CN116292371B - 用于模拟地铁风机状态的故障台、故障分类方法及装置 - Google Patents

用于模拟地铁风机状态的故障台、故障分类方法及装置 Download PDF

Info

Publication number
CN116292371B
CN116292371B CN202310328227.8A CN202310328227A CN116292371B CN 116292371 B CN116292371 B CN 116292371B CN 202310328227 A CN202310328227 A CN 202310328227A CN 116292371 B CN116292371 B CN 116292371B
Authority
CN
China
Prior art keywords
fault
sensor
classification
rotating shaft
sample 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.)
Active
Application number
CN202310328227.8A
Other languages
English (en)
Other versions
CN116292371A (zh
Inventor
许常宜
范国华
王庆亮
燕普
梅震琨
初宁
何印
唐宝杰
夏美秀
蔡栋
丁海峰
屠佳馨
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.)
Suzhou Jiaoshi Intelligent Technology Co ltd
Suzhou Rail Transit Group Co ltd
Original Assignee
Suzhou Jiaoshi Intelligent Technology Co ltd
Suzhou Rail Transit Group 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 Suzhou Jiaoshi Intelligent Technology Co ltd, Suzhou Rail Transit Group Co ltd filed Critical Suzhou Jiaoshi Intelligent Technology Co ltd
Priority to CN202310328227.8A priority Critical patent/CN116292371B/zh
Publication of CN116292371A publication Critical patent/CN116292371A/zh
Application granted granted Critical
Publication of CN116292371B publication Critical patent/CN116292371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种用于模拟地铁风机状态的故障台、故障分类方法及装置，在故障台上安装有电机、与电机传动连接的主转动轴以及通过皮带与主转动轴传动连接的从转动轴；在主转动轴上设置有：第一轴承座、皮带的第一折返端、第二轴承座以及负载组件；在第一轴承座上安装有第一传感器，在第二轴承座上安装有第二传感器；在从转动轴上设置有皮带的第二折返端、第三轴承座、完好齿轮以及第四轴承座，且完好齿轮与另一转动轴上的断齿齿轮啮合；在第三轴承座上安装有第三传感器，在第四轴承座上安装有第四传感器。本发明利用故障台获取振动信号，为后续的故障分类提供原始信号，实现多通道数据融合，并采用PCA和支持向量机实现故障分类。

Description

用于模拟地铁风机状态的故障台、故障分类方法及装置
技术领域
本发明属于地铁技术领域，具体涉及一种用于模拟地铁风机状态的故障台、故障分类方法及装置。
背景技术
城市的发展离不开轨道交通事业的推进，地铁已经逐渐成为了居民的出行首选方式。地铁是涵盖了城市地区各种地下与地上的路权专有、高密度、高运量的城市轨道交通系统。
为了保证地铁的正常运行，需要在地铁上安装通风系统，该通风系统需要保持地下空间与外界的正常换气，满足地铁及时通风和设备正常运行。地铁风机是通风系统中维持设备安全可靠运行的核心设备。它主要应用于地铁隧道及区间站厅、站台的排风及火灾排烟，是保证地铁安全运行的重要手段，是实现地铁环境控制的重要保证，对地铁安全运营起重要的保障作用。
现有单通道的故障台模拟故障信号，存在分类速度慢、特征繁多、误判率较高的问题。
发明内容
为了解决上述技术问题，本发明提出了一种用于模拟地铁风机状态的故障台、故障分类方法及装置。
为了达到上述目的，本发明的技术方案如下：
一方面，本发明公开一种用于模拟地铁风机状态的故障台，在故障台上安装有电机、与电机传动连接的主转动轴以及通过皮带与主转动轴传动连接的从转动轴；
在主转动轴上，沿其轴向依次设置有：第一轴承座、皮带的第一折返端、第二轴承座以及负载组件，负载组件可拆卸安装于主转动轴上；
在第一轴承座上安装有第一传感器，在第二轴承座上安装有第二传感器，第一传感器用于采集主转动轴正常运行状态下的振动信号，第二传感器用于采集主转动轴在非平衡故障状态下的振动信号；
在从转动轴上，沿其轴向依次设置有皮带的第二折返端、第三轴承座、完好齿轮以及第四轴承座，且完好齿轮能够与另一转动轴上的断齿齿轮啮合；
在第三轴承座上安装有第三传感器，在第四轴承座上安装有第四传感器，第三传感器用于采集从转动轴正常运行状态下的振动信号，第四传感器用于采集从转动轴在齿轮故障状态下的振动信号。
在上述技术方案的基础上，还可做如下改进：
作为优选的方案，电机与主转动轴靠近第一轴承座的位置传动连接。
作为优选的方案，负载组件的重量和/或重心位置能够进行调节。
另一方面，本发明还公开一种故障分类方法，具体包括以下步骤：
步骤1：获取上述任一种故障台上第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号；
步骤2：将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
步骤3：对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；
步骤4：利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
步骤5：利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
步骤6：对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。
作为优选的方案，步骤2具体包括以下内容：将采集的每个振动信号分解成n个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；
其中：chj(x)为六个特征中的第j特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。
作为优选的方案，步骤3具体包括以下内容：利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前M个重要特征形成分类特征向量。
此外，本发明还公开一种故障分类装置，包括：上述任一种故障台以及故障分类器，故障分类器上设有以下模块：
振动信号采集模块，振动信号采集模块用于获取故障台上第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号
复合特征形成模块，复合特征形成模块用于将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
特征提取模块，对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；
训练模块，训练模块用于利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
测试模块，测试模块用于利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
判断分析模块，判断分析模块用于对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。
作为优选的方案，复合特征形成模块将采集的每个振动信号分解成n个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；
其中：chj(x)为六个特征中的第j特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。
作为优选的方案，特征提取模块利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前M个重要特征形成分类特征向量。
本发明公开一种用于模拟地铁风机状态的故障台、故障分类方法及装置，具有以下有益效果：
第一，本发明公开一种能够模拟地铁风机状态的故障台，利用故障台上的四个传感器分别获取不同状态下的振动信号，为后续的故障分类提供原始信号。
第二，故障台结构简单、成本低，便于操作。
第三，本发明将故障台的振动信号进行多通道数据融合，并采用信号分解，利用PCA进行主成分分析，提取分类特征向量对SVM分类器进行训练，得到分类决策边界和训练好的SVM分类器模型，并由k-means检验，从而判断属于哪种故障台故障。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的故障台的俯视图。
图2为本发明实施例提供的负载组件的纵向剖视图。
图3为本发明实施例提供的负载组件的侧视图。
图4为本发明实施例提供的故障分类方法的流程图。
图5为本发明实施例提供的不同模式下特征的散点图。
图6为本发明实施例提供的故障状态的分类结果图。
图7为本发明实施例提供的样本散点的聚类中心图。
其中：1-故障台，2-电机，3-主转动轴，4-皮带，41-第一折返端，42-第二折返端，5-从转动轴，61-第一轴承座，62-第二轴承座，63-第三轴承座，64-第四轴承座，71-第一传感器，72-第二传感器，73-第三传感器，74-第四传感器，8-负载组件，81-第一负载盘，82-重量调节环，83-储液腔，84-第二负载盘，85-径向滑槽，86-调节滑块，87-锁紧件，91-完好齿轮，92-断齿齿轮，10-联轴器。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
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他实施例，都属于本发明保护的范围。
使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
另外，“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
为了达到本发明的目的，用于模拟地铁风机状态的故障台的其中一些实施例中，如图1所示，在故障台1上安装有电机2、与电机2传动连接的主转动轴3以及通过皮带4与主转动轴3传动连接的从转动轴5；
在主转动轴3上，沿其轴向依次设置有：第一轴承座61、皮带4的第一折返端41、第二轴承座62以及负载组件8，负载组件8可拆卸安装于主转动轴3上；
在第一轴承座61上安装有第一传感器71，在第二轴承座62上安装有第二传感器72，第一传感器71用于采集主转动轴3正常运行状态下的振动信号，第二传感器72用于采集主转动轴3在非平衡故障状态下的振动信号；
在从转动轴5上，沿其轴向依次设置有皮带4的第二折返端42、第三轴承座63、完好齿轮91以及第四轴承座64，且完好齿轮91与另一转动轴上的断齿齿轮92啮合；
在第三轴承座63上安装有第三传感器73，在第四轴承座64上安装有第四传感器74，第三传感器73用于采集从转动轴5正常运行状态下的振动信号，第四传感器74用于采集从转动轴5在齿轮故障状态下的振动信号。
故障台模拟地铁运行时的地铁风机情况，一般而言，地铁风机设备包括：电机、带动电机转动的主转动轴、支撑主转动轴的轴承座、设于主转动轴上的叶轮及机壳，风机的故障存在于所有可能的部件中。
本发明公开一种故障台，将以下三种地铁运行时可能产生的情况考虑进来。
1)地铁车辆进出地铁站的活塞风对风机的冲击；
2)风机叶片的积灰、污垢引起的不平衡；
3)地铁是封闭空间，振动信号的传递，受到背景振动源环境的干扰。同时，用单个传感器在小样本数据条件下的故障诊断，以模拟地铁风机安装后，振动传感器数量和位置受到限制的情况。
本发明公开的故障台如表1所示，具有以下4种模式。值得注意的是，第一传感器71和第三传感器73是在不增加负载组件8和断齿齿轮的情况下对振动信号进行采集。第二传感器72是在仅增加负载组件8，不增加断齿齿轮92的情况下对振动信号进行采集。第四传感器74是在不增加负载组件8，仅增加断齿齿轮92的情况下对振动信号进行采集。
基于表1对4种模式的描述，本发明利用不平衡故障模拟风机叶片的积灰、污垢引起的不平衡；利用断齿故障模拟风机叶片的断齿。
表1故障台运行状态对应的故障
第一传感器71至第四传感器74分别通过其对应的通道进行故障信号收集。在一些具体实施例中，通道1用于传输第一传感器71采集的主转动轴3正常运行状态下的振动信号；通道2用于传输第二传感器72采集的主转动轴3在非平衡故障状态下的振动信号；通道3用于传输第三传感器73采集的从转动轴5正常运行状态下的振动信号；通道4用于传输第四传感器74采集的从转动轴5在齿轮故障状态下的振动信号。
进一步，在上述实施例的基础上，电机2与主转动轴3靠近第一轴承座61的位置传动连接。
进一步，电机2通过联轴器10与主转动轴3传动连接。
进一步，在上述实施例的基础上，负载组件8的重量能够进行调节。通过调节负载组件8的重量，获取不同负载组件8重量下，第二传感器72采集的振动信号的变化，从而了解负载不平衡对振动信号的影响大小，进一步便于工作人员重视风机叶片的积灰、污垢引起的不平衡问题。
在一些具体实施例中，如图2所示，负载组件8包括：能够安装于主转动轴3上的第一负载盘81以及固定于第一负载盘81周向的重量调节环82。第一负载盘81能够随着主转动轴3转动，重量调节环82上具有注液口、其内部具有储液腔83。通过调整储液腔83内液体的容量，调整负载组件8的整体重量。上述负载组件8结构能够精确控制负载组件8的重量。
值得注意的是，该负载组件8的中心设置于主转动轴3的轴线上。
进一步，在其他实施例中，如图3所示，负载组件8的重心位置能够进行调节。通过调节负载组件8的重心位置，获取在不同负载组件8的重心位置下，第二传感器72采集的振动信号的变化，从而了解负载不平衡对振动信号的影响大小，进一步便于工作人员重视风机叶片的积灰、污垢引起的不平衡问题。
在一些具体实施例中，负载组件8包括：能够安装于主转动轴3上的第二负载盘84、能够沿着第二负载盘84的径向滑槽85滑动的调节滑块86以及用于将调节滑块86锁紧在第二负载盘84上的锁紧件87。第二负载盘能够随着主转动轴3转动。将调节滑块86沿径向滑槽85滑动到合适位置后，通过锁紧件进行固定。值得注意的是，第二负载盘84中心设置于主转动轴3的轴线上，且调节滑块86的重量较第二负载盘重。
进一步，故障台上还安装有用于检测主转动轴3转速的转速传感器。
另一方面，本发明还公开一种故障分类方法，如图4所示，具体包括以下步骤：
步骤1：获取上述任一种故障台上第一传感器71、第二传感器72、第三传感器73和第四传感器74采集的振动信号；
步骤2：将采集的每个振动信号分解成10个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；
其中：chj(x)为六个特征中的第j特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
步骤3：利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前3个重要特征形成分类特征向量；
步骤4：利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
步骤5：利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
步骤6：对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±0.2以内，则判别为故障诊断正确，否则报警。
值得注意的是，在步骤2重，复合特征以复合均方rms(x)和复合峭度kurtosis(x)为例。
复合均方的定义为：
复合峭度的定义为：
进一步，在一些实施例中，步骤5的具体包括：
步骤5.1：根据预测后测试样本数据属于哪一故障状态，即哪一类，明确聚类中心；
步骤5.2：利用欧式距离构成的轮廓系数，计算测试样本数据相较各自聚类中心的轮廓系数；
步骤5.3：轮廓系数如果在训练数据平均轮廓系数的±0.2以内，则判别为故障诊断正确，反之，将由系统报警。
为了验证本发明公开的故障分类方法的有效性，进行以下实验。
第一传感器71至第四传感器74采用振动加速度传感器，采集好的振动信号通过四个通道导入处理程序。
在处理程序中，将加速度信号经过积分，转化为速度信号，单位是mm/s，再经过归一化之后取对数单位统一为分贝(db)。
将处理得到的信号导入，分解成十个信号，每一段信号为x，经过c++实现的快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr和均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子六大特征。
将多通道数据作为样本得到的六个复合特征，利用PCA进行主成分分析，选取前三个主要特征，用于改进SVM分类器，以上述特征向量经过遗传算法对参数寻优后，得到分类器对故障台故障状态的分类结果。
再将测试样本数据输入到训练好的分类器模型中，得到分类结果，即属于哪一种故障。
对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据的轮廓系数在平均轮廓系数的±0.2以内，则判别为故障诊断正确，反之，将由系统报警。
为突显本发明方法的优越性，本实施例将采集的转速为1800的四通道信号进行仿真实验，过程以及结果如下面所述。
原始信号四通道信号经过FFT，总用时为0.0380秒，复合均方和复合峭度对应散点图有着显著差异，如图5所示。值得注意的是：图5中，主轴承座指的是上述第一轴承座。不平衡故障轴承座指的是上述第二轴承座，皮带从动轴承座指的是第三轴承座，齿轮故障轴承座指的是第四轴承座。
因此，该特征向量(如：复合均方和复合峭度)可以用来区分故障类别。
将多通道数据作为样本输入SVM分类器中，以上述特征向量经过遗传算法对参数寻优后，得到分类器对故障台故障状态的分类结果，如图6所示。从图6中的划分来看，本发明所提的方法产生的决策边界能准确将原始点进行划分。每种模式的聚类中心如图7所示。
再将测试集数据输入到训练集训练好的分类器模型中，故障分类的轮廓系数、准确率、误判率如下表2所示。从表2中可以看出，本方法对不平衡故障和断齿齿轮的误判率均低于0.1％，轮廓系数检验通过。
表2分类器在测试集上分类故障的准确率
运行模式 轮廓系数 准确率 误判率
主轴承座处正常运行 0.6009 98.7％ 0.001％
轴承座非平衡故障 0.5670 95.6％ 0.02％
皮带从动轴承座正常运行 0.6375 97.4％ 0.002％
轴承座齿轮故障 0.4706 92.3％ 0.06％
综上，建立在模拟地铁风机实况的故障台振动信号多通道数据融合的基础上，针对故障台振动信号，采用速度更快的c++实现的快速傅里叶变换，利用关键区分特征：PCA选取的复合特征，通过支持向量机方法SVM，得到分类决策边界和训练好的SVM分类器模型，并由k-means检验，从而判断属于哪种故障台故障。
相对于已经公开的专利CN114757239A——基于数据增强和胶囊神经网络的风机故障可迁移诊断方法，提出了基于胶囊神经网络和支持向量机提取的多维丰富特征，但在该方案下，特征较多，不利于工作中的使用，且准确率在86.9％，不够高精度。
本发明公开的方法具有以下效果：
1)由于采集到的数据量较大，11种转速下四个通道均包含400000个数据点，现有信号处理快速傅里叶变换是由matlab实现，对于400000个数据点的变换，包括数据导入总用时0.2005秒，而本发明通过c++实现该变换，总用时为0.0380秒，时间缩短81％，提高了实际应用中数据处理的速度。
2)本发明创造性地建立了新的SVM分类器，由均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子(六大特征)计算出的六大复合特征，再针对复合特征进行主成分分析，确定合适的特征数量，获得SVM分类器的特征向量，从而建立新的SVM分类器。其中，特征的数量可以进行调整，因此，本发明能很好的推广至满足更多故障种类的分类要求。
3)在大量故障、正常信号试验结果对比的基础上，将PCA提炼出由复合特征改进的分类器，综合k-means的轮廓系数检验，故障分类误判率均低于0.1％，在实际的故障诊断中具有很高的实用性。
综上述，本发明所公开的方法，在高程度仿真模拟地铁风机运行的多通道数据信号的基础上，采用c++速度更快的FFT程序，利用改进的SVM分类器分类，并由K-means聚类检验，实现故障分类误判率低于0.1％，并能推广至更多种类的地铁通风设备的故障诊断。
此外，本发明还公开一种故障分类装置，包括：上述任一实施例公开的故障台以及故障分类器，故障分类器上设有以下模块：
振动信号采集模块，振动信号采集模块用于获取故障台上第一传感器71、第二传感器72、第三传感器73和第四传感器74采集的振动信号
复合特征形成模块，复合特征形成模块用于将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
特征提取模块，对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；
训练模块，训练模块用于利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
测试模块，测试模块用于利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
判断分析模块，判断分析模块用于对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±0.2以内，则判别为故障诊断正确，否则报警。
其中，复合特征形成模块将采集的每个振动信号分解成10个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；
其中：chj(x)为六个特征中的第j特征，六个特征具体为：均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。
其中，特征提取模块利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前3个重要特征形成分类特征向量。
上述故障分类装置的具体实施例与故障分类方法相似，在此不再赘述。
本发明公开一种用于模拟地铁风机状态的故障台、故障分类方法及装置，具有以下有益效果：
第一，本发明公开一种能够模拟地铁风机状态的故障台，利用故障台上的四个传感器分别获取不同状态下的振动信号，为后续的故障分类提供原始信号。
第二，故障台结构简单、成本低，便于操作。
第三，本发明将故障台的振动信号进行多通道数据融合，并采用信号分解，利用PCA进行主成分分析，提取分类特征向量对SVM分类器进行训练，得到分类决策边界和训练好的SVM分类器模型，并由k-means检验，从而判断属于哪种故障台故障。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种用于模拟地铁风机状态的故障分类方法，其特征在于，包括用于模拟地铁风机状态的故障台，在所述故障台上安装有电机、与所述电机传动连接的主转动轴以及通过皮带与所述主转动轴传动连接的从转动轴；
在所述主转动轴上，沿其轴向依次设置有：第一轴承座、皮带的第一折返端、第二轴承座以及负载组件，所述负载组件可拆卸安装于所述主转动轴上；
在所述第一轴承座上安装有第一传感器，在所述第二轴承座上安装有第二传感器，所述第一传感器用于采集主转动轴正常运行状态下的振动信号，所述第二传感器用于采集主转动轴在非平衡故障状态下的振动信号；
在所述从转动轴上，沿其轴向依次设置有皮带的第二折返端、第三轴承座、完好齿轮以及第四轴承座，且所述完好齿轮能够与另一转动轴上的断齿齿轮啮合；
在所述第三轴承座上安装有第三传感器，在所述第四轴承座上安装有第四传感器，所述第三传感器用于采集从转动轴正常运行状态下的振动信号，所述第四传感器用于采集从转动轴在齿轮故障状态下的振动信号；
所述方法具体包括以下步骤：
步骤1：获取所述故障台上的第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号；
步骤2：将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
步骤3：对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；
步骤4：利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
步骤5：利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
步骤6：对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。
2.根据权利要求1所述的故障分类方法，其特征在于，所述电机与所述主转动轴靠近第一轴承座的位置传动连接。
3.根据权利要求1或2所述的故障分类方法，其特征在于，所述负载组件的重量和/或重心位置能够进行调节。
4.根据权利要求1所述的故障分类方法，其特征在于，步骤2具体包括以下内容：将采集的每个振动信号分解成n个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；其中：chj(x)为六个特征中的第j特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。
5.根据权利要求4所述的故障分类方法，其特征在于，步骤3具体包括以下内容：利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前M个重要特征形成分类特征向量。
6.一种故障分类装置，其特征在于，用于执行权利要求1-5任一项所述的故障分类方法，包括故障分类器，所述故障分类器上设有以下模块：
振动信号采集模块，所述振动信号采集模块用于获取故障台上第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号
复合特征形成模块，所述复合特征形成模块用于将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；
特征提取模块，对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；
训练模块，所述训练模块用于利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；
测试模块，所述测试模块用于利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；
判断分析模块，所述判断分析模块用于对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。
7.根据权利要求6所述的故障分类装置，其特征在于，所述复合特征形成模块将采集的每个振动信号分解成n个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CHj具体为；j＝1,2,3,4,5,6；
其中：chj(x)为六个特征中的第j特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。
8.根据权利要求7所述的故障分类装置，其特征在于，所述特征提取模块利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前M个重要特征形成分类特征向量。
CN202310328227.8A 2023-03-30 2023-03-30 用于模拟地铁风机状态的故障台、故障分类方法及装置 Active CN116292371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310328227.8A CN116292371B (zh) 2023-03-30 2023-03-30 用于模拟地铁风机状态的故障台、故障分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310328227.8A CN116292371B (zh) 2023-03-30 2023-03-30 用于模拟地铁风机状态的故障台、故障分类方法及装置

Publications (2)

Publication Number Publication Date
CN116292371A CN116292371A (zh) 2023-06-23
CN116292371B true CN116292371B (zh) 2023-09-19

Family

ID=86777894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310328227.8A Active CN116292371B (zh) 2023-03-30 2023-03-30 用于模拟地铁风机状态的故障台、故障分类方法及装置

Country Status (1)

Country Link
CN (1) CN116292371B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009103525A (ja) * 2007-10-22 2009-05-14 Gunma Prefecture ギヤ歯面の異常診断方法及びこれを用いたギヤ歯面の異常診断装置
CN104849046A (zh) * 2015-05-19 2015-08-19 北京建筑大学 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN112594356A (zh) * 2021-03-02 2021-04-02 常州源数菁英软件技术有限公司 一种高铁与地铁齿轮箱运行监测和故障诊断系统
CN113092112A (zh) * 2021-03-30 2021-07-09 北京工业大学 一种基于eemd多特征融合的轴承复合故障诊断方法
CN115127806A (zh) * 2022-06-21 2022-09-30 兰州理工大学 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101764540B1 (ko) * 2016-06-21 2017-08-02 두산중공업 주식회사 풍력발전기 진동 상태감시 및 진단 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009103525A (ja) * 2007-10-22 2009-05-14 Gunma Prefecture ギヤ歯面の異常診断方法及びこれを用いたギヤ歯面の異常診断装置
CN104849046A (zh) * 2015-05-19 2015-08-19 北京建筑大学 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN112594356A (zh) * 2021-03-02 2021-04-02 常州源数菁英软件技术有限公司 一种高铁与地铁齿轮箱运行监测和故障诊断系统
CN113092112A (zh) * 2021-03-30 2021-07-09 北京工业大学 一种基于eemd多特征融合的轴承复合故障诊断方法
CN115127806A (zh) * 2022-06-21 2022-09-30 兰州理工大学 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置

Also Published As

Publication number Publication date
CN116292371A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN108069308B (zh) 一种基于序贯概率的电扶梯故障诊断方法
CN103033359B (zh) 一种多特征多级综合评判的风电机组主传动装置故障诊断方法
CN106323635B (zh) 一种滚动轴承故障在线检测与状态评估方法
CN104614179B (zh) 一种风电机组齿轮箱状态监测方法
CN109506921A (zh) 一种旋转机械故障诊断与预警方法
US8533131B2 (en) Method and device for classification of sound-generating processes
CN106960285B (zh) 一种地铁列车运行服务质量检测装置及方法
CN107345857A (zh) 一种电主轴状态监测与故障诊断系统及其监测诊断方法
CN103674234B (zh) 一种风力发电机组振动异常的状态预警方法及系统
CN113624334B (zh) 一种基于物联网技术的机组振动监测装置及方法
CN111354366A (zh) 一种异常声音检测方法及异常声音检测装置
CN204113701U (zh) 一种矿井风机在线监测与故障诊断系统
CN103471865A (zh) 基于线性判别法的列车悬挂系统故障分离方法
CN111238843A (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN111428386B (zh) 基于复杂网络的电梯曳引机转子故障诊断信息融合方法
CN106563537A (zh) 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN109630449B (zh) 一种基于rbf算法的三防通风设备故障预测系统
CN110056640A (zh) 基于加速度信号和边缘计算的减速机无线故障诊断方法
CN116292371B (zh) 用于模拟地铁风机状态的故障台、故障分类方法及装置
CN109580268A (zh) 一种产品异响、异音智能检测方法
CN107843840A (zh) 一种基于噪声分析电机状态的故障分析器
CN104568132A (zh) 一种基于参考信号约束的机械特征声信号频域半盲提取方法
CN102452403A (zh) 机车发动机与传动机构异常状态的智能识别方法及装置
CN113883014A (zh) 风电机组叶轮不平衡检测方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant