CN101634605B - 基于混合推理和神经网络的齿轮箱故障智能诊断方法 - Google Patents

Abstract

一种基于混合推理和神经网络的齿轮箱故障智能诊断方法，主要包括以下步骤：智能诊断系统知识库的充实；将专家知识存入计算机，并结合神经网络进行模式识别；分析齿轮箱的主要异常现象，系统地研究齿轮的振动、噪声产生的机理；分析齿轮振动的数学模型，充分利用现场故障数据，分析各种故障类型的振动机理；充实各种故障的时域及频域特征，并确定齿轮故障信号的特征提取方法；数据分析方法主要包括：带通滤波频谱分析、双关分析、包络解调分析、基于EMD的解调分析。本发明克服了传统的串行信息处理在模式识别和人工智能等领域所存在的问题，使该模式识别网络完全由计算机实现，便于实现故障诊断的自动化和智能化，能够为诊断决策及时提供依据。

Description

基于混合推理和神经网络的齿轮箱故障智能诊断方法 

技术领域

本发明涉及一种齿轮箱故障智能诊断方法，可以进一步发展成功能较完善的智能诊断系统。基于故障的规则推理(BRB)和基于大量实际案例的案例推理(CBR)，再利用具有强大模式分类功能的人工神经网络(ANN)，形成对实际故障的多方法立体诊断方法。属于齿轮箱故障诊断领域。 

背景技术

人工智能与诊断理论的结合形成了智能诊断，旱期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域，形成了基于知识的诊断推理专家系统。基于知识的智能故障诊断技术是设备诊断领域中最为引人注目的发展方向之一，也是研究最多、应用最广的一类智能诊断技术。它大致经历了两个发展阶段：基于浅知识(人类专家的经验知识)的第一代故障诊断专家系统和基于深知识(诊断对象的模型知识)的第二代故障诊断专家系统。诊断对象的大量案例可构成新的推理规则，在系统中加入最近邻法在现有的大量案例中搜索，找到最接近的故障模式来推断新的故障分类。近期出现的混合结构的专家系统，是将上述两种方法结合使用，互补不足，相得益彰。神经网络在设备故障诊断领域的应用研究主要集中在三个方面：a.从模式识别角度应用神经网络作为分类器进行故障诊断；b.从预测角度应用神经网络作为动态预测模型进行故障预测；c.从知识处理角度建立基于神经网络的诊断专家系统。专家系统是基于符号的推理系统，它存在知识获取困难的缺点，但具备解释功能。神经网络的输入是被诊断对象的征兆即特征值，输出则表示发生故障的可能性，但它不具备解释功能。把神经网络与混合推理专家系统结合运用，发挥各自的优点是进行故障诊断的一种新途径。 

对神经网络的研究已有40多年的历史，走过了一段曲折的路程。早在40年代，一些科学家就从神经科学、数学、物理学、心理学、生物学、认知科学以及仿生学等不同角度对神经网络进行了研究，取得了一定的成果。到了1969年，人工智能的创始人Minsky等对以感知器为代表的网络系统的功能及其局限性从数学上作了深入的研究，并于1969年出版了《Perceptron》一书，他的结论是悲观的，否定了人工神经网络的作用，使这方面的研究在60年代末期基本上消失了。当然更主要的原因是当时正是传统的数字计算机的鼎盛时期，从 而阻碍了神经网络的发展。到了80年代，局面发生了根本的变化，由于传统的串行信息处理在模式识别和人工智能等领域碰到了极大的困难，促使人们以更大的兴趣去研究以并行信息处理为特征的人工神经网络。 

神经网络具有一系列传统的线性系统所没有的优点，如非线性、自适应性、并行性和容错性等，由于具有了这些新特性，神经网络的应用领域扩展到自动检索、邮政编码的区分与识别、文字识别、数据压缩、通信业务量的控制、通信网动态路径选择和通信控制器等；在军事方面有多目标跟踪、战斗机飞行控制、声源定位和战斗决策等；神经网络在其它领域也有应用，不再阐述。 

因此，在齿轮箱故障诊断领域，亟待开发出一种人工神经网络作为一种自适应的模式识别技术，该技术并不需要预先给出关于模式的先验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域。网络的特性由其拓扑结构、节点特性、学习或训练规则所决定，它能充分利用状态信息，对来自不同状态的信息逐一训练以获得某种映射关系，而且网络可连续学习。当环境改变，这种映射关系可以自适应，以求对对象的进一步逼近。为使神经网络达到模式识别的目的，使用来自机器不同状态的振动信号，通过特征选择，找出对于故障反映最敏感的特征信号作为神经网络的输入向量，建立故障模式训练样本集，对网络进行训练。当网络训练完毕，对于每一个新输入的状态信息，网络将迅速给出分类结果。 

发明内容

本发明的目的在于，通过提供一种基于混合推理和神经网络的齿轮箱故障智能诊断方法，使模式识别网络完全由计算机实现，便于实现故障诊断的自动化和智能化，提高效率，能够为诊断决策及时提供依据。 

本发明采用以下技术手段实现的： 

基于混合推理和神经网络的齿轮箱故障智能诊断方法，通过充实和完善现有智能诊断知识库，添加解调分析形成的诊断规则；并把各种数据分析方法提取的特征作为神经网络的输入来进行故障模式的识别，将已有的案例和规则这两种推理方法再结合神经网络应用到高速线材轧机的故障智能诊断系统中；该方法通过充实知识库，补充推理机制，建立仿真神经网络模块，建立一个实用的智能诊断系统；主要包括以下步骤： 

智能诊断系统知识库的充实；把专家知识存入计算机，并结合神经网络进行模式识别； 

分析齿轮箱的主要异常现象，系统地研究齿轮的振动、噪声产生的机理； 

分析齿轮振动的数学模型，充分利用现场故障数据，分析各种故障类型的振动机理；充实各种故障的时域及频域特征，并确定齿轮故障信号的特征提取方法； 

所述的数据分析方法主要包括：带通滤波频谱分析、双关分析、包络解调分析、基于EMD的解调分析。 

前述的解调分析包括有包络时域参数、解调谱图的特征。 

前述的仿真神经网络模块，采用向后传播神经网络算法的网络结构实现，该网络结构实现方法包括： 

(1)建立网络：确定输入层、隐含层和输出层的数目，确定样本空间总量和学习最大循环次数； 

(2)训练样本库：先存储一个样本，然后再读取其他样本； 

(3)实测数据：读取齿轮箱实验中的特征数据，作为输入数据； 

(4)数据归一化：对输入特征向量进行归一化处理； 

(5)训练网络：向知识库存储训练完毕的权值； 

(6)知识库：存取权值矩阵； 

(7)诊断模块：读取归一化后的实测数据及权值矩阵来对齿轮箱的实际工况进行诊断。 

前述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：基于知识的故障诊断专家系统与基于神经网络的智能诊断系统的结合进行优化。 

前述的优化包括以下步骤：数据先经过案例库的最近邻检索，得到最相似解后输出诊断报告；没有得到相似解再选择由知识库里规定的规则进行推理；如果没有相对应的规则，再选择神经网络推理。 

前述的优化还包括用已知结论的数据进行验证。 

前述的验证包括： 

(1)仿真验证； 

(2)实验验证。 

前述的仿真验证通过经验模式分解、相关函数和希尔伯特包络的不同解调效果，说明相关函数与基于经验模式分解的希尔伯特包络解调方法相结合，提取故障信号的包络信息。 

本发明基于混合推理和神经网络的齿轮箱故障智能诊断方法，与现有技术相比，具有以下明显的优势和有益效果： 

本发明克服了传统的串行信息处理在模式识别和人工智能等领域所存在的问题，充分利用状态信息，对来自不同状态的信息逐一训练以获得某种映射关系，这种映射关系可以自适应，以求对对象的进一步逼近。为使神经网络达到模式识别的目的，使用来自机器不同状态的振动信号，通过特征选择，找出对于故障反映最敏感的特征信号作为神经网络的输入向量，建立故障模式训练样本集，对网络进行训练。当网络训练完毕，对于每一个新输入的状态信息，网络将迅速给出分类结果。使该模式识别网络完全由计算机实现，便于实现故障诊断的自动化和智能化，提高了效率，能够为诊断决策及时提供依据。 

附图说明

图1知识库补充途径； 

图2神经网络在系统中的位置和其他模块的关系； 

图3神经网络设计示意图； 

图4基于经验模式分解和人工神经网络的故障诊断方法流程图； 

图5三层后向传播算法网络模型； 

图6某高线精轧机齿轮箱传动链图； 

图7仿真信号的时域波形和频谱； 

图8相关分析后的时域波形和希尔伯特频谱； 

图9独立模式分量； 

图10前三阶独立模式分量的包络解调谱； 

图11经相关分析的独立模式分量； 

图12、14基于相关分析和经验模式分解的包络解调谱； 

图13实验数据的时域及其频谱。 

具体实施方式

结合本发明方法的内容提供一下实施例： 

1、知识库的补充 

知识库是推理机进行诊断推理的基础和前提。它把领域专家具有的知识以一定的表达形式存入计算机，对知识进行便利而有效的管理。 

首先，分析齿轮箱的主要异常现象，系统地研究齿轮的振动、噪声产生的机理。分析齿轮振动的数学模型，讨论影响齿轮系统振动的主要因素。在此基础上分析各种故障类型的振动机理。充实各种故障的时域及频域特征，并详细论述齿轮故障信号的特征提取方法。在此基础上精心选取敏感参数，汇总专家知识。传统的方法只是时频分析的理论形成规则，在本发明中应用多种数据分析方法对齿轮箱各时期的故障及隐患故障进行分析，数据分析方法主要包括带通滤波频谱分析，包络解调分析，相关分析，基于经验模式分解的解调分析等，解调分析的判据有包络时域参数、解调谱图的特征等。在现有研究基础上从理论角度充实知识库。 

其次，案例库作为知识库的基础，也是为了提取规则服务的。通过统计整理现有的案例，研究可以得到现场案例特有的故障规律。主要根据各地监测系统提供的诊断及时更新案例库。此外，原有的案例还需要一定的修改和存储。在不断充实现场案例的基础上，从现有案例中提取规则的角度来充实知识库。 

请参阅图1所示，为知识库的补充途径。知识库的充实主要通过这两方面，而且充实知识库的过程需要反复验证并长期坚持的，故障不可能只按照固有的模式发生，但也可从看似混杂的各种故障中提取规律性。 

神经网络在齿轮箱智能诊断系统中的开发与应用 

在实验获得数据的基础上，应用神经网络来进行齿轮箱故障的智能诊断。 

请参阅图2所示，为神经网络在系统中的位置和其他模块的关系。通过对输入样本的学习，将知识以权值和阈值的形式存储在网络中。比如，通过幅值参数分析选取一些敏感因子作为神经网络的输入，峭度指标、裕度指标和脉冲指标对冲击脉冲类故障比较敏感，特别是当故障早期发生时，它们有明显增加；但上升到一定程度后，随故障的逐渐发展，反而会下降，表明它们对早期故障有较高的敏感性，但稳定性不好。可以充分利用这一点，在神经网络推理中关注敏感因子的动向就能做出正确的诊断。还可以应用经验模式分解的方法，从一系列经验模式分量中提取出来的包含大部分显性故障信息的能量特征作为神经网络的输入。基于神经网络的齿轮箱故障诊断专家系统具有知识自动获取、并行处理、自适应学习、联想推理等功能和较好的容错性。 

请参阅图3所示，为该模块的设计示意图。神经网络模块是该齿轮箱故障诊断专家系统的核心模块之一，它采用后向传播算法网络结构实现。该模块作为专家系统的重要组成部分，也可以独立实现故障诊断。 

该模块的实现方法如下： 

(1)建立网络：确定输入层、隐含层和输出层的数目，确定样本空间总量和学习最大循环次数； 

(2)训练样本库：先存储一个样本，然后再读取其他样本； 

(3)实测数据：读取齿轮箱实验中的特征数据，作为输入数据； 

(4)数据归一化：对输入特征向量进行归一化处理； 

(5)训练网络：向知识库存储训练完毕的权值； 

(6)知识库：存取权值矩阵； 

(7)诊断模块：读取归一化后的实测数据及权值矩阵来对齿轮箱的实际工况进行诊断。 

2、建立神经网络模块 

请参阅图4所示，为诊断方法流程图。通过研究基于经验模式分解的解调方法，得到故障特征信息，可以作为神经网络的输入向量。首先，原始加速度振动信号被分解成有限数量的固有模式函数(IMFs)。当故障发生时，振动信号的能量将在不同的频率段间改变。因此，要识别齿轮箱的各种故障模式，从一系列IMFs中提取出来的包含大部分显性故障信息的能量特征，这些特征可以保存为人工神经网络的输入向量。 

基于神经网络的故障诊断专家系统与传统的专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量称之为节点的简单处理单元之间的相互作用而进行的。由于它的分布式信息保持方式，为专家知识的获取和表达以及推理提供了全新的方式。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂的计算的推理过程。 

请参阅图5所示为三层的后向传播算法神经网络模块原理图，在实际应用中，一般取隐含层为一层构成一个三层的BP网络，以减少计算量及避免网络结构复杂化。以三层的BP网络为例说明它的原理。除输入、输出层节点外，有一层隐节点，神经元的特性函数选定为连续可微的Sigmoid函数。 

神经网络所具备的从输入到输出的非线性映射能力与信号处理技术从采集的信号中提取诊断所需的特征参数的功能是等价的。神经网络是可以用于信号处理的。但是在大多数情况下神经网络作为状态识别工具，在诊断过程中作为信号处理的后续阶段，而信号处理则是神经网络的前置处理。 

3、智能诊断系统整体性优化 

基于知识的故障诊断专家系统与基于神经网络的智能诊断系统的结合，整个系统中的子系统都具有独立进行智能诊断的功能。数据先经过案例库的最近邻检索，得到最相似解后输出诊断报告；没有得到相似解再选择由知识库里规定的规则进行推理；如果没有相对应的规则，再选择神经网络推理。这个流程见上面的图2所示。可以用已知结论的数据进行验证，对比规则推理和神经网络推理的有效性，通过对比再分别充实完善规则或神经网络。通过各子系统的逐步优化和改进，还包括局部优化和连接优化，最终使整个智能系统功能趋于强大和完善，提高智能诊断的精确率。 

基于案例推理、规则推理和后向传播神经网络的混合智能诊断系统。首先是底部的案例库，再是基于知识的故障诊断专家系统与基于神经网络的智能诊断系统的结合，整个系统中的子系统都具有独立进行智能诊断的功能。数据先经过案例库的最近邻检索，得到最相似解后输出诊断报告；没有得到相似解再选择由知识库里规定的规则进行推理；或者选择神经网络推理。 

首先，证明应用基于经验模式分解包络解调等信号处理方法具有高灵敏性，能更好地分析故障数据，进行故障特征提取。 

(1)仿真验证 

请参阅图6所示为高线精轧机齿轮箱传动链图； 

下面的仿真通过经验模式分解、相关函数和希尔伯特包络的不同解调效果，充分说明相关函数与基于经验模式分解的希尔伯特包络解调方法相结合，能够最大程度的提取故障信号的包络信息。 

仿真信号如下所示，载波频率300赫兹，幅度调制频率50赫兹，E为噪声系数，这里取E＝1.5。仿真处理过程通过三个方案来进行，每种方案都分为噪声较大和噪声较小两种情况来对比。 

y＝(1+cos50πt)cos(300πt)+cos(100πt)+En(t) 

方案一：相关分析+希尔伯特包络 

图7是仿真信号的原始波形和频谱，此时由于噪声的干扰其频谱成分比较复杂。在经过相关分析之后可以看到，噪声干扰明显减少，频谱中的的调制信息能够比较清楚的反映出来。图8(b)是对相关降噪之后的信号进行包络解调的结果。由于有相加成分的存在，解调谱中出现了无法辨认的其他频率成分，而不是我们所需要的调制信息25赫兹。因此需要对信号进行经验模式分解，求出其中包含调制信息的独立模式分量，再进行解调分析。 

方案二：经验模式分解+希尔伯特包络 

由于信号中包含相加性因子造成频率干扰，因此先对仿真信号进行经验模式分解，分离出其中的独立模式分量再进行解调处理。 

图9是仿真信号经经验模式分解的结果，总共包含9个独立模式分量，图中给出的是前5阶。图5-4是前三阶独立模式分量的包络解调谱。其中第二阶解调谱提上能反映出一定的故障信息。但由于噪声的干扰，这部分信息反映的并不是十分明显。因此在进行经验模式分解和希尔伯特包络解调之前，有必要先对被分析信号进行降噪。 

方案三：相关分析+经验模式分解+希尔伯特 

图10和图11分别为经相关分析之后的经验模式分解独立模式分量和相应的前三阶希尔伯特解调谱。其中第一阶独立模式分量的解调谱非常清晰的反映出了调制频率25赫兹。两种方案相比，方案三明显的提高了希尔伯特解调方法的有效性和灵敏性。 

基于相关分析和经验模式分解的希尔伯特包络解调方法是进行齿轮故障诊断的有效方法。单纯的希尔伯特包络解调方法由于技术手段的单一性和自身的局限性，对于复杂工况下的故障往往难以及时准确的提取出来。而相关分析和经验模式分解(EMD)则能对这些缺点进行克服。相关分析在不改变频率成分的前提下可以有效的去除噪声，彰显故障特征；经验模 式分解则可以对信号进行自适应滤波，分解出多个独立模式分量然后再进行处理，避免了相加性成分产生干扰的情况，使得诊断结果更加精确。 

(2)实验验证 

采用轴承实验台所测数据进行分析，结果如图13、14所示。 

图13(a)和13(b)分别为实验台采得的轴承振动信号时域波形和频谱，图14为经过基于经验模式分解的希尔伯特解调之后的结果。从图中可以看出，前三阶独立模式分量的频谱均解调出了轴承外圈故障76.4赫兹及其倍频成分。 

其次，一方面可以将新的数据分析方法编入专家系统，作为诊断规则。一方面可以作为案例库进行故障模式最近邻搜索。数据分析的同时，根据专家知识和实际诊断案例自动检索得出诊断报告的智能系统，但是数据分析仅限于时域分析和频域分析。 

最后，将正常数据和多种分析方法得到的各类故障数据分类好作为后向传播神经网络的输入，进行网络的训练。然后用训练好的网络去诊断新的数据，进行模式分类。作为独立模块充实到智能诊断系统中。应用matlab编写后向传播网络，网络的设计大同小异，具体的网络训练和仿真不再阐述。此步需要大量的数据进行网络训练。事实证明，该模式识别网络完全由计算机实现，便于实现故障诊断的自动化和智能化，提高了效率，能够为诊断决策及时提供依据。 

Claims (7)

1.基于混合推理和神经网络的齿轮箱故障智能诊断方法，通过充实和完善现有智能诊断知识库，添加解调分析形成的诊断规则；并把各种数据分析方法提取的特征作为神经网络的输入来进行故障模式的识别，将已有的案例和规则这两种推理方法再结合神经网络应用到高速线材轧机的故障智能诊断系统中；其特征在于：该方法通过充实知识库，补充推理机制，建立仿真神经网络模块，智能诊断系统整体性优化，建立一个实用的智能诊断系统；包括以下步骤：

智能诊断系统知识库的充实；

将专家知识存入计算机，并结合神经网络进行模式识别；

分析齿轮箱的主要异常现象，系统地研究齿轮的振动、噪声产生的机理；

分析齿轮振动的数学模型，充分利用现场故障数据，分析各种故障类型的振动机理；

充实各种故障的时域及频域特征，并确定齿轮故障信号的特征提取方法；

所述的数据分析方法主要包括：带通滤波频谱分析、双关分析、包络解调分析、基于EMD的解调分析；

其中，所述的仿真神经网络模块，采用向后传播神经网络算法的网络结构实现，该网络结构实现方法包括：

(1)建立网络：确定输入层、隐含层和输出层的数目，确定样本空间总量和学习最大循环次数；

(2)训练样本库：先存储一个样本，然后再读取其他样本；

(3)实测数据：读取齿轮箱实验中的特征数据，作为输入数据；

(4)数据归一化：对输入特征向量进行归一化处理；

(5)训练网络：向知识库存储训练完毕的权值；

(6)知识库：存取权值矩阵；

(7)诊断模块：读取归一化后的实测数据及权值矩阵来对齿轮箱的实际工况进行诊断。

2.根据权利要求1所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：所述的解调分析包括有包络时域参数、解调谱图的特征。

3.根据权利要求1所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：基于知识的故障诊断专家系统与基于神经网络的智能诊断系统的结合进行优化。

4.根据权利要求1所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：所述的优化包括以下步骤：数据先经过案例库的最近邻检索，得到最相似解后输出诊断报告；没有得到相似解再选择由知识库里规定的规则进行推理；如果没有相对应的规则，再选择神经网络推理。 

5.根据权利要求1或3所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：所述的优化还包括用已知结论的数据进行验证。

6.根据权利要求5所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：所述的验证包括：

(1)仿真验证；

(2)实验验证。

7.根据权利要求6所述的基于混合推理和神经网络的齿轮箱故障智能诊断方法，其特征在于：所述的仿真验证通过经验模式分解、相关函数和希尔伯特包络的不同解调效果，说明相关函数与基于经验模式分解的希尔伯特包络解调方法相结合，提取故障信号的包络信息。 

Images