油液与振动相融合的旋转机械故障诊断方法

摘要

本发明公开了一种油液与振动相融合的旋转机械故障诊断方法，其包括以下步骤：分别建立所述旋转机械的振动特征数据库与铁谱特征数据库；将所述振动特征数据库与所述铁谱特征数据库相融合形成故障数据库；对所述故障数据库约简与融合，形成多个规则组成的规则库；通过规则匹配得到预决策信息；根据所述预决策信息匹配故障数据库进行故障预测的再决策得到再预测信息；输出所述再预测信息。本发明通过综合利用振动分析得到的振动特征数据库以及油液分析得到的铁谱特征数据库进行故障诊断，提高了故障诊断的准确率；同时通过故障匹配来进行故障的预决策，再利用预决策信息匹配故障数据库得到再预测的故障诊断信息，进一步提高了故障诊断的精确性。

说明书

技术领域

本发明涉及到旋转机械的故障诊断领域，尤其是一种油液与振动相融合的旋转机械故障诊断方法。

 

背景技术

数控机床一般在重载或高速下工作,其旋转部件与传动系统容易发生故障。磨损类故障形式主要是磨料磨损、腐蚀磨损和疲劳磨损，这一类故障危害很大。故障初期会使机床工作不稳定，加工准确度降低，如不及时处理，将会导致整个机床不能工作。

因此，对机床的旋转部件与传动系统的磨损进行预测与诊断是非常重要的，一方面，机床的振动信号携带了大量反映零部件磨损状态的各种信息，另一方面，机床传动系统一般采用封闭式润滑系统，润滑油流经各各轴承及齿轮啮合处，当部件发生磨损后，产生的磨损颗粒进入润滑系统，润滑油中的磨粒携带了反映零部件磨损状态的各种信息。

在目前的机械故障诊断过程主要有两个分支，一个是通过旋转机械的振动信息提取机械故障的特征，即振动分析；别一个是通过机械的磨损在润滑油液中的特征，提取机械故障的磨损故障信息，即油液分析。但是，通过单一方式所给出的诊断结果在许多情况下并不可靠。油液分析通常在检测压力系统、齿轮箱和传动装置方面的故障时很有效；振动分析通常在检测高速旋转轴承的故障时很有效。油液分析对机械磨损故障较有效，振动分析对判断局部故障点较好，即，油液分析和振动分析之间即有相关性但各自又有独特性。

因此，怎样利用振动分析和油液分析相融合进行预测，是现有技术人员所要重点解决的问题。

发明内容

为了克服现有技术的缺陷，本发明提供一种油液与振动相融合的旋转机械故障诊断方法，其包括以下步骤：

分别建立所述旋转机械的振动特征数据库与铁谱特征数据库，分别用于存储所述旋转机械的振动特征量与铁谱特征量；

将所述振动特征数据库与所述铁谱特征数据库相融合形成故障数据库；

对所述故障数据库约简与融合，形成多个规则组成的规则库；

通过规则匹配进行故障预测的预决策得到预决策信息；

根据所述预决策信息匹配所述故障数据库中的振动特征量与铁谱特征量，进行故障预测的再决策得到再预测信息；

输出所述再预测信息。

较佳地，其应用面向用户的知识量最佳约简算法与D-S证据理论对所述故障数据库约简与融合。

较佳地，所述“面向用户的知识量最佳约简算法”是通过将属性的知识量与属性的差别矩阵的最高有效值作为启发函数构建而实现的。

较佳地，所述故障数据库还包括光谱特征量。

与现有技术相比，本发明的有益效果如下：

本发明通过综合利用振动分析得到的振动特征数据库以及油液分析得到的铁谱特征数据库，对旋转机械进行故障诊断，提高了故障诊断的准确率；0同时通过故障匹配来进行故障的预决策，再利用预决策信息分别匹配故障数据库的振动特征量与铁谱特征量得到再预测的故障诊断信息，进一步提高了故障诊断的精确性。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

图1为本发明提供的实施例的流程示意图。

 

具体实施方式

下方结合附图和具体实施例对本发明做进一步的描述。

    本发明通过建立数控机床的振动分析与油液分析相融合的故障数据库，使其具有包括旋转部件与传动系统典型故障的振动与铁谱、光谱特征；应用“面向用户的知识量最佳约简算法”对所建立的故障数据库进行约简，然后形成规则，通过规则匹配来进行故障预测的决策；取得预测决策后，再根据决策信息，分别匹配故障数据库的振动特征量和铁谱特征量，可以提高机床故障的预报率。

在下述实施例中，旋转机械采用的是数控机床的机械齿轮转子。

实施例

 

    通过对数控机床的振动故障特征和铁谱、光谱故障特征进行研究、总结和实验，分别建立和验证机械齿轮转子的振动特征数据库和铁谱特征数据库，振动特征数据库中存储有机械齿轮转子的振动特征数据量，铁谱特征数据库中存储有铁谱特征数据量，再使两者相结合，形成数控机床齿轮箱的振动分析与油液分析相融合的故障数据库，使其具有包括齿轮箱典型故障的振动与铁谱、光谱特征；

     应用面向用户的知识量最佳约简算法和D—S证据理论对故障数据库进行约简和融合，形成多个规则组成的规则库，通过规则匹配来进行故障预测的预决策；本实施例通过将属性的相对知识量与属性的差别矩阵的最高有效值作为启发函数，构建面向用户的知识量最佳约简算法和D—S证据理论相融合，以取得对故障属性的最佳约简和故障规则提取方法；

取得故障预测的预决策后，再根据预决策信息，分别匹配故障数据库的振动特征数据量和铁谱特征数据量，输出所述再预测信息。其中振动特征数据量对于振动学，铁谱特征数据量与光谱特征数据量对应摩擦学。

    本发明通过综合利用振动分析得到的振动特征数据库以及油液分析得到的铁谱特征数据库，对旋转机械进行故障诊断，提高了故障诊断的准确率；0同时通过故障匹配来进行故障的预决策，在利用预决策信息分别匹配故障数据库的振动特征量与铁谱特征量得到再预测的故障诊断信息，进一步提高了故障诊断的精确性。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。