一种工业平缝机故障诊断方法技术

本发明专利技术了公开了一种工业平缝机故障诊断方法，包括：通过麦克风采集正常和故障状态的工业平缝机等速运行时音频建立原始音频数据库；采用AVNCMD方法处理原始音频数据库中的音频数据，得到一系列非线性调频模态NCM分量；对所得非线性调频模态NCM分量进行多域特征提取和优选，得到最优特征集；将得到最优特征集的数据进行归一化处理，并输入极限学习机ELM中进行不同状态的工业平缝机的识别。本发明专利技术方法能够有效提取工业平缝机在噪声环境下的早期故障特征并有效识别其故障类型；在信号分解方面，采用的AVNCMD方法能够增强对实际信号分解的自适应性，增加了故障类型的识别准确性。增加了故障类型的识别准确性。增加了故障类型的识别准确性。

【技术实现步骤摘要】
一种工业平缝机故障诊断方法


[0001]本专利技术涉及工业缝纫机故障诊断和信号处理领域，具体涉及一种工业平缝机故障诊断方法。

技术介绍

[0002]工业缝纫机作为缝纫业机械装备中的主体，它的工作状态直接影响生产效率和缝制产品的品质。工业缝纫机在运行时若长时间产生的振动过大，不仅会降低机器的使用寿命，还会存在许多安全隐患(断针、崩牙等)，此外机器产生的噪声对缝纫工人的影响较大，可能会引起工人的神经系统、听觉系统等多方面的改变。在实际的生产中，工业缝纫机从装配线到出厂前的过程中需要进行质量检测，其中齿轮、油泵和传动轴是最容易出现故障的关键零部件，故障占比超过95％，由于工业缝纫机复杂的传动结构，使得其故障信号具有非线性、非平稳和耦合调制的特点，其早期故障信号微弱且易被噪声干扰，这给质检造成一定的困难。
[0003]目前，国内的工业缝纫机质检主要还是基于专业质检人员采用人耳听音的方式或根据声级计测得的声压级来判断零部件的质量好坏或装配的偏差等问题，显然不能满足工业缝纫机的发展需求。因此，如果能有效提取工业缝纫机的故障特征信息并准确判断其故障类型，合理安排返修计划，对工业缝纫机的出厂品质保准和工厂的经济效益具有现实的意义。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术提供了一种工业平缝机故障诊断方法，能够准确地诊断出工业平缝机的故障类型。
[0005]一种工业平缝机故障诊断方法，包括以下步骤：
[0006]步骤1：通过麦克风采集正常和故障状态的工业平缝机等速运行时音频建立原始音频数据库；
[0007]步骤2：采用AVNCMD(自适应变分非线性调频模态分解)方法处理原始音频数据库中的音频数据，得到一系列非线性调频模态NCM分量；
[0008]步骤3：对步骤2所得非线性调频模态NCM分量进行多域特征提取和优选，得到最优特征集；
[0009]步骤4：将得到最优特征集的数据进行归一化处理，并输入极限学习机ELM中进行不同状态的工业平缝机的识别。
[0010]步骤1中，所述的故障状态包含3种故障类型：齿轮异常、油泵噪声和传动轴窜动。
[0011]步骤1中，通过麦克风采集正常和故障状态的工业平缝机等速运行时音频建立原始音频数据库，具体包括：
[0012]采集设备包括采集电脑和麦克风，采集工业平缝机运行时的声信号，采样频率为16k～48kHz，每台采集时长为5～100秒，选择有效的正常和故障音频来建立原始音频数据
库。
[0013]步骤2)中，采用AVNCMD(自适应变分非线性调频模态分解)方法处理原始音频数据库中的音频数据，得到一系列非线性调频模态NCM分量，具体包括：
[0014]2.1)：读取原始音频数据库中的音频数据作为声信号g(t)，采样频率为f
s
，对声信号g(t)分别进行GMC(广义极大极小非凸)罚函数凸优化降噪和SCT(样条调频小波变换)的预处理，获取能量集中的时频分布图；
[0015]2.2)：根据时频分布图，首先通过搜索出能量峰值最大的时频分布位置E
max
，然后以时频分布位置E
max
为起点在时间方向上的步长为1/f
s
和频率方向上的区间为司时进行前向/后向搜索其余能量峰值；
[0016]2.3)：利用平滑函数处理搜索到的能量峰值点形成瞬时频率IF的时频脊线，即获得瞬时频率IF的初值表达式如式(1)所示，然后将获得的瞬时频率IF初值输入VNCMD(变分非线性调频模态分解)算法中；
[0017][0018]式中，t0，
…
，t
N
‑1为采样数据点；N为采样点总数；K为模态个数。
[0019]2.4)：通过VNCMD(变分非线性调频模态分解)算法对声信号g(t)进行分解得到1个非线性调频模态NCM分量，采用声信号g(t)减去非线性调频模态NCM分量后得到残余分量r(t)；
[0020]2.5)：采用皮尔逊相关系数对声信号g(t)和残余分量r(t)进行相关性的判断，若该相关系数pcorr小于预设系数阈值或满足信号分解个数阈值，则信号完成分解，如果信号不能完全分解，则进入步骤2.6)；
[0021][0022]式中，cov[g(t)，r(t)]表示为声信号g(t)和残余分量r(t)之间的协方差；σ
g(t)
和σ
r(t)
分别表示声信号g(t)和残余分量r(t)的标准差；
[0023]2.6)：采用残余分量r(t)替代声信号g(t)重复执行步骤2.1)～步骤2.5)，直至满足信号分解的终止条件，最后得到一系列非线性调频模态NCM分量。
[0024]由于工业缝纫机复杂的传动结构，使得其故障信号具有非线性、非平稳和耦合调制等特点，难以通过原始声信号直接表征具体故障类型的信息，本专利技术提出的AVNCMD(自适应变分非线性调频模态分解)方法能够自适应通过解调的方式将非线性调频的多分量宽带信号分解得到一系列非线性调频模态NCM分量，而分解得到的这些非线性调频模态NCM分量隐含着具体故障类型的信息。
[0025]步骤3)中，对步骤2所得非线性调频模态NCM分量进行多域特征提取和优选，得到最优特征集，包括：
[0026]3.1)：对非线性调频模态NCM分量进行多域特征提取，所提取的特征包括时域特征、频域特征和声品质特征；
[0027]3.2)：对所提取的时域特征、频域特征和声品质特征进行优选，采用的ReliefF方法会根据各特征和类别的相关性赋予特征的不同权重和引入互信息描述特征之间的依赖程度，建立工业平缝机声信号的最优特征集。
[0028]其中，互信息可以用来衡量两个特征之间的相似度，对于两个特征有依赖关系，互信息值越大，两者相互的依赖程度就越大，即可利用互信息有效去除特征的冗余性，弥补了ReliefF方法没有去除特征冗余性的缺点。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]针对工业平缝机的故障信号具有非线性和非平稳性的特点，本专利技术方法能够有效提取工业平缝机在噪声环境下的早期故障特征并有效识别其故障类型；在信号分解方面，采用的AVNCMD方法能够增强对实际信号分解的自适应性，增加了故障类型的识别准确性。
附图说明
[0031]图1为本专利技术诊断方法的流程图；
[0032]图2为麦克风传感器安装位置示意图；
[0033]图3(a)为本专利技术采集的声信号时域波形图；
[0034]图3(b)为本专利技术采集的声信号频谱图；
[0035]图4为本专利技术的AVNCMD方法的流程图；
[0036]图5(a)为对声信号进行AVNCMD处理后得到的时域波形图；
[0037]图5(b)为对声信号进行AVNCMD处理后得到的频谱图；
[0038]图6为本专利技术的多域特征融合方法的流程图；
[0039]图7为本专利技术的SSA
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业平缝机故障诊断方法，其特征在于，包括以下步骤：步骤1：通过麦克风采集正常和故障状态的工业平缝机等速运行时音频建立原始音频数据库；步骤2：采用AVNCMD方法处理原始音频数据库中的音频数据，得到一系列非线性调频模态NCM分量；步骤3：对步骤2所得非线性调频模态NCM分量进行多域特征提取和优选，得到最优特征集；步骤4：将得到最优特征集的数据进行归一化处理，并输入极限学习机ELM中进行不同状态的工业平缝机的识别。2.根据权利要求1所述的一种工业平缝机故障诊断方法，其特征在于，步骤1中，所述的故障状态包含3种故障类型：齿轮异常、油泵噪声和传动轴窜动。3.根据权利要求1所述的一种工业平缝机故障诊断方法，其特征在于，步骤1中，通过麦克风采集正常和故障状态的工业平缝机等速运行时音频建立原始音频数据库，具体包括：采集设备包括采集电脑和麦克风，采集工业平缝机运行时的声信号，采样频率为16k～48kHz，每台采集时长为5～100秒，选择有效的正常和故障音频来建立原始音频数据库。4.根据权利要求1所述的一种工业平缝机故障诊断方法，其特征在于，步骤2)中，采用AVNCMD方法处理原始音频数据库中的音频数据，得到一系列非线性调频模态NCM分量，具体包括：2.1)：读取原始音频数据库中的音频数据作为声信号g(t)，采样频率为fs，对声信号g(t)分别进行GMC罚函数凸优化降噪和SCT的预处理，获取能量集中的时频分布图；2.2)：根据时频分布图，首先通过搜索出能量峰值最大的时频分布位置E
max
，然后以时频分布位置E
max
为起点在时间方向上的步长为1/fs和频率方向上的区间为同时进行前向/后向搜索其余能量峰值；2.3)：利用...

【专利技术属性】
技术研发人员：刘祖斌，周中华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：