CN112345240B - 机械零部件故障诊断系统 - Google Patents

机械零部件故障诊断系统 Download PDF

Info

Publication number
CN112345240B
CN112345240B CN201910727965.3A CN201910727965A CN112345240B CN 112345240 B CN112345240 B CN 112345240B CN 201910727965 A CN201910727965 A CN 201910727965A CN 112345240 B CN112345240 B CN 112345240B
Authority
CN
China
Prior art keywords
signal
detection signals
detection
sample
signals
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.)
Active
Application number
CN201910727965.3A
Other languages
English (en)
Other versions
CN112345240A (zh
Inventor
郑斌
周俊帆
俞英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mitsubishi Elevator Co Ltd
Original Assignee
Shanghai Mitsubishi Elevator Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Mitsubishi Elevator Co Ltd filed Critical Shanghai Mitsubishi Elevator Co Ltd
Priority to CN201910727965.3A priority Critical patent/CN112345240B/zh
Publication of CN112345240A publication Critical patent/CN112345240A/zh
Application granted granted Critical
Publication of CN112345240B publication Critical patent/CN112345240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G01M13/04—Bearings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种机械零部件故障诊断系统，状态辨识矩阵构建模块用于获得用于机械零部件检测信号的模式识别的辨识矩阵；状态辨识矩阵构建模块采用方差分析方法计算因素显著性，基于此重构用于待判别检测信号模式识别的最终状态辨识矩阵，这可以消除非显著因素的影响，提高后续模式识别的准确性，也使得计算更为简便，便于实现。

Description

机械零部件故障诊断系统
技术领域
本发明涉及自动化检测技术，特别设计一种机械零部件故障诊断系统。
背景技术
工业生产和日常生活领域中，机械零部件的磨损或损伤诊断是关系到生命和生产安全的重要问题。为了保证设备的正常运行，目前通常采用定期检修的方式，但是对于故障率较低的情况，定期检修增加了成本，而对于故障率较高的情况，很可能出现维修不足，在某些场合将造成严重的经济损失。在此背景下，故障诊断技术应运而生，通过对设备信号的监测可以在不停机的情况下分析设备零部件运行状态，降低运行过程中的风险和检修成本。
在实际运行过程中，设备零部件的监测信号往往呈现明显的非线性非平稳特征，难以直接用于分析，需要将其分解为多个平稳信号，不同信号分解后，分量个数可能出现差异，在此情况下，由不同信号提取的信号特征数目也将不同，这会导致信号特征不能用于故障模式识别。中国发明专利授权说明书CN102854015B中公开了信号分解后分量个数不同时的解决办法：首先确定不同信号分解后分量的最大个数n，小于n的补充零向量以保证分量个数一致。但是由于增加了无关元素，不仅会导致后续故障诊断效率的降低，同时更为严重的问题是：由于补充的为相同的零元素向量，降低了样本间的差异，在对信号模式识别的过程中会增加误判率。
信号特征的提取是故障模式识别的前提，但是某些信号特征并不是故障模式识别的关键因素，将信号特征中的非关键因素剔除后用于故障模式识别，能够提高故障模式识别效率和诊断准确率。中国发明专利授权说明书CN103674511B中公开了采用田口方法对信号特征进行约减，其中采用信噪比作为指标，判断某一信号特征是否应该剔除，但是实际信号的信噪比难以获得，需要估计噪声方差和有用信号能量，估计的结果误差较高，若要提高估计准确度，需要大量的样本进行估计，但是大量的故障样本往往难以获得，同时这将极大增加信号采集的工作量。
根据信号的特征信息，可以进行模式识别，判断信号背后的机械零部件的健康程度。K-近邻法(KNN)是一种非参数识别方法，不需要事先确定样本先验概率和类条件概率密度函数，因此也并不需要大量样本用于训练。中国发明专利授权说明书CN103488561B采用KNN方法进行故障检测。但是KNN方法中近邻个数K的选取具有主观性，不同的K值选取可能会导致不同的模式识别结果，影响判断的准确性；同时也没有考虑误判之后所造成损失的差异。
发明内容
本发明要解决的技术问题是提供一种机械零部件故障诊断系统，能提高模式识别的准确性，也使便于实现。
为解决上述技术问题，本发明提供的机械零部件故障诊断系统，其包括状态辨识矩阵构建模块；
所述状态辨识矩阵构建模块，用于获得用于机械零部件检测信号的模式识别的辨识矩阵；
所述状态辨识矩阵构建模块，工作过程如下：
首先，构建e个样本检测信号的特征矩阵；e为大于1的正整数，e个样本检测信号包括至少一个正常样本检测信号及至少一个故障样本检测信号；一个样本检测信号的特征矩阵Amn的(i,j)元aij表示该个样本检测信号的一种平稳信号分量的第j个平稳信号分量的第i个时域幅值，m为正整数，i为1到m的整数,j为1到n的整数，n为检测信号的该种平稳信号分量的分析用分量个数；
然后分别对e个样本检测信号的特征矩阵进行奇异值分解或广义特征值计算，分别获得e个样本检测信号的特征矩阵的奇异值向量或广义特征值向量，由e个样本检测信号的奇异值向量或广义特征值向量构成初始状态辨识矩阵；
在构成初始状态辨识矩阵后，再以提取的奇异值向量或广义特征值向量为因素，不同检测信号类别为水平，确定水平均值，进行方差分析，计算各因素的F值，并根据给定显著性水平α查F表获得Fα，如果F≤Fα,则相应因素对模式识别影响不显著，删除初始状态辨识矩阵的相应因素；否则相应因素对模式识别影响显著，保留初始状态辨识矩阵的相应因素，对不同因素分别进行以上分析，最后获得用于模式识别的最终状态辨识矩阵。
较佳的，
Figure BDA0002159556160000031
SSB为一因素的组间离差平方和，SSE为一因素的组内离差平方和，DFB为一因素的组间自由度，DFE为一因素的组内自由度。
较佳的，机械零部件故障诊断系统还包括模式识别模块；
所述模式识别模块，用于根据所述最终状态辨识矩阵对待判别检测信号进行模式识别；
所述模式识别模块，工作过程如下：
步骤一、根据所述最终状态辨识矩阵中的各类信号的因素数目和因素分散程度，确定e个样本检测信号中的第u类信号中用于模式识别的样本个数Ku，当下式取最大值时的w值即为对应的Ku，检测信号分为P类，P为大于1的整数，u为1到P的整数；
Figure BDA0002159556160000032
其中，nu为第u类检测信号样本个数，V(tu/nu)为中心在tu的超球体体积；tu为nu个第u类检测信号的空间中心u；
步骤二、基于提取的奇异值向量或广义特征值向量，在e个样本检测信号中的各类样本检测信号中分别搜索距离最近的Ku个近邻，以近邻中最远一个样本检测信号的距离r为半径，以待判别检测信号为中心，计算相应超球体体积，据此计算超球体体积内近邻样本的空间占比：
Figure BDA0002159556160000033
s为待判别检测信号；V(s/nu)为中心在s的超球体体积；
步骤三、给定将第x类的样本错判为第y类的错判损失C(y|x)，计算将待判别检测信号分类到第z类时的可能错判损失Gz，x、y、z均为1到P的整数，其表达式为
Figure BDA0002159556160000034
将得到的各个可能错判损失Gz进行比较，将待判别检测信号s分类到错判损失最小的类。
较佳的，在步骤三中，给定将第x类的样本错判为第y类的错判损失C(y|x)，其中故障样本错判为正常的错判损失，不小于正常样本错判为故障的错判损失。
较佳的，机械零部件故障诊断系统还包括故障检测传感器、信号分量个数确定模块；
所述故障检测传感器，用于采集机械零部件的检测信号；
所述信号分量个数确定模块，用于对h个检测信号进行分解，得到检测信号的一种平稳信号分量，而后得到检测信号的该种平稳信号分量的分析用分量个数n，h为正整数；
n的确定方式为：分别计算第s个检测信号的各个该种平稳信号分量的指标占第s个检测信号总指标的比值，简称为指标占比，按照指标占比的高低依次对第s个检测信号的各个该种平稳信号分量的指标占比进行叠加，当指标占比叠加值大于或等于设定占比时，停止叠加，记录此时参与叠加的第s个检测信号的该种平稳信号分量的个数Ys，s为1到h的整数；取Y1到Yh中的最大值Ymax，取h个检测信号的该种平稳信号分量的个数的最小值为Xmin，取Ymax与Xmin二者中的相对小值为n。
较佳的，机械零部件故障诊断系统还包括降噪处理模块；
所述降噪处理模块，用于将所述故障检测传感器采集的机械零部件检测信号进行降噪处理后发送到所述信号分量个数确定模块；所述信号分量个数确定模块对降噪后的检测信号进行分解，得到检测信号的一种平稳信号分量的分析用分量个数n。
较佳的，机械零部件的所述检测信号分为正常、故障两类。
较佳的，所述h个检测信号，是正常检测信号；或者，
所述h个检测信号，是故障检测信号；或者，
所述h个检测信号，是正常检测信号及故障检测信号。
较佳的，故障检测信号又分为中度磨损和严重磨损两类。
较佳的，所述设定占比取90％至100％。
较佳的，所述机械零部件故障为轴承磨损类故障；
所述故障检测传感器采用加速度传感器；
所述加速度传感器用于采集轴承振动加速度信号。
较佳的，所述加速度传感器安装在轴承座侧面。
较佳的，所述故障检测传感器采用非振动传感器。
较佳的，所述非振动传感器为声传感器或涡流传感器
较佳的，所述信号分量个数确定模块，用于对h个检测信号进行固有时间尺度分解ITD，获得旋转分量PRC作为一种平稳信号分量，而后得到检测信号的旋转分量的分析用分量个数n；
所述指标为能量。
较佳的，所述信号分量个数确定模块，用于对h个检测信号进行经验模态分解EMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
较佳的，所述信号分量个数确定模块，用于对h个检测信号进行集合经验模态分解EEMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
本发明的机械零部件故障诊断系统，状态辨识矩阵构建模块采用方差分析方法计算因素显著性，基于此重构用于待判别检测信号模式识别的最终状态辨识矩阵，这可以消除非显著因素的影响，提高后续模式识别的准确性，也使得计算更为简便，便于实现。
附图说明
为了更清楚地说明本发明的技术方案，下面对本发明所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的机械零部件故障诊断系统一实施例结构示意图；
图2为本发明的机械零部件故障诊断系统一实施例状态辨识矩阵构建模块工作过程示意图；
图3为本发明的机械零部件故障诊断系统一实施例模式识别模块工作过程示意图；
图4为本发明的机械零部件故障诊断系统一实施例信号分量个数确定模块工作过程示意图；
图5为时域内待判别检测信号的幅值分布图；
图6为近邻法模式识别示例图。
具体实施方式
下面将结合附图，对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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的前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
如图1所示，机械零部件故障诊断系统包括状态辨识矩阵构建模块；
所述状态辨识矩阵构建模块，用于获得用于机械零部件检测信号的模式识别的辨识矩阵；
所述状态辨识矩阵构建模块，如图2所示，工作过程如下：
首先，构建e个样本检测信号的特征矩阵；e为大于1的正整数，e个样本检测信号包括至少一个正常样本检测信号及至少一个故障样本检测信号；一个样本检测信号的特征矩阵Amn的(i,j)元aij表示该个样本检测信号的一种平稳信号分量的第j个平稳信号分量的第i个时域幅值，m为正整数，i为1到m的整数,j为1到n的整数，n为检测信号的该种平稳信号分量的分析用分量个数；
然后分别对e个样本检测信号的特征矩阵进行奇异值分解或广义特征值计算，分别获得e个样本检测信号的特征矩阵的奇异值向量或广义特征值向量，由e个样本检测信号的奇异值向量或广义特征值向量构成初始状态辨识矩阵；
在构成初始状态辨识矩阵后，再以提取的奇异值向量或广义特征值向量为因素，不同检测信号类别为水平，确定水平均值，进行方差分析，计算各因素的F值，并根据给定显著性水平α查F表获得Fα，如果F≤Fα,如果F≤Fα,则相应因素对模式识别影响不显著，删除初始状态辨识矩阵的相应因素；否则相应因素对模式识别影响显著，保留初始状态辨识矩阵的相应因素，对不同因素分别进行以上分析，最后获得用于模式识别的最终状态辨识矩阵。
Figure BDA0002159556160000061
SSB为一因素的组间离差平方和，SSE为一因素的组内离差平方和，DFB为一因素的组间自由度，DFE为一因素的组内自由度。
实施例一的机械零部件故障诊断系统，状态辨识矩阵构建模块采用方差分析方法计算因素显著性，基于此重构用于待判别检测信号模式识别的最终状态辨识矩阵，这可以消除非显著因素的影响，提高后续模式识别的准确性，也使得计算更为简便，便于实现。
实施例二
基于实施例一，机械零部件故障诊断系统还包括模式识别模块；
所述模式识别模块，用于根据所述最终状态辨识矩阵对待判别检测信号进行模式识别；
所述模式识别模块，如图3所示，工作过程如下：
步骤一、根据所述最终状态辨识矩阵中的各类信号的因素数目和因素分散程度，确定e个样本检测信号中的第u类信号中用于模式识别的样本个数Ku，当下式取最大值时的w值即为对应的Ku，检测信号分为P类，P为大于1的整数，u为1到P的整数；
Figure BDA0002159556160000071
其中，nu为第u类检测信号样本个数，V(tu/nu)为中心在tu的超球体体积；tu为nu个第u类检测信号的空间中心u；
步骤二、基于提取的奇异值向量或广义特征值向量，在e个样本检测信号中的各类样本检测信号中分别搜索距离最近的Ku个近邻，以近邻中最远一个样本检测信号的距离r为半径，以待判别检测信号为中心，计算相应超球体体积，据此计算超球体体积内近邻样本的空间占比：
Figure BDA0002159556160000072
s为待判别检测信号；V(s/nu)为中心在s的超球体体积；
步骤三、给定将第x类的样本错判为第y类的错判损失C(y|x)，计算将待判别检测信号分类到第z类时的可能错判损失Gz，x、y、z均为1到P的整数，其表达式为
Figure BDA0002159556160000073
将得到的各个可能错判损失Gz进行比较，将待判别检测信号s分类到错判损失最小的类。
较佳的，在步骤三中，给定将第x类的样本错判为第y类的错判损失C(y|x)，其中故障样本错判为正常的错判损失，不小于正常样本错判为故障的错判损失。这使得故障诊断即使出现误判，其结果也更偏于安全。
实施例二的机械零部件故障诊断系统，模式识别模块能根据最终状态辨识矩阵待判别检测信号进行模式识别，在模式识别过程中，考虑各类信号的因素数目和因素分散程度，以此确定各类信号中用于模式识别的样本个数K，避免了K值选取的主观性对故障判别准确性的影响，同时考虑错判损失，不需要大量样本用于训练，同时减少错误判别造成的损失，更适合于实际设备的健康监测。
实施例三
基于实施例一，机械零部件故障诊断系统包括故障检测传感器、信号分量个数确定模块；
所述故障检测传感器，用于采集机械零部件的检测信号；每个检测信号有至少2个平稳信号分量；
所述信号分量个数确定模块，用于对h个检测信号进行分解，得到检测信号的一种平稳信号分量，而后得到检测信号的该种平稳信号分量的分析用分量个数n，h为正整数；
如图4所示，n的确定方式为：分别计算第s个检测信号的各个该种平稳信号分量的指标占第s个检测信号总指标的比值，简称为指标占比，按照指标占比的高低依次对第s个检测信号的各个该种平稳信号分量的指标占比进行叠加，当指标占比叠加值大于或等于设定占比时，停止叠加，记录此时参与叠加的第s个检测信号的该种平稳信号分量的个数Ys，s为1到h的整数；取Y1到Yh中的最大值Ymax，取h个检测信号的该种平稳信号分量的个数的最小值为Xmin，取Ymax与Xmin二者中的相对小值为n。
实施例三的机械零部件故障诊断系统，计算检测信号的一平稳信号分量的可叠加指标，该可叠加指标具有明确的物理意义，可以表征一检测信号的部分特征，同时需满足该检测信号各平稳信号分量的指标之和小于或等于该检测信号的该项指标，随后计算平稳信号分量的指标占比；通过各个检测信号的参与叠加的平稳信号分量的个数，得到检测信号的该种平稳信号分量的分析用分量个数n。该机械零部件故障诊断系统，利用平稳信号分量的指标占比确定检测信号的该种平稳信号分量的分析用分量个数n，定量给出了信号分量选取原则，使得用于特征提取的信号分量个数一致，同时避免了各类不同信号在相同设定值下可能出现的信号分量个数显著差异的问题，使信号分量能用于故障模式识别，并且无需增加与信号无关的元素，不会导致后续故障诊断效率的降低，不会降低样本间的差异，降低了信号模式识别的过程中的误判率。
实施例四
基于实施例三，机械零部件故障诊断系统还包括降噪处理模块；
所述降噪处理模块，用于将所述故障检测传感器采集的机械零部件检测信号进行降噪处理后发送到所述信号分量个数确定模块；所述信号分量个数确定模块对降噪后的检测信号进行分解，得到检测信号的一种平稳信号分量的分析用分量个数n。
较佳的，机械零部件的所述检测信号分为正常、故障两类。
较佳的，所述h个检测信号，是正常检测信号；或者，
所述h个检测信号，是故障检测信号；或者，
所述h个检测信号，是正常检测信号及故障检测信号。
较佳的，故障检测信号又分为中度磨损和严重磨损两类。
较佳的，所述设定占比取90％至100％。设定占比取100％时，此时检测信号的各个平稳信号分量都参与叠加才能满足该设定占比的要求。
实施例五
基于实施例三的机械零部件故障诊断系统，所述机械零部件故障为轴承磨损类故障
所述故障检测传感器采用加速度传感器；
所述加速度传感器用于采集轴承振动加速度信号。
较佳的，所述加速度传感器安装在轴承座侧面。
实施例六
基于实施例三的机械零部件故障诊断系统，所述故障检测传感器采用非振动传感器；
较佳的，所述非振动传感器为声传感器或涡流传感器。
实施例七
基于实施例三的机械零部件故障诊断系统，所述信号分量个数确定模块，用于对h个检测信号进行固有时间尺度分解ITD，获得旋转分量PRC作为一种平稳信号分量，而后得到检测信号的旋转分量的分析用分量个数n；
所述指标为能量。
实施例八
基于实施例三的机械零部件故障诊断系统，所述信号分量个数确定模块，用于对h个检测信号进行经验模态分解EMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
实施例九
基于实施例三的机械零部件故障诊断系统，所述信号分量个数确定模块，用于对h个检测信号进行集合经验模态分解EEMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
实施例十
基于实施例三的机械零部件故障诊断系统，所述机械零部件故障为轴承磨损类故障
所述故障检测传感器采用加速度传感器；
所述加速度传感器用于采集轴承振动加速度信号。
所述轴承振动加速度信号分为正常、中度磨损和严重磨损三类，第u类检测信号的个数为m,每个第u类检测信号有至少2个平稳信号分量；
第1类检测信号为正常，m＝6个；
第2类检测信号为中度磨损，m＝6个；
第3类检测信号为严重磨损，m＝6个；
对6个第1类检测信号(正常检测信号)、6个第2类检测信号(中度磨损检测信号)、6个第3类检测信号(严重磨损检测信号)进行固有时间尺度分解(ITD)，获得旋转分量(PRC)作为一种平稳信号分量，各检测信号的PRC分量的个数如表1所示；
表1：各检测信号的PRC分量的个数
Figure BDA0002159556160000101
Figure BDA0002159556160000111
各个平稳信号分量的指标选用能量，所述信号分量个数确定模块，对第1类检测信号(正常检测信号)进行分解，得到检测信号的该种平稳信号分量的分析用分量个数n；
n的确定方式为：分别计算第s个检测信号的各个旋转分量(PRC)的能量占第s个检测信号总能量的比值，简称为指标占比，按照指标占比的高低依次对第s个检测信号的各个旋转分量(PRC)的指标占比进行叠加，当指标占比叠加值大于或等于设定占比时，停止叠加，记录此时参与叠加的第s个检测信号的旋转分量(PRC)的个数Ys，s为1到h的整数；取Y1到Y6中的最大值Ymax，取h个检测信号的旋转分量(PRC)的个数的最小值为Xmin，取Ymax与Xmin二者中的相对小值为n。
表2为正常检测信号旋转分量(PRC)的能量占信号总能量的比值，设定占比取95％，第1个正常检测信号(正常1)和第4个正常检测信号(正常4)参与叠加的旋转分量(PRC)的个数为4；第2个正常检测信号(正常2)、第3个正常检测信号(正常3)、第5个正常检测信号(正常5)和第6个正常检测信号(正常6)参与叠加的旋转分量(PRC)的个数为5，由此可知Y1到Y6中的最大值Ymax取5，小于样本总体的每个第1类检测信号(正常检测信号)的旋转分量(PRC)总个数的最小值7，所述信号分量个数确定模块由此确定第1类检测信号(正常检测信号)的分析用旋转分量(PRC)个数为n＝5；
表2：正常检测信号旋转分量(PRC)的能量占信号总能量的比值
Figure BDA0002159556160000112
Figure BDA0002159556160000121
在确定第1类检测信号(正常检测信号)的分析用旋转分量PRC个数为n＝5后；构建e个样本检测信号的特征矩阵，每个样本检测信号选取5个分析用旋转分量PRC，对矩阵进行奇异值分解，提取信号特征。
另外采集了一组轴承的振动信号s，信号时域分布如图5所示，降噪处理后通过ITD分解得到PRC分量，选取5个PRC分量组成特征矩阵，进行奇异值分解求取奇异值。
采用传统的KNN近邻法进行分析，K值取3，此时距离最近的3个样本信号中，1个为严重磨损信号，2个为中度磨损信号，因此这个待分类信号属于中度磨损类。
实施例十一
采用实施例十中的18组信号，对正常信号和故障信号进行经验模态分解EMD，在每组信号分解得到的固有模态函数分量IMF中，每个样本检测信号选取5个固有模态函数分量IMF组成特征矩阵，对其进行奇异值分解，根据得到的对角阵确定奇异值向量，具体结果如表3所示。
表3：信号奇异值
Figure BDA0002159556160000122
Figure BDA0002159556160000131
以奇异值为因素，不同类别为水平，确定表3中各水平均值。
计算离差平方和，包括组间离差平方和SSB、组内离差平方和SSE，5个因素对应的结果如表4所示。
表4：组间离差平方和SSB、组内离差平方和SSE结果
Figure BDA0002159556160000132
利用离差平方和除以各自由度得到对应的均方差，设组间自由度为DFB，组内自由度为DFE，则组间均方差MSB和组内均方差MSE的计算公式为
Figure BDA0002159556160000133
根据组间均方差MSB和组内均方差MSE计算F值，F＝MSB/MSE。自由度和F值计算结果如表5所示。
表5：自由度和F值结果
Figure BDA0002159556160000134
这里给定显著性水平α＝0.01，由F分布表查出临界值Fα，比较F和Fα，结果表明前四个因素的不同水平影响显著，应保留前四个因素，而最后一个因素的F值小于Fα，需要删除最后一个因素，获得用于模式识别的状态辨识矩阵。
另外采集了一组轴承的振动信号s，信号时域分布如图5所示，降噪处理后通过EMD分解得到IMF分量，选取5个IMF分量组成特征矩阵，进行奇异值分解求取奇异值。
采用传统的KNN近邻法进行分析，K值取3，此时距离最近的3个样本信号中，2个为严重磨损信号，1个为中度磨损信号，因此这个待分类信号属于严重磨损类。
实施例十二
采用实施例十中的18组信号，对正常信号和故障信号进行集合经验模态分解EEMD，每组信号分解得到多个固有模态函数分量IMF，选取能量作为可叠加性指标，计算正常信号IMF分量的能量占信号总能量的比值，按照能量占比的高低降序对各IMF分量的能量比值进行叠加，将设定值取为95％，确定检测信号的固有模态函数分量IMF的分析用分量个数n＝5。
构建e个样本检测信号的特征矩阵，每个样本检测信号选取5个分析用固有模态函数分量IMF，对特征矩阵进行奇异值分解，不同类别为水平，进行方差分析，给定显著性水平α＝0.01，由F分布表查出临界值Fα，比较F和Fα，结果表明前四个因素的不同水平影响显著，应保留前四个因素，而最后一个因素的F值小于Fα，需要删除，由此获得用于模式识别的状态辨识矩阵。
所述模式识别模块，根据各类信号的样本数目和分散程度，确定正常类信号中用于模式识别的样本个数为2，中度磨损类信号中用于模式识别的样本个数为2，严重磨损类信号中用于模式识别的样本个数为6。
另外采集了一组严重磨损轴承的振动信号s，信号时域分布如图5所示，降噪处理后通过EEMD分解得到IMF分量，按照能量占比的高低降序选取4个IMF分量组成特征矩阵，进行奇异值分解求取奇异值，如表6所示。
表6：新采集信号的奇异值
奇异值1 奇异值2 奇异值3 奇异值4
103.11946 72.48574 65.93745 60.39476
在正常类样本信号的特征空间中搜索距离待判别信号特征最近的2个样本信号，以样本信号中最远一个样本的距离为半径，以待判别信号为中心，计算超球体体积，超球体体积内近邻样本的空间占比为1.61×10-8；在中度磨损类样本信号的特征空间中搜索距离待判别信号特征最近的2个样本信号，以样本信号中最远一个样本的距离为半径，以待判别信号为中心，计算超球体体积，超球体体积内近邻样本的空间占比为9.35×10-8；在严重磨损类样本信号的特征空间中搜索距离待判别信号特征最近的6个样本信号，以样本信号中最远一个样本的距离为半径，以待判别信号为中心，计算超球体体积，超球体体积内近邻样本的空间占比为2.02×10-7。
为了简化计算，这里设各错判损失相等，不失一般性取C(x|y)＝1，以x为行的标志，y为列的标志，C(x|y)可利用下面的矩阵表示
Figure BDA0002159556160000151
经计算可知，新采集信号分类到正常、中度磨损、严重磨损三类的可能错判损失分别为2.96×10-7，2.19×10-7和1.10×10-7，则分类结果为严重磨损类，与轴承实际故障情况的分类一致。
实施例十三
所述故障检测传感器采用非振动传感器(如声传感器或涡流传感器)采集机械零部件的检测信号；检测信号样本分为A类和B类两种。
检测信号滤波后进行小波包分解，得到检测信号的一种平稳信号分量的分析用分量个数为2，按照2个分析用分量构建e个样本检测信号的特征矩阵，对其进行奇异值分解，提取信号特征。A类样本的特征值分别为：(6,18)、(7,26)、(8,41)、(12,26)、(18,19)、(25,38)，B类样本的特征值分别为：(25,15)、(28,21)、(19,45)、(30,47)、(39,41)，待分类信号的特征值为(23,19)，各样本在空间的分布如图5所示。
采用传统的KNN近邻法进行分析时，若K值取3，则最近的3个点位于图5中虚线圆的范围内，其中B类信号的矩形更多，因此这个待分类信号属于B类信号。
若K值取5，则最近的5个点位于图6中实线圆的范围内，其中A类信号的圆更多，则这个待分类信号属于A类信号。
因此，KNN方法中近邻个数K的选取具有主观性，不同的K值选取可能会导致不同的模式识别结果，影响判断的准确性。
这里采用本发明中的模式识别方法，根据各类信号的样本数目和分散程度，确定A类信号中用于模式识别的样本个数为4，B类信号中用于模式识别的样本个数为2，这避免了K值选取的主观性。
在A类样本信号的特征空间中搜索距离待判别信号特征最近的4个样本信号，以样本信号中最远一个样本的距离为半径，以待判别信号为中心，计算超球体体积，超球体体积内近邻样本的空间占比为5.22×10-4；类似的，在B类样本信号的特征空间中搜索距离待判别信号特征最近的2个样本信号，以样本信号中最远一个样本的距离为半径，以待判别信号为中心，计算超球体体积，超球体体积内近邻样本的空间占比为2.20×10-3。
为了简化计算，这里设各错判损失相等，不失一般性取C(x|y)＝1，以x为行的标志，y为列的标志，C(x|y)可利用下面的矩阵表示
Figure BDA0002159556160000161
经过计算可知，待判别信号分类到A类和B类的可能错判损失分别为2.20×10-3和5.22×10-4，则分类结果为B类。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (16)

1.一种机械零部件故障诊断系统，其特征在于，其包括状态辨识矩阵构建模块；
所述状态辨识矩阵构建模块，用于获得用于机械零部件检测信号的模式识别的辨识矩阵；
所述状态辨识矩阵构建模块，工作过程如下：
首先，构建e个样本检测信号的特征矩阵；e为大于1的正整数，e个样本检测信号包括至少一个正常样本检测信号及至少一个故障样本检测信号；一个样本检测信号的特征矩阵Amn的(i,j)元aij表示该个样本检测信号的一种平稳信号分量的第j个平稳信号分量的第i个时域幅值，m为正整数，i为1到m的整数,j为1到n的整数，n为检测信号的该种平稳信号分量的分析用分量个数；
然后分别对e个样本检测信号的特征矩阵进行奇异值分解或广义特征值计算，分别获得e个样本检测信号的特征矩阵的奇异值向量或广义特征值向量，由e个样本检测信号的奇异值向量或广义特征值向量构成初始状态辨识矩阵；
在构成初始状态辨识矩阵后，再以提取的奇异值向量或广义特征值向量为因素，不同检测信号类别为水平，确定水平均值，进行方差分析，计算各因素的F值，并根据给定显著性水平α查F表获得Fα，如果F≤Fα,则相应因素对模式识别影响不显著，删除初始状态辨识矩阵的相应因素；否则相应因素对模式识别影响显著，保留初始状态辨识矩阵的相应因素，对不同因素分别进行以上分析，最后获得用于模式识别的最终状态辨识矩阵；
Figure FDA0003783839920000011
SSB为一因素的组间离差平方和，SSE为一因素的组内离差平方和，DFB为一因素的组间自由度，DFE为一因素的组内自由度。
2.根据权利要求1所述的机械零部件故障诊断系统，其特征在于，
机械零部件故障诊断系统还包括模式识别模块；
所述模式识别模块，用于根据所述最终状态辨识矩阵对待判别检测信号进行模式识别；
所述模式识别模块，工作过程如下：
步骤一、根据所述最终状态辨识矩阵中的各类信号的因素数目和因素分散程度，确定e个样本检测信号中的第u类信号中用于模式识别的样本个数Ku，当下式取最大值时的w值即为对应的Ku，检测信号分为P类，P为大于1的整数，u为1到P的整数；
Figure FDA0003783839920000021
其中，nu为第u类检测信号样本个数，V(tu/nu)为中心在tu的超球体体积；tu为nu个第u类检测信号的空间中心u；
步骤二、基于提取的奇异值向量或广义特征值向量，在e个样本检测信号中的各类样本检测信号中分别搜索距离最近的Ku个近邻，以近邻中最远一个样本检测信号的距离r为半径，以待判别检测信号为中心，计算相应超球体体积，据此计算超球体体积内近邻样本的空间占比：
Figure FDA0003783839920000022
s为待判别检测信号；V(s/nu)为中心在s的超球体体积；
步骤三、给定将第x类的样本错判为第y类的错判损失C(y|x)，计算将待判别检测信号分类到第z类时的可能错判损失Gz，x、y、z均为1到P的整数，其表达式为
Figure FDA0003783839920000023
将得到的各个可能错判损失Gz进行比较，将待判别检测信号s分类到错判损失最小的类。
3.根据权利要求2所述的机械零部件故障诊断系统，其特征在于，
在步骤三中，给定将第x类的样本错判为第y类的错判损失C(y|x)，其中故障样本错判为正常的错判损失，不小于正常样本错判为故障的错判损失。
4.根据权利要求1所述的机械零部件故障诊断系统，其特征在于，
机械零部件故障诊断系统还包括故障检测传感器、信号分量个数确定模块；
所述故障检测传感器，用于采集机械零部件的检测信号；
所述信号分量个数确定模块，用于对h个检测信号进行分解，得到检测信号的一种平稳信号分量，而后得到检测信号的该种平稳信号分量的分析用分量个数n，h为正整数；
n的确定方式为：分别计算第s个检测信号的各个该种平稳信号分量的指标占第s个检测信号总指标的比值，简称为指标占比，按照指标占比的高低依次对第s个检测信号的各个该种平稳信号分量的指标占比进行叠加，当指标占比叠加值大于或等于设定占比时，停止叠加，记录此时参与叠加的第s个检测信号的该种平稳信号分量的个数Ys，s为1到h的整数；取Y1到Yh中的最大值Ymax，取h个检测信号的该种平稳信号分量的个数的最小值为Xmin，取Ymax与Xmin二者中的相对小值为n。
5.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
机械零部件故障诊断系统还包括降噪处理模块；
所述降噪处理模块，用于将所述故障检测传感器采集的机械零部件检测信号进行降噪处理后发送到所述信号分量个数确定模块；所述信号分量个数确定模块对降噪后的检测信号进行分解，得到检测信号的一种平稳信号分量的分析用分量个数n。
6.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
机械零部件的所述检测信号分为正常、故障两类。
7.根据权利要求6所述的机械零部件故障诊断系统，其特征在于，
所述h个检测信号，是正常检测信号；或者，
所述h个检测信号，是故障检测信号；或者，
所述h个检测信号，是正常检测信号及故障检测信号。
8.根据权利要求6所述的机械零部件故障诊断系统，其特征在于，
故障检测信号又分为中度磨损和严重磨损两类。
9.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述设定占比取90％至100％。
10.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述机械零部件故障为轴承磨损类故障；
所述故障检测传感器采用加速度传感器；
所述加速度传感器用于采集轴承振动加速度信号。
11.根据权利要求10所述的机械零部件故障诊断系统，其特征在于，
所述加速度传感器安装在轴承座侧面。
12.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述故障检测传感器采用非振动传感器。
13.根据权利要求12所述的机械零部件故障诊断系统，其特征在于，
所述非振动传感器为声传感器或涡流传感器。
14.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述信号分量个数确定模块，用于对h个检测信号进行固有时间尺度分解ITD，获得旋转分量PRC作为一种平稳信号分量，而后得到检测信号的旋转分量的分析用分量个数n；
所述指标为能量。
15.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述信号分量个数确定模块，用于对h个检测信号进行经验模态分解EMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
16.根据权利要求4所述的机械零部件故障诊断系统，其特征在于，
所述信号分量个数确定模块，用于对h个检测信号进行集合经验模态分解EEMD，获得固有模态函数分量IMF作为一种平稳信号分量，而后得到检测信号的固有模态函数分量IMF的分析用分量个数n。
CN201910727965.3A 2019-08-08 2019-08-08 机械零部件故障诊断系统 Active CN112345240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910727965.3A CN112345240B (zh) 2019-08-08 2019-08-08 机械零部件故障诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910727965.3A CN112345240B (zh) 2019-08-08 2019-08-08 机械零部件故障诊断系统

Publications (2)

Publication Number Publication Date
CN112345240A CN112345240A (zh) 2021-02-09
CN112345240B true CN112345240B (zh) 2022-12-20

Family

ID=74367446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910727965.3A Active CN112345240B (zh) 2019-08-08 2019-08-08 机械零部件故障诊断系统

Country Status (1)

Country Link
CN (1) CN112345240B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005081635A2 (en) * 2004-03-01 2005-09-09 Yeda Research And Development Co. Ltd. Sorting points into neighborhoods (spin)
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN101799674B (zh) * 2010-03-28 2011-06-29 华中科技大学 一种数控装备服役状态分析方法
CN102867299B (zh) * 2012-08-09 2015-06-10 东华大学 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法
CN103810382B (zh) * 2014-01-27 2017-01-25 中国电子科技集团公司第十研究所 机载分布式多传感器两级数据融合策略选择方法
CN105490972B (zh) * 2014-09-26 2019-06-04 重庆邮电大学 Cdma反向数据信道调制类型识别方法
CN105550426B (zh) * 2015-12-08 2018-08-28 东北大学 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN107563008A (zh) * 2017-08-08 2018-01-09 三峡大学 基于svd变换和支持向量空间的刀具运行可靠性评估方法

Also Published As

Publication number Publication date
CN112345240A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109710636B (zh) 一种基于深度迁移学习的无监督工业系统异常检测方法
CN110309886B (zh) 基于深度学习的无线传感器高维数据实时异常检测方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN110263846A (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN102435910B (zh) 基于支持向量分类的功率电子电路健康监测方法
CN113962259B (zh) 一种燃料电池系统多模式双层故障诊断方法
CN107230013B (zh) 一种无监督学习下配网用户异常用电辨识与时间定位方法
CN109858254A (zh) 基于日志分析的物联网平台攻击检测系统及方法
CN108665119B (zh) 一种供水管网异常工况预警方法
CN113780443B (zh) 一种面向威胁检测的网络安全态势评估方法
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN111160776A (zh) 利用分块主成分分析的污水处理过程异常工况检测方法
CN113537321B (zh) 一种基于孤立森林和x均值的网络流量异常检测方法
CN102507676A (zh) 基于多重自组织神经网络的电子鼻在线漂移补偿方法
CN115526515B (zh) 一种水利水电用闸门的安全监测系统
CN109976308A (zh) 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
CN113918367A (zh) 一种基于注意力机制的大规模系统日志异常检测方法
CN111382943A (zh) 一种基于加权灰色关联度分析的故障诊断评估方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN109434562A (zh) 基于划分聚类的铣削刀具磨损状态识别方法
CN116208417A (zh) 一种基于大数据的通信异常感知系统及方法
CN112345240B (zh) 机械零部件故障诊断系统
CN109683594A (zh) 一种异常变量精确识别与定位方法
CN112422546A (zh) 一种基于变邻域算法和模糊聚类的网络异常检测方法

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