CN113390631A - 一种柴油机齿轮箱故障诊断方法 - Google Patents
一种柴油机齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN113390631A CN113390631A CN202110661679.9A CN202110661679A CN113390631A CN 113390631 A CN113390631 A CN 113390631A CN 202110661679 A CN202110661679 A CN 202110661679A CN 113390631 A CN113390631 A CN 113390631A
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- vibration signal
- diesel engine
- 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
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种柴油机齿轮箱故障诊断方法,属于柴油机故障诊断技术领域。首先,利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号,并绘制其时域图和频谱图;其次,利用集合经验模态分解EEMD方法对振动信号进行降噪分解处理,得到多内禀模态分量IMF和残余分量;然后,基于EEMD分解的模态分量提取多域特征参数并构建特征向量,作为有向无环图支持向量机DAGSVM的输入;最后,利用采集到的振动信号样本进行训练DAGSVM模型用于柴油机齿轮箱的故障诊断,完成故障类型识别。本发明适合于柴油发动机齿轮箱的故障诊断,并且在不同齿轮状态下都具有较高的诊断准确率,最高可达到100%的故障识别率,可对齿轮箱的故障进行快速故障定位,从而提高维修效率。
Description
技术领域
本发明属于柴油机故障诊断技术领域,涉及一种柴油机齿轮箱的故障诊断方法。
背景技术
齿轮箱是柴油机的关键部件之一。齿轮箱的故障发生会给柴油机带来一系列的严重后果,齿轮箱的故障诊断是需要全面考虑多源传感器信息的典型问题,例如振动信息、声音信息、温度信息,压力信息等。由于振动信息易采集、耗费少,利用振动信息对齿轮箱进行故障诊断的方法应用较为广泛,在一种风电齿轮箱的故障诊断方法中,采用神经网络建立风电齿轮箱故障诊断模型需要大量数据支撑才能完成,并且诊断速率较低。
针对柴油机齿轮箱的故障诊断问题,采集的振动信号具有非线性、非平稳性的特征,对故障诊断造成巨大难度。对于旋转机械系统来说,振动信号的相当数量信息存在于其时域和频域中,如幅值、频率等都反映了故障特征信息,通常利用其作为故障特征,分析原始振动信号。然而仅利用单独时域或频域分析并非适用于所有的故障特征分析,有必要采用振动信号的时频域相结合的分析方法来并提取更多的故障特征信息。小波分析和模态分解常被用来柴油机齿轮箱振动信号故障特征的分析方法,然而在小波分析中如何选择小波基尚未定论,并且小波分析只是将信号在傅里叶变换中进行机械分解。尽管模态分解是一种自适应处理技术,根据信号的固有属性对其进行分解,但是由于极点分布不均造成的混叠现象仍未得到有效解决。考虑到柴油机齿轮箱故障信号的复杂性,并为了提高振动信号特征提取的稳定性和故障类型识别率,前人工作已初步证实了利用集合经验模态分解EEMD和支持向量机(SVM)结合进行旋转机械故障分析的可行性。
发明内容
本发明的目的在于提供一种柴油机齿轮箱的故障诊断方法,用于准确识别柴油机齿轮箱的故障类型。能够解决现有技术在齿轮箱故障诊断过程中存在的一系列问题:非平稳、非线性的柴油机齿轮箱振动信号特征提取的混叠现象,时-频域特征参数的提取以及特征向量的构建,齿轮箱故障类型识别率不高等问题。
为了达到上述目的,本发明采用的技术方案为:
一种柴油机齿轮箱故障诊断方法,该诊断方法首先,利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号,并绘制时域图和频谱图;接着,利用集合经验模态分解(EEMD)方法对振动信号进行降噪分解处理,得到多内禀模态分量(IMF)和残余分量;然后,基于EEMD分解的模态分量提取多域特征参数并构建特征向量,作为有向无环图支持向量机(DAGSVM)的输入,DAGSVM分类器的使用可提高故障模式识别的速率和准确率;最后,利用采集到的振动信号样本进行训练DAGSVM模型用于柴油机齿轮箱的故障诊断,完成故障类型识别。具体包括以下步骤:
步骤1:针对典型故障情况,采集柴油机齿轮箱的四种不同齿轮状态下的振动信号,获取采样频率和获取数据个数,绘制四种不同齿轮状态下的原始振动信号时域图;利用傅里叶变换,得到四种不同齿轮状态下的真实幅值,绘制四种不同齿轮状态下的原始振动信号频谱图。
步骤2:利用集合经验模态分解EEMD方法分别对四种不同齿轮状态下的振动信号进行降噪处理并分解,得到不同尺度的IMF分量和残余分量,并依据各分量所包含的原始信号能量的占比,提取最能表征原始信号特征信息的IMF分量。所述的IMF分量需要满足以下条件:满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,任何的两个模态之间要满足相互独立的条件。具体如下:
S2.1采用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理;
S2.2对步骤S2.1降噪处理后的数据添加高斯白噪声后进行EMD分解:
S2.2.1在去噪后的信号中添加高斯白噪声信号后得到待分解信号,确定待分解振动信号L(t)的所有局部极值点,将所有极大值点和极小值点分别采用三次样条曲线连接起来,形成上下两条包络线;
L(t)=x(t)+ε(t) (1)
其中,L(t)为待分解振动信号,x(t)为去噪后的信号,ε(t)为高斯白噪声信号。
S2.2.2记两条包络线的均值为m1,求出:
h1(t)=L(t)-m1; (2)
其中,h1(t)表示待分解振动信号L(t)减去上下包络线的平均值m1后的差。
如果h1(t)满足IMF的条件,即包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,那么h1(t)就是L(t)的第一个IMF分量;
S2.2.3如果h1(t)不满足IMF的条件,则把h1(t)作为原始数据,重复步骤S2.2.1.~S2.2.2.,直至满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称的条件,记第一阶IMF分量为c1;
S2.2.4将c1从L(t)中分离出来,得到:
r1=L(t)-c1; (3)
其中,r1表示原始待分解信号分离出第一阶分量后的新的待分解信号。
S2.2.5将r1作为原始的待分解信号,重复步骤S2.2.1.~S2.2.4.,直至rn变成一个单调函数,不能再从待分解信号中选出满足IMF条件的分量时,循环结束。最终得到:
其中,rn成为残余函数,代表信号的平均趋势。
S2.3利用步骤S2.2分解获得一组IMF分量。
S2.4每次加入相同幅值的高斯白噪声,并重复步骤2.2,得到一系列IMF分量;
S2.5计算分解得到的一系列IMF分量的均值,获取消除模态混叠的IMF分量:
其中,sj(t)为利用EEMD分解的第j阶IMF分量,m为加入高斯白噪声的次数,i为第i次加入高斯白噪声的次数,sij(t)为第i次加入高斯白噪声利用EMD分解获得的第j阶IMF分量。
所述最能表征振动信号的特征信息的IMF分量为能够表征原始振动信号的的主要故障信息的特征信息。所有IMF分量总能量E的计算公式如下:
其中,Ei是第i阶IMF分量的能量;ci(t)为第i阶IMF分量的幅值;i表示分量的阶数;n表示所分解的IMF分量的总数。
各IMF分量能量与原始振动信号总能量的占比Pi:
步骤3:基于EEMD分解的模态分量提取特征参数构建特征向量,提取最能表征原始信号特征信息的IMF分量的时域和频域特征参量,构建一个特征向量,作为有向无环图支持向量机DAGSVM的输入。所述构建特征向量的步骤如下:
S3.1.采集柴油机齿轮箱四种不同齿轮状态下的原始振动信号;
S3.2.将获取的振动信号利用EEMD降噪处理并分解,提取最能原始表征振动信号的特征信息的IMF分量;
S3.3.基于EEMD和IMF能量提取时域特征参数:计算所有IMF分量的总能量,并计算最能表征振动信号的特征信息的IMF分量的归一化能量、偏度(skewness)、峰度(kurtosis)。定义如下:
所述最能表征振动信号的特征信息的IMF分量的归一化能量Pj如下:
其中,Pj为最能表征原始振动信号特征信息的第j阶IMF分量的归一化能量,Ej为最能表征原始振动信号的特征信息的IMF分量的总能量。
所述偏度(skewness)是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。偏度定义为样本的三阶标准化矩,偏度计算公式如下:
其中,X表示样本信号时域序列;μ表示原点矩;σ表示标准差;k2表示二阶矩;k3表示三阶矩。
所述峰度(kurtosis)又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来,峰度反映了峰部的尖度。随机变量的峰度计算方法为:随机变量的四阶中心矩与方差平方的比值。峰度计算公式如下:
S3.4.基于EEMD和Hilbert边际谱提取频域特征参数:计算最能表征振动信号的特征信息的IMF分量的重心频率(centroid frequency)和重心幅值(centroid amplitude),用于反映柴油机齿轮状态的重要特征。定义如下:
所述重心频率FC是信号能量集中的重心频率点,其计算公式如下:
其中,fi表示频率中出现的频率点,G(fi)表示该频率点对应的能量;
所述重心幅值AC是重心频率点所对应能量的大小可以作为表现频率中能量分布趋势的参量,其计算公式如下:
S3.4.将步骤S3.2.-S3.3.计算得到最能表征原始振动信号特征的IMF分量的归一化能量、偏度(skewness)、峰度(kurtosis)、重心频率(FC)和重心幅值(AC)的所有时频域特征参量结合构成一个特征向量,作为DAGSVM分类器的输入。
步骤4:构建DAGSVM分类器用于故障类型识别;然后利用训练样本对DAGSVM分类器进行训练,并利用测试样本对训练好的DAGSVM分类器测试是否达到故障诊断准确度。
步骤5:将步骤1中实际采集的四种不同齿轮状态下的柴油机齿轮箱原始振动信号,利用步骤2中的EEMD方法分解,并提取最能表征原始振动信号特征信息的IMF分量,利用步骤3获取由时频域特征参量构建的特征向量,输入到步骤4的所建立并训练好的故障诊断模型中,根据输出情况来识别故障类型。
进一步的,在步骤1中,柴油发动机齿轮箱的四种典型齿轮状态振动信号包括:齿轮箱健康状态的振动信号、大齿轮点蚀故障的振动信号、大齿轮断齿故障的振动信号、小齿轮磨损故障的振动信号。
进一步的,在步骤2.1中,采用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理的具体步骤如下:
S2.1.1原始振动信号为y(t),给原始振动信号中添加等长的高斯白噪声序列N(t),得到加噪后的信号ym(t)为:
ym(t)=y(t)+N(t); (13)
S2.1.2对ym(t)进行经验模态分解(EMD),去除第一阶IMF分量后对信号进行重构,得到降噪后的信号r(t);
S2.1.3改变随机种子,重新产生一个等长的相同功率的高斯白噪声Nr(t),按照式(14)得到新的分析信号yn(t):
yn(t)=1/2(ym(t)+r(t)+N(t)); (14)
S2.1.4将yn(t)作为处理信号ym(t),重复步骤S2.1.2.和S2.1.3若干次;
S2.1.5最后进行一次EMD分解,去掉第1阶IMF分量,重构后得到最终降噪处理后的信号x(t)。
本发明的有益效果:
采用本发明的故障诊断方法能够解决现有技术在柴油机齿轮箱故障诊断过程中存在的一系列问题:非平稳、非线性的柴油机齿轮箱振动信号特征提取的混叠现象,时-频域特征参数的提取以及特征向量的构建,柴油机齿轮箱故障类型识别率不高以及识别速率低等问题。本发明将集合经验模态分解方法和有向无环图支持向量机相结合,提出一种集合经验模态分解算法、有向无环图支持向量机相结合的柴油发动机齿轮箱的故障诊断方法,能够有效处理原始非平稳、非线性的振动信号,并经过降噪分解后较大程度保留原始信号的特征信息,有效进行特征信息的提取以及特征向量的构建为故障诊断和故障模型识别的精度和速率打下坚实基础。本发明适合于柴油发动机齿轮箱的故障诊断,并且诊断准确率较高,最高可达到100%的故障类型识别率,可对柴油机齿轮箱的故障进行快速故障定位,从而提高维修效率。
附图说明
图1为本实施例中基于EEMD和DAGSVM的柴油机齿轮箱的故障诊断流程图;
图2为本实施例中4分类有向无环图支持向量机;
图3为本实施例中齿轮箱在正常健康状态下的原始振动信号时频域波形图;图3(a)为时域波形图,图3(b)为频域波形图;
图4为本实施例中齿轮箱在大齿轮点蚀故障下的原始振动信号时频域波形图;图4(a)为时域波形图,图4(b)为频域波形图;
图5为本实施例中齿轮箱在大齿轮断齿故障下的原始振动信号时频域波形图;图5(a)为时域波形图,图5(b)为频域波形图;
图6为本实施例中齿轮箱在小齿轮磨损故障下的原始振动信号时频域波形图;图6(a)为时域波形图,图6(b)为频域波形图;
图7为本实施例中小齿轮磨损故障振动信号基于EEMD降噪分解的前4阶IMF分量图;
图7(a)为原始信号时域波形图,图7(b)为第一阶模态分量IMF1时域波形图;图7(c)为第二阶模态分量IMF2时域波形图;图7(d)为第三阶模态分量IMF3时域波形图;图7(e)为第四阶模态分量IMF4时域波形图;
图8为本实施例中基于时域特征参量构建特征向量的故障诊断故障类型识别结果示意图;
图9为本实施例中基于频域特征参量构建特征向量的故障诊断故障类型识别结果示意图;
图10为本实施例中基于时-频域特征参量构建特征向量的故障诊断故障类型识别结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例提供的一种柴油发动机齿轮箱的故障诊断方法,该故障诊断方法可由柴油发动机齿轮箱的故障诊断装置执行,图1为本实施例中基于EEMD和DAGSVM的柴油机齿轮箱的故障诊断流程,首先利用加速度传感器采集柴油机齿轮箱四种齿轮状态下的振动信号,并绘制时域图和频谱图;接着利用集合经验模态分解(EEMD)方法对振动信号进行降噪分解处理,得到多内禀模态分量(IMF)和残余分量;然后基于EEMD分解的模态分量提取多域特征参数,并构建特征向量作为有向无环图支持向量机(DAGSVM)的输入;最后利用采集到的振动信号样本进行训练DAGSVM模型用于柴油发动机的故障诊断,完成故障类型识别,具体按照以下步骤实施:
步骤1:针对典型故障情况,采集柴油机齿轮箱的四种不同齿轮状态下的振动信号,获取采样频率和获取数据个数,绘制四种不同齿轮状态下的原始振动信号时域图;利用傅里叶变换,得到四种典型不同齿轮状态下的真实幅值,绘制四种不同齿轮状态下的原始振动信号频谱图。
在步骤1中所述的四种不同齿轮状态振动信号包括:齿轮箱健康状态的振动信号、大齿轮点蚀故障的振动信号、大齿轮断齿故障的振动信号、小齿轮磨损故障的振动信号;
本发明的柴油机齿轮箱的振动信号分别在四种不同齿轮状态下测得:齿轮箱无故障处于健康良好运行状态、齿轮箱大齿轮有点蚀故障的齿轮状态、齿轮箱大齿轮有断齿故障的齿轮状态、齿轮箱小齿轮具有磨损故障的齿轮状态。本发明的样本数据是从旋转机械的振动和故障模拟平台获取的,由一个转子实验台、一个调速控制器、一个调速驱动电机、一个轴承、一个齿轮箱、轴和两个偏置转盘组成。转子实验台由一台交流变频器单相输入三相输出电机驱动,额定电压为220V,最大输出功率为100W,由旋转机械模拟控制器控制。该系统主要由平台和由有缺陷的轴承(点蚀故障的大齿轮、断齿的大齿轮、磨损故障的小齿轮)、备用齿轮、转盘配重、专用工具组成的机械零件。数据采集装置采用实验平台信号采集系统,包括传感器电缆、接线板、信号处理器、采集器卡、采集软件和故障诊断软件。振动信号由4个加速度传感器、激光测速仪采集,然后传输到前端处理器进行放大、滤波,最后传给计算机进行分析和存储。振动信号包含七种齿轮状态,本发明中采集了正常,大齿轮点蚀故障、断齿故障、小齿轮磨损故障,共四种齿轮状态的样本数据。故障类型通过更换有缺陷的齿轮进行模拟。电机转速为880r/min,样本采样频率为5120HZ,加载电流为0.2A,在不同的齿轮状态下(正常、大齿轮点蚀故障、断齿故障、小齿轮磨损故障)共获得240个样本。样本分为两部分。一部分作为训练样本,样本集大小为160,分别由每个齿轮状态下的40个样本组成;另一部分作为测试样本,样本集大小为80,分别由每个齿轮状态下的20个样本组成。
图3、图4、图5和图6分别是齿轮箱在正常健康状态下的原始振动信号时频域图、齿轮箱在大齿轮点蚀、大齿轮断齿故障下的原始振动信号时频域图、齿轮箱在小齿轮磨损故障下的原始振动信号时频域图。
步骤2:利用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理并分解,得到不同尺度的IMF分量和残余分量,并提取最能表征原始信号特征信息的IMF分量。具体如下:
在步骤2中提取最能表征原始信号特征信息的IMF分量,其中IMF分量要满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,任何两个模态之间要满足相互独立的条件;分解四种不同齿轮状态下的振动信号,得到不同尺度的IMF分量,步骤如下:
S2.2对步骤S2.1降噪处理后的数据添加高斯白噪声后进行EMD分解:
S2.2.1在去噪后的信号中添加高斯白噪声信号后得到待分解信号,确定待分解振动信号L(t)的所有局部极值点,将所有极大值点和极小值点分别采用三次样条曲线连接起来,形成上下两条包络线;
L(t)=x(t)+ε(t) (1)
其中,L(t)为待分解振动信号,x(t)为去噪后的信号,ε(t)为高斯白噪声信号。
S2.2.2记两条包络线的均值为m1,求出:
h1(t)=x(t)-m1; (2)
其中,h1(t)表示待分解振动信号L(t)减去上下包络线的平均值m1后的差。
如果h1(t)满足IMF的条件,即包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,那么h1(t)就是L(t)的第一个IMF分量;
S2.2.3如果h1(t)不满足IMF的条件,则把h1(t)作为原始数据,重复步骤S2.2.1.~S2.2.2.,直至满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称的条件,记第一阶IMF分量为c1;
S2.2.4将c1从L(t)中分离出来,得到:
r1=x(t)-c1; (3)
其中,r1表示原始待分解信号分离出第一阶分量后的新的待分解信号。
S2.2.5将r1作为原始的待分解信号,重复步骤S2.2.1.~S2.2.4.,直至rn变成一个单调函数,不能再从待分解信号中选出满足IMF条件的分量时,循环结束。最终得到:
其中,rn成为残余函数,代表信号的平均趋势。
S2.3利用步骤S2.2分解获得一组IMF分量。
S2.4每次加入相同幅值的高斯白噪声,并重复步骤2.2,得到一系列IMF分量;
S2.5计算分解得到的一系列IMF分量的均值,获取消除模态混叠的IMF分量:
其中,sj(t)为利用EEMD分解的第j阶IMF分量,m为加入高斯白噪声的次数,i为第i次加入高斯白噪声的次数,sij(t)为第i次加入高斯白噪声加入利用EMD分解获得的第j阶IMF分量。
步骤2中,利用EEMD方法分解四种不同齿轮状态下的振动信号,并提取最能表征原始信号特征信息的IMF分量,其中IMF分量要满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,任何的两个模态之间要满足相互独立的条件;
最能表征振动信号的特征信息的IMF分量,表征了原始振动信号的特征信息。所有IMF分量总能量的计算公式如下:
其中,Ei是第i阶IMF分量的能量;ci(t)为第i阶IMF分量的幅值;i表示分量的阶数;n表示所分解的IMF分量的总数。
各IMF分量能量与原始振动信号总共能量的占比Pi:
小齿轮磨损故障的振动信号经过EEMD分解后产生了9个IMF分量,并利用式(6)-(7)经过计算,得到IMF分量能量以及各个IMF分量能量占比,获得表征小齿轮磨损故障振动信号主要来源于前4阶模态分量,其能量总和约占该信号总能量的97.95%,因此利用前4个IMF分量可以近似表征振动信号的特征,即包含了主要故障特征信息。
步骤2中,利用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理并分解包括添加高斯白噪声:
S2.2.1.原始振动信号为y(t),给原始振动信号中添加等长的高斯白噪声序列N(t),得到加噪后的信号为:
ym(t)=y(t)+N(t); (13)
S2.2.2.对ym(t)进行EMD分解,去除第一阶IMF分量后对信号进行重构,得到降噪后的信号r(t);
S2.2.3改变随机种子,重新产生一个等长的相同功率的高斯白噪声Nr(t),按照式(14)得到新的分析信号:
yn(t)=1/2(ym(t)+r(t)+N(t)); (14)
S2.2.4.将yn(t)当作处理信号ym(t),重复步骤S2.1.2.和S2.1.3若干次;
S2.2.5.最后进行一次EMD分解,去掉第1阶IMF分量,重构后得到最终降噪处理后的信号x(t)。
在本实施例中,本发明主要以小齿轮磨损故障的振动信号为例来说明利用EEMD方法对小齿轮磨损故障的振动信号降噪分解。本实施例加入高斯白噪声的次数为NE=100,高斯白噪声的幅值取为0.25倍信号的标准差,小齿轮磨损振动信号利用式(1)-(5)得到降噪分解后的IMF分量和残余信号;
图7为利用EEMD对小齿轮磨损故障的振动信号降噪分解得到的原始信号波形图和前4阶模态分量IMF的波形图。
步骤3:基于EEMD分解的模态分量提取特征参数构建特征向量,提取最能表征原始信号特征信息的IMF分量的时域和频域特征参量,构建一个特征向量,用于DAGSVM分类器的输入。所述构建特征向量步骤如下:
S3.1.采集柴油机齿轮箱四种不同齿轮状态下的振动信号;
S3.2.将获取的振动信号利用EEMD降噪处理并分解,提取最能表征振动信号的特征信息的IMF分量;
S3.3.基于EMD和IMF能量提取时域特征参数:计算所有IMF分量的总能量,并计算最能表征振动信号的特征信息的IMF分量的归一化能量、偏度(skewness)、峰度(kurtosis)。定义如下:
所述最能表征振动信号的特征信息的IMF分量的归一化能量如下:
其中,Pj为最能表征原始振动信号特征信息的第j阶IMF分量的归一化能量,Ej为最能表征原始振动信号的特征信息的IMF分量的总能量。
偏度(skewness)是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。定义上偏度是样本的三阶标准化矩,计算公式如下:
峰度(kurtosis)又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来,峰度反映了峰部的尖度。随机变量的峰度计算方法为:随机变量的四阶中心矩与方差平方的比值。计算公式如下:
S3.4.基于EMD和Hilbert边际谱提取频域特征参数:计算最能表征振动信号的特征信息的IMF分量的重心频率(centroid frequency)和重心幅值(centroid amplitude),可反映柴油机齿轮状态的重要特征。
定义如下:
重心频率FC是信号能量集中的重心频率点,计算公式如下:
重心幅值AC是重心频率点所对应能量的大小可以作为表现频率中能量分布趋势的参量,计算公式如下:
其中fi表示频率中出现的频率点,G(fi)表示该频率点对应的能量。
S3.4.将步骤S3.2.-S3.3.计算得到最能表征原始振动信号特征的IMF分量的归一化能量、偏度(skewness)、峰度(kurtosis)、重心频率(FC)和重心幅值(AC)的所有时频域特征参量结合构成一个特征向量,作为DAGSVM分类器的输入;
利用式(6)-(12)对前四阶IMF分量处理,即可获取时域和频域的共20个特征参量,将20个特征参量合成一个20维特征向量,此特征向量作为DAGSVM分类器的输入。
齿轮箱在的正常健康状态、大齿轮点蚀、断齿故障齿轮状态下的振动信号降噪分解、特征参数提取以及故障特征向量的构建方法与小齿轮磨损故障的振动信号的方法相同,在此不再作过多的赘述。本实施例,采集样本共240组振动信号数据,来自每种齿轮状态下的样本数据各60组。样本共分为两组,其中160组作为训练样本,另外80组作为测试样本。柴油机齿轮箱四种不同齿轮状态下的振动信号完成降噪、分解、特征提取,特征向量完成构建后,接下来就是建立故障诊断模型,将故障特征向量输入DAGSVM分类器进行故障类型识别完成故障诊断。
步骤4:构建DAGSVM分类器用于故障类型识别;然后利用训练样本对DAGSVM分类器进行训练,并利用测试样本对训练好的DAGSVM分类器测试是否达到故障诊断准确度。
建立DAGSVM分类器故障诊断模型,利用160组训练样本训练DAGSVM分类器,80组样本作为测试样本。首先对四种不同齿轮状态设置标签,正常健康状态为标签1,大齿轮点蚀故障为标签2,大齿轮断齿故障为标签3,小齿轮磨损故障为标签4;接着随机抽取40组样本在正常齿轮状态下采集的数据样本,作为训练样本,同理另外三种齿轮状态也同样获取训练样本,共获取160组训练样本,剩下的数据样本作为测试样本,共80组测试样本,每种齿轮状态有20组样本。将数据归一化处理后,选择四种齿轮状态下共160组样本,训练DAGSVM分类器,训练完成后,利用80组测试样本输入,即可对不同齿轮状态下的故障数据进行自动识别,输出标签,以此完成故障诊断,得到故障类型识别结果。故障诊断准确度是根据分类器正确识别故障的样本数与实际样本数的比值确定的。为了证明时频域特征参量的故障诊断准确率高于基于时域或频域特征参量构建的特征向量的诊断准确率,故障诊断的故障类型识别结果如图8,为基于时域特征参量构建特征向量的故障诊断故障类型识别结果示意图,图9基于频域特征参量构建特征向量的故障诊断故障类型识别结果示意图,图10基于时-频域特征参量构建特征向量的故障诊断故障类型识别结果示意图所示。更具体的故障类型识别性能描述如表1所示。
从表1中可看出,基于时域特征参量构建的特征向量,基于Hilbert边际谱频域特征参量构建的特征向量,这两种构建特征向量方法的故障类型识别率相对较差。而小齿轮磨损故障的分类性能最好,在不同场景下的准确率均达到100%,同时基于Hilbert边际谱频域特征参量结合时域特征参量构建的特征向量故障诊断准确率最高,总准确率达到96.25%。
表1基于EEMD和支持向量机的诊断分类结果
步骤5:将步骤1中实际采集的四种不同齿轮状态下的柴油机齿轮箱振动信号,利用步骤2中的EEMD方法降噪分解,并提取最能表征原始信号特征信息的IMF分量,利用步骤3获取由时频域特征参量构建的特征向量,输入到步骤4所建立并训练好的故障诊断模型中,根据输出情况来识别故障类型。
本发明在柴油机齿轮箱振动信号的分解中,充分考虑到小波分析法的小波基不确定以及机械分解的问题和经验模态法的模态混叠缺点。提出了本文的集合经验模态分解法,该方法与EMD方法相比优势在于由于白噪声的随机特性,一方面可以抵消掉原信号中的部分噪声能量,平滑脉冲干扰;另一方面可以使得在进行EMD分解时最大限度地避免有用信号进入第1阶IMF分量中;该方法与小波分析方法相比优势在于该方法可以同时抑制了高斯白噪声和脉冲干扰,取具有良好的降噪效果,EEMD法在多尺度分解过程中,避免了模态混叠现象的发生。DAGSVM支持向量机与神经网路相比的优势在于减小样本的数据量,提高了分类速率并提高了模式识别的准确率。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (5)
1.一种柴油机齿轮箱故障诊断方法,其特征在于,所述故障诊断方法首先,利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号,并绘制时域图和频谱图;接着,利用集合经验模态分解EEMD方法对振动信号进行降噪分解处理,得到多内禀模态分量IMF和残余分量;然后,基于EEMD分解的模态分量提取多域特征参数并构建特征向量,作为有向无环图支持向量机DAGSVM的输入;最后,利用采集到的振动信号样本训练DAGSVM模型,用于诊断柴油机齿轮箱的故障,完成故障类型识别;具体包括以下步骤:
步骤1:针对典型故障情况,采集柴油机齿轮箱的四种不同齿轮状态下的振动信号,获取采样频率和获取数据个数,绘制四种不同齿轮状态下的原始振动信号时域图;利用傅里叶变换,得到四种不同齿轮状态下的真实幅值,并绘制四种不同齿轮状态下的原始振动信号频谱图;
步骤2:利用集合经验模态分解EEMD方法分别对四种不同齿轮状态下的振动信号进行降噪处理并分解,得到不同尺度的IMF分量和残余分量,并依据各分量所包含的原始信号能量的占比,提取最能表征原始信号特征信息的IMF分量;所述的IMF分量需要满足以下条件:满足包含相同数目的极值点以及过零点,任何两个相邻的过零点之间只能存在一个极值点,而且上下包络线必须关于时间轴做到局部对称,任何的两个模态之间要满足相互独立的条件;具体如下:
S2.1)采用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理;
S2.2)对步骤S2.1降噪处理后的数据添加高斯白噪声后进行EMD分解:
S2.2.1)在去噪后的信号中添加高斯白噪声信号后得到待分解信号,确定待分解振动信号L(t)的所有局部极值点,将所有极大值点和极小值点分别采用三次样条曲线连接起来,形成上下两条包络线;
L(t)=x(t)+ε(t) (1)
其中,L(t)为待分解振动信号,x(t)为去噪后的信号,ε(t)为高斯白噪声信号;
S2.2.2)记两条包络线的均值为m1,求出:
h1(t)=L(t)-m1; (2)
其中,h1(t)表示待分解振动信号L(t)减去上下包络线的平均值m1后的差;
如果h1(t)满足IMF的条件,那么h1(t)就是L(t)的第一个IMF分量;
S2.2.3)如果h1(t)不满足IMF的条件,则把h1(t)作为原始数据,重复步骤S2.2.1)~S2.2.2),直至满足条件,记第一阶IMF分量为c1;
S2.2.4)将c1从L(t)中分离出来,得到:
r1=L(t)-c1; (3)
其中,r1表示原始待分解信号分离出第一阶分量后的新的待分解信号;
S2.2.5)将r1作为原始的待分解信号,重复步骤S2.2.1)~S2.2.4),直至rn变成一个单调函数,不能再从待分解信号中选出满足IMF条件的分量时,循环结束;最终得到:
其中,rn成为残余函数,代表信号的平均趋势;
S2.3)利用步骤S2.2)分解获得一组IMF分量;
S2.4)每次加入相同幅值的高斯白噪声,并重复步骤2.2),得到一系列IMF分量;
S2.5)计算分解得到的一系列IMF分量的均值,获取消除模态混叠的IMF分量:
其中,sj(t)为利用EEMD分解的第j阶IMF分量,m为加入高斯白噪声的次数,i为第i次加入高斯白噪声的次数,sij(t)为第i次加入高斯白噪声利用EMD分解获得的第j阶IMF分量;
所有IMF分量总能量E的计算公式如下:
其中,Ei是第i阶IMF分量的能量;ci(t)为第i阶IMF分量的幅值;i表示分量的阶数;n表示所分解的IMF分量的总数;
各IMF分量能量与原始振动信号总能量的占比Pi:
步骤3:基于EEMD分解的模态分量提取特征参数构建特征向量,提取最能表征原始信号特征信息的IMF分量的时域和频域特征参量,进而构建一个特征向量,作为有向无环图支持向量机DAGSVM的输入;所述构建特征向量的步骤如下:
S3.1)采集柴油机齿轮箱四种不同齿轮状态下的原始振动信号;
S3.2)将获取的振动信号利用EEMD降噪处理并分解,提取最能表征振动信号的特征信息的IMF分量;
S3.3)基于EEMD和IMF能量提取时域特征参数:计算所有IMF分量的总能量,并计算最能表征振动信号的特征信息的IMF分量的归一化能量、偏度、峰度;
S3.4)基于EEMD和Hilbert边际谱提取频域特征参数:计算最能表征振动信号的特征信息的IMF分量的重心频率和重心幅值,用于反映柴油机齿轮状态的重要特征;
S3.4)将步骤S3.2)-S3.3)计算得到最能表征原始振动信号特征的IMF分量的归一化能量、偏度、峰度、重心频率和重心幅值的所有时频域特征参量结合构成一个特征向量,作为DAGSVM分类器的输入;
步骤4:构建DAGSVM分类器用于故障类型识别;利用训练样本对DAGSVM分类器进行训练,并利用测试样本对训练好的DAGSVM分类器测试是否达到故障诊断准确度;
步骤5:将步骤1中实际采集的四种不同齿轮状态下的柴油机齿轮箱原始振动信号,利用步骤2中的EEMD方法降噪分解处理,并提取最能表征原始信号特征信息的IMF分量,利用步骤3获取由时频域特征参量构建的特征向量,输入到步骤4所建立并训练好的故障诊断模型DAGSVM中,根据输出情况来识别故障类型。
2.根据权利要求1所述的一种柴油机齿轮箱故障诊断方法,其特征在于,在步骤1中,柴油发动机齿轮箱的四种不同齿轮状态振动信号包括:齿轮箱健康状态的振动信号、大齿轮点蚀故障的振动信号、大齿轮断齿故障的振动信号、小齿轮磨损故障的振动信号。
3.根据权利要求1所述的一种柴油机齿轮箱故障诊断方法,其特征在于,在步骤S2.1)中,采用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理的具体步骤如下:
S2.1.1)原始振动信号为y(t),给原始振动信号中添加等长的高斯白噪声序列N(t),得到加噪后的信号ym(t)为:
ym(t)=y(t)+N(t); (13)
S2.1.2)对ym(t)进行经验模态分解(EMD),去除第一阶IMF分量后对信号进行重构,得到降噪后的信号r(t);
S2.1.3)改变随机种子,重新产生一个等长的相同功率的高斯白噪声Nr(t),按照式(14)得到新的分析信号yn(t):
yn(t)=1/2(ym(t)+r(t)+N(t)); (14)
S2.1.4)将yn(t)作为处理信号ym(t),重复步骤S2.1.2.和S2.1.3若干次;
S2.1.5)最后进行一次EMD分解,去掉第1阶IMF分量,重构后得到最终降噪处理后的信号x(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661679.9A CN113390631A (zh) | 2021-06-15 | 2021-06-15 | 一种柴油机齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661679.9A CN113390631A (zh) | 2021-06-15 | 2021-06-15 | 一种柴油机齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113390631A true CN113390631A (zh) | 2021-09-14 |
Family
ID=77621688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110661679.9A Pending CN113390631A (zh) | 2021-06-15 | 2021-06-15 | 一种柴油机齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113390631A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554000A (zh) * | 2021-09-17 | 2021-10-26 | 武汉飞恩微电子有限公司 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
CN114004263A (zh) * | 2021-12-29 | 2022-02-01 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
CN115265765A (zh) * | 2022-08-12 | 2022-11-01 | 大连理工大学 | 一种飞附机匣振动数据分析处理方法 |
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103900815A (zh) * | 2014-04-02 | 2014-07-02 | 兰州交通大学 | 一种基于eemd和分布拟合检验的滚动轴承故障诊断方法 |
CN104236905A (zh) * | 2014-08-26 | 2014-12-24 | 中国直升机设计研究所 | 一种轴承故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
-
2021
- 2021-06-15 CN CN202110661679.9A patent/CN113390631A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103900815A (zh) * | 2014-04-02 | 2014-07-02 | 兰州交通大学 | 一种基于eemd和分布拟合检验的滚动轴承故障诊断方法 |
CN104236905A (zh) * | 2014-08-26 | 2014-12-24 | 中国直升机设计研究所 | 一种轴承故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
Non-Patent Citations (3)
Title |
---|
李敏通: "柴油机振动信号特征提取与故障诊断方法研究", 《中国优秀博士学位论文全文数据库 工程科技II辑》 * |
王瑜: "《变压器局部放电故障诊断》", 31 May 2016, 机械工业出版社 * |
谷宇希: "基于EEMD和SVM的齿轮箱故障诊断与识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554000A (zh) * | 2021-09-17 | 2021-10-26 | 武汉飞恩微电子有限公司 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
CN113554000B (zh) * | 2021-09-17 | 2021-12-14 | 武汉飞恩微电子有限公司 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
CN114004263A (zh) * | 2021-12-29 | 2022-02-01 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
CN114004263B (zh) * | 2021-12-29 | 2022-05-03 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
US11630034B2 (en) | 2021-12-29 | 2023-04-18 | Sichuan University | Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion |
CN115265765A (zh) * | 2022-08-12 | 2022-11-01 | 大连理工大学 | 一种飞附机匣振动数据分析处理方法 |
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
Li et al. | A fault diagnosis scheme for planetary gearboxes using adaptive multi-scale morphology filter and modified hierarchical permutation entropy | |
Wang et al. | Early fault diagnosis for planetary gearbox based on adaptive parameter optimized VMD and singular kurtosis difference spectrum | |
CN106778694A (zh) | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 | |
Khazaee et al. | Feature-level fusion based on wavelet transform and artificial neural network for fault diagnosis of planetary gearbox using acoustic and vibration signals | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
Wu et al. | Rub-impact fault diagnosis of rotating machinery based on 1-D convolutional neural networks | |
CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
CN112304613A (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN112229633A (zh) | 一种基于多元特征融合的风机轴承故障诊断方法 | |
Yuan et al. | Dual-core denoised synchrosqueezing wavelet transform for gear fault detection | |
CN108844735A (zh) | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 | |
CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
Yao et al. | Multiband weights-induced periodic sparse representation for bearing incipient fault diagnosis | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
Shuai et al. | Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis | |
Matania et al. | Transfer across different machines by transfer function estimation | |
Yanqiang et al. | A novel bevel gear fault diagnosis method based on ensemble empirical mode decomposition and support vector machines | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
CN113447267B (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 | |
CN115235759A (zh) | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |