一种基于灰度关联分析的机械故障状态监测系统及方法与流程

本发明涉及机械故障状态监测技术领域，具体地说是一种基于灰度关联分析的机械故障状态监测系统及方法。

背景技术：

机械故障状态监测是一种基于设备当前和历史状态信息，并使用相关分析方法对机械状态进行定量和定性分析的技术。机械运行过程中，故障与征兆之间没有确定的映射关系，因此可以将机械看作是一个复杂的灰色系统。

灰色关联分析方法作为灰色理论的一个重要组成部分，目前在机械故障监测领域被广泛应用，并取得了良好效果。但是，传统灰色关联分析方法存在关联度值受分辨系数影响而不唯一、关联度值离散性不强、结果趋于均化且可靠性低、忽略了因子权重差异等问题。

基于此，本发明提供一种能够有效解决上述问题的基于灰度关联分析的机械故障状态监测系统及方法，通过使用灰色关联分析方法作为机械故障状态监测方法来提高机械故障状态监测结果的准确性和可靠性。

技术实现要素：

本发明的技术任务是针对以上不足之处，提供一种基于灰度关联分析的机械故障状态监测系统及方法。

一种基于灰度关联分析的机械故障状态监测系统，包括：

数据获取模块，用于获取机械的状态数据；

数据处理模块，用于对获取的状态数据进行预处理，将该状态数据处理成向量；

数据分析模块，通过灰色关联分析方法对获取的向量进行分析，确定机械故障状态；

结果显示模块，将数据分析模块分析的结果进行展示。

所述机械的状态数据包括样本状态数据和实时状态数据，相对应的，数据处理模块将状态数据处理成样本状态下的参考向量和实时状态下的比较向量，由数据分析模块通过灰色关联分析方法分析两种变量后再通过结果显示模块将结果进行展示。

所述数据获取模块获取机械在样本状态下的状态数据过程为：首先自定义设置样本状态，并将机械置于该样本状态下，在机械上配置振动传感器，将机械开启，通过振动传感器获取机械在该样本状态下的状态数据并发送给数据获取模块。

数据获取模块获取机械在实时状态下的状态数据过程为：将机械置于工作环境中，在机械上配置振动传感器，将机械开启，通过振动传感器获取机械在该样本状态下的状态数据并发送给数据获取模块。

数据处理模块将状态数据处理成向量的具体过程为：数据获取模块将获取的样本状态数据或实时状态数据发送给数据处理模块，数据处理模块将该样本状态数据或实时状态数据进行傅里叶变换，得到对应的频谱特征值，然后将该频谱特征值分别作为参考向量或比较向量。

一种基于灰度关联分析的机械故障状态监测方法，其实现步骤为：

一、首先获取不同环境下机械的状态数据；

二、然后将机械的状态数据处理成向量；

三、使用灰色关联分析方法对所有的向量进行比较分析，得到机械故障状态，完成对机械故障状态监测。

所述不同环境包括作为样本用作对比的样本状态环境和机械正常工作时的实时环境。

所述步骤一的具体实现过程包括：

当获取样本状态环境的状态数据时，首先将机械置于自定义的样本环境下，然后在机械上配置振动传感器，将机械开启，最后通过振动传感器获取机械在该样本状态下的状态数据；

当获取实时状态环境下的状态数据时，首先将机械置于工作环境中，然后在机械上配置振动传感器，将机械开启，最后通过振动传感器获取机械在该样本状态下的状态数据。

在步骤二中，将状态数据处理成向量是指通过进行傅里叶变换得到得到频谱特征值，然后将频谱特征值作为状态监测过程中的向量。

当获取样本状态环境的状态数据后，对该状态数据进行傅里叶变换以得到频谱特征值，将该频谱特征值作为状态监测过程中的参考向量；当获取实时状态环境的状态数据后，对该状态数据该状态数据进行傅里叶变换以得到频谱特征值，将该频谱特征值作为实时工作过程中的比较向量，该参考向量和比较向量即为通过灰色关联分析方法对比分析的向量。

本发明的一种基于灰度关联分析的机械故障状态监测系统及方法和现有技术相比，具有以下有益效果：

本发明的一种基于灰度关联分析的机械故障状态监测系统及方法解决了传统方法存在的关联度值受分辨系数影响而不唯一等问题，使用灰色关联分析方法作为机械故障状态监测方法，有效提高机械故障状态监测结果的准确性和可靠性，实用性强，适用范围广泛，易于推广。

附图说明

附图1是本发明的系统结构示意图。

附图2是本发明的方法实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

如附图1所示，一种基于灰度关联分析的机械故障状态监测系统，包括：

数据获取模块，用于获取机械的状态数据；

数据处理模块，用于对获取的状态数据进行预处理，将该状态数据处理成向量；

数据分析模块，通过灰色关联分析方法对获取的向量进行分析，确定机械故障状态；

结果显示模块，将数据分析模块分析的结果进行展示。

所述机械的状态数据包括样本状态数据和实时状态数据，相对应的，数据处理模块将状态数据处理成样本状态下的参考向量和实时状态下的比较向量，由数据分析模块通过灰色关联分析方法分析两种变量后再通过结果显示模块将结果进行展示。

所述数据获取模块获取机械在样本状态下的状态数据过程为：首先自定义设置样本状态，并将机械置于该样本状态下，在机械上配置振动传感器，将机械开启，通过振动传感器获取机械在该样本状态下的状态数据并发送给数据获取模块。

数据获取模块获取机械在实时状态下的状态数据过程为：将机械置于工作环境中，在机械上配置振动传感器，将机械开启，通过振动传感器获取机械在该样本状态下的状态数据并发送给数据获取模块。

数据处理模块将状态数据处理成向量的具体过程为：数据获取模块将获取的样本状态数据或实时状态数据发送给数据处理模块，数据处理模块将该样本状态数据或实时状态数据进行傅里叶变换，得到对应的频谱特征值，然后将该频谱特征值分别作为参考向量或比较向量。

如附图2所示，一种基于灰度关联分析的机械故障状态监测方法，其实现步骤为：

一、首先获取不同环境下机械的状态数据；

二、然后将机械的状态数据处理成向量；

三、使用灰色关联分析方法对所有的向量进行比较分析，得到机械故障状态，完成对机械故障状态监测。

所述不同环境包括作为样本用作对比的样本状态环境和机械正常工作时的实时环境。

所述步骤一的具体实现过程包括：

当获取样本状态环境的状态数据时，首先将机械置于自定义的样本环境下，然后在机械上配置振动传感器，将机械开启，最后通过振动传感器获取机械在该样本状态下的状态数据；

当获取实时状态环境下的状态数据时，首先将机械置于工作环境中，然后在机械上配置振动传感器，将机械开启，最后通过振动传感器获取机械在该样本状态下的状态数据。

在步骤二中，将状态数据处理成向量是指通过进行傅里叶变换得到得到频谱特征值，然后将频谱特征值作为状态监测过程中的向量。

当获取样本状态环境的状态数据后，对该状态数据进行傅里叶变换以得到频谱特征值，将该频谱特征值作为状态监测过程中的参考向量；当获取实时状态环境的状态数据后，对该状态数据该状态数据进行傅里叶变换以得到频谱特征值，将该频谱特征值作为实时工作过程中的比较向量，该参考向量和比较向量即为通过灰色关联分析方法对比分析的向量。

本发明以数控机床主轴零件松动(f1)、配合松动(f2)和动不平衡(f3)三种状态为例进行实施方式的详细说明。

使用传感器采集数控机床主轴分别处在三种故障状态下的振动信号，通过傅里叶变换进行频谱分析，可得到特定状态下的频谱特征。数控机床主轴故障机理分析及不同状态下的频谱图表明，不同状态对应不同的频谱特征，主要表现在频谱图中0.4-0.5倍频(f1)、1倍频(f2)、2倍频(f3)、3倍频(f4)和大于3倍频(f5)的特征频段振幅不同。因此，本发明分析时将这5个特征频段振幅作为特征值。

为进行分析，针对每种状态，本发明采用5组振动信号(每组包含100个数据)，经傅里叶分析，得到特定状态下的5组特征值，归一化后，构成对应于三种状态的15组特征值(1-5对应于状态f1，6-10对应于状态f2，11-15对应于状态f3)，如表1所示。

表1故障信号特征值表

选取表1中序号为1、6和11的行作为参考向量，形式为(y1,y2,y3)^t,其中yj＝(yj(1),yj(2),yj(3),yj(4),yj(5))(j＝1,2,3)。j＝1时，代表数控机床主轴处于f1状态；j＝2时，代表数控机床主轴处于f2状态；j＝3时，代表数控机床主轴处于f3状态。实际应用中，参考向量的选取影响识别结果的准确性和可靠性，可视特定故障状态下的所有特征值平均值为参考向量；另外，也可将所有特征值均作为参考向量，故障识别时，比较向量与每个参考向量进行新型灰关联分析，将得到的多个识别结果进行综合处理，可使识别结果更准确可靠。

选取表1中除序号为1、6和11之外的其他所有行作为比较向量，形式为(x1,x2,…,x12)^t，其中xi＝(xi(1),xi(2),xi(3),xi(4),xi(5))(i＝1,2,…,12)，该组向量用来验证本文方法是否有效，其中，x1-x4为数控机床主轴f1特征信号；x5-x8为数控机床主轴f2特征信号；x9-x12为数控机床主轴f3特征信号。实际应用中，运行过程中获取的每一特征值均可作为比较向量。

进行灰色关联分析，得到状态识别结果，如表2所示。表2中，ζ列表示特定比较向量对应的动态分辨系数；关联度列表示比较向量与各参考向量的关联强度，关联度值越大，表示关联程度越紧密。本实施中，选取关联度值最大者为比较向量对应的故障状态。

表2新型灰关联分析识别结果

从表2可得出以下结论：灰色关联分析方法可有效地识别数控机床主轴的三种状态；比较向量所属故障状态对应的关联度值分量与其他分量的距离较大，识别结果可靠。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。