文摘

传统的特征提取方法在地铁中的应用机械故障诊断已经吸引了研究人员的注意。基于5 g智能传感器网络信号处理理论,本文构造了一个地铁机械设备故障诊断模型,分析了信息冗余计算方法的有效性提出了利用地铁的现场振动数据单位。模型得到的振动信号分析的熵特征向量在每个轴承部分地铁的机械和设备。熵值定量反映了转子振动的复杂性的部分从不同的角度和解决问题的数据定量分析。在仿真过程中,根据5 g智能传感器网络信号和模糊均值聚类信息融合方法,在识别的过程中地铁设备的故障状态,获得了相对乐观的识别结果。实验结果表明,无论是否选择高斯内核或多项式内核,内核数量的主成分,其累积贡献率大于0.85随内核参数的增加,以及断层识别支持率是85%,也就是说,3组样本数据的诊断结果是nonrolling元素的缺点,大大提高了轴承的性能。

1。介绍

地铁机械是一个关键核心设备广泛应用于交通运输行业的支持。开展地铁机械技术研究[1),确保安全、可靠、高效、长期、满载,高质量的操作这类设备的损失和灾难性事故的发生具有极大的经济和社会意义(2]。地铁设备的故障诊断过程的本质是模式分析的过程。内核方法由智能传感器网络带来了第三领域的革命模式分析。这种方法隐式地将原始空间数据映射到特征空间,通过核函数(3- - - - - -5),发现特征空间的线性关系,并实现非线性问题的有效的解决方案(6]。地铁设备的故障往往表现出非线性行为(7),和内核方法特别适用于地铁机械故障诊断和处理模式分析问题(8]。

随着技术的快速发展,地铁机械发展的方向大规模、复杂、高速、自动化,机械结构越来越复杂(9- - - - - -11]。组件的失败可能会导致连锁反应,影响整个设备的操作12]。一些设备流水线的操作也会影响后续生产,导致整个生产过程被打断(13]。设备故障造成的损失和危害主要体现在以下三个方面:设备的维修和更换成本本身,包括维护成本的浪费造成的维护和维修过剩[不足14]。

基于5 g智能传感器网络信号处理理论,本文构造了一个地铁机械设备故障诊断模型。首先,典型故障类型的轴承和齿轮在本文介绍了学习。之后,轴承和齿轮的故障特征表达进行了分析。实验结果比较,发现的故障诊断方法,然后分析了可能的原因。当系统出现故障时,系统中各种量(可测或不可测的),或部分,展览性质不同于正常状态;能量熵特性、时间序列特性和相关维度的特性不同的频带得到时域统计特性,小波包分解,提取和经验模态分解实验,形成11地铁机械故障特征库,它为应用程序提供数据的核方法,通过引入自适应噪声组件、一维观测信号扩展到一个多维向量,然后,KICA执行(成分分析)来实现信噪分离,达到去噪的目的。KICA去噪过程不受信噪比的影响,对其他去噪方法无可比拟的优势。转子不平衡振动信号的去噪的例子验证了该方法的有效性。实测信号分析表明,它具有良好的识别滚动轴承和齿轮故障和可以作为故障诊断的敏感特性。

2。相关工作

地铁机械的故障诊断决定的性质、程度、类别、地点、原因,发展趋势的故障信号检测、特征提取、状态识别和诊断决策(15]。内容涉及机械结构、电子技术、统计数学和计算机科学(16]。目的是及时、准确判断各种设备的早期异常状态,以便采取相应的措施,防止故障,并提供指导制定设备检查和维护系统(17),充分挖掘潜在的设备设计允许的条件下,延长设备的使用寿命,并降低成本的整个生命周期的设备:提供一个参考和依据修改设备的结构和优化设计。

崔(18)提出了一种基于隐马尔可夫模型的故障检测方法(嗯),首次训练HMM与正常和故障信号,然后比较了观测数据的概率。multifault检测,该方法不适用,当不确定状态需要处理和记录所有必要的信息。刘等人。19)提出了一种新的贝叶斯分类器模型,消除了朴素贝叶斯特征之间独立的基本假设。针对问题,最近邻分类器的性能改善有限的吵闹,多余的,和弱相关的特性,拉赫曼et al。20.)提出了一种新的基于特征加权方案归责的组合方法和Kolmogorov-Smirnov参的统计测试。

最优带宽选择模型来估计类中使用的函数,然后使用三个指标,即分类准确性,接受者操作特征曲线下的面积。方等。21)第一次初步审查证据理论,阐述了如何构建多传感器发动机诊断问题方面的证据理论的框架下断层识别框架,质量职能和证据组合规则(22];其次,新方法提出了改善质量的有效性函数建模,结合证据;最后,提出了一种合理的决定标准,标准评估提出了信息融合系统的性能(23]。

3所示。建设地铁机械设备的故障诊断模型基于5 g智能传感器网络信号处理

3.1。5 g网络层

5 g网络使用双核节点进行嵌入式软件设计满足系统应用需求,构建了一个分层的网络监控机械故障诊断无线传感器网络架构,并指定并解释多级融合的传输格式命令包和数据包。每个采集节点必须能够确保振动信号的同步采集 。多通道同步采样和夹具用于同步收集每个传感器的振动信号 。收购只能由当地控制的时钟由每个采集节点,并很难确保同步采集。

不同的特征值可以反映信号的不同的含义 :中值主要反映是否信号有一个趋势,即一阶的时刻 ;绝对平均值反映了信号的能量,这也是一阶矩;方差反映了信号能量的动态组件,这是二阶中心。其中,故障检测是判断诊断系统故障估计的可测量的或不可测的变量。方差和标准差反映信号的分散度;均方根值反映了信号的影响 。

峰值指数和灵敏度的稳定性冲击并不好,故障诊断,这个指数逐渐取代了峰度指数 ;脉冲指数和峰值指数相似,可用于检测和描述信号的分布状态;利润率指标可用于检测机械设备的磨损;峰度指数是用来表示在平滑的波形,可以用于描述变量的分布,是脉冲的响应信号的特征 ,,目前最好的反映了信号变换的四阶矩。

脉冲指数、指数峰值和峰态指数都是敏感shock-type错误,特别是当断层在开发的早期阶段,这些指标都显著增加,但当故障发生在某种程度上,随着故障程度继续深化,这些指标将会下降。这表明这三个指标对早期故障的敏感性高,但稳定是不好的。

两种类型的典型零部件的地铁机械故障模拟实验数据 ,借助相同的分类模型,基于multimeasure加权特性集最优混合评价可以获得比传统集。精度高的特性集提供了直接证据的改善分类性能特性的基础上,提出特性灵敏度学习方法基于multimeasure最佳的混合模型。

输入层和输出层节点数在图1设置为5和10个,对应的数量输入特性和输出类别,分别确定隐层节点的数目是根据几何16金字塔法则。训练样本的数量在每个功能组每组实验是30,和测试样品的数量是20。重复执行20倍后,两种不同的特性集的分类结果基于三种不同的分类模型在这个实验中得到,和LibSVM9仍然是用于支持向量机计算(共享虚拟内存),内核函数使用高斯核函数;一对一分类模型用于多级歧视。

3.2。故障特征频率的计算

故障特征频率下的振动加速度时间序列作为输入使用状态,和多畴的多级特征灵敏度基于multimeasure最优混合学习方法评价模型在本章提出根据相同的步骤进行了分析和评价。

在广义上,它通常是作为一个通用术语用于故障检测,分离、鉴定;在狭窄的意义上说,它具体指故障分离和故障识别。首先,通过分析原始振动信号在时域,频域,并基于EMD时频域(电动马达驱动),10时域统计特性 ,5频域统计特性,和5 EMD-based统计特性 提取。

与T1只能获得频谱 ,T2可以获得时间谱,了解信号中所包含的频率成分在每次位置。因此,它可以被用来处理复杂的时变信号。以上分析结果表明,在齿轮箱故障模拟实验数据,提出基于最优混合的特征加权方法评价模型比传统的单一指标评价模型在提高集群的性能 。

与小波变换相比 ,高频频率分辨率差的缺点和低频时间分辨率,小波包变换的高频部分进一步分解的频率 。它有利于获得最优分析信号的基础 。

通过小波变换 ,有效的信号将产生大的系数值 ,噪声经过小波变换,与模数值在小波域仍然显示了很强的随机性。因此,可以选择一个合适的数量作为阈值 。如果分解系数大于这个阈值,可以认为信号可能是一个有用的信号,它应该被保留或根据一定规模缩小 。

只要提交一个向量,将会有一个输出层神经元,神经元是设置为获胜神经元。然后,获胜神经元将一定距离的方向输入向量,最后实现输入向量的空间self-classification通过多次迭代。滚动轴承故障的实验数据与计算结果相比的三种不同类型的散度平均值G1的基于最优特征子集,加权特性集基于multimeasure最佳组合灵敏度学习方法在本章提出牺牲散度。

在网络的过程中,每个子节点图2成功与父节点,它将发送一个包包含节点地址,地址关系父节点地址,深度和网络协调器,协调器将发送数据包的地址关系协调员。上传到上层计算机监控系统,并绘制网络拓扑上的拓扑图显示界面在此基础上,显示集群树网络拓扑结构在网络和实时父节点和子节点之间的关系,以及故障轴承振动信号传输到基地通过轴承组件的支持。我们分析的振动信号4基地收集在这个实验中,振动信号的正常状态,外环的错,和球转动频率时故障30 Hz, 35赫兹,和40 Hz,分别提取原始信号。

3.3。智能传感器信号分析

多传感器信息融合方法可以获得更多的信息由于时空范围的扩张和描述的对象可以诊断更全面。12时域统计,脉冲因子、和保证金因子作为特征量,和提取的数量多传感器特征融合和分析诊断裂纹转子故障在正常操作和3毫米和5毫米的裂缝。把转子裂纹实验3州采集的振动信号,形成一个四维特征向量1统计每组4传感器固定在底座上的数据,并提取特征向量的100组数据在每个州用于训练支持向量机模型,和其余的样本用于测试表1。

为了分析冗余信号之间的两个涡流位移传感器在同一段地铁机械和振动传感器之间的信号在不同的部分,以振动l-cap单位采集的数据作为一个例子,每个传感器收集的振动信号进行了分析。振动的振幅1-band轴承方向,3 #轴承,都是大于5的支持关系 - - - - - -方向,两个方向的振动振幅在5的支持3 #轴承和轴承有很大的不同。振动的振幅方向和方向轴承和轴承夹比较相似。根据振动趋势的方向在每个轴承,它可以发现3 #轴承的振动强度是最大的,其次是5-group轴承、和2支持轴承。其中,故障检测是判断诊断系统故障估计的可测量的或不可测的变量。从每个轴承的振动趋势部分,可以得出的结论是,两个方向的振动强度振动传感器在同一节有时相同,有时不同。

齿轮和齿轮箱是机械设备的重要组成部分。大约80%的失败在传动机械图3和大约10%的旋转机械的故障是由于齿轮。因此,齿轮运行状态的监控和分析。很难诊断齿轮的振动信号经过传输的许多链接(gear-shaft-bearing-bearing seat-gearbox-measurement点),特征信息的衰减损失很大,和各个部分的振动是复杂的。作用下,有许多干扰较大的信号。因此,现场试验的振动信号成分是复杂的,和特征信息反映出齿轮状态是相对较弱。如果单个传感器信号进行了分析,有必要依靠更详细的信号分析技术来达到提高信噪比的目的,有效地提取故障特征。相比之下,一个传感器,多个传感器扩展了时间和空间的范围,获得更多的信息,并描述更全面的诊断对象。

3.4。机械设备故障指示

为了分析冗余信号之间的两个涡流位移传感器在同一段地铁机械和振动传感器之间的信号在不同的部分,以收集到的振动数据为例,各个传感器采集的振动信号的相似性。可以看出,两个传感器信号的关联熵在每个部分0.95中,熵值的相关性两个传感器信号的5维轴承部分是最大的。如果根据冗余指数衡量基于关联熵,然后两个传感器信号的冗余在本节中是最大的,但实际情况恰恰相反,提供的信息在5的支持轴承部分两个方向传感器是非常不同的。通过提取出信号,计算特征向量之间的相似度值的两个传感器信号,相似度的值是最小的在所有部分。

突变点被称为“奇异点”。与固定信号相比,奇异点包含故障信息。因此,如果传感器信号之间的冗余信息是根据测量冗余计算相关熵的基础上,有一个很大的限制地铁机械故障的诊断和识别基于融合特征水平和决策水平。

自组织网络拓扑如图4就完成了。在开始收购之前,有必要设置采样参数通过参数设计窗口中根据特定的应用程序需求。有四个取样频率可供选择,可以设置为1 x,信号放大2倍,5倍,10倍,和20 x,和振动数据收集后在SD卡上设置文件名保存与相应的文件标识;设置触发电压和范围。采集参数配置后,开始收购操作,发送命令到网关节点通过串口参数。终端节点将数据包传送到网关节点。上层计算机监控系统负责保存这些数据文件进行进一步分析和应用程序在一个特定的格式。

4所示。故障诊断模型的应用和分析基于5 g的地铁机械设备智能传感器网络信号处理

4.1。5 g网络数据预处理

花8时域统计单个传感器网络(第一个8特性诊断精度高),形成一个八维特征向量数据样本。为了避免不同特征量的大小差异的影响支持向量机分类结果,特征向量归一化之前SVM训练和测试。在多传感器信息融合,相同的多传感器特征量作为特征向量,没有数量级的差异,和不需要标准化,所以这个过程更简单。多传感器信息融合的诊断精度高于单一传感器。

通过观察低频部分,可以判断节点故障的类型;发生的时间点是包含在高频部分。通过选择诊断精度的传感器在不同的位置,可以大致了解传感器安装的位置更好,结果可以提供的最优位置传感器。的方法,因为安排的变速箱的传感器覆盖整个表面,表的排列位置2几乎没有影响诊断结果,诊断结果更可靠。

的亲密值9组样品每个标准故障模式识别和图所示。从样本之间的亲密值确定和各种失效模式,可以看出国家每个样本根据识别结果的最大亲密的原则符合自己的目标状态,以及断层识别率达到100%。因此,地铁机械故障识别方法的有效性基于矢量振动信号和模糊熵特征 - - - - - -意味着聚类算法可以被证明。两个传感器信号特征向量之间的相似度函数值在3支持轴承是最大的,这表明信号特征信息提供的两个信号是非常相似的,紧随其后的是相似性函数值的两个传感器信号2-bearing横截面。这种冗余索引值可以更真正反映之间的冗余信号的大小,更可靠的指导地铁机械故障的诊断和识别使用级和决策级融合。

4.2。智能传感器信号拟合

安排4终端节点(数字2、3、5、6),2(数字1和4)簇头节点,1网关节点附近的输入轴承箱和输出轴承箱智能传感信号驱动。分层协调地址分配算法用于形成一个集群树网络结构,在实验台上,设置转速,并等待变速箱运行稳定之前收集振动信号。振动数据存储在SD卡上的传感器节点,和多级融合处理的无线传感器网络在同一时间执行。4终端节点(编号2、3、5、6),2(编号1和4),簇头节点和网关节点排列在驱动输入轴承箱和轴承箱的输出。在实验台上,设置转速,并等待变速箱运行稳定之前收集振动信号。振动数据存储在SD卡上的传感器节点,和多级融合处理的无线传感器网络在同一时间执行。

诊断准确性的测试样本可以反映的灵敏度齿轮故障的特征量。我们可以看到在图5,波峰因素对齿轮故障最敏感。使用其组成特征向量,诊断准确率为93.33%,其次是振幅的平方的总和,根幅值,平均值,诊断精度都在80%以上。这个特性尤其适合定性故障诊断(判断是否有故障)时,新设备仍然缺乏故障样本,所以有必要仔细选择特征量,如峰值因子;各种状态的样本的诊断准确性很高。

4.3。模拟地铁机械和设备的故障诊断

设备故障实验数据来自于轴承故障诊断试验台,和三个加速度传感器排列和位置如图所示。实验中使用的轴承包括正常轴承(无过错),轴承外圈故障(损伤面积约7毫米²深度0.2毫米),错误的戒指(损伤面积约3.8毫米²、深度0.1毫米)和滚动轴承故障轴承(损伤面积约3毫米²、深度为0.1毫米)。6308年轴承模型,滚动的元素的数量是8,滚动体直径是15毫米。簇头节点收到120套样本输入到每个终端节点5 g网络网络学习来生成一个故障诊断分类器。减少学习压力的簇头节点网络,培养目标误差设置为0.05。5 g网络的输入层是由功能决定的尺寸为5;设置隐藏层神经元3和1的偏见。考虑到三个齿轮箱的运行状态,输出层设计为3,即正常状态、齿根损坏,轴承内圈损伤。通过比较的高频信号分布每一层的分辨率,细节是高峰时间的一代时间奇异点,也就是说,故障发生的时间。

尽管在图基于随机模糊集合理论框架6是一个强大的工具来分析不确定信息,模糊数据集是一个元素的数组,也就是说,它只能表达两国协议或分歧,而轴承失败是一个不确定的状态。首先,它是一项棘手的任务来确定每个频率分量的能量比的信号频谱,特别是当频率成分丰富,这使得它通常不方便在实际诊断;另一个例子是对一些缺点。光谱的特征向量得到未必是错的共同特征。例如,移动和静态摩擦故障的部件,在很短的时间内产生的摩擦信号的摩擦移动和静态部分。从信号频谱获得特征向量,但小波用于直接提取时域信号的特点,然后,提取的特征作为输入的学习形成网络来判断。这种方法的特点是,只有使用信号在时域。

选择受损的轴承内圈的运行状态驱动输入端为未知状态如图5 g网络测试7集群中,终端节点构造一组特征信息样本的运行状态下变速箱同时,和簇头节点从SD卡中读取对应的5 g数据分类器参数;特征信息样本输入到分类器得到概率分布函数的模式识别。网关节点使用融合决策理论进行融合决策为每个身体和使用证据融合函数作为决策的基础来识别故障类型。30组进行测试,其中三组的概率分布和融合决策结果的测试如图所示,和只保留四位小数。

4.4。示例应用程序和分析

滚动轴承的振动信号在4州收集的实验,110套440套的数据在每一个国家,和1 8提取传感器的时域统计每组数据形成一个八维特征向量,形成一个 数据样本集,共200个样本的50组在每个州用于训练支持向量机模型,剩下的样品用于测试。核函数选择高斯核函数,采用交叉验证和网络搜索方法来优化惩罚因子的选择和核函数参数 ,并采用一对一的多级歧视。

因此,故障发生时间是关心的内容。一旦确定故障发生时间,故障后的“冗余”数据可以有效地恢复或丢弃。模型的输入是不同类型的多个传感器收集的时间序列信号,输出是诊断结果,实现了端到端的诊断。其次,在整个模型的操作过程中,自适应调整内部结构可以实现无人工参与。自适应措施包括转换、自动融合时间序列信号的不同尺寸的给定大小的照片,和训练ResNet所有有利于共享参数表3。

目前,大多数的故障诊断工作是相同的操作环境下进行的,也就是说,同样的实验平台和同样的背景温度。由于相同的操作环境,集的数据和组数据有很高的一致性和相似性,被认为是本质上是一致的。因此,本文在轴承替换了一个已知的故障,然后遵循以上步骤。1 x本征频率周围的诊断结果表明,有一个滚动轴承外环故障,这表明,实验记录很好。

与齿轮相比,诊断滚动轴承精度显然更高。多传感器信号收集的图8含有更多的故障信息。准尺寸时域统计中,中值,振幅的平方的总和,均方根值,根广场振幅值,和标准差都是100%准确的诊断滚动轴承。无量纲,形状因子是最敏感的错误信息,在齿轮故障诊断,波峰因素最敏感的是齿轮故障信息,而形状因子诊断准确性较低齿轮。相比之下,其余四组基于单一指标模型实现了分类精度为81.67%,89.17%,82.50%,和70.83%,分别。上述结果表明,齿轮故障实验数据,基于multimeasure最优混合特征加权方法评价模型在本章提出可以提高分类性能的原始特性集在最大的程度上可以实现更好的性能和特征加权法等单一指标评价模型的距离和信息可以更好地提高分类的性能。

5。结论

摘要地铁机械设备的故障诊断模型,和基于故障特征频率的一个故障诊断的实验设计。通过比较理论计算结果和实验观测结果,提出,它可能是一个噪声信号。首先,基于启发式阈值的自适应小波包算法和标准熵用于降噪和重建轴承的噪声信号;然后,相应的6-dimensional六时域特征指数的数据样本组件重构信号的提取,实现降维压缩数据;最后,网络是训练有素的无监督提取的样本数据实现轴承故障诊断的高噪音的声音环境。本文根据感知大量的节点之间的物理特性,传感器网络的节点组分为两类:与冗余节点组关系和孤立的节点没有多余的相互关系。支持向量机执行的弱信号的多传感器信息融合的基础和有效地实现转子裂纹和滚动轴承的故障诊断。基传感器的安装方法是普遍的,它可以克服不便安装现场传感器的问题,具有很大的应用和推广前景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作得到了南京铁路技术职业学院。