一种基于K均值聚类和证据融合的齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。本发明专利技术首先确定齿轮箱的故障模式和故障特征参数，分别采样各个故障模式下的样本数据来获取故障特征数据样本集；对于每类故障特征参数，通过聚类获取似然信度表和K个参考中心向量，从每类特征参数种获取参考证据；在线获取多种故障特征的取值后，计算故障特征数据与K个参考中心向量之间的距离，并由此来激活参考证据，生成多类特征的诊断证据，再将这些诊断证据融合，对融合后的证据做出故障决策，得到该在线故障特征数据所对应的故障类型。本发明专利技术在聚类和证据融合的基础上进行故障诊断，利用多源信息融合和信息概率转换方法提高了对齿轮箱的故障诊断精度。概率转换方法提高了对齿轮箱的故障诊断精度。概率转换方法提高了对齿轮箱的故障诊断精度。

【技术实现步骤摘要】
一种基于K均值聚类和证据融合的齿轮箱故障诊断方法


[0001]本专利技术涉及一种基于K均值聚类和证据融合的齿轮箱故障诊断方法，属于旋转机械类设备状态检测与故障诊断


技术介绍

[0002]齿轮是机械设备中传递动力、改变运动速度和方向的部件，广泛应用于各个行业中，如在车辆，航空航天和核能行业中作为机械设备中电机与旋转部件之间的传动结构。因此齿轮箱在运行过程中会受到多种载荷的作用，随着时间的推移，其运行状态会不可避免的发生变化。另外，由于加工误差、安装或操作不当以及工作磨损等原因，齿轮也会出现不同程度的损伤，这使得齿轮箱成为机械设备中最容易发生故障的部件之一；
[0003]根据统计，机械装备中80％的机械故障是由齿轮引起的，而且齿轮的种类多、用量大，一旦发生故障会影响设备中其他部件的正常运行，进而引发一系列的连锁破坏反应，甚至造成更为危险的事故。由此可见，齿轮箱在机械系统安全可靠运行过程中发挥着极其重要的作用，其工作状态在相当大程度上决定着整个机械设备甚至是整条生产线的运行状态。因此，对齿轮箱的状态监测和故障诊断进行研究势在必行，以确保及时发现故障停机，而且故障的早期发现也有利于对故障的原因进行分析。

技术实现思路

[0004]本专利技术针对现有技术的不足，提供了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。
[0005]本专利技术的主要构思：利用K
‑
means聚类获取K个参考中心向量和特征参数提供的参考证据，计算故障特征数据与K个参考中心向量之间的距离权重，并由此来激活参考证据，生成诊断证据，使用证据推理规则证据进行融合，利用信息概率转换方法对融合后的证据做出故障决策，该方法对故障特征数据进行处理时，未对数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现，且通过融合决策可以做出精确的诊断。
[0006]本专利技术提出的一种基于K
‑
means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，包括以下各步骤：
[0007](1)设定齿轮箱的故障模式集合为Θ＝{M1,M2,M3},其中M1代表齿轮箱正常运行模式，M2代表部分齿轮弯曲档位打滑故障模式，M3代表齿轮断齿故障模式。
[0008](2)在齿轮箱工作时，由安装在齿轮箱上的加速度传感器来监测振动信号，设定采样频率为f，2f
max
≤f≤3f
max
其中f
max
＝2500Hz为加速度传感器的最大频率。
[0009](3)设m
i,1
，m
i,2
为能够反映故障模式集合Θ中每个故障模式M
i
的故障特征参数，其中m
i,1
,m
i,2
分别代表均方根和峰度特征参数，分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得。
[0010]将m
i,1
(t)，m
i,2
(t)和M
i
表示为一个故障样本向量集合S
i
＝{[m
i,1
(t),m
i,2
(t),M
i
]|t＝1,2,
…
L
i
}，其中[m
i,1
(t),m
i,2
(t),M
i
]表示第t个故障样本集，L
i
表示故障为M
i
状态下的采
样总个数，L
i
≥100。
[0011]设定在各种故障模式下可获得历史故障样本数据，并将其表示为集合形式共计可获得L个样本，N＝3为故障模式的类型数。
[0012](4)提取故障样本集合S
i
中的故障特征参数，构成特征样本集合S
′
i
＝{[m
i,1
(t),m
i,2
(t)]|t＝1,2,
…
,L
i
}，最终构成所有故障模式下的特征样本集合集合S
′
中样本个数为
[0013]对于S
′
i
中的第j类故障特征(j＝1,2)，利用K
‑
means将它的L个的特征样本分为K类，记为其中k＝1,2,
…
,K,K≥3，可以得到类所包含的样本向量集合其中M
k
(t
k
)∈Θ，其中代表聚类后类中样本的个数；聚类得到的K类数据依次对应有K个聚类中心向量，设这K个中心向量集合为
[0014](5)通过步骤(3)和步骤(4)可以得到步骤(1)中定义的故障模式M
i
和的对应关系，如表1所示，其中(i＝1,2,
…
,N,k＝1,2,
…
K)表示D
k
类所对应的样本集中故障模式为M
i
的第j类故障特征的样本个数，并有的第j类故障特征的样本个数，并有
[0015]表1故障特征聚类结果及分布
[0016][0017](6)通过以下几个步骤得到第j(j＝1,2)类特征参数提供的诊断证据，具体计算步骤如下；
[0018](6
‑
1)根据表1中得到的故障模式M
i
与其对应的聚类结果之间的数量关系，可以得到故障模式为M
i
的样本数据在各个聚类簇中的似然概率函数为：
[0019][0020]将归一化，可以得到第k个聚类支持故障模式M
i
的概
率为：
[0021][0022](6
‑
2)由公式(2)可以构造如表2所示的概率分布表，其中代表第j类故障特征取值属于时，故障模式M
i
出现的概率值；
[0023]表2特征样本与故障模式对应的概率分布表
[0024][0025](6
‑
3)设Ω＝{θ1,
…
,θ
q
,
…
,θ
Q
}为辨识框架Θ的幂集，其中q＝1,2,
…
,Q，Q＝2
N
‑
1，具体的：
[0026]Ω＝{M1,M2,M3,{M1,M2},{M1,M3},{M2,M3},{M1,M2,M3}}#(3)
[0027]对于第k个聚类中心所代表的故障集θ
q
，其发生的置信度为
[0028][0029]由表2和公式(4)可以得到第j(j＝1,2)类特征参数提供的证据为
[0030][0031](7)在齿轮箱的运行过程中实时获取特征参数向量X(t)＝[m1(t),m2(t)]之后，其激活证据的计算步骤如下：
[0032](7
‑
1)求取故障特征参数向量X(t)中特征参数m
j
与K个参考中心向量之间的加权欧本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K均值聚类和证据融合的齿轮箱故障诊断方法，其特征在于该方法包括以下步骤：(1)设定齿轮箱的故障模式集合为Θ＝{M1，M2，M3}，其中M1代表齿轮箱正常运行模式，M2代表部分齿轮弯曲档位打滑故障模式，M3代表齿轮断齿故障模式；(2)在齿轮箱工作时，由安装在齿轮箱上的加速度传感器来监测振动信号，设定采样频率为f，2f
max
≤f≤3f
max
其中f
max
＝2500Hz为加速度传感器的最大频率；(3)设m
i，1
，m
i，2
为能够反映故障模式集合Θ中每个故障模式M
i
的故障特征参数，其中m
i，1
，m
i，2
分别代表均方根和峰度特征参数，分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得；将m
i，1
(t)，m
i，2
(t)和M
i
表示为一个故障样本向量集合S
i
＝{[m
i，1
(t)，m
i，2
(t)，M
i
]|t＝1，2，...L
i
}，其中[m
i，1
(t)，m
i，2
(t)，M
i
]表示第t个故障样本集，L
i
表示故障为M
i
状态下的采样总个数，L
i
≥100；设定在各种故障模式下可获得历史故障样本数据，并将其表示为集合形式共计可获得L个样本，N＝3为故障模式的类型数；(4)提取故障样本集合S
i
中的故障特征参数，构成特征样本集合S
′
i
＝{[m
i，1
(t)，m
i，2
(t)]|t＝1，2，...，L
i
}，最终构成所有故障模式下的特征样本集合集合S
′
中样本个数为对于S
′
i
中的第j类故障特征(j＝1，2)，利用K
‑
means将它的L个的特征样本分为K类，记为其中k＝1，2，...，K，K≥3，得到类所包含的样本向量集合其中M
k
(t
k
)∈Θ，其中代表聚类后类中样本的个数；聚类得到的K类数据依次对应有K个聚类中心向量，设这K个中心向量集合为(5)通过步骤(3)和步骤(4)得到步骤(1)中定义的故障模式M
i
和的对应关系，如表1所示，其中表示D
k
类所对应的样本集中故障模式为M
i
的第j类故障特征的样本个数，并有表1 故障特征聚类结果及分布
(6)得到第j类特征参数提供的诊断证据，具体计算步骤如下；(6
‑
1)根据表1中得到的故障模式M
i
与其对应的聚类结果之间的数量关系，得到故障模式为M
i
的样本数据在各个聚类簇中的似然概率函数为：将行归一化，得到第k个聚类支持故障模式M
i
的概率为：(6
‑
2)构造如表2所示的概率分布表，其中代表第j类故障...

【专利技术属性】
技术研发人员：徐晓滨，杨永强，马枫，孙杰，
申请(专利权)人：南京智慧水运科技有限公司，
类型：发明
国别省市：