[发明专利]一种用于齿轮箱故障智能诊断的方法

说明书

技术领域

本发明涉及用于机械设备故障诊断的方法，特别是用于齿轮箱设备故障的智能诊断方法。

背景技术

在现代钢铁生产企业生产设备中很大一部分故障发生在齿轮箱设备上。这类设备结构复杂，自动化水平较高，一旦突发故障，维修困难，且维修成本很高，甚至会引起整个生产中断，造成巨大的经济损失。目前，企业对齿轮箱故障的诊断大多是进行振动信号频谱分析，人工进行诊断。但频谱分析诊断效果有限，而应用智能诊断的知识库表示复杂，智能诊断准确率比较低，从而使得智能诊断应用受到限制。

发明内容

本发明所要解决的技术问题是：提供一种用于进行齿轮箱故障智能诊断的方法，该方法能有效诊断出齿轮箱故障隐患。

本发明解决上述技术问题所采用的技术方案是：

一种用于齿轮箱故障智能诊断的方法，它包括：检测并做出判断的步骤；判断的结果为有故障隐患或无故障隐患；根据判断结果作以下选择：如判断结果中含有故障隐患，发出预警；或，判断结果中均为无故障隐患，结束；

上述步骤至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤；

其中，案例推理并做出判断的步骤具体为：

提取齿轮箱已有案例典型故障特征的步骤；

检索未知故障与已有案例相似度的步骤；

其中，判断的步骤；具体为：目标案例与源案例相似度在设定范围内，判断的结果为案例匹配；

目标案例与源案例相似度在不设定范围内，判断的结果为新案例；

其中，规则推理并做出判断的步骤具体为：

根据齿轮箱典型故障特征表，建立量化的知识库规则的步骤；

利用知识库中的模糊规则进行推理的步骤；

其中，判断的步骤；具体为：将利用知识库中的模糊规则进行推理的步骤推理结果相互对比；

较大值，对应结果为存在故障隐患，并得出隐患类型。值较小，判断的结果为无所列规则中的故障隐患。

上述方案中，所述检测并做出判断的步骤还包括支持向量机做出判断的步骤，具体为：

提取与优化齿轮箱各类故障的典型特征的步骤；RBF核函数的参数选取的步骤；SVM训练、测试的步骤；

SVM判断新故障的步骤，具体为：将结果与设定故障进行匹配；

匹配，判断的结果为存在故障隐患，并得出隐患类型。不匹配，判断的结果为无故障隐患或新故障类型；

上述方案中，规则推理的故障特征参数包括：旋转频率、齿轮啮合频率、峭度指标、径向振动、轴向振动。

上述方案中，提取与优化的故障特征参数包括：峰值、峰峰值、有效值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、小波能量指标。

本发明与现有技术相比，本发明方法具有以下优点：

1、克服了现有故障诊断中所有数据进行人工诊断的缺点，能有效降低诊断人员劳动强度。

2、克服了现有现有智能诊断中方法的单一性，能有效提高齿轮箱设备的故障诊断成功率。

3、便于早期发现设备故障隐患，避免引起重大事故。

4、便于掌握设备的总体运行情况，提高维修效率，节省工时。

附图说明

图1为本发明实施例流程图；

图2为基于案例推理的智能诊断系统工作流程；

图3为某钢厂26架齿轮箱时域波形图；

图4为某钢厂26架齿轮箱频域波形图；

图5为小波分解与SVM故障诊断方法流程图；

图6为轴承故障小波包分解能量柱状图；

图7为轴承故障小波包分解能量SVM测试效果。

具体实施方式

如图1所示，本发明方法实施例为用于齿轮箱故障的智能诊断。

本发明方法实施例包括：

步骤1、检测并做出判断的步骤；

判断的结果为有故障隐患或无故障隐患；

步骤2，是根据步骤1的判断结果作以下选择：

步骤1的判断结果中含有有故障隐患，发出预警；

步骤1的判断结果中均为无故障隐患，结束；

所述步骤1至少包括：案例推理并做出判断的步骤和规则推理并做出判断的步骤，支持向量机训练与判断的步骤；

案例推理并做出判断的步骤具体为：(如图2所示)