CN110243595A - 一种基于LabVIEW的远程齿轮箱故障监测系统 - Google Patents

Abstract

本发明涉及一种基于LabVIEW的远程齿轮箱故障监测系统。包括振动传感器、恒流适配器、数据采集卡、树莓派、单片机、WIFI模块、继电器、上位机单元；所述振动传感器吸附于齿轮箱表面且靠近轴承端盖的上方；所述恒流适配器用于调节振动传感器测取的振动信号；所述数据采集卡用于将恒流适配器输出的振动信号数据传输给所述树莓派；所述树莓派用于驱动数据采集卡工作，并将振动信号数据上传到上位机单元；所述上位机单元通过WIFI模块与单片机通信，继而通过继电器控制恒流适配器、树莓派的工作与否。本发明能够克服有线监测对工作环境的要求以及满足工作人员测试的方便性，可以实时远程掌握齿轮箱的运行状态，实现远程状态监控和故障诊断。

Description

一种基于LabVIEW的远程齿轮箱故障监测系统

技术领域

本发明属于齿轮箱故障监测领域，具体涉及一种基于LabVIEW的远程齿轮箱故障监测系统。

背景技术

齿轮箱作为一种机械设备，在工业生产中广泛应用，其故障也时常发生，常见的故障往往是出现在齿轮及轴承部位。

齿轮通常在变转速、变负荷等复杂工况条件下工作，极易受到损伤产生故障。齿轮故障又是诱发机器故障的重要因素。据统计，传动机械80％的故障是由齿轮引起的，旋转机械中齿轮故障占其故障的10％左右。

滚动轴承作为机械设备中极为重要的零部件，滚动轴承拥有结构简单紧凑、装配拆卸方便、运行摩擦阻力小、机械效率高等诸多优点，因此得到了广泛的应用。据统计有30％以上的机械设备故障都因轴承故障而引发其运行状态正常与否常常直接影响到整个机械设备的工作性能，甚至对设备操作人员的人身安全产生威胁，造成经济损失。

从采集方式来看：齿轮箱诊断通常经过有线连接的方式连接上位机进行数据采集，通常为串口通讯形式，但对于在工厂环境下对齿轮进行监测存在较多不便。而无线传感器则价格比较昂贵。

从故障识别来看：时域、频域分析以及时频联合分析，涉及较多的数字信号处理运算，整个过程略显繁琐，往往只能判断故障发生的部位，对于不同状态下的故障往往较难分辨。随着人工智能在各领域的广泛应用，神经网络分析方法也已经被应用十分广泛，神经网络特有的非线性适应性信息处理能力，可以学习到数据深层次的抽象特征表达，具有更强更复杂的数据表达能力，其在故障诊断领域的应用潜能被广泛重视并引发很多学者研究。

发明内容

本发明的目的在于针对有线监测对工作环境的要求以及满足工作人员测试的方便性，提供一种基于LabVIEW的远程齿轮箱故障监测系统，该系统针对齿轮箱不同故障状态的监测，通过在监测系统上位机软件LabVIEW中调用MATLAB加入了时、频域分析以及概率神经网络故障分类方法，针对概率神经网络分类准确率受平滑参数影响较大这一特点，提出改进果蝇优化概率神经网络，便且将其应用到系统中，也使得监测过程更加合理；整个系统，下位机设置好后，工作人员只需在上位机操作即可。

为实现上述目的，本发明的技术方案是：一种基于LabVIEW的远程齿轮箱故障监测系统，包括振动传感器、恒流适配器、数据采集卡、树莓派、单片机、WIFI模块、继电器、上位机单元；

所述振动传感器吸附于齿轮箱表面且靠近轴承端盖的上方；

所述恒流适配器与振动传感器相连接，用于调节振动传感器测取的振动信号；

所述数据采集卡与恒流适配器连接，用于将恒流适配器输出的振动信号数据传输给所述树莓派；

所述树莓派内存储有数据采集卡的驱动及相关的设置程序，以驱动数据采集卡工作；所述树莓派还通过WIFI模块与上位机单元通信，以将振动信号数据上传到上位机单元；

所述单片机通过继电器控制恒流适配器、树莓派的工作与否；所述单片机还通过WIFI模块与上位机单元通信，以使得上位机单元能够远程控制恒流适配器、树莓派的工作与否；

所述上位机单元对接收的振动信号数据进行处理，通过时、频分析获取振动信号的时域特征参数，从特征参数中提取对故障较为敏感的特征向量，通过设置8种标签对应8种工作状态，分别导入故障分类模型中，最后将监测结果反映在LabVIEW的波形图上。

在本发明一实施例中，所述8种工作状态包括齿轮点蚀、齿根断裂、正常、齿面磨损、齿根裂纹、外圈磨损、内圈故障、滚动体故障。

在本发明一实施例中，该系统工作流程如下：用户在上位机单元的LabVIEW软件进行登陆，登陆成功后，等待上位机单元与WIFI模块的网络连接成功后，上位机单元给出开启树莓派及恒流适配器指令；在树莓派开启后，开机自启动程序启动，下位机开始数据的采集，此后上位机单元接收从下位机传输的数据，在传输过程中，对振动最大值进行限制，当接收数据过程中出现超限时，系统报警灯会点亮；同时对超限次数进行统计，当次数达到上限时会自动发送邮件提示警报，并将接收数据将以文本文件形式保存，同时通过调用MATLAB脚本，进行相应的时、频分析，将获取的时频特征参数以数据库的形式进行保存后，将提取特征参数导入MATLAB脚本中，运用故障预测模型IFOA-PNN判断齿轮的故障类型。

在本发明一实施例中，所述故障预测模型IFOA-PNN，采用改进果蝇优化算法对概率神经网络的平滑参数进行全局寻优而得，具体如下：

步骤S1、初始化果蝇群体：种群大小sizepop、最大迭代次数maxgen、果蝇群体位置(X_axis,Y_axis)；

步骤S2、将果蝇个体(X_i,Y_i)寻觅食物位置和与其的距离随机设置，个体的搜索步长由固定步长L₀改进为变步长：L＝L₀×ω；其中k₁、k₂为常数，gen表示当前迭代次数，maxgen为最大迭代次数；

X_i＝X_axis+L×(2×rand()-1)

Y_i＝Y_axis+L×(2×rand()-1)

步骤S3、由于目标食物具体坐标未知，需将种群中所有果蝇个体与初始点的距离D_i进行计算，根据以上数据求出判定值S_i；

S_i＝1/D_i

步骤S4、根据味道浓度判定公式Smell_i＝F(S_i)，将S_i代入公式中进行求解，以此获得此时每个果蝇个体的味道浓度数值；此处选取的判定公式其原理为PNN预测模型中的均方根误差RMSE；

步骤S5、对整个果蝇群体的味道浓度数据集求解其极值，找到该数据集极小值；

[bestSmellbestindex]＝min(Smell)

步骤S6、保存当前时刻的寻优结果

X_axis＝X(bestindex)

Y_axis＝Y(bestindex)

Smellbest＝bestSmell

步骤S7、进行迭代寻优，设置最大循环次数和最佳浓度值寻优终止条件，循环进行步骤S2～S5，若是新获得的极小值小于保存值，则替代原值保存；

步骤S8、判断寻优是否能够满足精度需求终止条件和最大迭代次数，是则获得最佳的平滑因子值，建立相应的PNN故障预测模型，否则重新开始步骤S2进行寻优。

相较于现有技术，本发明具有以下有益效果：

(1)克服有线监测对工作环境的要求以及满足工作人员测试的方便性，可以实时远程掌握齿轮箱的运行状态，实现远程状态监控和故障诊断；

(2)通过LabVIEW接口,设计了相应的齿轮箱故障Access数据库，对齿轮数据可以进行存储、分析、回放，同时建立用户管理机制，便于工作人员管理；

(3)通过LabVIEW设置的远程邮件报警以及远程面板发布等，技术人员可在工作人员监测时，通过系统自动发送的邮件了解工况，同时利用远程面板进行操控整个系统，实现两级控制；

(4)提出一种改进果蝇优化概率神经网络的故障识别方法，并将其应用到监测系统中，使得故障分析更加合理。

附图说明

图1基于LABVIEW远程齿轮振动监测系统结构图。

图2上位机振动监测系统功能图。

图3上位机主程序流程图。

图4振动监控系统部分界面。

图5振动监测系统PNN分析界面。

图6振动监测系统IFOA-PNN分析界面。

图7IFOA-PNN流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于LabVIEW的远程齿轮箱故障监测系统，包括振动传感器、恒流适配器、数据采集卡、树莓派、单片机、WIFI模块、继电器、上位机单元；

所述振动传感器吸附于齿轮箱表面且靠近轴承端盖的上方；

所述恒流适配器与振动传感器相连接，用于调节振动传感器测取的振动信号；

所述数据采集卡与恒流适配器连接，用于将恒流适配器输出的振动信号数据传输给所述树莓派；

所述树莓派内存储有数据采集卡的驱动及相关的设置程序，以驱动数据采集卡工作；所述树莓派还通过WIFI模块与上位机单元通信，以将振动信号数据上传到上位机单元；

所述单片机通过继电器控制恒流适配器、树莓派的工作与否；所述单片机还通过WIFI模块与上位机单元通信，以使得上位机单元能够远程控制恒流适配器、树莓派的工作与否；

所述上位机单元对接收的振动信号数据进行处理，通过时、频分析获取振动信号的时域特征参数，从特征参数中提取对故障较为敏感的特征向量，通过设置8种标签对应8种工作状态，分别导入故障分类模型中，最后将监测结果反映在LabVIEW的波形图上。

以下为本发明的具体实现过程。

如图1所示，本发明的实例提供了一种基于LabVIEW的远程齿轮箱振动监测系统，其包括振动传感器、恒流适配器、数据采集卡、树莓派、单片机、WIFI模块、继电器、上位机等，以及用于测试的齿轮测试平台。

振动传感器直接吸附在齿轮箱表面靠近轴承端盖的上方即可。与振动传感器相连接的恒流适配器在于调节测取的振动信号。与恒流适配器及树莓派连接的继电器，用于控制两者的开启与关闭，继电器的开关由连接的单片机借助WIFI模块接收上位机传出的指令。与恒流适配器相连的数据采集卡用于采集振动数据，采集卡的驱动及相关的设置由树莓派中设定的程序进行驱动，同时树莓派临时保存采集的数据。

本实例中，所述振动检测模块采用的是加速度传感器CT1010L、信号调理采用是恒流适配器CT5204、树莓派的型号为树莓派3B、WIFI模块采用的ESP8266模块、数据采集采用是USB数据采集卡V5.3D一款基于USB总线的高性能多功能数据采集卡，具有4路差分16位高速同步模拟信号采集(高同步采样速率200KSPS，同步采样即每通道都是200KSPS)。

上位机功能如图2所示，用户需要在上位机LabVIEW软件进行登陆，登陆界面如图3所示，登陆成功后，则等待上位机与WIFI模块的网络连接成功后，上位给出开启树莓派及恒流适配器指令。在树莓派开启后，开机自启动程序启动，下位机开始数据的采集，此后上位机接收从下位机传输的数据，在传输过程中，对振动最大值进行限制，当接收数据过程中出现超限时，系统报警灯会点亮。同时对超限次数进行统计，当次数达到上限时会自动发送邮件提示警报，然后将接受的数据将以文本文件形式保存，同时通过调用MATLAB脚本，进行相应的时、频分析，将获取的时频特征参数以数据库的形式进行保存后，然后将提取特征参数导入MATLAB脚本中，运用改进果蝇优化概率神经网络的分类特性进行最后的模式识别分析从而判断齿轮的故障类型。流程图如图4所示，此外，通过建立不同转速下的数据库，能够对不同转速下的不同齿轮故障进行识别。

为了简化监测系统流程，整个远程齿轮振动监测系统上位机程序在后台程序框，已经设计好，用户可以自己选择改变前面板所显示的“常量”，因此在使用过程中只需要输入用户名及密码完成登陆后，通过“开关按钮”实现开启和关闭控制，“延时开关”则是等待树莓派开机，“故障类型按钮”则是向数据库中添加相应的故障样本提高模式识别率，如果测试故障类型，则选择“未知”即可得到相应的分析结果。

振动信号的训练样本，来源于上述采集方法测量所建立的数据库，通过相应LabVIEW程序即可调用获取。其中不同类型通过LabVIEW“故障类型枚举控件”标签为1(齿轮点蚀)、2(齿根断裂)、3(正常)、4(齿面磨损)、5(齿根裂纹)6(外圈磨损)、7(内圈故障)、8(滚动体故障)，本文主要对前面5种进行测试，每个训练样本提取的7个时、频特征值组成特征向量输入故障识别模型中对其进行训练，训练样本数为70组；测试样本则是齿轮箱工作时所测得的7个时、频特征值组成特征向量，“故障类型枚举控件”则选择“未知”，测试样本数17组。

故障识别模型：本实施方式运用PNN模型与改进果蝇算法优化概率神经网络(PNN)对齿轮箱进行故障诊断，通过LabVIEW调用MATLAB接口实现，便将识别结果反应在LabVIEW前面板，如图5、图6所示为测试界面。

概率神经网络(PNN)是基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的一种并行算法。在模式分类问题中，它可以利用线性学习算法来完成非线性学习算法所做的工作。同时保持非线性算法的高精度等特性。PNN网络结构由输入层、模式层、求和层、输出层共四层组成。

输入层接收来自训练样本的值，将特征向量传递给PNN网络，样本矢量的维数与其神经元数目相等；模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本数之和，该层每个模式单元的输出为：

式中：X为输入的样本，W为输入层到模式层连接的权值，δ为平滑因子，δ的选择会直接影响分类好坏。

每一类只有一个求和层单元，求和层单元只与属于自己的模式层连接，与其它单元的模式层没有连接。其输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，根据上式，求得故障模式的估计概率密度函数，得到各类的概率估计。

输出层主要由简单的阈值辨别器组成，将各个估计的概率密度中后验概率密度最大者作为整个系统的输出。输出层是一种竞争神经元，每个神经元与数据类型都是一一对应的，其个数与训练样本数据的个数相同，当神经元概率密度最大时,其输出值为1，即为待识别的样本模式类别，其它神经元的输出全为0，不是待识别的样本模式类别的大小。

上述提到传统概率神经网络会受平滑因子选取，导致陷入局部极值和预测误差较大问题，因此本文引用改进果蝇(IFOA)优化算法对概率神经网络的平滑参数进行全局寻优，将两者结合起来，建立了一种新的故障预测模型IFOA-PNN模型，流程图如图7所示。具体步骤如下：

步骤S1、初始化果蝇群体：种群大小sizepop、最大迭代次数maxgen、果蝇群体位置(X_axis,Y_axis)；

步骤S2、将果蝇个体(X_i,Y_i)寻觅食物位置和与其的距离随机设置，个体的搜索步长由固定步长L₀改进为变步长：L＝L₀×ω；其中k₁、k₂为常数且k₁＝20，k₂＝4，gen表示当前迭代次数，maxgen为最大迭代次数；

X_i＝X_axis+L×(2×rand()-1)

Y_i＝Y_axis+L×(2×rand()-1)

步骤S3、由于目标食物具体坐标未知，需将种群中所有果蝇个体与初始点的距离D_i进行计算，根据以上数据求出判定值S_i；

S_i＝1/D_i

步骤S4、根据味道浓度判定公式Smell_i＝F(S_i)，将S_i代入公式中进行求解，以此获得此时每个果蝇个体的味道浓度数值；此处选取的判定公式其原理为PNN预测模型中的均方根误差RMSE；

步骤S5、对整个果蝇群体的味道浓度数据集求解其极值，找到该数据集极小值；

[bestSmellbestindex]＝min(Smell)

步骤S6、保存当前时刻的寻优结果

X_axis＝X(bestindex)

Y_axis＝Y(bestindex)

Smellbest＝bestSmell

步骤S7、进行迭代寻优，设置最大循环次数和最佳浓度值寻优终止条件，循环进行步骤S2～S5，若是新获得的极小值小于保存值，则替代原值保存；

步骤S8、判断寻优是否能够满足精度需求终止条件和最大迭代次数，是则获得最佳的平滑因子值，建立相应的PNN故障预测模型，否则重新开始步骤S2进行寻优。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于LabVIEW的远程齿轮箱故障监测系统，其特征在于，包括振动传感器、恒流适配器、数据采集卡、树莓派、单片机、WIFI模块、继电器、上位机单元；

所述振动传感器吸附于齿轮箱表面且靠近轴承端盖的上方；

所述恒流适配器与振动传感器相连接，用于调节振动传感器测取的振动信号；

所述数据采集卡与恒流适配器连接，用于将恒流适配器输出的振动信号数据传输给所述树莓派；

所述树莓派内存储有数据采集卡的驱动及相关的设置程序，以驱动数据采集卡工作；所述树莓派还通过WIFI模块与上位机单元通信，以将振动信号数据上传到上位机单元；

所述单片机通过继电器控制恒流适配器、树莓派的工作与否；所述单片机还通过WIFI模块与上位机单元通信，以使得上位机单元能够远程控制恒流适配器、树莓派的工作与否；

所述上位机单元对接收的振动信号数据进行处理，通过时、频分析获取振动信号的时域特征参数，从特征参数中提取对故障较为敏感的特征向量，通过设置8种标签对应8种工作状态，分别导入故障分类模型中，最后将监测结果反映在LabVIEW的波形图上。

2.根据权利要求1所述的一种基于LabVIEW的远程齿轮箱故障监测系统，其特征在于，所述8种工作状态包括齿轮点蚀、齿根断裂、正常、齿面磨损、齿根裂纹、外圈磨损、内圈故障、滚动体故障。

3.根据权利要求1所述的一种基于LabVIEW的远程齿轮箱故障监测系统，其特征在于，该系统工作流程如下：用户在上位机单元的LabVIEW软件进行登陆，登陆成功后，等待上位机单元与WIFI模块的网络连接成功后，上位机单元给出开启树莓派及恒流适配器指令；在树莓派开启后，开机自启动程序启动，下位机开始数据的采集，此后上位机单元接收从下位机传输的数据，在传输过程中，对振动最大值进行限制，当接收数据过程中出现超限时，系统报警灯会点亮；同时对超限次数进行统计，当次数达到上限时会自动发送邮件提示警报，并将接收数据将以文本文件形式保存，同时通过调用MATLAB脚本，进行相应的时、频分析，将获取的时频特征参数以数据库的形式进行保存后，将提取特征参数导入MATLAB脚本中，运用故障预测模型IFOA-PNN判断齿轮的故障类型。

4.根据权利要求3所述的一种基于LabVIEW的远程齿轮箱故障监测系统，其特征在于，所述故障预测模型IFOA-PNN，采用改进果蝇优化算法对概率神经网络的平滑参数进行全局寻优而得，具体如下：

步骤S1、初始化果蝇群体：种群大小sizepop、最大迭代次数maxgen、果蝇群体位置(X_axis,Y_axis)；

步骤S2、将果蝇个体(X_i,Y_i)寻觅食物位置和与其的距离随机设置，个体的搜索步长由固定步长L₀改进为变步长：L＝L₀×ω；其中k₁、k₂为常数，gen表示当前迭代次数，max gen为最大迭代次数；

X_i＝X_axis+L×(2×rand()-1)

Y_i＝Y_axis+L×(2×rand()-1)

步骤S3、由于目标食物具体坐标未知，需将种群中所有果蝇个体与初始点的距离D_i进行计算，根据以上数据求出判定值S_i；

S_i＝1/D_i

步骤S4、根据味道浓度判定公式Smell_i＝F(S_i)，将S_i代入公式中进行求解，以此获得此时每个果蝇个体的味道浓度数值；此处选取的判定公式其原理为PNN预测模型中的均方根误差RMSE；

步骤S5、对整个果蝇群体的味道浓度数据集求解其极值，找到该数据集极小值；

[bestSmellbestindex]＝min(Smell)

步骤S6、保存当前时刻的寻优结果

X_axis＝X(bestindex)

Y_axis＝Y(bestindex)

Smellbest＝bestSmell

步骤S7、进行迭代寻优，设置最大循环次数和最佳浓度值寻优终止条件，循环进行步骤S2～S5，若是新获得的极小值小于保存值，则替代原值保存；

步骤S8、判断寻优是否能够满足精度需求终止条件和最大迭代次数，是则获得最佳的平滑因子值，建立相应的PNN故障预测模型，否则重新开始步骤S2进行寻优。