一种自动扶梯基脚松动故障诊断方法技术

本发明专利技术公开了一种自动扶梯基脚松动故障诊断方法，包括如下步骤：采集自动扶梯主机基脚固定螺栓松动不同圈数状态下的振动信号作为训练样本和测试样本；利用经验小波分解对步骤一中得到的每组训练样本进行多尺度分解，得到经验模态函数并构造其灰度

【技术实现步骤摘要】
一种自动扶梯基脚松动故障诊断方法


[0001]本专利技术涉及故障诊断领域，具体涉及一种自动扶梯基脚松动故障诊断方法。

技术介绍

[0002]自动扶梯是必不可少的大型公共交通设备，一旦发生故障，必然影响运营甚至引发安全事故。主机基脚作为自动扶梯的重要结构部位，其固定螺栓松动会导致自动扶梯运行异常。针对基脚螺栓松动故障特征难以提取的问题。
[0003]随着社会的飞速发展，自动扶梯已成为现代城市生活中重要的交通工具。自动扶梯普遍应用于大型商场、火车站和地铁站等大型建筑物中，每天运送大量的人员和设备，自动扶梯的安全与市民的安全息息相关。自动扶梯一旦发生故障，轻则影响运营，重则可能造成严重的事故，对人们的生活和经济造成极大的损害。由于频繁的超时、超负荷运转，自动扶梯的主机基脚固定螺栓松动现象时有发生。主机基脚作为自动扶梯的关键部位，其固定螺栓发生松动会导致扶梯运行时产生周期性的冲击，引起扶梯耦合系统的振动加剧，影响扶梯运行的平稳性，严重时将会危及扶梯的运行安全。因此，对扶梯基脚固定螺栓进行状态监测与故障诊断十分必要。
[0004]自动扶梯基脚振动信号通常为非线性、非平稳信号。针对机械故障信号非线性、非平稳性以及早期故障特征微弱，易受噪声干扰的特点，国内外学者提出了众多的振动信号故障诊断方法，比如短时傅里叶变换(short
‑
time Fourier transform,STFT)，小波变换(wavelet transform,WT),经验模态分解(empirical mode decomposition,EMD)，变分模态分解(Varianational Mode Decomposition，VMD)等。但短时傅里叶变换的窗函数不能根据信号本身的特征频率进行自适应调整，影响故障诊断的准确性。小波变换(包括连续小波、离散小波、双树复小波等)需要人工选择小波基函数和分解层数，缺乏自适应性。经验模态分解(EMD)在振动信号故障信息提取方面取得了重大突破，但EMD存在严重的模态混叠现象和端点效应，而且缺乏必要的理论基础。为了改善EMD方法的不足，很多改进的EMD算法被提出，比如局部均值分解(local mean decomposition,LMD)、局部特征尺度分解(local characteristic
‑
scale decomposition,LCD)、集合经验模态分解(ensemble EMD,EEMD)等，但这些方法也并不能完全解决EMD的缺点。变分模态分解(variational mode decomposition,VMD)克服了EMD和LMD等自适应分解方法的不足，将信号分解转化为一个变分问题，通过寻求变分问题的最优解来确定分量信号的中心频率和带宽，从而实现各分量信号的有效分离。VMD具完善的理论基础，可以较好的抑制模态混叠，但是在分解前需要确定惩罚因子的参数组合和分解次数，不同的参数组合和分解次数都会影响信号的分解精度，对信号的精确分解带来了很大的困难。

技术实现思路

[0005]为解决现有技术的不足，本专利技术目的在于提供一种理论支撑充分、准确率高自动扶梯基脚松动故障诊断方法。
[0006]为了实现上述目的，本专利技术涉及：一种自动扶梯基脚松动故障诊断方法，包括如下步骤：
[0007]步骤一、采集自动扶梯主机基脚固定螺栓松动不同圈数状态下的振动信号，每种状态分别采集多组信号作为训练样本和测试样本；
[0008]步骤二、利用EWT(经验小波分解)对步骤一中得到的每组训练样本进行多尺度分解，得到EMF(经验模态函数)；
[0009]步骤三、对每一个经验模态分量函数，通过双谱分析的二维等高线图构造其灰度矩阵和梯度矩阵，进而构造其灰度
‑
梯度共生矩阵，并进行归一化处理；
[0010]步骤四、通过灰度
‑
梯度共生矩阵提取双谱图的多个纹理特征作为故障特征向量；
[0011]步骤五、通过步骤四中得到的故障特征向量组成训练样本的多维故障特征向量；
[0012]步骤六、利用多组训练样本对神经网络模型进行训练，建立基脚固定螺栓松动故障识别模型；
[0013]步骤七、提取步骤五中测试样本的多维故障特征向量，输入训练好的神经网络模型，识别固定螺栓的松动程度，并分析所提出方法的识别准确率。
[0014]进一步的，所述不同圈数取为松动0圈、松动1圈、松动2圈、松动3圈。
[0015]进一步的，所述步骤二包括如下步骤：
[0016]步骤2.1：对信号频谱进行自适应划分：根据Meyer和Littlewood
‑
Paley理论，EWT的尺度函数和小波函数ψ(x)在频率域的定义分别为：
[0017][0018][0019]式中，β
n
＝x4(35
‑
84x+70x2‑
20x3)
[0020]其中满足此特性的函数有很多，其中比较常用的是β
n
＝x4(35
‑
84x+70x2‑
20x3)，0＜γ＜1且是确保两个连续状态区间之间的重叠区域最小的参数，其数值由计算出的边界值决定，ω
n+1
和ω
n
一样都是分割边界点，ω1…
ω
n+1
都是分割边界点，例：将信号分为n段，第n段的范围就是[ω
n
,ω
n+1
])
[0021]EWT的分解方法与经典小波类似，分解后的细节系数和近似系数分别为二者满足下式：
[0022][0023][0024]其中，F
‑1(
·
)表示傅里叶逆变换，而和分别由式(1)和式(2)定义；ω
n
为分割边界,ω代表频率，t代表时间,τ
n
代表边界带宽τ
n
＝γω
n
，τ是边界带宽值(过渡相位区间的宽度)，τ就是根据上式中的τ
n
计算的，每一个n对应一个τ；f(t)为信号，f(τ)是τ的一个函数，表示信号f(t)傅里叶变化后的信号。
[0025]步骤2.2：利用正交小波滤波器组对信号进行分解，得到具有紧支撑特性的模态分量信号：
[0026]根据公式(3)和(4)，可以得到EWT分解后的经验模态函数(empirical mode function,EMF)计算公式：
[0027][0028]信号f(t)经过EWT分解后通过上式计算，可以得到n个经验模态函数。f0(t),f
n
(t)代表经验模态分解函数；
[0029]基脚振动信号经EWT分解可得到一组EMF，对每一个EMF进行双谱分析，即可提取每个模态函数的故障特征向量。
[0030]进一步的，所述步骤三包括如下步骤：
[0031]步骤3.1：先采用EWT将复杂的噪声分解成一系列高
‑
低频段，去除信号中的非高斯噪声的影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动扶梯基脚松动故障诊断方法，其特征在于，包括如下步骤：步骤一、采集自动扶梯主机基脚固定螺栓松动不同圈数状态下的振动信号，每种状态分别采集多组信号作为训练样本和测试样本；步骤二、利用EWT对步骤一中得到的每组训练样本进行多尺度分解，得到EMF；步骤三、对每一个经验模态分量函数，通过双谱分析的二维等高线图构造其灰度矩阵和梯度矩阵，进而构造其灰度
‑
梯度共生矩阵，并进行归一化处理；步骤四、通过灰度
‑
梯度共生矩阵提取双谱图的多个纹理特征作为故障特征向量；步骤五、通过步骤四中得到的故障特征向量组成训练样本的多维故障特征向量；步骤六、利用多组训练样本对神经网络模型进行训练，建立基脚固定螺栓松动故障识别模型；步骤七、提取步骤五中测试样本的多维故障特征向量，输入训练好的神经网络模型，识别固定螺栓的松动程度，并分析所提出方法的识别准确率。2.根据权利要求1所述的自动扶梯基脚松动故障诊断方法，其特征在于，所述不同圈数取为松动0圈、松动1圈、松动2圈、松动3圈。3.根据权利要求1所述的自动扶梯基脚松动故障诊断方法，其特征在于，所述步骤二包括如下步骤：步骤2.1：对信号频谱进行自适应划分：根据Meyer和Littlewood
‑
Paley理论，EWT的尺度函数和小波函数ψ(x)在频率域的定义分别为：和小波函数ψ(x)在频率域的定义分别为：式中，β
n
＝x4(35
‑
84x+70x2‑
20x3，0＜γ＜1且是确保两个连续状态区间之间的重叠区域最小的参数，其数值由计算出的边界值决定，ω
n+1
和ω
n
一样都是分割边界点，ω1…
ω
n+1
都是分割边界点，EWT的分解方法与经典小波类似，分解后的细节系数和近似系数分别为二者满足下式：
其中，F
‑1(
·
)表示傅里叶逆变换，而和分别由式(1)和式(2)定义；ω
n
为分割边界,ω代表频率，t代表时间,τ
n
代表边界带τ
n
＝γω
n
，τ是边界带宽值，τ就是根据上式中的τ
n
计算的，每一个n对应一个τ；f(t)为信号，f(τ)是τ的一个函数，表示信号f(t)傅里叶变化后的信号；步骤2.2：利用正交小波滤波器组对信号进行分解，得到具有紧支撑特性的模态分量...

【专利技术属性】
技术研发人员：刘稷，李延春，
申请(专利权)人：武汉思恒达科技有限公司，
类型：发明
国别省市：