專利名稱：一種基于敏感測點數據融合的行星輪故障識別方法
技術領域：
本發明屬于機械設備故障診斷領域，涉及一種基于敏感測點數據融合的行星輪故障識別方法，本方法能夠對行星齒輪箱的不同故障模式進行準確分類和定位，實現行星齒輪箱故障的有效識別。
背景技術：
行星齒輪箱一般由太陽輪、行星輪及內齒圈三部分構成，由于其具有體積小、傳動比大、承載能力強、傳動效率高等優點而被廣泛應用于不同行業的機械傳動系統中。在惡劣的工作環境下，行星齒輪箱的某個部件一旦出現故障，就可能會引發連鎖反應，導致整個傳動系統不能正常運行，造成巨大的經濟損失甚至人員傷亡。因此行星齒輪箱的精確診斷具有重要的社會意義。行星齒輪箱不同于各齒輪以固定中心軸旋轉的定軸齒輪箱。它的行星輪不僅繞各自的中心軸自轉，同時圍繞太陽輪的中心軸公轉，并與太陽輪和內齒圈同時嚙合，所以從結構、傳動方式及振動響應來講行星齒輪箱都要比定軸齒輪箱復雜得多，如果部件出現故障， 診斷起來會非常困難。適用于定軸齒輪箱的檢測方法和診斷參數一般不能有效地診斷行星齒輪箱的故障，研究人員根據行星齒輪箱的具體振動模式開發了濾波信號有效值(FRMS)、 正規化的差譜正值和(NSDS)等一些新的診斷分類參數，這些參數具有對部分故障敏感的特性，在診斷時需要對采集到的每組振動數據分別求各參數的值，然后再根據結果判斷故障類型；同時診斷參數對測點的位置也有一定的要求，如果在安裝位置采集到的振動信號對故障不敏感，則無法識別出行星齒輪箱的具體故障或者造成誤診。即使能夠通過某些先進的信號處理方法得到處理結果，實際中仍需要專業人員進行分析進而給出診斷結果，所以這種診斷方式具有一定的局限性。采用基于自適應神經模糊推理系統(ANFIS)的分類算法可以實現故障的自動分類診斷。ANFIS是吸收了神經網絡自適應性和模糊邏輯善于推理特性的混合模型，通過利用神經網絡的數學計算特性來調節基于規則的模糊系統，擁有了神經網絡和模糊邏輯二者的優勢，克服了它們各自的不足，作為分類組合診斷中的基本分類算法得到了廣泛的應用。但是基于ANFIS的分類算法依賴于提取的特征參數和所測數據對故障的敏感度，準確性和穩定性都不是很高，有待于進一步的改進。
發明內容
本發明的目的在于克服上述現有技術的不足，提供一種基于敏感測點數據融合的行星輪故障識別方法。該方法選取對行星齒輪箱故障識別適用性強的特征參數組成特征集，然后利用歷史數據訓練基于自適應神經模糊推理系統(ANFIS)的分類算法，最后在多個測點所測振動數據的基礎上采用訓練好的分類算法實現行星齒輪箱故障的自動分類識別。本發明的技術方案是按照如下步驟進行的
(I)利用已知故障類型的歷史數據訓練基于自適應神經模糊推理系統(ANFIS)的分類算法；(2)在行星齒輪箱上采用三個不同的測點測取振動數據，利用訓練好的基于 ANFIS的分類算法完成故障識別。步驟(I)中:歷史數據的種類對應不同的行星齒輪箱故障類型，等于分類算法的分類數，由歷史數據提取出特征參數組成特征集作為基于ANFIS分類算法的輸入進行訓練；步驟⑵中在行星齒輪箱輸入端端蓋外側成90°選取兩個測點，分別測垂直徑向和水平徑向兩個方向的振動，把輸出端端蓋上方選取為一個測點，測取垂直徑向的振動信號，在三個測點獲得三組數據，提取出特征參數組成特征集，將此特征集輸入到訓練好的分類算法中完成分類，實現故障的有效識別。本發明的核心是把多個測點的信息融合到一起，利用基于自適應神經模糊推理系統(ANFIS)的分類算法進行故障分類，實現行星齒輪箱故障的準確識別。這種方法可以實現無專業人員情況下的故障診斷，克服了不同測點信息對故障敏感程度不一致的問題，顯著提高了故障識別的準確性與穩定性。
圖I為一種基于敏感測點數據融合的行星輪故障識別方法的流程圖；圖2為行星齒輪箱的結構示意圖；圖3為單一測點及多測點信息融合的訓練和測試結果圖。
具體實施例方式下面結合附圖對本發明做進一步詳細描述參照附圖I所示，本發明的流程如下I)在行星齒輪箱上選取三個測點，輸入端的兩個測點選取在端蓋外側成90°布置，分別測垂直徑向和水平徑向兩個方向的振動，輸出端選取一個測點，測取垂直徑向的振動信號；2)利用歷史數據計算濾波信號有效值(FRMS)和正規化的差譜正值和(NSDS)兩個特征參數，組成特征集作為基于ANFIS的分類算法的輸入訓練此分類算法，其中歷史數據的故障種類等于分類算法的分類數；3)每個測點測取的振動數據都可以計算出一個FRMS和NSDS，三個測點可以獲得六個特征參數，把它們組成一個特征集輸入到訓練好的基于ANFIS的分類算法中，完成行星齒輪箱故障的自動分類診斷。根據以上發明內容和圖I的一種基于敏感測點數據融合的行星輪故障識別方法的流程圖，對某行星齒輪箱進行故障分類診斷。此行星齒輪箱為內齒圈固定的兩級行星輪系傳動系統，第一級行星傳動有三個行星輪，行星輪齒數是40，太陽輪齒數是20，內齒圈齒數是100 ;第二級傳動有四個行星輪,行星輪齒數為36,太陽輪齒數為28,內齒圈齒數為 100。此齒輪箱的傳動比為27. 43 I。在試驗中對齒輪箱具有的五種不同故障模式進行診斷，分別為正常、第一級太陽輪齒根裂紋、第一級太陽輪齒面磨損、第二級太陽輪剝落和第二級太陽輪缺齒，在輸入軸轉頻分別為35Hz、40Hz、45Hz、50Hz的情況下測取振動數據，每種轉頻下又分為加載與不加載兩種工況。如圖2所示，為行星齒輪箱的結構示意圖，主要由行星齒輪箱4、輸入軸5、輸出軸 6、端蓋7和8組成，在行星齒輪箱上選取三個測點，測點I和測點2分別選取在輸入端蓋外側成90°布置，分別測垂直徑向和水平徑向兩個振動，測點3選取為第二級即輸出端端蓋上方，測取垂直徑向的振動信號。采樣頻率設置為5120Hz，采樣長度為120秒鐘，將每4秒鐘長度的數據作為一個樣本，這樣每種特定工況下包含30個樣本，每個測點在一個故障類型下可以采集到240個樣本(四種轉頻、兩種加載情況)，五種故障模式則具有1200個樣本，三個測點總共可以獲得3600個樣本。把其中的1800個樣本作為已知故障類型的歷史數據訓練基于ANFIS的分類算法，剩下的1800個樣本用來測試分類算法完成行星齒輪箱的故障診斷從而檢測所提方法的有效性。首先，選取FRMS和NSDS作為行星齒輪箱的診斷特征參數。從采集的振動信號中將1-3階嚙合頻率左右各6階行星架調制頻率范圍之內的信號全部濾除掉，同時濾除掉振動信號中的太陽輪1-5倍轉頻，然后求濾波后信號的有效值即為FRMS ;對原始振動信號進行傅里葉變換，然后計算頻譜與歷史正常信號的差譜，對差譜中大于0的幅值進行累加，然后正規化得到NSDS。其次，按要求安裝好加速度傳感器，拾取不同工況下的振動數據，將所有數據分為 3600個樣本，隨機取其中的1800個作為已知故障類型的歷史數據，計算每個樣本的FRMS和 NSDS值組成特征集輸入到基于ANFIS的分類算法中進行訓練，分類算法將所有訓練樣本分為五類，分別對應行星齒輪箱的五種故障模式。最后，對剩下的測試樣本分別計算其FRMS和NSDS的值組成特征集，將特征集輸入到訓練好的基于ANFIS的分類算法中進行分類，完成故障診斷。為了證明上述發明內容的有效性和優越性，采用單一測點的振動數據按上述方法對行星齒輪箱進行診斷。同樣每種特定工況下包含30個樣本，單一測點在一個故障類型下可以采集到240個樣本(四種轉頻、兩種加載情況)，五種故障模式總共可獲得1200個樣本。任取其中的600個作為已知故障類型的歷史數據，計算每個樣本的FRMS和NSDS值組成特征集輸入到基于ANFIS的分類算法中進行訓練，分類算法將所有訓練樣本分為五類， 分別對應行星齒輪箱的五種故障模式。剩余的600個作為測試樣本計算出FRMS和NSDS值組成特征集輸入到訓練好的分類算法中進行故障診斷。圖3為三個單一測點及多測點信息融合的訓練和診斷結果圖。可以看到四種方法訓練的分類診斷準確率在74% -99. 33%的范圍內，訓練的情況沒有達到100%是因為行星齒輪箱結構比較復雜，且存在五種故障模式，診斷起來比較困難，其中準確率最高的結果是由多測點信息融合訓練取得的，為99. 33%。從測試分類診斷準確率上看，前三種單一測點的準確率分別為78. 66%,85. 5%,70. 83% (平均為78. 33% )，而多測點信息融合后的分類診斷準確率為98. 33%，平均比單一測點的方法提高了 20%。從圖3中能夠看到多測點信息融合的方法不僅實現了不同故障模式的分類診斷而且可以定位故障部件，魯棒性很好， 顯著提高了行星齒輪箱故障識別的穩定性和準確率。由此可得，將多個測點的信息融合到一起，利用基于ANFIS的分類算法可以實現行星齒輪箱故障的準確識別。這種方法克服了不同測點信息對故障敏感程度不一致的問題，對行星齒輪箱的故障診斷具有重要意義。以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施方式
僅限于此，對于本發明所屬技術領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干簡單的推演或替換，都應當視為屬于本發明由所提交的權利要求書確定專利保護范圍。
權利要求
1.一種基于敏感測點數據融合的行星輪故障識別方法，包括(1)利用已知故障類型的歷史數據訓練基于自適應神經模糊推理系統ANFIS的分類算法;(2)在行星齒輪箱上采用三個不同的測點測取振動數據，利用訓練好的基于ANFIS分類算法完成故障識別。
2.根據權利要求I所述一種基于敏感測點數據融合的行星輪故障識別方法，其特征在于，步驟(I)中歷史數據的種類對應不同的行星齒輪箱故障類型，等于分類算法的分類數，把歷史數據提取的特征參數組成特征集作為基于ANFIS分類算法的輸入進行訓練。
3.根據權利要求I所述一種基于敏感測點數據融合的行星輪故障識別方法，其特征在于，步驟⑵中在行星齒輪箱輸入端端蓋外側成90°選取兩個測點，分別測垂直徑向和水平徑向兩個方向的振動，把輸出端端蓋上方選取為一個測點，測取垂直徑向的振動信號，由三個測點獲得三組數據，提取出特征參數組成特征集，將此特征集輸入到訓練好的分類算法中完成分類，實現故障的有效識別。
全文摘要
本發明公開了一種基于敏感測點數據融合的行星輪故障識別方法，該方法選取對行星齒輪箱故障識別適用性強的特征參數組成特征集，然后利用歷史數據訓練基于自適應神經模糊推理系統(ANFIS)的分類算法，最后在多個測點所測振動數據的基礎上采用訓練好的分類算法實現行星齒輪箱故障的自動分類識別。本發明的優點在于把多個測點的信息融合到一起，利用基于ANFIS的分類算法進行故障分類，實現行星齒輪箱故障的準確識別，這種方法克服了不同測點信息對故障敏感程度不一致的問題，顯著提高了故障識別的準確性與穩定性。
文檔編號G06N3/08GK102592172SQ201210031550
公開日2012年7月18日 申請日期2012年2月14日 優先權日2012年2月14日
發明者孔德同, 廖與禾, 林京, 王琇峰, 雷亞國, 韓冬 申請人:西安交通大學