CN110967184B - 基于振动信号分布特征识别的变速箱故障检测方法和*** - Google Patents
基于振动信号分布特征识别的变速箱故障检测方法和*** Download PDFInfo
- Publication number
- CN110967184B CN110967184B CN201911221599.0A CN201911221599A CN110967184B CN 110967184 B CN110967184 B CN 110967184B CN 201911221599 A CN201911221599 A CN 201911221599A CN 110967184 B CN110967184 B CN 110967184B
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- distribution
- gearbox
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于振动信号分布特征识别的变速箱故障检测方法和***,具体涉及数据模式识别技术领域。该方法可以包括:采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;基于建立的待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;基于构建的故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测;基于对异常数据模式分布特征的识别,输出变速箱故障类型的诊断结果。基于本发明提供的方案可以快速检测出变速箱在工作状态下实时产生的故障,在多振动源影响的复杂工作环境下有较强的鲁棒性。
Description
技术领域
本发明涉及数据模式识别技术领域,具体涉及一种基于振动信号分布特征识别的变速箱故障检测方法和***。
背景技术
汽车作为当下普适性最高的交通工具之一,其安全问题一直是各学科领域关注的热点问题。变速箱作为汽车的主要动能传递装置,通过协调发动机的转速和车轮的实际行驶速度,确保发动机处于最佳的动力性能状态,其运转状况的稳定性将直接影响到整个汽车的正常运行。因此,如何准确识别变速箱工作状态并及时发现异常,是确保汽车安全行驶的关键研究。
设备故障诊断技术是通过监测设备的运行状态,获取相关分析数据,确定故障原因和提高相应解决方案的一门新兴科学。目前,随着人工智能技术的发展,故障检测的研究方向已经转变为基于机器学习、模糊逻辑、深度学习、图像识别等智能计算技术,建立面向数据驱动的智能诊断***。面向数据驱动的故障诊断方法可分为基于关联规则的频繁模式挖掘和基于异常检测的稀有模式挖掘。数据驱动的故障诊断研究主要集中于通过有限的正常样本数据标签去检测未知的故障模式的半监督异常检测方法上。
现有的检测方法的一个共同的局限性是,它们难以检测到在与正常数据在相同的背景中实时产生的异常。即,如何在变速箱持续工作中,敏锐准确的监测出实时产生的故障。构成这些异常模式的数据本身是正常的,但当它们作为一个集合共同出现时是异常的。相反,它可能会错误地将一些落在低概率密度范围内的正常数据识别为异常。如果只对未标记样本的单个数据逐一进行检查,很难发现此类异常模式。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于振动信号分布特征识别的变速箱故障检测方法和***,解决了车辆实时运行时变速箱故障的监测问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
根据本申请的一个方面,提供了一种基于振动信号分布特征识别的变速箱故障检测方法,包括:
采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;其中,所述待测数据集中包括变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据;
基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测;
基于对所述异常数据模式分布特征的识别,输出所述变速箱故障类型的检测结果。
可选地,采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集之前,还包括:
采集所述变速箱正常运行状态下产生的正常振动信号,并为所述正常振动信号组成的数据集添加标签;
基于添加标签后的所述正常振动信号组成的数据集,通过随机抽样的方法建立正常的样本数据集。
可选地,基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型,包括:
使用混合多元高斯分布函数对所述样本数据集的数据分布进行拟合,得到所述样本数据集的第一分布函数,并基于最大似然算法估计所述第一分布函数中的第一参数;
使用混合多元高斯分布函数对所述待测数据集的数据分布进行拟合,得到所述待测数据集的第二分布函数,并基于最大似然算法估计所述第二分布函数中的第二参数;
基于所述第一分布函数、第一参数、第二分布函数以及第二参数构建所述故障检测模型;其中,所述故障检测模型为混合分布函数模型。
可选地,基于所述第一分布函数、第一参数、第二分布函数以及第二参数构建所述故障检测模型之前,还包括:
基于不动点迭代法对最大似然方程进行迭代处理并求解所述第一参数和第二参数。
可选地,通过第一公式对所述样本数据集的数据分布进行拟合;
所述第一公式为:
D(Ss)=fs(x|θs)
其中,fs表示第一分布函数;θs表示第一参数;D(Ss)表示样本数据集的数据分布。
可选地,通过第二公式对所述待测数据集的数据分布进行拟合;
所述第二公式为:
D(St)=F(x|θt)
其中,F表示第二分布函数;θt表示第二参数;D(St)表示待测数据集的数据分布。
可选地,通过第三公式构建所述故障检测模型;
所述第三公式为:
可选地,对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测,包括:
对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,根据第三公式得出所述异常数据模式的第三分布函数,并基于所述第三分布函数识别所述待测数据集中的异常数据模式对变速箱进行故障检测。
根据本申请的另一个方面,提供了一种基于振动信号分布特征识别的变速箱故障检测***,包括:
待测数据集采集模块,配置成采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;其中,所述待测数据集中包括变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据;
模型构建模块,配置成基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
异常振动数据识别模块,配置成对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测;
识别结果输出模块,配置成基于对所述异常数据模式分布特征的识别,输出所述变速箱故障类型的检测结果。
(三)有益效果
本发明提供了一种基于振动信号分布特征识别的变速箱故障检测方法和***。与现有技术相比,具备以下有益效果:
1、在变速箱持续工作时,可快速且有效地检测出实时产生的故障;
2、在多振动源影响的复杂工作环境下,可准确识别变速箱异常,并且有较强的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的基于振动信号分布特征识别的变速箱故障检测方法流程图;
图2是WLY·CVT25无极变速箱示意;
图3是根据本发明实施例的变速箱测试部件示意图;
图4是根据本申请一个实施例的基于振动信号分布特征识别的变速箱故障检测***结构示意图;
图5是根据本申请另一实施例的基于振动信号分布特征识别的变速箱故障检测***结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于振动信号分布特征识别的变速箱故障检测方法和***,可以在变速箱持续工作中,敏锐准确的监测出变速箱工作状态并及时发现异常,解决了车辆实时运行时变速箱故障的监测问题,确保汽车安全行驶。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
首先,采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;然后基于待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测;最后,基于对异常数据模式分布特征的识别,输出变速箱故障类型的检测结果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
设备故障诊断技术发展自20世纪后期,是一门多学科交叉与融合的新兴技术。早期的研究主要基于专家***对故障机理进行建模和分析,例如事故障机理研究、检测诊断技术研究、可靠性分析研究及耐久性评价等。随着通信和传感技术的发展,故障检测研究转变为以信号分析技术为基础,如小波分析,傅里叶变换,能量光谱等,基于其高分辨率分解和重构能力对变速箱故障信号进行降噪、分解,进而分离出故障信号中的周期冲击成分。目前,随着人工智能技术发展,越来越多的故障检测转变为以数据驱动为基础,通过引入知识推理,模糊逻辑,神经网络,图像识别等技术,发展出了智能诊断***。在复杂环境下,能够准确处理多源异构数据,更好的识别未知的故障模式。
目前,数据驱动的故障诊断研究主要集中于通过有限的正常样本数据标签去检测未知的故障模式的半监督异常检测方法上。这些现有的检测方法的一个共同的局限性是,它们难以检测到在与正常数据在相同的背景中实时产生的异常。即,如何在变速箱持续工作中,敏锐准确的监测出实时产生的故障。构成这些异常模式的数据本身是正常的,但当它们作为一个集合共同出现时是异常的。如果只对未标记样本的单个数据逐一进行检查,很难发现此类异常模式。相反,它可能会错误地将一些落在低概率密度范围内的正常数据识别为异常。此外,变速箱故障诊断的研究大多基于振动信号的特征分析。振动信号的数据特征可分为两类:时域和频域。每个类别的特征都是复杂且多变的,在车辆行驶过程中容易受到其它振动源的影响。
为解决上述提到的问题,本申请实施例提出一种基于振动信号分布特征识别的变速箱故障监测方法,该变速箱优选为齿轮箱。一般来讲,汽车齿轮箱内轴承和齿轮的振动信号基本服从正态分布,但当出现故障时,其数据分布的概率密度函数的参数会发生显著变化。因此,在本申请实施例中,选择以数据的整体分布趋势作为度量,根据有标签的正常的样本数据集的分布,通过集体离群点检测找出那些未知的、不符合期望的数据分布,即使在这些异常分布内的数据其本身未必是异常的。
图1是根据本申请实施例的基于振动信号分布特征识别的变速箱故障检测方法流程图。参见图1所知,本申请实施例提供的基于振动信号分布特征识别的变速箱故障检测方法可以包括:
步骤S101:采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;
步骤S102:基于待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
步骤S103:对构建的故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测;
步骤S104:基于对异常数据模式分布特征的识别,输出变速箱故障类型的检测结果。
一般来讲,变速箱故障检测首先要采集变速箱在各种运行状态的信号,并以此建立待测数据集,如步骤S101所述。需要说明的是,此时所建立的待测数据集同时包含了变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据,以便于后续可以有效识别出其中所包括的异常振动数据以对变速箱的故障进行识别。
接着,参见上述步骤S102,基于待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型。也就是说,为了可以有效识别出待测数据集中的异常振动数据,本发明一可选实施例中在建立待测数据集前,还可以先采集变速箱正常运行状态下产生的正常振动信号,并为正常振动信号组成的数据集添加标签;并基于添加标签后的正常振动信号组成的数据集,通过随机抽样的方法建立正常的样本数据集。这是为下一步在分析待测数据集识别异常振动数据时参照的对比数据。
在故障检测模型建立好之后,即可将待测数据集和样本数据集输入故障检测模型进行检测,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测。
在本发明一可选实施例中,构建故障检测模型时,可先使用混合多元高斯分布函数运用公式(1)对样本数据集的数据分布进行拟合,得到样本数据集的第一分布函数,并基于最大似然算法估计第一分布函数中的第一参数,其计算公式如下:
D(Ss)=fs(x|θs) (1)
其中:
fs表示第一分布函数;
θs表示第一参数;
D(Ss)表示样本数据集的数据分布。
再使用混合多元高斯分布函数运用公式(2)对待测数据集的数据分布进行拟合,得到待测数据集的第二分布函数,并基于最大似然算法估计第二分布函数中的第二参数,其计算公式如下:
D(St)=F(x|θt) (2)
其中:
F表示第二分布函数;
θt表示第二参数;
D(St)表示待测数据集的数据分布。
然后,基于数据分布的相似性,通过公式(3)构建故障检测模型来检测待测数据集是否包含故障模式,计算公式如下:
其中:
F表示第二分布函数;
fa表示异常数据模式的第三分布函数;
fs表示第一分布函数;
θs表示第一参数;
θt表示第二参数;
θa表示第三分布函数第三参数。
故障检测模型是基于上述第一分布函数、第一参数、第二分布函数、第二参数、第三分布函数及参数构建而成的;其中,故障检测模型为混合分布函数模型。
可选地,上述第一参数、第二参数、第三参数的求解过程可以基于不动点迭代法对最大似然方程进行迭代处理计算得出的。
上文提及,样本数据集中的正常振动数据具有样本标签,而待测数据集中的待测振动数据是无标签的。因此本实施例可根据有标签的正常的样本数据集的分布,通过集体离群点检测找出那些未知的、不符合期望的数据分布。而在计算异常数据的占比时,同样可基于由标签的样本数据集识别出待测数据集中的正常振动数据,剩下的即为异常振动数据,通过异常振动数据在总的待测数据中的比例即可得出异常数据的占比
根据公式(1)和公式(2),使用混合多元高斯分布混合函数对有样本数据集Ss和待测数据集St的数据分布分别进行拟合。其次,基于最大似然法算法来估计混合分布函数内的参数。最后,采用不动点迭代算法求解最大似然估计函数。
混合高斯分布(Mixture Gaussian Distribution),指的是将多个高斯分布函数的线性组合,用线性组合后的分布来描述整个集合中的数据。通常用于解决同一集合下的数据包含多个不同的分布的情况。
在n维欧式空间内,按公式(4)和公式(5)对由K个高斯分布混合而成的多元高斯分布进行描述,其计算公式如下:
其中:
N(x|μk;∑k)表示混合高斯分布的概率密度函数;
μk表示均值;
∑表示对称的半正定协方差矩阵;
|∑k|表示矩阵的行列式;
f表示分布函数;
θ表示分布函数的参数;
D(S)表示数据集的数据分布;
对于样本数据集Ss,按公式(6)度量其分布函数,其计算公式如下:
其中:
D(Ss)表示样本数据集的数据分布;
fs表示第一分布函数;
θs=(λj;μj;∑j)表示需要通过最大似然法估计的参数;
N(x|μj;∑j)表示样本数据集分布的概率密度函数;
λj表示J个高斯分布各自的混合系数;
J表示混合函数中高斯分布的个数。
对于待测数据集St,按公式7度量其分布函数,其计算公式如下:
其中:
D(St)表示待测数据集的数据分布;
F表示第二分布函数;
θt表示第二参数;
fs表示第一分布函数;
θs=(λj;μj;∑j)表示需要通过最大似然法估计的参数;
N(x|μq;∑q)表示样本数据集分布的概率密度函数;
J表示混合函数中高斯分布的个数;
Q表示数据集St中用来拟合异常分布的高斯分布个数。
最大似然算法(Maximum Likelihood Estimate,简称MLE),是建立在极大似然原理的基础上的一个统计方法,是已知某个随机样本满足某种概率分布,但是其中具体的参数不清楚,参数估计就是通过若干次试验,观察其结果,利用最大概率的结果推出参数的大概值。
对于一个连续的数据序列S,已知其分布函数为f(x|θ),但函数中的参数θ未知。若存在序列S1=(X1,X2…Xn)是S的一个样本,且分布函数是已知的,则可以根据该样本,用最大似然算法对函数f(x|θ)中的参数进行估计。具体步骤如下:
由于对数函数lnL(θ)是原函数L(θ)的增函数,即函数lnL(θ)的极值点也是函数L(θ)的极值点,可以将对似然函数求极值的问题转换为对函数lnL(θ)求极值。不仅可以将函数中的乘法运算转化为加法运算,还避免了浮点数溢出的问题。因此,对于公式(6)和公式(7)中描述的数据集Ss和测试数据集St,可分别按公式(10)和公式(11)构建似然函数,通过求解参数和实现对数据集分布的最佳拟合。
构建上述函数的参数是通过迭代法求解出来的。
不动点迭代是一种用一组显性方程通过逐次逼近去表示隐式方程的方法,即用近似解不断修正方程,直至最终收敛。不动点迭代法作为求解高度非线性数值问题的一种有效方法,由于其良好的数学性质和成熟的定理证明,在许多工程数学领域中被广泛地用于求解方程。
在很多问题中,虽然能够证明不动点的存在,但在数值计算中,往往很难真正求出其精确解,比如,无法得到x2-2=0的精确解。因此,为保证算法的收敛速度,本申请实施例引入近似不动点概念,若搜寻达到预设迭代次数时仍未找到精确不动点,则选择在迭代中精度最高的近似不动点作为结果。算法的主要概念和原理如下所示:
定义1:设X是Rn的一个子集,若对于X中每一点x,都有确定的f(x)∈X与之对应,则f是X的一个自映射,记作f:X→X。
定义2:设X是非空集合,f:X→X为其自映射。若存在x*∈X,满足f(x*)=x*,则称x*为f的一个精确不动点。
定义3:设(X,ρ)为一度量空间,T∶X→X为一映射。若存在L∈[0,1),使得任意x,y∈X,有ρ(T(x),T(y))≤Lρ(x,y),则称T是X上的压缩映射。
定义4:近似不动点:设ε为任意正数,若对于压缩映射T∶X→X,|x-f(x)|表示n维欧式空间Rn的中向量x-f(x)的模。若存在点x*满足|x^*-f(x^*)|<ε,则称x*为f的一个近似不动点。
定理1:Banach不动点定理,又称压缩映射定理,设(X,ρ)为一非空的完备度量空间,T∶X→X为一压缩映射,则T在X中存在惟一的不动点。Banach不动点定理指出了不动点方程T(x)=x解的存在性和惟一性。
定理2:对任意压缩映射T∶X→X,设X是有界离散非空集合,即任意x∈X,有a≤x≤b,若满足以下两个条件:(1)对任意x∈X,有a≤T(x)≤b;(2)存在正常数L<1,对任意x,y∈X,都有|T(x)-T(y)|<<L|x-y|;则T在有界离散非空集合内,存在唯一的不动点x*。
通过上述故障检测模型,结合样本数据集对待测振动数据进行特征分析,根据公式(3)得出的异常数据分布函数,识别出待测振动数据中的异常振动数据。
异常分布函数度量的是待测数据集中与样本数据集数据分布显著不同的数据分布,也就是服从未知分配的数据分布。将这些服从未知分布的数据识别为集体离群点,这些集体离群点反映了变速箱工作过程中可能由故障产生的异常数据模式。
在数据分析中,离群点是一种与其它观测值偏离太大的观测值,从而引起人们怀疑它是由不同机制产生的。根据离群点不同特征,可以分为点离群点常、情境离群点和集体离群点。
如果一个数据在其目标特性的度量上与其他数据有显著的差异,则该数据被称为点离群点。情境离群点是指在特定的情境中明显偏离正常模式的数据。如果整个数据集被视为情境或情境属性为空,则点离群点是一种特殊类型的情境离群点。基于它们的检测方法主要侧重于分析单个数据是否呈现出异常特性。集体异常是指一组相关的数据,当它们以某种模式一起出现时,它们的整体行为属性将与整个数据集显著偏差,但集合中的单个数据就其本身而言可能不是异常的。
最后,如步骤S104记载,基于异常振动数据,输出对变速箱故障检测识别结果。
整体来说,在基于振动数据分析的变速箱故障诊断中,异常数据模式与正常数据在相同背景下依次产生,构成异常模式的每个数据本身可能并没有异常表征,无法通过逐个对比未标记数据和样本数据进行检测。变速箱在正常工作状态下采集到的振动数据是由同一机理产生,可以假定它们服从相同的分布。与正常数据规模相比,变速箱在常规工作中由故障引起的异常数据模式占比很小。基于此,应先对正常数据样本分布函数的拟合,再构建混合函数去拟合待测数据集,并据此诊断故障模式。
下面通过一优选实施例对上述实施例所介绍的方法进行详细说明。本实施例只是用来说明本申请实施例的较佳实例,不能以此来限定本申请实施例所要求的权利范围,因此依据本申请实施例权利要求所作的等同变化,依然属于本发明所涵盖的范围。
选择某汽车制造企业最新搭载的WLY·CVT25无极变速箱作为测试对象,如图2所示,该变速箱可匹配1.5L-2.0L排量的发动机,扭矩覆盖范围为250N·m,干重84.5Kg,轴向长度365mm,轴承中心距197mm,速比7.07。实验数据基于传感器采集变速箱在不同工作状态下的振动信号,采集频率15秒一次。整个实验过程在该企业测试车间完成,所有程序在MTLAB 7.0版本上运行。
1、测试数据集
本案例实验所需的数据由3部分组成,正常工作状态的样本数据集Ss,异常工作状态数据集Sa,未知工作状态的待检测数据集St。
样本数据集Ss:将三个同型号的合格变速箱,在相同载荷条件下,分别持续工作24小时,将产生的三个数据集合并,形成正常工作状态下的数据集Snormal。从数据集Snormal中随机选择10个独立小时的数据,合并成为正常工作状态的样本数据集Ss。
异常工作状态数据集Sa:如图3所示,实验选择主动力轴,从动力轴,主动齿轮以及从动齿轮4个变速箱最重要的构成件,作为故障检测的目标。逐一用有裂纹的部件替代变速箱中的合格部件,并在相同载荷下进行测试。针对每个裂纹部件,可采集6个小时的变速箱振动数据,作为异常工作状态数据集Sa。
此外,由于相较于裂纹,磨损老旧的部件产生的振动信号的差异性不那么明显,为了测试本发明实施例提出的检测方法的灵敏性,可采用老旧磨损的部件,逐一替代变速箱中的合格部件,并在相同载荷下进行测试,收集6个小时的振动数据。为了清晰的表达这些数据集,按表1进行标号,以免造成不必要的困扰。表1为各部件异常工作状态数据集,如下所示:
表1
动力轴 | 从动轴 | 主动齿轮 | 从动齿轮 | |
裂纹 | S<sub>a1</sub>(C) | S<sub>a2</sub>(C) | S<sub>a3</sub>(C) | S<sub>a4</sub>(C) |
磨损 | S<sub>a1</sub>(A) | S<sub>a2</sub>(A) | S<sub>a3</sub>(A) | S<sub>a4</sub>(A) |
未知工作状态的待检测数据集St:在收集到的正常工作状态下的数据集Snormal中依次加入不同类别的异常工作状态数据集Sa,形成待检测数据集St。基于前文的假设,故障模式只占整体数据集很小的一部分,异常数据集比例控制在正常工作数据集的5%以下,即从采集到的各类异常数据集中随机选择不大于3个小时的数据规模,与数据集Snormal合并。最终形成8条测试数据集,构成它们的每种数据集的比例。
表2为8条待测数据集的具体信息,如下所示:
表2
2.测试结果
对于样本数据集Ss和异常数据集Sa,基于本发明实施例提出的检测算法,拟合出数据分布。根据检测框架,样本数据集的分布参数将继续参与后续分析,而异常数据集的分布参数和比例作为该类异常的数据标签,用来与本发明实施例的检测结果进行对比,不直接参与对未知工作状态的待检测数据集St检测中。
经过拟合样本数据集Ss的概率密度函数的参数为θs=(μ=0.0126;σ=36.432)。数据集St1~St8的检测结果展示在表3中,将基于本专利方法检测出的故障数据分布函数以及占比例与实际标签进行对比,所有结果精确到小数点后三位。表3为故障检测结果与实际标签对比,如下所示:
表3
从表3中的实验结果可以看出,基于本发明实施例提出的方法在检测每条测试数据集的故障模式时,在数据分布函数的各个参数上均达到了90%以上的契合度,尤其在识别磨损老旧零部件时,依然表现出很高的灵敏性,以此可以证明本专利提出的检测方法的有效性。此外,基于检测结果,还可以得出以下结论:
1)轴承故障的明显程度大于齿轮;
2)主动部件的故障明显程度大于从动部件;
3)裂纹部件的故障明显程度大于磨损老旧部件。
基于同一发明构思,如图4所示,本申请实施例还提供了一种基于振动信号分布特征识别的变速箱故障检测***400,包括:
待测数据集采集模块410,配置成采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;其中,待测数据集中包括变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据;
模型构建模块420,配置成基于待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
异常振动数据识别模块430,配置成对构建的故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,通过识别待测数据集中的异常数据模式对变速箱进行故障检测;
识别结果输出模块440,配置成基于对异常数据模式分布特征的识别,输出变速箱故障类型的检测结果。
在本发明一可选实施例中,如图5所示,上述***还可以包括样本数据集收集模块450,其可以配置成:
采集变速箱正常运行状态下产生的正常振动信号,并为正常振动信号组成的数据集添加标签;
基于添加标签后的正常振动信号组成的数据集,通过随机抽样的方法建立正常的样本数据集。
在本发明一可选实施例中,模型构建模块440,其还可以配置成:
使用混合多元高斯分布函数对样本数据集的数据分布进行拟合,得到样本数据集的第一分布函数,并基于最大似然算法估计第一分布函数中的第一参数;
使用混合多元高斯分布函数对待测数据集的数据分布进行拟合,得到待测数据集的第二分布函数,并基于最大似然算法估计第二分布函数中的第二参数;
基于第一分布函数、第一参数、第二分布函数以及第二参数构建故障检测模型;其中,故障检测模型为混合分布函数模型。
在本发明一可选实施例中,模型构建模块440,其还可以配置成:
基于不动点迭代法迭代并求解第一参数和第二参数。
在本发明一可选实施例中,通过第一公式对样本数据集的数据分布进行拟合;
第一公式为:
D(Ss)=fs(x|θs)
其中,fs表示第一分布函数;θs表示第一参数;D(Ss)表示样本数据集的数据分布。
在本发明一可选实施例中,通过第二公式对待测数据集的数据分布进行拟合;
第二公式为:
D(St)=F(x|θt)
其中,F表示第二分布函数;θt表示第二参数;D(St)表示待测数据集的数据分布。
在本发明一可选实施例中,通过第三公式构建故障检测模型;
第三公式为:
在本发明一可选实施例中,异常振动数据识别模块430,其还可以配置成:
对构建的故障检测模型,以数据分布特征为度量,对样本数据集和待测数据集的分布结构进行拟合与分析,根据第三公式得出异常数据模式的第三分布函数,并基于第三分布函数识别待测数据集中的异常数据模式对变速箱进行故障检测。
本发明实施例提供了一种高效的基于振动信号分布特征识别的变速箱故障检测方法和***,其中,基于振动信号分布特征识别的变速箱故障检测方法作为一种基于集体离群点检测的半监督方法,基于有标签的正常数据样本,以数据分布为度量,对变速箱工作时产生的振动信号数据流进行检测。那些服从未知分布的数据模式将被识别为集体离群点,这些集体离群点反映了变速箱中可能由故障导致的异常数据模式。另外,在本发明实施例提供的方法中,主要是基于对正常数据样本分布函数的拟合,构建混合函数去拟合待测数据集,将待测数据集中与数据样本分布显著不同的数据分布识别为集体离群点,并据此诊断故障模式。
综上所述,与现有技术相比,具备以下有益效果:
1、在变速箱持续工作时,可快速且有效检测出实时产生的故障;
2、在多振动源影响的复杂工作环境下,可准确识别变速箱异常,并且有较强的鲁棒性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于振动信号分布特征识别的变速箱故障检测方法,包括:
采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;其中,所述待测数据集中包括变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据;
基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测;
基于对所述异常数据模式分布特征的识别,输出所述变速箱故障类型的检测结果;
采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集之前,还包括:
采集所述变速箱正常运行状态下产生的正常振动信号,并为所述正常振动信号组成的数据集添加标签;
基于添加标签后的所述正常振动信号组成的数据集,通过随机抽样的方法建立正常的样本数据集;
基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型,包括:
使用混合多元高斯分布函数对所述样本数据集的数据分布进行拟合,得到所述样本数据集的第一分布函数,并基于最大似然算法估计所述第一分布函数中的第一参数;
使用混合多元高斯分布函数对所述待测数据集的数据分布进行拟合,得到所述待测数据集的第二分布函数,并基于最大似然算法估计所述第二分布函数中的第二参数;
基于所述第一分布函数、第一参数、第二分布函数以及第二参数构建所述故障检测模型;其中,所述故障检测模型为混合分布函数模型;
通过第三公式构建所述故障检测模型;
所述第三公式为:
2.根据权利要求1所述的方法,其特征在于,基于所述第一分布函数、第一参数、第二分布函数以及第二参数构建所述故障检测模型之前,还包括:
基于不动点迭代法对最大似然方程进行迭代处理并求解所述第一参数和第二参数。
3.根据权利要求1所述的方法,其特征在于,通过第一公式对所述样本数据集的数据分布进行拟合;
所述第一公式为:
D(Ss)=fs(x|θs)
其中,fs表示第一分布函数;θs表示第一参数;D(Ss)表示样本数据集的数据分布。
4.根据权利要求3所述的方法,其特征在于,通过第二公式对所述待测数据集的数据分布进行拟合;
所述第二公式为:
D(St)=F(x|θt)
其中,F表示第二分布函数;θt表示第二参数;D(St)表示待测数据集的数据分布。
5.根据权利要求1所述的方法,其特征在于,对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测,包括:
对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,根据第三公式得出所述异常数据模式的第三分布函数,并基于所述第三分布函数识别所述待测数据集中的异常数据模式对变速箱进行故障检测。
6.一种基于振动信号分布特征识别的变速箱故障检测***,包括:
待测数据集采集模块,配置成采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集;其中,所述待测数据集中包括变速箱正常运行状态下产生的正常振动数据和由故障导致的异常振动数据;
模型构建模块,配置成基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型;
异常振动数据识别模块,配置成对构建的所述故障检测模型,以数据分布特征为度量,对所述样本数据集和所述待测数据集的分布结构进行拟合与分析,通过识别所述待测数据集中的异常数据模式对变速箱进行故障检测;
识别结果输出模块,配置成基于对所述异常数据模式分布特征的识别,输出所述变速箱故障类型的检测结果;
采集变速箱在汽车行驶过程中实时产生的振动信号,建立待测数据集之前,还包括:
采集所述变速箱正常运行状态下产生的正常振动信号,并为所述正常振动信号组成的数据集添加标签;
基于添加标签后的所述正常振动信号组成的数据集,通过随机抽样的方法建立正常的样本数据集;
基于所述待测数据集和预设的反映变速箱正常工作状态的样本数据集构建故障检测模型,包括:
使用混合多元高斯分布函数对所述样本数据集的数据分布进行拟合,得到所述样本数据集的第一分布函数,并基于最大似然算法估计所述第一分布函数中的第一参数;
使用混合多元高斯分布函数对所述待测数据集的数据分布进行拟合,得到所述待测数据集的第二分布函数,并基于最大似然算法估计所述第二分布函数中的第二参数;
基于所述第一分布函数、第一参数、第二分布函数以及第二参数构建所述故障检测模型;其中,所述故障检测模型为混合分布函数模型;
通过第三公式构建所述故障检测模型;
所述第三公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221599.0A CN110967184B (zh) | 2019-12-03 | 2019-12-03 | 基于振动信号分布特征识别的变速箱故障检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221599.0A CN110967184B (zh) | 2019-12-03 | 2019-12-03 | 基于振动信号分布特征识别的变速箱故障检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110967184A CN110967184A (zh) | 2020-04-07 |
CN110967184B true CN110967184B (zh) | 2021-06-11 |
Family
ID=70032713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911221599.0A Active CN110967184B (zh) | 2019-12-03 | 2019-12-03 | 基于振动信号分布特征识别的变速箱故障检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967184B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033950B (zh) * | 2023-10-08 | 2023-12-26 | 华中科技大学 | 一种gis隔离开关机械故障在线诊断方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049653A (zh) * | 2012-12-17 | 2013-04-17 | 南京航空航天大学 | 基于em算法的g0分布参数最大似然估计方法 |
KR20140071016A (ko) * | 2012-12-03 | 2014-06-11 | 엘지디스플레이 주식회사 | 패널 검사 방법 |
KR20140120716A (ko) * | 2013-04-04 | 2014-10-14 | 한국기술교육대학교 산학협력단 | 불균일한 텍스쳐 표면의 불량 검출방법 |
CN104376211A (zh) * | 2014-11-14 | 2015-02-25 | 合肥工业大学 | 一种坐标测量机测量不确定度评定方法 |
CN104392040A (zh) * | 2014-11-20 | 2015-03-04 | 合肥工业大学 | 一种基于测量不确定度的产品检验误判率计算方法 |
CN104636496A (zh) * | 2015-03-04 | 2015-05-20 | 重庆理工大学 | 基于高斯分布和距离相似度的混合聚类的推荐方法 |
CN107942308A (zh) * | 2017-10-19 | 2018-04-20 | 西安电子科技大学 | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2007104027A (ru) * | 2004-07-02 | 2008-08-10 | Вайбрейшн Рисерч Корпорейшн (Us) | Система и способ для одновременного управления спектром и эксцессом случайной вибрации |
CN100460845C (zh) * | 2007-02-07 | 2009-02-11 | 北京航空航天大学 | 一种非高斯随机振动激励信号生成方法及其装置 |
-
2019
- 2019-12-03 CN CN201911221599.0A patent/CN110967184B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140071016A (ko) * | 2012-12-03 | 2014-06-11 | 엘지디스플레이 주식회사 | 패널 검사 방법 |
CN103049653A (zh) * | 2012-12-17 | 2013-04-17 | 南京航空航天大学 | 基于em算法的g0分布参数最大似然估计方法 |
KR20140120716A (ko) * | 2013-04-04 | 2014-10-14 | 한국기술교육대학교 산학협력단 | 불균일한 텍스쳐 표면의 불량 검출방법 |
CN104376211A (zh) * | 2014-11-14 | 2015-02-25 | 合肥工业大学 | 一种坐标测量机测量不确定度评定方法 |
CN104392040A (zh) * | 2014-11-20 | 2015-03-04 | 合肥工业大学 | 一种基于测量不确定度的产品检验误判率计算方法 |
CN104636496A (zh) * | 2015-03-04 | 2015-05-20 | 重庆理工大学 | 基于高斯分布和距离相似度的混合聚类的推荐方法 |
CN107942308A (zh) * | 2017-10-19 | 2018-04-20 | 西安电子科技大学 | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 |
Non-Patent Citations (2)
Title |
---|
Pseudo maximum likelihood estimation of structural models involving fixed-point problems;Victor Aguirregabiria;《science direct》;20040930;全文 * |
机械故障信号统计建模及其故障诊断方法的研究;李长宁;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20110815;第17-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110967184A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
US8725456B1 (en) | Decomposition technique for remaining useful life prediction | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Chen et al. | Generalized open-set domain adaptation in mechanical fault diagnosis using multiple metric weighting learning network | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及*** | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和*** | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
Xu et al. | Constructing a health indicator for bearing degradation assessment via an unsupervised and enhanced stacked autoencoder | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
Yuan et al. | Research on intermittent fault diagnosis of rolling bearing based on interval-valued evidence construction and possibility | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |