CN112686279B - 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 - Google Patents
一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112686279B CN112686279B CN202011388904.8A CN202011388904A CN112686279B CN 112686279 B CN112686279 B CN 112686279B CN 202011388904 A CN202011388904 A CN 202011388904A CN 112686279 B CN112686279 B CN 112686279B
- Authority
- CN
- China
- Prior art keywords
- fault
- evidence
- mode
- failure
- class
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000003064 k means clustering Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。本发明首先确定齿轮箱的故障模式和故障特征参数,分别采样各个故障模式下的样本数据来获取故障特征数据样本集;对于每类故障特征参数,通过聚类获取似然信度表和K个参考中心向量,从每类特征参数种获取参考证据;在线获取多种故障特征的取值后,计算故障特征数据与K个参考中心向量之间的距离,并由此来激活参考证据,生成多类特征的诊断证据,再将这些诊断证据融合,对融合后的证据做出故障决策,得到该在线故障特征数据所对应的故障类型。本发明在聚类和证据融合的基础上进行故障诊断,利用多源信息融合和信息概率转换方法提高了对齿轮箱的故障诊断精度。
Description
技术领域
本发明涉及一种基于K均值聚类和证据融合的齿轮箱故障诊断方法,属于旋转机械类设备状态检测与故障诊断技术领域。
背景技术
齿轮是机械设备中传递动力、改变运动速度和方向的部件,广泛应用于各个行业中,如在车辆,航空航天和核能行业中作为机械设备中电机与旋转部件之间的传动结构。因此齿轮箱在运行过程中会受到多种载荷的作用,随着时间的推移,其运行状态会不可避免的发生变化。另外,由于加工误差、安装或操作不当以及工作磨损等原因,齿轮也会出现不同程度的损伤,这使得齿轮箱成为机械设备中最容易发生故障的部件之一;
根据统计,机械装备中80%的机械故障是由齿轮引起的,而且齿轮的种类多、用量大,一旦发生故障会影响设备中其他部件的正常运行,进而引发一系列的连锁破坏反应,甚至造成更为危险的事故。由此可见,齿轮箱在机械系统安全可靠运行过程中发挥着极其重要的作用,其工作状态在相当大程度上决定着整个机械设备甚至是整条生产线的运行状态。因此,对齿轮箱的状态监测和故障诊断进行研究势在必行,以确保及时发现故障停机,而且故障的早期发现也有利于对故障的原因进行分析。
发明内容
本发明针对现有技术的不足,提供了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。
本发明的主要构思:利用K-means聚类获取K个参考中心向量和特征参数提供的参考证据,计算故障特征数据与K个参考中心向量之间的距离权重,并由此来激活参考证据,生成诊断证据,使用证据推理规则证据进行融合,利用信息概率转换方法对融合后的证据做出故障决策,该方法对故障特征数据进行处理时,未对数据的变化特性、格式、精度等做出任何限制和约束,便于工程实现,且通过融合决策可以做出精确的诊断。
本发明提出的一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法,包括以下各步骤:
(1)设定齿轮箱的故障模式集合为Θ={M1,M2,M3},其中M1代表齿轮箱正常运行模式,M2代表部分齿轮弯曲档位打滑故障模式,M3代表齿轮断齿故障模式。
(2)在齿轮箱工作时,由安装在齿轮箱上的加速度传感器来监测振动信号,设定采样频率为f,2fmax≤f≤3fmax其中fmax=2500Hz为加速度传感器的最大频率。
(3)设mi,1,mi,2为能够反映故障模式集合Θ中每个故障模式Mi的故障特征参数,其中mi,1,mi,2分别代表均方根和峰度特征参数,分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得。
将mi,1(t),mi,2(t)和Mi表示为一个故障样本向量集合Si={[mi,1(t),mi,2(t),Mi]|t=1,2,…Li},其中[mi,1(t),mi,2(t),Mi]表示第t个故障样本集,Li表示故障为Mi状态下的采样总个数,Li≥100。
设定在各种故障模式下可获得历史故障样本数据,并将其表示为集合形式共计可获得L个样本,/>N=3为故障模式的类型数。
(4)提取故障样本集合Si中的故障特征参数,构成特征样本集合S′i={[mi,1(t),mi,2(t)]|t=1,2,…,Li},最终构成所有故障模式下的特征样本集合集合S′中样本个数为/>
对于S′i中的第j类故障特征(j=1,2),利用K-means将它的L个的特征样本分为K类,记为其中k=1,2,…,K,K≥3,可以得到/>类所包含的样本向量集合其中Mk(tk)∈Θ,/>其中/>代表聚类后类中样本的个数;聚类得到的K类数据依次对应有K个聚类中心向量,设这K个中心向量集合为/>
(5)通过步骤(3)和步骤(4)可以得到步骤(1)中定义的故障模式Mi和的对应关系,如表1所示,其中/>(i=1,2,…,N,k=1,2,…K)表示Dk类所对应的样本集中故障模式为Mi的第j类故障特征的样本个数,并有/>
表1故障特征聚类结果及分布
(6)通过以下几个步骤得到第j(j=1,2)类特征参数提供的诊断证据,具体计算步骤如下;
(6-1)根据表1中得到的故障模式Mi与其对应的聚类结果之间的数量关系,可以得到故障模式为Mi的样本数据在各个聚类簇中的似然概率函数为:
将归一化,可以得到第k个聚类支持故障模式Mi的概率为:
(6-2)由公式(2)可以构造如表2所示的概率分布表,其中代表第j类故障特征取值属于/>时,故障模式Mi出现的概率值;
表2特征样本与故障模式对应的概率分布表
(6-3)设Ω={θ1,…,θq,…,θQ}为辨识框架Θ的幂集,其中q=1,2,…,Q,Q=2N-1,具体的:
Ω={M1,M2,M3,{M1,M2},{M1,M3},{M2,M3},{M1,M2,M3}}#(3)
对于第k个聚类中心所代表的故障集θq,其发生的置信度为
由表2和公式(4)可以得到第j(j=1,2)类特征参数提供的证据为
(7)在齿轮箱的运行过程中实时获取特征参数向量X(t)=[m1(t),m2(t)]之后,其激活证据的计算步骤如下:
(7-1)求取故障特征参数向量X(t)中特征参数mj与K个参考中心向量之间的加权欧氏距离并将其归一化得加权距离为
将得到的映射到Ω中的故障集合θq,重新排序得到权重向量按照/>可以得到mj(t)激活的证据为
ej=[p1,j,…,pq,j,…,pQ,j]#(7)
其中
(7-2)定义证据的可靠性rj描述每一条证据的可靠性,满足0≤rj≤1,可利用表1中Mi和的对应数量关系获得
(7-3)根据公式(3)可获取特征参数向量X(t)中第j类特征参数激活的证据ej=[p1,j,…,pq,j,…,pQ,j,],定义证据的权重ωj(j=1,2)来衡量两条证据的相对重要性,0≤ωj≤1,利用式(9)中的证据推理算法对证据e1和e2进行融合,两条相互独立的证据对命题θ的联合支持度为:
ρ0,j=p0,jωj#(10d)
通过式(9)最终计算出输入特征为X(t)时,式(3)中各种故障子集发生的信度为:
式(10)中表示故障特征参数向量为X(t)时故障状态指向θq的信度。
(8)对于包含有不确定故障模式信息的θq,采用信息转换概率方法来量化其对单个故障模式Mi的支持度ITP(Mi),具体计算步骤如下:
(8-1)定义Mi的置信区间为[Bel,Pl],其中0≤Bel,Pl<1,由O(X(t))可以得到Bel和Pl的值,其中表示对Mi的支持度,ε(Mi)表示Mi在包含Mi的/>中的重要程度,其计算步骤如式(12):
(8-2)分别将得到的各类故障的置信度进行综合,即可得到被认为是故障Mi的置信度,将其表示为向量形式:
利用公式(13)对齿轮箱当前的运行状态进行判断,取ITPM中最大值所对应的Mi即为故障特征参数向量X(t)真实发生的故障模式。
本发明的有益效果:1.利用K-means聚类获取似然信度表,替代了传统样本投点获取信度表的方法,使参考证据获取更为便捷;2.把故障模式的幂集引入到诊断的过程中,提高了诊断的精度。
附图说明
图1是本发明方法的流程框图。
图2是齿轮箱故障诊断系统图。
图3是本发明方法实例中的齿轮箱故障诊断系统结构图。
具体实施方式
本发明提出的基于K-means聚类和证据推理的齿轮箱故障诊断方法,首先确定齿轮箱的故障模式和故障特征参数,分别采样各个故障模式下的样本数据来获取故障特征数据样本集;对于第j类故障特征参数(j=1,2),通过K-means聚类获取似然信度表和K个参考中心向量,由j类特征参数获取j个参考证据;在线获取多种故障特征的取值后,计算故障特征数据与K个参考中心向量之间的距离,并由此来激活参考证据,生成j个诊断证据,再将这些被激活的诊断证据融合,利用ITP对融合后的证据做出故障决策,得到该在线故障特征数据所对应的故障类型。根据本发明方法编制的程序(编译环境Matlab)可以在监控计算机上运行,并联合传感器、数据采集器等硬件组成在线监测系统,进行实时的齿轮箱状态监测与故障诊断。
本发明的流程框图如图1所示,包括以下各步骤:
(1)设定齿轮箱的故障模式集合为Θ={M1,M2,M3},其中M1代表齿轮箱正常运行模式,M2代表部分齿轮弯曲档位打滑故障模式,M3代表齿轮断齿故障模式;
(2)在齿轮箱工作时,由安装在齿轮箱上的加速度传感器来监测振动信号,设定采样频率为f,2fmax≤f≤3fmax其中fmax=2500Hz为加速度传感器的最大频率;
(3)设mi,1,mi,2为能够反映故障集合Θ中每个故障模式状态Mi的故障特征参数,其中mi,1,mi,2分别代表均方根参数和峰度特征参数,分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得,将mi,1(t),mi,2(t)和Mi表示为一个故障样本向量集合Si={[mi,1(t),mi,2(t),Mi]|t=1,2,…Li},其中[mi,1(t),mi,2(t),Mi]表示第t个故障样本集,Li表示故障为Mi状态下的采样总个数,Li≥100;设定在各种故障模式下可获得历史故障样本数据,并将其表示为集合形式共计可获得L个样本,/>N=3为故障模式的类型数;
(4)提取故障样本集合Si中的故障特征参数,构成特征样本集合Si={[mi,1(t),mi,2(t)]|t=1,2,…,Li},最终构成所有故障模式下的特征样本集合集合S′中样本个数为/>
对于S′i中的第j类故障特征(j=1,2),利用K-means将它的L个的特征样本分为K类,记为其中k=1,2,…,K,K≥3,可以得到/>类所包含的样本向量集合其中Mk(tk)∈Θ,/>其中/>代表聚类后类中样本的个数;聚类得到的K类数据依次对应有K个聚类中心向量,设这K个中心向量集合为/>
(5)通过步骤(3)和步骤(4)可以得到步骤(1)中定义的故障模式Mi和的对应关系,如表1所示,其中/>(i=1,2,…,N,k=1,2,…K)表示Dk类所对应的样本集中故障模式为Mi的第j类故障特征的样本个数,并有/>
表3故障特征聚类结果及分布
为了便于理解如表3所示的对应关系表,对于第j=1类样本数据,这里举例说明。
已知图2所示的齿轮箱有N=3种典型故障模式Mi:其中M1代表齿轮箱正常运行模式,M2代表部分齿轮弯曲档位打滑故障模式,M3代表齿轮断齿故障模式,则故障集合Θ={M1,M2,M3},它们共同的故障特征参数mi,1和mi,2分别代表均方根和峰度特征参数,分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得到。
取通过步骤(2)获取各个故障状态下的样本数据,共计采样L=900个样本数据,经过步骤(3)的处理可将样本数据聚为五类,分别记为同时可获取对应的参考中心向量,可表示为将S中的样本向量归入/>中,可获取步骤(5)中Mi和/>之间的对应关系表,如表4所示:
表4第一类故障特征样本聚类结果及分布
(6)通过以下几个步骤得到第j(j=1,2)类特征参数提供的诊断证据,具体计算步骤如下;
(6-1)根据表1中得到的故障模式Mi与其对应的聚类结果之间的数量关系,可以得到故障模式为Mi的样本数据在各个聚类簇中的似然概率函数为:
将归一化,可以得到第k个聚类支持故障模式Mi的概率为:
(6-2)由公式(2)可以构造如表2所示的概率分布表,其中代表第j类故障特征取值属于/>时,故障模式Mi出现的概率值;
根据步骤(5)中获取的对应关系表,由步骤(6)中的公式(1)可获取当故障为M1时,相应的样本数据归入类的似然概率函数值为同理可得/>同时可求出故障为M2和M3时,相应的样本数据归入/>类的概率函数值 将公式所求的概率函数值/>进行归一化,获得/>类所对应的样本中Mi发的概率/>计算可得/>的值如表5所示:
表5第一类特征样本与故障模式对应的概率分布表
(6-3)设Ω={θ1,…,θq,…,θQ}为辨识框架Θ的幂集,其中q=1,2,…,Q,Q=2N-1,具体的:
Ω={M1,M2,M3,{M1,M2},{M1,M3},{M2,M3},{M1,M2,M3}}#(3)
对于第k个聚类中心所代表的故障集θq,其发生的置信度为
由表5和公式(11)可以得到第j(j=1,2)类特征参数提供的证据为
由表4可以得到以及公式(10)可以获得幂集Ω中各个元素对应的信度分别 可以获得第j(j=1)类特征参数提供的证据为/>同理可得第二类特征参数提供的证据
(7)在齿轮箱的运行过程中实时获取特征参数向量X(t)=[m1(t),m2(t)]之后,其激活证据的计算步骤如下:
(7-1)求取故障特征参数向量X(t)中特征参数mj与K个参考中心向量之间的加权欧氏距离并将其归一化得加权距离为
将得到的映射到Ω中的故障集合θq,重新排序得到权重向量将/>归一化后可以得到mj(t)激活的证据为
ej=[p1,j,…,pq,j,…,pQ,j]#(7)
其中
(7-2)定义证据的可靠性rj描述每一条证据的可靠性,满足0≤rj≤1,可利用表1中Mi和的对应数量关系获得
(7-3)根据公式(3)可获取特征参数向量X(t)中第j类特征参数激活的证据ej=[p1,j,…,pq,j,…,pQ,j,],定义证据的权重ωj(j=1,2)来衡量两条证据的相对重要性,0≤ωj≤1,利用式(9)中的证据推理算法对证据e1和e2进行融合,两条相互独立的证据对命题θ的联合支持度为:
ρθ,j=pθ,jωj#(10d)
通过式(10)最终计算出输入特征为X(t)时,式(3)中各种故障子集发生的信度为:
式(10)中表示故障特征参数向量为X(t)时故障状态指向θq的信度。
为了加深对证据可靠性rj以及样本向量X(t)所激活的证据的理解,在线监测获取t=1时刻的故障特征参数向量X(t)=[0.027,2.7597],对于参数向量X(t)中的第一类特征参数0.027将其带入步骤(7)中的公式(13)求取t=1时刻故障特征参数向量X(t)与5个参考中心向量之间的加权欧氏距离并将其归一化得将归一化结果带入步骤(7)中的公式(13),得到激活证据e1=[0.2484,0.1834,0.092,0,0,0,0.4762],同理对于参数向量X(t)中的第二类特征参数可得到e2=[0.2484,0.1831,0.1212,0.1211,0,0,0],取t=1时刻获取的故障特征参数向量X(t)所对应的证据重要性权重分别为r1=0.8,r2=0.89。
获取t=1时刻故障特征参数向量X(t)对应的证据权重后,设定证据的可靠性为r1=r2=1,将步骤(4)获取的证据e1,e2,带入步骤(7)中的公式(10)进行融合,融合结果O(X(t))={(θ1,0.1),(θ2,0.2),(θ3,0.3),(θ4,0),(θ5,0),(θ6,0),(θ7,0.4)}。
(8)对于包含有不确定故障模式信息的θq,采用信息转换概率方法来量化其对单个故障模式Mi的支持度ITP(Mi),具体计算步骤如下:
(8-1)定义Mi的置信区间为[Bel,Pl],其中0≤Bel,Pl<1,由O(X(t))可以得到Bel和Pl的值,其中βMi表示对Mi的支持度,ε(Mi)表示Mi在包含Mi的中的重要程度,其计算步骤如式(12):
(8-2)分别将得到的各类故障的置信度进行综合,即可得到被认为是故障Mi的置信度,将其表示为向量形式:
利用公式(13)对齿轮箱当前的运行状态进行判断,取ITPM中最大值所对应的Mi即为故障特征参数向量X(t)真实发生的故障模式。
为了便于理解信息转换概率方法来量化其对单个故障模式Mi的支持度ITP(Mi),结合式(11),得到故障模式M1的置信区间为[Bel,Pl]=[0.1,0.5],故障模式M2的置信区间为[0.2,0.6],故障模式M3的置信区间为[0.3,0.7],由式(12c)可以得到β(M2)=0.4,β(M3)=0.333,由式(12a)和(12b)可得同理可得ITP(M2)=0.2+0.4×0.4=0.36,ITP(M3)=0.3+0.442×0.4=0.45。
(8-2)分别将得到的各类故障的置信度进行综合,即可得到被认为是故障Mi的置信度,将其表示为向量形式:
利用公式(14)对齿轮箱当前的运行状态进行判断,取ITPM中最大值所对应的Mi即为故障特征参数向量X(t)真实发生的故障模式,按照本发明方法步骤(8-2)中的决策规则,取ITPM(t)中的最大值/>可判断故障模式为M3。以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:通过K-means聚类获取似然信度表和K个参考中心向量,由似然信度表获取参考证据;计算故障特征数据与K个参考中心向量之间的距离,并由此来修正参考证据,由不同的特征参数样本生成2个诊断证据;在线获取多种故障特征的取值后,分别计算它们激活的诊断证据,再将这些被激活的诊断证据融合,对融合后的证据进行信息概率转换做出故障决策,得到该在线故障特征数据所对应的故障类型。
以下结合图2中齿轮箱故障诊断系统的最佳实施例,详细介绍本发明方法的各个步骤。
1、齿轮箱实验平台设置实例
如图3所示的齿轮箱故障诊断系统结构图,使用型号为352C67SN30645的振动加速度传感器,分别安装在电机壳体驱动端和电机基座采集振动信号,两个传感器采集到的振动信号传入确保信号放大器有足够的功率数据采集箱,经过信号调理电路处理后,最终经过A/D转换器输出至监控计算机,然后利用matlab环境下的Siglab数据分析软件得到齿轮箱时域振动加速度信号作为故障特征信号。
2、齿轮箱故障设置及故障特征参数的选取
根据试验台的具体特性,分别在试验台上设置了以下3种典型故障模式:齿轮箱正常运行模式,部分齿轮弯曲档位打滑故障模式,齿轮断齿故障模式。均方根和峰度特征参数将分别由安装由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得。
3、K-means聚类获取参考中心和似然概率分布表
利用本发明方法步骤(3),分别在齿轮箱中设置三种故障模式,分别为“M1”、“M2”、“M3”,将安装在电机壳体驱动端和电机基座的振动加速度传感器采集到的振动信号作为故障特征参数。分别采样各个故障状态下的样本数据,取S1=S2=S3=300,共计采样900个样本数据,对于第一类特征参数样本,经过步骤(5)的处理后,利用K-means聚类可将样本数据聚为五类,分别记为同时可获取参考中心向量,可表示为同理对于第二类特征参数样本,可获得其中心向量/>将M中的样本向量归入/>中,可获取步骤(4)中Mi和/>之间的对应关系表,如表6、7所示:
表6第一类故障特征样本聚类结果及分布
表7第二类故障特征样本聚类结果及分布
根据步骤(5)中获取的对应关系表和步骤(6)中的公式(1)可获取当故障为M1时,相应的样本数据归入类的似然概率函数值为同时可求出故障为M2和M3时,相应的样本数据归入/>类的似然概率函数值 将公式(1)所求的似然函数值进行归一化,获得/>类所对应的样本中M1,M2,M3发的概率为/>可以算出概率分布表如表8所示:
表8第一类特征样本与故障模式对应的概率分布表
同理可得,第二类特征样本的概率分布表如表9所示:
表9第二类特征样本与故障模式对应的概率分布表
由表8以及公式(10)可以获得幂集Ω中各个元素对应的信度分别为 可以获得第j(j=1)类特征参数提供的证据为/>由表9以及公式(10)可以获得幂集Ω中各个元素对应的信度分别为/>
同理由表(7)和表(9)可获得第j(j=2)类特征参数提供的证据
4.在齿轮箱的运行过程中实时获取特征参数向量X(t)=[0.2,2.8]之后,将其带入步骤7,求取故障特征参数向量X(t)中特征参数mj与K个参考中心向量之间的加权欧氏距离并将激活的证据归一化,可得到第一类特征参数的距离加权证据同理可以获得第二类特征参数的距离加权证据/>将/>分别映射到Ω中的故障集合θq,重新排序得权重向量/> 利用公式可得到特征参数向量X(t)激活的两条证据并将其归一化可得:e1=[0.1922,0.2486,0.1646,0.3946,0,0,0],e2=[0,0,01958,0,0,0.2046,0.4.98]。
取t=1时刻获取的故障特征参数向量X(t)所对应的证据可靠性分别为r1=0.8,r2=0.89,设定证据的重要性ω1=ω2=1,利用步骤7中的公式(10)将获取的证据e1和e2进行融合,融和后的结果O(X(t))={(θ1,0.13),(θ2,0.32),(θ3,0.20),(θ4,0.27),(θ5,0),(θ6,0.03),(θ7,0.04)}。
得到融合的结果之后,利用步骤(8)中的方法进行决策,由融合结果O(X(t))得到故障模式M1的置信区间为[Bel,Pl]=[0.13,0.44],故障模式M2的置信区间为[0.32,0.66],故障模式M3的置信区间为[0.2,0.27],由式(12b)可得表示对Mi的支持度,其中同理可以得到/> 由式(12c)可以得到ITP(M1)/> 同理可得到ITP(M2)=0.634,ITP(M3)=0.2。
分别将得到的各类故障的置信度进行综合,即可得到被认为是故障Mi的置信度,将其表示为向量形式:
利用公式(14)对齿轮箱当前的运行状态进行判断,取ITPM中最大值所对应的Mi即为故障特征参数向量X(t)真实发生的故障模式,由此可判断故障M2发生。由此可以知道先融合再进行信息转换对故障模式M2的支持度为0.634,而进行信息转换之前对故障M2的支持度只有0.32。/>
Claims (1)
1.一种基于K均值聚类和证据融合的齿轮箱故障诊断方法,其特征在于该方法包括以下步骤:
(1)设定齿轮箱的故障模式集合为Θ={M1,M2,M3},其中M1代表齿轮箱正常运行模式,M2代表部分齿轮弯曲档位打滑故障模式,M3代表齿轮断齿故障模式;
(2)在齿轮箱工作时,由安装在齿轮箱上的加速度传感器来监测振动信号,设定采样频率为f,2fmax≤f≤3fmax其中fmax=2500Hz为加速度传感器的最大频率;
(3)设mi,1,mi,2为能够反映故障模式集合Θ中每个故障模式Mi的故障特征参数,其中mi,1,mi,2分别代表均方根和峰度特征参数,分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得;
将mi,1(t),mi,2(t)和Mi表示为一个故障样本向量集合Si={[mi,1(t),mi,2(t),Mi]|t=1,2,…Li},其中[mi,1(t),mi,2(t),Mi]表示第t个故障样本集,Li表示故障为Mi状态下的采样总个数,Li≥100;
设定在各种故障模式下可获得历史故障样本数据,并将其表示为集合形式共计可获得L个样本,/>N=3为故障模式的类型数;
(4)提取故障样本集合Si中的故障特征参数,构成特征样本集合Si={[mi,1(t),mi,2(t)]|t=1,2,…,Li},最终构成所有故障模式下的特征样本集合集合S中样本个数为/>
对于Si中的第j类故障特征,j=1,2,利用K-means将它的L个的特征样本分为K类,记为其中k=1,2,…,K,K≥3,得到/>类所包含的样本向量集合其中Mk(tk)∈Θ,/>其中/>代表聚类后类中样本的个数;
聚类得到的K类数据依次对应有K个聚类中心向量,设这K个中心向量集合为
(5)通过步骤(3)和步骤(4)得到步骤(1)中定义的故障模式Mi和的对应关系,如表1所示,其中/>表示Dk类所对应的样本集中故障模式为Mi的第j类故障特征的样本个数,并有/>
表1故障特征聚类结果及分布
(6)得到第j类特征参数提供的诊断证据,具体计算步骤如下;
(6-1)根据表1中得到的故障模式Mi与其对应的聚类结果之间的数量关系,得到故障模式为Mi的样本数据在各个聚类簇中的似然概率函数为:
将行归一化,得到第k个聚类支持故障模式Mi的概率为:
(6-2)构造如表2所示的概率分布表,其中代表第j类故障特征取值属于/>时,故障模式Mi出现的概率值;
表2特征样本与故障模式对应的概率分布表
(6-3)设Ω={θ1,…,θq,…,θQ}为辨识框架Θ的幂集,其中q=1,2,…,Q,Q=2N-1,具体的:
Ω={M1,M2,M3,{M1,M2},{M1,M3},{M2,M3},{M1,M2,M3}}
对于第k个聚类中心代表的故障集θq,其发生的置信度为
由此得到第j类特征参数提供的证据为:
(7)在齿轮箱的运行过程中实时获取特征参数向量X(t)=[m1(t),m2(t)]之后,其激活证据的计算步骤如下:
(7-1)求取故障特征参数向量X(t)中特征参数mj与K个参考中心向量之间的加权欧氏距离并将其归一化得加权距离为
将得到的映射到Ω中的故障集合θq,重新排序得到权重向量/>按照/>得到mj(t)激活的证据为ej=[p1,j,…,pq,j,…,pQ,j]
其中
(7-2)定义证据的可靠性rj描述每一条证据的可靠性,满足0≤rj≤1,利用表1中Mi和的对应数量关系获得
(7-3)根据获取的特征参数向量X(t)中第j类特征参数激活的证据ej=[p1,j,…,pq,j,…,pQ,j],定义证据的权重ωj来衡量两条证据的相对重要性,0≤ωj≤1,对证据e1和e2进行融合,两条相互独立的证据对命题θ的联合支持度为:
ρθ,j=pθ,jωj
最终计算出输入特征为X(t)时,各种故障子集发生的信度为:
其中表示故障特征参数向量为X(t)时被认为是θq的信度;
(8)对于包含有不确定故障模式信息的θq,采用信息转换概率方法来量化其对单个故障模式的支持度,定义为集合Ω中的多子集焦点元素,具体计算步骤如下:
(8-1)定义Mi的置信区间为[Bel,Pl],其中0≤Bel,Pl<1,由O(X(t))得到Bel和Pl的值,其中表示对Mi焦点元素的支持度,ε(Mi)表示Mi在包含Mi的/>中的重要程度,计算如下:
(8-2)分别将得到的各类故障的置信度进行综合,即得到被认为是故障Mi的置信度,将其表示为向量形式:
利用ITPM,对齿轮箱当前的运行状态进行判断,取ITPM中最大值所对应的Mi即为故障特征参数向量X(t)真实发生的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388904.8A CN112686279B (zh) | 2021-02-08 | 2021-02-08 | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388904.8A CN112686279B (zh) | 2021-02-08 | 2021-02-08 | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686279A CN112686279A (zh) | 2021-04-20 |
CN112686279B true CN112686279B (zh) | 2024-03-22 |
Family
ID=75447155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011388904.8A Active CN112686279B (zh) | 2021-02-08 | 2021-02-08 | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686279B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392874B (zh) * | 2021-05-13 | 2022-12-13 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN116028838B (zh) * | 2023-01-09 | 2023-09-19 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490964A (zh) * | 2017-08-17 | 2017-12-19 | 杭州电子科技大学 | 一种基于特征证据离散化的旋转机械故障特征约简方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
CN110196165A (zh) * | 2019-04-29 | 2019-09-03 | 杭州电子科技大学 | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 |
CN110458248A (zh) * | 2019-09-18 | 2019-11-15 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
-
2021
- 2021-02-08 CN CN202011388904.8A patent/CN112686279B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490964A (zh) * | 2017-08-17 | 2017-12-19 | 杭州电子科技大学 | 一种基于特征证据离散化的旋转机械故障特征约简方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
CN110196165A (zh) * | 2019-04-29 | 2019-09-03 | 杭州电子科技大学 | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 |
CN110458248A (zh) * | 2019-09-18 | 2019-11-15 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112686279A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN105081879B (zh) | 一种数控机床主轴的故障诊断与预测的方法 | |
CN112686279B (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
WO2015015987A1 (ja) | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
CN110056640B (zh) | 基于加速度信号和边缘计算的减速机无线故障诊断方法 | |
CN110196165B (zh) | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 | |
CN110398362B (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN111060302A (zh) | 多参数设备状态综合监测诊断装置和诊断方法 | |
Chennippan et al. | Vibration Signals Based Bearing Defects Identification Through Online Monitoring Using LABVIEW. | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN112734001A (zh) | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
CN115791159A (zh) | 一种基于振动信号的齿轮故障在线实时诊断方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Samuel et al. | Survey of Gear Fault Diagnosis Using Various Statistical Signals Parameters | |
CN111947927A (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN116839909A (zh) | 一种基于增量学习和规则推理的风机轴承故障诊断方法 |
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 |