專利名稱：基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種齒輪箱故障智能診斷方法r可以進一步發(fā)展成功能較完善的智能診斷系
統(tǒng)。基于故障的規(guī)則推理(BRB)和基于大量實際案例的案例推理(CBR),再利用具有強大模 式分類功能的人工神經(jīng)網(wǎng)絡(luò)(ANN),形成對實際故障的多方法立體診斷方法。屬于齒輪箱故 障診斷領(lǐng)域。
背景技術(shù)：
人工智能與診斷理論的結(jié)合形成了智能診斷，旱期發(fā)展的模擬人腦思維推理的、基于知 識的專家系統(tǒng)以串行運行的格式進入設(shè)備診斷領(lǐng)域，形成了基于知識的診斷推理專家系統(tǒng)。 基于知識的智能故障診斷技術(shù)是設(shè)備診斷領(lǐng)域中最為引人注目的發(fā)展方向之一，也是研究最
多、應(yīng)用最廣的一類智能診斷技術(shù)。它大致經(jīng)歷了兩個發(fā)展階段基于淺知識(人類專家的 經(jīng)驗知識)的第一代故障診斷專家系統(tǒng)和基于深知識(診斷對象的模型知識)的第二代故障診 斷專家系統(tǒng)。診斷對象的大量案例可構(gòu)成新的推理規(guī)則，在系統(tǒng)中加入最近鄰法在現(xiàn)有的大 量案例中搜索，找到最接近的故障模式來推斷新的故障分類。近期出現(xiàn)的混合結(jié)構(gòu)的專家系 統(tǒng)，是將上述兩種方法結(jié)合使用，互補不足，相得益彰。神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷領(lǐng)域的應(yīng) 用研究主要集中在三個方面a.從模式識別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進行故障診斷；b. 從預測角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動態(tài)預測模型進行故障預測；C.從知識處理角度建立基于神經(jīng) 網(wǎng)絡(luò)的診斷專家系統(tǒng)。專家系統(tǒng)是基于符號的推理系統(tǒng)，它存在知識獲取困難的缺點，但具 備解釋功能。神經(jīng)網(wǎng)絡(luò)的輸入是被診斷對象的征兆即特征值，輸出則表示發(fā)生故障的可能性， 但它不具備解釋功能。把神經(jīng)網(wǎng)絡(luò)與混合推理專家系統(tǒng)結(jié)合運用，發(fā)揮各自的優(yōu)點是進行故 障診斷的一種新途徑。
對神經(jīng)網(wǎng)絡(luò)的研究已有40多年的歷史，走過了一段曲折的路程。早在40年代， 一些科
學家就從神經(jīng)科學、數(shù)學、物理學、心理學、生物學、認知科學以及仿生學等不同角度對神
經(jīng)網(wǎng)絡(luò)進行了研究，取得了一定的成果。到了 1969年，人工智能的創(chuàng)始人Minsky等對以感 知器為代表的網(wǎng)絡(luò)系統(tǒng)的功能及其局限性從數(shù)學上作了深入的研究.，并于1969年出版了 《Perc印tron》 一書，他的結(jié)論是悲觀的，否定了人工神經(jīng)網(wǎng)絡(luò)的作用，使這方面的研究在 60年代末期基本上消失了。當然更主要的原因是當時正是傳統(tǒng)的數(shù)字計算機的鼎盛時期，從而阻礙了神經(jīng)網(wǎng)絡(luò)的發(fā)展。到了80年代，局面發(fā)生了根本的變化，由于傳統(tǒng)的串行信息處理 在模式識別和人工智能等領(lǐng)域碰到了極大的困難，促使人們以更大的興趣去研究以并行信息 處理為特征的人工神經(jīng)網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)具有一系列傳統(tǒng)的線性系統(tǒng)所沒有的優(yōu)點，如非線性、自適應(yīng)性、并行性和容 錯性等，由于具有了這些新特性，神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域擴展到自動檢索、郵政編碼的區(qū)分與 識別、文字識別、數(shù)據(jù)壓縮、通信業(yè)務(wù)量的控制、通信網(wǎng)動態(tài)路徑選擇和通信控制器等；在 軍事方面有多目標跟蹤、戰(zhàn)斗機飛行控制、聲源定位和戰(zhàn)斗決策等；神經(jīng)網(wǎng)絡(luò)在其它領(lǐng)域也 有應(yīng)用，不再闡述。
因此，在齒輪箱故障診斷領(lǐng)域，亟待開發(fā)出一種人工神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識 別技術(shù)，該技術(shù)并不需要預先給出關(guān)于模式的先驗知識和判別函數(shù)，它通過自身的學習機制 自動形成所要求的決策區(qū)域。網(wǎng)絡(luò)的特性由其拓撲結(jié)構(gòu)、節(jié)點特性、學習或訓練規(guī)則所決定， 它能充分利用狀態(tài)信息，對來自不同狀態(tài)的信息逐一訓練以獲得某種映射關(guān)系，而且網(wǎng)絡(luò)可 連續(xù)學習。當環(huán)境改變，這種映射關(guān)系可以自適應(yīng)，以求對對象的進一步逼近。為使神經(jīng)網(wǎng) 絡(luò)達到模式識別的目的，使用來自機器不同狀態(tài)的振動信號，通過特征選擇，找出對于故障 反映最敏感的特征信號作為神經(jīng)網(wǎng)絡(luò)的輸入向量，建立故障模式訓練樣本集，對網(wǎng)絡(luò)進行訓 練。當網(wǎng)絡(luò)訓練完畢，對于每一個新輸入的狀態(tài)信息，網(wǎng)絡(luò)將迅速給出分類結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的在于，通過提供一種基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法， 使模式識別網(wǎng)絡(luò)完全由計算機實現(xiàn)，便于實現(xiàn)故障診斷的自動化和智能化，提高效率，能夠 為診斷決策及時提供依據(jù)。
本發(fā)明采用以下技術(shù)手段實現(xiàn)的
基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，通過充實和完善現(xiàn)有智能診斷知 識庫，添加解調(diào)分析形成的診斷規(guī)則；并把各種數(shù)據(jù)分析方法提取的特征作為神經(jīng)網(wǎng)絡(luò)的輸 入來進行故障模式的識別，將己有的案例和規(guī)則這兩種推理方法再結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用到高速 線材軋機的故障智能診斷系統(tǒng)中；該方法通過充實知識庫，補充推理機制，建立仿真神經(jīng)網(wǎng) 絡(luò)模塊，建立一個實用的智能診斷系統(tǒng)；主要包括以下步驟
智能診斷系統(tǒng)知識庫的充實；把專家知識存入計算機，并結(jié)合神經(jīng)網(wǎng)絡(luò)進行模式識別； 分析齒輪箱的主要異?，F(xiàn)象，系統(tǒng)地研究齒輪的振動、噪聲產(chǎn)生的機理； 分析齒輪振動的數(shù)學模型，充分利用現(xiàn)場故障數(shù)據(jù)，分析各種故障類型的振動機理；充 實各種故障的時域及頻域特征，并確定齒輪故障信號的特征提取方法；所述的數(shù)據(jù)分析方法主要包括帶通濾波頻譜分析、雙關(guān)分析、包絡(luò)解調(diào)分析、基于EMD 的解調(diào)分析。
前述的解調(diào)分析包括有包絡(luò)時域參數(shù)、解調(diào)譜圖的特征。
前述的仿真神經(jīng)網(wǎng)絡(luò)模塊，采用向后傳播神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)，該網(wǎng)絡(luò)結(jié)構(gòu)實 現(xiàn)方法包括
(1) 建立網(wǎng)絡(luò)確定輸入層、隱含層和輸出層的數(shù)目，確定樣本空間總量和學習最大循 環(huán)次數(shù)；
(2) 訓練樣本庫先存儲一個樣本，然后再讀取其他樣本；
(3) 實測數(shù)據(jù)讀取齒輪箱實驗中的特征數(shù)據(jù)，作為輸入數(shù)據(jù)；
(4) 數(shù)據(jù)歸一化對輸入特征向量進行歸一化處理；
(5) 訓練網(wǎng)絡(luò)向知識庫存儲訓練完畢的權(quán)值；
(6) 知識庫存取權(quán)值矩陣；
(7) 診斷模塊讀取歸一化后的實測數(shù)據(jù)及權(quán)值矩陣來對齒輪箱的實際工況進行診斷。 前述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征在于基于知識的
故障診斷專家系統(tǒng)與基于神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)的結(jié)合進行優(yōu)化。
前述的優(yōu)化包括以下步驟數(shù)據(jù)先經(jīng)過案例庫的最近鄰檢索，得到最相似解后輸出診斷 報告；沒有得到相似解再選擇由知識庫里規(guī)定的規(guī)則進行推理；如果沒有相對應(yīng)的規(guī)則，再 選擇神經(jīng)網(wǎng)絡(luò)推理。
前述的優(yōu)化還包括用己知結(jié)論的數(shù)據(jù)進行驗證。前述的驗證包括
(1) 仿真驗證；
(2) 實驗驗證。
前述的仿真驗證通過經(jīng)驗模式分解、相關(guān)函數(shù)和希爾伯特包絡(luò)的不同解調(diào)效果，說明相 關(guān)函數(shù)與基于經(jīng)驗模式分解的希爾伯特包絡(luò)解調(diào)方法相結(jié)合，提取故障信號的包絡(luò)信息。
本發(fā)明基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，與現(xiàn)有技術(shù)相比，具有以 下明顯的優(yōu)勢和有益效果-
本發(fā)明克服了傳統(tǒng)的串行信息處理在模式識別和人工智能等領(lǐng)域所存在的問題，充分利 用狀態(tài)信息，對來自不同狀態(tài)的信息逐一訓練以獲得某種映射關(guān)系，這種映射關(guān)系可以自適 應(yīng)，以求對對象的進一步逼近。為使神經(jīng)網(wǎng)絡(luò)達到模式識別的目的，使甩來自機器不同狀態(tài) 的振動信號，通過特征選擇，找出對于故障反映最敏感的特征信號作為神經(jīng)網(wǎng)絡(luò)的輸入向量， 建立故障模式訓練樣本集，對網(wǎng)絡(luò)進行訓練。當網(wǎng)絡(luò)訓練完畢，對于每一個新輸入的狀態(tài)信 息，網(wǎng)絡(luò)將迅速給出分類結(jié)果。使該模式識別網(wǎng)絡(luò)完全由計算機實現(xiàn)，便于實現(xiàn)故障診斷的 自動化和智能化，提高了效率，能夠為診斷決策及時提供依據(jù)。


圖1知識庫補充途徑；
圖2神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中的位置和其他模塊的關(guān)系； 圖3神經(jīng)網(wǎng)絡(luò)設(shè)計示意圖4基于經(jīng)驗模式分解和人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法流程圖5三層后向傳播算法網(wǎng)絡(luò)模型；
圖6某高線精軋機齒輪箱傳動鏈圖7仿真信號的時域波形和頻譜；
圖'8相關(guān)分析后的時域波形和希爾伯特頻譜；
圖9獨立模式分量；
圖10前三階獨立模式分量的包絡(luò)解調(diào)譜； 圖11經(jīng)相關(guān)分析的獨立模式分量；
圖12、 14基于相關(guān)分析和經(jīng)驗模式分解的包絡(luò)解調(diào)譜； 圖13實驗數(shù)據(jù)的時域及其頻譜。
具體實施例方式
結(jié)合本發(fā)明方法的內(nèi)容提供一下實施例 1、知識庫的補充
知識庫是推理機進行診斷推理的基礎(chǔ)和前提。它把領(lǐng)域?qū)＜揖哂械闹R以一定的表達形 式存入計算機，對知識進行便利而有效的管理。
首先，分析齒輪箱的主要異?，F(xiàn)象，系統(tǒng)地研究齒輪的振動、噪聲產(chǎn)生的機理。分析齒 輪振動的數(shù)學模型，討論影響齒輪系統(tǒng)振動的主要因素。在此基礎(chǔ)上分析各種故障類型的振 動機理。充實各種故障的時域及頻域特征，并詳細論述齒輪故障信號的特征提取方法。在此 基礎(chǔ)上精心選取敏感參數(shù)，匯總專家知識。傳統(tǒng)的方法只是時頻分析的理論形成規(guī)則，在本 發(fā)明中應(yīng)用多種數(shù)據(jù)分析方法對齒輪箱各時期的故障及隱患故障進行分析，數(shù)據(jù)分析方法主 要包括帶通濾波頻譜分析，包絡(luò)解調(diào)分析，相關(guān)分析，基于經(jīng)驗模式分解的解調(diào)分析等，解 調(diào)分析的判據(jù)有包絡(luò)時域參數(shù)、解調(diào)譜圖的特征等。在現(xiàn)有研究基礎(chǔ)上從理論角度充實知識 庫。其次，案例庫作為知識庫的基礎(chǔ)，也是為了提取規(guī)則服務(wù)的。通過統(tǒng)計整理現(xiàn)有的案例, 研究可以得到現(xiàn)場案例特有的故障規(guī)律。主要根據(jù)各地監(jiān)測系統(tǒng)提供的診斷及時更新案例庫。 此外，原有的案例還需要一定的修改和存儲。在不斷充實現(xiàn)場案例的基礎(chǔ)上，從現(xiàn)有案例中 提取規(guī)則的角度來充實知識庫。
請參閱圖1所示，為知識庫的補充途徑。知識庫的充實主要通過這兩方面，而且充實知 識庫的過程需要反復驗證并長期堅持的，故障不可能只按照固有的模式發(fā)生，但也可從看似 混雜的各種故障中提取規(guī)律性。
神經(jīng)網(wǎng)絡(luò)在齒輪箱智能診斷系統(tǒng)中的開發(fā)與應(yīng)用
在實驗獲得數(shù)據(jù)的基礎(chǔ)上，應(yīng)用神經(jīng)網(wǎng)絡(luò)來進行齒輪箱故障的智能診斷。
請參閱圖2所示，為神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中的位置和其他模塊的關(guān)系。通過對輸入樣本的學 習，將知識以權(quán)值和閾值的形式存儲在網(wǎng)絡(luò)中。比如，通過幅值參數(shù)分析選取一些敏感因子 作為神經(jīng)網(wǎng)絡(luò)的輸入，峭度指標、裕度指標和脈沖指標對沖擊脈沖類故障比較敏感，特別是 當故障早期發(fā)生時，它們有明顯增加；但上升到一定程度后，隨故障的逐漸發(fā)展，反而會下 降，表明它們對早期故障有較高的敏感性，但穩(wěn)定性不好?？梢猿浞掷眠@一點，在神經(jīng)網(wǎng) 絡(luò)推理中關(guān)注敏感因子的動向就能做出正確的診斷。還可以應(yīng)用經(jīng)驗模式分解的方法，從一 系列經(jīng)驗模式分量中提取出來的包含大部分顯性故障信息的能量特征作為神經(jīng)網(wǎng)絡(luò)的輸入。 基于神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷專家系統(tǒng)具有知識自動獲取、并行處理、自適應(yīng)學習、聯(lián)想 推理等功能和較好的容錯性。
請參閱圖3所示，為該模塊的設(shè)計示意圖。神經(jīng)網(wǎng)絡(luò)模塊是該齒輪箱故障診斷專家系統(tǒng) 的核心模塊之一，它采用后向傳播算法網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)。該模塊作為專家系統(tǒng)的重要組成部分， 也可以獨立實現(xiàn)故障診斷。
該模塊的實現(xiàn)方法如下
(1) 建立網(wǎng)絡(luò)確定輸入層、隱含層和輸出層的數(shù)目，.確定樣本空間總量和學習最大循 環(huán)次數(shù)；
(2) 訓練樣本庫先存儲一個樣本，然后再讀取其他樣本；
(3) 實測數(shù)據(jù)讀取齒輪箱實驗中的特征數(shù)據(jù)，作為輸入數(shù)據(jù)；
(4) 數(shù)據(jù)歸一化對輸入特征向量進行歸一化處理；
(5) 訓練網(wǎng)絡(luò)向知識庫存儲訓練完畢的權(quán)值；
(6) 知識庫存取權(quán)值矩陣；
(7) 診斷模塊讀取歸一化后的實測數(shù)據(jù)及權(quán)值矩陣來對齒輪箱的實際工況進行診斷。 建立神經(jīng)網(wǎng)絡(luò)模型
8請參閱圖4所示，為診斷方法流程圖。通過研究基于經(jīng)驗模式分解的解調(diào)方法，得到故 障特征信息，可以作為神經(jīng)網(wǎng)絡(luò)的輸入向量。首先，原始加速度振動信號被分解成有限數(shù)量 的固有模式函數(shù)(IMFs)。當故障發(fā)生時，振動信號的能量將在不同的頻率段間改變。因此， 要識別齒輪箱的各種故障模式，從一系列IMFs中提取出來的包含大部分顯性故障信息的能量 特征，這些特征可以保存為人工神經(jīng)網(wǎng)絡(luò)的輸入向量。
基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)與傳統(tǒng)的專家系統(tǒng)的高層邏輯模型不同，它是一種低 層數(shù)值模型，信息處理是通過大量稱之為節(jié)點的簡單處理單元之間的相互作用而進行的。由 于它的分布式信息保持方式，為專家知識的獲取和表達以及推理提供了全新的方式。通過對經(jīng) 驗樣本的學習，將專家知識以權(quán)值和閾值的形式存儲在網(wǎng)絡(luò)中，并且利用網(wǎng)絡(luò)的信息保持性 來完成不精確診斷推理，較好地模擬了專家憑經(jīng)驗、直覺而不是復雜的計算的推理過程。
請參閱圖5所示為三層的后向傳播算法祌經(jīng)網(wǎng)絡(luò)模型原理圖，在實際應(yīng)用中， 一般取隱 含層為一層構(gòu)成一個三層的BP網(wǎng)絡(luò)，以減少計算量及避免網(wǎng)絡(luò)結(jié)構(gòu)復雜化。以三層的BP網(wǎng) 絡(luò)為例說明它的原理。除輸入、輸出層節(jié)點外，有一層隱節(jié)點，神經(jīng)元的特性函數(shù)選定為連 續(xù)可微的Sigmoid函數(shù)。
神經(jīng)網(wǎng)絡(luò)所具備的從輸入到輸出的非線性映射能力與信號處理技術(shù)從采集的信號中提取 診斷所需的特征參數(shù)的功能是等價的。神經(jīng)網(wǎng)絡(luò)是可以用于信號處理的。但是在大多數(shù)情況 下神經(jīng)網(wǎng)絡(luò)作為狀態(tài)識別工具，在診斷過程中作為信號處理的后續(xù)階段，而信號處理則是神 經(jīng)網(wǎng)絡(luò)的前置處理。
3、智能診斷系整體性優(yōu)化
基于知識的故障診斷專家系統(tǒng)與基于神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)的結(jié)合，整個系統(tǒng)中的子 系統(tǒng)都具有獨立進行智能診斷的功能。數(shù)據(jù)先經(jīng)過案例庫的最近鄰檢索，得到最相似解后輸 出診斷報告；沒有得到相似解再選擇由知識庫里規(guī)定的規(guī)則進行推理；如果沒有相對應(yīng)的規(guī) 則，再選擇神經(jīng)網(wǎng)絡(luò)推理。這個流程見上面的圖2所示?？梢杂眉褐Y(jié)論的數(shù)據(jù)進行驗證， 對比規(guī)則推理和神經(jīng)網(wǎng)絡(luò)推理的有效性，通過對比再分別充實完善規(guī)則或神經(jīng)網(wǎng)絡(luò)。通過各 子系統(tǒng)的逐步優(yōu)化和改進，還包括局部優(yōu)化和連接優(yōu)化，最終使整個智能系統(tǒng)功能趨于強大 和完善，提高智能診斷的精確率。
基于案例推理、規(guī)則推理和后向傳播神經(jīng)網(wǎng)絡(luò)的混合智能診斷系統(tǒng)。首先是底部的案例 庫，再是基于知識的故障診斷專家系統(tǒng)與基于神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)的結(jié)合，整個系統(tǒng)中 的子系統(tǒng)都具有獨立進行智能診斷的功能。數(shù)據(jù)先經(jīng)過案例庫的最近鄰檢索，得到最相似解 后輸出診斷報告；沒有得到相似解再選擇由知識庫里規(guī)定的規(guī)則進行推理；或者選擇神經(jīng)網(wǎng)
絡(luò)推理。
首先，證明應(yīng)用基于經(jīng)驗模式分解包絡(luò)解調(diào)等信號處理方法具有高靈敏性，能更好地分析故障數(shù)據(jù)，進行故障特征提取。 (1)仿真驗證 請參閱圖6所示為高線精軋機齒輪箱傳動鏈下面的仿真通過經(jīng)驗模式分解、相關(guān)函數(shù)和希爾伯特包絡(luò)的不同解調(diào)效果，充分說明相 關(guān)函數(shù)與基于經(jīng)驗模式分解的希爾伯特包絡(luò)解調(diào)方法相結(jié)合，能夠最大程度的提取故障信號 的包絡(luò)信息。
仿真信號如下所示，載波頻率300赫茲，幅度調(diào)制頻率50赫茲，E為噪聲系數(shù)，這里取 E=1.5。仿真處理過程通過三個方案來進行，每種方案都分為噪聲較大和噪聲較小兩種情況來對比。
;;=(1 + cos cos(300;rO + cos(l 00;r,) +
方案一相關(guān)分析+希爾伯特包絡(luò)
圖7是仿真信號的原始波形和頻譜，此時由于噪聲的干擾其頻譜成分比較復雜。在經(jīng)過 相關(guān)分析之后可以看到，噪聲干擾明顯減少，頻譜中的的調(diào)制信息能夠比較清楚的反映出來。
圖8(b)是對相關(guān)降噪之后的信號進行包絡(luò)解調(diào)的結(jié)果。由于有相加成分的存在，解調(diào)譜中出 現(xiàn)了無法辨認的其他頻率成分，而不是我們所需要的調(diào)制信息25赫茲。因此需要對信號進行 經(jīng)驗模式分解，求出其中包含調(diào)制信息的獨立模式分量，再進行解調(diào)分析。 方案二經(jīng)驗模式分解+希爾伯特包絡(luò)
由于信號中包含相加性因子造成頻率干擾，因此先對仿真信號進行經(jīng)驗模式分解，分離 出其中的獨立模式分量再進行解調(diào)處理。
圖9是仿真信號經(jīng)經(jīng)驗模式分解的結(jié)果，總共包含9個獨立模式分量，圖中給出的是前 5階。圖5-4是前三階獨立模式分量的包絡(luò)解調(diào)譜。其中第二階解調(diào)譜提上能反映出一定的 故障信息。但由于噪聲的干擾，這部分信息反映的并不是十分明顯。因此在進行經(jīng)驗模式分 解和希爾伯特包絡(luò)解調(diào)之前，有必要先對被分析信號進行降噪。
方案三相關(guān)分析+經(jīng)驗模式分解+希爾伯特
圖10和圖11分別為經(jīng)相關(guān)分析之后的經(jīng)驗模式分解獨立模式分量和相應(yīng)的前三階希爾 伯特解調(diào)譜。其中第一階獨立模式分量的解調(diào)譜非常清晰的反映出了調(diào)制頻率25赫茲。兩種 方案相比，方案三明顯的提高了希爾伯特解調(diào)方法的有效性和靈敏性。
基于相關(guān)分析和經(jīng)驗模式分解的希爾伯特包絡(luò)解調(diào)方法是進行齒輪故障診斷的有效方 法。單純的希爾伯特包絡(luò)解調(diào)方法由于技術(shù)手段的單一性和自身的局限性，對于復雜工況下 的故障往往難以及時準確的提取出來。而相關(guān)分析和經(jīng)驗模式分解(EMD)則能對這些缺點進 行克服。相關(guān)分析在不改變頻率成分的前提下可以有效的去除噪聲，彰顯故障特征；經(jīng)驗模式分解則可以對信號進行自適應(yīng)濾波，分解出多個獨立模式分量然后再進行處理，避免了相 加性成分產(chǎn)生干擾的情況，使得診斷結(jié)果更加精確。 (2)實驗驗證
采用軸承實驗臺所測數(shù)據(jù)進行分析，結(jié)果如圖13、 14所示。
圖13 (a)和13 (b)分別為實驗臺采得的軸承振動信號時域波形和頻譜，圖14為經(jīng)過 基于經(jīng)驗模式分解的希爾伯特解調(diào)之后的結(jié)果。從圖中可以看出，前三階獨立模式分量的頻 譜均解調(diào)出了軸承外圈故障76. 4赫茲及其倍頻成分。
其次， 一方面可以將新的數(shù)據(jù)分析方法編入專家系統(tǒng)，作為診斷規(guī)則。 一方面可以作為 案例庫進行故障模式最近鄰搜索。數(shù)據(jù)分析的同時，根據(jù)專家知識和實際診斷案例自動檢索 得出診斷報告的智能系統(tǒng)，但是數(shù)據(jù)分析僅限于時域分析和頻域分析。
最后，將正常數(shù)據(jù)和多種分析方法得到的各類故障數(shù)據(jù)分類好作為后向傳播神經(jīng)網(wǎng)絡(luò)的 輸入，進行網(wǎng)絡(luò)的訓練。然后用訓練好的網(wǎng)絡(luò)去診斷新的數(shù)據(jù)，進行模式分類。作為獨立模 塊充實到智能診斷系統(tǒng)中。應(yīng)用matlab編寫后向傳播網(wǎng)絡(luò)，網(wǎng)絡(luò)的設(shè)計大同小異，具體的網(wǎng) 絡(luò)訓練和仿真不再闡述。此步需要大量的數(shù)據(jù)進行網(wǎng)絡(luò)訓練。事實證明，該模式識別網(wǎng)絡(luò)完 全由計算機實現(xiàn)，便于實現(xiàn)故障診斷的自動化和智能化，提高了效率，能夠為診斷決策及時 提供依據(jù)。
權(quán)利要求
1、基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，通過充實和完善現(xiàn)有智能診斷知識庫，添加解調(diào)分析形成的診斷規(guī)則；并把各種數(shù)據(jù)分析方法提取的特征作為神經(jīng)網(wǎng)絡(luò)的輸入來進行故障模式的識別，將已有的案例和規(guī)則這兩種推理方法再結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用到高速線材軋機的故障智能診斷系統(tǒng)中；其特征在于該方法通過充實知識庫，補充推理機制，建立仿真神經(jīng)網(wǎng)絡(luò)模塊，建立一個實用的智能診斷系統(tǒng)；主要包括以下步驟智能診斷系統(tǒng)知識庫的充實；將專家知識存入計算機，并結(jié)合神經(jīng)網(wǎng)絡(luò)進行模式識別；分析齒輪箱的主要異?，F(xiàn)象，系統(tǒng)地研究齒輪的振動、噪聲產(chǎn)生的機理；分析齒輪振動的數(shù)學模型，充分利用現(xiàn)場故障數(shù)據(jù)，分析各種故障類型的振動機理；充實各種故障的時域及頻域特征，并確定齒輪故障信號的特征提取方法；所述的數(shù)據(jù)分析方法主要包括帶通濾波頻譜分析、雙關(guān)分析、包絡(luò)解調(diào)分析、基于EMD的解調(diào)分析。
2、 根據(jù)權(quán)利要求1所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征 在于所述的解調(diào)分析包括有包絡(luò)時域參數(shù)、解調(diào)譜圖的特征。
3、 根據(jù)權(quán)利要求1所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征 在于所述的仿真神經(jīng)網(wǎng)絡(luò)模塊，采用向后傳播神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)，該網(wǎng)絡(luò)結(jié)構(gòu) 實現(xiàn)方法包括(1) 建立網(wǎng)絡(luò)確定輸入層、隱含層和輸出層的數(shù)目，確定樣本空間總量和學習最大循 環(huán)次數(shù)；(2) 訓練樣本庫先存儲一個樣本，然后再讀取其他樣本；(3) 實測數(shù)據(jù)讀取齒輪箱實驗中的特征數(shù)據(jù)，作為輸入數(shù)據(jù)；(4) 數(shù)據(jù)歸一化對輸入特征向量進行歸一化處理；(5) 訓練網(wǎng)絡(luò)向知識庫存儲訓練完畢的權(quán)值；(6) 知識庫存取權(quán)值矩陣；(7) 診斷模塊讀取歸一化后的實測數(shù)據(jù)及權(quán)值矩陣來對齒輪箱的實際工況進行診斷。
4、 根據(jù)權(quán)利要求1所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征 在于基于知識的故障診斷專家系統(tǒng)與基于神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng)的結(jié)合進行優(yōu)化。
5、 根據(jù)權(quán)利要求1所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征 在于所述的優(yōu)化包括以下步驟數(shù)據(jù)先經(jīng)過案例庫的最近鄰檢索，得到最相似解后輸出診 斷報告；沒有得到相似解再選擇由知識庫里規(guī)定的規(guī)則進行推理；如果沒有相對應(yīng)的規(guī)則， 再選擇神經(jīng)網(wǎng)絡(luò)推理。
6、 根據(jù)權(quán)利要求1或4所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其 特征在于所述的優(yōu)化還包括用己知結(jié)論的數(shù)據(jù)進行驗證。
7、 根據(jù)權(quán)利要求1或6所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其 特征在于所述的驗證包括(1) 仿真驗證；(2) 實驗驗證。
8、 根據(jù)權(quán)利要求7所述的基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，其特征 在于所述的仿真驗證通過經(jīng)驗模式分解、相關(guān)函數(shù)和希爾伯特包絡(luò)的不同解調(diào)效果，說明 相關(guān)函數(shù)與基于經(jīng)驗模式分解的希爾伯特包絡(luò)解調(diào)方法相結(jié)合，提取故障信號的包絡(luò)信息。
全文摘要
一種基于混合推理和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障智能診斷方法，主要包括以下步驟智能診斷系統(tǒng)知識庫的充實；將專家知識存入計算機，并結(jié)合神經(jīng)網(wǎng)絡(luò)進行模式識別；分析齒輪箱的主要異?，F(xiàn)象，系統(tǒng)地研究齒輪的振動、噪聲產(chǎn)生的機理；分析齒輪振動的數(shù)學模型，充分利用現(xiàn)場故障數(shù)據(jù)，分析各種故障類型的振動機理；充實各種故障的時域及頻域特征，并確定齒輪故障信號的特征提取方法；數(shù)據(jù)分析方法主要包括帶通濾波頻譜分析、雙關(guān)分析、包絡(luò)解調(diào)分析、基于EMD的解調(diào)分析。本發(fā)明克服了傳統(tǒng)的串行信息處理在模式識別和人工智能等領(lǐng)域所存在的問題，使該模式識別網(wǎng)絡(luò)完全由計算機實現(xiàn)，便于實現(xiàn)故障診斷的自動化和智能化，能夠為診斷決策及時提供依據(jù)。
文檔編號G01M13/02GK101634605SQ200910081750
公開日2010年1月27日 申請日期2009年4月10日 優(yōu)先權(quán)日2009年4月10日
發(fā)明者任志強, 輝 葉, 吳麗娟, 張建宇, 李金玉, 梁麗娜, 燕 王, 胥永剛, 高立新 申請人:北京工業(yè)大學