CN114065820A - 一种多维数据故障决策方法、装置及存储介质 - Google Patents

一种多维数据故障决策方法、装置及存储介质 Download PDF

Info

Publication number
CN114065820A
CN114065820A CN202111431965.2A CN202111431965A CN114065820A CN 114065820 A CN114065820 A CN 114065820A CN 202111431965 A CN202111431965 A CN 202111431965A CN 114065820 A CN114065820 A CN 114065820A
Authority
CN
China
Prior art keywords
fault
rule
decision
characteristic
dimensional data
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
Application number
CN202111431965.2A
Other languages
English (en)
Inventor
李修文
金贻涛
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.)
Tangzhi Science & Technology Hunan Development Co ltd
Beijing Tangzhi Science & Technology Development Co ltd
Original Assignee
Tangzhi Science & Technology Hunan Development Co ltd
Beijing Tangzhi Science & Technology Development 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 Tangzhi Science & Technology Hunan Development Co ltd, Beijing Tangzhi Science & Technology Development Co ltd filed Critical Tangzhi Science & Technology Hunan Development Co ltd
Priority to CN202111431965.2A priority Critical patent/CN114065820A/zh
Publication of CN114065820A publication Critical patent/CN114065820A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • G06N5/048Fuzzy inferencing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种多维数据故障决策方法、装置及存储介质,该方法包括:获取设备的不同监测数据,提取特征值;对提取的特征值进行模糊化处理;根据预设故障规则库对处理后的特征值进行模糊推理,生成决策结果;对生成的决策结果进行去模糊化,得到最终故障决策结果及维修建议。这样可以保证决策结果的客观性和正确性,充分利用故障信息,准确识别故障位置和故障原因,并及时提供维修建议。

Description

一种多维数据故障决策方法、装置及存储介质
技术领域
本发明涉及机械设备状态监测领域,特别是涉及一种多维数据故障决策方法、装置及存储介质。
背景技术
在机械设备状态监测领域中,根据监测数据可进行不同种类的机械设备的故障诊断,其中对轴承的监测最为常见。轴承是所有机械传动系统中的关键部件,其故障状态直接影响设备的工作状态。
随着发动机的快速发展,发动机轴承的工作条件也日益恶劣、复杂。航空发动机轴承不仅工作在高速、高温以及高载荷的工况下,而且工作中工况变化剧烈,在工作过程中极易发生故障,一旦航空发动机轴承发生故障,将直接影响航空发动机的使用安全。有些故障是瞬间产生的,而有些是缓慢长期退化引起的,由此产生的轴承故障形式是多样的,引起的故障严重程度也有差别,故障产生的原因也不唯一。
通过轴承诊断采集的信息源进行分类,其诊断方向主要是对其进行振动监测和声发射监测。振动监测法在滚动轴承的故障诊断中已有很多实际应用,但振动传感器一般安装位置远离轴承安装位置,存在信号传递衰减大、信号微弱、特征信号提取较难的缺点。而声发射监测对早期故障诊断有一定的敏感性,但在信号处理及解释方面难度较大,限制了声发射监测在机械故障诊断的应用。
目前使用的发动机状态监测与故障诊断方法不仅提取特征单一,而且推理模式单一,无法充分利用故障信息,存在故障知识获取难等问题,系统化、智能化水平低,诊断准确度不高,无法准确定位故障位置、发现故障原因。
发明内容
有鉴于此,本发明的目的在于提供一种多维数据故障决策方法、装置及存储介质,可以保证决策结果的客观性和正确性,准确识别故障位置和故障原因。其具体方案如下:
一种多维数据故障决策方法,包括:
获取设备的不同监测数据,提取特征值;
对提取的所述特征值进行模糊化处理;
根据预设故障规则库对处理后的所述特征值进行模糊推理,生成决策结果;
对生成的所述决策结果进行去模糊化,得到最终故障决策结果及维修建议。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,所述特征值包括频域特征值、异音特征值、时域特征值、冲击信号特征值、磨粒特征值、理化特征值、温度特征值、压力特征值、粘度特征值中的任意种或采用机理分析得到的其他特征值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,当所述特征值为时域特征值时,提取所述时域特征值,包括:
提取峰峰值、均值、均方根值、标准差、偏斜度系数、峭度、转子振动基频的幅度、转子振动2倍基频的幅度中的任意种。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,当所述特征值为频域特征值时,提取所述频域特征值,包括:
采用FIMD算法对原始信号进行分解,得到固有模态FIMD分量;
对所述固有模态FIMD分量进行重构,得到重构后的信号;
采用傅里叶变换对所述重构后的信号的时域信息进行频域特征提取,得到频域中的信号变化趋势,并提取出频带能量、频带宽度以及是否存在异常频率的信息。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用FIMD算法对原始信号进行分解,得到固有模态FIMD分量,包括:
计算原始信号的极值点;
利用线性转换方法对所述原始信号的极值点进行转换并生成对应的残余量;
将所述原始信号减去所述残余量,得到所述原始信号对应的固有模态FIMD分量。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用下述公式生成对应的残余量:
Figure BDA0003380423210000031
其中,r(t)表示所述残余量,t0、tj和tm-1分别表示所述原始信号的不同极值点的采样时刻,tj+1表示j+1个极值点处所对应的采样时刻,R(tj)表示采样时刻tj的极值点;R(tj)表示采样时刻tj+1的极值点。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,在将所述原始信号减去所述残余量之前,还包括:
将固有模态函数的某个极值点作为修正的控制点;
根据相邻的两个向量乘积计算所述控制点的中值,同时采用多次样条连接的方法对所述控制点的中值进行连接,以对所述残余量进行修正。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,对所述固有模态FIMD分量进行重构,得到重构后的信号,包括:
计算各阶FIMD分量的相关程度;
选择大于设定值的所述相关程度对应的FIMD分量进行重构,得到重构后的信号。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用下述公式计算各阶FIMD分量的相关程度:
Figure BDA0003380423210000032
其中,
Figure BDA0003380423210000033
表示各阶FIMD分量的相关程度;
Figure BDA0003380423210000034
表示FIMD分量与所述原始信号之间的互相关函数,RS(t)表示所述原始信号的自相关函数。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,当所述特征值为冲击信号特征值时,提取所述冲击信号特征值,包括:
运用谐振器吸收低频的故障冲击,产生高频谐振取得自由衰减振荡波形,并滤除低频振动信号;
对共振波形进行包络解调,并对得到的包络信号进行低通滤波;
对低通滤波后的所述包络信号进行傅里叶变换,得到包络谱;
根据所述包络谱,提取保持架对外环、保持架对内环、外环、内环、滚子端面、滚子圆周面、本齿轮、邻齿轮的任意种特征值,该特征值为所述包络谱上对应的幅值或dB值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,对共振波形进行包络解调,包括:
采用希尔伯特变换或绝对值检波对共振波形进行包络解调,得到包络信号。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,在提取所述包络谱上对应的幅值或dB值的同时,还包括:
选择对应特征频率及其倍频的能量在整个所述包络谱的总能量中的占比作为所述冲击信号特征值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用下述公式得到对应特征频率及其倍频的能量在整个所述包络谱的总能量中的占比:
Figure BDA0003380423210000041
其中,
Figure BDA0003380423210000042
表示得到的占比值,
Figure BDA0003380423210000043
表示特征频率及其倍频的能量和;
Figure BDA0003380423210000044
代表整个包络谱中各频率的能量和;yi和yj表示各频率处的幅值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,当所述特征值为磨粒特征值时,提取所述磨粒特征值,包括:
通过滑油磨粒在线监测,识别铁磁性和非铁磁性颗粒;
同时统计出各个尺寸范围内的颗粒数量和质量作为所述磨粒特征值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,对提取的所述特征值进行模糊化处理,包括:
通过隶属度函数对所述特征值进行模糊化处理。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,在根据预设故障规则库对处理后的所述特征值进行模糊推理之前,还包括:
建立预设故障规则库中的相关规则,并进行规则检验;
若未发生规则冲突时,将该规则存入所述预设故障规则库;
若存在规则冲突时,则根据故障机理相应知识对该规则或原有规则进行修改,当无规则冲突后将该规则存入所述预设故障规则库。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,在建立预设故障规则库中的相关规则的同时,还包括:
对所述预设故障规则库设置前题条件的权重系数、规则激活阈值和规则可信度,以使规则模糊化。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,所述预设故障规则库中的相关规则或前题条件的权重系数是基于机理分析建立的。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用下述公式对所述预设故障规则库设置前题条件的权重系数、规则激活阈值和规则可信度:
Figure BDA0003380423210000051
上式为模糊关系表达式,其中,Ri表示第i条推理规则,Ai1、Ai2、…、Ain表示该规则的前提条件,ωi1、ωi2、…、ωin为对应前提条件的权重系数,Bi表示该规则的结论,CF表示该规则的可信度,τ表示该规则的激活阈值。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,根据预设故障规则库对处理后的所述特征值进行模糊推理,生成决策结果,包括:
根据预设故障规则库对处理后的所述特征值进行正向模糊推理,生成决策结果;
若正向模糊推理失败,则选择反向分支推理方式进行推理,生成决策结果。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,根据预设故障规则库对处理后的所述特征值进行正向模糊推理,包括:
将处理后的所述特征值作为故障特征事实存入事实库;
在所述预设故障规则库中采用预设匹配规则将所述故障特征事实与所述预设故障规则库中的规则进行匹配;
若匹配成功,则计算置信度,若计算出的置信度大于或等于设定阈值,则生成决策结果;若计算出的置信度小于设定阈值,则判定正向模糊推理失败。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,在匹配成功之后,在计算置信度之前,还包括:
当存在多条规则同时匹配,则按照预设的冲突消解方法消除冲突。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,按照预设的冲突消解方法消除冲突,包括:
通过相似度方法、语义距离方法或贴近度方法消除冲突。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,选择反向分支推理方式进行推理,生成决策结果,包括:
建立故障假设;
判断与假设成立有关的前提条件是否已知;
若已知,则将采用预设匹配规则将所述故障特征事实与所述预设故障规则库中的规则进行匹配,若匹配成功,则计算置信度,若计算出的置信度大于等于设定阀值,则生成决策结果;
若未知,则对前提条件进行验证,找出与假设成立有关的所有前提条件,并让找出的所有前题条件都成为假设,并重新执行所述判断与假设成立有关的前提条件是否已知的步骤。
优选地,在本发明实施例提供的上述多维数据故障决策方法中,采用下述公式计算置信度:
T=∑ωi×θi(i=1,2,...,n)
其中,ωi为前提条件的权重系数,表示前提条件中征兆对故障产生影响大小的度量,θi为前提条件的置信度,表示该前提条件可能导致结论发生的概率。
本发明实施例还提供了一种多维数据故障决策装置,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述多维数据故障决策方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述多维数据故障决策方法。
从上述技术方案可以看出,本发明所提供的一种多维数据故障决策方法,包括:获取设备的不同监测数据,提取特征值;对提取的特征值进行模糊化处理;根据预设故障规则库对处理后的特征值进行模糊推理,生成决策结果;对生成的决策结果进行去模糊化,得到最终故障决策结果及维修建议。
本发明通过提取特征值、对特征值进行模糊化处理、利用规则库进行模糊推理以及去模糊化的过程得到最终故障决策结果及维修建议,这样可以使得推理过程更合理,保证决策结果的客观性和正确性,充分利用故障信息,准确识别故障位置和故障原因,并及时提供针对性的维修决策建议。
此外,本发明还针对多维数据故障决策方法提供了相应的装置及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的多维数据故障决策方法的流程图;
图2为本发明实施例提供的模糊推理的整体架构示意图;
图3为本发明实施例提供的多维数据故障决策方法的整体架构示意图;
图4为本发明实施例提供的建立预设故障规则库的流程图之一;
图5为本发明实施例提供的建立预设故障规则库的流程图之二;
图6为本发明实施例提供的正向模糊推理的流程图;
图7为本发明实施例提供的反向分支推理的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种多维数据故障决策方法,如图1和图2所示,包括以下步骤:
S101、获取设备的不同监测数据,提取特征值;
在实际应用中,可以通过采集模块来获取设备的不同监测数据,即采集不同监测数据源的数据,并利用一定手段将不同监测数据源的相关信号全部综合在一起,得到多源信号,从多源信号中可以提取出识别不同故障特征对应的相关特征值,有助于更好进行后续的融合判断。
S102、对提取的特征值进行模糊化处理;
S103、利用预设故障规则库对处理后的特征值进行模糊推理,生成决策结果;
需要说明的是,模糊推理是根据特征值,利用模糊故障规则库中设定的模糊推理策略,从一个或几个已知的判断推导出可能故障原因的思维过程。图2示出了模糊推理可以基于模糊概念和模糊逻辑而建立、处理模糊信息。
S104、对生成的决策结果进行去模糊化,得到最终故障决策结果及维修建议。
在本发明实施例提供的上述多维数据故障决策方法中,通过提取特征值、对特征值进行模糊化处理、利用规则库进行模糊推理以及去模糊化的过程得到最终故障决策结果及维修建议,这样可以使得推理过程更合理,保证决策结果的客观性和正确性,充分利用故障信息,准确识别故障位置和故障原因,并及时提供针对性的维修决策建议。
需要注意的是,以下设备以轴承为例,但本发明不限定于轴承诊断领域,对所有机械设备故障诊断领域均适用。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,如图3所示,特征值可以包括频域特征值、异音特征值、时域特征值、冲击信号特征值、磨粒特征值、理化特征值、温度特征值、压力特征值、粘度特征值中的任意种或采用机理分析得到的其他特征值。
可以理解的是,机理分析是指区别于大叔统计和机器学习的方式,具体是根据设备几何尺寸、运动学、摩擦学、设备运转规律、设备寿命退化规律等分析,可得到特征值。
根据监测数据源的不同,可以分为噪声、振动信号、冲击信号、滑油和其他数据源;当数据源为噪声时,可提取频域特征值和/或异音特征值;当数据源为振动信号时,可提取时域特征值和/或频域特征值;当数据源为冲击信号时,可提取冲击信号特征值;当数据源为滑油时,可提取磨粒特征值和/或理化特征值;当数据源为其他数据源时,可提取温度特征值、压力特征值和/或粘度特征值。本发明可以针对不同故障类型分析不同数据源反应的特征,如对于识别轴系不平衡的故障,振动信号中的转子振动基频幅度是最重要的物理量,而对于轴系不对中的故障,则振动信号中的转子2倍基频的幅度是最重要的物理量。
下面以轴承为例,分别对轴承噪声产生机理,轴承振动产生机理,冲击产生机理,滑油产生机理,其他数据源的产生机理进行详细说明,以便于后续对实施方式的理解。
第一、对轴承噪声产生机理进行说明:轴承发出噪声的主要原因是由轴承转动时,在负载作用下,轴承产生变形而引起振动发出噪声。常见的主要有轴承环的噪声、保持架噪声、滚动体下落噪声、摩擦噪声。除此以外,还与轴承环的几何形状、波纹度、偏心量、滚道的振摆以及滚动体的圆度和几何形状等有关。当滚动轴承滚道表面或滚动体上出现毛刺伤痕、锈斑、点蚀、剥落等缺陷时,轴承在运转过程中将产生应力变化,引起高频振动。这种振动将以固体声的方式向外传播。这些缺陷如果出现在滚道上,产生的噪声往往是连续的;如发生在滚动体上,噪声则以周期性的时有时无的现象出现。滚动轴承中如落入杂质和颗粒状灰尘,也可能使其发出不稳定的噪声。轴承的径向间隙也是引起噪声的因素,间隙过小会发出音调较高的噪声,间隙过大则会产生较大的轰鸣声。
轴承噪声由产生轴承振动的许多因素引起,其中影响较大的主要是套圈滚道和滚动体的表面粗糙度和波纹度。
轴承噪声的重要声源还包括滚动体与保持架的撞击声,保持架由于涡动而产生的啸叫声,滚动体与滚道的接触摩擦声(润滑状态不好时)等。
轴承声音频率的本底噪声具有白噪声特点,但异常噪声主要频率成分都集中在1000Hz~10 000Hz,即轴承噪声一般表现为中、高频噪声。
噪声通过监测轴承在裂纹萌生、拓展至损伤出现过程中发射的弹性波来实现滚动轴承的故障诊断。轴承在承受交变载荷或冲击力的作用下,金属材料结晶位错、晶界位移和裂纹的产生拓展都会产生弹性波。轴承不同类型故障的噪声信号会有差异,识别这些差异实现滚动轴承故障的检测与定位。
第二、对轴承振动产生机理进行说明:振动信号中含有丰富的机械状态信息量,机械设计、安装质量以及运行是否正常,都能从振动信号中反映出来。振动信号转变成电信号后,可以处理为多种能够反映故障状态的特征信息谱图,为识别故障提供依据。目前,对轴承运行状态进行监测过程中,选取幅值参数、特征频率、自回归参数、分形维数、循环平稳度等作为特征参数。滚动轴承在工作过程中产生的振动形式主要有以下两种:
第一种是与轴承自身弹性相关的振动,这种振动是轴承自身的特性,无法从此类振动的信号中建立与故障特征的联系;
第二种是轴承表面的微小损伤所引起的异常振动。当滚动轴承的滚动体出现损伤,就会出现一种交变的周期性激振力,由于损伤形式多种多样,因此,由此激振力引起的振动将包含不同的频率成分。轴承的运行状态与损伤状态共同决定着故障特征频率,包括轴承的基本频率、轴承的通过频率、轴承故障的固有频率。
当轴承发生各类故障时,其振动信号也一定发生了改变。从振动机理的角度来说,信号中的频率成分及频率的分布均会与正常频率有明显出入,称之为故障特征频率。
振动通过传感器获取轴承运行时的振动加速度信号,在对所测信号进行分析的基础上评估轴承状态。具有信号易监测、处理过程简单、对轴承早期故障灵敏、易适用等优点。
第三、对冲击产生机理进行说明:轴承发生故障时产生的低频冲击力会激起轴承元件或传感器的高频共振响应,共振在高频段,不易受低频段机械故障(如不对中、不平衡)的干扰。传感器对高频段的振动信号比较敏感,对信号进行窄带滤波和包络检波,得到的信号幅值大小就反映了冲击力的大小,即反映滚动轴承的故障大小。包络分析主要包括共振信号拾取和包络检波两个过程,即拾取共振峰(即传感器或机械系统的固有频率)附近处或高频谐振器谐振频率处的信号,得到高信噪比的高频振动信号,再通过包络检波的方法得到包络波形,包络波形中包含有与滚动轴承故障诊断相关的特征信息,该特征信息包括保持架对外环、保持架对内环、外环、内环、滚子端面、滚子圆周面、本齿轮和邻齿轮。
第四、对滑油产生机理进行说明:发动机故障主要存在于发动机传动系统、附件系统的轴承、齿轮等零部件部位,其在滑油中产生的磨损为:疲劳磨损、磨料磨损、粘着磨损、腐蚀磨损和冲蚀磨损等。
疲劳磨损是两接触表面作滚动或滚滑复合相对运动时,由于交变应力的作用,使接触表层金属发生塑性变形,萌生裂纹,裂纹扩展后产生材料的断裂剥落,而在金属表面上留下一个空坑。接触疲劳没有疲劳极限,疲劳寿命波动性很大,一般有收敛性和扩展性两种疲劳磨损类型。收敛性疲劳磨损往往产生于跑合期,一般随着跑合的结束而自行消失;扩展性疲劳磨损是初始的疲劳麻点随时间的增长而进一步不断扩大,直至零件失效。
磨料磨损是一个表面同与其匹配表面上的坚硬微凸体接触,或与相对于一对接触表面作相对运动的硬质粒子接触而造成的材料损失或转移。前者称为二体磨料磨损,后者称为三体磨料磨损。发动机零件在磨合期比较容易发生两体磨料磨损。根据磨料对金属表面磨削的条件不同而存在三种损伤原理:微切削,在这种损伤过程中,由于磨料的几何形状可以产生完整的切屑,表面损伤可能是犁沟,也可以是飞边。对于脆性材料,微切削将引起材料的崩落;疲劳破坏,由于磨料颗粒的作用,金属表面产生交变的接触应力而导致疲劳破坏,同时犁沟的隆起也会使金属产生多次应变而导致疲劳破坏;压痕对塑性较大的金属表面来说,由于磨料颗粒在力的作用下压入金属表面产生压痕,并从表面上挤压出剥落物。
粘着磨损是机械零件摩擦表面微凸体的接触,由于应力过大而产生局部塑性变形,塑性表面在载荷的作用下粘着形成结点焊合,在相对运动的条件下,结点材料可能是从一个较软的表面转移到另一个表面,也可能会撕下而形成粘着磨损磨粒。按照表面的破坏程度,将粘着磨损划分为五级,由轻至重依次是:轻微磨损、涂抹、擦伤、撕脱和咬死。高速、高温和重载情况下的发动机齿轮、轴承等零部件产生的胶合就是一种严重的粘着磨损破坏形式。
腐蚀磨损是金属表面与周围介质发生化学或电化学反应时产生的表面物质损失。在海域上空飞行或采用劣质燃料时,发动机气流通道零件容易发生腐蚀磨损。
冲蚀磨损是由于金属表面与含有硬质粒子的流体(液体或气体)冲刷造成的表面材料损失。根据粒子的入射角大小,可将冲蚀磨损分为研磨冲蚀(入射角接近于0°)和碰撞冲蚀(入射角接近于90°)。像直升机在灰尘的条件下工作,发动机气流通道零件就容易发生冲蚀磨损。
磨损产生物是指磨损过程产生的微小颗粒,所以也称为磨损微粒,简称磨粒。磨粒是揭示摩擦学表面的磨损机理、监测磨损过程以及诊断磨损失效类型的最为直接的信息元。由于在磨粒的形成过程中,经受着不同的接触方式、载荷、温度和环境因素的影响,又具有不同的磨损机理,因此,磨粒具有各异的形态特征。根据磨粒的形态特征,可以划分为:正常滑动磨粒、严重滑动磨粒、切削磨粒、疲劳剥块磨粒、层状磨粒、球状磨粒和氧化物磨粒等。
滑油在线监测主要通过滑油在线传感器实现。当轴承表面出现磨屑尺寸大于200μm的剥落时,十分有效,但难以实现故障定位。
第五、对其他数据源进行举例说明:例如温度是滚动轴承运行过程中的基本工况参数,其大小主要受轴承径向/轴向载荷、内外圈相对转速、润滑条件和轴承状态的等影响。在润滑不良的情况下,温度监测反应较为灵敏。在温度有所反应时,已处于较严重的故障。
根据上述分析,根据不同数据源所能反应的不同故障特征,可以选取能识别该特征的相关特征值。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在执行步骤S101时,当特征值为时域特征值时,提取时域特征值的方法,具体可以包括:选择对信号比较敏感的时域统计参数作为时域特征值,如峰峰值、均值、均方根值、标准差、偏斜度系数、峭度、转子振动基频的幅度、转子振动2倍基频的幅度等,也就是说,提取峰峰值、均值、均方根值、标准差、偏斜度系数、峭度、转子振动基频的幅度、转子振动2倍基频的幅度中的任意种都可以作为时域特征值。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在执行步骤S101时,当特征值为频域特征值时,提取频域特征值的方法,具体可以包括:采用快速本征模态分解算法(FIMD)算法对原始信号进行分解,得到固有模态FIMD分量;对固有模态FIMD分量进行重构,得到重构后的信号;采用傅里叶变换对重构后的信号的时域信息进行频域特征提取,得到频域中的信号变化趋势,并提取出频带能量、频带宽度以及是否存在异常频率的信息。
具体地,首先,基于FIMD对原始信号进行自适应分解,消除模态混叠现象:
设输入原始信号为f(t),计算该原始信号f(t)的极值点R(t):
R(t),t0≤tj≤tm-1 (1)
其中,t0、tj和tm-1分别表示不同极值点的采样时刻。
利用线性转换方法对极值点进行转换并生成对应的残余量r(t)。
Figure BDA0003380423210000131
其中,tj+1是j+1个极值点处所对应的采样时刻。
将原始信号减去残余量,即求得原始信号固有的模态函数,实现过程如下:
将固有模态函数的第i个极值点E(ti)作为修正的控制点,定义控制点的坐标为Pi,其表达式如下所示:
Pi(ti,E(ti)),t0≤ti≤tm-1 (3)
其中,ti是极值点i处所对应的采样时刻。
对第i个向量的乘积进行定义,如下所示:
αi=Pi-1Pi×PiPi+1 (4)
因此,控制点的中值能够根据相邻的两个向量乘积进行计算。同时采用多次(如三次)样条连接的方法对控制点中值进行连接,从而对残余量进行修正,此时将原始的输入信号减去求得的修正残余量,即可得到经过修正后的固有模态分量。
对该过程不断进行迭代,当残余量的极值点少于3个时停止分解计算。
故可将原始输入信号能够分解为多个唯一的固有模态FIMD分量以及一个残余分量。则原始信号可以表示为:
Figure BDA0003380423210000132
然后,重构分解后的FIMD分量,得到去噪后的信号。该过程可以包括:
计算各阶FIMD分量的相关程度
Figure BDA0003380423210000141
公式如下:
Figure BDA0003380423210000142
其中,
Figure BDA0003380423210000143
为FIMD分量与该原始信号之间的互相关函数,RS(t)为原始信号的自相关函数。
选择
Figure BDA0003380423210000144
较大的FIMD分量进行重构,得到重构后的信号f′(t)。
最后,采用傅里叶变换对信号的时域信息进行频域特征提取,得到并查看频域中的信号变化趋势,基于故障机理提取结果中的频带能量、频带宽度以及是否存在异常频率等信息。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在执行步骤S101时,当特征值为冲击信号特征值时,提取冲击信号特征值的方法,具体可以包括:运用谐振器吸收低频的故障冲击,产生高频谐振取得自由衰减振荡波形,并滤除低频振动信号;对共振波形进行包络解调,并对得到的包络信号进行低通滤波;对低通滤波后的包络信号进行傅里叶变换,得到包络谱;根据包络谱,提取保持架对外环、保持架对内环、外环、内环、滚子端面、滚子圆周面、本齿轮、邻齿轮的任意种特征值作为冲击信号特征值,该特征值为所述包络谱上对应的幅值或dB值。
具体地,首先,运用谐振器吸收低频的故障冲击,产生高频谐振(广义共振)取得自由衰减振荡波形,滤除不需要的低频振动信号,然后再对共振波形进行包络解调,并对包络信号进行低通滤波并做傅里叶变换得到包络谱。
其中,可以采用希尔伯特(Hilbert)变换对共振波形进行包络解调,公式如下:
Figure BDA0003380423210000145
其中,
Figure BDA0003380423210000146
表示希尔伯特变换后得到的包络信号,x(r)表示输入的共振波形信号,t和r均表示时间,对应时间序列。
另外,也可以采用绝对值检波对共振波形进行包络解调,得到包络信号。
由于故障将会使包络频谱中故障特征频率及其倍频处将存在较大峰值。因此,在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在提取包络谱上对应的幅值或dB值的同时,还可以包括:选择对应特征频率及其倍频的能量在整个包络谱总能量中占比作为冲击信号特征值,公式如下:
Figure BDA0003380423210000151
其中,
Figure BDA0003380423210000152
表示得到的占比值,
Figure BDA0003380423210000153
表示故障特征及其倍频的能量和;
Figure BDA0003380423210000154
代表整个包络谱中各频率的能量和;yi和yj表示各频率处的幅值。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在执行步骤S101时,当特征值为磨粒特征值时,提取磨粒特征值的方法,具体可以包括:通过滑油磨粒在线监测,识别铁磁性和非铁磁性颗粒,同时可统计出各个尺寸范围内的颗粒数量和质量。在实际应用中,提取其他特征可以通过不同传感器实现水分、粘度、温度、压力监测,直接提取相关参数。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,步骤S102对提取的特征值进行模糊化处理,具体可以包括:通过隶属度函数对特征值进行模糊化处理。在实际应用中,可以进行运行至失效全过程剥落试验来修改模糊化集合的报警门限并选择合适的隶属度函数。模糊化集合可以包括:A:正常,B:预警,C:一级报警,D:二级报警。通过隶属度函数可以将特征值转化成基于模糊逻辑推理的融合故障诊断方法所能处理的模糊量,即隶属度。确定隶属度函数的途径可以包括:专家确定法、借用已有的客观尺度、模糊统计法、对比排序法、综合加权法、基本概念扩充法等。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在执行步骤S103根据预设故障规则库对处理后的特征值进行模糊推理之前,还可以包括:建立预设故障规则库中的相关规则,并进行规则检验;若未发生规则冲突时,将该规则存入预设故障规则库;若存在规则冲突时,则根据故障机理相应知识对该规则或原有规则进行修改,当无规则冲突后将该规则存入预设故障规则库。
图4和图5示出了预设故障规则库具体的建立步骤。如图4所示,新规则输入步骤是根据分析试验数据、专家经验和工程搜集的知识等,按照规定格式输入规则,并进行规则检验,当未发生规则冲突时存入预设故障规则库,当存在规则冲突进行提示,并修改输入规则。如图5所示,规则修改步骤是通过实际数据发现原有规则无法适用,在规则库中搜索原有规则并修改,修改后存入规则库。
另外,需要说明的是,在故障决策中,由于故障特征的模糊性、诊断经验知识的不确定性,为了能够让故障决策在信息不完全的情况下做出正确的判断,规则的表示采用产生式规则和模糊数学相结合的模糊产生式规则方式,模糊产生式规则具有有效地表达启发性知识等优点,并可以根据数据可靠性给出可信度因子,从而实现模糊推理。
因此,在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,在上述步骤中建立预设故障规则库中的相关规则的同时,还可以包括:对预设故障规则库设置前题条件的权重系数、规则激活阈值和规则可信度,以使规则模糊化,即该规则为模糊产生式规则。
需要注意的是,上述预设故障规则库中的相关规则或前题条件的权重系数可以是基于机理分析建立的,也就是说,预设故障规则库的建立充分利用对设备运转及信号产生机理的分析,基于机理分析建立相关规则或各特征值的权重。而现有技术一般是依赖于大量案例,或事先随机设定一些规则、权重,这样,后期模型的准确率就低,需要经过大量的学习,才能得到较优的效果。
具体地,故障规则库中规则模糊化主要是通过设置前提条件的权重系数、设置规则激活阀值、设置规则可信度。具体表示如下:
Figure BDA0003380423210000161
上式为模糊关系表达式,其中,Ri表示第i条推理规则,Ai1、Ai2、…、Ain表示该规则的前提条件,ωi1、ωi2、…、ωin为对应前提条件的权重系数,Bi表示该规则的结论,CF表示该规则的可信度,τ表示该规则的激活阈值。每条规则的可信程度不同,对规则增加可信度因子,表明了人类专家对该规则的确信程度,这样就在传统产生式规则的基础上增加了模糊表示的能力。
τ为规则的激活阈值(可被使用的限值),对故障决策中的模糊性征兆与故障规则库中的模糊产生式规则的前提条件进行模糊匹配,本发明通过模糊匹配得到的匹配度为k(0≤k≤1),当k>τ时规则被使用;若τ=1,该规则为精确规则。ω1、ω2、…、ωn为前提条件的权重系数,表示前提子条件中征兆对故障产生影响大小的度量,同一故障中对不同征兆分配不同权重系数;同一征兆对不同故障应分配不同权重系数,同一征兆对一种故障的可信度越高,权重系数越大,其中所有权重系数的和为1。权重阈值根据实际发动机的不同类型及不同工况进行设定。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,为了减少推理的步骤和保证推理的效率,推理机制可以采用混合推理的方法,步骤S103根据预设故障规则库对处理后的特征值进行模糊推理,生成决策结果,具体可以包括:根据预设故障规则库对处理后的特征值进行正向模糊推理,生成决策结果;若正向模糊推理失败,未生成决策结果时,选择反向分支推理方式进行推理,生成决策结果。也就是说,如果正向推理过程中没有推理所需的结论时,就借助反向推理来求解出所需的结论,使数据故障决策方法具有较强的针对性。这样使用正反推理相结合的方式使得推理的效率得到了提高,能够及时提供针对性的维修决策建议,保证了诊断的实时性以及准确性,具有较好的工程实用性。
进一步地,在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,上述步骤中根据规则库对处理后的特征值进行正向模糊推理,具体可以包括:将处理后的特征值作为故障特征事实存入事实库;在预设故障规则库中采用预设匹配规则(如Rete匹配算法)将故障特征事实与预设故障规则库中的规则进行匹配;若匹配成功,则计算置信度,若计算出的置信度大于或等于设定阈值,则生成决策结果;若计算出的置信度小于设定阈值,则判定正向模糊推理失败。
在本发明中,为了提高置信度的准确性,在将故障特征事实与预设故障规则库中的规则匹配成功之后,在计算置信度之前,还可以包括:当存在多条规则同时匹配,则按照预设的冲突消解方法消除冲突。当没有冲突时,开始计算置信度,这样可以得到更为精确的置信度。
具体地,如图6所示,故障决策则正向模糊推理的详细流程可以包括以下步骤:
步骤一、根据前面故障特征事实的表示方法,将故障特征事实存入事实库。
步骤二、在预设故障规则库中采用预设匹配规则(如Rete匹配算法)对系统中的规则进行匹配,判断在预设故障规则库中有无适用的规则,若匹配成功,当存在多条规则同时匹配,则跳入步骤三;否则跳转到步骤四。
步骤三、按照预设的冲突消解策略消除冲突,否则跳转到步骤五。
常用的冲突消解方法主要有相似度方法、语义距离方法和贴近度方法等,例如采用模糊贴进度方法中的海明贴进度计算方法:
Figure BDA0003380423210000181
其中,A为模糊告警,B为模糊关键规则的前件。
步骤四、检查在工作数据库中是否存在解,若有则退出并生成决策结果,否则进入反向分支推理。
步骤五、采用下述公式计算结论的置信度:
T=∑ωi×θi(i=1,2,…,n) (11)
其中,ωi为前提条件Ai的权重系数,表示前提条件Ai中征兆对故障产生影响大小的度量,θi为前提条件Ai的置信度,表示该前提条件Ai可能导致结论发生的概率。
若计算出的置信度大于或等于设定阀值,则生成决策结果,得到故障原因、维修方案以及建议,此次决策结束。否则跳转到步骤二,若计算出的置信度小于设定阀值,则判定正向模糊推理失败,转向反向分支推理。
需要说明的是,Rete匹配算法是一种前向规则快速匹配算法,是一个用于产生式系统的高效模式匹配算法,其匹配速度与规则数目无关。
进一步地,在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,上述步骤中选择反向分支推理方式进行推理,生成决策结果,具体可以包括:建立故障假设;判断与假设成立有关的前提条件是否已知;若已知,则将采用预设匹配规则(如Rete匹配算法)将故障特征事实与预设故障规则库中的规则进行匹配,若匹配成功,则计算置信度,若计算出的置信度大于等于设定阀值,则生成决策结果;若未知,则对前提条件进行验证,找出与假设成立有关的所有前提条件,并让找出的所有前题条件都成为假设,并重新执行判断与假设成立有关的前提条件是否已知的步骤。
具体地,如图7所示,反向分支推流方式的具体流程可以包括以下步骤:
步骤六、首先建立故障假设:假设该故障已经发生。
步骤七、检验规则前件:判断与假设成立有关的前提条件是否已知,若规则前题条件已知则跳入步骤八,否则跳转到步骤九。
步骤八、已知事实与规则进行匹配,匹配成功则根据公式计算结论的置信度,若计算出的置信度大于等于设定阀值,则查找决策结论表,输出故障原因及维修方案,此次决策成功;若计算出的置信度小于设定阀值则判断是否还有假设,还有假设就跳转到步骤七;否则跳出此次决策,决策失败。
步骤九、如果前提条件未知(表示该前提条件是一个中间条件)就需要对该前提条件进行验证,则将找出假设成立的所有前提条件,并让所有前题条件都成为假设,跳转到步骤七。
在具体实施时,在本发明实施例提供的上述多维数据故障决策方法中,步骤S104对生成的决策结果进行去模糊化,具体可以包括:由于本发明的决策结果分别为:正常、预警、一级报警、二级报警,模糊报警在这组语言变量上的隶属度分布表明了模糊报警的整体情况,可以通过对模糊报警在各个语言变量上隶属度的处理来进行模糊报警的反模糊化,从而为用户提供一个清晰、易于理解的结论,反模糊方法可采用“重心”法、最大隶属度方法等。
可以理解的是,本发明提供的上述多维数据故障决策方法中,依据故障机理,选取了不同数据源的数据特征,能够从多源数据特征反应同一故障的状态,充分利用了故障信息,准确定位故障位置,发现故障产生的原因;另外依据故障机理建立了预设故障规则库,使得推理过程更合理,最终给出了发生故障的可信度,保证了决策结果的客观性和正确性;并且,故障决策模糊推理方法使用了正反推理相结合的方式使得推理的效率得到了提高,能够及时提供针对性的维修决策建议,保证了诊断的实时性以及准确性,具有较好的工程实用性。
基于同一发明构思,本发明实施例还提供了一种多维数据故障决策装置,由于该装置解决问题的原理与前述一种多维数据故障决策方法相似,因此该装置的实施可以参见多维数据故障决策方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的多维数据故障决策装置,具体可以包括:
特征值提取模块,用于获取设备的不同监测数据,提取特征值;
模糊化模块,用于对提取的特征值进行模糊化处理;
模糊推理模块,用于根据预设故障规则库对处理后的特征值进行模糊推理,生成决策结果;
去模糊化模块,用于对生成的决策结果进行去模糊化,得到最终故障决策结果及维修建议。
在本发明实施例提供的上述多维数据故障决策装置中,可以通过上述四个模块的相互作用,使得推理过程更合理,保证决策结果的客观性和正确性,充分利用故障信息,准确识别故障位置和故障原因,并及时提供针对性的维修决策建议。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种多维数据故障决策装置,包括处理器和存储器;其中,处理器执行存储器中存储的计算机程序时实现前述实施例公开的多维数据故障决策方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的多维数据故障决策方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种多维数据故障决策方法,包括:获取设备的不同监测数据,提取特征值;对提取的特征值进行模糊化处理;根据预设故障规则库对处理后的特征值进行模糊推理,生成决策结果;对生成的决策结果进行去模糊化,得到最终故障决策结果及维修建议。本发明通过提取特征值、对特征值进行模糊化处理、利用规则库进行模糊推理以及去模糊化的过程得到最终故障决策结果及维修建议,这样可以使得推理过程更合理,保证决策结果的客观性和正确性,充分利用故障信息,准确识别故障位置和故障原因,并及时提供针对性的维修决策建议。此外,本发明还针对多维数据故障决策方法提供了相应的装置及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的多维数据故障决策方法、装置及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (27)

1.一种多维数据故障决策方法,其特征在于,包括:
获取设备的不同监测数据,提取特征值;
对提取的所述特征值进行模糊化处理;
根据预设故障规则库对处理后的所述特征值进行模糊推理,生成决策结果;
对生成的所述决策结果进行去模糊化,得到最终故障决策结果及维修建议。
2.根据权利要求1所述的多维数据故障决策方法,其特征在于,所述特征值包括频域特征值、异音特征值、时域特征值、冲击信号特征值、磨粒特征值、理化特征值、温度特征值、压力特征值、粘度特征值中的任意种或采用机理分析得到的其他特征值。
3.根据权利要求1所述的多维数据故障决策方法,其特征在于,当所述特征值为时域特征值时,提取所述时域特征值,包括:
提取峰峰值、均值、均方根值、标准差、偏斜度系数、峭度、转子振动基频的幅度、转子振动2倍基频的幅度中的任意种。
4.根据权利要求1所述的多维数据故障决策方法,其特征在于,当所述特征值为频域特征值时,提取所述频域特征值,包括:
采用FIMD算法对原始信号进行分解,得到固有模态FIMD分量;
对所述固有模态FIMD分量进行重构,得到重构后的信号;
采用傅里叶变换对所述重构后的信号的时域信息进行频域特征提取,得到频域中的信号变化趋势,并提取出频带能量、频带宽度以及是否存在异常频率的信息。
5.根据权利要求4所述的多维数据故障决策方法,其特征在于,采用FIMD算法对原始信号进行分解,得到固有模态FIMD分量,包括:
计算原始信号的极值点;
利用线性转换方法对所述原始信号的极值点进行转换并生成对应的残余量;
将所述原始信号减去所述残余量,得到所述原始信号对应的固有模态FIMD分量。
6.根据权利要求5所述的多维数据故障决策方法,其特征在于,采用下述公式生成对应的残余量:
Figure FDA0003380423200000021
其中,r(t)表示所述残余量,t0、tj和tm-1分别表示所述原始信号的不同极值点的采样时刻,tj+1表示j+1个极值点处所对应的采样时刻,R(tj)表示采样时刻tj的极值点;R(tj)表示采样时刻tj+1的极值点。
7.根据权利要求5所述的多维数据故障决策方法,其特征在于,在将所述原始信号减去所述残余量之前,还包括:
将固有模态函数的某个极值点作为修正的控制点;
根据相邻的两个向量乘积计算所述控制点的中值,同时采用多次样条连接的方法对所述控制点的中值进行连接,以对所述残余量进行修正。
8.根据权利要求4所述的多维数据故障决策方法,其特征在于,对所述固有模态FIMD分量进行重构,得到重构后的信号,包括:
计算各阶FIMD分量的相关程度;
选择大于设定值的所述相关程度对应的FIMD分量进行重构,得到重构后的信号。
9.根据权利要求8所述的多维数据故障决策方法,其特征在于,采用下述公式计算各阶FIMD分量的相关程度:
Figure FDA0003380423200000022
其中,
Figure FDA0003380423200000023
表示各阶FIMD分量的相关程度;
Figure FDA0003380423200000024
表示FIMD分量与所述原始信号之间的互相关函数,RS(t)表示所述原始信号的自相关函数。
10.根据权利要求1所述的多维数据故障决策方法,其特征在于,当所述特征值为冲击信号特征值时,提取所述冲击信号特征值,包括:
运用谐振器吸收低频的故障冲击,产生高频谐振取得自由衰减振荡波形,并滤除低频振动信号;
对共振波形进行包络解调,并对得到的包络信号进行低通滤波;
对低通滤波后的所述包络信号进行傅里叶变换,得到包络谱;
根据所述包络谱,提取保持架对外环、保持架对内环、外环、内环、滚子端面、滚子圆周面、本齿轮、邻齿轮的任意种特征值,该特征值为所述包络谱上对应的幅值或dB值。
11.根据权利要求10所述的多维数据故障决策方法,其特征在于,对共振波形进行包络解调,包括:
采用希尔伯特变换或绝对值检波对共振波形进行包络解调,得到包络信号。
12.根据权利要求10所述的多维数据故障决策方法,其特征在于,在提取所述包络谱上对应的幅值或dB值的同时,还包括:
选择对应特征频率及其倍频的能量在整个所述包络谱的总能量中的占比作为所述冲击信号特征值。
13.根据权利要求12所述的多维数据故障决策方法,其特征在于,采用下述公式得到对应特征频率及其倍频的能量在整个所述包络谱的总能量中的占比:
Figure FDA0003380423200000031
其中,
Figure FDA0003380423200000032
表示得到的占比值,
Figure FDA0003380423200000033
表示特征频率及其倍频的能量和;
Figure FDA0003380423200000034
代表整个包络谱中各频率的能量和;yi和yj表示各频率处的幅值。
14.根据权利要求1所述的多维数据故障决策方法,其特征在于,当所述特征值为磨粒特征值时,提取所述磨粒特征值,包括:
通过滑油磨粒在线监测,识别铁磁性和非铁磁性颗粒;
同时统计出各个尺寸范围内的颗粒数量和质量作为所述磨粒特征值。
15.根据权利要求1所述的多维数据故障决策方法,其特征在于,对提取的所述特征值进行模糊化处理,包括:
通过隶属度函数对所述特征值进行模糊化处理。
16.根据权利要求1所述的多维数据故障决策方法,其特征在于,在根据预设故障规则库对处理后的所述特征值进行模糊推理之前,还包括:
建立预设故障规则库中的相关规则,并进行规则检验;
若未发生规则冲突时,将该规则存入所述预设故障规则库;
若存在规则冲突时,则根据故障机理相应知识对该规则或原有规则进行修改,当无规则冲突后将该规则存入所述预设故障规则库。
17.根据权利要求16所述的多维数据故障决策方法,其特征在于,在建立预设故障规则库中的相关规则的同时,还包括:
对所述预设故障规则库设置前题条件的权重系数、规则激活阈值和规则可信度,以使规则模糊化。
18.根据权利要求17所述的多维数据故障决策方法,其特征在于,所述预设故障规则库中的相关规则或前题条件的权重系数是基于机理分析建立的。
19.根据权利要求18所述的多维数据故障决策方法,其特征在于,采用下述公式对所述预设故障规则库设置前题条件的权重系数、规则激活阈值和规则可信度:
Figure FDA0003380423200000041
上式为模糊关系表达式,其中,Ri表示第i条推理规则,Ai1、Ai2、...、Ain表示该规则的前提条件,ωi1、ωi2、...、ωin为对应前提条件的权重系数,Bi表示该规则的结论,CF表示该规则的可信度,τ表示该规则的激活阈值。
20.根据权利要求1所述的多维数据故障决策方法,其特征在于,根据预设故障规则库对处理后的所述特征值进行模糊推理,生成决策结果,包括:
根据预设故障规则库对处理后的所述特征值进行正向模糊推理,生成决策结果;
若正向模糊推理失败,则选择反向分支推理方式进行推理,生成决策结果。
21.根据权利要求20所述的多维数据故障决策方法,其特征在于,根据预设故障规则库对处理后的所述特征值进行正向模糊推理,包括:
将处理后的所述特征值作为故障特征事实存入事实库;
在所述预设故障规则库中采用预设匹配规则将所述故障特征事实与所述预设故障规则库中的规则进行匹配;
若匹配成功,则计算置信度,若计算出的置信度大于或等于设定阈值,则生成决策结果;若计算出的置信度小于设定阈值,则判定正向模糊推理失败。
22.根据权利要求21所述的多维数据故障决策方法,其特征在于,在匹配成功之后,在计算置信度之前,还包括:
当存在多条规则同时匹配,则按照预设的冲突消解方法消除冲突。
23.根据权利要求22所述的多维数据故障决策方法,其特征在于,按照预设的冲突消解方法消除冲突,包括:
通过相似度方法、语义距离方法或贴近度方法消除冲突。
24.根据权利要求23所述的多维数据故障决策方法,其特征在于,选择反向分支推理方式进行推理,生成决策结果,包括:
建立故障假设;
判断与假设成立有关的前提条件是否已知;
若已知,则将采用预设匹配规则将所述故障特征事实与所述预设故障规则库中的规则进行匹配,若匹配成功,则计算置信度,若计算出的置信度大于等于设定阀值,则生成决策结果;
若未知,则对前提条件进行验证,找出与假设成立有关的所有前提条件,并让找出的所有前题条件都成为假设,并重新执行所述判断与假设成立有关的前提条件是否已知的步骤。
25.根据权利要求21或24所述的多维数据故障决策方法,其特征在于,采用下述公式计算置信度:
T=∑ωi×θi(i=1,2,...,n)
其中,ωi为前提条件的权重系数,表示前提条件中征兆对故障产生影响大小的度量,θi为前提条件的置信度,表示该前提条件可能导致结论发生的概率。
26.一种多维数据故障决策装置,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至25任一项所述的多维数据故障决策方法。
27.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至25任一项所述的多维数据故障决策方法。
CN202111431965.2A 2021-11-29 2021-11-29 一种多维数据故障决策方法、装置及存储介质 Pending CN114065820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111431965.2A CN114065820A (zh) 2021-11-29 2021-11-29 一种多维数据故障决策方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111431965.2A CN114065820A (zh) 2021-11-29 2021-11-29 一种多维数据故障决策方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114065820A true CN114065820A (zh) 2022-02-18

Family

ID=80277308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111431965.2A Pending CN114065820A (zh) 2021-11-29 2021-11-29 一种多维数据故障决策方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114065820A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723346A (zh) * 2022-06-08 2022-07-08 中国人民解放军海军工程大学 一种核应急情况下量化决策行为可能性方法
CN115754107A (zh) * 2022-11-08 2023-03-07 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动化采样分析系统及其方法
CN117391644A (zh) * 2023-12-12 2024-01-12 国网物资有限公司 一种参数调整方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723346A (zh) * 2022-06-08 2022-07-08 中国人民解放军海军工程大学 一种核应急情况下量化决策行为可能性方法
CN115754107A (zh) * 2022-11-08 2023-03-07 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动化采样分析系统及其方法
WO2024098653A1 (zh) * 2022-11-08 2024-05-16 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动化采样分析系统及其方法
CN117391644A (zh) * 2023-12-12 2024-01-12 国网物资有限公司 一种参数调整方法、装置、设备及存储介质
CN117391644B (zh) * 2023-12-12 2024-02-06 国网物资有限公司 一种合同管理过程中参数调整方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Kumar et al. Role of signal processing, modeling and decision making in the diagnosis of rolling element bearing defect: a review
Ahmed et al. Condition monitoring with vibration signals: Compressive sampling and learning algorithms for rotating machines
CN114065820A (zh) 一种多维数据故障决策方法、装置及存储介质
Gupta et al. Fault detection analysis in rolling element bearing: A review
El-Thalji et al. A summary of fault modelling and predictive health monitoring of rolling element bearings
Althubaiti et al. Fault diagnosis and health management of bearings in rotating equipment based on vibration analysis–a review
Howard et al. A review of rolling element bearing vibration: detection, diagnosis and prognosis
Tandon et al. A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings
Aherwar An investigation on gearbox fault detection using vibration analysis techniques: A review
Sawalhi Diagnostics, prognostics and fault simulation for rolling element bearings
Vijay Kumar et al. Prioritization of maintenance tasks on industrial equipment for reliability: a fuzzy approach
CN114184367B (zh) 旋转机械设备故障诊断方法、装置、设备及可读存储介质
Salunkhe et al. Experimental frequency-domain vibration based fault diagnosis of roller element bearings using support vector machine
Sassi et al. Tracking surface degradation of ball bearings by means of new time domain scalar indicators
Wang et al. Condition monitoring and fault diagnosis methods for low-speed and heavy-load slewing bearings: A literature review
Rehab et al. The fault detection and severity diagnosis of rolling element bearings using modulation signal bispectrum
Zeng et al. Machine-fault classification: a fuzzy-set approach
Benmahdi et al. RT-OPTICS: real-time classification based on OPTICS method to monitor bearings faults
Cempel Vibroacoustical diagnostics of machinery: an outline
Vishwendra et al. A novel method to classify rolling element bearing faults using K-nearest neighbor machine learning algorithm
Kecik et al. Diagnosis of angular contact ball bearing defects based on recurrence diagrams and quantification analysis of vibration signals
Gu et al. A fuzzy performance evaluation model for a gearbox system using hidden Markov model
Abdusslam Detection and diagnosis of rolling element bearing faults using time encoded signal processing and recognition
Jawad et al. A data-driven approach based bearing faults detection and diagnosis: A review
Kim et al. A robust health indicator for rotating machinery under time-varying operating conditions

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