CN113340547A - 一种基于改进集总平均经验分解的绞车振动诊断方法 - Google Patents
一种基于改进集总平均经验分解的绞车振动诊断方法 Download PDFInfo
- Publication number
- CN113340547A CN113340547A CN202110598929.9A CN202110598929A CN113340547A CN 113340547 A CN113340547 A CN 113340547A CN 202110598929 A CN202110598929 A CN 202110598929A CN 113340547 A CN113340547 A CN 113340547A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- winch
- vibration
- fault
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 239000003638 chemical reducing agent Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
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
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于改进集总平均经验分解的绞车振动诊断方法，属于绞车故障状态诊断技术领域。采用软件显示部分对诊断过程、结果进行显示、识别，具体步骤：步骤1.绞车振动信号采集，并将其转换为时域信号；步骤2.对采集到的加速度信号进行改进的集总平均经验模态分解；步骤3.分解后的信号进行希尔伯特变换，得到其反映的特征频率信息；步骤4.绞车故障特征提取；步骤5.利用GA‑BP分类器对绞车故障特征进行分类；步骤6.选取训练集进行验证，分类结果达到预定要求则输出结果，不符合要求则重新进行分类器训练。优点：能够有效降低原始数据中的次要和干扰信息，获得稳定准确的故障诊断结果。克服了在传统方法无法准确实时识别故障的不足，有利于提升识别的准确率。
Description
技术领域
本发明涉及绞车故障状态诊断技术领域，尤其是涉及一种基于改进集总平均经验分解的绞车振动诊断方法。
背景技术
煤炭工业在我国经济发展中占有重要地位，其安全、高效的可持续发展是实现我国经济战略目标的可靠保证。在科学技术迅猛发展的今天，煤矿企业为了使利益最大化而不断的扩大生产规模，这对煤矿机械设备的可靠性和稳定性提出了更高的要求。煤矿运输是煤炭生产的重要组成部分。根据任务的不同，煤矿运输分为主运输和辅助运输。煤矿辅助运输是煤炭生产的重要组成部分，泛指煤矿生产中除煤炭运输之外的各种运输的总和，主要包括材料、设备、人员和矸石等的运输。轨道运输因其能充分适应距离的变化、巷道的弯曲及路面的平缓，在矿井运输中被广泛应用。我国目前拥有不同规模的煤矿约一万多个，运输井筒数量则多10万多个，其中70％为斜井运输。斜井提升运输在整个矿井运输系统中占有很大比重。受现有监测技术水平、设备管理理念及现场操作等诸多因素的限制和影响，斜井运输系统事故高发，在煤炭安全事故中占到了很大的比重。因此，对整个系统的重要设备进行状态监测和故障诊断就显得尤为重要。
在斜井运输过程中，矿用绞车是最主要的机电设备，担负着生产运输的重要作用。但是,矿用绞车在使用过程中还存在着巨大的安全隐患。斜井运输系统是一个有机的整体，其运行的平稳性和安全性直接影响着整个矿山的正常生产、经济效益和人身安全。
发明内容
本发明的目的是要提供一种基于改进集总平均经验分解的绞车振动诊断方法，解决现有技术的矿用绞车在运行过程中对所产生的故障监测、诊断不足的问题。
本发明的目的是这样实现的：绞车振动故障状态诊断方法，采用软件显示部分对诊断过程、结果进行显示、识别，包括以下步骤：
步骤1.绞车振动信号采集，并将其转换为时域信号；
步骤2.对采集到的加速度信号进行改进的集总平均经验模态分解；
步骤3.分解后的信号进行希尔伯特变换，得到其反映的特征频率信息；
步骤4.绞车故障特征提取；
步骤5.利用GA-BP分类器对绞车故障特征进行分类；
步骤6.选取训练集进行验证，分类结果达到预定要求则在软件显示部分输出结果，不符合要求则重新进行分类器训练。
优选地，在步骤1中，利用加速度传感器、信号调理器和多通道同步数据采集卡获取绞车振动信息。
优选地，在步骤2中，设置排列熵的阈值，去除大于阈值的分量，并对剩余信号重新分解，并依据频率高低对分解出的分量重新排序；通过该方法能够有效的抑制模态现象，而且能消除伪分量影响，解决模态的分裂问题。
优选地，在步骤3中，利用希尔伯特变换求解出重构信号的特征频率，能够对故障类型进行初步诊断。
优选地，在步骤4中，经改进的集总平均经验模态分解后分解出一系列IMF分量，求取各个IMF分量的归一化能量值和子频带分量与原始信号的相关系数以及方差贡献率；
优选地，所述的相关系数反映了两个变量之间的相互关联程度，系数越大表示两者的关联程度越大；所述的方差定义为平方的均值减去均值的平方，方差贡献率也就是方差所占的百分比，表示了贡献率波动情况的累计；根据经验设定阈值为0.1，通过以上所述相关系数和方差贡献率剔除低于设定阈值的分量，然后采用剩余分量的归一化能量值作为特征参数进行后续故障诊断。
优选地，将，求取各个IMF分量的归一化能量值作为特征输入到训练好的GA-BP分类器中，进行实际故障分类；并选取一定已知故障特征的样本当做测试集进行测试，当测试结果符合我们的要求时，分类结束；否则，将选取不同样本重新进行分类器训练。
优选地，软件显示部分包括：系统管理模块，参数管理模块，监测与报警模块和故障诊断模块；针对系统的4个组成部分分别设计应用程序框架、数据表达方式与存储结构。
系统管理模块完成对用户管理和数据库管理，包括：用户管理、数据库表的设计和数据库的操作；该系统所采用的文件类型主要有配置文件与TDMS高速数据流文件；其中，所述的配置文件用于存储硬件配置参数、报警参数；配置文件的使用：每行即为一条信息，由一个名称和一个值组成；所述的TDMS配置文件是Labview提供的专门用于数据存储的文件格式，采用TDMS高速数据流文件存储信号数据，以实现信号数据的快速存储与回放。
参数管理模块包括：系统通讯设置和系统参数设置；系统参数设置用于设置振动相关报警参数，在系统参数设置界面进行相关参数的设置，并在完成设置后点击保存使设置生效；所述的系统通讯设置是数据通过LabVIEW中的VISA接口读取到数据采集卡中不同通道采集到的数据，LabVIEW中的程序将读取到的数据包进行分类，分别按照数据的不同通道、输入顺序将数据截取发送到相对应的不同编号的传感器显示页面进行相对应的字符串显示。
监测与报警模块需要在线执行，对电机、滚筒、减速器关键部位进行振动在线监测；包括：数据采集、数据处理和数据显示；所述的数据采集是在线监测系统的关键流程，后续的相关操作均应建立在正确数据采集的基础上，因此具有较高的优先度；为了保证数据采集能够实时准确的进行，在程序设计中采用并行多线程方式；在完成对数据采集后，对所采集的数据进行数据处理，进而对处理完成的数据进行数据显示；针对不同振动传感器采集到的加速度信号，采用了队列的形式进行存储。队列是一种先进先出的数据结构，具有一定大小的缓冲区，最基本的操作是压入和弹出，其中压入操作把元素压入到队列缓冲区的最后，弹出操作将队列缓冲区最前的一个元素弹出队列缓冲区；由于队列缓冲区可以缓存数据，先进先出的机理保证了数据的顺序不会被打乱，采用队列在多个线程之间传递数据，可以保证数据不丢失，不被覆盖；队列缓冲区中以队列元素为单元进行存储，因此，使用队列之前需要首先设计好队列元素的结构；振动信号队列的元素包括，信号数据和数据处理方法；数据处理方法和信号数据成对存在，数据处理方法决定了信号数据的处理流程；数据显示是人机交互的接口，在满足系统功能的同时，要能够充分展示被监测对象的运行状态。
故障诊断模块包括：振动信号分析和基于GA-BP故障诊断模块；所述的振动信号分析的目的是去除噪声，获取更多有效信息，并使得有效信息能够清晰展示在系统中；基于GA-BP故障诊断模块则是通过前文提取出的信号特征进行故障诊断及分类；所述的故障诊断模块采用在线、离线相结合的方式；在线分析前面显示页面呈现，能够根据工程应用中的实际情况，选择合适的采样频率，进行多通道采集和显示各个测点的振动信号；长时间在线分析能够观察故障在时域波形上的演变趋势，离线分析对信号进行补充检测，对早期故障进行预警，对已形成的故障进行详尽故障识别。
有益效果及优点：由于采用了上述方案，在矿用绞车运行过程中，对电机、滚筒、减速器等关键部件进行振动监测，分析设备的运行状态，及时发现故障，给出防范意见，避免了因故障而导致的安全事故发生，同时还能避免绞车因计划停机检修造成的经济损失；在故障发生后快速定位并找出原因，避免了维修的盲目性，缩短了维修时间和减少维修费用。
在技术上克服了在传统方法无法准确实时识别故障的不足，有利于提升识别的准确率。该分类方法，能够在绞车工作过程中正确识别故障，并能够对故障发生趋势进行一定程度的预判，在不影响煤矿企业生产的前提下，分析设备的运行状态并识别故障，在实际生产应用中具有广阔的前景。
解决了现有技术的矿用绞车在运行过程中对所产生的故障监测、诊断不足的问题，达到了本发明的目的。
附图说明
图1为本发明一种基于改进的集总平均经验模态分解的绞车振动故障状态诊断方法流程图。
图2为本发明的改进的集总平均经验模态分解流程图。
图3为本发明测得的绞车减速箱振动信号时域图。
图4为本发明绞车减速箱振动信号的改进的集总平均经验模态分解结果。
图5为本发明绞车减速箱振动信号归一化能量谱。
图6为本发明绞车减速箱振动信号相关系数与方差贡献率图。
图7为本发明不同状态轴承归一化能量谱。
具体实施方式
本发明的绞车振动故障状态诊断方法，采用软件显示部分对诊断过程、结果进行显示、识别，包括以下步骤：
步骤1.绞车振动信号采集，并将其转换为时域信号；
步骤2.对采集到的加速度信号进行改进的集总平均经验模态分解；
步骤3.分解后的信号进行希尔伯特变换，得到其反映的特征频率信息；
步骤4.绞车故障特征提取；
步骤5.利用GA-BP分类器对绞车故障特征进行分类；
步骤6.选取训练集进行验证，分类结果达到预定要求则在软件显示部分输出结果，不符合要求则重新进行分类器训练。
优选地，在步骤1中，利用加速度传感器、信号调理器和多通道同步数据采集卡获取绞车振动信息。
优选地，在步骤2中，设置排列熵的阈值，去除大于阈值的分量，并对剩余信号重新分解，并依据频率高低对分解出的分量重新排序；通过该方法能够有效的抑制模态现象，而且能消除伪分量影响，解决模态的分裂问题。
优选地，在步骤3中，利用希尔伯特变换求解出重构信号的特征频率，能够对故障类型进行初步诊断。
优选地，在步骤4中，经改进的集总平均经验模态分解后分解出一系列IMF分量，求取各个IMF分量的归一化能量值和子频带分量与原始信号的相关系数以及方差贡献率；
优选地，所述的相关系数反映了两个变量之间的相互关联程度，系数越大表示两者的关联程度越大；所述的方差定义为平方的均值减去均值的平方，方差贡献率也就是方差所占的百分比，表示了贡献率波动情况的累计；根据经验设定阈值为0.1，通过以上所述相关系数和方差贡献率剔除低于设定阈值的分量，然后采用剩余分量的归一化能量值作为特征参数进行后续故障诊断。
优选地，将求取各个IMF分量的归一化能量值作为特征输入到训练好的GA-BP分类器中，进行实际故障分类；并选取一定已知故障特征的样本当做测试集进行测试，当测试结果符合我们的要求时，分类结束；否则，将选取不同样本重新进行分类器训练。
优选地，软件显示部分包括：系统管理模块，参数管理模块，监测与报警模块和故障诊断模块；针对系统的4个组成部分分别设计应用程序框架、数据表达方式与存储结构。
系统管理模块完成对用户管理和数据库管理，包括：用户管理、数据库表的设计和数据库的操作；该系统所采用的文件类型主要有配置文件与TDMS高速数据流文件；其中，所述的配置文件用于存储硬件配置参数、报警参数；配置文件的使用：每行即为一条信息，由一个名称和一个值组成；所述的TDMS配置文件是Labview提供的专门用于数据存储的文件格式，采用TDMS高速数据流文件存储信号数据，以实现信号数据的快速存储与回放。
参数管理模块包括：系统通讯设置和系统参数设置；系统参数设置用于设置振动相关报警参数，在系统参数设置界面进行相关参数的设置，并在完成设置后点击保存使设置生效；所述的系统通讯设置是数据通过LabVIEW中的VISA接口读取到数据采集卡中不同通道采集到的数据，LabVIEW中的程序将读取到的数据包进行分类，分别按照数据的不同通道、输入顺序将数据截取发送到相对应的不同编号的传感器显示页面进行相对应的字符串显示。
监测与报警模块需要在线执行，对电机、滚筒、减速器关键部位进行振动在线监测；包括：数据采集、数据处理和数据显示；所述的数据采集是在线监测系统的关键流程，后续的相关操作均应建立在正确数据采集的基础上，因此具有较高的优先度；为了保证数据采集能够实时准确的进行，在程序设计中采用并行多线程方式；在完成对数据采集后，对所采集的数据进行数据处理，进而对处理完成的数据进行数据显示；针对不同振动传感器采集到的加速度信号，采用了队列的形式进行存储。队列是一种先进先出的数据结构，具有一定大小的缓冲区，最基本的操作是压入和弹出，其中压入操作把元素压入到队列缓冲区的最后，弹出操作将队列缓冲区最前的一个元素弹出队列缓冲区；由于队列缓冲区可以缓存数据，先进先出的机理保证了数据的顺序不会被打乱，采用队列在多个线程之间传递数据，可以保证数据不丢失，不被覆盖；队列缓冲区中以队列元素为单元进行存储，因此，使用队列之前需要首先设计好队列元素的结构；振动信号队列的元素包括，信号数据和数据处理方法；数据处理方法和信号数据成对存在，数据处理方法决定了信号数据的处理流程；数据显示是人机交互的接口，在满足系统功能的同时，要能够充分展示被监测对象的运行状态。
故障诊断模块包括：振动信号分析和基于GA-BP故障诊断模块；所述的振动信号分析的目的是去除噪声，获取更多有效信息，并使得有效信息能够清晰展示在系统中；基于GA-BP故障诊断模块则是通过前文提取出的信号特征进行故障诊断及分类；所述的故障诊断模块采用在线、离线相结合的方式；在线分析前面显示页面呈现，能够根据工程应用中的实际情况，选择合适的采样频率，进行多通道采集和显示各个测点的振动信号；长时间在线分析能够观察故障在时域波形上的演变趋势，离线分析对信号进行补充检测，对早期故障进行预警，对已形成的故障进行详尽故障识别。
下面依据附图结合实施例作详细的说明。
实施例1：图1为本发明一种基于改进的集总平均经验模态分解的绞车振动故障状态诊断方法，如图1所示，本实施例的方法采用软件显示部分对诊断过程、结果进行显示、识别，步骤包括：
步骤1.绞车振动信号采集，并将其转换为时域信号；
步骤2.对采集到的加速度信号进行改进的集总平均经验模态分解；
步骤3.分解后的信号进行希尔伯特变换，得到其反映的特征频率信息；
步骤4.绞车故障特征提取；
步骤5.利用GA-BP分类器对绞车故障特征进行分类；
步骤6.选取训练集进行验证，分类结果达到预定要求则在软件显示部分输出结果，不符合要求则重新进行分类器训练。
进一步地，步骤1中，所述的振动加速度信号的采集，包括：利用加速度传感器、信号调理器和多通道同步数据采集卡获取绞车振动信息，并将其转化为时域信号，绞车振动信息的时域信号图，如图3所示，图3包括对x1、y1和z1的采样点数图。
进一步地，步骤2中，将采集到的绞车振动加速度信号进行改进的集总平均经验模态分解，包括：基于EEMD和CEEMD算法计算每个IMF分量的排列熵，设置相应整形，去除大于阈值的IMF分量，然后对剩余信号进行EMD分解，将所有IMF分量从高频排列到低频；改进的集总平均经验模态分解的流程图，如图2所示。具体步骤包括：
(1)将正负成对的白噪声ni(t)加到原始信号x(t)上，即
其中ai表示白噪声的幅度，ni(t)代表噪声信号，其幅值一般取原始信号标准差的0.1-0.2倍；i＝1，2，3，…，n，n是白噪声的对数，集合信号的个数为2n。
表示加入正向白噪声的信号，
表示加入负向白噪声的信号。
(2)对集合中的信号
和
进行EMD算法，每个信号可以分解为一组IMF分量。
其中
和
代表第i个信号的j个IMF分量。
(3)每阶的IMF分量可以通过多分量系综平均来获得。
其中cj(t)是IMF分解的第j个组成部分。
(4)依次检查cj(t)是否为异常信号。可以利用排列熵检测信号的随机性。熵值越大，信号的随机性越大。通过设置置换阈值θ0，可以确定信号是否随机异常。具体做法是计算cj(t)的排列熵，值大于θ0视为异常信号。
(5)将异常信号从原始信号中分离出来，然后用经验模态分解算法对剩余信号进行分解。
s(t)＝x(t)-x′(t)
其中x′(t)代表所有异常信号的总和，s(t)代表剩余信号，ck(t)代表通过改进的集总平均经验模态分解算法获得的第K个IMF分量。r(t)表示信号分解完的剩余信号。
(6)改进的集总平均经验模态算法可以简单表达如下：
绞车减速箱振动信号分解结果如图4所示，图4包括：图4(a)x方向改进的集总平均经验模态分解图；图4(b)y方向改进的集总平均经验模态分解图；图4(c)z方向改进的集总平均经验模态分解图。
进一步地，步骤3中，绞车减速箱振动信号的希尔伯特变换，包括：各个方向振动信号经改进的集总平均经验模态分解为一系列数量、振荡周期各不相同的IMF分量。求取各IMF分量的归一化能量谱，如图5所示，图5包括对x1、y1和z1的能量谱图。。求取各IMF分量与原始信号的相关系数与方差贡献率，如图6所示，图6包括图6(a)相关性图和图6(b)方差贡献率图。并通过设定的阈值剔除相关性差的分量。
进一步地，步骤4中，绞车故障振动信号特征提取，包括：选取剔除相关性差信号剩余IMF分量的能量值作为特征进行相应故障诊断，由于实际绞车很难产生故障，选用CSRU标准数据库故障轴承数据作为故障输入数据进行分析，不同状态的轴承归一化能量谱如图7所示。
进一步地，步骤5中，依据选好的故障特征进行分类器训练，包括：构建基于BP的基础故障分类器。经测试集评价后发现该分类器采用随机数来初始化各层网络的权值和阈值，训练过程中容易造成训练结果不稳定，容易到达局部极小值，无法达到全局最小值，进而产生较大的误差。为了解决上述问题，选择思维进化算法以及遗传算法分别对该基础分类器进行优化，选用均方误差以及准确率对两种不同优化方法进行评价，基于GA-BP优化的分类方法准确率更高，它要优于基于MEA-BP优化的分类方法和传统BP网络的方法，遗传算法优化后的BP神经网络能够显著提升系统的正确判断能力，同时也能够避免故障诊断基础模型中遇到的过拟合或局部极小的问题。该基础分类器能够很好的对故障特征进行分类。优化方法介绍如下：
(1)MEA基本思路是在解空间内随机生成一定规模的个体，根据得分搜索出得分最高的若干个优胜个体和临时个体；接着以这些优胜个体和临时个体为中心，在每个个体的周围产生一些新的个体，得到若干个优胜子群体和临时子群体；在各个子群体内部执行趋同操作，直至该子群体成熟，并以该子群体中最优个体的得分作为该子群体的得分；子群体成熟后，将各个子群体的得分在全局公告板上张贴，子群体之间执行异化操作，完成优胜子群体与临时子群体之间的替换、废弃、子群体中个体释放的过程，从而计算全局最优个体及其得分。个体获得最高分的过程。该过程中，当胜者保持不变时，说明该子群体已经处于成熟状态。相关参数设置如下：迭代次数设置为50，种群大小设置为20，优胜子种群设置为5，临时子种群设置为5，得分函数设置为均方根误差和的倒数。通过MEA优化的神经网络基础诊断模型，通过优胜与临时子群体选取最优的权值和阈值，通过局部与全局搜索，能够显著提升基础分类器收敛速度和泛化能力，能够极大提升算法的预测准确率。
(2)GA是一种模拟自然生物学进化机制的算法，即遵循优胜劣汰的规律，这是寻求最佳结果的过程。有用的保留和无用的将被删除。在科学和生产实践中表明，在所有可能的解决方案中，找到最能满足问题要求的解决方案，即找到最佳解决。遗传算法中有一个非常重要的函数叫做适应度函数，适应度函数值是从被分析问题中提取出来并用来评价染色体优劣的指标。被分析问题的潜在解都是以染色体的方式进行组合起来的，而这些组合就构成了种群。在求解过程中，采用选择、交叉以及变异等方式逐渐形成了新一代的潜在解。在整个遗传更迭过程中每产生一代新的种群，算法都会通过计算每个染色体的适应度函数值，并且对比前一代的适应度函数值，确保新一代个体要优于前一代个体。在整个遗传算法更迭过程中，个体表现出对生存环境越来越好的适应性。相关参数设置如下：迭代次数设置为50，种群规模设置为10，交叉概率设置为0.4，变异概率设置为0.2，适应度函数设置为均方根误差和。采用实数编码。它概括了误差反向传播神经网络权值和阈值参数。选择的适应度函数为均方根误差和，反映了实际输出与期望输出之间的误差，能够很好的反应优化后的网络预测性能；轮盘赌作为选择操作的方法，接下来进行交叉，产生新个体并通过适应度选择最优解；接下来进行变异操作，增强种群多样性。采用遗传算法优化的误差反向传播故障诊断模型有效地优化了误差反向传播网络的性能，具有良好的容错性，避免了初始权值和阈值随机值带来的不确定性误差，也不会因个别参数错误或丢失造成诊断失误，提升了泛化能力。
进一步地，步骤6中，所述的分类结果验证，包括：选取训练集进行验证，分类结果达到预定要求则输出结果，不符合要求则重新进行分类器训练。
进一步地，软件显示部分包括：系统管理模块，参数管理模块，监测与报警模块和故障诊断模块，构成软件系统，针对上述系统的4个组成部分分别设计应用程序框架、数据表达方式与存储结构。
系统管理模块完成对用户管理和数据库管理，包括：用户管理、数据库表的设计和数据库的操作。该系统所采用的文件类型主要有配置文件与TDMS高速数据流文件。其中，所述的配置文件用于存储硬件配置参数、报警参数，配置文件的使用：非常简单，每行即为一条信息，由一个名称和一个值组成；所述的TDMS配置文件是labview提供的专门用于数据存储的文件格式，采用TDMS配置文件存储信号数据，可以实现信号数据的快速存储与回放。
参数管理模块包括：系统通讯设置和系统参数设置；系统参数设置用于设置振动相关报警参数，在系统参数设置界面进行相关参数的设置，并在完成设置后点击保存使设置生效。系统通讯设置主要是数据通过LabVIEW中的VISA接口读取到数据采集卡中不同通道采集到的数据，LabVIEW中的程序将读取到的数据包进行分类，分别按照数据的不同通道、输入顺序将数据截取发送到相对应的不同编号的传感器显示页面进行相对应的字符串显示。
监测与报警模块需要在线执行，对电机、滚筒、减速器关键部位进行振动在线监测。包括：数据采集、数据处理和数据显示。所述的数据采集是在线监测系统的关键流程，后续的相关操作均应建立在正确数据采集的基础上，因此具有较高的优先度。为了保证数据采集能够实时准确的进行，在程序设计中采用并行多线程方式。在完成对数据采集后，需要对数据进行处理，进而完成后面的数据显示。队列是一种先进先出的数据结构，具有一定大小的缓冲区，最基本的操作是压入和弹出，其中压入操作把元素压入到队列缓冲区的最后，弹出操作将队列缓冲区最前的一个元素弹出队列缓冲区。由于队列缓冲区可以缓存数据，先进先出的机理保证了数据的顺序不会被打乱，采用队列在多个线程之间传递数据，可以保证数据不丢失，不被覆盖。队列缓冲区中以队列元素为单元进行存储，因此，使用队列之前需要首先设计好队列元素的结构。振动信号队列的元素由两部分组成，信号数据与数据处理方法，数据处理方法与信号数据成对存在，数据处理方法决定了信号数据的处理流程。数据显示是人机交互的接口，在满足系统功能的同时，要能够充分展示被监测对象的运行状态，同时界面要布局合理，主次分明，风格统一，符合行业标准，最后，对操作要求简单可靠。
故障诊断模块主要包括振动信号分析和基于GA-BP故障诊断模块。信号分析的主要目的是去除噪声，获取更多有效信息，并使得有效信息能够清晰展示在系统中。系统采用在线离线相结合的方式，在线分析主要在前面显示页面呈现，能够根据工程应用中的实际情况，选择合适的采样频率，进行多通道采集和显示各个测点的振动信号。长时间在线分析能够观察故障在时域波形上的演变趋势，离线分析可以对信号进行补充检测，对早期故障进行预警，对已形成的故障进行详尽故障识别。
以上所述仅是本发明的优选实施方式，应当指出，对于本发明领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润湿，这些改进和润湿也应视为本发明的改进范围。
Claims (10)
1.一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：绞车振动故障状态诊断方法，采用软件显示部分对诊断过程、结果进行显示、识别，包括以下步骤：
步骤1.绞车振动信号采集，并将其转换为时域信号；
步骤2.对采集到的加速度信号进行改进的集总平均经验模态分解；
步骤3.分解后的信号进行希尔伯特变换，得到其反映的特征频率信息；
步骤4.绞车故障特征提取；
步骤5.利用GA-BP分类器对绞车故障特征进行分类；
步骤6.选取训练集进行验证，分类结果达到预定要求则在软件显示部分输出结果，不符合要求则重新进行分类器训练。
2.根据权利要求1所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：在步骤1中，利用加速度传感器、信号调理器和多通道同步数据采集卡获取绞车振动信息。
3.根据权利要求1所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：在步骤2中，设置排列熵的阈值，去除大于阈值的分量，并对剩余信号重新分解，并依据频率高低对分解出的分量重新排序；通过该方法能够有效的抑制模态现象，而且能消除伪分量影响，解决模态的分裂问题。
4.根据权利要求1所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：在步骤3中，利用希尔伯特变换求解出重构信号的特征频率，能够对故障类型进行初步诊断。
5.根据权利要求1所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：在步骤4中，经改进的集总平均经验模态分解后分解出一系列IMF分量，求取各个IMF分量的归一化能量值和子频带分量与原始信号的相关系数以及方差贡献率；
所述的相关系数反映了两个变量之间的相互关联程度，系数越大表示两者的关联程度越大；所述的方差定义为平方的均值减去均值的平方，方差贡献率也就是方差所占的百分比，表示了贡献率波动情况的累计；根据经验设定阈值为0.1，通过以上所述相关系数和方差贡献率剔除低于设定阈值的分量，然后采用剩余分量的归一化能量值作为特征参数进行后续故障诊断；
将求取各个IMF分量的归一化能量值作为特征输入到训练好的GA-BP分类器中，进行实际故障分类；并选取一定已知故障特征的样本当做测试集进行测试，当测试结果符合我们的要求时，分类结束；否则，将选取不同样本重新进行分类器训练。
6.根据权利要求1所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：软件显示部分包括：系统管理模块，参数管理模块，监测与报警模块和故障诊断模块；针对系统的4个组成部分分别设计应用程序框架、数据表达方式与存储结构。
7.根据权利要求6所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：系统管理模块完成对用户管理和数据库管理，包括：用户管理、数据库表的设计和数据库的操作；该系统所采用的文件类型主要有配置文件与TDMS高速数据流文件；其中，所述的配置文件用于存储硬件配置参数、报警参数；配置文件的使用：每行即为一条信息，由一个名称和一个值组成；所述的TDMS配置文件是Labview提供的专门用于数据存储的文件格式，采用TDMS高速数据流文件存储信号数据，以实现信号数据的快速存储与回放。
8.根据权利要求6所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：参数管理模块包括：系统通讯设置和系统参数设置；系统参数设置用于设置振动相关报警参数，在系统参数设置界面进行相关参数的设置，并在完成设置后点击保存使设置生效；所述的系统通讯设置是数据通过LabVIEW中的VISA接口读取到数据采集卡中不同通道采集到的数据，LabVIEW中的程序将读取到的数据包进行分类，分别按照数据的不同通道、输入顺序将数据截取发送到相对应的不同编号的传感器显示页面进行相对应的字符串显示。
9.根据权利要求6所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：监测与报警模块需要在线执行，对电机、滚筒、减速器关键部位进行振动在线监测；包括：数据采集、数据处理和数据显示；所述的数据采集是在线监测系统的关键流程，后续的相关操作均应建立在正确数据采集的基础上，因此具有较高的优先度；为了保证数据采集能够实时准确的进行，在程序设计中采用并行多线程方式；在完成对数据采集后，对所采集的数据进行数据处理，进而对处理完成的数据进行数据显示；针对不同振动传感器采集到的加速度信号，采用了队列的形式进行存储。队列是一种先进先出的数据结构，具有一定大小的缓冲区，最基本的操作是压入和弹出，其中压入操作把元素压入到队列缓冲区的最后，弹出操作将队列缓冲区最前的一个元素弹出队列缓冲区；由于队列缓冲区可以缓存数据，先进先出的机理保证了数据的顺序不会被打乱，采用队列在多个线程之间传递数据，以保证数据不丢失，不被覆盖；队列缓冲区中以队列元素为单元进行存储，因此，使用队列之前需要首先设计好队列元素的结构；振动信号队列的元素包括，信号数据和数据处理方法；数据处理方法和信号数据成对存在，数据处理方法决定了信号数据的处理流程；数据显示是人机交互的接口，在满足系统功能的同时，要能够充分展示被监测对象的运行状态。
10.根据权利要求6所述的一种基于改进集总平均经验分解的绞车振动诊断方法，其特征是：故障诊断模块包括：振动信号分析和基于GA-BP故障诊断模块；所述的振动信号分析的目的是去除噪声，获取更多有效信息，并使得有效信息能够清晰展示在系统中；基于GA-BP故障诊断模块则是通过前文提取出的信号特征进行故障诊断及分类；所述的故障诊断模块采用在线、离线相结合的方式；在线分析前面显示页面呈现，能够根据工程应用中的实际情况，选择合适的采样频率，进行多通道采集和显示各个测点的振动信号；长时间在线分析能够观察故障在时域波形上的演变趋势，离线分析对信号进行补充检测，对早期故障进行预警，对已形成的故障进行详尽故障识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598929.9A CN113340547A (zh) | 2021-05-31 | 2021-05-31 | 一种基于改进集总平均经验分解的绞车振动诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598929.9A CN113340547A (zh) | 2021-05-31 | 2021-05-31 | 一种基于改进集总平均经验分解的绞车振动诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113340547A true CN113340547A (zh) | 2021-09-03 |
Family
ID=77472411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598929.9A Pending CN113340547A (zh) | 2021-05-31 | 2021-05-31 | 一种基于改进集总平均经验分解的绞车振动诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113340547A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610000A (zh) * | 2022-03-21 | 2022-06-10 | 重庆邮电大学 | 一种基于硬件在环平台的汽车ecu诊断测试方法 |
| CN116578948A (zh) * | 2023-07-12 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 数据相关性识别方法、装置、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
| CN108254179A (zh) * | 2017-08-08 | 2018-07-06 | 常州路航轨道交通科技有限公司 | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 |
| CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
-
2021
- 2021-05-31 CN CN202110598929.9A patent/CN113340547A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
| CN108254179A (zh) * | 2017-08-08 | 2018-07-06 | 常州路航轨道交通科技有限公司 | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 |
| CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
Non-Patent Citations (5)
| Title |
|---|
| 王晋瑞 等: "基于MEEMD-DHENN的滚动轴承故障诊断", 《机械传动》 * |
| 王瑞: "LabVIEW数据交互及处理技术在测试软件中的应用", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 郑丹: "光电型太阳辐射观测算法研究" * |
| 陈博 等: "基于MEEMD和GA-SVM的列车车轮多边形故障识别方法" * |
| 陈莹莹 等: "基于LabVIEW与MATLAB的提升机在线监测与故障诊断系统设计", 《煤矿机械》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610000A (zh) * | 2022-03-21 | 2022-06-10 | 重庆邮电大学 | 一种基于硬件在环平台的汽车ecu诊断测试方法 |
| CN116578948A (zh) * | 2023-07-12 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 数据相关性识别方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
| CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
| CN113340547A (zh) | 一种基于改进集总平均经验分解的绞车振动诊断方法 | |
| CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
| CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| CN103810374A (zh) | 一种基于mfcc特征提取的机器故障预测方法 | |
| CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN109472462A (zh) | 一种基于多模型堆栈融合的项目风险评级方法及装置 | |
| CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| CN115774851B (zh) | 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统 | |
| CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
| CN116415723A (zh) | 一种面向铁路防灾系统的风速预测方法及装置 | |
| BENKEDJOUH et al. | Deep Learning for Fault Diagnosis based on short-time Fourier transform | |
| Handhika et al. | Multivariate time series classification analysis: State-of-the-art and future challenges | |
| Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
| CN111275003B (zh) | 基于类最优高斯核多分类支持向量机的微震信号识别方法 | |
| CN111210085B (zh) | 一种基于多视图集成学习的煤矿瓦斯浓度预警方法 | |
| CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
| CN113515560A (zh) | 车辆故障的分析方法、装置、电子设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |
|
| WD01 | Invention patent application deemed withdrawn after publication |