專利名稱：：一種用于齒輪箱故障智能診斷的方法
技術領域：
：本發明涉及用于機械設備故障診斷的方法，特別是用于齒輪箱設備故障的智能診斷方法。
背景技術：
：在現代鋼鐵生產企業生產設備中很大一部分故障發生在齒輪箱設備上。這類設備結構復雜，自動化水平較高，一旦突發故障，維修困難，且維修成本很高，甚至會引起整個生產中斷，造成巨大的經濟損失。目前，企業對齒輪箱故障的診斷大多是進行振動信號頻譜分析，人工進行診斷。但頻譜分析診斷效果有限，而應用智能診斷的知識庫表示復雜，智能診斷準確率比較低，從而使得智能診斷應用受到限制。
發明內容本發明所要解決的技術問題是提供一種用于進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。本發明解決上述技術問題所采用的技術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；判斷的結果為有故障隱患或無故障隱患；根據判斷結果作以下選擇如判斷結果中含有故障隱患，發出預警；或，判斷結果中均為無故障隱患，結束；上述步驟至少包括案例推理并做出判斷的步驟和規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；具體為目標案例與源案例相似度在設定范圍內，判斷的結果為案例匹配；目標案例與源案例相似度在不設定范圍內，判斷的結果為新案例；其中，規則推理并做出判斷的步驟具體為根據齒輪箱典型故障特征表，建立量化的知識庫規則的步驟；利用知識庫中的模糊規則進行推理的步驟；其中，判斷的步驟；具體為將利用知識庫中的模糊規則進行推理的步驟推理結果相互對比；較大值，對應結果為存在故障隱患，并得出隱患類型。值較小，判斷的結果為無所列規則中的故障隱患。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做出判斷的步驟，具體為提取與優化齒輪箱各類故障的典型特征的步驟；RBF核函數的參數選取的步驟；SVM訓練、測試的步驟；SVM判斷新故障的步驟，具體為將結果與設定故障進行匹配；匹配，判斷的結果為存在故障隱患，并得出隱患類型。不匹配，判斷的結果為無故障隱患或新故障類型；上述方案中，規則推理的故障特征參數包括旋轉頻率、齒輪嚙合頻率、峭度指標、徑向振動、軸向振動。上述方案中，提取與優化的故障特征參數包括峰值、峰峰值、有效值、波形指標、峰值指標、脈沖指標、裕度指標、峭度指標、小波能量指標。本發明與現有技術相比，本發明方法具有以下優點1、克服了現有故障診斷中所有數據進行人工診斷的缺點，能有效降低診斷人員勞動強度。2、克服了現有現有智能診斷中方法的單一性，能有效提高齒輪箱設備的故障診斷成功率。3、便于早期發現設備故障隱患，避免引起重大事故。4、便于掌握設備的總體運行情況，提高維修效率，節省工時。圖l為本發明實施例流程圖2為基于案例推理的智能診斷系統工作流程；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。具體實施例方式如圖l所示，本發明方法實施例為用于齒輪箱故障的智能診斷。本發明方法實施例包括-歩驟l、檢測并做出判斷的步驟；判斷的結果為有故障隱患或無故障隱患；步驟2，是根據歩驟1的判斷結果作以下選擇歩驟1的判斷結果中含有有故障隱患，發出預警；步驟1的判斷結果中均為無故障隱患，結束；所述步驟1至少包括案例推理并做出判斷的步驟和規則推理并做出判斷的步驟，支持向量機訓練與判斷的步驟；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劃為案例信息的形式，通過在線監測系統采集設備狀態數據以及用戶提供的故障征兆，將采集的數據進行轉換，然后通過時域和頻域分析提取故障特征，依據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，在診斷結束后，根據現場開箱檢査的實際結果，對本次診斷的案例進行調整和修改，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)，其中要體現各屬性的權重，根據這個定義，計算出目標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；具體為目標案例與源案例相似度在設定范圍內，判斷的結果為案例匹配;目標案例與源案例相似度在不設定范圍內，判斷的結果為新案例；禾,式(2)計算相似度的方法，案例匹配的判斷規則如下當0.9=〈Sim(A,S)〈=l.1時，A案例與案例庫中的S案例匹配；當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檢索的準確性。根據實際i會斷工作中的診斷規則，將三個特征頻率的權重設置為表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，轉速為1495r/min，目標案例的三個頻率分別是U0.21Hz、231.73Hz和346.36Hz，轉速為1496r/min。由于頻率與轉速成正比，而需要檢索的是由齒輪或軸承結構計算得到的特征頻率，因此，將以上頻率都除以對應的轉速的值作為案例檢索的參數計算相似度。表2案例屬性權重表<table>tableseeoriginaldocumentpage7</column></row><table>表中w—案例屬性的權重；/一基頻；2/—2倍頻；3/—3倍頻。傳統相似度Siml的計算5Vml=^-=0.00095(3)本發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的數值可以看出，傳統的案例相似度計算值Siml是兩個數值的差值，其數值的范圍非常大，很難給定一個具體的數值表明其案例相似的范圍。但發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則進行判斷。規則推理并做出判斷的歩驟具體為根據齒輪箱典型故障特征表，建立量化的知識庫規則的步驟-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/軸向裝配件或基礎松動(0.3-0.5)X及其高次倍頻不明顯軸向基礎變形力、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;及高次諧波調制的邊頻帶4于3徑向軸承內圈故障頻域中.z:、2,、3力及其高次倍頻，解調譜出現乂及高次諧波4丁3徑向軸承外圈故障頻域中2/"3X及其高次倍頻，解調譜出現及高次諧波4于3徑向滾動體故障頻域中乂、2/.、3/f及其高次倍頻，解調譜出現《及高次諧波xf于3徑向表中乂為旋轉頻率；厶為齒輪嚙合頻率；x》峭度；乂為內圈通過頻率/。為外圈通過頻率；/k為滾動體通過頻率。結合典型故障的特征，將這些規則以模糊知識的形式存入知識庫中，知識庫中的模糊規則的形式如表4所示。表4知識庫規則<table>tableseeoriginaldocumentpage9</column></row><table>利用知識庫中的模糊規則進行推理的步驟；結合表4模糊規則知識，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，假設故障的結論為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則進行推理的結果相互對比;較大值，對應結果為存在故障隱患，并得出隱患類型。值較小，判斷的結果為無所列規則中的故障隱患；下面結合某鋼廠高線精軋機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中實際推理的過程。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的頻譜圖發現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。分別求取對應頻率的比值，比值為0.993、0.99、0.991，但對應頻率的差值不是很小，結合表5的規定，可以認定,，2,和3/;幅值非常可能突出，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的事實也是非常可能，綜合上述將征兆量化如表6所示。表6實際故障征兆量化表Table6Theactualfaultpremonitionquantitytable<table>tableseeoriginaldocumentpage10</column></row><table>那么該故障征兆的相量A-,則故障結論向量B的計算過程如下<formula>formulaseeoriginaldocumentpage11</formula>通過最后的計算結果可以看出，第8個故障結論對應的值最大，可以確定此故障為軸承故障，現場拆機檢查發現齒輪箱II軸軸承碎裂。上述方案中，所述步驟l還包括支持向量機做出判斷的步驟，具體為(如圖5所示)提取與優化齒輪箱各類故障的典型特征的步驟；將采集的4類故障信號分別進行小波包分解，分解層數為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造特征向量。圖6為軸承正常、內圈點蝕、外圈點蝕、滾動體點蝕的各頻段能量比例柱狀圖，橫軸為小波包分解對應的頻段序號，縱軸為各頻段能量與總能量的比值。(如圖6所示)從多組信號的統計結果柱狀圖中可以發現，在4種軸承狀態下，各個頻段能量具有較大區別，容易區分。正常軸承的第1和第3頻段能量相對較高，外圈點蝕情況下的第2和第4頻段能量相對較高，內圈點蝕與滾動體點蝕下，第3和第7頻段能量都相對較高，但內圈點蝕情況下的第2和第4頻段能量比滾動體點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備的運行狀態比較適合，可以作為SVM的輸入特征向量。RBF核函數的參數選取的步驟；對c和y采用網格搜索的辦法，利用指數增長可以快速初步確定(C，y)的范圍，當找到一個比較好的區域時，可以將該區域再次細分，以求得更高的精度。采用網格搜索的交叉驗證法比較耗時，但是不容易遺漏好的參數對，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算精度。SVM訓練、測試的步驟小波包分解能量系數，將采集的4類故障信號，共100組數據分別進行小波包分解，分解層數為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造另一特征向量，輸入SVM為8維特征向量。經過取樣和分析統計，將小波包重構后各個頻段能量百分比和多量綱參數作為SVM的訓練樣本以及測試樣本。圖7為測試結果圖，表1給出了SVM的分類結果。SVM判斷新故障的步驟，具體為將結果與設定故障進行匹配；(如圖7所示)；匹配，判斷的結果為存在故障隱患，并得出隱患類型。不匹配，判斷的結果為無故障隱患或新故障類型；表7SVM分類結果輸入特征向量類型訓練數量測試數量測試正確率小波包重構后604097.5%各個頻段能量百分比經過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，采用能量系數能夠把頻率分解，可以再小樣本情況下實現四類故障的區分。以上實施例僅用以說明而非限制本發明所涉及的技術方案，盡管參照以上實例對本發明進行了詳細說明，但本發明的技術方案可以進行修改、變化或者等同替換，而不脫離本發明技術方案的精神和實質，這些修改、變化或者替換均涵蓋在本發明的權利要求范圍之中。權利要求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，其特征在于根據所述的判斷結果作以下選擇如判斷結果中含有故障隱患，發出預警；或，如判斷結果中均為無故障隱患，結束；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；目標案例與源案例相似度在設定范圍內，判斷的結果為案例匹配；目標案例與源案例相似度在不設定范圍內，判斷的結果為新案例；規則推理并做出判斷的步驟，包括根據齒輪箱典型故障特征表，建立量化的知識庫規則的步驟；利用知識庫中的模糊規則進行推理的步驟；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則進行推理結果相互對比；較大值，對應結果為存在故障隱患，并得出隱患類型；值較小，判斷的結果為無所列規則中的故障隱患。2、根據權利要求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果中含有故障隱患的步驟，還包括支持向量機做出判斷的步驟，具體為提取與優化齒輪箱各類故障的典型特征的步驟；RBF核函數的參數選取的歩驟；SVM訓練、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果與設定故障進行匹配；如匹配，判斷的結果為存在故障隱患，并得出隱患類型；如不匹配，判斷的結果為無故障隱患或新故障類型。3、根據權利要求l所述的用于齒輪箱故障智能診斷的方法，其特征在于模糊規則進行推理的故障特征參數包括旋轉頻率、齒輪嚙合頻率、峭度指標、徑向振動、軸向振動。4、根據權利要求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化的故障特征參數包括峰值、峰峰值、有效值、波形指標、峰值指標、脈沖指標、裕度指標、峭度指標、小波能量指標。5、根據權利要求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個屬性的權重；《一值越大表示兩個案例的相似度越小。全文摘要本發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；判斷的結果為有故障隱患或無故障隱患；如判斷結果中含有故障隱患則發出預警；如判斷結果中均無故障隱患，即結束。所述步驟至少包括案例推理并做出判斷的步驟和規則推理并做出判斷的步驟，以及SVM判斷的步驟。本發明克服了現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，能智能診斷出齒輪箱故障隱患，有效提高齒輪箱故障準確率。可以實現對齒輪箱的智能診斷，降低診斷人員勞動強度與漏診風險。文檔編號G01M13/02GK101660969SQ200910093650公開日2010年3月3日申請日期2009年9月25日優先權日2009年9月25日發明者任志強,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:北京工業大學