CN115371988A - 基于多特征融合的工程机械故障诊断方法及系统 - Google Patents

基于多特征融合的工程机械故障诊断方法及系统 Download PDF

Info

Publication number
CN115371988A
CN115371988A CN202211322176.XA CN202211322176A CN115371988A CN 115371988 A CN115371988 A CN 115371988A CN 202211322176 A CN202211322176 A CN 202211322176A CN 115371988 A CN115371988 A CN 115371988A
Authority
CN
China
Prior art keywords
vibration signal
frequency
gearbox
fault
components
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
CN202211322176.XA
Other languages
English (en)
Inventor
杨秦敏
陈旭
曹伟伟
翁得鱼
邓波
张善睿
张琳
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.)
Beigu Electronics Co ltd Shanghai Branch
Beigu Electronics Wuxi Co ltd
Luogu Technology Shanghai Co ltd
North Valley Electronics Co ltd
Original Assignee
Beigu Electronics Co ltd Shanghai Branch
Beigu Electronics Wuxi Co ltd
Luogu Technology Shanghai Co ltd
North Valley Electronics 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 Beigu Electronics Co ltd Shanghai Branch, Beigu Electronics Wuxi Co ltd, Luogu Technology Shanghai Co ltd, North Valley Electronics Co ltd filed Critical Beigu Electronics Co ltd Shanghai Branch
Priority to CN202211322176.XA priority Critical patent/CN115371988A/zh
Publication of CN115371988A publication Critical patent/CN115371988A/zh
Pending legal-status Critical Current

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

本发明涉及机械设备故障检测技术领域，尤其涉及一种基于多特征融合的工程机械故障诊断方法及系统，方法包括：采集齿轮箱的多个原始振动信号；对原始振动信号进行预处理，得到原始振动信号中多个成分的模态分量；根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；提取重构振动信号中的时域特征、频域特征及非线性特征；将提取的时域特征、频域特征及非线性特征进行特征融合得到多维特征向量；使用分类器对多维特征向量进行分类，根据分类结果对齿轮箱进行故障诊断。通过对原始振动信号进行分解及重构，并提取时域、频域及非线性特征进行融合及分类，能够有效对齿轮箱进行故障诊断。

Description

基于多特征融合的工程机械故障诊断方法及系统
技术领域
本发明涉及机械设备故障检测技术领域，尤其涉及一种基于多特征融合的工程机械故障诊断方法及系统。
背景技术
随着当今工业和科技的发展，工程机械在社会生产和人们生活中扮演着越来越重要的角色，工程机械的保有量也在逐年增加。由于现代工程的需求，工程机械需要连续作业更长的时间，承担更大的载荷，而且机械的构造也更趋复杂精密。对于经常处于有大量油污、沙土、砖石的工作环境中的工程机械，如高空作业平台、装载机、挖掘机、叉车及矿车自卸车，一旦发生故障，将对工程造成极大的经济损失和安全风险，同时也需要花费较长的时间来进行机械的维修保养。因此，对工程机械进行准确的故障诊断对于维护机械设备的安全及稳定运行具有十分重要的意义。
工程机械与其他车辆类似，都有一套对机械正常运转必不可少的动力系统，如发动机、齿轮箱、驱动桥等。根据日常的工程机械故障维修记录显示，齿轮箱作为动力传递链中的重要一环，由于其内部复杂的齿轮、轴承、泵及油路等结构和承受的迅速跳变的大载荷冲击，导致其故障机率高于其他动力传递部件。在众多的对齿轮箱进行故障诊断的方法中，用于表征齿轮箱的运行状态的信号各不相同，如油液中的成分、声音、振动等，其中由于原始振动信号是通过传感器直接接触测得的信号，不易受周围环境影响，而且蕴含着丰富的齿轮箱的运行状态信息，所以通过原始振动信号进行检测是主要方法之一。由于测得的原始振动信号中，必然会包含有噪声，若对其直接进行特征提取，会使得提取的特征不能准确表征齿轮箱的运行状态。
通过齿轮和轴承的故障机理可知，其故障原始振动信号中会包含特定频率成分。传统的特征提取方法是利用时域或频域特征，来表征故障状态，但并未将齿轮箱中的非线性特点考虑进去，而且提取的特征信息并不够充分。
发明内容
本发明的目的在于提供一种基于多特征融合的工程机械故障诊断方法及系统，相较于传统的基于时域或频域的故障诊断方法，能够更好的表征齿轮箱的运行状态，有效地进行齿轮箱的故障诊断。
为了达到上述目的，本发明提供了一种基于多特征融合的工程机械故障诊断方法，包括：
采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
提取所述重构振动信号中的时域特征、频域特征及非线性特征；
将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
使用分类器对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
可选的，通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的原始振动信号。
可选的，采用变分模态分解的方式对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量。
可选的，所述模态分量具有一中心频率，所述齿轮箱发生故障时的主要频率成分为转频和啮合频率，所述轴承发生故障时的主要频率成分为所述转频的特定倍数；根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号的步骤具体包括：
将各个成分的模态分量的中心频率与所述齿轮箱及所述轴承发生故障时的主要频率成分进行比对，保留频率相近的模态分量；
对保留的模态分量进行相加以得到所述重构振动信号。
可选的，所述时域特征包括有量纲特征及无量纲特征，所述有量纲特征包括均值、方差及均方根值，所述无量纲特征包括峭度及脉冲因子。
可选的，所述频域特征包括重心频率、均方频率和频率方差。
可选的，所述非线性特征包括最大李雅普诺夫指数、多尺度多元熵及层次多元熵。
可选的，在提取所述非线性特征之前，对所述重构振动信号进行相空间重构。
可选的，使用RF分类器对所述多维特征向量进行分类。
基于此，本发明还提供了一种基于多特征融合的工程机械故障诊断系统，包括：
采集模块，用于采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
预处理模块，用于对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
重构模块，用于根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
提取模块，用于提取所述重构振动信号中的时域特征、频域特征及非线性特征；
特征融合模块，用于将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
分类器，用于对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
本发明提供的基于多特征融合的工程机械故障诊断方法及系统，至少具有以下有益特征之一：
1）根据故障机理进行振动信号的分解和重构，并提取时域、频域及非线性特征，相较于传统的基于时域、频域的故障诊断方法和现在基于深度神经网络的故障诊断方法，本发明考虑了非线性系统的运动特征，能够更加准确的表征齿轮箱的运行状态；
2）通过对原始振动信号进行预处理，并根据齿轮和轴承的故障机理进行模态分量的选择及重构，使得重构后的振动信号更纯净，提升了信号的信噪比；
3）通过将重构振动信号的多个维度特征进行融合，使得特征向量能够更好的表征齿轮箱的运行状态，为工程机械的故障诊断提供一种可行的技术方案；
4）分类器训练简单，能够有效进行齿轮箱的故障诊断。
附图说明
本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1为本实施例提供的基于多特征融合的工程机械故障诊断方法的流程图；
图2为本实施例提供的利用尺度因子s对信号进行粗粒度采样得到不同尺度的时间序列的示意图；
图3为本实施例提供的计算所有层次分量的多元熵的示意图；
图4为本实施例提供的使用RF分类器进行分类的示意图；
图5为本实施例提供的基于多特征融合的工程机械故障诊断系统的示意图。
附图中：
10-采集模块；20-预处理模块；30-重构模块；40-提取模块；50-特征融合模块 ；60-分类器。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。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。
请参照图1，图1为本实施例提供的基于多特征融合的工程机械故障诊断方法的流程图。本实施例提供了一种基于多特征融合的工程机械故障诊断方法，包括以下步骤：
S1、采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
S2、对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
S3、根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
S4、提取所述重构振动信号中的时域特征、频域特征及非线性特征；
S5、将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
S6、使用分类器对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
首先，执行步骤S1，采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号。本实施例中，可通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的原始振动信号。在采集时，可对同一所述齿轮箱在正常运行以及发生故障时的原始振动信号进行多次采集，也可以对不同齿轮箱在正常运行以及发生故障时的原始振动信号进行多次采集，以丰富采集的样本，提高故障诊断的准确性。
然后执行步骤S2，对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量。本实施例中，采用变分模态分解（VMD）的方式对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量IMF。在信号处理中，变分模态分解是一种信号分解估计方法，该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个模态分量的中心频率和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。
采用变分模态分解（VMD）的方式对所述原始振动信号进行预处理的具体方式如下：
S21、假设所述原始振动信号由K个有限带宽的模态分量
Figure DEST_PATH_IMAGE001
组成，每个模态分量
Figure 980847DEST_PATH_IMAGE001
对应一个本征模态函数（IMF），所述本征模态函数的中心频率为
Figure 366829DEST_PATH_IMAGE002
，对
Figure 113942DEST_PATH_IMAGE002
进行 Hilbert（希尔伯特变换）变换求解析信号，并计算其单边谱，通过与算子
Figure DEST_PATH_IMAGE003
相乘，将 解析信号的中心带调制到相应的基带，计算解调梯度的平方范数
Figure 915676DEST_PATH_IMAGE004
，约束条件是模态和等 于输入信号
Figure DEST_PATH_IMAGE005
。上述过程利用数学公式表达如下：
Figure 136573DEST_PATH_IMAGE006
为了找到约束变分问题的最优解，引入拉格朗日乘子
Figure DEST_PATH_IMAGE007
和二阶惩罚因子
Figure 675482DEST_PATH_IMAGE008
，将 约束变分问题转化为无约束变分问题，表示如下：
Figure DEST_PATH_IMAGE009
S22、然后利用交替方向乘子法（ADMM）连续更新各分量及其中心频率，最终得到无约束模型的鞍点，即原问题的最佳解，具体过程如下：
S221、初始化
Figure 83460DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure 485623DEST_PATH_IMAGE012
和n，
Figure 826605DEST_PATH_IMAGE010
，
Figure 52925DEST_PATH_IMAGE011
，
Figure 276096DEST_PATH_IMAGE012
分别对应于
Figure DEST_PATH_IMAGE013
、
Figure 154053DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
的 傅里叶变换；
S222、执行周期：n=n+1；
S223、当
Figure 615122DEST_PATH_IMAGE016
大于0时，更新
Figure DEST_PATH_IMAGE017
；
Figure 749693DEST_PATH_IMAGE018
S224、更新
Figure DEST_PATH_IMAGE019
Figure 929002DEST_PATH_IMAGE020
S225、更新
Figure DEST_PATH_IMAGE021
Figure 141809DEST_PATH_IMAGE022
重复上述步骤S222到S225，直到满足迭代停止条件：
Figure DEST_PATH_IMAGE023
当然，除了采用上述变分模态分解的方式对所述原始振动信号进行预处理之外，还可以采用其它的分解方法，如EMD族类，例如EMD（经验模态分解）、EEMD（集合经验模态分解）、FEEMD（快速集合经验模态分解）、CEEMDAN（自适应噪声完备集合经验模态分解）、ICEEMDAN（改进的自适应噪声完备集合经验模态分解）等，当然也有小波分解、经验小波分解等，总之分解方式多种多样，根据样本的特点，选用不同的分解方式。
得到各个成分的模态分量之后，执行步骤S3，根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号。通过在对齿轮箱的振动信号进行特征提取之前，对原始振动信号进行预处理，并根据齿轮和轴承的故障机进行模态分量的选择，进而使得重构后的振动信号更纯净，提升了信号的信噪比。
本实施例中，所述模态分量具有一中心频率，所述齿轮箱发生故障时的主要频率成分为转频和啮合频率，所述轴承发生故障时的主要频率成分为所述转频的特定倍数；根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号的步骤具体包括：
将各个成分的模态分量的中心频率与所述齿轮箱及所述轴承发生故障时的主要频率成分进行比对，保留频率相近的模态分量；
对保留的模态分量进行相加以得到所述重构振动信号。
得到所述重构振动信号之后，执行步骤S4，提取所述重构振动信号中的时域特征、频域特征及非线性特征。
本实施例中，所述时域特征包括有量纲特征及无量纲特征，所述有量纲特征包括均值、方差及均方根值，所述无量纲特征包括峭度及脉冲因子。
其中，均值表示一定时间内振动信号幅值的平均值，是一阶矩，
Figure 722963DEST_PATH_IMAGE024
表示振动信 号，N表示信号长度，均值可用如下公式表示：
Figure DEST_PATH_IMAGE025
方差是每个样本值与全体样本值的平均数之差的平方值的平均数，代表了信号能量的动态分量，反应数据间的离散程度，是二阶中心矩，可用如下公式表示：
Figure 228768DEST_PATH_IMAGE026
均方根是将所有值平方求和，求其平均值，再开平方，可用如下公式表示：
Figure DEST_PATH_IMAGE027
峭度表示波形平缓程度，用于描述变量的分布，可用如下公式表示：
Figure 692110DEST_PATH_IMAGE028
脉冲因子是信号峰值与整流平均值的比值，用于检测信号中是否存在冲击，可用如下公式表示：
Figure DEST_PATH_IMAGE029
式中，
Figure 708608DEST_PATH_IMAGE030
表示信号峰值，
Figure DEST_PATH_IMAGE031
表示信号绝对值的平均值。
本实施例中，所述频域特征包括重心频率、均方频率和频率方差。
其中，重心频率能够描述信号在频谱中分量较大的信号成分的频率，反应信号功率谱的分布情况。可用如下公式表示：
Figure 878689DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_IMAGE033
为信号的功率谱。
均方频率是信号频率平方的加权平均，描述功率谱主频带位置分布，可用如下公式表示：
Figure 588019DEST_PATH_IMAGE034
频率方差是频率标准差的平方，是衡量功率谱能量分散程度的一个度量维度，可用如下公式表示：
Figure DEST_PATH_IMAGE035
本实施例中，所述非线性特征包括最大李雅普诺夫指数、多尺度多元熵和层次多元熵。
进一步的，在提取所述非线性特征之前，对所述重构振动信号进行相空间重构，即 对于所述重构振动信号时间序列
Figure 774543DEST_PATH_IMAGE036
进行相空间重构，算法如下：
Figure DEST_PATH_IMAGE037
式中，x为所述重构振动信号，
Figure 594732DEST_PATH_IMAGE038
为相点矩阵，
Figure DEST_PATH_IMAGE039
，
Figure 884899DEST_PATH_IMAGE040
为相点数量，m为嵌入维数，
Figure DEST_PATH_IMAGE041
为延迟时间。
进一步的，确定延迟时间
Figure 499551DEST_PATH_IMAGE041
的方法包括：
Figure 406327DEST_PATH_IMAGE042
是振动信号，其自相关函数为：
Figure DEST_PATH_IMAGE043
随着自变量
Figure 59900DEST_PATH_IMAGE044
的变化，当
Figure DEST_PATH_IMAGE045
的值减小到初始值
Figure 470153DEST_PATH_IMAGE046
的
Figure DEST_PATH_IMAGE047
时，取此时的
Figure 255706DEST_PATH_IMAGE048
作为 延迟时间
Figure 649778DEST_PATH_IMAGE041
。
进一步，确定嵌入维数m的方法包括：
选择好延迟时间
Figure 139666DEST_PATH_IMAGE041
之后逐渐增加维数m，直到计算的关联维数停止变化为止，此时 最小且能够被数据长度N整除的m即为所求。
对所述重构振动信号进行相空间重构之后，求解所述最大李雅普诺夫指数、多尺度多元熵和层次多元熵。
其中，所述最大李雅普诺夫指数的求解方法包括：
计算相点
Figure DEST_PATH_IMAGE049
与其他所有相点的欧式距离，然后将相点
Figure 138846DEST_PATH_IMAGE050
附近的
Figure DEST_PATH_IMAGE051
个相点
Figure 596765DEST_PATH_IMAGE052
（即
Figure DEST_PATH_IMAGE053
）的距离都置为所述相点
Figure 946975DEST_PATH_IMAGE049
与其他所有相点的欧式距离中的最大值，即为了消 除所述相点
Figure 240553DEST_PATH_IMAGE049
附近的暂态信息的影响。
找到每个相点
Figure 890977DEST_PATH_IMAGE049
及其邻近点
Figure 549492DEST_PATH_IMAGE052
，经过时间t后，两相点距离为：
Figure 918156DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE055
，
Figure 654906DEST_PATH_IMAGE056
为
Figure DEST_PATH_IMAGE057
和
Figure 690995DEST_PATH_IMAGE058
的发散率，
Figure DEST_PATH_IMAGE059
为
Figure 989252DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
表示 时间序列的采样间隔。
两边取对数为：
Figure 48475DEST_PATH_IMAGE062
将上式线性化为：
Figure DEST_PATH_IMAGE063
式中，q表示非零
Figure 152697DEST_PATH_IMAGE064
的数量。
对
Figure DEST_PATH_IMAGE065
进行最小二乘拟合，求得斜率即为最大李雅普诺夫指数。
所述多尺度多元熵的计算方法为：
在计算多尺度多元熵之前，先计算多元熵，其中令相空间重构的延迟时间
Figure 470722DEST_PATH_IMAGE066
，然 后计算相邻相点
Figure 736618DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE067
的余弦相似度，可用如下公式表示：
Figure 17558DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
然后计算状态概率，将[-1,1]分成
Figure 925471DEST_PATH_IMAGE070
个区间，计算相似度落在每个区间的概率
Figure DEST_PATH_IMAGE071
，再计算多元熵DE，可用如下公式表示：
Figure 873836DEST_PATH_IMAGE072
如图2所示，利用尺度因子s对信号进行粗粒度采样得到不同尺度的时间序列，公式表示如下：
Figure DEST_PATH_IMAGE073
计算每个尺度下时间序列的多元熵值，即可得到多尺度多元熵MDE，公式如下：
Figure 12431DEST_PATH_IMAGE074
所述层次多元熵的计算方法为：
对于振动信号时间序列
Figure DEST_PATH_IMAGE075
，定义低频分量
Figure 842984DEST_PATH_IMAGE076
和高频分量
Figure DEST_PATH_IMAGE077
，公 式表示为：
Figure 492271DEST_PATH_IMAGE078
Figure DEST_PATH_IMAGE079
用矩阵
Figure 29562DEST_PATH_IMAGE080
表述此操作，其中
Figure 637261DEST_PATH_IMAGE080
为：
Figure DEST_PATH_IMAGE081
重复使用矩阵
Figure 955110DEST_PATH_IMAGE080
运算，得到第k层的第e个分量
Figure 175132DEST_PATH_IMAGE082
，公式表示为：
Figure DEST_PATH_IMAGE083
最后如图3所示，计算所有层次分量的多元熵DE，公式表示为：
Figure 832510DEST_PATH_IMAGE084
提取所述重构振动信号中的时域特征、频域特征及非线性特征之后，执行步骤S5，将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量，使得特征向量能够更好的表征齿轮箱的运行状态，进而为工程机械的故障诊断提供一种可行的技术方案。
最后执行步骤S6，使用分类器对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。本实施例中，如图4所示，可使用随机森林（RF）分类器对所述多维特征向量进行分类。随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，它可以判断特征的重要程度以及判断出不同特征之间的相互影响。
基于此，请参照图5，本发明还提供了一种基于多特征融合的工程机械故障诊断系统，包括：
采集模块10，用于采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
预处理模块20，用于对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
重构模块30，用于根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
提取模块40，用于提取所述重构振动信号中的时域特征、频域特征及非线性特征；
特征融合模块50，用于将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
分类器60，用于对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
综上，本发明提供了一种基于多特征融合的工程机械故障诊断方法及系统，通过对原始振动信号进行预处理，并根据齿轮和轴承的故障机理进行模态分量的选择和重构，以及将重构振动信号的多个维度特征进行融合，使得特征向量能够更好的表征齿轮箱的运行状态，为工程机械的故障诊断提供一种可行的技术方案。相较于传统的基于时域、频域的故障诊断方法和现在基于深度神经网络的故障诊断方法，本发明考虑了非线性系统的运动特征，能够更加准确的表征齿轮箱的运行状态。
此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (10)

1.一种基于多特征融合的工程机械故障诊断方法，其特征在于，包括：
采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
提取所述重构振动信号中的时域特征、频域特征及非线性特征；
将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
使用分类器对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
2.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的原始振动信号。
3.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，采用变分模态分解的方式对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量。
4.如权利要求3所述的基于多特征融合的工程机械故障诊断方法，其特征在于，所述模态分量具有一中心频率，所述齿轮箱发生故障时的主要频率成分为转频和啮合频率，所述轴承发生故障时的主要频率成分为所述转频的特定倍数；根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号的步骤具体包括：
将各个成分的模态分量的中心频率与所述齿轮箱及所述轴承发生故障时的主要频率成分进行比对，保留频率相近的模态分量；
对保留的模态分量进行相加以得到所述重构振动信号。
5.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，所述时域特征包括有量纲特征及无量纲特征，所述有量纲特征包括均值、方差及均方根值，所述无量纲特征包括峭度及脉冲因子。
6.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，所述频域特征包括重心频率、均方频率和频率方差。
7.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，所述非线性特征包括最大李雅普诺夫指数、多尺度多元熵及层次多元熵。
8.如权利要求1或7所述的基于多特征融合的工程机械故障诊断方法，其特征在于，在提取所述非线性特征之前，对所述重构振动信号进行相空间重构。
9.如权利要求1所述的基于多特征融合的工程机械故障诊断方法，其特征在于，使用RF分类器对所述多维特征向量进行分类。
10.一种基于多特征融合的工程机械故障诊断系统，其特征在于，包括：
采集模块，用于采集齿轮箱的多个原始振动信号，所述原始振动信号包括所述齿轮箱在正常运行以及发生故障时的原始振动信号；
预处理模块，用于对所述原始振动信号进行预处理，得到所述原始振动信号中多个成分的模态分量；
重构模块，用于根据齿轮和轴承故障机理，筛选符合条件的模态分量并进行重构，得到重构振动信号；
提取模块，用于提取所述重构振动信号中的时域特征、频域特征及非线性特征；
特征融合模块，用于将提取的所述时域特征、所述频域特征及所述非线性特征进行特征融合得到多维特征向量；
分类器，用于对所述多维特征向量进行分类，并根据分类结果对所述齿轮箱进行故障诊断。
CN202211322176.XA 2022-10-27 2022-10-27 基于多特征融合的工程机械故障诊断方法及系统 Pending CN115371988A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211322176.XA CN115371988A (zh) 2022-10-27 2022-10-27 基于多特征融合的工程机械故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322176.XA CN115371988A (zh) 2022-10-27 2022-10-27 基于多特征融合的工程机械故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN115371988A true CN115371988A (zh) 2022-11-22

Family

ID=84073823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211322176.XA Pending CN115371988A (zh) 2022-10-27 2022-10-27 基于多特征融合的工程机械故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115371988A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935384A (zh) * 2021-11-25 2022-01-14 中铁二院工程集团有限责任公司 一种信号自适应分解和识别的桥梁健康监测方法及系统
CN116448425A (zh) * 2023-03-09 2023-07-18 江苏波司登科技有限公司 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统
CN117116291A (zh) * 2023-08-22 2023-11-24 昆明理工大学 一种含沙水流冲击水轮机的声信号处理方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105445022A (zh) * 2015-11-17 2016-03-30 中国矿业大学 一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110146282A (zh) * 2019-06-06 2019-08-20 南京航空航天大学 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN112163472A (zh) * 2020-09-15 2021-01-01 东南大学 一种基于多视角特征融合的滚动轴承诊断方法
CN112163474A (zh) * 2020-09-15 2021-01-01 东南大学 一种基于模型融合的齿轮箱智能诊断方法
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113283028A (zh) * 2021-05-21 2021-08-20 安徽工业大学 一种齿轮箱齿轮故障诊断方法
CN113532848A (zh) * 2021-06-24 2021-10-22 南京工业大学 一种行星齿轮箱故障诊断系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105445022A (zh) * 2015-11-17 2016-03-30 中国矿业大学 一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110146282A (zh) * 2019-06-06 2019-08-20 南京航空航天大学 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN112163472A (zh) * 2020-09-15 2021-01-01 东南大学 一种基于多视角特征融合的滚动轴承诊断方法
CN112163474A (zh) * 2020-09-15 2021-01-01 东南大学 一种基于模型融合的齿轮箱智能诊断方法
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113283028A (zh) * 2021-05-21 2021-08-20 安徽工业大学 一种齿轮箱齿轮故障诊断方法
CN113532848A (zh) * 2021-06-24 2021-10-22 南京工业大学 一种行星齿轮箱故障诊断系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935384A (zh) * 2021-11-25 2022-01-14 中铁二院工程集团有限责任公司 一种信号自适应分解和识别的桥梁健康监测方法及系统
CN113935384B (zh) * 2021-11-25 2023-05-23 中铁二院工程集团有限责任公司 一种信号自适应分解和识别的桥梁健康监测方法及系统
CN116448425A (zh) * 2023-03-09 2023-07-18 江苏波司登科技有限公司 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统
CN116448425B (zh) * 2023-03-09 2023-11-21 江苏波司登科技有限公司 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统
CN117116291A (zh) * 2023-08-22 2023-11-24 昆明理工大学 一种含沙水流冲击水轮机的声信号处理方法

Similar Documents

Publication Publication Date Title
Kuncan An intelligent approach for bearing fault diagnosis: combination of 1D-LBP and GRA
CN115371988A (zh) 基于多特征融合的工程机械故障诊断方法及系统
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
Rai et al. A review on signal processing techniques utilized in the fault diagnosis of rolling element bearings
Yang et al. The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network
Ziaja et al. Fault detection in rolling element bearings using wavelet-based variance analysis and novelty detection
Jiang et al. Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm
CN102155988B (zh) 设备监诊方法
CN112326280B (zh) 列车转向架的故障检测方法、装置和计算机可读介质
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN112906644A (zh) 基于深度迁移学习的机械故障智能诊断方法
Bhadane et al. Bearing fault identification and classification with convolutional neural network
Xu et al. Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems
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
Sun et al. Fine‐Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning
Chen et al. A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data
CN113642508A (zh) 基于参数自适应vmd与优化svm的轴承故障诊断方法
Cao et al. Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern
Yan et al. Degree of cyclic target protrusion defined on squared envelope spectrum for rotating machinery fault diagnosis
Tong et al. Identification of tropical cyclones via deep convolutional neural network based on satellite cloud images
Fa-jun et al. Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification
Zhou et al. Bearing fault diagnosis based on RF-PCA-LSTM model
CN115984606A (zh) 一种基于ceemdan去噪的行星齿轮故障诊断方法及系统
CN116223019A (zh) 一种齿轮箱及其故障诊断方法
Al Tobi et al. Machinery faults diagnosis using support vector machine (SVM) and Naïve Bayes classifiers

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

Application publication date: 20221122

RJ01 Rejection of invention patent application after publication