一种基于图形化变换的RV减速器性能状态监测方法
技术领域
本发明涉及RV减速器机械性能状态监测的技术领域,特别地,涉及一种基于图形化变换的RV减速器机械性能故障监测方法。
背景技术
RV减速器广泛用于各种机械设备当中。当RV减速器箱机械性能下降,或者发生故障,将会导致机械系统的精度下降甚至出现故障,产生重大损失。因此,RV减速器的机械性能状态监测具有十分重要的工程意义和应用价值。
振动监测是机械故障检测中最常见的方法之一。其中,声发射由于其非定向、时间早和频率高的特点显示出巨大的优势。传统通过AE对RV减速器机械退化监测方案的研究中,将基于阈值的去噪技术并入经验模态分解中,并从所得到的信号中估计多个统计时间特征,实现RV减速器的健康状态监测,该方法实现了可靠的齿根裂纹检测,但是在所提出的故障指标中无法显示速度变化的影响;通过估算EMD时域AE信号的峰度和峰值因子,来确定轴承和RV减速器的状态,但是该方法没有明确解释损害的严重程度;将信号分解为几个频率范围,从不同频段的能量阈值中提取故障指标,但是提取的能量值直接用于故障分类系统,以便用其他参数进行处理,而不是事先分析提取包含故障检测信息本身的故障指示器。
这些方法的主要缺点与使用基于统计时间的故障指示器相关,直接影响了识别隐藏在动态信号内的故障模式的有效性。基于图形化的RV减速器机械性能状态监测方法,通过EMD分解和HLS变换进行图形化变换,得到描述RV减速器状态的高维二维图形变换空间,接下来,采用基于神经网络的拓扑保存方法来描述这种二维图形变换空间,实现可靠、低成本地RV减速器机械性能状态监测。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于图形化变换的RV减速器机械性能状态监测方法,将AE信号通过EMD分解和HLS变换,得到描述RV减速器状态的高维图形变换空间,采用SOM神经网络的拓扑保存方法描述这种二维图形变换空间,能够反映RV减速器机械性能退化程度,从而预防RV减速器故障,避免损失。
本发明解决其技术问题所采用的技术方案是:一种基于图形化变换的RV减速器性能状态监测方法,包括以下步骤:
A、获取设于减速器外壳上的传感器的声发射信号;
B、将RV减速器的声发射信号进行经验模态分解,得到本征模函数信号;
C、将本征模函数信号进行图形变换处理,每个本征模函数信号得到三个变换值;
D、将三个变换值进行色调光饱和度变换,得到本征模函数信号的二维图形变换空间;
E、以二维图形变换空间为输入训练SOM神经网络,得到训练后的RV减速器的SOM神经网络;
F、将不同磨损状态的RV减速器的声发射信号重复B、C、D步骤,得到不同磨损状态的RV减速器的二维图形变换空间,分别输入RV减速器的SOM神经网络,将结果与SOM神经网络的训练结果相比较,实现状态监测。
所述声发射信号为在RV减速器不同程度磨损状态下,在相同转矩条件下,不同转速下的声发射信号。
所述步骤C包括以下步骤:
C1、在经验模态分解得到的多条本征模函数信号中,选择3个声发射信号频率的本征模函数信号;
C2、确定二维图形变换处理器的三个频率范围,分别对应R频率、G频率和B频率;
C3、对每一个IMF信号,计算三个二维图形变换参数值,即R参数、G参数、B参数;
其中,z为本征模函数信号,fR为R频率,fG为G频率,fB为B频率。
所述步骤D包括以下步骤:
D1、对每个本征模函数信号的R参数、G参数、B参数,转换成H、L、S参数
其中,r=R-min(R,G,B),g=G-min(R,G,B),b=B-min(R,G,B)。
D2、将每个声发射信号下的多个本征模函数信号的H、L、S信号按[H1 L1 S1 H2 L2S2…]的顺序写成一个向量,即得到这个AE信号的二维图形变换空间。
所述步骤E包括:
E1、将多个声发射信号的二维图形变换空间向量写成一个矩阵,作为SOM神经网络的输入;
E2、确定SOM神经网络的参数;
E3、训练SOM神经网络;
E4、保存训练好的SOM神经网络。
所述训练SOM神经网络后,根据该网络得到含有SOM神经网络参数或输入样本的SOM神经网络可视图。
所述SOM神经网络可视图为拓扑图、邻近神经元的连接图、邻近神经元距离图、输入划分图、样本竞争图、权重位置图中的一种或多种。
所述将结果与SOM神经网络的训练结果相比较具体为:
若结果与神经网络训练结果分类中的某一类X距离最近,则此次状态监测结果为X。
本发明具有以下有益效果及优点:
(1)将HLS变换引入对AE引号的分析中,HLS变换提供AE信号的幅度和频率分布的特征,非常适合减速器AE信号分解分析。
(2)将AE信号分解成多条IMF信号,分解主要的不同频率的模式可以实现分析RV减速器信号更多的特征模式。
(3)利用SOM映射,通过AE信号的主要IMF信号的HLS变换提供的信息计算了新的系数,不仅能直观地判断RV减速器的故障情况,而且量化了故障程度,实现对一号RV减速器可靠地故障监测。
附图说明
图1是RV减速器故障监测流程图;
图2a是RGB图形转换处理器频率范围示意图;
图2b是HLS图形转换参数表示图;
图3是SOM U-matrix图;
图4是SOM分量图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
参见图1,是本发明实施例提供的一种RV减速器故障监测方法的流程示意图。在本实施例中,所述的一种RV减速器故障监测方法,包括以下步骤:
A、获取声发射(Acoustic Emission,AE)信号;
B、将健康RV减速器的AE信号进行经验模态分解(Empirical modedecomposition,EMD),得到本征模函数(Intrinsic Mode Function,IMF)信号;
C、将IMF信号进行图形变换处理器处理,每个IMF信号得到三个变换值;
D、将三个变换值进行色调光饱和度(Hue,Light,Saturation,HLS)变换,得到信号的二维图形变换空间;
E、以二维图形变换空间为输入训练SOM神经网络,进行拓扑保存映射,计算性能退化评估指标,得到RV减速器的SOM神经网络和性能退化参数;
F、将不同磨损状态的RV减速器的AE信号重复B、C、D步骤,得到不同磨损状态的RV减速器的二维图形变换空间,分别输入健康RV减速器的SOM神经网络,进行E所述拓扑保存映射(即保存SOM神经网络参数),计算E所述性能退化指标,将新获取的声发射数据输入神经网络模型进行计算与每个状态的坐标进行比较,选取比较结果最小的状态为测得的信号所属的减速器状态(将测量信号的计算结果与神经网络训练的结果比较:若信号与神经网络训练分类中的某一类X距离最近,则此次测量值的分类结果为X。),实现状态监测。
所述步骤A为,在RV减速器不同程度的磨损状态下,在相同转矩条件下,不同转速下的声发射信号。
所述步骤C包括:
C1、在分解得到的多条IMF信号中,选择前3个AE信号主要频率的IMF信号;
C2、选定一个频带范围(根据不同的声发射传感器有所不同,假设频带范围为Fl~Fh,则R频带的范围为Fl~((Fl+Fh)/2),G频带的范围为((3Fl+Fh)/4)~((Fl+3Fh)/4),B频带的范围为((Fl+Fh)/2)~Fh),确定二维图形变换处理器的三个频率范围:R频带、G频带和B频带;
C3、对每一个IMF信号,计算三个二维图形变换参数值,即R参数、G参数、B参数
其中,z为IMF信号,fR为R频率,fG为G频率,fB为B频率。
所述步骤D包括:
D1、对每个IMF信号的R参数、G参数、B参数,转换成H、L、S参数
其中,r=R-min(R,G,B),g=G-min(R,G,B),b=B-min(R,G,B)。
D2、将每个AE信号下的多个IMF信号的H、L、S信号按[H1 L1 S1 H2 L2 S2…]的顺序写成一个向量,即得到这个AE信号的二维图形变换空间。
更进一步的,在所述步骤D中,实例选择每个AE信号的前3个IMF信号进行H、L、S参数转换,得到向量H1 L1 S1 H2 L2 S2 H3 L3 S3,及该AE信号的二维图形变换空间。
所述步骤E包括:
E1、将多个AE信号的二维图形变换空间向量写成一个矩阵,作为SOM神经网络的输入;将设定的减速器状态作为输出,例如:减速器在出厂状态与预先定义的故障状态下分为十个磨损等级,则我们的神经网络分类为十个分类,并将测得的所有数据分为相应的十类进行训练。
E2、确定SOM神经网络的竞争层维数、拓扑函数、距离函数、邻域缩小到1的步长、初始邻域大小;
E3、训练SOM神经网络;
E4、得到训练好的SOM神经网络的拓扑图(Topology)、邻近神经元的连接图(Neighbor Connections)、邻近神经元距离图(Neighbor Distances)、输入划分图(InputPlanes)、样本竞争图(Sample Hits)、权重位置图(Weight Positions);各图中含有训练完成的SOM神经网络参数。
E5、保存训练好的SOM神经网络;
E6、计算性能退化评估指标
其中,M为信号距离最近的神经元的距离大于阈值条件的测量值数目;D为图形变换空间维度;为测量值,即输入信号在SOM神经元中的坐标,为与测量值投影相对应的最近的神经元,即已经训练好的神经元所训练处的各种状态的集合的中心坐标。用于评估神经网络。
下面从测试和数据分析的角度,对本发明实施例提供的一种一号RV减速器故障监测方法进行说明。
以一号RV减速器齿轮磨损故障为例:
首先,振动传感器采集到AE信号。
接下来进行EMD分解,本发明实施例提供的一种RV减速器故障监测方法中,从减速器磨损故障下和正常工作下的AE信号和前3个IMF信号的时域和频域图可以得到,IMF的频域图中磨损信号和健康信号的区别更加明显,说明在处理磨损信号时,EMD分解突出了AE信号的特征。
下面进行图形转换处理器处理,参见图2a,是本发明实施例提供的一种一号RV减速器故障监测方法中的图形转换处理器示意图。在本次测试中,R、G、B的频率范围分别取[50,275][162.5,387.5][275 500]赫兹。
接着进行HLS参数转换,参见图2b,是本发明实施例提供的一种一号RV减速器故障监测方法中的HLS参数转换(将RGB参数转化成HLS参数)的示意图。选取AE信号经过EMD分解后的前3个IMF信号,进行HLS参数转换,得到该AE信号的二维图形变换空间。
而后,进行SOM训练。从图3可以看出,U-matrix图可以分成两部分,也就是两种不同的数据被分别聚类在一起,这两部分数据就是磨损数据和健康数据。图4是SOM分量图,分别是3个IMF信号的HLS3个参数,第一列是H参数,第二列是L参数,第三列是S参数,第一行是第1个IMF信号,第二行是第2个IMF信号,第三行是第3个IMF信号。可以看出,H参数在健康状态下低频分量更有优势,L参数对应图形表征中的速度调制,S参数在健康状态下很均匀。通过分量图更直观地看出磨损数据和健康数据的差别。
最后计算性能退化指标,磨损RV减速器的性能退化指标明显高于正常RV减速器,在一号RV减速器上故障监测上实现量化。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质和原理下所做的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。