CN111738068A - 一种转速波动工况下的传动轴故障诊断方法和系统 - Google Patents

Abstract

本发明涉及一种转速波动工况下的传动轴故障诊断方法和系统，首先，获取转速波动工况下的传动轴振动信号；其次，对转速波动工况下的传动轴振动信号进行特征提取，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；然后，将所提取的振动信号在阶次域中的特征参数作为输入特征，利用人工神经网络对不同振动信号的特征进行分类诊断，实现传动轴故障诊断。本发明利用了信号的二维时频脊线、阶次分析方法和人工神经网络进行诊断，适用于无转速计安装的转速波动工况，可以提高时频脊线提取准确率，可以诊断转子不平衡、转子不对中、转子碰磨和转子裂纹等故障，增加了传动轴故障诊断结果的准确性与可靠性，解决了一般诊断中存在的诊断结果难以明确等问题。

Description

一种转速波动工况下的传动轴故障诊断方法和系统

技术领域

本发明属于振动信号分析处理及故障诊断领域，具体涉及一种转速波动工况下的传动轴故障诊断方法和系统。

背景技术

机械设备工作时的转速是随着工作环境以及工作需求随时变化的，这种状况统称为变转速工况，又称转速波动工况。在转速波动工况下，通过信号采样获取的传动轴振动信号不再具有周期性特性，故无法采用传统的振动信号分析方法进行振动分析，无法进行振动分析则无法对故障信号做出准确、高效的诊断，对传动轴工作稳定性和机械设备整体安全性产生极大不良影响。因此，对转速波动工况下的传动轴故障诊断方法的研究有着非常重要的意义。

转速大波动信号处理及故障诊断方法的主要研究技术路线是以阶次分析及其衍生方法为主。阶次分析法由澳大利亚新南威尔士大学Randall和法国里昂大学Antoni教授提出，阶次分析实质上将非平稳的时域信号转换成平稳的阶次域信号，以此作为变转速机械设备故障诊断的判断依据。

国内对阶次分析的研究慢慢增加，例如利用阶次分析技术对行星齿轮箱进行分析，并且深入分析了行星齿轮箱局部故障的不同阶次特征；又如用Hilbert包络解调把低频故障信号从高频载波信号中解调出来，联合阶次跟踪有效地提取时变工况下非平稳振动信号的故障特征频率并判断故障类型。但阶次分析法存在一个非常明显的缺点，即对采样系统硬件依赖性极高。当下机械设备日益集成化，机械设备某些重要部位并不适合转速计的安装，在缺少振动信号和转速信号同步采样设备的状况下，阶次分析和转速波动工况下的传动轴故障诊断难以实现。

因此，急需探索一种新的阶次分析故障诊断方法，解决上述存在的问题，以便能够更好地对转速波动工况下的传动轴信号进行故障分析与诊断。

发明内容

发明目的：本发明的目的在于提供一种转速波动工况下的传动轴故障诊断方法和系统，能提高传动轴故障诊断结果的准确性与可靠性。

技术方案：本发明所述的一种转速波动工况下的传动轴故障诊断方法，具体包括以下步骤：

(1)获取转速波动工况下的传动轴振动信号；

(2)对转速波动工况下的传动轴振动信号进行时频转换、时频脊线提取、信号降噪、角度域转换及阶次域转换，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；

(3)将步骤(2)所提取的特征参数作为输入特征，利用人工神经网络训练的故障诊断模型，对不同振动信号的特征进行分类诊断，实现转速波动工况下的传动轴故障诊断。

进一步地，步骤(2)所述的时频转换通过式(1)短时傅里叶变换实现：

其中，STFT(τ,ω)是短时傅里叶变换分析结果，f(t)是待分析信号，g(t)是STFT窗函数。

进一步地，步骤(2)所述的时频脊线提取，实现过程如下：

在时频域图像中，遍历时间轴，从时频能量最高点上提取信号的中心主频率，获得时频脊线；在故障发生时，脊线局部会产生突变，根据产生突变的脊线，选取脊线突变节点处的时间点作为分割边界，沿时间域对时频域信号进行分割；根据信号分割结果将提取区域按时间划分，对各个区域分别设置目标频率f，目标频率范围为(f-Δf，f+Δf)，Δf根据区域内信号频率波动范围设置；根据能量最高点提取目标频率范围内的曲线，得到各区域的最优脊线；将t＝0时刻的脊线坐标作为卡尔曼滤波初始状态，利用卡尔曼滤波器，将各区域最优脊线拟合为一条脊线，此为信号最优脊线。

进一步地，步骤(2)所述的信号降噪实现过程如下：

X(k|k-1)＝A*X(k-1|k-1)+B*U(k)+W(k) (2)

X(k|k)＝X(k|k-1)+Kg(k)*[Z(k)-H*X(k|k-1)] (3)

其中，X(k│k-1)是利用前一状态预测的结果；X(k-1│k-1)是上一状态最优的结果；U(k)为现在状态的控制量；W(k)表示过程的噪声，协方差为Q；A和B是系统参数，Z(k)是k时刻的测量值；H是测量系统的参数；Kg为卡尔曼增益。

进一步地，步骤(3)所述的传动轴故障主要包括转子不平衡、转子不对中、转子碰磨和转子裂纹故障。

本发明还提供一种转速波动工况下的传动轴故障诊断系统，包括传感器、数据采集模块、故障特征提取模块和特征识别模块；所述传感器用于采集转速波动工况下的传动轴振动信号，将振动信号转换为模拟电信号；所述数据采集模块，将所述传感器传来的模拟信号转化为数字信号；所述故障特征提取模块，对所述数据采集模块发来的转速波动工况下的传动轴振动信号进行特征提取，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；所述特征识别模块，将故障特征提取模块所提取的振动信号在阶次域中的特征参数作为输入特征，利用人工神经网络训练的故障诊断模型对不同振动信号的特诊进行分类，从而达到转速波动工况下的传动轴故障诊断的目的。

进一步地，所述系统还包括显示模块，实现信号载入、人工神经网络模型载入、信号时域图像显示、信号阶次域图像显示及信号故障诊断结果显示。

有益效果：与现有技术相比，本发明的有益效果：本发明所述方法和系统能适用于无转速计安装的转速波动工况，可以提高噪声干扰下的变转速旋转机械振动信号二维时频脊线提取准确率，操作简单，易于实现，可以诊断转子不平衡、转子不对中、转子碰磨和转子裂纹等故障，增加了转速波动工况下的传动轴故障诊断结果的准确性与可靠性，解决了一般诊断中存在的诊断结果难以明确的问题。

附图说明

图1为转速波动工况下的传动轴故障诊断方法总体流程图；

图2为转速波动工况下的传动轴故障诊断系统模块框图；

图3为转速波动工况下的传动轴故障诊断系统软件界面图；

图4为本发明所提方法对正常状态传动轴的20次诊断准确率结果图；

图5为本发明所提方法对不平衡故障传动轴的20次诊断准确率结果图；

图6为本发明所提方法对不对中故障传动轴的20次诊断准确率结果图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

如图1所示，本发明提供一种转速波动工况下的传动轴故障诊断方法，具体包括以下步骤：

步骤1：获取转速波动工况下的传动轴振动信号。

利用传感器采集转速波动工况下的传动轴振动信号，将振动信号转换为模拟电信号，再将模拟信号转化为数字信号。

步骤2：对转速波动工况下的传动轴振动信号进行时频转换、时频脊线提取、信号降噪、角度域转换及阶次域转换，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数。

时频转换：利用式(1)短时傅里叶变换(STFT)，将时域信号映射为时频域信号，便于后续的脊线提取：

式中，STFT(τ,ω)是短时傅里叶变换分析结果，f(t)是待分析信号，g(t)是STFT窗函数。

时频脊线提取：

对信号进行STFT后，一些与机械系统零部件的动力学特性相关的曲线会清晰或隐约地出现，这些曲线在三维空间内的分布形态与“山脊”很像，是脊线标志或沿脊顶延伸的线。因此在时频图中把三维空间内沿功率最高点延伸的线称之为时频脊线，表现在时频面上，是明亮程度和趋势各异的线条，它能够表征信号频率变化的各种模式。信号在时域和频域的能量可表示为：

式中，|x(t)|²、|X(v)|²分别为信号在时域和频域的能量密度。同理，信号在时频域内的能量为：

式中，

为信号的联合时间频率密度，是信号的二次函数，时频能量通常具有二次型的形式。能量分布还满足边缘性质：

在缺少振动信号和转速信号同步采样设备的状况下，阶次分析难以实现。时频脊线表征信号频率变化的各种模式，频率变化即为转速变化，而且在映射过程和脊线提取过程中，信号的时间关系是同步的，因此时频脊线可以作为振动信号的同步转速信息使用。在仅仅采集到振动信号的情况下，对振动信号进行脊线提取，将时频脊线作为阶次分析法所需的同步转速信号，即可实现无需安装转速计的阶次分析方法。

首先对脊线初提取：在时频域图像中，遍历时间轴，从时频能量最高点上提取信号的中心主频率，获得时频脊线。有故障发生时，脊线局部会产生突变，导致这条脊线无法作为转速信息使用，但该脊线表示出了转速波动信号的能量变化，为后面沿时间域分割信号的分割点提供了依据。

然后进行信号分割：根据产生突变的脊线，选取脊线突变节点处的时间点作为分割边界，沿时间域对时频域信号进行分割。

最后实现最优脊线提取：根据信号分割结果将提取区域按时间划分，对各个区域分别设置目标频率f，目标频率范围为(f-Δf，f+Δf)，Δf根据区域内信号频率波动范围设置。根据能量最高点提取目标频率范围内的曲线，得到各区域的最优脊线。将t＝0时刻的脊线坐标作为卡尔曼滤波初始状态，利用卡尔曼滤波器，将各区域最优脊线拟合为一条脊线，此为信号最优脊线。

信号降噪：利用式(6)、(7)卡尔曼滤波对信号进行降噪预处理；

X(k|k-1)＝A*X(k-1|k-1)+B*U(k)+W(k) (6)

X(k|k)＝X(k|k-1)+Kg(k)*[Z(k)-H*X(k|k-1)] (7)

式中X(k│k-1)是利用前一状态预测的结果；X(k-1│k-1)是上一状态最优的结果；U(k)为现在状态的控制量；W(k)表示过程的噪声，协方差为Q；A和B是系统参数，Z(k)是k时刻的测量值；H是测量系统的参数；Kg为卡尔曼增益

角度域转换：结合信号的转速信号，利用等角度重采样将降噪后的时域信号转换为角度域信号；

阶次域转换：将角度域信号映射至阶次域中，获得阶次域信号，以此作为信号特征。

步骤3：将步骤2所提取的特征参数作为输入特征，利用人工神经网络训练的故障诊断模型，对不同振动信号的特征进行分类诊断，实现转速波动工况下的传动轴故障诊断。

利用大量转速波动工况下的正常和故障的传动轴转速波动信号，对其进行特征提取，将特征参数送入设置好学习率、迭代次数和训练目标误差等参数的人工神经网络进行训练，由此获得人工神经网络故障诊断模型。

本发明还提供一种转速波动工况下的传动轴故障诊断系统，如图2所示，包括：传感器，用于采集转速波动工况下的传动轴振动信号，将振动信号转换为模拟电信号；数据采集模块，将所述传感器传来的模拟信号转化为数字信号；故障特征提取模块，对所述数据采集模块发来的转速波动工况下的传动轴振动信号进行特征提取，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；特征识别模块，将故障特征提取模块所提取的振动信号在阶次域中的特征参数作为输入特征，利用人工神经网络对不同振动信号的特诊进行分类，从而达到转速波动工况下的传动轴故障诊断的目的。

其中特征提取模块包括：时频转换模块，接收数据采集模块的数字信号，利用短时傅里叶变换，将时域信号映射为时频域信号；时频脊线提取模块，接收时频转换模块的时频域信号，利用峰值脊线提取法获得时频脊线，以此作为转速波动工况下的传动轴振动信号的转速信号；信号降噪模块，接收数据采集模块的数字信号，利用卡尔曼滤波对信号进行降噪预处理；角度域转换模块，接收时频脊线提取模块的转速信号和信号降噪模块的降噪信号，利用等角度重采样将降噪后的时域信号转换为角度域信号；阶次域转换模块，接收角度域转换模块的角度域信号，将角度域信号映射至阶次域中，获得阶次域信号，以此作为信号特征。

特征识别模块，接收阶次域转换模块的信号特征，送入人工神经网络进行训练，获得故障诊断模型，从而实现传动轴故障的多类别诊断。

一种转速波动工况下的传动轴故障诊断系统还包括显示模块，如图3所示，是本发明转速波动工况下的传动轴故障诊断系统软件界面图，其可实现功能包括：信号载入、人工神经网络模型载入、信号时域图像显示、信号阶次域图像显示、信号故障诊断等。该软件通过MATLAB软件的GUI功能完成界面设计，在界面功能按钮中嵌入转速波动工况下的传动轴故障诊断系统算法程序，最后使用Compiler功能打包整合为独立软件。该软件是用于诊断结果显示以及便于人机交互的界面。

利用本发明提供的一种转速波动工况下的传动轴故障诊断方法进行实验验证。采集传动轴升速和降速过程中的振动信号作为实验数据，实验数据包含传动轴正常、不平衡故障、不对中故障三种信号，数据集如表1所示。每个样本的采样点数为4096，数据集共包含1200个样本，随机选择其中600个样本作为训练样本集，其余600个样本作为测试样本集，为了方便表示，将状况类别标签设置为1、2、3。

表1数据集描述

设置人工神经网络参数，中间结果周期50，最大迭代次数500，训练目标误差0.001，学习率0.001。为了消除随机性的影响，每组试验分别进行20次。

阶次分析方法的20次诊断准确率结果参照图4至图6所示，可以看出数据集的训练准确率均为100％，测试准确率超过99％，说明阶次分析方法可以准确诊断出升降速过程中转轴的健康状态。

为了说明阶次分析方法的有效性，传统方法作为对比方法进行验证，该方法同样使用表1的数据集，特征提取方法为卡尔曼滤波降噪和短时傅里叶变换提取频谱。计算两种方法的平均训练准确率与平均测试准确率，如表2所示。可以看出阶次分析方法的测试准确率稳定在99.62％～100％之间，标准差小于0.09％，均优于对比方法。由此说明本发明所提的一种转速波动工况下的传动轴故障诊断方法可以获得理想的应用效果。

表2阶次分析方法与传统方法诊断结果对比

本发明将二维时频脊线与阶次分析方法结合，利用人工神经网络进行故障诊断，提高了在转速波动工况下车辆传动轴故障诊断结果的准确率与可靠性，可以诊断转子不平衡、转子不对中、转子碰磨和转子裂纹等故障，有着非常重要的意义。

需要说明的是，本发明提供的所述转速波动工况下的传动轴故障诊断方法中的步骤，可以利用所述转速波动工况下的传动轴故障诊断系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施方式，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施方式，这些实施方式不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施方式，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种转速波动工况下的传动轴故障诊断方法，其特征在于，包括以下步骤：

(1)获取转速波动工况下的传动轴振动信号；

(2)对转速波动工况下的传动轴振动信号进行时频转换、时频脊线提取、信号降噪、角度域转换及阶次域转换，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；

(3)将步骤(2)所提取的特征参数作为输入特征，利用人工神经网络训练的故障诊断模型，对不同振动信号的特征进行分类诊断，实现转速波动工况下的传动轴故障诊断。

2.根据权利要求1所述的一种转速波动工况下的传动轴故障诊断方法，其特征在于，步骤(2)所述的时频转换通过式(1)短时傅里叶变换实现：

其中，STFT(τ,ω)是短时傅里叶变换分析结果，f(t)是待分析信号，g(t)是STFT窗函数。

3.根据权利要求1所述的一种转速波动工况下的传动轴故障诊断方法，其特征在于，步骤(2)所述的时频脊线提取，实现过程如下：

在时频域图像中，遍历时间轴，从时频能量最高点上提取信号的中心主频率，获得时频脊线；在故障发生时，脊线局部会产生突变，根据产生突变的脊线，选取脊线突变节点处的时间点作为分割边界，沿时间域对时频域信号进行分割；根据信号分割结果将提取区域按时间划分，对各个区域分别设置目标频率f，目标频率范围为(f-Δf，f+Δf)，Δf根据区域内信号频率波动范围设置；根据能量最高点提取目标频率范围内的曲线，得到各区域的最优脊线；将t＝0时刻的脊线坐标作为卡尔曼滤波初始状态，利用卡尔曼滤波器，将各区域最优脊线拟合为一条脊线，此为信号最优脊线。

4.根据权利要求1所述的一种转速波动工况下的传动轴故障诊断方法，其特征在于，步骤(2)所述的信号降噪实现过程如下：

X(k|k-1)＝A*X(k-1|k-1)+B*U(k)+W(k) (6)

X(k|k)＝X(k|k-1)+Kg(k)*[Z(k)-H*X(k|k-1)] (7)

其中，X(k│k-1)是利用前一状态预测的结果；X(k-1│k-1)是上一状态最优的结果；U(k)为现在状态的控制量；W(k)表示过程的噪声，协方差为Q；A和B是系统参数，Z(k)是k时刻的测量值；H是测量系统的参数；Kg为卡尔曼增益。

5.根据权利要求1所述的一种转速波动工况下的传动轴故障诊断方法，其特征在于，步骤(3)所述的传动轴故障主要包括转子不平衡、转子不对中、转子碰磨和转子裂纹故障。

6.一种采用如权利要求1所述方法的转速波动工况下的传动轴故障诊断系统，其特征在于，包括传感器、数据采集模块、故障特征提取模块和特征识别模块；所述传感器用于采集转速波动工况下的传动轴振动信号，将振动信号转换为模拟电信号；所述数据采集模块，将所述传感器传来的模拟信号转化为数字信号；所述故障特征提取模块，对所述数据采集模块发来的转速波动工况下的传动轴振动信号进行特征提取，提取所述振动信号的二维时频脊线以及信号在阶次域中的特征参数；所述特征识别模块，将故障特征提取模块所提取的振动信号在阶次域中的特征参数作为输入特征，利用人工神经网络训练的故障诊断模型对不同振动信号的特诊进行分类，从而达到转速波动工况下的传动轴故障诊断的目的。

7.根据权利要求6所述的一种转速波动工况下的传动轴故障诊断系统，其特征在于，所述系统还包括显示模块，实现信号载入、人工神经网络模型载入、信号时域图像显示、信号阶次域图像显示及信号故障诊断结果显示。

Images