一种基于多传感器信息融合的齿轮故障诊断方法
【专利摘要】本发明提供一种基于多传感器信息融合的齿轮故障诊断方法，该方法主要步骤如下：利用振动传感器采集传感器振动信号；采用spline样条插值同步重构方法，对每个传感器振动信号进行同步整合；采用小波变换分解得到各频带内的小波系数；对各频带的小波系数进行相关降噪处理，得到高信噪比的小波系数；计算高信噪比的小波系数的能谱熵；将各层系数能谱熵输入到SOM神经网路中，得到子证据；按照D-S证据理论的融合规则对各传感器子证据进行融合诊断。该方法对故障诊断结果的信任程度进一步增加，可适应一定的噪声干扰，减小了因为误差带来的整体不确定性，大大提高了故障诊断的准确性，是信息融合领域非常重要的手段。
【专利说明】一种基于多传感器信息融合的齿轮故障诊断方法
【技术领域】
[0001] 本发明涉及一种齿轮故障诊断方法，具体涉及一种基于多传感器信息融合的齿轮 故障诊断方法
【背景技术】
[0002] 齿轮传动作为重载设备最重要的传动方式，其故障会导致重载设备工作效率降 低，甚至严重事故。特别当齿轮受到摩擦力、刚度非线性、非平稳载荷等因素影响表现出的 非平稳特征时，特征信号变得比较微弱，其故障率久高不下，因此，及早实现强噪声背景下 齿轮故障检测和诊断，对于降低齿轮故障率，提高设备可靠性，促进生产等方面，均有着重 要的实际工程意义。目前齿轮故障诊断多通过对单传感器采集的振动信号进行分析，分析 结果容易产生不确定性，无法正确判断出故障原因。
【发明内容】
[0003] 本发明的目的在于提供一种可真实噪声背景下基于多传感器信息融合的齿轮故 障诊断方法，适应强噪声干扰，能有效地提取故障特征信息，消除识别过程中产生的不确定 性，提_诊断精度。
[0004] 为达到以上目的，本发明是采取如下技术方案予以实现的：
[0005] -种基于多传感器信息融合的齿轮故障诊断方法，其特征在于，该方法具体步骤 如下：
[0006] 利用振动传感器采集传感器振动信号。
[0007] 进一步，同步整合传感器振动信号，步骤如下：
[0008] 采用spline样条插值重构方式，同步同速率异步采集和非整数倍多速率采集。
[0009] 进一步，采用小波变换分解所述的整合后的传感器振动信号，得到各频带内的小 波系数。
[0010] 进一步，对所述各频带的小波系数进行降噪处理，得到高信噪比的小波系数，步骤 如下：
[0011] 对小波系数和相关系数进行能量归一化，得到各层小波系数能量和相关系数的能 量及相关值，组成小波系数之间的相关性；
[0012] 依据小波系数之间的相关性，通过保留振动信号分解的小波系数，消除由噪声分 解的小波系数，达到降噪效果；
[0013] 将信号在不同的相邻尺度的小波系数进行多次相乘，直到小波系数能量满足一个 与噪声能力水平有关的阈值比为止，最后得到信噪比较高的小波系数。
[0014] 进一步，计算高信噪比的小波系数的能谱熵。
[0015] 进一步，将高信噪比小波系数的能谱熵输入到S0M神经网路中，得到传感器的子 证据，步骤如下：
[0016] 对S0M神经网路进行初始化，为S0M神经网络映射层初始权值向量选择较小的随 机值；
[0017] 以各频带小波系数能谱熵作为SOM神经网络的输入向量，输入给输入层；
[0018] 计算映射层的权值向量和输入向量的距离，得到一个具有最小距离的神经元，作 为输出神经元；
[0019] 修正输出神经元及其相邻神经元的权值，得到各传感器的子证据；
[0020] 为了保持各传感器特征数据统一，与各传感器对应的S0M神经网络具有相同的基 本设置；S0M设有1个输入层；1个输出层，无隐含层。
[0021] 最后，按照D-S证据理论的融合规则对所述传感器子证据进行融合诊断，步骤如 下：
[0022] 构造D-S证据理论识别框架Q，步骤如下：
[0023] 根据所述S0M神经网络输出神经元产生识别不确定性特点、所述竞争层不同故障 类型聚类神经元的聚类位置和识别框架各焦元基本信任函数分配方法，构造D-S证据理论 识别框架Q。
[0024] 分配所述识别框架Q内各焦元基本信任函数，步骤如下：
[0025] 本发明提出基于统计S0M神经网络识别率的基本信任函数分配方法，根据S0M神 经网络竞争层不同故障类型聚类神经元的聚类位置，将S0M神经网络竞争层划分为多个不 同的区域，每个区域与识别框架中每个焦元相对应，统计每种故障类型测试样本输出神经 元落入各区域的个数，进而得到每种故障类型样本输出神经元落入各区域的概率，以此完 成识别框架各焦元基本信任函数的分配；
[0026] 根据基本信任函数及D-S证据理论的融合规则，计算多传感器子证据融合后的可 信度大小，判断融合后的输出结果。
[0027] 本发明的有益效果是故障诊断结果可靠，可适应强噪声背景干扰，有效提取故障 特征信息，消除识别过程中产生的不确定性，大大提高了故障诊断的准确性，适用于采煤机 等在恶劣工作环境下重载设备传动齿轮的故障诊断。
【专利附图】
【附图说明】
[0028] 图1为本发明所述方法的流程图；
[0029]图2为本发明实施例采集的四种状态齿轮的时域波形图；
[0030] 图3为本发明实施例的断齿齿轮振动信号的小波分解结果图；
[0031] 图4为本发明实施例的降噪前后对比图；
[0032] 图5为本发明实施例的降噪前后FFT频谱图对比图；
[0033] 图6为本发明实施例的四种状态齿轮的特征能谱熵；
[0034] 图7为本发明实施例的S0M神经网络识别结果与输入神经元重要度；
[0035] 图8为本发明实施例的传感器1的S0M神经网络竞争层各焦元划分区域；
[0036] 图9为本发明实施例的融合后的齿轮故障识别率比较图。
[0037] 图10为本发明实施例各传感器基本信任函数分配结果。
【具体实施方式】
[0038] 下文将结合附图详细描述本发明的实施例。应当注意的是，下述实施例中描述的 技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好 的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件， 可应用于不同实施例中。
[0039] 如图1所示，一种基于多传感器信息融合的齿轮故障诊断方法，具体步骤如下：
[0040] S100利用振动传感器采集传感器振动信号。
[0041] S200整合所述传感器振动信号，步骤如下：
[0042] 采用spline样条插值重构方式，同步同速率异步采集和非整数倍多速率采集，所 述的spline样条插值重构方式如下所示：
[0043]spline样条插值函数s(t)在子区间[t^，tj上的表达式为：
【权利要求】
1. 一种基于多传感器信息融合的齿轮故障诊断方法，其特征在于，包括如下步骤： 利用振动传感器采集传感器振动信号； 同步整合所述传感器振动信号； 采用小波变换分解所述的整合后的传感器振动信号，得到各频带内的小波系数； 对所述各频带的小波系数进行降噪处理，得到高信噪比的小波系数； 计算所述的高信噪比的小波系数的能谱熵； 将所述高信噪比小波系数的能谱熵输入到SOM神经网路中，得到传感器子证据； 按照D-S证据理论的融合规则对所述传感器子证据进行融合诊断。
2. 如权利要求1所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的同步整合所述传感器振动信号的步骤，采用spline样条插值重构方式，同步同 速率异步采集和非整数倍多速率采集。
3. 如权利要求1所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的对所述各频带的小波系数进行降噪处理，得到高信噪比的小波系数的步骤如 下： 利用所述分解后的小波系数，与相邻尺度的小波系数相乘，得到相关系数； 对所述分解后的小波系数和所述相关系数进行能量归一化，得到各层小波系数能量和 相关系数的能量及相关值，组成小波系数之间的相关性； 依据所述小波系数之间的相关性，通过保留振动信号分解的小波系数，消除由噪声分 解的小波系数，达到降噪效果； 将其他所述分解后的小波系数与相邻尺度的小波系数进行多次相乘，直到小波系数能 量满足一个与噪声能力水平有关的阈值比为止，最后得到信噪比较高的小波系数。
4. 如权利要求1所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的将所述高信噪比小波系数的能谱熵输入到SOM神经网路中，得到传感器子证据 的步骤如下： 对SOM神经网络进行初始化，为所述SOM神经网络映射层初始权值向量选择较小的随 机值； 以所述高信噪比小波系数的能谱熵作为所述SOM神经网络的输入向量，输入到输入 层； 计算所述映射层的权值向量和所述输入向量的距离，得到一个具有最小距离的神经 元，作为输出神经元； 修正所述输出神经元及其相邻神经元的权值，得到各传感器的子证据。
5. 如权利要求1所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的按照D-S证据理论的融合规则对所述传感器子证据进行融合诊断的步骤如下： 构造D-S证据理论识别框架Q ; 分配所述识别框架Q内各焦元基本信任函数； 根据所述基本信任函数及所述D-S证据理论的融合规则，计算多传感器子证据融合后 的可信度大小，判断融合后的输出结果。
6. 如权利要求5所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的构造D-S证据理论识别框架Q的步骤如下： 根据所述SOM神经网络输出神经元产生识别不确定性特点、所述竞争层不同故障类型 聚类神经元的聚类位置和识别框架各焦元基本信任函数分配方法，构造D-S证据理论识别 框架Q。
7.如权利要求5所述的一种基于多传感器信息融合的齿轮故障诊断方法，其特征在 于，所述的分配所述识别框架Q内各焦元基本信任函数的步骤如下： 根据所述S0M神经网络竞争层不同故障类型聚类神经元的聚类位置，将所述S0M神经 网络竞争层划分为多个不同的区域，每个区域与识别框架中每个焦元相对应，统计每种故 障类型测试样本输出神经元落入各区域的个数，进而得到每种故障类型样本输出神经元落 入各区域的概率，以此完成识别框架各焦元基本信任函数的分配。
【文档编号】G01M13/02GK104330255SQ201410614389
【公开日】2015年2月4日 申请日期:2014年11月4日 优先权日:2014年11月4日
【发明者】程刚, 陈曦晖, 胡晓, 山显雷, 刘后广 申请人:徐州隆安光电科技有限公司