CN115615696A - 一种基于声振信息融合的柴油机齿轮室故障诊断方法 - Google Patents
一种基于声振信息融合的柴油机齿轮室故障诊断方法 Download PDFInfo
- Publication number
- CN115615696A CN115615696A CN202210963348.5A CN202210963348A CN115615696A CN 115615696 A CN115615696 A CN 115615696A CN 202210963348 A CN202210963348 A CN 202210963348A CN 115615696 A CN115615696 A CN 115615696A
- Authority
- CN
- China
- Prior art keywords
- gear chamber
- sound vibration
- signals
- fault
- diesel engine
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于声振信息融合的柴油机齿轮室故障诊断方法,方法为模拟齿轮室实际生产中会产生的故障,通过自适应变分模态提取对采集到的声振信号进行分解,基于能量熵对得到的声振特征进行融合,最后通过支持向量机对故障进行分类和识别,执行步骤依次为:采集振动噪声信号、分解提取的信号、融合声振特征和诊断齿轮室故障。本发明提出一种自适应的变分模态提取方法来提高信号分解的精度和效率,基于能量熵对声振特征进行融合并通过支持向量机对齿轮室的故障进行分类和识别,为柴油机预测性维修和维护提供参考和指导,提升柴油机动力性、经济性、稳定性和排放性。
Description
技术领域
本发明涉及柴油机故障诊断方法技术领域,尤其涉及一种基于声振信息融合的柴油机齿轮室故障诊断方法。
背景技术
齿轮室是柴油机的关键部件之一,其结构较为复杂,一个故障通常会有多种故障表现形式,一种故障表现形式也可能由多个故障引起。针对柴油机故障的诊断及评估方法,有振动测试法和声音分析法等,采用较多的是振动测试法。振动测试法需要处理复杂的信号,且检测位置受到限制,但信号可靠性高;声音分析法对环境要求高,信号信噪比较低,易受外来噪声干扰,但传感器易于安装。齿轮在早期出现裂纹时特征信息很微弱,通过单一信息进行故障诊断有其自身的局限性,试验方法和诊断水平对故障诊断结论的影响较大,容易产生漏报和误报,故在许多情况下得出的结论并不可靠。
齿轮室作为机械设备中关键性部件,对其故障诊断方法的研究一直受到众多学者的重视。现有信号分解算法中,经验模态分解方法(EMD)在信号分解过程中会出现模态混叠和端点效应等问题,对分离的噪声特征产生较大干扰。VMD的自适应性以及抗噪性能较差。
发明内容
本发明的目的在于:为了解决上述问题,而提出的一种基于声振信息融合的柴油机齿轮室故障诊断方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于声振信息融合的柴油机齿轮室故障诊断方法,所述方法包括:模拟齿轮室实际生产中会产生的故障,通过自适应变分模态提取对采集到的声振信号进行分解,基于能量熵对得到的声振特征进行融合,最后通过支持向量机对故障进行分类和识别,执行步骤依次为:采集振动噪声信号、分解提取的信号、融合声振特征和诊断齿轮室故障。
优选地,所述采集振动噪声信号包括采集振动信号与转速信号,其中振动信号的采集需在齿轮室附近处布置加速度传感器,转速信号需要在前端布置光电编码器,并按试验方案运转。
优选地,所述试验方案为:
S101、分别采集600r/min、1000r/min、1200r/min、1500r/min、1900r/min工况下的振动噪声信号;
S102、加工齿轮,模拟裂纹故障,重复步骤S101;
S103、加工齿轮,模拟点蚀故障,重复步骤S101;
S104、加工齿轮,模拟断齿故障,重复步骤S101。
优选地,所述分解提取的信号需要统计模态中心频率的近似值,变分模态提取围绕该中心频率提取一个模态分量,具体计算步骤为:
S201、将输入信号f(t)分解为两个信号:期望信号(ud(t))和残余信号(fr(t));
S202、设置期望中心频率ωd、拉格朗日系数λ、收敛值ε;
S203、迭代循环更新ud;
S204、迭代循环更新ωd;
S205、迭代循环更新λ;
S206、重复上述步骤S202到步骤S205,直到收敛。
优选地,所述融合声振特征需要提取声振信号特征频段(20~3000Hz)内信号的固有模态函数能量熵作为故障诊断特征向量,基于固有模态函数能量熵的特征提取,具体步骤如为:
S301、对IVME分解得到的各IMF分量求能量Ei;
S302、以各IMF能量为元素构造总能量E;
S304、组合振动信号等能量分段能量熵、振动信号等时间分段能量熵和声波信号能量熵为联合能量熵。
优选地,所述诊断齿轮室故障需要根据样本信息获得期望值。
优选地,所述期望值的具体分析,具体步骤如下:
S401、测取齿轮室在正常、断齿、点蚀及裂纹四种状态下的声振信号;
S402、通过融合声振特征提取声振信号能量熵,构建融合特征向量;
S403、随机抽取四种状态的各20个样本组成特征集,将10个样本作为训练样本,剩下的10个作为测试样本;
S404、将训练样本和测试样本同时做归一化处理;
S405、采用一对其余的策略,选用径向基函数作为诊断模型中各向量机分类器的核函数,建立四个故障分类器。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本申请通过将声音和振动信号的参数进行信息特征融合,可以极大地提高诊断及评估的准确度和可靠性。
2、本申请通过提出一种自适应的变分模态提取方法来提高信号分解的精度和效率,基于能量熵对声振特征进行融合并通过支持向量机对齿轮室的故障进行分类和识别,为柴油机预测性维修和维护提供参考和指导,提升柴油机动力性、经济性、稳定性和排放性。
附图说明
图1示出了根据本发明实施例提供的齿轮室故障识别方法流程结构示意图;
图2示出了根据本发明实施例提供的噪声测点位置结构示意图;
图3示出了根据本发明实施例提供的SVM逻辑框图结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供一种技术方案:
模拟齿轮室实际生产中会产生的故障:断齿、点蚀、裂纹,通过自适应变分模态提取(IVMD)对采集到的声振信号进行分解,基于能量熵对得到的声振特征进行融合,最后通过支持向量机对故障进行分类和识别,具体分析过程如图1,执行步骤如下:
S1:柴油机振动噪声信号的采集
以6缸柴油机为研究对象,参考国家标准《内燃机噪声声功率级的测定工程法及简易法》(GB1895-2000)中规定的测量方法为指导进行测量,噪声测点位置如图2。在柴油机齿轮室附近处布置加速度传感器采集振动信号,并在前端布置长春禹光的光电编码器采集柴油机转速信号;信号采集设备采用西门子的LMS Test.Lab 24位数据采集系统。具体试验方案如下:
S101、分别采集600r/min(怠速)、1000r/min、1200r/min、1500r/min、1900r/min(标况)等工况下的振动噪声信号;
S102、加工齿轮,模拟裂纹故障,重复步骤S101;
S103、加工齿轮,模拟点蚀故障,重复步骤S101;
S104、加工齿轮,模拟断齿故障,重复步骤S101。
S2:基于自适应变分模态提取的信号分解方法
信号分解算法是帮助识别时域信号中模态信息的有效工具,变分模态提取(VME)是在变分模态分解(VMD)的基础上发展而来,借鉴了维纳滤波、希尔伯特变换等概念。在该方法中,只需要所关心模态中心频率的近似值,VME就可以围绕该中心频率提取一个模态分量。避免了VMD中由于不知道合适的分解数量,而导致的过分解或者欠分解现象。此外,提取特定模式时的计算复杂度也大大降低,其具体计算步骤如下:
S201、首先认为输入信号f(t)可以被分解为两个信号:期望信号(ud(t))和残余信号(fr(t)):
f(t)=ud(t)+fr(t)
S202、设置期望中心频率ωd、拉格朗日系数λ、收敛值ε;
S203、迭代循环更新ud:
S204、迭代循环更新ωd:
S205、迭代循环更新λ:
S206、重复步骤S202到步骤S205,直到收敛:
总的来说,VMD可以同时确定多个达到最优响应的模态,于此同时,这个特性也降低了收敛速度。VMD的性能还受到模态数量的高度影响,且需要在算法开始时确定。相反,VME寻求一个特定的模式,其收敛速度不受其他误差的影响,因而比VMD具有更高的收敛速度和更低的计算量。
在此基础上,为了更好地将VME应用于柴油机故障诊断领域的声振信号分解问题,提出一种自适应的变分模态提取方法。该方法认为信号在频域上的峰值处具有较高水平的能量并具有一定的信号丰富程度,将源信号峰值的中心频率作为VME的初始频率进行模态提取,其具体计算步骤如下:
1)识别源信号u的峰值频率peak(i),将其作为VME的初始频率进行模态提取得到模态分量imf(i);
2)将得到的模态分量imf(i)从源信号中剔除:
u=u-imf(i)
3)继续迭代,得到新的峰值频率以及模态分量;
4)计算模态分量与源信号的互信息值,当lambda(i)<0.3,则认为得到的模态分量与源信号关系较弱,已经不属于主要分量,则停止计算;
5)输出得到的各模态分量。
S3:基于能量熵的声振特征融合方法
柴油机声振信号的IVME分解结果—固有模态函数分别反映信号中内嵌的简单函数震荡模式,他们依次包含从高频到低频的信号频率成分,是信号频带的一种自动划分,随信号本身的变化而变化。本专利提取声振信号特征频段(20~3000Hz)内信号的固有模态函数能量熵作为故障诊断特征向量,基于固有模态函数能量熵的特征提取步骤如下:
S301、对IVME分解得到的各IMF分量求能量Ei:
Ei=∫|imfi(t)|2dt i=1,2,3...n
S302、以各IMF能量为元素构造总能量E:
S303、固有模态函数能量熵定义为:
式中,pi=Ei/E为第i个IMF分量的能量占整个信号能量的百分比。齿轮室状态变化引起声振信号能量分布发生变化,熵值随之改变。根据熵理论,按照1)~3)得到的能量熵能够反应各个IMF分量能量的分布情况;
S304、组合振动信号等能量分段能量熵(HZ)、振动信号等时间分段能量熵(GZ)和声波信号能量熵(S)为联合能量熵([HZ,GZ,S])。
S4:基于支持向量机的齿轮室故障诊断技术
支持向量机(SVM)是基于小样本的一种机器学习理论,建立在结构风险的最小原理和统计学习理论上的VC维理论。它可以根据非常有限的样本信息在学习能力及模型的复杂性之间获得最好的期望值,其具体分析步骤如下:
S401、测取齿轮室在正常、断齿、点蚀及裂纹四种状态下的声振信号;
S402、通过融合声振特征提取声振信号能量熵,构建融合特征向量;
S403、随机抽取四种状态的各20个样本组成特征集,将10个样本作为训练样本,剩下的10个作为测试样本;
S404、将训练样本和测试样本同时做归一化处理;
S405、采用“一对其余”的策略,选用径向基函数(RBF)作为诊断模型中各SVM分类器的核函数,建立四个故障分类器,SVM的逻辑如图3所示。对SVM1定义y=+1代表为正常状态,y=-1代表为除正常状态以外的状态。对SVM2定义y=+1代表是断齿状态,y=-1代表为点蚀、裂纹及其他故障。对SVM3定义y=+1代表是点蚀,y=-1代表是裂纹和其他故障。对SVM4定义y=+1代表是裂纹,y=-1代表其他故障。
实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述方法包括:模拟齿轮室实际生产中会产生的故障,通过自适应变分模态提取对采集到的声振信号进行分解,基于能量熵对得到的声振特征进行融合,最后通过支持向量机对故障进行分类和识别,执行步骤依次为:采集振动噪声信号、分解提取的信号、融合声振特征和诊断齿轮室故障。
2.根据权利要求1所述的一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述采集振动噪声信号包括采集振动信号与转速信号,其中振动信号的采集需在齿轮室附近处布置加速度传感器,转速信号需要在前端布置光电编码器,并按试验方案运转。
3.根据权利要求2所述的一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述试验方案为:
S101、分别采集600r/min、1000r/min、1200r/min、1500r/min、1900r/min工况下的振动噪声信号;
S102、加工齿轮,模拟裂纹故障,重复步骤S101;
S103、加工齿轮,模拟点蚀故障,重复步骤S101;
S104、加工齿轮,模拟断齿故障,重复步骤S101。
4.根据权利要求1所述的一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述分解提取的信号需要统计模态中心频率的近似值,变分模态提取围绕该中心频率提取一个模态分量,具体步骤为:
S201、将输入信号f(t)分解为两个信号:期望信号(ud(t))和残余信号(fr(t));
S202、设置期望中心频率ωd、拉格朗日系数λ、收敛值ε;
S203、迭代循环更新ud;
S204、迭代循环更新ωd;
S205、迭代循环更新λ;
S206、重复上述步骤S202到步骤S205,直到收敛。
6.根据权利要求1所述的一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述诊断齿轮室故障需要根据样本信息获得期望值。
7.根据权利要求6所述的一种基于声振信息融合的柴油机齿轮室故障诊断方法,其特征在于,所述期望值的具体分析,具体步骤如下:
S401、测取齿轮室在正常、断齿、点蚀及裂纹四种状态下的声振信号;
S402、通过融合声振特征提取声振信号能量熵,构建融合特征向量;
S403、随机抽取四种状态的各20个样本组成特征集,将10个样本作为训练样本,剩下的10个作为测试样本;
S404、将训练样本和测试样本同时做归一化处理;
S405、采用一对其余的策略,选用径向基函数作为诊断模型中各向量机分类器的核函数,建立四个故障分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963348.5A CN115615696A (zh) | 2022-08-11 | 2022-08-11 | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963348.5A CN115615696A (zh) | 2022-08-11 | 2022-08-11 | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115615696A true CN115615696A (zh) | 2023-01-17 |
Family
ID=84857047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210963348.5A Pending CN115615696A (zh) | 2022-08-11 | 2022-08-11 | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115615696A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
-
2022
- 2022-08-11 CN CN202210963348.5A patent/CN115615696A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
CN112763908B (zh) | 一种基于多故障特征联合的电机健康指数评价系统 | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN110940518B (zh) | 一种基于故障数据的航天传动机构分析方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110333078B (zh) | 一种滚动轴承退化状态阶段确定方法 | |
CN114850968B (zh) | 基于振动模型的刀具磨损监测方法、装置、终端及介质 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN115615696A (zh) | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 | |
CN114742115B (zh) | 滚动轴承故障诊断模型的构建方法及诊断方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |