CN110646188A - 一种旋转式机械设备故障诊断方法 - Google Patents

Abstract

本发明提供一种旋转机械故障诊断方法，设置若干传感器同时采集设备运转振动信号数据，采集到的数据样本标记为x_m×n，其中m为传感器个数，n为每个传感器采集到的数据点数；运用主成分分析法分别对各个传感器采集到的数据进行分析，根据需求取前p个主成分，得到主成分分析结果矩阵y_m×p；生成一维向量的数据后进行归一化处理，采用K倍交叉验证方法，将归一化后所得数据分为训练数据和测试数据且设置对应的分类标签；利用训练数据对深度训练网络模型进行训练，利用测试数据测试深度训练网络效果并给出诊断结果。本发明实现了旋转式机械故障智能化诊断，减少了故障诊断过程对人工经验的依赖，大幅提升了故障诊断的效率。

Description

一种旋转式机械设备故障诊断方法

技术领域

本发明属于机械工程技术领域，具体涉及机械设备故障诊断方法的研究。

背景技术

旋转机械作为机械设备的典型代表，与往复机械相比其运转相对平稳，且振动信号具有明显的周期性。但是旋转机械振动信号传递路径复杂、传感器位置不同对诊断结果影响大以及特征提取困难，给故障诊断工作带来很大挑战。

现有技术对旋转机械故障诊断的研究相对较多，其中主要以传动系统中的齿轮和轴承为研究对象。时域波形和频谱分析是故障诊断最基础的分析方法，尤其对旋转机械设备的诊断有很好的辅助作用。特征提取是故障诊断关键环节，特征提取也通常会与降噪方法方法嵌套或者与降噪和智能分类方法相结合应用来作为分类器实现故障诊断。如今，人工智能方法更多的应用于旋转机械故障诊断领域，且取得了很好的发展，但是仍然存在以下的局限和不足：一是现有故障诊断方法中有的对专家经验依赖性较大，技术要求高应用困难；二是智能分类中的深度学习能够应用于机械设备故障诊断领域，但是直接利用原始信号作为输入通常会因为输入数据维度太大而耗费大量时间；三是简单叠加多个传感器信号的降维结果直接作为诊断模型的输入，而忽视传感器信号之间的联系，必将严重影响诊断精度。

综上所述，一种简单易行的旋转式机械故障诊断方法还正待研究。

发明内容

本发明的目的是要解决旋转式机械故障诊断方法中对专家经验依赖性较大、计算时间长、准确率不高的技术问题。

本发明提出一种旋转式机械故障诊断方法的技术方案，包含如下步骤：

1、设备运转振动数据采集

设置若干传感器同时采集设备运转振动信号数据，采集到的数据样本标记为x_m×n，其中m为传感器个数，n为每个传感器采集到的数据点数；

2、运用主成分分析法分别对每个传感器采集到的数据进行分析，根据需求取前p个主成分，得到主成分分析结果矩阵y_m×p；

进一步的，p个主成分的选择占主成分的95％。

3、运用欧式距离变换法生成一维向量

3.1、计算y_m×p每两行之间的欧氏距离，得到距离矩阵D_m×m，并将矩阵中各向量自身与自身距离结果去除，按序展开得到一维向量d_1×m(m-1)；

3.2、将矩阵y_m×p按行的顺序展开成一维向量z_1×mp；

3.3、将3.1和3.2两部分组合得到最终的一维向量f_{1×(mp+m(m-1))}＝[z_1×mp,d_1×m(m-1)]；

4、数据准备

4.1、对第二步和第三步数据处理得到的结果进行归一化处理；

4.2、采用K倍交叉验证方法，将归一后所得数据分为训练数据和测试数据且设置对应的分类标签；

5、利用训练数据对深度训练网络模型进行训练

5.1、设置深度训练网络初始参数；

进一步的，初始参数可以如此设置

5.1.1隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^{N -i}，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

5.1.2批尺寸

如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值；(上下标、斜体)

5.1.3其它参数，将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

5.2、利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成；

6、诊断结果的输出，利用测试数据测试深度训练网络效果并给出诊断结果。

本发明的有效收益：

1、本发明通过采用主成分分析方法(Principal Component Analysis，PCA)，实现多传感器数据降维，大幅缩减了计算时间。

2、本发明通过采用了欧式距离变换法(Euclidean Distance Transform,EDT)，实现了多传感器数据融合，实现了诊断精度的提升。

3、本发明通过采用了PCA-EDT-DBN((Deep Belief Network,DBN深度信念网络)，实现了智能化故障诊断，减少了故障诊断过程对人工经验的依赖，大幅提升了故障诊断的效率。

附图说明

图1为本发明基于PCA-EDT-DBN的故障诊断方法流程；

图2为本发明实施例实验系统示意图；

其中，1-磁粉制动器，2-联轴器，3行星齿轮箱，4-联轴器，5-转速转矩传感器，6-联轴器，7-电机

图3为本发明实施例行星齿轮箱内部结构示意图；

其中，1-太阳轮，2-行星轮，3-齿圈

图4为本发明实施例齿轮齿面磨损预置故障示意图；

其中，1虚线部分-磨损，2表示整体

图5为本发明实施例行星齿轮箱预置故障实验数据的PCA分析结果示意图；

图6为本发明PCA-EDT-DBN故障诊断结果示意图；

图7为原始数据作为DBN输入时的诊断结果；

图8为FFT数据作为DBN输入时的诊断结果；

图9为不同故障诊断方法的准确率对比示意图；

其中，1是特征选择-PNN，2是特征选择-RBF,3是本发明PCA-EDT-DBN,4是EMD-EDT

具体实施方式

下面结合附图和具体实施例，对本发明的原理和实现过程进行详细的阐述和说明。

如图1所示，本发明的实现过程包括六个步骤：

第一步、设备运转振动数据采集；

在此步骤中需要设置多个传感器同时采集信号以提高诊断精度。设采集到的数据样本为x_m×n，其中m为传感器个数，n为每个传感器采集到的数据点数。

第二步、PCA数据降维；

运用PCA方法分别对各个传感器数据进行分析，根据需求取前p个主成分(通常占总成分的95％)，得到PCA结果矩阵y_m×p。利用PCA概念简单易于实现的优点提取特征来提高计算精度并减少计算时间。

第三步、一维向量生成；

一维向量由两部分组成：第一部分是计算y_m×p每两行之间的欧氏距离(EDT)，得到距离矩阵D_m×m，将矩阵中各向量自身与自身距离结果(0)去掉后按序展开得到一维向量d_1×m(m-1)；第二部分是将矩阵y_m×p按行的顺序展开成一维向量z_1×mp；将两部分组合得到最终的一维向量f_{1×(mp+m(m-1))}＝[z_1×mp,d_1×m(m-1)]。

第四步、数据准备；

首先对PCA和EDT处理得到的结果进行归一化处理，然后采用K倍交叉验证方法(即将所有样本分成K份，K-1份用于训练，1份用于测试)将数据分为训练数据和测试数据并设置对应的分类标签。

第五步、DBN模型训练；

利用训练数据对DBN分类模型进行训练；首先设置初始DBN参数，然后利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成。

研究证明，对DBN分类能力影响较大的参数有三个：隐藏层数、隐藏层单元数和批尺寸(batchsize)。而对于隐藏层数，通常取2、3层即可，层数过多将会导致计算量过大，没有实际意义。对于隐藏层单元数和批尺寸的取值目前尚未见到有明确的结论，本发明经过探寻作如下设定：

1)隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^{N -i}，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

例如，DBN的输入数据维度为784，2⁹＝512＜784≤2¹⁰＝1024，所以N＝10。则5RBM(l＝5)隐藏层单元数u₁＝512，u₂＝256，u₃＝128，u₄＝64，u₅＝32。

2)批尺寸(batchsize)

批尺寸与训练样本数和测试样本数有关，本发明设定为：如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值。

3)其它参数

将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

第六步、诊断结果输出；利用测试数据测试DBN效果并给出诊断结果。

实施例1

如图2是本发明的一个实验系统，主要由行星齿轮箱、电机、磁粉制动器、转速转矩传感器以及联轴器组成。该齿轮箱为单级行星齿轮箱，由1个太阳轮(齿数为13)、3个行星轮(齿数为64)和1个齿圈构成(齿数为146)，传动比为12.5，其内部结构如图3所示。

本实验共预置了太阳轮、齿圈和行星轮单个轮齿齿面磨损三种局部故障，故障程度统一设置为轮齿长度的1/2和宽度的1/2，如图4所示。分别对正常状态和三种故障状态开展了实验，采样频率和采样时间分别为20kHz和12s，转速设置为400、800和1200rpm，每种转速负载设置为0、0.4、0.8和1.2Nm，每种工况采集33个样本。

选择转速为1200rpm、负载为1.2Nm工况下的四种状态信号进行分析。每种状态有33个样本，每个样本有4列振动信号，每列信号有12×20000＝240000个数据点。为了提高计算速度并保证诊断精度，选择包含每个齿轮一个运转周期的采样点数(2000个)作为一个样本，则每种状态有3960个样本。

该数据每个样本有4列传感器信号，选择2000个采样点为样本长度，则原始数据矩阵X_o为X_o＝x_4×2000。利用PCA方法进行计算，取累积方差贡献率为95％的主成分，结果示例如图5所示。结果显示可知，4列信号中每列的前三个主成分即可达到占所有成分的95％以上，即PCA结果矩阵为y_4×3，所以取p＝3，展开成一维向量大小为z_1×12。然后计算y_4×3各行之间的欧式距离得到一个4×4矩阵，去掉矩阵中各向量自身与自身距离结果(0)展开成一维向量结果为d_1×12。最后将z_1×12和d_1×12两部分组合得到最终的一维向量f_1×24，即将样本维度由原本2000维降至24维。

采用K倍交叉验证方法(即将所有样本分成K份，K-1份用于训练，1份用于测试)，取K＝10，则训练样本数为14256个，测试样本数为1584个。处理好数据之后输入到DBN模型之中。首先设置模型参数，选择隐藏层数l＝3、隐藏层节点数u₁＝16，u₂＝16，u₃＝16和批尺寸b₁＝99，b₂＝99进行分析。同时，为了证明EDT的有效性，对没有EDT过程的结果进行分析，即PCA-DBN方法，输入向量只有z_1×12。此时的DBN参数设置为隐藏层数l＝3、隐藏层节点数u₁＝8，u₂＝8，u₃＝8和批尺寸b₁＝99，b₂＝99。

得到结果如图6所示，在迭代2000次之后两种计算结果都趋于稳定，此时PCA-EDT-DBN和PCA-DBN的诊断准确率分别为98.47％和98.42％，每次训练所用平均时间分别为181.16s和173.86s。虽然最后的准确率相差不大，但是由图中结果可知，PCA-EDT-DBN方法更稳定。因此，加入EDT之后在迭代次数或时间有限的情况下(如500次)效果更好。

各种诊断方法比对

1、基于原始数据-DBN的故障诊断方法应用效果

基于原始数据的DBN诊断方法是对采集到的振动信号进行归一化后直接输入到DBN模型之中进行故障诊断。值得注意的是，在数据输入DBN模型之前必须要进行数据归一化，一般归一化到0-1之间，防止在运算中出现“大数吃小数”而导致有效数据丢失的情况。

同样选择转速为1200rpm、负载为1.2Nm工况下的四种状态信号进行分析。每种状态有33个样本，每个样本有4列振动信号，每列信号有12 20000＝240000个数据点。为了提高计算速度并保证诊断精度，选择包含每个齿轮一个运转周期的采样点数(2000个)作为一个样本，则每种状态有3960个样本。采用K倍交叉验证方法(即将所有样本分成K份，K-1份用于训练，1份用于测试)，取K＝10，则训练样本数为14256个，测试样本数为1584个。将数据归一化后输入到DBN模型之中，对于DBN参数设置，采用两种计算组合来举例说明，一是隐藏层数l＝2、隐藏层节点数u₁＝1024，u₂＝512和批尺寸b₁＝99，b₂＝99，二是隐藏层数l＝3、隐藏层节点数u₁＝1024，u₂＝512，u₃＝256和批尺寸b₁＝99，b₂＝99，结果如图7所示。从图中结果可以看出，利用原始振动数据进行诊断的准确率只有25％左右。此外，由于输入数据维度太大导致模型训练时间特别长，两个模型的平均训练时间分别为1.32×10⁴s和1.40×10⁴s。

2、FFT-DBN的故障诊断方法应用效果分析

旋转机械每种故障都有其独特的特征频率，利用快速傅里叶变换(Fast FourierTransform，FFT)将信号从时域转换至频域可以更好地反应各故障的自身特征，利于故障诊断。基于FFT的DBN诊断方法是在基于原始数据-DBN的故障诊断方法所用数据的基础上，将数据从时域转换至频域，从而使输入数据维度从2000降至1000。在计算过程中，设置隐藏层数l＝2、隐藏层节点数u₁＝512，u₂＝256和批尺寸b₁＝99，b₂＝99和隐藏层数l＝3、隐藏层节点数u₁＝512，u₂＝256，u₃＝128和批尺寸b₁＝99，b₂＝99，分析结果如图8所示。从结果可以看出，相对于原始时域信号作为输入，经过FFT变换至频域信号作为输入时诊断准确率明显提高(约为95％)，迅速收敛且结果稳定，说明频域信号代表的故障特征信息更准确、更适用于该模型。此外，训练时间也大幅减少，50次迭代基本达到收敛，此时训练时间约为10min，可以说效果较好。

3、现有技术提出了基于特征选择-PNN、特征选择-RBF和EMD-EDT的故障诊断方法，对转速为1200rpm、负载为1.2Nm工况下的太阳轮故障、行星轮故障、齿圈故障和正常状态四种状态信号故障诊断准确率对比如图9所示，四种方法准确率分别为90.83％、31.67％、98.85％和94.17％。可以说基于EMD-EDT的故障诊断方法准确率也很高。但是该方法的应用涉及到很多具有专业性的信号处理技术，如TSA技术、特征提取及选择技术等，而且EMD计算时间很长。与之相比，本发明提出的基于PCA-EDT-DBN的故障诊断方法的诊断准确率更高、训练时间更短，而且更加智能化，即使不具备相关领域知识也可以使用，是一种无监督的故障诊断方法。

Claims (3)

1.一种旋转式机械故障诊断方法，其特征在于，包括如下步骤，

第一步、设备运转振动数据采集

设置若干传感器同时采集设备运转振动信号数据，采集到的数据样本标记为x_m×n，其中m为传感器个数，n为每个传感器采集到的数据点数；

第二步、运用主成分分析法分别对各个传感器采集到的数据进行分析，根据需求取前p个主成分，得到主成分分析结果矩阵y_m×p；

第三步、一维向量的生成

S1、计算y_m×p每两行之间的欧氏距离，得到距离矩阵D_m×m，并将矩阵中各向量自身与自身距离结果去除，按序展开得到一维向量d_1×m(m-1)；

S2、将矩阵y_m×p按行的顺序展开成一维向量z_1×mp；

S3、将S1和S2两部分组合得到最终的一维向量f_{1×(mp+m(m-1))}＝[z_1×mp,d_1×m(m-1)]；

第四步、数据准备

S1、对第二步和第三步处理得到的结果进行归一化处理；

S2、采用K倍交叉验证方法，将归一化后所得数据分为训练数据和测试数据且设置对应的分类标签；

第五步、利用训练数据对深度训练网络模型进行训练

S1、设置深度训练网络初始参数；

S2、利用误差反向传播不断修正各项权重和偏置，达到预设的最大迭代次数后迭代停止，模型训练完成；

第六步、诊断结果的输出，利用测试数据测试深度训练网络效果并给出诊断结果。

2.根据权利要求1所述的一种旋转式机械故障诊断方法，其特征在于，所述第二步中p个主成分的选择占主成分的95％。

3.根据权利要求1所述的一种旋转式机械故障诊断方法，其特征在于，所述第五步S1中深度训练网络初始参数可以进行如下设置：

1)隐藏层单元数

设样本输入数据维度为D，即输入层单元数为D，若2^N-1＜D≤2^N，则隐藏层单元数2^N-i，(其中，i为第i隐藏层)；若隐藏层数过多以至于中间某层单元数超出样本类别数O(2^N-i-1≥O)，则从第i层(含第i层)开始之后每层单元数均取2^N-i；

2)批尺寸

如果训练样本数和测试样本数为S₁和S₂，则将批尺寸定为b₁＝100，b₂＝100和b₁＝S₁/100，b₂＝S₂/100，样本数若不是100的倍数则取接近值；

3)其它参数

将可视层与隐藏层偏置以及学习率初始值均设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，最大迭代次数可根据需要调整。

Images