本發(fā)明涉及機械故障狀態(tài)監(jiān)測技術領域，具體地說是一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)及方法。

背景技術：

機械故障狀態(tài)監(jiān)測是一種基于設備當前和歷史狀態(tài)信息，并使用相關分析方法對機械狀態(tài)進行定量和定性分析的技術。機械運行過程中，故障與征兆之間沒有確定的映射關系，因此可以將機械看作是一個復雜的灰色系統(tǒng)。

灰色關聯(lián)分析方法作為灰色理論的一個重要組成部分，目前在機械故障監(jiān)測領域被廣泛應用，并取得了良好效果。但是，傳統(tǒng)灰色關聯(lián)分析方法存在關聯(lián)度值受分辨系數(shù)影響而不唯一、關聯(lián)度值離散性不強、結(jié)果趨于均化且可靠性低、忽略了因子權(quán)重差異等問題。

基于此，本發(fā)明提供一種能夠有效解決上述問題的基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)及方法，通過使用灰色關聯(lián)分析方法作為機械故障狀態(tài)監(jiān)測方法來提高機械故障狀態(tài)監(jiān)測結(jié)果的準確性和可靠性。

技術實現(xiàn)要素：

本發(fā)明的技術任務是針對以上不足之處，提供一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)及方法。

一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)，包括：

數(shù)據(jù)獲取模塊，用于獲取機械的狀態(tài)數(shù)據(jù)；

數(shù)據(jù)處理模塊，用于對獲取的狀態(tài)數(shù)據(jù)進行預處理，將該狀態(tài)數(shù)據(jù)處理成向量；

數(shù)據(jù)分析模塊，通過灰色關聯(lián)分析方法對獲取的向量進行分析，確定機械故障狀態(tài)；

結(jié)果顯示模塊，將數(shù)據(jù)分析模塊分析的結(jié)果進行展示。

所述機械的狀態(tài)數(shù)據(jù)包括樣本狀態(tài)數(shù)據(jù)和實時狀態(tài)數(shù)據(jù)，相對應的，數(shù)據(jù)處理模塊將狀態(tài)數(shù)據(jù)處理成樣本狀態(tài)下的參考向量和實時狀態(tài)下的比較向量，由數(shù)據(jù)分析模塊通過灰色關聯(lián)分析方法分析兩種變量后再通過結(jié)果顯示模塊將結(jié)果進行展示。

所述數(shù)據(jù)獲取模塊獲取機械在樣本狀態(tài)下的狀態(tài)數(shù)據(jù)過程為：首先自定義設置樣本狀態(tài)，并將機械置于該樣本狀態(tài)下，在機械上配置振動傳感器，將機械開啟，通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)并發(fā)送給數(shù)據(jù)獲取模塊。

數(shù)據(jù)獲取模塊獲取機械在實時狀態(tài)下的狀態(tài)數(shù)據(jù)過程為：將機械置于工作環(huán)境中，在機械上配置振動傳感器，將機械開啟，通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)并發(fā)送給數(shù)據(jù)獲取模塊。

數(shù)據(jù)處理模塊將狀態(tài)數(shù)據(jù)處理成向量的具體過程為：數(shù)據(jù)獲取模塊將獲取的樣本狀態(tài)數(shù)據(jù)或?qū)崟r狀態(tài)數(shù)據(jù)發(fā)送給數(shù)據(jù)處理模塊，數(shù)據(jù)處理模塊將該樣本狀態(tài)數(shù)據(jù)或?qū)崟r狀態(tài)數(shù)據(jù)進行傅里葉變換，得到對應的頻譜特征值，然后將該頻譜特征值分別作為參考向量或比較向量。

一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測方法，其實現(xiàn)步驟為：

一、首先獲取不同環(huán)境下機械的狀態(tài)數(shù)據(jù)；

二、然后將機械的狀態(tài)數(shù)據(jù)處理成向量；

三、使用灰色關聯(lián)分析方法對所有的向量進行比較分析，得到機械故障狀態(tài)，完成對機械故障狀態(tài)監(jiān)測。

所述不同環(huán)境包括作為樣本用作對比的樣本狀態(tài)環(huán)境和機械正常工作時的實時環(huán)境。

所述步驟一的具體實現(xiàn)過程包括：

當獲取樣本狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)時，首先將機械置于自定義的樣本環(huán)境下，然后在機械上配置振動傳感器，將機械開啟，最后通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)；

當獲取實時狀態(tài)環(huán)境下的狀態(tài)數(shù)據(jù)時，首先將機械置于工作環(huán)境中，然后在機械上配置振動傳感器，將機械開啟，最后通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)。

在步驟二中，將狀態(tài)數(shù)據(jù)處理成向量是指通過進行傅里葉變換得到得到頻譜特征值，然后將頻譜特征值作為狀態(tài)監(jiān)測過程中的向量。

當獲取樣本狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)后，對該狀態(tài)數(shù)據(jù)進行傅里葉變換以得到頻譜特征值，將該頻譜特征值作為狀態(tài)監(jiān)測過程中的參考向量；當獲取實時狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)后，對該狀態(tài)數(shù)據(jù)該狀態(tài)數(shù)據(jù)進行傅里葉變換以得到頻譜特征值，將該頻譜特征值作為實時工作過程中的比較向量，該參考向量和比較向量即為通過灰色關聯(lián)分析方法對比分析的向量。

本發(fā)明的一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)及方法和現(xiàn)有技術相比，具有以下有益效果：

本發(fā)明的一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)及方法解決了傳統(tǒng)方法存在的關聯(lián)度值受分辨系數(shù)影響而不唯一等問題，使用灰色關聯(lián)分析方法作為機械故障狀態(tài)監(jiān)測方法，有效提高機械故障狀態(tài)監(jiān)測結(jié)果的準確性和可靠性，實用性強，適用范圍廣泛，易于推廣。

附圖說明

附圖1是本發(fā)明的系統(tǒng)結(jié)構(gòu)示意圖。

附圖2是本發(fā)明的方法實現(xiàn)流程圖。

具體實施方式

下面結(jié)合附圖及具體實施例對本發(fā)明作進一步說明。

如附圖1所示，一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測系統(tǒng)，包括：

數(shù)據(jù)獲取模塊，用于獲取機械的狀態(tài)數(shù)據(jù)；

數(shù)據(jù)處理模塊，用于對獲取的狀態(tài)數(shù)據(jù)進行預處理，將該狀態(tài)數(shù)據(jù)處理成向量；

數(shù)據(jù)分析模塊，通過灰色關聯(lián)分析方法對獲取的向量進行分析，確定機械故障狀態(tài)；

結(jié)果顯示模塊，將數(shù)據(jù)分析模塊分析的結(jié)果進行展示。

所述機械的狀態(tài)數(shù)據(jù)包括樣本狀態(tài)數(shù)據(jù)和實時狀態(tài)數(shù)據(jù)，相對應的，數(shù)據(jù)處理模塊將狀態(tài)數(shù)據(jù)處理成樣本狀態(tài)下的參考向量和實時狀態(tài)下的比較向量，由數(shù)據(jù)分析模塊通過灰色關聯(lián)分析方法分析兩種變量后再通過結(jié)果顯示模塊將結(jié)果進行展示。

所述數(shù)據(jù)獲取模塊獲取機械在樣本狀態(tài)下的狀態(tài)數(shù)據(jù)過程為：首先自定義設置樣本狀態(tài)，并將機械置于該樣本狀態(tài)下，在機械上配置振動傳感器，將機械開啟，通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)并發(fā)送給數(shù)據(jù)獲取模塊。

數(shù)據(jù)獲取模塊獲取機械在實時狀態(tài)下的狀態(tài)數(shù)據(jù)過程為：將機械置于工作環(huán)境中，在機械上配置振動傳感器，將機械開啟，通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)并發(fā)送給數(shù)據(jù)獲取模塊。

數(shù)據(jù)處理模塊將狀態(tài)數(shù)據(jù)處理成向量的具體過程為：數(shù)據(jù)獲取模塊將獲取的樣本狀態(tài)數(shù)據(jù)或?qū)崟r狀態(tài)數(shù)據(jù)發(fā)送給數(shù)據(jù)處理模塊，數(shù)據(jù)處理模塊將該樣本狀態(tài)數(shù)據(jù)或?qū)崟r狀態(tài)數(shù)據(jù)進行傅里葉變換，得到對應的頻譜特征值，然后將該頻譜特征值分別作為參考向量或比較向量。

如附圖2所示，一種基于灰度關聯(lián)分析的機械故障狀態(tài)監(jiān)測方法，其實現(xiàn)步驟為：

一、首先獲取不同環(huán)境下機械的狀態(tài)數(shù)據(jù)；

二、然后將機械的狀態(tài)數(shù)據(jù)處理成向量；

三、使用灰色關聯(lián)分析方法對所有的向量進行比較分析，得到機械故障狀態(tài)，完成對機械故障狀態(tài)監(jiān)測。

所述不同環(huán)境包括作為樣本用作對比的樣本狀態(tài)環(huán)境和機械正常工作時的實時環(huán)境。

所述步驟一的具體實現(xiàn)過程包括：

當獲取樣本狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)時，首先將機械置于自定義的樣本環(huán)境下，然后在機械上配置振動傳感器，將機械開啟，最后通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)；

當獲取實時狀態(tài)環(huán)境下的狀態(tài)數(shù)據(jù)時，首先將機械置于工作環(huán)境中，然后在機械上配置振動傳感器，將機械開啟，最后通過振動傳感器獲取機械在該樣本狀態(tài)下的狀態(tài)數(shù)據(jù)。

在步驟二中，將狀態(tài)數(shù)據(jù)處理成向量是指通過進行傅里葉變換得到得到頻譜特征值，然后將頻譜特征值作為狀態(tài)監(jiān)測過程中的向量。

當獲取樣本狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)后，對該狀態(tài)數(shù)據(jù)進行傅里葉變換以得到頻譜特征值，將該頻譜特征值作為狀態(tài)監(jiān)測過程中的參考向量；當獲取實時狀態(tài)環(huán)境的狀態(tài)數(shù)據(jù)后，對該狀態(tài)數(shù)據(jù)該狀態(tài)數(shù)據(jù)進行傅里葉變換以得到頻譜特征值，將該頻譜特征值作為實時工作過程中的比較向量，該參考向量和比較向量即為通過灰色關聯(lián)分析方法對比分析的向量。

本發(fā)明以數(shù)控機床主軸零件松動(f1)、配合松動(f2)和動不平衡(f3)三種狀態(tài)為例進行實施方式的詳細說明。

使用傳感器采集數(shù)控機床主軸分別處在三種故障狀態(tài)下的振動信號，通過傅里葉變換進行頻譜分析，可得到特定狀態(tài)下的頻譜特征。數(shù)控機床主軸故障機理分析及不同狀態(tài)下的頻譜圖表明，不同狀態(tài)對應不同的頻譜特征，主要表現(xiàn)在頻譜圖中0.4-0.5倍頻(f1)、1倍頻(f2)、2倍頻(f3)、3倍頻(f4)和大于3倍頻(f5)的特征頻段振幅不同。因此，本發(fā)明分析時將這5個特征頻段振幅作為特征值。

為進行分析，針對每種狀態(tài)，本發(fā)明采用5組振動信號(每組包含100個數(shù)據(jù))，經(jīng)傅里葉分析，得到特定狀態(tài)下的5組特征值，歸一化后，構(gòu)成對應于三種狀態(tài)的15組特征值(1-5對應于狀態(tài)f1，6-10對應于狀態(tài)f2，11-15對應于狀態(tài)f3)，如表1所示。

表1故障信號特征值表

選取表1中序號為1、6和11的行作為參考向量，形式為(y1,y2,y3)^t,其中yj＝(yj(1),yj(2),yj(3),yj(4),yj(5))(j＝1,2,3)。j＝1時，代表數(shù)控機床主軸處于f1狀態(tài)；j＝2時，代表數(shù)控機床主軸處于f2狀態(tài)；j＝3時，代表數(shù)控機床主軸處于f3狀態(tài)。實際應用中，參考向量的選取影響識別結(jié)果的準確性和可靠性，可視特定故障狀態(tài)下的所有特征值平均值為參考向量；另外，也可將所有特征值均作為參考向量，故障識別時，比較向量與每個參考向量進行新型灰關聯(lián)分析，將得到的多個識別結(jié)果進行綜合處理，可使識別結(jié)果更準確可靠。

選取表1中除序號為1、6和11之外的其他所有行作為比較向量，形式為(x1,x2,…,x12)^t，其中xi＝(xi(1),xi(2),xi(3),xi(4),xi(5))(i＝1,2,…,12)，該組向量用來驗證本文方法是否有效，其中，x1-x4為數(shù)控機床主軸f1特征信號；x5-x8為數(shù)控機床主軸f2特征信號；x9-x12為數(shù)控機床主軸f3特征信號。實際應用中，運行過程中獲取的每一特征值均可作為比較向量。

進行灰色關聯(lián)分析，得到狀態(tài)識別結(jié)果，如表2所示。表2中，ζ列表示特定比較向量對應的動態(tài)分辨系數(shù)；關聯(lián)度列表示比較向量與各參考向量的關聯(lián)強度，關聯(lián)度值越大，表示關聯(lián)程度越緊密。本實施中，選取關聯(lián)度值最大者為比較向量對應的故障狀態(tài)。

表2新型灰關聯(lián)分析識別結(jié)果

從表2可得出以下結(jié)論：灰色關聯(lián)分析方法可有效地識別數(shù)控機床主軸的三種狀態(tài)；比較向量所屬故障狀態(tài)對應的關聯(lián)度值分量與其他分量的距離較大，識別結(jié)果可靠。

通過上面具體實施方式，所述技術領域的技術人員可容易的實現(xiàn)本發(fā)明。但是應當理解，本發(fā)明并不限于上述的具體實施方式。在公開的實施方式的基礎上，所述技術領域的技術人員可任意組合不同的技術特征，從而實現(xiàn)不同的技術方案。

除說明書所述的技術特征外，均為本專業(yè)技術人員的已知技術。