CN115235759A - 一种基于宽度学习的风机齿轮箱早期故障诊断方法 - Google Patents
一种基于宽度学习的风机齿轮箱早期故障诊断方法 Download PDFInfo
- Publication number
- CN115235759A CN115235759A CN202210849731.8A CN202210849731A CN115235759A CN 115235759 A CN115235759 A CN 115235759A CN 202210849731 A CN202210849731 A CN 202210849731A CN 115235759 A CN115235759 A CN 115235759A
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- information entropy
- index
- entropy
- comprehensive evaluation
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于宽度学习的风机齿轮箱早期故障诊断方法,包括:采集原始振动信号形成数据集;基于变分模态分解法将原始振动信号分解为若干个固有模态分量;构建“信息熵‑峭度‑包络谱峭度”综合评价模型,分别计算各固有模态分量的信息熵、峭度和包络谱峭度;采用熵权法获取信息熵、峭度和包络谱峭度各自权重,加权得到综合评价系数,筛选重构信号;利用改进小波阈值降噪法对重构信号进行降噪;将降噪后的重构信号划分为训练集和测试集;对BLS神经网络进行训练并验证,获得风机齿轮箱故障诊断模型。该方法从原始运行数据中提取微弱的早期故障特征,并高效完成故障类型识别,所占计算资源少并具有较高预测精度,有利于保障风机安全运行。
Description
技术领域
本发明属于机械故障诊断技术领域,具体涉及一种基于宽度学习的风机齿轮箱早期故障诊断方法。
背景技术
风机在运行时,齿轮箱内部可能出现轴承剥落、叶片裂纹等故障,若未能在故障早期阶段加以干预,将严重影响其运行的安全性和经济性。因此,开展风机齿轮箱早期故障诊断对于风机运维具有重要意义。
风机齿轮箱发生故障时,通常基于振动信号的故障诊断方法对采集到的信号利用小波变换、经验模态分解、希尔伯特-黄变换等方法得到故障特征,并结合人工智能等方法进行诊断,具有精准、便捷等优点,得到了广泛的应用。然而,风机齿轮箱振动信号的非线性、非平稳特性以及强大的背景噪声给风机齿轮箱故障诊断带来挑战。
此外,针对风机齿轮箱早期故障,现有的基于振动信号的故障诊断方法还存在两个问题:1)当故障处于早期阶段时,其动力学响应较弱,极易被强背景噪声淹没,现有方法提取特征不彻底,难以得到显著的早期故障特征;2)早期故障诊断对准确性和时效性要求较高,常见的深度学习算法网络结构复杂,对硬件和算力的要求高,而风机系统计算资源有限,在工程中应用深度学习算法存在算力资源占用大、诊断耗时长和预测精度低等问题。
发明内容
本发明的目的在于针对上述问题,提出一种基于宽度学习的风机齿轮箱早期故障诊断方法,该方法从原始运行数据中提取出微弱的早期故障特征,并高效完成故障类型识别,所占计算资源较少并具有较高的预测精度,保障了风机的安全运行。
为实现上述目的,本发明所采取的技术方案为:
本发明提出的一种基于宽度学习的风机齿轮箱早期故障诊断方法,包括如下步骤:
S1、采集风机齿轮箱的原始振动信号形成数据集,数据集包括正常数据和故障数据;
S2、基于变分模态分解法将数据集中的各原始振动信号分解为若干个固有模态分量,每个固有模态分量表示为随机序列x(n)=(x1,x2,…,xi,…,xn),xi为第i个采样点的值,i=1~n,n为采样点数;
S3、构建“信息熵-峭度-包络谱峭度”综合评价模型,分别计算每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke,“信息熵-峭度-包络谱峭度”综合评价模型构建如下:
S4、采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,筛选出综合评价系数最大的预设数量的固有模态分量重构信号;
式中,μ表示原始小波系数,θ表示阈值,a∈R+表示调节因子;
S6、将降噪后的重构信号划分为训练集和测试集;
S7、将训练集输入BLS神经网络模型进行训练并利用测试集进行验证,获得训练好的BLS神经网络模型作为风机齿轮箱故障诊断模型。
优选地,步骤S1中,原始振动信号的振动方向为竖直方向,采样频率为5120Hz。
优选地,步骤S2中,基于变分模态分解法将数据集中的各原始振动信号分解时,参数设置为判断精度ε=1×10-7,噪声容限τ=0。
优选地,步骤S4中,采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,具体如下:
S41、将信息熵划为Ⅰ类指标,峭度和包络谱峭度划为Ⅱ类指标,并对各类指标进行标准化,其中:
Ⅰ类指标的标准化公式如下:
Ⅱ类指标的标准化公式如下:
式中,Khj、Krj、Kej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度,j=1~m,m为固有模态分量的数量;lhj、lrj、lej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度的标准化值;
S42、计算各指标的权重,其中:
信息熵指标的熵值Hh、峭度指标的熵值Hr和包络谱峭度指标的熵值He计算如下:
信息熵指标的权重Sh、峭度指标的权重Sr和包络谱峭度指标的权重Se计算如下:
其中,
S43、通过加权获取第j个固有模态分量的综合评价系数Cj,公式如下:
Cj=Khj·Sh+Krj·Sr+Kej·Se。
优选地,步骤S4中,重构信号为将筛选出综合评价系数最大的预设数量的固有模态分量进行相加。
优选地,预设数量为两个。
与现有技术相比,本发明的有益效果为:
1)该方法在提取风机齿轮箱早期故障特征时,针对早期故障信号非线性、非平稳、低幅值、低信噪比的特点,使用变分模态分解-小波阈值降噪(VMD-WTD)联合特征提取策略,相较于现有技术在不显著增加计算复杂度的情况下,进一步强化特征的故障表征能力,且通过改进小波阈值函数,克服了现有硬阈值函数在阈值处不连续,软阈值函数存在恒定偏差等缺点,并引入调节因子来控制阈值函数的逼近速度,使其在处理不同信号时具备更强的适应性;
2)该方法以故障信号的不确定性指标“信息熵”、脉冲性指标“峭度”和循环平稳性指标“包络谱峭度”三个参数来构建IMF综合评价模型,使得IMF评估体系更全面,相较于现有技术可从所有IMF中更好地筛选出表征风机齿轮箱早期故障的关键IMF;
3)使用轻量级的BLS神经网络实现对风机齿轮箱运行状态的识别,相较于现有技术中的其他算法,IMF可在有限的计算资源下快速完成运行状态识别,具备较强的增量学习能力,故障诊断准确率较高,所占计算资源较少。
附图说明
图1为本发明基于宽度学习的风机齿轮箱早期故障诊断方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
本发明针对风机齿轮箱故障早期信号非线性、非平稳、低幅值、低信噪比的特点,提出了一种基于宽度学习的风机齿轮箱早期故障诊断方法。首先,利用变分模态分解将原始振动信号分解为多个固有模态分量,并构建“信息熵—峭度—包络谱峭度”综合评价模型,结合熵权法筛选关键特征分量以重构信号;其次,运用改进的小波阈值法进一步降低噪声干扰对重构信号的影响,得到显著的故障冲击特征;最后,针对风机系统计算资源有限的现状,使用轻量级网络宽度学习(BLS)神经网络进行状态识别,可有效提高早期故障检测准确性和时效性。通过分析风机齿轮箱实测数据并与传统方法进行对比表明,本方法对早期故障诊断具有适用性和优越性。
如图1所示,一种基于宽度学习的风机齿轮箱早期故障诊断方法,包括如下步骤:
S1、采集风机齿轮箱的原始振动信号形成数据集,数据集包括正常数据和故障数据。
在一实施例中,步骤S1中,原始振动信号的振动方向为竖直方向,采样频率为5120Hz。
S2、基于变分模态分解法将数据集中的各原始振动信号分解为若干个固有模态分量,每个固有模态分量表示为随机序列x(n)=(x1,x2,…,xi,…,xn),xi为第i个采样点的值,i=1~n,n为采样点数。
在一实施例中,步骤S2中,基于变分模态分解法将数据集中的各原始振动信号分解时,参数设置为判断精度ε=1×10-7,噪声容限τ=0。
其中,风机齿轮箱为现有技术中的结构,如包括行星齿轮、高速轴齿轮和中速轴齿轮等。采集的风机齿轮箱数据包括正常数据和故障数据,故障数据如包括行星齿轮故障数据、高速轴齿轮故障数据和中速轴齿轮故障数据。风机齿轮箱各工作状态振动信号使用变分模态分解法(VMD)分解为若干个固有模态分量(IMF),分解时,参数设置为判断精度ε=1×10-7,噪声容限τ=0,其余参数设置参照表1。
表1
S3、构建“信息熵-峭度-包络谱峭度”综合评价模型,分别计算每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke,“信息熵-峭度-包络谱峭度”综合评价模型构建如下:
S4、采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,筛选出综合评价系数最大的预设数量的固有模态分量重构信号。
在一实施例中,步骤S4中,采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,具体如下:
S41、将信息熵划为Ⅰ类指标,峭度和包络谱峭度划为Ⅱ类指标,并对各类指标进行标准化,其中:
Ⅰ类指标的标准化公式如下:
Ⅱ类指标的标准化公式如下:
式中,Khj、Krj、Kej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度,j=1~m,m为固有模态分量的数量;lhj、lrj、lej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度的标准化值;
S42、计算各指标的权重,其中:
信息熵指标的熵值Hh、峭度指标的熵值Hr和包络谱峭度指标的熵值He计算如下:
信息熵指标的权重Sh、峭度指标的权重Sr和包络谱峭度指标的权重Se计算如下:
其中,
S43、通过加权获取第j个固有模态分量的综合评价系数Cj,公式如下:
Cj=Khj·Sh+Krj·Sr+Kej·Se。
根据定义将信息熵划为Ⅰ类指标(信息熵越小,IMF越能表征原始振动信号的特征),将峭度、包络谱峭度划为Ⅱ类指标(峭度、包络谱峭度越大,IMF越能表征原始振动信号的特征)。并根据3个指标的值及其权重,加权得到各IMF的综合评价系数,选择关键IMF重构信号。
在一实施例中,步骤S4中,重构信号为将筛选出综合评价系数最大的预设数量的固有模态分量进行相加。
在一实施例中,预设数量为两个。
式中,μ表示原始小波系数,θ表示阈值,a∈R+表示调节因子。
本申请基于变分模态分解法(VMD)结合改进小波阈值降噪法(WTD)对重构信号降噪,同时与现有技术中的其他策略降噪效果的对比如表2所示:
表2 4种不同降噪策略效果指标比较
根据表2,本申请信噪比SNR可达15.373,均高于现有技术中采用的VMD、VMD+硬阈值或VMD+软阈值方法,均方根误差RMSE达0.153,均低于现有技术,具有更高的精度。通过改进小波阈值函数,克服了现有硬阈值函数在阈值处不连续,软阈值函数存在恒定偏差等缺点,并引入调节因子来控制阈值函数的逼近速度,使其在处理不同信号时具备更强的适应性。
S6、将降噪后的重构信号划分为训练集和测试集。
S7、将训练集输入BLS神经网络模型进行训练并利用测试集进行验证,获得训练好的BLS神经网络模型作为风机齿轮箱故障诊断模型。
使用测试样本验证所提方法,并根据诊断结果分析验证该方法的有效性和时效性,结果如表3所示。
表3 4种故障分类算法的分类结果
根据表3,BP、SVM、DBN、BLS神经网络的准确率依次为88.67%、87.51%、93.33%、94.56%,时间依次为140.41s、194.20s、227.10s、23.35s,可知本申请采用BLS神经网络的准确率大于BP、SVM和DBN神经网络,且检测时间远低于现有技术中的神经网络。
从实验结果可以看出,本发明提出的基于宽度学习的风机齿轮箱早期故障诊断方法可以用来实现风机齿轮箱早期故障诊断。对比现有方法,本发明进一步增强了对复杂信号的特征提取能力,能从风机齿轮箱复杂的原始振动信号中提取到显著的早期故障特征,同时运用BLS神经网络进行故障识别,占用较少的计算资源达到较高的预测精度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请描述较为具体和详细的实施例,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:所述基于宽度学习的风机齿轮箱早期故障诊断方法包括如下步骤:
S1、采集风机齿轮箱的原始振动信号形成数据集,所述数据集包括正常数据和故障数据;
S2、基于变分模态分解法将数据集中的各原始振动信号分解为若干个固有模态分量,每个固有模态分量表示为随机序列x(n)=(x1,x2,…,xi,…,xn),xi为第i个采样点的值,i=1~n,n为采样点数;
S3、构建“信息熵-峭度-包络谱峭度”综合评价模型,分别计算每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke,所述“信息熵-峭度-包络谱峭度”综合评价模型构建如下:
S4、采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,筛选出综合评价系数最大的预设数量的固有模态分量重构信号;
式中,μ表示原始小波系数,θ表示阈值,a∈R+表示调节因子;
S6、将降噪后的重构信号划分为训练集和测试集;
S7、将训练集输入BLS神经网络模型进行训练并利用测试集进行验证,获得训练好的BLS神经网络模型作为风机齿轮箱故障诊断模型。
2.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:步骤S1中,所述原始振动信号的振动方向为竖直方向,采样频率为5120Hz。
3.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:步骤S2中,所述基于变分模态分解法将数据集中的各原始振动信号分解时,参数设置为判断精度ε=1×10-7,噪声容限τ=0。
4.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:步骤S4中,所述采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重,并通过加权得到综合评价系数,具体如下:
S41、将信息熵划为Ⅰ类指标,峭度和包络谱峭度划为Ⅱ类指标,并对各类指标进行标准化,其中:
Ⅰ类指标的标准化公式如下:
Ⅱ类指标的标准化公式如下:
式中,Khj、Krj、Kej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度,j=1~m,m为固有模态分量的数量;lhj、lrj、lej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度的标准化值;
S42、计算各指标的权重,其中:
信息熵指标的熵值Hh、峭度指标的熵值Hr和包络谱峭度指标的熵值He计算如下:
信息熵指标的权重Sh、峭度指标的权重Sr和包络谱峭度指标的权重Se计算如下:
其中,
S43、通过加权获取第j个固有模态分量的综合评价系数Cj,公式如下:
Cj=Khj·Sh+Krj·Sr+Kej·Se。
5.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:步骤S4中,所述重构信号为将筛选出综合评价系数最大的预设数量的固有模态分量进行相加。
6.如权利要求5所述的基于宽度学习的风机齿轮箱早期故障诊断方法,其特征在于:所述预设数量为两个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849731.8A CN115235759A (zh) | 2022-07-19 | 2022-07-19 | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849731.8A CN115235759A (zh) | 2022-07-19 | 2022-07-19 | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115235759A true CN115235759A (zh) | 2022-10-25 |
Family
ID=83672776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849731.8A Pending CN115235759A (zh) | 2022-07-19 | 2022-07-19 | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115235759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
-
2022
- 2022-07-19 CN CN202210849731.8A patent/CN115235759A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
CN117708547B (zh) * | 2024-02-05 | 2024-04-30 | 西安热工研究院有限公司 | 一种汽轮机组振动信号处理的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN105973595B (zh) | 一种滚动轴承故障的诊断方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
CN104318305A (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN109060347A (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN115235759A (zh) | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 | |
CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN117110744A (zh) | 一种基于声纹分析的变压器故障诊断方法及系统 | |
CN111707472A (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 |
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 |