CN114970624A - 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 - Google Patents

双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 Download PDF

Info

Publication number
CN114970624A
CN114970624A CN202210562876.XA CN202210562876A CN114970624A CN 114970624 A CN114970624 A CN 114970624A CN 202210562876 A CN202210562876 A CN 202210562876A CN 114970624 A CN114970624 A CN 114970624A
Authority
CN
China
Prior art keywords
fault
pawl
speed reducer
frequency
bat
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
CN202210562876.XA
Other languages
English (en)
Inventor
彭延峰
李赛
郭勇
罗曜
郭理宏
杨来铭
何宽芳
袁文明
刘燕飞
耿宏岩
范超
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.)
Guangdong Zhongmao Technology Co ltd
Hunan University of Science and Technology
Original Assignee
Guangdong Zhongmao Technology Co ltd
Hunan University of Science and Technology
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 Guangdong Zhongmao Technology Co ltd, Hunan University of Science and Technology filed Critical Guangdong Zhongmao Technology Co ltd
Priority to CN202210562876.XA priority Critical patent/CN114970624A/zh
Publication of CN114970624A publication Critical patent/CN114970624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于减速机故障诊断技术领域，公开了一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法，重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。本发明对减速机棘轮棘爪机构进行了故障重点检测和故障机理分析，采用相关性指标方法解决了由于减速箱结构对称导致同一个故障特征频率可能出现在减速机左侧或右侧的问题，对故障定位具有重要意义。本发明将振动信号分解为不同步的故障特征频率、其他分量和噪音这三个分量，从而解决模态混淆问题，为双电机驱动的减速机棘轮棘爪故障提供有效的理论依据。

Description

双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法
技术领域
本发明属于减速机故障诊断技术领域，尤其涉及一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法。
背景技术
目前，减速机是钢厂炼钢车间必不可少的起重设备，主要用于吊运液态钢水。它在高温、高粉尘的环境下连续工作，由于它吊运的是液态钢水，特别危险，所以安全可靠是铸造起重机的重中之重。双电机驱动是该类减速箱机构常用的一种结构形式，它的优点是当其中1台电动机发生故障时，另1台电动机可满足短期运行的要求，以至于钢厂可以有足够维修的时间来处理故障电机，而不会对生产造成严重的影响或人员伤亡。而棘轮棘爪机构能在一定程度解决双电机驱动减速机左右侧不同步的问题，保证减速机的正常运行。
从理论上来说，相同型号的两台电机转速是一样的，但是实际上其转速或多或少存在偏差。另外，由于控制线路的差异或者抱闸的松紧程度不一样，也会造成两台电机启动或停止的不同步性。还有当其中一套驱动系统发生故障时，也可能造成起重机负载倾斜。而不同步现象会严重导致齿轮箱中的棘轮棘爪机构磨损或是损坏。在频繁的启动、制动过程中，也会由于转速不同步造成偏载现象频繁发生，导致减速机寿命降低。
许多专利都提出了关于减速箱故障诊断的新方法，如专利CN201610955422.3中提出通过带通滤波选取共振频带，然后通过Hilbert进行解调，最后采用六阶单稳系统得到故障特征输出。专利CN201710192316.9中提出利用频谱核密度相关性比较的方法。专利CN202111119164.2提出一种基于PSOOBP-CS算法的齿轮箱故障诊断方法。专利CN202111260198.3中提出选择故障特征频率比最大的窄带模态分量作为有效分量等。但现有的减速机故障诊断专利，都没对该类棘轮棘爪故障问题提出相应的解决方案。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的减速机故障诊断专利，都没对该类双电机驱动减速机棘轮棘爪故障问题给出相应的解决方案。
(2)大部分减速机故障诊断方法，存在系统误判和模态混淆等问题，导致振动信号分解结果存在误差，影响故障特征提取的准确性，而现有的减速机故障诊断技术并没有对此类减速机有准确的故障机理分析。
(3)由于减速机的结构复杂程度也会影响故障诊断的精度，故大型减速机的故障诊断相对困难，而现有的减速机故障诊断技术大部分都是针对结构相对简单的，并没有对多轴和大型减速机进行系统的诊断。
发明内容
针对现有技术存在的问题，本发明提供了一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法。
本发明是这样实现的，一种双电机驱动棘轮棘爪减速机不同步故障诊断方法，所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
进一步，所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括以下步骤：
步骤一，针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
步骤二，针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
步骤三，利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合三个分量；
步骤四，利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
步骤五，将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程。
进一步，所述步骤二中的相关性指标包括：
相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。基于减速箱振动信号的时域分析和包络谱分析方法，计算得到齿数相同的齿轮相关系数。相关性系数的计算公式如下所示：
Figure BDA0003657317220000021
进一步，所述步骤三中的复值调制微分算子包括：
(1)内禀窄带分量
振动信号s(t)表示为
Figure BDA0003657317220000022
的形式，如果A(t)是带限的，则最大频率远小于ω，且
Figure BDA0003657317220000023
是“缓变”相位函数，那么振动信号s(t)就称为窄带信号；窄带信号的概念推广到局部窄带信号，如果s(t)的任一时间点上均存在一个领域区间，使得在区间中近似于窄带信号，那么s(t)称为局部窄带信号；若使用信号分解方法得到的分量满足局部窄带信号的条件，则称为内禀窄带分量INBC。
(2)复值调制微分算子
复值调制微分算子通过优化滤波器的各项参数将混合信号的分解问题转变为非线性优化问题，优化目标为使得分解的余量的能量最小，约束条件为使得单分量满足局部窄带信号的条件，最终优化分解为若干个内禀窄带分量。
分解步骤如下：
1)选择时域信号s(t)，同时令si(t)＝s(t)，si(t)是每次迭代的初始输入信号；
2)对si(t)进行快速傅里叶变换(FFT)，得到si(k)＝fft(si(t))，si(k)快速傅里叶逆变换为si(t)＝ifft(si(t))；
3)建立如以下公式所示的滤波器χ(k|λ)，其中λ＝[ω,ωb,ωc]，由于使用遗传算法优化滤波器参数，并且随机生成初始种群，故ω、ωb与ωc随机产生。
Figure BDA0003657317220000031
对信号进行滤波得到滤波后的信号
Figure BDA0003657317220000032
4)根据每次滤波后的信号
Figure BDA0003657317220000033
产生复数微分算子T＝D-α(t)；
通过步骤3)获得具有一定特征的滤波信号，同时建立完备字典库Dic：
Dic＝A(t)cos(ωt+δ(t)){A(t)的最大频率远小于ω，δ(t)是缓变函数}
符合完备字典库Dic公式条件的称之为窄带信号；
5)利用遗传算法解决如下的最优化问题：
令
Figure BDA0003657317220000034
利用步骤4)中的复数微分算子使内禀窄带分量在最优化问题公式中为零，进而得到最优化参数λ0；令INBCI＝ifft[χ(k|λ0)si(k)]，得到内禀窄带分量；
6)令si+1＝si-INBCi，使得继续得到内禀窄带分量；
7)若||si+1||2<ξ，则分解终止，否则令i＝i+1并返回步骤2)，直至得到所有的内禀窄带分量。
进一步，所述步骤四中的时域频域指标包括：
减速机故障诊断使用频域及时域的统计参数提取故障特征。利用复值调制微分算子将原始信号分解为系列内禀窄带分量，提取减速箱振动信号中的故障特征信息，并从复值调制微分算子产生的INBC中提取时域和频域统计参数。
所述局部保留投影算法包括：
在特征向量选择上，局部保留投影法通过将高维数据降到低维，保留数据内在的非线性结构和局部特征；通过寻找最优线形变换矩阵形，对高维数据线性变换实现降维。设有样本数据集F，J和Ni分别为特征值参数和样本的数目。LPP的目标是寻找一个矩阵A，从而将高维特征值F映射到低维特征值F′。其中J′(J′＜＜J)为降维后的特征值向量的维度。LPP的目标函数为：
Figure BDA0003657317220000035
式中，权重矩阵Si,j用于衡量成为近邻的第i个样本和第j个样本之间的相近程度，选用k均值方法度量邻近点，Si,j称为对称相似性矩阵。Si,j的定义如下所示：
Figure BDA0003657317220000036
设fi′＝aTfi，则优化目标函数的简化过程转换成如下表示：
Figure BDA0003657317220000041
式中，Dii＝∑jSi,j，Dii为N阶对角矩阵，L＝D-S为Laplacian矩阵；Dii用于衡量fi′的重要性，Dii越大则对应的fi′更重要。LPP方法引入以下约束条件：
Figure BDA0003657317220000048
优化问题描述成以下表示：
Mina aFDFTa subject to aFDFTa＝1；
最小化有约束问题转化成以下特征方程特征值的求解问题：
FLFTa＝λFDFTa；
式中，FLFT和FDFT均为对称及半正定矩阵，最小特征值相应的特征向量。
进一步，所述步骤五中的卷积神经网络的识别训练与二进制蝙蝠算法优化包括：
(1)卷积神经网络识别训练
卷积神经网络CNN是由一个或多个卷积层和顶端的全连通层组成的前馈神经网络，CNN采用权值共享结构简化网络模型的复杂度，图像直接作为网络的输入，且无须人工提取和选择特征。CNN由输人层、交替连接的卷积层和降采样层、全连接层及输出层组成。输人层为原始输入图像；卷积层用于特征提取，卷积核就是一个特征矩阵；降采样层用于降低特征维度。卷积层和降采样层均由多个二维平面组成，每个平面为各层处理后输出的特征图，卷积层和降采样层的数目根据实际需要确定；全连接层位于CNN的末尾位置，用于计算整个网络的输出。CNN根据实际情况选择网络的各个结构参数。
在CNN进行优化训练时，将得到的分量通过LPP参量融合后输入到CNN。从每一类信号对应的融合参量中随机选择部分样本组成训练样本，余下的则作为测试样本。将训练样本输人到CNN中，对网络进行训练，训练过程结束后则会得到一个训练好的网络模型。输入测试样本到已经训练好的神经网络中，得到分类的结果。
(2)二进制蝙蝠算法
在蝙蝠算法BA中，人工蝙蝠的参数是在训练过程的位置、速度和频率三个向量指标。D维空间中，第i只蝙蝠t时刻的位置为
Figure BDA0003657317220000042
速度为
Figure BDA0003657317220000043
则t+1时刻的位置
Figure BDA0003657317220000044
和速度
Figure BDA0003657317220000045
的更新分别如以下公式所示：
Figure BDA0003657317220000046
Figure BDA0003657317220000047
式中，x*是获得的最佳解决方案，fi是指第i个蝙蝠在当前时刻发出的声波的频率，在每个迭代过程中更新如下：
fi＝fmin+(fmax-fmin)β；
式中，β满足在[0,1]中均匀分布的随机数。fmax，fmin分别表示第i个蝙蝠在当前时刻发出的声波频率的最大值和最小值。
算法具有局部搜索原则，当前最好解为其中一个解，则按随机游走实现得出局部新解xnew：
xnew＝xold+εAt；
式中，xold表现为最优解集的一个随机最优解；At是所有蝙蝠同一时间段内的响度均值；ε是[0，1]中的随机数。
发现猎物时，脉冲的响度
Figure BDA0003657317220000051
会减小，而脉冲发射速率
Figure BDA0003657317220000052
则变大，以下是蝙蝠响度和脉冲发射速率的更新过程：
Figure BDA0003657317220000053
式中，α是脉冲响度衰减系数，为[0，1]上的常数。
Figure BDA0003657317220000054
式中，γ是脉冲频度增加系数，为大于零的常数。
在二进制蝙蝠算法BBA中，蝙蝠每维位置都设置为0或1，但速度不作限定。速度值表明蝙蝠在相对维度位置值为0或1，位置更新代表从0到和1的转换，转换要求按照速度在传输。
函数中对应映射的大小，根据S型函数对最初BA进行离散化。
蝙蝠位置更新公式如下式所示：
Figure BDA0003657317220000055
式中，
Figure BDA0003657317220000056
为t次迭代时，第i只蝙蝠的k维空间速度。
通过传递函数计算概率后，更新蝙蝠位置方程则通过以下两式实现：
Figure BDA0003657317220000057
式中，
Figure BDA0003657317220000058
是第t次迭代次数时，第i只蝙蝠在第k维空间中的位置。
设计传递函数后，采用V型传递函数进行蝙蝠位置的更替：
Figure BDA0003657317220000059
Figure BDA00036573172200000510
式中，
Figure BDA00036573172200000511
和
Figure BDA00036573172200000512
分别是k维空间t次迭代时，第i只蝙蝠的位置与速度
Figure BDA00036573172200000513
是
Figure BDA00036573172200000514
的补集；利用更新蝙蝠位置方程实现位置向量的更新，利用传递函数实现BBA速度及概率更新的位置向量元素的映射。
本发明的另一目的在于提供一种应用所述的双电机驱动棘轮棘爪减速机不同步故障诊断方法的双电机驱动棘轮棘爪减速机不同步故障诊断系统，所述双电机驱动棘轮棘爪减速机不同步故障诊断系统包括：
问题构建模块，用于针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
故障定位模块，用于针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
分量确定模块，用于利用复值微分调制算子将不同步的故障特征频率进行提取并与其他信号进行分离，确定不同步的故障特征频率、其他分量和噪音；
特征量融合模块，用于利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
故障识别模块，用于将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程。。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的双电机驱动棘轮棘爪减速机不同步故障诊断系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
针对现有分析方法对双电机驱动棘轮棘爪进行故障诊断的缺点和不足，本发明提出了一种基于复值调制微分算子分解的双电机驱动棘轮棘爪故障识别方法。在对原始信号进行了复值调制微分算子分解的基础上，计算了时域频域的所有特征量，应用局部保留投影技术实现了特征降维，将融合后的显著特征输入到了CNN卷积神经网络进行训练和测试，可以准确地对双电机驱动棘轮棘爪故障进行识别。该方法具有以下优点。
1.首次提出针对双电机驱动减速机棘轮棘爪故障诊断和故障维修难以定位的系统诊断方法。
2.在对现有的减速机故障诊断方法进行创新和对现有技术会导致系统误判和模态混淆的基础上，本发明对减速机棘轮棘爪机构进行了故障重点检测和故障机理分析。
3.采用相关性指标方法解决了由于减速箱结构对称导致同一个故障特征频率可能出现在减速机左侧或右侧的定位问题，对双电机驱动棘轮棘爪减速机故障具有重要意义。
4.利用复值调制微分算子解决了对棘轮棘爪机构本身难以做到严格同步，会导致减速箱本身就存在一定的故障特征频率的问题，本发明将振动信号通过复值调制微分算子分解为不同步的故障特征频率、其他分量和噪音这三个分量，从而解决频率模糊和模态混淆问题。
本发明重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，建立了减速箱故障诊断故障特征模型，给出了结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，分析棘轮棘爪故障的影响。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提出一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法，该方法可以为双电机驱动的减速机棘轮棘爪故障提供有效的理论依据。
本发明提出复值微分调制分解算法，并运用该方法对振动信号进行滤波去噪和去工况处理。并对振动信号的22个特征量进行计算，利用局部保留投影技术方法能够对时域和频域的特征量进行参数融合，从而实现振动信号的降维和显著特征的筛选工作。最后将融合后的显著特征一起输入到CNN卷积神经网络进行训练和测试，然后利用二进制蝙蝠算法对CNN进行优化。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案提供了一种新的信号分解方法，通过对振动信号的滤波降噪，有效地提取振动信号中的显著特征，是对现有技术的一种补充，填补了国内外在双电机驱动棘轮棘爪故障的技术空白。
(2)本发明的技术方案针对双电机驱动对称式减速机棘轮棘爪机构故障提出了一整套故障诊断系统，解决了双电机驱动减速机棘轮棘爪故障机理分析和故障维修难以定位的难题，解决了人们一直渴望解决、但始终未能获得成功的技术难题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断方法流程图；
图2是本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断系统结构框图；
图3是本发明实施例提供的双电机驱动棘轮棘爪减速机示意图；
图4是本发明实施例提供的减速箱内部棘轮棘爪结构示意图；
图5是本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断流程图；
图6是本发明实施例提供的卷积神经网络(CNN)的训练过程示意图；
图7是本发明实施例提供的BBA流程图；
图8是本发明实施例提供的实验信号基于VMD分解结果示意图；
图9是本发明实施例提供的实验信号基于EEMD分解结果示意图；
图10是本发明实施例提供的实验信号基于BMD分解结果示意图；
图11是本发明实施例提供的实验信号基于CMBMD分解结果示意图；
图12是本发明实施例提供的CMBMD分解的特征值向量使用LPP的降维结果示意图；
图13是本发明实施例提供的BMD分解的特征值向量使用LPP的降维结果示意图；
图14是本发明实施例提供的VMD分解的特征值向量使用LPP的降维结果示意图；
图15是本发明实施例提供的EEMD分解的特征值向量使用LPP的降维结果示意图；
图16是本发明实施例提供的四种方法的识别结果示意图；
图17是本发明实施例提供的减速箱齿轮传动关系简图；
图18是本发明实施例提供的齿轮箱三维图；
图19是本发明实施例提供的西2特征量示意图；
图20是本发明实施例提供的西2频谱图；
图21是本发明实施例提供的西2包络谱图；
图22是本发明实施例提供的西4特征量示意图；
图23是本发明实施例提供的西4频谱图；
图24是本发明实施例提供的西4包络谱图；
图25是本发明实施例提供的西二、西四烈度值对比图；
图26是本发明实施例提供的西四棘轮棘爪故障图；
图中：1、问题构建模块；2、故障定位模块；3、分量确定模块；4、特征量融合模块；5、故障识别模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明实施例重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，建立了减速箱故障诊断故障特征模型，给出了结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，分析棘轮棘爪故障的影响。
如图1所示，本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断方法包括以下步骤：
S101，针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
S102，针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
S103，利用复值微分调制算子，将不同步的故障特征频率进行提取并与其他各种信号进行分离，进而提取出不同步的故障特征频率、其他分量和噪音；
S104，利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
S105，将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程。
如图2所示，本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断系统包括：
问题构建模块1，用于针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
故障定位模块2，用于针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
分量确定模块3，用于利用复值微分调制算子将不同步的故障特征频率进行提取并与其他信号进行分离，进而提取出不同步的故障特征频率、其他分量和噪音；
特征量融合模块4，用于利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
故障识别模块5，用于将显著特征输入到卷积神经网络中进行训练；利用二进制蝙蝠算法进行优化，建立故障识别模型，通过实际数据测试后完成整个识别过程。
本发明实施例提供了一种双电机驱动棘轮棘爪减速机不同步故障诊断系统，双电机驱动棘轮棘爪减速机如图3所示，减速箱内部棘轮棘爪结构如图4所示。
通过分析带有棘轮棘爪减速机的工作机理可知，带有棘轮棘爪的双驱动减速机能够保证当某侧出现卡停时，通过棘轮棘爪之间的打滑功能，使另一台减速机正常运转，防止了在减速机某侧异常停止的情况下齿轮打齿及各联轴器损坏等事故。但现有的减速机故障诊断专利，都没对该棘轮棘爪故障问题提出有效地解决方案。而本发明实施例提供的双电机驱动棘轮棘爪减速机不同步故障诊断流程如图5所示。两个问题：1.减速箱结构对称导致同一个故障特征频率可能出现在减速机左侧或右侧；2.减速箱本身就存在一定的故障特征频率。
1、相关性指标
相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。基于减速箱振动信号的时域分析和包络谱分析等方法，计算得到齿数相同的齿轮相关系数。而相关性系数计算是定位故障的关键。相关性系数具体计算如公式(1)所示：
Figure BDA0003657317220000091
2、复值调制微分算子方法
2.1内禀窄带分量
振动信号s(t)一般能够表示为
Figure BDA0003657317220000092
的形式，如果A(t)是带限的，它的最大频率远小于ω，且
Figure BDA0003657317220000093
是“缓变”相位函数，那么振动信号s(t)就称为窄带信号。窄带信号的概念可以推广到局部窄带信号，如果s(t)的任一时间点上都存在一个领域区间，使得在该区间中近似于窄带信号，那么s(t)就称为局部窄带信号。
若使用信号分解方法得到的分量满足局部窄带信号的条件，则称其为内禀窄带分量(Intrinsic Narrow-band Components，INBC)。
2.2复值调制微分算子
复值调制微分算子的主要思想是通过优化滤波器的各项参数将混合信号的分解问题转变为非线性优化问题，优化目标为使得分解的余量的能量最小，约束条件为使得单分量满足局部窄带信号的条件，最终优化分解为若干个内禀窄带分量。其分解步骤如下：
(1)选择时域信号s(t)，同时令si(t)＝s(t)，si(t)是每次迭代的初始输入信号；
(2)对si(t)进行快速傅里叶变换(FFT)，得到si(k)＝fft(si(t))，si(k)快速傅里叶逆变换为si(t)＝ifft(si(t))；
(3)建立滤波器χ(k|λ)具体定义如公式(2)所示，其中λ＝[ω,ωb,ωc]，由于使用遗传算法优化滤波器参数，并且随机生成初始种群，故ω、ωb与ωc随机产生。
Figure BDA0003657317220000101
对信号进行滤波得到滤波后的信号
Figure BDA0003657317220000102
(4)根据每次滤波后的信号
Figure BDA0003657317220000103
产生复数微分算子T＝D-α(t)；
通过步骤(3)获得具有一定特征的滤波信号，同时建立了完备字典库Dic：
Dic＝A(t)cos(ωt+δ(t)){A(t)的最大频率远小于ω，δ(t)是缓变函数}(3)
符合公式(3)条件的称之为窄带信号。
(5)利用遗传算法解决如下的最优化问题：
令
Figure BDA0003657317220000104
利用步骤(4)中的复数微分算子使内禀窄带分量在式(4)中为零，进而得到最优化参数λ0，之后令INBCI＝ifft[χ(k|λ0)si(k)]；得到一个内禀窄带分量。
(6)为了继续得到内禀窄带分量，令si+1＝si-INBCi；
(7)若||si+1||2<ξ，则分解终止，否则令i＝i+1并返回第二步，直至得到所有的内禀窄带分量。
3、时域频域指标
当棘轮棘爪减速机故障发生的时候，无论是时域信号的分布还是幅值都和正常状态下不同。此时对应的频谱分布和幅值也会改变。减速机故障诊断常使用频域及时域的统计参数来提取故障特征。使用的22个统计参数见表1。
表1时域及频率统计参数
Figure BDA0003657317220000105
Figure BDA0003657317220000111
注：x(n)(n＝1,2,…,N)为原始信号，N为数据点的数量；s(k)(k＝1,2,…,M)为原始信号频谱的幅值，M为谱线的数量；f(k)为第k条谱线频率的幅值。
复值调制微分算子可以自适应地将一个原始信号分解为一系列内禀窄带分量，有效的提取减速箱振动信号中的故障特征信息。每个INBC代表原始信号中固有振动模态，因此从INBC提取的特征有时比直接从原始信号提取的特征更加有效。为了得到更为丰富的故障信息，不仅从原始信号也从复值调制微分算子产生的INBC中提取时域和频域统计参数。
从INBC提取统计参数之前，必须确定包含减速机故障信息的最具代表性INBC。根据EMD内在的滤波特性，涵盖高频段的IMF在EMD迭代过程中总是先筛选出INBC。尽管表1中给出的22个统计参数可以从不同的角度对故障类型进行识别，但对不同故障的敏感度不相同。有些参数与故障紧密相关且是显著的，有些却并不显著。如果所有的特征都用来训练分类器会反而降低故障的识别精度。考虑这三方面因素，这里只选择前3个INBC来提取统计参数特征。
4、局部保留投影算法
局部保留投影算法(LPP)是拉普拉斯特征映射(LE)算法的一种线性的逼近过程，避免了LE算法无法有效地处理测试样本的问题，提高了算法的泛化能力。
在特征向量选择上，局部保留投影法基本思想是通过把高维数据降到低维时，有效地保留了数据内在的非线性结构和局部特征。LPP算法通过寻找最优线形变换矩阵形，对高维数据线性变换实现降维。设有样本数据集F，J和Ni分别为特征值参数和样本的数目。LPP的目标是寻找一个矩阵A，从而将高维特征值F映射到低维特征值F′。其中J′(J′＜＜J)为降维后的特征值向量的维度。LPP的目标函数为：
Figure BDA0003657317220000112
其中，权重矩阵Si,j的实际作用是来衡量成为近邻的第i个样本和第j个样本之间的相近程度。同样可以选用k均值方法度量其邻近点，Si,j也称为对称相似性矩阵。Si,j的定义如下所示：
Figure BDA0003657317220000121
设fi′＝aTfi，则公式(21)中所定义的优化目标函数的简化过程可以转换成如下表示：
Figure BDA0003657317220000122
其中Dii＝∑jSi,j，Dii为N阶对角矩阵，L＝D-S为Laplacian矩阵。Dii的作用是衡量fi′的重要性，Dii越大则对应的fi′也更重要。因此，LPP方法引入了以下约束条件：
Figure BDA0003657317220000127
优化问题可以描述成以下表示：
Mina aFDFTa subject to aFDFTa＝1 (9)
为了解决式(9)的优化问题，此最小化有约束问题能够转化成以下特征方程特征值的求解问题：
FLFTa＝λFDFTa (10)
易知FLFT和FDFT均为对称及半正定矩阵。式(10)的最小特征值相应的特征向量。
5、卷积神经网络的识别训练与二进制蝙蝠算法优化
5.1卷积神经网络识别训练
卷积神经网络(CNN)是由一个或多个卷积层和顶端的全连通层组成的一种前馈神经网络，一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中；而CNN结构比较特殊，它采用权值共享结构简化网络模型的复杂度，减小了计算量。图像可以直接作为网络的输入，且无须人工提取和选择特征，使得CNN在识别二维形状优势更明显。
CNN由输人层、交替连接的卷积层和降采样层、全连接层及输出层组成。输人层为原始输入图像。卷积层的作用主要是特征提取，卷积核就是一个特征矩阵；降采样层的作用是降低特征维度，减小计算复杂度。卷积层和降采样层均由多个二维平面组成，每个平面为各层处理后输出的特征图，卷积层和降采样层的数目可根据实际需要来确定。全连接层位于CNN的末尾位置，用来计算整个网络的输出。CNN可以根据实际情况来选择网络的各个结构参数。
用CNN对减速箱进行故障诊断时具体的流程如图6所示。
在CNN进行优化训练时，需要有大量的样本，而在线故障诊断系统可以提供大量数据进行训练。将得到的分量通过LPP参量融合后，输人到CNN中。从每一类信号对应的融合参量中随机选择部分样本组成训练样本，余下的则作为测试样本。将训练样本输人到CNN中，对网络进行训练，训练过程结束后则会得到一个训练好的网络模型。输入测试样本到已经训练好的神经网络中，得到分类的结果。
5.2二进制蝙蝠算法
5.1.1蝙蝠算法
蝙蝠算法(Bat algorithm，BA)的灵感来自蝙蝠的回声定位行为。虽然蝙蝠的种类、大小和重量各不相同，但在航行和狩猎时，它们都有相当相似的行为。蝙蝠在追逐猎物时，往往会降低声音的响度，提高发出超声波的速率。这种行为已经被数学建模如下：
在BA中，人工蝙蝠主要参数是在训练过程的位置、速度和频率三个向量指标。
D维空间中，第i只蝙蝠t时刻的位置为
Figure BDA0003657317220000123
速度为
Figure BDA0003657317220000124
则t+1时刻的位置
Figure BDA0003657317220000125
和速度
Figure BDA0003657317220000126
的更新分别为公式(11)和公式(12)：
Figure BDA0003657317220000131
Figure BDA0003657317220000132
其中x*是获得的最佳解决方案，fi是指第i个蝙蝠在当前时刻发出的声波的频率，在每个迭代过程中更新如下：
fi＝fmin+(fmax-fmin)β (13)
其中β满足在[0,1]中均匀分布的随机数。fmax，fmin分别表示第i个蝙蝠在当前时刻发出的声波频率的最大值和最小值。
算法具有局部搜索原则，即当前最好解为其中一个解，则按随机游走实现得出局部新解xnew：
xnew＝xold+εAt (14)
在上式中：xold表现为最优解集的一个随机最优解；At是所有蝙蝠同一时间段内的响度均值；ε是[0，1]中的随机数。
发现猎物时，脉冲的响度
Figure BDA0003657317220000133
会减小，而脉冲发射速率
Figure BDA0003657317220000134
则变大，以下是蝙蝠响度和脉冲发射速率的更新过程：
Figure BDA0003657317220000135
α是脉冲响度衰减系数，为[0，1]上的常数。
Figure BDA0003657317220000136
γ是脉冲频度增加系数，为大于零的常数。
5.1.2二进制蝙蝠算法
原始的B面临处理连续空间函数的优化问题。为进一步对实际工程的组合优化问题进行处理，需最初BA采用离散化处理。在二进制蝙蝠算法(Binary bat algorithm，BBA，如图7)中，蝙蝠每维位置都设置为0或1，但速度不作限定。速度值表明蝙蝠在相对维度位置值为0或1，位置更新代表从0到和1的转换，转换要求按照速度在传输。
函数中对应映射的大小。本发明根据S型函数对最初BA进行离散化。
蝙蝠位置更新公式如式(17)：
Figure BDA0003657317220000137
在上式中，
Figure BDA0003657317220000138
为t次迭代时，第i只蝙蝠的k维空间速度。
通过传递函数计算概率后，更新蝙蝠位置方程则通过以下两式实现：
Figure BDA0003657317220000139
在上式中，
Figure BDA00036573172200001310
是第t次迭代次数时，第i只蝙蝠在第k维空间中的位置。
但该方法有一个不足，蝙蝠位置被强行在0或1中取值，故当蝙蝠速度变大时，蝙蝠位置不变。按照上面提到的方法来设计传递函数，采用V型传递函数进行蝙蝠位置的更替，如下面两式。
Figure BDA00036573172200001311
Figure BDA0003657317220000141
上两式中，
Figure BDA0003657317220000142
和
Figure BDA0003657317220000143
分别是k维空间t次迭代时，第i只蝙蝠的位置与速度
Figure BDA0003657317220000144
是
Figure BDA0003657317220000145
的补集。式(18)通常实现位置向量的更新。式(20)通常为传递函数，实现BBA速度及概率更新的位置向量元素的映射。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用的应用实施例。
本发明的技术方案以钢厂某型起重机的双电机驱动的中间减速机为研究对象，并运用所提出的技术方案实现棘轮棘爪机构的故障识别。通过将加速度传感器安装到实验所用的减速机箱体轴承座上，实现振动信号的采集。针对原始信号具有宽带、非平稳和强噪声等问题，提出复值微分调制分解方法，并运用该方法对振动信号进行滤波去噪和去工况处理。并对振动信号的特征量进行计算，利用局部保留投影技术方法能够对时域和频域的特征量进行参数融合，从而实现振动信号的降维和显著特征的筛选工作。最后将融合后的显著特征一起输入到CNN卷积神经网络进行训练和测试，然后利用二进制蝙蝠算法对CNN进行优化，测试结果说明对于双电机驱动减速箱棘轮棘爪故障识别工作，本发明的技术方案能够达到较高的准确度。表明本发明的技术方案具有一定的工程实际意义和较高的技术价值。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
以某钢厂中双电机驱动减速机的棘轮棘爪日常维修过程所采集的振动信号为例，进行具体实施案例的分析及效果验证。
1、实验理论分析
1.1棘轮棘爪故障识别
本技术以某钢铁公司冶金生产线上的减速机棘轮棘爪为研究对象，对其进行故障识别。减速机及其所安装的棘轮棘爪机构如图3-4所示。
选取实验数据在正常和故障两种状态下的振动信号用于减速机棘轮棘爪的故障识别。首先分别将相同转速和负载条件下的棘轮棘爪振动信号进行等时间截取，每种状态的振动信号被等分成50组。详细的实验数据集介绍如表2，即表2中的数据集包含实验轴承的三种状态，每种状态下包含50个样本。
表2实验数据集
Figure BDA0003657317220000146
为了验证本发明所提方法的有效性，分别将CMBMD、BMD、VMD和EEMD四种算法进行比较，结合LPP方法用于减速箱棘轮棘爪实验信号的降维和特征提取，并运用CNN神经网络进行故障识别。首先分别采用CMBMD、BMD、VMD和EEMD方法对两种状态下的共100组实验信号进行分解，以提取棘轮棘爪故障特征信息。图8、图9、图10和图11给出了对应用四种方法对故障数据中选择的一组样本的分解结果。
1.2 LPP信号降维
为从高维特征值中提取有效的故障特征信息，使用LPP对特征值向量进行降维，将得到的特征值向量拟合为3个特征值向量。前500个点为数据1(正常数据)，后500个点为数据2(故障数据)。
根据降维后结果图12～15可知CMBMD的参数融合的效果最好。
1.3 CNN神经网络训练
对比分解图可以看出CMBMD方法分解出来的分量更加平稳，分解结果相对更精确。尽管表1给出的22个时域频域统计参数可以从不同的角度对故障类型进行特征提取，但是振动信号多数被噪声信号干扰。因此，为提高分类器的识别精度，在计算时需要融合和故障信息匹配的显著特征，去除不相关或冗余的特征。为此，结合LPP方法针对表1所求的特征值进行特征参数融合，最后将得到的显著特征输入到卷积神经网络(CNN)中进行训练和测试，对比识别效果。减速机棘轮棘爪故障识别方法的具体步骤如下：
(1)对两种状态下的减速机棘轮棘爪的振动信号进行分解，得到一系列信号IMFs分量。
(2)取前三个IMFs分量计算所有的特征值(表1中的22个时频域统计参数)，以此作为特征值向量，因此每组信号共有66个特征值。
(3)对特征值向量进行归一化处理，得到归一化后的特征值向量α′j(j＝1,2,…,66)。使用LPP方法进行特征量参数融合为3个。
(4)通过CNN神经网络对显著特征进行训练和测试，实现减速机棘轮棘爪故障类型的准确识别分类。
为了进行分析对比，在故障和健康两种状态下的各50组数据中，随机各选择40组数据进行训练，其余10组数据作为测试样本。实验中使用四种分解方法并结合LPP方法对特征值矩阵进行特征量参数融合，LPP对测试样本的识别结果如图16所示，由图可以看出，由EEMD和VMD方法结合CNN神经网络进行分类最终得到的识别结果产生了较多的错误，其中EEMD-LPP-CNN的识别结果中有12处错误，VMD-LPP-CNN的识别结果中有7处错误。BMD-LPP-CNN的识别结果中出现了5处分类错误，而CMBMD-LPP-CNN得到的测试样本的识别结果中，仅状态2出现2例错误分类，而其他状态则进行了准确分类，总准确率为98％。表3给出了四种分解方法结合CNN神经网络得到的具体分类情况，表明CMBMD-CNN方法能更加准确有效地识别出减速机棘轮棘爪的故障类型。然而，该方法进行分类识别时所需要的时间要明显高于其他三种方法，主要与CMBMD方法分解振动信号时内部复杂的优化有关。
表3四种方法结合CNN神经网络的识别精度
Figure BDA0003657317220000151
2、棘轮棘爪减速箱故障诊断实例
这里使用的实验数据来自于合作项目的日常测试中。在电机的输出端，并尽可能靠近支撑齿轮的机壳上方垂直固定振动加速度传感器，用以进行数据采集。
2.1棘轮棘爪减速箱相关参数
驱动电机功率330KW，电机转速750rpm，减速机高速轴转速207rpm,减速机低速轴转速135rpm。主要特征频率有：电机转频12.5Hz，高速轴转频3.45Hz，低速轴转频2.26Hz各理论啮合频率及倍频如表4所示。10组齿轮相应的部分特征量值如表5所示。
表4减速箱转频与啮合频率参数
Figure BDA0003657317220000161
表5 10组齿轮相应的部分特征量值
Figure BDA0003657317220000162
减速箱齿轮传动关系简图如图17所示，齿轮箱三维图如图18所示。
2.2实验故障分析
根据十组齿轮的特征量大小和相关性指标，初步判断可能是西二和西四齿轮出现故障。故绘制原始振动、时域图形、频谱图、包络谱图等作进一步分析和判断。
首先，对信号高低频段进行频域分析，高频段和低频段均没有出现自由能量增大和幅值增大的现象；其次，对信号进行共振解调分析，通过滤波、希尔伯特变换和傅里叶变换之后可以得到其包络谱图，除了西2、西4外所有齿轮都可以清晰地看到除了对应的转频(计算值)和啮合频率之外没有其他明显的高的幅值，但是所有齿轮的频谱图上都出现了频率在274Hz的啮合频率(西2和西4的啮合频率)；最后，再对西2齿轮和西4齿轮进行烈度信号对比，得出西2、西4齿轮存在不同步现象(见图19～图23)。
频谱上存在以274.824Hz为中心，以3.62Hz为间隔的一阶边频族，其中274.824Hz为齿数76对应的啮合频率，3.62Hz为该轴的转频；同时，细化频谱上存在旋转特征频率3.6Hz及其倍频率。初步判断齿数为76的齿轮(西2齿轮和西4齿轮)所在位置存在不同步现象(见图24)。
包络谱图上存在齿数为76(西2齿轮和西4齿轮)对应的不同倍数转频(见图25)。
通过同步测量西2和西4振动加速度，计算特征值后发现西2振动大小约为西2测点2倍，因此，判断西4点为故障点，结合频谱分析，初步判断西4点存在不同步现象(见图26)。
判断应为西4点处棘轮棘爪动作异常导致不同步，对棘轮棘爪进行更换，同时现场维修反馈，西4棘轮棘爪出现故障。
首先对10组齿轮的实验数据信号的常用特征值进行求解，初步判断西四齿轮故障，其余正常或损坏较小，而且诊断出它们在运行过程中可能还存在脉冲冲击；其次对信号进行频域分析，包括高频段分析和低频段分析，通过快速傅里叶变换做出频谱图，可以观察到西二齿轮和西四齿轮在高低频段都存在自由能量增加的现象；然后再对10组信号进行共振解调分析，即对信号进行滤波、希尔伯特变换后，再进行傅里叶变换得到其包络谱图，将图中的相关特征频率与理论计算求得的故障特征频率比较可知，各图中的特征频率和74个齿的齿轮啮合频率吻合，其包络谱中存在转频3.6Hz(理论值)及其倍频并且大部分齿轮的频谱图的低频区存在其对应的转频。诊断结果与实际情况一致，验证了此次故障诊断的正确性和有效性，对设备的正常运行具有重要的实际意义。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
2.如权利要求1所述双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括以下步骤：
步骤一，针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
步骤二，针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
步骤三，利用复值微分调制算子，将不同步的故障特征频率进行提取并与其他各种信号进行分离，同时确定不同步的故障特征频率、其他分量和噪音；
步骤四，利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
步骤五，将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程。。
3.如权利要求2所述双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述步骤二中的相关性指标包括：
相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；基于减速箱振动信号的时域分析和包络谱分析方法，计算得到齿数相同的齿轮相关系数；相关性系数的计算公式如下所示：
Figure FDA0003657317210000011
4.如权利要求2所述双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述步骤三中的复值调制微分算子包括：
(1)内禀窄带分量
振动信号s(t)表示为
Figure FDA0003657317210000021
的形式，如果A(t)是带限的，则最大频率远小于ω，且
Figure FDA0003657317210000022
是“缓变”相位函数，那么振动信号s(t)就称为窄带信号；窄带信号的概念推广到局部窄带信号，如果s(t)的任一时间点上均存在一个领域区间，使得在区间中近似于窄带信号，那么s(t)称为局部窄带信号；若使用信号分解方法得到的分量满足局部窄带信号的条件，则称为内禀窄带分量INBC；
(2)复值调制微分算子
复值调制微分算子通过优化滤波器的各项参数将混合信号的分解问题转变为非线性优化问题，优化目标为使得分解的余量的能量最小，约束条件为使得单分量满足局部窄带信号的条件，最终优化分解为若干个内禀窄带分量；
分解步骤如下：
1)选择时域信号s(t)，同时令si(t)＝s(t)，si(t)是每次迭代的初始输入信号；
2)对si(t)进行快速傅里叶变换(FFT)，得到si(k)＝fft(si(t))，si(k)快速傅里叶逆变换为si(t)＝ifft(si(t))；
3)建立如以下公式所示的滤波器χ(k|λ)，其中λ＝[ω,ωb,ωc]，由于使用遗传算法优化滤波器参数，并且随机生成初始种群，故ω、ωb与ωc随机产生；
Figure FDA0003657317210000023
对信号进行滤波得到滤波后的信号
Figure FDA0003657317210000024
4)根据每次滤波后的信号
Figure FDA0003657317210000025
产生复数微分算子T＝D-α(t)；
通过步骤3)获得具有一定特征的滤波信号，同时建立完备字典库Dic：
Dic＝A(t)cos(ωt+δ(t)){A(t)的最大频率远小于ω，δ(t)是缓变函数}(3)
符合Dic公式条件的称之为窄带信号；
5)利用遗传算法解决如下的最优化问题：
令
Figure FDA0003657317210000031
利用步骤4)中的复数微分算子使内禀窄带分量在最优化问题公式中为零，进而得到最优化参数λ0；令INBCI＝ifft[χ(k|λ0)si(k)]，得到内禀窄带分量；
6)令si+1＝si-INBCi，使得继续得到内禀窄带分量；
7)若||si+1||2<ξ，则分解终止，否则令i＝i+1并返回步骤2)，直至得到所有的内禀窄带分量。
5.如权利要求2所述双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述步骤四中的时域频域指标包括：
减速机故障诊断使用频域及时域的统计参数提取故障特征；利用复值调制微分算子将原始信号分解为系列内禀窄带分量，提取减速箱振动信号中的故障特征信息，并从复值调制微分算子产生的INBC中提取时域和频域统计参数；
所述局部保留投影算法包括：
在特征向量选择上，局部保留投影法通过将高维数据降到低维，保留数据内在的非线性结构和局部特征；通过寻找最优线形变换矩阵形，对高维数据线性变换实现降维；设有样本数据集F，J和Ni分别为特征值参数和样本的数目；LPP的目标是寻找一个矩阵A，从而将高维特征值F映射到低维特征值F′；其中J′(J′＜＜J)为降维后的特征值向量的维度；LPP的目标函数为：
Figure FDA0003657317210000032
式中，权重矩阵Si,j用于衡量成为近邻的第i个样本和第j个样本之间的相近程度，选用k均值方法度量邻近点，Si,j称为对称相似性矩阵；Si,j的定义如下所示：
Figure FDA0003657317210000033
设fi′＝aTfi，则优化目标函数的简化过程转换成如下表示：
Figure FDA0003657317210000034
式中，Dii＝∑jSi,j，Dii为N阶对角矩阵，L＝D-S为Laplacian矩阵；Dii用于衡量fi′的重要性，Dii越大则对应的fi′更重要；LPP方法引入以下约束条件：
Figure FDA0003657317210000041
优化问题描述成以下表示：
MinaaFDFTa subject to aFDFTa＝1；
最小化有约束问题转化成以下特征方程特征值的求解问题：
FLFTa＝λFDFTa；
式中，FLFT和FDFT均为对称及半正定矩阵，最小特征值相应的特征向量。
6.如权利要求2所述双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述步骤五中的卷积神经网络的识别训练与二进制蝙蝠算法优化，包括：
(1)卷积神经网络识别训练
卷积神经网络CNN是由一个或多个卷积层和顶端的全连通层组成的前馈神经网络，CNN采用权值共享结构简化网络模型的复杂度，图像直接作为网络的输入，且无须人工提取和选择特征；CNN由输人层、交替连接的卷积层和降采样层、全连接层及输出层组成；输人层为原始输入图像；卷积层用于特征提取，卷积核就是一个特征矩阵；降采样层用于降低特征维度；卷积层和降采样层均由多个二维平面组成，每个平面为各层处理后输出的特征图，卷积层和降采样层的数目根据实际需要确定；全连接层位于CNN的末尾位置，用于计算整个网络的输出；CNN根据实际情况选择网络的各个结构参数；
在CNN进行优化训练时，将得到的分量通过LPP参量融合后输入到CNN；从每一类信号对应的融合参量中随机选择部分样本组成训练样本，余下的则作为测试样本；将训练样本输人到CNN中，对网络进行训练，训练过程结束后则会得到一个训练好的网络模型；输入测试样本到已经训练好的神经网络中，得到分类的结果；
(2)二进制蝙蝠算法
在蝙蝠算法BA中，人工蝙蝠的参数是在训练过程的位置、速度和频率三个向量指标；D维空间中，第i只蝙蝠t时刻的位置为
Figure FDA0003657317210000051
速度为
Figure FDA0003657317210000052
则t+1时刻的位置
Figure FDA0003657317210000053
和速度
Figure FDA0003657317210000054
的更新分别如以下公式所示：
Figure FDA0003657317210000055
Figure FDA0003657317210000056
式中，x*是获得的最佳解决方案，fi是指第i个蝙蝠在当前时刻发出的声波的频率，在每个迭代过程中更新如下：
fi＝fmin+(fmax-fmin)β；
式中，β满足在[0,1]中均匀分布的随机数；fmax，fmin分别表示第i个蝙蝠在当前时刻发出的声波频率的最大值和最小值；
算法具有局部搜索原则，当前最好解为其中一个解，则按随机游走实现得出局部新解xnew：
xnew＝xold+εAt；
式中，xold表现为最优解集的一个随机最优解；At是所有蝙蝠同一时间段内的响度均值；ε是[0，1]中的随机数；
发现猎物时，脉冲的响度
Figure FDA0003657317210000057
会减小，而脉冲发射速率
Figure FDA0003657317210000058
则变大，以下是蝙蝠响度和脉冲发射速率的更新过程：
Figure FDA0003657317210000059
式中，α是脉冲响度衰减系数，为[0，1]上的常数；
Figure FDA00036573172100000510
式中，γ是脉冲频度增加系数，为大于零的常数；
在二进制蝙蝠算法BBA中，蝙蝠每维位置都设置为0或1，但速度不作限定；速度值表明蝙蝠在相对维度位置值为0或1，位置更新代表从0到和1的转换，转换要求按照速度在传输；
函数中对应映射的大小，根据S型函数对最初BA进行离散化；
蝙蝠位置更新公式如下式所示：
Figure FDA0003657317210000061
式中，
Figure FDA0003657317210000062
为t次迭代时，第i只蝙蝠的k维空间速度；
通过传递函数计算概率后，更新蝙蝠位置方程则通过以下两式实现：
Figure FDA0003657317210000063
式中，
Figure FDA0003657317210000064
是第t次迭代次数时，第i只蝙蝠在第k维空间中的位置；
设计传递函数后，采用V型传递函数进行蝙蝠位置的更替：
Figure FDA0003657317210000065
Figure FDA0003657317210000066
式中，
Figure FDA0003657317210000067
和
Figure FDA0003657317210000068
分别是k维空间t次迭代时，第i只蝙蝠的位置与速度
Figure FDA0003657317210000069
是
Figure FDA00036573172100000610
的补集；利用更新蝙蝠位置方程实现位置向量的更新，利用传递函数实现BBA速度及概率更新的位置向量元素的映射。
7.一种应用如权利要求1～6任意一项所述双电机驱动棘轮棘爪减速机不同步故障诊断方法的双电机驱动棘轮棘爪减速机不同步故障诊断系统，其特征在于，所述双电机驱动棘轮棘爪减速机不同步故障诊断系统包括：
问题构建模块，用于针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；
故障定位模块，用于针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；
分量确定模块，用于利用复值微分调制算子将不同步的故障特征频率进行提取并与其他信号进行分离，确定不同步的故障特征频率、其他分量和噪音；
特征量融合模块，用于利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；
故障识别模块，用于将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程。。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述双电机驱动棘轮棘爪减速机不同步故障诊断系统。
CN202210562876.XA 2022-05-23 2022-05-23 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 Pending CN114970624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210562876.XA CN114970624A (zh) 2022-05-23 2022-05-23 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210562876.XA CN114970624A (zh) 2022-05-23 2022-05-23 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法

Publications (1)

Publication Number Publication Date
CN114970624A true CN114970624A (zh) 2022-08-30

Family

ID=82985075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562876.XA Pending CN114970624A (zh) 2022-05-23 2022-05-23 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN114970624A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法
CN116484263B (zh) * 2023-05-10 2024-01-05 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法

Similar Documents

Publication Publication Date Title
Jing et al. A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Li et al. Gear pitting fault diagnosis with mixed operating conditions based on adaptive 1D separable convolution with residual connection
Parey et al. Gearbox fault diagnosis using acoustic signals, continuous wavelet transform and adaptive neuro-fuzzy inference system
Shen et al. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier
Choudhary et al. Multi-input CNN based vibro-acoustic fusion for accurate fault diagnosis of induction motor
Wang et al. Classification of fault location and the degree of performance degradation of a rolling bearing based on an improved hyper-sphere-structured multi-class support vector machine
Wu et al. Intelligent fault diagnosis of rolling bearings under varying operating conditions based on domain-adversarial neural network and attention mechanism
Udmale et al. A bearing vibration data analysis based on spectral kurtosis and ConvNet
CN112906644A (zh) 基于深度迁移学习的机械故障智能诊断方法
CN111397896A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Li et al. Fault diagnosis of rotating machinery based on dual convolutional-capsule network (DC-CN)
Li et al. A novel intelligent fault diagnosis method of rotating machinery based on signal-to-image mapping and deep Gabor convolutional adaptive pooling network
Medina et al. Vibration signal analysis using symbolic dynamics for gearbox fault diagnosis
Wang et al. Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Huang et al. Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments
Shuuji et al. Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network
Zhang et al. Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network
Jiang et al. A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
Ramteke et al. Automated gearbox fault diagnosis using entropy-based features in flexible analytic wavelet transform (FAWT) domain
Liu et al. Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis
He et al. A semi-supervised fault diagnosis method for axial piston pump bearings based on DCGAN
CN114970624A (zh) 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法

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