[發(fā)明專(zhuān)利]一種機(jī)械設(shè)備故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810232882.2
• 申請(qǐng)日: 2018-03-21
• 公開(kāi)（公告）號(hào): CN108827671A
• 公開(kāi)（公告）日: 2018-11-16
• 發(fā)明（設(shè)計(jì)）人: 樓佩煌;郭大宏;錢(qián)曉明;屠嘉晨;張炯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京航空航天大學(xué);天奇自動(dòng)化工程股份有限公司
• 主分類(lèi)號(hào): G01M99/00
• 分類(lèi)號(hào): G01M99/00
• 代理公司: 南京經(jīng)緯專(zhuān)利商標(biāo)代理有限公司 32200
• 代理人: 施昊

本發(fā)明公開(kāi)了一種機(jī)械設(shè)備故障診斷方法。首先，利用信號(hào)分析方法提取傳感器采集信號(hào)中包含的機(jī)械設(shè)備故障特征，并組成故障特征向量；然后，利用故障特征向量離線訓(xùn)練故障診斷分類(lèi)器，所述故障診斷分類(lèi)器采用組合分類(lèi)器，該組合分類(lèi)器采用Adaboost提升算法作為組合方法；最后，運(yùn)用訓(xùn)練好的故障診斷分類(lèi)器實(shí)時(shí)進(jìn)行機(jī)械設(shè)備的故障診斷。本發(fā)明采用組合分類(lèi)方法實(shí)現(xiàn)了機(jī)械設(shè)備零部件故障的診斷，能用于在線實(shí)時(shí)故障診斷，及時(shí)發(fā)現(xiàn)機(jī)械設(shè)備故障，防止重大事故的發(fā)生。同時(shí)，相比較其他故障診斷方法，該方法顯著提高了故障診斷的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于智能系統(tǒng)技術(shù)應(yīng)用領(lǐng)域，特別涉及了一種機(jī)械設(shè)備故障診斷方法。

背景技術(shù)

由于智能化系統(tǒng)的發(fā)展和應(yīng)用，機(jī)械設(shè)備趨向于復(fù)雜化和多功能化，使得日常維護(hù)變得日益困難。系統(tǒng)包含的智能自動(dòng)化設(shè)備越來(lái)越多，其結(jié)構(gòu)復(fù)雜，空間跨度大，涉及到多個(gè)子系統(tǒng)，而且各個(gè)環(huán)節(jié)交互錯(cuò)綜復(fù)雜，任何一個(gè)環(huán)節(jié)的異常或者故障的發(fā)生均有可能導(dǎo)致整體生產(chǎn)效率和可靠性的降低，因此對(duì)于設(shè)備的監(jiān)控和故障診斷變得越來(lái)越重要。近年來(lái)，數(shù)據(jù)庫(kù)和數(shù)據(jù)采集在生產(chǎn)和制造中得到大量應(yīng)用，設(shè)備的狀態(tài)監(jiān)測(cè)系統(tǒng)應(yīng)運(yùn)而生，企業(yè)累計(jì)了大量設(shè)備監(jiān)測(cè)數(shù)據(jù)。這些數(shù)據(jù)的采集和積累使得對(duì)于設(shè)備的實(shí)時(shí)故障診斷成為了可能。同時(shí)，由于大數(shù)據(jù)技術(shù)和人工智能技術(shù)得到了廣泛的重視和發(fā)展，各種數(shù)據(jù)挖掘算法、機(jī)器學(xué)習(xí)算法和可視化技術(shù)的應(yīng)用，使企業(yè)可以充分利用這些數(shù)據(jù)中的大量信息去監(jiān)控機(jī)器的運(yùn)行狀態(tài)、診斷故障原因以及嚴(yán)重程度。將數(shù)據(jù)挖掘或者機(jī)器學(xué)習(xí)算法融入故障診斷技術(shù)，和生產(chǎn)設(shè)備狀態(tài)監(jiān)控相結(jié)合，有助于改善傳統(tǒng)狀態(tài)監(jiān)控系統(tǒng)的不足。

文獻(xiàn)“旋轉(zhuǎn)機(jī)械故障診斷的時(shí)頻分析方法及其應(yīng)用研究[碩士學(xué)位論文]，武漢科技大學(xué)，2014”通過(guò)信號(hào)分析方法對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行分析，從而進(jìn)行故障診斷。文獻(xiàn)“旋轉(zhuǎn)機(jī)械在線監(jiān)測(cè)與故障診斷系統(tǒng)的研究[碩士學(xué)位論文]，電子科技大學(xué)，2013”設(shè)計(jì)了機(jī)械設(shè)備故障監(jiān)控系統(tǒng)和框架。如今雖然已經(jīng)有了很多故障分析方法和監(jiān)控方法，但是對(duì)于在線智能故障診斷仍然缺乏高效的方法，有的算法缺乏通用性，有的算法精度不高，難以滿(mǎn)足需求。

發(fā)明內(nèi)容

為了解決上述背景技術(shù)提出的技術(shù)問(wèn)題，本發(fā)明旨在提供一種機(jī)械設(shè)備故障診斷方法，彌補(bǔ)現(xiàn)有故障診斷技術(shù)通用性差、精度較低等缺點(diǎn)。

為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種機(jī)械設(shè)備故障診斷方法，包括以下步驟：

(1)利用信號(hào)分析方法提取傳感器采集信號(hào)中包含的機(jī)械設(shè)備故障特征，并組成故障特征向量；

(2)利用故障特征向量離線訓(xùn)練故障診斷分類(lèi)器，所述故障診斷分類(lèi)器采用組合分類(lèi)器，該組合分類(lèi)器采用Adaboost提升算法作為組合方法；

(3)運(yùn)用訓(xùn)練好的故障診斷分類(lèi)器實(shí)時(shí)進(jìn)行機(jī)械設(shè)備的故障診斷。

進(jìn)一步地，訓(xùn)練和測(cè)試故障診斷分類(lèi)器的步驟如下：

(a)數(shù)據(jù)集D包括d個(gè)數(shù)據(jù)組：(x₁,y₁),(x₂,y₂),…,(x_d,y_d)，其中，x_j表示第j個(gè)故障特征向量，y_j表示類(lèi)標(biāo)號(hào)，j＝1,2,…,d，對(duì)數(shù)據(jù)集D中的每個(gè)數(shù)據(jù)組的權(quán)重w_j初始化為

(b)從數(shù)據(jù)集D中進(jìn)行k輪有放回地抽樣，得到訓(xùn)練集D_i，其中，D_i表示第i輪抽樣得到的訓(xùn)練集，i＝1,2,…,k，k為組合分類(lèi)器中基分類(lèi)器的個(gè)數(shù)；

(c)根據(jù)訓(xùn)練集D_i得到對(duì)應(yīng)的基分類(lèi)器T_i；