專利名稱：：一種用于齒輪箱故障智能診斷的方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及用于機(jī)械設(shè)備故障診斷的方法，特別是用于齒輪箱設(shè)備故障的智能診斷方法。
背景技術(shù)：
：在現(xiàn)代鋼鐵生產(chǎn)企業(yè)生產(chǎn)設(shè)備中很大一部分故障發(fā)生在齒輪箱設(shè)備上。這類設(shè)備結(jié)構(gòu)復(fù)雜，自動化水平較高，一旦突發(fā)故障，維修困難，且維修成本很高，甚至?xí)鹫麄€生產(chǎn)中斷，造成巨大的經(jīng)濟(jì)損失。目前，企業(yè)對齒輪箱故障的診斷大多是進(jìn)行振動信號頻譜分析，人工進(jìn)行診斷。但頻譜分析診斷效果有限，而應(yīng)用智能診斷的知識庫表示復(fù)雜，智能診斷準(zhǔn)確率比較低，從而使得智能診斷應(yīng)用受到限制。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題是提供一種用于進(jìn)行齒輪箱故障智能診斷的方法，該方法能有效診斷出齒輪箱故障隱患。本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案是一種用于齒輪箱故障智能診斷的方法，它包括檢測并做出判斷的步驟；判斷的結(jié)果為有故障隱患或無故障隱患；根據(jù)判斷結(jié)果作以下選擇如判斷結(jié)果中含有故障隱患，發(fā)出預(yù)警；或，判斷結(jié)果中均為無故障隱患，結(jié)束；上述步驟至少包括案例推理并做出判斷的步驟和規(guī)則推理并做出判斷的步驟；其中，案例推理并做出判斷的歩驟具體為-提取齒輪箱已有案例典型故障特征的歩驟；檢索未知故障與已有案例相似度的步驟；其中，判斷的步驟；具體為目標(biāo)案例與源案例相似度在設(shè)定范圍內(nèi)，判斷的結(jié)果為案例匹配；目標(biāo)案例與源案例相似度在不設(shè)定范圍內(nèi)，判斷的結(jié)果為新案例；其中，規(guī)則推理并做出判斷的步驟具體為根據(jù)齒輪箱典型故障特征表，建立量化的知識庫規(guī)則的步驟；利用知識庫中的模糊規(guī)則進(jìn)行推理的步驟；其中，判斷的步驟；具體為將利用知識庫中的模糊規(guī)則進(jìn)行推理的步驟推理結(jié)果相互對比；較大值，對應(yīng)結(jié)果為存在故障隱患，并得出隱患類型。值較小，判斷的結(jié)果為無所列規(guī)則中的故障隱患。上述方案中，所述檢測并做出判斷的步驟還包括支持向量機(jī)做出判斷的步驟，具體為提取與優(yōu)化齒輪箱各類故障的典型特征的步驟；RBF核函數(shù)的參數(shù)選取的步驟；SVM訓(xùn)練、測試的步驟；SVM判斷新故障的步驟，具體為將結(jié)果與設(shè)定故障進(jìn)行匹配；匹配，判斷的結(jié)果為存在故障隱患，并得出隱患類型。不匹配，判斷的結(jié)果為無故障隱患或新故障類型；上述方案中，規(guī)則推理的故障特征參數(shù)包括旋轉(zhuǎn)頻率、齒輪嚙合頻率、峭度指標(biāo)、徑向振動、軸向振動。上述方案中，提取與優(yōu)化的故障特征參數(shù)包括峰值、峰峰值、有效值、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)、小波能量指標(biāo)。本發(fā)明與現(xiàn)有技術(shù)相比，本發(fā)明方法具有以下優(yōu)點(diǎn)1、克服了現(xiàn)有故障診斷中所有數(shù)據(jù)進(jìn)行人工診斷的缺點(diǎn)，能有效降低診斷人員勞動強(qiáng)度。2、克服了現(xiàn)有現(xiàn)有智能診斷中方法的單一性，能有效提高齒輪箱設(shè)備的故障診斷成功率。3、便于早期發(fā)現(xiàn)設(shè)備故障隱患，避免引起重大事故。4、便于掌握設(shè)備的總體運(yùn)行情況，提高維修效率，節(jié)省工時。圖l為本發(fā)明實(shí)施例流程圖2為基于案例推理的智能診斷系統(tǒng)工作流程；圖3為某鋼廠26架齒輪箱時域波形圖4為某鋼廠26架齒輪箱頻域波形圖5為小波分解與SVM故障診斷方法流程圖6為軸承故障小波包分解能量柱狀圖7為軸承故障小波包分解能量SVM測試效果。具體實(shí)施例方式如圖l所示，本發(fā)明方法實(shí)施例為用于齒輪箱故障的智能診斷。本發(fā)明方法實(shí)施例包括-歩驟l、檢測并做出判斷的步驟；判斷的結(jié)果為有故障隱患或無故障隱患；步驟2，是根據(jù)歩驟1的判斷結(jié)果作以下選擇歩驟1的判斷結(jié)果中含有有故障隱患，發(fā)出預(yù)警；步驟1的判斷結(jié)果中均為無故障隱患，結(jié)束；所述步驟1至少包括案例推理并做出判斷的步驟和規(guī)則推理并做出判斷的步驟，支持向量機(jī)訓(xùn)練與判斷的步驟；案例推理并做出判斷的步驟具體為(如圖2所示)通過對齒輪箱常見典型故障特征的研究，將各種典型的故障特征規(guī)劃為案例信息的形式，通過在線監(jiān)測系統(tǒng)采集設(shè)備狀態(tài)數(shù)據(jù)以及用戶提供的故障征兆，將采集的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，然后通過時域和頻域分析提取故障特征，依據(jù)故障特征從案例庫中檢索匹配的案例，如果找到匹配的案例，則做出診斷報告，如果沒有匹配的案例，在診斷結(jié)束后，根據(jù)現(xiàn)場開箱檢査的實(shí)際結(jié)果，對本次診斷的案例進(jìn)行調(diào)整和修改，將該案例作為一個新的診斷案例存儲到案例庫中，以便不斷的完善知識庫。提取齒輪箱已有案例典型故障特征的步驟，表1表示的為案例特征表示形式；表l案例表示表Table1Thetableofcasedescription<table>tableseeoriginaldocumentpage6</column></row><table>檢索未知故障與已有案例相似度的步驟；最近鄰法的通常用公式表示為<formula>formulaseeoriginaldocumentpage7</formula>給出案例間距離(即相似jj的定義)，其中要體現(xiàn)各屬性的權(quán)重，根據(jù)這個定義，計算出目標(biāo)案例與案例庫中所有案例間的距離，然后從中選出距離最小者，即為最佳匹配案例。為了減小案例中屬性值大小對相似度的影響，本課題改進(jìn)了最近鄰檢索算法，提出了比值相似度求解方法。利于兩個屬性的比值作為相似度的計算公式<formula>formulaseeoriginaldocumentpage7</formula>式中4一目標(biāo)案例A的第j個屬性的值；《一案例的第j個屬性的值；表示第j個屬性的權(quán)重；《一值越大表示兩個案例的相似度越小。判斷的步驟；具體為目標(biāo)案例與源案例相似度在設(shè)定范圍內(nèi)，判斷的結(jié)果為案例匹配;目標(biāo)案例與源案例相似度在不設(shè)定范圍內(nèi)，判斷的結(jié)果為新案例；禾,式(2)計算相似度的方法，案例匹配的判斷規(guī)則如下當(dāng)0.9=〈Sim(A,S)〈=l.1時，A案例與案例庫中的S案例匹配；當(dāng)0.7〈=Sim(A，S)<0.9或者1.KSim(A，S)<=1.3時，A案例與案例庫中的S案例相似；當(dāng)Sim(A,S)<0.7或者Sim(A，S)>1.3時，案例庫中沒有與A相似的案例，A案例為新案例。通過改進(jìn)的檢索算法，避免了采用以往最近鄰法檢索算法的一些弊端，提高了智能診斷系統(tǒng)檢索的準(zhǔn)確性。根據(jù)實(shí)際i會斷工作中的診斷規(guī)則，將三個特征頻率的權(quán)重設(shè)置為表2所示。假如案例庫中某個案例的三個頻率分別是U3.281Hz、227.567Hz和342.97Hz，轉(zhuǎn)速為1495r/min，目標(biāo)案例的三個頻率分別是U0.21Hz、231.73Hz和346.36Hz，轉(zhuǎn)速為1496r/min。由于頻率與轉(zhuǎn)速成正比，而需要檢索的是由齒輪或軸承結(jié)構(gòu)計算得到的特征頻率，因此，將以上頻率都除以對應(yīng)的轉(zhuǎn)速的值作為案例檢索的參數(shù)計算相似度。表2案例屬性權(quán)重表<table>tableseeoriginaldocumentpage7</column></row><table>表中w—案例屬性的權(quán)重；/一基頻；2/—2倍頻；3/—3倍頻。傳統(tǒng)相似度Siml的計算5Vml=^-=0.00095(3)本發(fā)明提出的案例相似度S2的計算Si附2二fw.丄0.997(4)5》從Siml與Sim2的數(shù)值可以看出，傳統(tǒng)的案例相似度計算值Siml是兩個數(shù)值的差值，其數(shù)值的范圍非常大，很難給定一個具體的數(shù)值表明其案例相似的范圍。但發(fā)明提出的案例相似度的計算值可以通過上面提到的判斷規(guī)則進(jìn)行判斷。規(guī)則推理并做出判斷的歩驟具體為根據(jù)齒輪箱典型故障特征表，建立量化的知識庫規(guī)則的步驟-表3齒輪箱典型故障特征故障名稱頻率特征無量綱參數(shù)振動方向不平衡不明顯徑向不對中/r、2乂，不明顯軸向軸彎曲不明顯徑向/軸向裝配件或基礎(chǔ)松動(0.3-0.5)X及其高次倍頻不明顯軸向基礎(chǔ)變形力、2/r、3/及其高次倍頻不明顯軸向齒形誤差及其高次倍頻，y;及高次諧波調(diào)制的邊頻帶X,于3徑向齒輪均勻磨損/及其高次倍頻，3徑向斷齒/,及其高次倍頻，y;及高次諧波調(diào)制的邊頻帶4于3徑向軸承內(nèi)圈故障頻域中.z:、2,、3力及其高次倍頻，解調(diào)譜出現(xiàn)乂及高次諧波4丁3徑向軸承外圈故障頻域中2/"3X及其高次倍頻，解調(diào)譜出現(xiàn)及高次諧波4于3徑向滾動體故障頻域中乂、2/.、3/f及其高次倍頻，解調(diào)譜出現(xiàn)《及高次諧波xf于3徑向表中乂為旋轉(zhuǎn)頻率；厶為齒輪嚙合頻率；x》峭度；乂為內(nèi)圈通過頻率/。為外圈通過頻率；/k為滾動體通過頻率。結(jié)合典型故障的特征，將這些規(guī)則以模糊知識的形式存入知識庫中，知識庫中的模糊規(guī)則的形式如表4所示。表4知識庫規(guī)則<table>tableseeoriginaldocumentpage9</column></row><table>利用知識庫中的模糊規(guī)則進(jìn)行推理的步驟；結(jié)合表4模糊規(guī)則知識，建立齒輪箱故障診斷模糊矩陣:<table>tableseeoriginaldocumentpage9</column></row><table>在齒輪箱故障診斷模糊矩陣中，行表示的故障原因的集合，列表示的是故障征兆的集合,而矩陣中的數(shù)值表示了故障征兆與故障原因的隸屬度。在利用模糊推理方法進(jìn)行故障診斷時，首先建立模糊矩陣R，確定故障的征兆為A，A通過量化表完成，假設(shè)故障的結(jié)論為B,則利用模糊推理的方法可以表示為如下形式-<formula>formulaseeoriginaldocumentpage10</formula>表5模糊程度量化表Table5FuzzydegreequantifyTable<table>tableseeoriginaldocumentpage10</column></row><table>判斷的步驟；具體為將利用知識庫中的模糊規(guī)則進(jìn)行推理的結(jié)果相互對比;較大值，對應(yīng)結(jié)果為存在故障隱患，并得出隱患類型。值較小，判斷的結(jié)果為無所列規(guī)則中的故障隱患；下面結(jié)合某鋼廠高線精軋機(jī)26架齒輪箱的故障診斷過程，闡述模糊推理在智能診斷系統(tǒng)中實(shí)際推理的過程。圖3為26架齒輪箱的時域波形，圖4為齒輪箱的頻譜圖。通過圖4的頻譜圖發(fā)現(xiàn)351.563Hz，705.566Hz，1057.129Hz的幅值非常突出，而該齒輪箱滾動體過外圈的特征頻率乂為349.2Hz。351.563Hz接近頻率/;,705.566Hz接近2倍頻2/r(698.4Hz),1057.129Hz接近3倍頻3/;(1047.6)，通過分析上邊的定量的頻率值。分別求取對應(yīng)頻率的比值，比值為0.993、0.99、0.991，但對應(yīng)頻率的差值不是很小，結(jié)合表5的規(guī)定，可以認(rèn)定,，2,和3/;幅值非?？赡芡怀?，而此時計算得到峭度超過6，與峭度超過3的征兆相比，其峭度超過3的事實(shí)也是非?？赡?，綜合上述將征兆量化如表6所示。表6實(shí)際故障征兆量化表Table6Theactualfaultpremonitionquantitytable<table>tableseeoriginaldocumentpage10</column></row><table>那么該故障征兆的相量A-,則故障結(jié)論向量B的計算過程如下<formula>formulaseeoriginaldocumentpage11</formula>通過最后的計算結(jié)果可以看出，第8個故障結(jié)論對應(yīng)的值最大，可以確定此故障為軸承故障，現(xiàn)場拆機(jī)檢查發(fā)現(xiàn)齒輪箱II軸軸承碎裂。上述方案中，所述步驟l還包括支持向量機(jī)做出判斷的步驟，具體為(如圖5所示)提取與優(yōu)化齒輪箱各類故障的典型特征的步驟；將采集的4類故障信號分別進(jìn)行小波包分解，分解層數(shù)為3層，提取8個頻段信號的能量^和總能量E，以各分解頻帶的信號能量^和總能量E的百分比為元素來構(gòu)造特征向量。圖6為軸承正常、內(nèi)圈點(diǎn)蝕、外圈點(diǎn)蝕、滾動體點(diǎn)蝕的各頻段能量比例柱狀圖，橫軸為小波包分解對應(yīng)的頻段序號，縱軸為各頻段能量與總能量的比值。(如圖6所示)從多組信號的統(tǒng)計結(jié)果柱狀圖中可以發(fā)現(xiàn)，在4種軸承狀態(tài)下，各個頻段能量具有較大區(qū)別，容易區(qū)分。正常軸承的第1和第3頻段能量相對較高，外圈點(diǎn)蝕情況下的第2和第4頻段能量相對較高，內(nèi)圈點(diǎn)蝕與滾動體點(diǎn)蝕下，第3和第7頻段能量都相對較高，但內(nèi)圈點(diǎn)蝕情況下的第2和第4頻段能量比滾動體點(diǎn)蝕下的能量高出一倍。因此，以小波包的能量作為特征向量來表征設(shè)備的運(yùn)行狀態(tài)比較適合，可以作為SVM的輸入特征向量。RBF核函數(shù)的參數(shù)選取的步驟；對c和y采用網(wǎng)格搜索的辦法，利用指數(shù)增長可以快速初步確定(C，y)的范圍，當(dāng)找到一個比較好的區(qū)域時，可以將該區(qū)域再次細(xì)分，以求得更高的精度。采用網(wǎng)格搜索的交叉驗(yàn)證法比較耗時，但是不容易遺漏好的參數(shù)對，這樣針對具體問題試算的方法往往得到比較小的推廣誤差和較高的驗(yàn)算精度。SVM訓(xùn)練、測試的步驟小波包分解能量系數(shù)，將采集的4類故障信號，共100組數(shù)據(jù)分別進(jìn)行小波包分解，分解層數(shù)為3層，提取8個頻段信號的能量^和總能量E，以各分解頻帶的信號能量^和總能量E的百分比為元素來構(gòu)造另一特征向量，輸入SVM為8維特征向量。經(jīng)過取樣和分析統(tǒng)計，將小波包重構(gòu)后各個頻段能量百分比和多量綱參數(shù)作為SVM的訓(xùn)練樣本以及測試樣本。圖7為測試結(jié)果圖，表1給出了SVM的分類結(jié)果。SVM判斷新故障的步驟，具體為將結(jié)果與設(shè)定故障進(jìn)行匹配；(如圖7所示)；匹配，判斷的結(jié)果為存在故障隱患，并得出隱患類型。不匹配，判斷的結(jié)果為無故障隱患或新故障類型；表7SVM分類結(jié)果輸入特征向量類型訓(xùn)練數(shù)量測試數(shù)量測試正確率小波包重構(gòu)后604097.5%各個頻段能量百分比經(jīng)過SVM的分類識別，從圖7中可以看出，小波分解能量方法只有1處錯誤判斷，主要原因是故障沖擊激起的共振頻段不同，采用能量系數(shù)能夠把頻率分解，可以再小樣本情況下實(shí)現(xiàn)四類故障的區(qū)分。以上實(shí)施例僅用以說明而非限制本發(fā)明所涉及的技術(shù)方案，盡管參照以上實(shí)例對本發(fā)明進(jìn)行了詳細(xì)說明，但本發(fā)明的技術(shù)方案可以進(jìn)行修改、變化或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和實(shí)質(zhì)，這些修改、變化或者替換均涵蓋在本發(fā)明的權(quán)利要求范圍之中。權(quán)利要求1、一種用于齒輪箱故障智能診斷的方法，通過檢測做出有無故障隱患的判斷，其特征在于根據(jù)所述的判斷結(jié)果作以下選擇如判斷結(jié)果中含有故障隱患，發(fā)出預(yù)警；或，如判斷結(jié)果中均為無故障隱患，結(jié)束；上述的判斷過程至少包括案例推理并做出判斷的步驟和規(guī)則推理并做出判斷的步驟；其中，案例推理并做出判斷的步驟具體為步驟1.1.案例推理步驟，包括提取齒輪箱已有案例典型故障特征的步驟；檢索未知故障與已有案例相似度的步驟；步驟1.2.做出判斷的步驟，包括；目標(biāo)案例與源案例相似度在設(shè)定范圍內(nèi)，判斷的結(jié)果為案例匹配；目標(biāo)案例與源案例相似度在不設(shè)定范圍內(nèi)，判斷的結(jié)果為新案例；規(guī)則推理并做出判斷的步驟，包括根據(jù)齒輪箱典型故障特征表，建立量化的知識庫規(guī)則的步驟；利用知識庫中的模糊規(guī)則進(jìn)行推理的步驟；以及判斷的步驟；其中，判斷的步驟，將利用知識庫中的模糊規(guī)則進(jìn)行推理結(jié)果相互對比；較大值，對應(yīng)結(jié)果為存在故障隱患，并得出隱患類型；值較小，判斷的結(jié)果為無所列規(guī)則中的故障隱患。2、根據(jù)權(quán)利要求l所述的用于齒輪箱故障智能診斷的方法，其特征在于所述判斷結(jié)果中含有故障隱患的步驟，還包括支持向量機(jī)做出判斷的步驟，具體為提取與優(yōu)化齒輪箱各類故障的典型特征的步驟；RBF核函數(shù)的參數(shù)選取的歩驟；SVM訓(xùn)練、測試的步驟；SVM判斷新故障的步驟；其中所述的SVM判斷新故障的步驟包括將結(jié)果與設(shè)定故障進(jìn)行匹配；如匹配，判斷的結(jié)果為存在故障隱患，并得出隱患類型；如不匹配，判斷的結(jié)果為無故障隱患或新故障類型。3、根據(jù)權(quán)利要求l所述的用于齒輪箱故障智能診斷的方法，其特征在于模糊規(guī)則進(jìn)行推理的故障特征參數(shù)包括旋轉(zhuǎn)頻率、齒輪嚙合頻率、峭度指標(biāo)、徑向振動、軸向振動。4、根據(jù)權(quán)利要求2所述的用于齒輪箱故障智能診斷的方法，其特征在于提取與優(yōu)化的故障特征參數(shù)包括峰值、峰峰值、有效值、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)、小波能量指標(biāo)。5、根據(jù)權(quán)利要求1所述的用于齒輪箱故障智能診斷的方法，其特征在于所述的相似度的計算公式為<formula>formulaseeoriginaldocumentpage3</formula>式中J,—目標(biāo)案例A的第j個屬性的值；A—案例的第j個屬性的值；M^—表示第j個屬性的權(quán)重；《一值越大表示兩個案例的相似度越小。全文摘要本發(fā)明公開了一種用于齒輪箱故障智能診斷的方法，包括檢測并做出判斷的步驟；判斷的結(jié)果為有故障隱患或無故障隱患；如判斷結(jié)果中含有故障隱患則發(fā)出預(yù)警；如判斷結(jié)果中均無故障隱患，即結(jié)束。所述步驟至少包括案例推理并做出判斷的步驟和規(guī)則推理并做出判斷的步驟，以及SVM判斷的步驟。本發(fā)明克服了現(xiàn)有智能診斷中單一診斷方法容易漏診，診斷知識獲取困難，故障案例樣本匱乏的缺點(diǎn)，能智能診斷出齒輪箱故障隱患，有效提高齒輪箱故障準(zhǔn)確率?？梢詫?shí)現(xiàn)對齒輪箱的智能診斷，降低診斷人員勞動強(qiáng)度與漏診風(fēng)險。文檔編號G01M13/02GK101660969SQ200910093650公開日2010年3月3日申請日期2009年9月25日優(yōu)先權(quán)日2009年9月25日發(fā)明者任志強(qiáng),輝葉,崔玲麗,張建宇,胡建云,胥永剛,蘇善斌,鄒江華,高立新,黃坤平申請人:北京工業(yè)大學(xué)