存在一个一维支持矩阵R=[r1r2r3……rn]。xt的真实支持程度则由r1、r2、r3……rn的综合支持程度体现,假设xt的综合支持程度为ri,ri越大,xt的可靠性越高,则ri应满足下面条件:
由于与t时刻的数据越近的置信度越高,所以针对不同的时间间隔,分配不同的权重系数a1、a2、a3……an。r=r1a1+r2a2+r3a3……rnan,其矩阵形式如下:r=Ra,其中a=[a1,a2,a3……an]T,r就是t时刻该参数此时数据的可信度权值。
利用本方法就可以针对所有要进行诊断的参数数据进行可信度权值的计算,计算后就产生了所有诊断参数的权值矩阵,例如 为诊断参数的符号代指
最后通过与根据先验知识设置的各种参数置信权值限矩阵进行比对,若采集的参数的可信度没有达到置信权值限,则表示此时采集的数据不可信,将不作为故障诊断的输入数据。反复操作后,可以将诊断的所有输入参数统一进行加权可信度的分析,从而剔除不可信的参数,用来提高诊断结果的准确性。
以上包含了本发明优选实施例的说明,这是为了详细说明本发明的技术特征,并不是想要将发明内容限制在实施例所描述的具体形式中,依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定,而非有实施例的具体描述所界定。
Claims (6)
1.一种提升齿轮箱故障诊断准确性的方法,其步骤包括:
1)获取齿轮箱实时的各参数数据,并利用齿轮箱历史数据来验证所述参数数据的可信度;
2)将每一所述参数数据的可信度与设置的参数置信权值限矩阵进行比对,若采集的所述参数数据的可信度没有达到对应的置信权值限,则判定对应的参数数据不可信,不作为故障诊断的输入数据。
2.如权利要求1所述的方法,其特征在于,利用齿轮箱历史数据来验证所述参数数据的可信度的方法为:设时刻t传感器获取的参数X的数据为Xt、t-Δt时刻传感器获取的参数X的数据为Xt-Δt;计算数据Xt与Xt-Δt之间的置信距离测度dti;设一单调下降函数ri=f(dti),表示不同时间间隔Δt时Xt-Δt对Xt的支持程度;然后根据ri=f(dti)得到每一dti对应的支持度ri,然后利用ri与对应的权重系数ai进行相乘并求和,得到Xt的支持度r;其中,计算dti所用数据距离当前时刻t越近,对应的ri的权重系数ai越高,且0≤ri≤1、∑ri=1;将所述支持度r作为Xt的可信度。
3.如权利要求1或2所述的方法,其特征在于,根据先验知识设置所述参数置信权值限矩阵。
4.如权利要求2所述的方法,其特征在于,采用公式计算置信距离测度dti;其中,σi为方差。
5.如权利要求2所述的方法,其特征在于,采用公式计算置信距离测度dti;其中,σi为传感器的方差,erf()为误差函数。
6.如权利要求1所述的方法,其特征在于,所述参数数据包括振动、温度、转速、负荷程度和压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471720.0A CN109376486B (zh) | 2018-12-04 | 2018-12-04 | 一种提升齿轮箱故障诊断准确性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471720.0A CN109376486B (zh) | 2018-12-04 | 2018-12-04 | 一种提升齿轮箱故障诊断准确性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376486A true CN109376486A (zh) | 2019-02-22 |
CN109376486B CN109376486B (zh) | 2023-04-18 |
Family
ID=65376457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471720.0A Active CN109376486B (zh) | 2018-12-04 | 2018-12-04 | 一种提升齿轮箱故障诊断准确性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376486B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078966A (zh) * | 2019-11-28 | 2020-04-28 | 湖州职业技术学院 | 液压机远程故障诊断方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101626275A (zh) * | 2009-08-04 | 2010-01-13 | 华为技术有限公司 | 一种系统故障检测的方法及装置 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN108680808A (zh) * | 2018-05-18 | 2018-10-19 | 浙江新能量科技股份有限公司 | 电气设备故障诊断方法及装置 |
-
2018
- 2018-12-04 CN CN201811471720.0A patent/CN109376486B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101626275A (zh) * | 2009-08-04 | 2010-01-13 | 华为技术有限公司 | 一种系统故障检测的方法及装置 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN108680808A (zh) * | 2018-05-18 | 2018-10-19 | 浙江新能量科技股份有限公司 | 电气设备故障诊断方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078966A (zh) * | 2019-11-28 | 2020-04-28 | 湖州职业技术学院 | 液压机远程故障诊断方法、装置和存储介质 |
CN111078966B (zh) * | 2019-11-28 | 2023-03-28 | 湖州职业技术学院 | 液压机远程故障诊断方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109376486B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
Teng et al. | DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?> | |
Chen et al. | Automated on‐line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition | |
US20160223600A1 (en) | Power generation performance evaluation method and apparatus for power generator set | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN105303457B (zh) | 基于蒙特卡洛运行维护模拟的海上风资源评估方法 | |
CN103925155B (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
Verstraeten et al. | Fleetwide data-enabled reliability improvement of wind turbines | |
CN102352824B (zh) | 一种基于电气信息的风力发电机健康状态监测系统和方法 | |
CN104074687B (zh) | 一种用于兆瓦级风电机组的载荷及性能测试方法及装置 | |
CN111997831B (zh) | 风电机组的载荷控制方法和装置 | |
CN105909466A (zh) | 风力发电机组偏航误差分析方法 | |
Khazaee et al. | A comprehensive study on Structural Health Monitoring (SHM) of wind turbine blades by instrumenting tower using machine learning methods | |
EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN108506171A (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
CN103675357A (zh) | 风速仪故障预警的方法和系统 | |
WO2016042652A1 (ja) | 風力発電設備および風力発電設備の損傷度診断装置 | |
CN109376486A (zh) | 一种提升齿轮箱故障诊断准确性的方法 | |
CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动系统故障报警方法 | |
Spiridonakos et al. | Wind turbines structural identification framework for the representation of both short-and long-term variability | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113323819B (zh) | 一种基于模糊专家系统的风机安全链故障分析方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |