[發(fā)明專利]用于自動(dòng)檢測(cè)旋轉(zhuǎn)軸上的缺陷的方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201580027222.5
• 申請(qǐng)日: 2015-04-24
• 公開(kāi)（公告）號(hào): CN106796579A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 胡安·卡洛斯·加西亞普拉達(dá);克里斯蒂娜·卡斯特洪西薩蒙;馬里亞·赫蘇斯·戈麥斯加西亞;赫蘇斯·梅內(nèi)塞斯阿隆索
• 申請(qǐng)（專利權(quán)）人: 阿爾斯通運(yùn)輸技術(shù)公司;達(dá)諾巴特集團(tuán);SKF西班牙公司;馬德里卡洛斯三世大學(xué)
• 主分類號(hào): G06F17/14
• 分類號(hào): G06F17/14
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司11227
• 代理人: 唐京橋,李春暉

技術(shù)領(lǐng)域

本發(fā)明應(yīng)用于缺陷學(xué)以及防損領(lǐng)域，更特別地，應(yīng)用在旋轉(zhuǎn)軸例如鐵路車軸中的故障的自動(dòng)檢測(cè)中，以診斷所述軸的狀況并且確保所述軸的維護(hù)。

背景技術(shù)

如今，用于診斷和監(jiān)視機(jī)械系統(tǒng)的狀況的方法在工業(yè)上具有巨大的意義。預(yù)見(jiàn)性的維護(hù)對(duì)防止旋轉(zhuǎn)機(jī)器中的斷裂是基本的，并且最廣泛使用的診斷方法之一是振動(dòng)分析，因?yàn)榭梢詮穆晫W(xué)信號(hào)和振動(dòng)信號(hào)中提取用于檢測(cè)機(jī)械缺陷的有用的模式。

檢測(cè)旋轉(zhuǎn)機(jī)械元件中的缺陷對(duì)于所述元件的維護(hù)是關(guān)鍵的，并且由于在工業(yè)應(yīng)用中齒輪和軸承是最廣泛使用的部件的事實(shí)，已經(jīng)針對(duì)這些元件充分發(fā)展了這些監(jiān)視技術(shù)。然而，如今，所應(yīng)用的維護(hù)技術(shù)取決于部件而非常不同，并且對(duì)于機(jī)械元件例如鐵路車軸，目前主要使用不同類型的超聲波無(wú)損探傷技術(shù)。在該情況下，建立固定的間隔以便執(zhí)行探傷，當(dāng)執(zhí)行探傷時(shí)，必須使機(jī)器在過(guò)程中停止運(yùn)行，甚至移除車輪，這必然引起花費(fèi)。此外，超聲具有不能在包括部件中的變化的區(qū)域(其恰恰是最可能具有裂縫的區(qū)域)中提供非常高的成功率的缺點(diǎn)，并且在磁性粒子(另一種通用技術(shù))的情況下，探傷設(shè)備的低自動(dòng)化水平意味著該技術(shù)易受人為誤差的影響。

與此相反，基于狀況監(jiān)視的技術(shù)具有無(wú)需停止以及拆除機(jī)器以檢查其元件的狀況的優(yōu)勢(shì)，并且此外在故障變得嚴(yán)重之前檢測(cè)到故障的可能性增加，從而避免了損失并且增加了過(guò)程安全。在近幾十年中，這兩個(gè)原因已經(jīng)將工業(yè)過(guò)程中的狀況監(jiān)視轉(zhuǎn)變成大量研究項(xiàng)目的對(duì)象。

具體地涉及軸監(jiān)視，自從二十世紀(jì)六十年代以來(lái)，已經(jīng)使用缺陷軸和正常軸來(lái)對(duì)軸的動(dòng)態(tài)行為進(jìn)行了許多研究。然而，這樣的研究通常不包括缺陷識(shí)別的逆過(guò)程。關(guān)于檢測(cè)軸中的缺陷的問(wèn)題，現(xiàn)有技術(shù)中存在的診斷方法可以被分為基于振動(dòng)的方法、基于模態(tài)分析的方法以及非常規(guī)技術(shù)。

關(guān)于非常規(guī)方法，除了復(fù)雜的信號(hào)處理技術(shù)例如小波變換(WT)之外，在該領(lǐng)域中例如還包括使用智能分類系統(tǒng)例如神經(jīng)網(wǎng)絡(luò)和模糊邏輯的方法。實(shí)際上，小波變換(WT)是最廣泛地用于信號(hào)處理的工具。小波變換的使用正在代替FFT的使用，因?yàn)樾〔ㄗ儞Q能夠通過(guò)包括關(guān)于時(shí)域的信息來(lái)消除常規(guī)技術(shù)的限制。因此，WT是用于處理非平穩(wěn)信號(hào)的非常合適的工具，使其特別適用于機(jī)器中的缺陷技術(shù)，因?yàn)楫?dāng)在元件內(nèi)出現(xiàn)裂紋時(shí)，在信號(hào)中產(chǎn)生僅考慮頻域不能被檢測(cè)到的瞬態(tài)效應(yīng)。因此，在近些年，對(duì)于軸和其他重要機(jī)械元件例如軸承、齒輪以及包括結(jié)構(gòu)元件的缺陷技術(shù)，小波變換已經(jīng)變得更加重要。

在WT上取得的最新進(jìn)步之一是具有大量應(yīng)用的所謂的小波包變換(WPT)。該技術(shù)允許信號(hào)的所有頻帶的分解，這使得能夠找到正常元件與缺陷元件之間的差異，這還使得能夠增加或者降低用于研究信息的分辨率。雖然從WPT獲得的系數(shù)可以直接用作用于缺陷檢測(cè)的模式，因?yàn)橄禂?shù)對(duì)故障非常敏感，但是存在用于應(yīng)用該技術(shù)并且使用與系數(shù)有關(guān)的其他類型的信息(例如信號(hào)或能量量度的統(tǒng)計(jì)參數(shù))的許多替選方案。

用于診斷機(jī)器中的缺陷的現(xiàn)有技術(shù)設(shè)置有不同類型的人工分類器。人工分類器已經(jīng)從初始的傳統(tǒng)的(確定性的和概率性的)統(tǒng)計(jì)方法進(jìn)步到：決策制定(decision making)、語(yǔ)法方法(syntactic approaches)或決策樹(shù)；最近已經(jīng)通過(guò)軟件包發(fā)展并且源于早前的方法的其他方法，例如模糊群理論方法、遺傳算法和連接算法(ANN：人工神經(jīng)網(wǎng)絡(luò))；以及包括所有前述的混合版本。如今，ANN已經(jīng)成為對(duì)于工業(yè)有巨大意義的智能分類系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)是受動(dòng)物內(nèi)的神經(jīng)系統(tǒng)如何工作啟發(fā)的自動(dòng)學(xué)習(xí)和自動(dòng)處理的示例。它是在合作產(chǎn)生輸出刺激的網(wǎng)絡(luò)中的互相連接的神經(jīng)元的系統(tǒng)。在人工智能領(lǐng)域，它們通常被稱作神經(jīng)網(wǎng)絡(luò)。基本神經(jīng)單元的基本部分是：

●輸入：刺激神經(jīng)元的向量(p_j)。其包括ANN要被施加到的現(xiàn)象(phenomenon)的最具代表性的數(shù)據(jù)(模式)。

●權(quán)重(weight)：與網(wǎng)絡(luò)中的神經(jīng)元之間的連接中的每一個(gè)相關(guān)聯(lián)的值(w_j)。這樣的權(quán)重的變化確定學(xué)習(xí)過(guò)程。

●激活函數(shù)：其負(fù)責(zé)根據(jù)總的輸入來(lái)計(jì)算神經(jīng)元的激活水平或者激活狀態(tài)。其可能是最好地限定了神經(jīng)元行為的神經(jīng)元的主要特征。在不同的ANN架構(gòu)中，最常用的激活函數(shù)是：Sigmoid函數(shù)，其獲得區(qū)間[0,1]中的值；以及雙曲正切函數(shù)，其獲得區(qū)間[-1,1]中的值。

●網(wǎng)絡(luò)函數(shù)或者傳播函數(shù)：其計(jì)算神經(jīng)單元的基線值或者總的輸入。其相當(dāng)于刺激或者抑制生物神經(jīng)元的信號(hào)的組合。最廣泛使用的網(wǎng)絡(luò)函數(shù)是線性函數(shù)和二階函數(shù)。對(duì)于線性網(wǎng)絡(luò)函數(shù)，用于獲得神經(jīng)單元的輸出的等式是：