基于数据仓库的齿轮故障诊断

发布时间：2020-09-20 21:40

　　冶金、石化等行业已对企业的重要关键设备安装了在线或离线监测系统,随之形成了大型的数据库。对此,在故障诊断领域引入数据仓库技术,并以齿轮箱为例,通过数据挖掘产生区分齿轮箱各种故障的规则,并利用这些规则来诊断未知故障。论文主要完成下列内容: 1.齿轮故障数据仓库的建立以武汉科技大学传动实验室的若干台齿轮箱为研究对象,分别采集正常齿轮副、磨损严重的齿轮副、有周节误差的齿轮副和小齿轮有一个断齿的齿轮副的振动加速度信号,经过FFT变换,分别得到每个信号的0~0.4倍啮合频率、0.4~0.5倍啮合频率、0.5~1倍啮合频率、1倍啮合频率、2倍啮合频率、3倍啮合频率、4倍啮合频率和大于4倍啮合频率幅值。所有数据存入到SQL数据库中,经过净化、清理和转换后,在Microsoft的SQL Server 2000平台上采用星形模式构建齿轮故障数据仓库。然后通过联机分析处理的切片、切块、上卷、下钻和旋转等操作,从多角度、多层次地观察数据仓库中的数据,全面了解每个信号的特征。 2.齿轮故障诊断模型的建立利用SQL Server 2000中Analysis Services提供的聚类法,对齿轮箱历史故障数据进行挖掘,将具有相似属性特征且故障类型一致的数据分成同一组,得到一个聚类,遍历这个聚类的8个属性至结论得到一条诊断规则,滤掉支持度和可信度不满足要求的规则,最后由所有规则建立诊断模型。另外,为便于比较,在MATLAB环境下采用CAMM算法编写了一个决策树构造程序。以齿轮箱历史故障数据为样本,首先从当前决策节点计算每个决策属性的信息增益,选择具有最大信息增益的决策属性作为决策节点,并根据该决策属性的取值将该决策属性所在集合分成若干个子集,滤掉所有子集中对类别标识属性的分类支持度小于指定的最小支持度的元组,重复该过程直至生成决策树。再剪除可信度小于规定最小可信度的规则所对应的分枝,最后得到较为理想的决策树,综合所有规则进而得到诊断模型。利用得到的模型去诊断未知故障的齿轮副,诊断结果与实际故障情况相吻合,且可信度较高。说明数据仓库技术在设备故障诊断领域有应用价值。数据仓库中的数据不断更新,得到的诊断模型也随之更新,这进一步保证了在设备故障形式发生改变的情况下诊断结果的准确性。 3.聚类法与决策树法在齿轮故障诊断建模中的优劣比较。聚类法得到的规则路径完整,通过分析每条规则的属性,可以较好地解释各种故障齿
【学位单位】：武汉科技大学
【学位级别】：硕士
【学位年份】：2006
【中图分类】：TH132.41
【部分图文】：

齿轮故障,星形结构,情况

武汉科技大学硕士学位论文第 43 页4.4 所示：图4.4 齿轮故障情况星形结构图4.5 齿轮故障数据分析4.5.1 描述式数据分析OLAP 提供了较直观的多维分析操作，包括切片、切块、上卷、下钻和旋转等，使用户能多角度、多层次地观察数据仓库中的数据(见图 4.5)。此外，为了能使分析具有灵活性，可以利用 Excel 2000 通过数据透视表服务把数据从分析服务器取到客户端，在客户端产生多维数据集文件，模拟 OLAP 服务的多维数据分析。图4.5 利用维度浏览器观察数据

观察数据,维度,浏览器,客户端

可以利用 Excel 2000 通过数据透视表服务把数据从分析服务器取到客户端，在客户端产生多维数据集文件，模拟 OLAP 服务的多维数据分析。图4.5 利用维度浏览器观察数据

模型图,诊断决策,聚类算法,模型图

然后同用 MATLAB 编写的决策树算法模型进行比较，得出两种方法的优缺点。聚类法运用实例图4.6 利用聚类算法得出的诊断决策模型图图 4.6 左边的内容详情区中是一个聚类模型，一共分为 10 个类，右边的特性区是对应每个类所属故障类型的可能性。表 4.3 是这 10 个类的具体情况。表4.3 利用聚类法得到的分类表路径各种情况的概率类别幅值 1 幅值 2 幅值 3 幅值 4 幅值 5 幅值 6 幅值 7 幅值 8 正常磨损周节误差断齿支持度1 40— 2— 6— 8—12 5— 2—6 1— 3— 0.59% 15.08% 65.19% 19.13% 81%2 40— 2— 6— 12— 5— 2— 1—3 3— 3.65% 10.57% 12.37% 73.41% 55.13%3 15—40 1—2 2—6 3—12 0—5 0—4 1—3 1—3 0.04% 81.41% 9.55% 8.99% 50.50%

【参考文献】