專利名稱：一種機(jī)械故障診斷方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及自動(dòng)化技術(shù)，特別涉及一種機(jī)械故障診斷方法和裝置。
背景技術(shù)：
當(dāng)前，基于人工智能的自動(dòng)機(jī)械故障診斷系統(tǒng)在機(jī)械領(lǐng)域的應(yīng)用越來越廣泛。其 中，在學(xué)術(shù)領(lǐng)域和工業(yè)界，尤以基于知識(shí)的故障推理和基于數(shù)學(xué)模型的故障診斷這兩種技 術(shù)的研究和應(yīng)用最為普遍。但是，這兩種技術(shù)的實(shí)現(xiàn)均需要依賴于一個(gè)基本的假設(shè)，那就 是對所獲得的故障類型的知識(shí)有一個(gè)清晰的表述，無論是采用數(shù)學(xué)方程還是通過在知識(shí)庫 (Knowlegde Database)中構(gòu)建規(guī)則集(Rule Stes)的表述方式。 但是，由于不同的故障類型在不同的場景下表現(xiàn)為不同的信號(hào)模式，而且，即使對 于類似機(jī)械設(shè)備的相同故障類型，所表現(xiàn)出來的信號(hào)模式也可能有很大的不同，所以，通常 很難完整準(zhǔn)確地獲取到針對各種不同故障類型的知識(shí)。 為此，現(xiàn)有技術(shù)中多采用對采集到的所有信號(hào)進(jìn)行綜合性的定性趨勢分析的方 法，來彌補(bǔ)當(dāng)需要進(jìn)行機(jī)械故障診斷時(shí)，所需知識(shí)不完整的不足。當(dāng)前，隨著基于人工智能 的自動(dòng)機(jī)械故障診斷系統(tǒng)在工業(yè)上的廣泛應(yīng)用，出現(xiàn)各種基于不同定性趨勢分析方法的機(jī) 械故障診斷方法。比如 定性趨勢推理方法，旨在表示和說明一個(gè)過程變量的動(dòng)態(tài)演變過程。該方法的具 體實(shí)現(xiàn)包括首先，將該過程變量的時(shí)間序列劃分為一系列可用幾何學(xué)上的三角形或梯形 模型來表示的時(shí)域波段；然后，用不同的字母來表示不同的波段，從而將劃分得到的所有波 段表示為一個(gè)符合串；舉例說明，圖1為現(xiàn)有不同波段的定義方式以及字母表示示意圖，圖 2為現(xiàn)有一個(gè)過程變量所對應(yīng)的時(shí)間序列示意圖，該時(shí)間序列可用圖1中所示的不同波段 進(jìn)行表示，從而得到一個(gè)與該時(shí)間序列相對應(yīng)的字符串ABCDABCDAB ;然后，將表示出的字 符串與知識(shí)庫中預(yù)先保存的故障特征之間進(jìn)行自動(dòng)模式匹配，以推斷出機(jī)械設(shè)備當(dāng)前的運(yùn) 行狀態(tài)，即所處的故障類型。 但是，這種方法會(huì)導(dǎo)致不精確的邊界劃分(即對于處于不同波段交界處的時(shí)間序 列，很難確定其所述波段類型)；而且，由于噪聲以及一些潛在的其它因素的影響，即使對 于相同的故障類型，也很難用相同的字符串來進(jìn)行表示，因此，需要建立一個(gè)龐大的知識(shí) 庫，同時(shí)也可能造成匹配的錯(cuò)誤。 為此，現(xiàn)有技術(shù)中又提出了一種模糊推理方法，該方法首先利用多項(xiàng)式擬合的區(qū) 間-二分法技術(shù)，從定性上自動(dòng)識(shí)別出所采集的信號(hào)的時(shí)間序列的演變趨勢，然后，基于識(shí) 別出的演變趨勢，計(jì)算該信號(hào)與知識(shí)庫中預(yù)先保存的故障特征之間的模糊相似度，以識(shí)別 出最可能的故障類型。其中，知識(shí)庫中包含有一系列的If/Then規(guī)則，這些規(guī)則可從物理意 義上解釋一個(gè)故障類型所對應(yīng)的信號(hào)的演變趨勢。 這種方法對于提高故障推理過程中的魯棒性非常有幫助。但是，如果在區(qū)間_ 二 分法技術(shù)中采用不同的時(shí)間粒度來劃分信號(hào)的時(shí)間序列，并且考慮到信號(hào)正?；虍惓５恼?幅波動(dòng)，即使對于相同的信號(hào)的時(shí)間序列，也會(huì)得到不同的趨勢識(shí)別結(jié)果，進(jìn)而導(dǎo)致不同的模糊相似度計(jì)算結(jié)果以及故障類型識(shí)別結(jié)果。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的主要目的在于提供一種機(jī)械故障診斷方法，能夠準(zhǔn)確地識(shí)別 出機(jī)械設(shè)備所處的故障類型。 本發(fā)明的另一 目的在于提供一種機(jī)械故障診斷裝置，能夠準(zhǔn)確地識(shí)別出機(jī)械設(shè)備 所處的故障類型。 為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的
—種機(jī)械故障診斷方法，包括 采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，所述m為正整數(shù)，并對每 個(gè)信號(hào)進(jìn)行定性和定量趨勢分析； 分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的每種 故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)； 判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值，如果是，則 將所述取值最大的總體相似度系數(shù)對應(yīng)的故障類型確定為所述目標(biāo)機(jī)械設(shè)備所處的故障 類型。 其中，所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析之前，進(jìn)一步包括對每個(gè)信號(hào)進(jìn) 行去噪處理； 所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括對每個(gè)經(jīng)過去噪處理后的信號(hào)進(jìn) 行定性和定量趨勢分析。 所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析之前，進(jìn)一步包括提取每個(gè)信號(hào)中的 特征量； 所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括對從每個(gè)信號(hào)中提取出的特征量 進(jìn)行定性和定量趨勢分析。
較佳地，所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括 按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以上的波段，并將每個(gè) 波段用多項(xiàng)式進(jìn)行擬合； 基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢；
將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定性和定量描述。
所述將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定性和定量描 述包括 將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢利用可擴(kuò)展標(biāo)記語言XML 進(jìn)行定性和定量描述。 較佳地，所述分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先 保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)包括 針對所述知識(shí)庫中預(yù)先保存的每種故障類型Fi，所述i的取值為從1到N，所述N 為故障類型總數(shù)，分別執(zhí)行以下操作 A、定義兩個(gè)參數(shù)和SCX」，其初始值均賦值為0 ;將所述m個(gè)信號(hào)分別編號(hào)為S工 到Sm，并從中選取一個(gè)信號(hào)Sx，所述x的初始值為1 ;
B、判斷所述信號(hào)Sx的整體演變趨勢與所述知識(shí)庫中保存的當(dāng)故障類型為Fi時(shí)， 信號(hào)S,所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則執(zhí)行步驟C ;否則，執(zhí)行步驟D ;
C、 SCX」=SCXj+1 ，然后執(zhí)行步驟E ;
D、 x = x+l，并執(zhí)行步驟B ; E、判斷所述信號(hào)Sx的局部演變趨勢與所述知識(shí)庫中保存的當(dāng)故障類型為&時(shí)，信 號(hào)S,所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則SCX」=SCX」+l，并執(zhí)行步驟F ;否 則，直接執(zhí)行步驟F; F、 SCX」=SCX」X Wx」，= SCi+SQ」；所述Wx」為預(yù)先定義的權(quán)重系數(shù)；
G、判斷所述x的取值是否等于m，如果是，結(jié)束流程；否則，執(zhí)行步驟D。
所述Wx」的取值為0. 5 。
—種機(jī)械故障診斷裝置，包括 信號(hào)采集單元，用于采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，所 述m為正整數(shù)； 趨勢分析單元，用于對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析； 相似度計(jì)算單元，用于分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)
庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)； 故障確定單元，用于判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定
的閾值，如果是，則將所述取值最大的總體相似度系數(shù)對應(yīng)的故障類型確定為所述目標(biāo)機(jī)
械設(shè)備所處的故障類型。 該裝置進(jìn)一步包括 信號(hào)預(yù)處理單元，用于對每個(gè)信號(hào)進(jìn)行去噪處理，和/或，用于提取每個(gè)信號(hào)中的 特征量； 所述趨勢分析單元對從每個(gè)信號(hào)中提取出的特征量進(jìn)行定性和定量趨勢分析。
較佳地，所述趨勢分析單元包括 劃分子單元，用于按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以上 的波段，并將每個(gè)波段用多項(xiàng)式進(jìn)行擬合； 識(shí)別子單元，用于基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變趨勢以 及局部演變趨勢； 描述子單元，用于將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定 性和定量描述。 較佳地，所述相似度計(jì)算單元包括N個(gè)計(jì)算子單元；所述N的取值與知識(shí)庫中保 存的故障類型總數(shù)相同； 每個(gè)計(jì)算子單元分別用于，計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí) 庫中預(yù)先保存的一種故障類型&所對應(yīng)的特征趨勢之間的總體相似度系數(shù)，所述i的取值 為從1到N。 所述每個(gè)計(jì)算子單元中進(jìn)一步包括 保存子單元，用于保存每種故障類型Fi所對應(yīng)的特征趨勢； 定義子單元，用于定義兩個(gè)參數(shù)和i，其初始值均賦值為0，并將所述m個(gè)信 號(hào)分別編號(hào)為S工到Sm，從中選取一個(gè)信號(hào)Sx，所述x的初始值為1 ;
7
第一判斷子單元，用于判斷所述信號(hào)Sx的整體演變趨勢與所述保存子單元中保存 的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則通知第一 計(jì)算子單元執(zhí)行自身功能，否則，通知第二計(jì)算子單元執(zhí)行自身功能；所述第一計(jì)算子單元，用于將所述sc;」的取值加一，并將相加結(jié)果重新賦值給所
述SCX」，然后通知第二判斷子單元執(zhí)行自身功能； 所述第二計(jì)算子單元，用于將所述x的取值加一，并將相加結(jié)果重新賦值給所述 x，然后通知所述第一判斷子單元執(zhí)行自身功能； 所述第二判斷子單元，用于判斷所述信號(hào)Sx的局部演變趨勢與所述保存子單元中 保存的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則將 SCX」的取值加一，并將相加結(jié)果重新賦值給SCX」，然后通知第三計(jì)算子單元執(zhí)行自身功能， 否則，直接通知所述第三計(jì)算子單元執(zhí)行自身功能；所述第三計(jì)算子單元，用于計(jì)算所述sc;j與預(yù)先定于的權(quán)重系數(shù)W,」的乘積，將
計(jì)算結(jié)果重新賦值給所述SCX」；并計(jì)算重新賦值后的SCX」與所述相加之和，將相加結(jié)
果重新賦值給所述; 所述第三判斷子單元，用于判斷所述x的取值是否等于m，如果是，結(jié)束處理；否 則，通知所述第二計(jì)算子單元執(zhí)行自身功能。 總之，與現(xiàn)有技術(shù)相比，本發(fā)明所述方案具備以下優(yōu)勢 1、如果直接基于原始信號(hào)進(jìn)行定性和定量趨勢分析，那么在實(shí)現(xiàn)起來會(huì)很困難， 而且結(jié)果也不可靠；采用本發(fā)明所述方案后，可首先對原始信號(hào)進(jìn)行去噪以及特征量提取 等處理，從而使得后續(xù)的定性和定量趨勢分析更為有效。 2、本發(fā)明所述方案中采用整體演變趨勢以及局部演變趨勢來描述信號(hào)的演變情
況，從而更加適應(yīng)信號(hào)的時(shí)域模式的內(nèi)在特征，并簡化了后續(xù)的故障類型識(shí)別過程。 3、本發(fā)明所述方案在計(jì)算總體相似度系數(shù)時(shí)，綜合考慮了所有信號(hào)的整體演變趨
勢以及局部演變趨勢，從而提高了本發(fā)明所述方案的魯棒性和準(zhǔn)確性。


下面將通過參照附圖詳細(xì)描述本發(fā)明的優(yōu)選實(shí)施例，使本領(lǐng)域的普通技術(shù)人員更
清楚本發(fā)明的上述及其它特征和優(yōu)點(diǎn)，附圖中 圖1為現(xiàn)有不同波段的定義方式以及字母表示示意圖； 圖2為現(xiàn)有一個(gè)過程變量所對應(yīng)的時(shí)間序列示意圖； 圖3為本發(fā)明機(jī)械故障診斷方法實(shí)施例的流程圖； 圖4為本發(fā)明方法實(shí)施例中當(dāng)軸位置處于0 120mm時(shí)，電機(jī)扭矩所對應(yīng)的測量 序列的3維示意圖； 圖5為從圖4所示測量序列中提取出的特征頻帶75 79Hz內(nèi)的扭矩分量示意 圖； 圖6為將圖5所示特征頻帶75 79Hz內(nèi)的扭矩分量作為特征量，得到的特征量 的趨勢的示意圖； 圖7為本發(fā)明方法實(shí)施例中不同原語的示意圖； 圖8為本發(fā)明方法實(shí)施例中原始的電機(jī)扭矩信號(hào)示意8
圖9為圖8所示電機(jī)扭矩信號(hào)的整體演變趨勢示意圖； 圖10為圖8所示電機(jī)扭矩信號(hào)的局部演變趨勢示意圖； 圖11為將圖9和圖10中所示的整體演變趨勢以及局部演變趨勢用XML進(jìn)行定性 和定量描述后的示意圖； 圖12為本發(fā)明方法實(shí)施例中的總體相似度系數(shù)計(jì)算方式流程圖； 圖13為本發(fā)明機(jī)械故障診斷裝置實(shí)施例的組成結(jié)構(gòu)示意圖； 圖14為本發(fā)明裝置實(shí)施例中的計(jì)算子單元的組成結(jié)構(gòu)示意圖。
具體實(shí)施例方式
針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明中提出一種全新的機(jī)械故障診斷方案。其具
體實(shí)現(xiàn)包括首先，采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，m為正整數(shù)，并
對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析；然后，分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分
析結(jié)果與知識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)；最
后，判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值，如果是，則將該取
值最大的總體相似度系數(shù)所對應(yīng)的故障類型確定為目標(biāo)機(jī)械設(shè)備所處的故障類型。 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對
本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并
不用于限定本發(fā)明。 圖3為本發(fā)明機(jī)械故障診斷方法實(shí)施例的流程圖。如圖3所示，包括以下步驟 步驟301 :采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)。 這里所提到的用于進(jìn)行機(jī)械故障診斷的信號(hào)可以是指電機(jī)電流以及電機(jī)扭矩等
信號(hào)，如何采集為現(xiàn)有技術(shù)，不再贅述。其中，m為正整數(shù)，其具體取值可根據(jù)實(shí)際需要而定。 步驟302 :對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析。 為了更好地完善本發(fā)明所述方案，在執(zhí)行本步驟之前，可先對采集到的每個(gè)信號(hào)
(以下稱為原始信號(hào))進(jìn)行預(yù)處理，即進(jìn)行去噪和/或提取特征量處理。這樣處理的好處在
于通常來說，采集到的信號(hào)總是會(huì)受到噪聲的干擾，而且，機(jī)械故障特征經(jīng)常隱藏在原始
信號(hào)的某些具體分量中，比如，由于存在軸承故障，電機(jī)電流將會(huì)在某個(gè)頻率處出現(xiàn)電流分
量，并且隨著故障的不斷惡化，該電流分量的振幅將會(huì)逐漸增大，那么在該頻率處的電流分
量即可作為一個(gè)特征量用來表征軸承的故障；相比于去噪后的信號(hào)以及與機(jī)械故障相關(guān)的
特征量，如果直接基于原始信號(hào)進(jìn)行定性和定量趨勢分析，那么在實(shí)現(xiàn)起來會(huì)很困難，而且
結(jié)果也不可靠；所以，對采集到的信號(hào)進(jìn)行一定的預(yù)處理，是非常必要的。 由于小波變換是一種可有效用于分析各類型信號(hào)的數(shù)學(xué)工具，并已被證明尤其適
用于進(jìn)行被附加高斯白噪聲干擾的未知數(shù)據(jù)的重建，因此，本發(fā)明所述方案中采用基于小
波變換的去噪方法，以凈化原始信號(hào)。 另外，由于特征量對于機(jī)械設(shè)備的故障更為敏感，也更適用于進(jìn)行定性和定量趨 勢分析，所以，本發(fā)明所述方案中可進(jìn)一步從信號(hào)中提取出特征量，并基于該特征量進(jìn)行定 性和定量趨勢分析。如圖4 6所示，其中，圖4為本發(fā)明方法實(shí)施例中當(dāng)軸位置處于0 120mm時(shí)，電機(jī)扭矩所對應(yīng)的測量序列的3維示意圖，該測量序列是在雙絲杠支撐軸承的條 件下得到的，其中，編號(hào)為1 4的測量序列對應(yīng)于軸承狀態(tài)正常的時(shí)候，編號(hào)為5 8的測量序列對應(yīng)于軸承狀態(tài)異常的時(shí)候；圖5為從圖4所示測量序列中提取出的特征頻帶75 79Hz內(nèi)的扭矩分量示意圖；圖6為將圖5所示特征頻帶75 79Hz內(nèi)的扭矩分量作為特征 量，得到的特征量的趨勢的示意圖。可以看出，特征量對于機(jī)械設(shè)備的故障更為敏感。
需要說明的是，在實(shí)際應(yīng)用中，可只對采集到的信號(hào)進(jìn)行去噪處理，也可只對采集 到的信號(hào)進(jìn)行特征量提取處理，還可先后進(jìn)行上述兩種處理，即對采集到的信號(hào)進(jìn)行去噪 處理后，再從去噪處理后的信號(hào)中提取出特征量。總之，具體實(shí)現(xiàn)方式不限。另外，基于小 波變換的去噪以及特征量提取的具體實(shí)現(xiàn)均為現(xiàn)有技術(shù)，不再贅述。 本步驟中，通過對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析，識(shí)別出每個(gè)信號(hào)的時(shí)域演 變趨勢。這里所提到的時(shí)域演變趨勢，主要包括兩個(gè)方面，即整體演變趨勢以及一些與機(jī)械 故障相關(guān)的局部演變趨勢。其中，整體演變趨勢主要表現(xiàn)為上升、下降、穩(wěn)定以及振蕩等趨 勢；局部演變趨勢主要表現(xiàn)為尖峰、步進(jìn)、阻尼振蕩以及跌落等趨勢。分析并識(shí)別出每個(gè)信 號(hào)的整體演變趨勢以及局部演變趨勢，并將信號(hào)用這兩種演變趨勢進(jìn)行描述，將為后續(xù)的 故障類型識(shí)別提供堅(jiān)實(shí)的基礎(chǔ)。本步驟的具體實(shí)現(xiàn)過程如下 首先，按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以上的波段，并將
每個(gè)波段用多項(xiàng)式進(jìn)行擬合；然后，基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變
趨勢以及局部演變趨勢；最后，將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)
行定性和定量描述。 舉例說明 假設(shè)有一信號(hào)的時(shí)間序列S = . . . ，Xm]，其中，^到Xm表示M個(gè)采祥點(diǎn)，采
用圖7所示的不同原語，將該時(shí)間序列劃分為一系列的連續(xù)波段{Pp P2， . . . ， Pn} ， n表示劃 分得到的波段總數(shù)；并將每個(gè)波段Pi通過最小多項(xiàng)式(通常為階數(shù)不大于2的多項(xiàng)式)擬 合算法表示為& = P 。+ P lt+ P 2t2， tPi start < t《tPi end，其中，tPi start表示波段Pi的起始時(shí) 間，tPi，d表示波段Pi的結(jié)束時(shí)間；這樣，信號(hào)的時(shí)域演變趨勢L即可被表示為T =化， P2， ， PJ ，等同于表示為q2， ， qn。 基于上述表示方式，識(shí)別出該信號(hào)的整體演變趨勢和局部演變趨勢。如何進(jìn)行多 項(xiàng)式擬合以及如何進(jìn)行整體演變趨勢和局部演變趨勢的識(shí)別均為現(xiàn)有技術(shù)，不再贅述。
然后，將識(shí)別出的整體演變趨勢以及局部演變趨勢利用可擴(kuò)展標(biāo)記語言(XML， Extensible Markup Language)進(jìn)行定性禾口定量描述，如下所示 〈Signal qimlitative-qimntitative representation> (Approximation evolution pattern>Ascending(descending, constant or oscillation) (/Approximation evolution pattern> ——整體演變趨勢(上升、
下降、穩(wěn)定、振蕩) 化ocal level evolution pattern> ___局部演變趨勢 〈Pattern>spike〈/Pattern> ___尖峰 〈Temporary information> 〈Start point>40〈/Start point>___起點(diǎn)位置 〈End point>60〈/End point〉 一-纟冬點(diǎn)^立置 〈/Temporary information> 〈Pattern〉. 〈/Pattern〉
〈Temporary information) 〈Start point〉. . . 〈/Start point〉 〈End point〉. . . 〈/End point〉 〈/Temporary information) 〈/Local level evolution pattern〉 〈/Signal qimlitative—qimntitative representation) 可以看出，上述描述方式與傳統(tǒng)的描述方式，如字符串描述方式等不同，對信號(hào)的
時(shí)域演進(jìn)趨勢進(jìn)行了綜合性的定性和定量描述，且描述方式非常簡潔。當(dāng)然，此處僅為舉例 說明，并不用于限制本發(fā)明的技術(shù)方案，如果采用其它的描述方式，也是可以的。 下面結(jié)合附圖，進(jìn)一步說明本步驟的具體實(shí)現(xiàn) 如圖8 11所示，其中，圖8為本發(fā)明方法實(shí)施例中原始的電機(jī)扭矩信號(hào)的示意 圖；圖9為圖8所示電機(jī)扭矩信號(hào)的整體演變趨勢示意圖，可以看出，為上升趨勢；圖10為 圖8所示電機(jī)扭矩信號(hào)的局部演變趨勢示意圖，可以看出，為尖峰趨勢；圖11為將圖9和圖 10中所示的整體演變趨勢以及局部演變趨勢利用XML進(jìn)行定性和定量描述后的示意圖。
步驟303 :分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保 存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)。 預(yù)先在知識(shí)庫中，按照以下定性表示方式，保存有不同故障類型及其對應(yīng)的特征
趨勢之間的映射關(guān)系IF S, is trend Tr s, f AND W, ;=0.9S2 is trend Tr S2 , AND W2; =0.7
...THEN
Fault is Fi 其中，i表示知識(shí)庫中所保存的故障類型的編號(hào)，i = 1、2.....N，那么相應(yīng)地，則
需要在知識(shí)庫中保存N種特征趨勢，即每種特征趨勢對應(yīng)一種故障類型。 本實(shí)施例中所述的知識(shí)庫需要是可擴(kuò)展的，S卩能夠隨時(shí)更新，填加或刪除所需的內(nèi)容。 每種故障類型采用m個(gè)信號(hào)Sx G {Sn S2， . . . ， Sm}進(jìn)行描述(所采集的信號(hào)個(gè)數(shù) 需要與知識(shí)庫中保存的每種故障類型所對應(yīng)的信號(hào)個(gè)數(shù)相等)。 T,- s、—, e{Trsu，Tf S2 ,，…，U表示當(dāng)機(jī)械設(shè)備處于故障類型Fi時(shí)，信號(hào)Sx所應(yīng)該表 現(xiàn)出來的特征趨勢，包括整體演變趨勢以及局部演變趨勢。 Wxi G ^ i，W2 i， . . . ， Wm J為權(quán)重系數(shù)，用于表示結(jié)論的可信度，也就是說，如果條 件S、 is trendi;」、」成立，那么機(jī)械設(shè)備則處于故障類型Fi。 SCX—je{SC,—,，SC2,，…，SC^為實(shí)際采集到的信號(hào)s^ {Sl，S2，..，SJ的演變趨勢 與知識(shí)庫中保存的當(dāng)故障類型為Fi時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出來的特征趨勢之間的相似度系 數(shù)。 另外，考慮到為了更準(zhǔn)確地確定出目標(biāo)機(jī)械設(shè)備當(dāng)前所處的故障類型，必須對多 個(gè)信號(hào)的演變趨勢進(jìn)行綜合性的分析與比較，因此需要計(jì)算一個(gè)總體相似度系數(shù)，以用來 反映所有相關(guān)的演變趨勢比較結(jié)果。不同于傳統(tǒng)的總體相似度系數(shù)計(jì)算方法，即只包括一個(gè)相似度系數(shù)，如SC「Min(sc^》，本發(fā)明所述方案中提出用一個(gè)變量來表征所有的相似度
系數(shù)，即sc,=|;scx,*wx—,。 基于上述介紹，圖12為本發(fā)明方法實(shí)施例中總體相似度系數(shù)的計(jì)算方式流程圖。 如圖12所示，包括以下步驟 步驟1201 :定義兩個(gè)參數(shù)和SCX」，其初始值均賦值為0 ;將m個(gè)信號(hào)分別編號(hào) 為S工到Sm，并從中選取一個(gè)信號(hào)Sx， x的初始值為1。
其中，i的取值范圍為從1到N。 步驟1202 :判斷信號(hào)Sx的整體演變趨勢與知識(shí)庫中保存的當(dāng)故障類型為&時(shí)， 信號(hào)Sx所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則執(zhí)行步驟1203 ;否則，執(zhí)行步驟 1204。 步驟1203 :SCXj = SCXj+l，然后執(zhí)行步驟1205。
步驟1204 :x = x+l，然后執(zhí)行步驟1202。 步驟1205 :判斷信號(hào)Sx的局部演變趨勢與知識(shí)庫中保存的當(dāng)故障類型為&時(shí)， 信號(hào)Sx所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則執(zhí)行步驟1206 ;否則，執(zhí)行步驟 1207。 需要說明的是，如果信號(hào)Sx的局部演變趨勢包括多種類型，比如既有尖峰又有步 進(jìn)，那么知識(shí)庫中所保存的局部演變趨勢需要與信號(hào)Sx的局部演變趨勢完全一致才行。
步驟1206 :SCXj = SCXj+l，然后執(zhí)行步驟1207。
步驟1207 :SCXj = SCXjXWxj， = SQ+SC;，
假設(shè)本實(shí)施例中Wx」的取值為0. 5 。 1208 :判斷x的取值是否等于m，如果是，結(jié)束流程；否則，執(zhí)行步驟1204。 即判斷是否已經(jīng)處理完所有m個(gè)信號(hào)，如果是，結(jié)束流程，否則，返回步驟1204，即
按編號(hào)遞增順序選擇下一個(gè)信號(hào)Sx。 步驟304 :判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值， 如果是，則執(zhí)行步驟305 ;否則，結(jié)束流程。 按照圖12所示方法，計(jì)算出分別對應(yīng)N種故障類型的N個(gè)最大相似度系數(shù)，并從 中選取出取值最大的一個(gè)，與預(yù)先設(shè)定的閾值進(jìn)行比較，如果取值最大的總體相似度系數(shù) 大于該預(yù)先設(shè)定的閾值，則執(zhí)行步驟305，否則，可認(rèn)為當(dāng)前的目標(biāo)機(jī)械設(shè)備不存在故障，結(jié) 束流程。 步驟305 :將取值最大的總體相似度系數(shù)所對應(yīng)的故障類型確定為目標(biāo)機(jī)械設(shè)備 所處的故障類型，結(jié)束流程。 比如，取值最大的總體相似度系數(shù)為SCs，那么即可將編號(hào)為5的故障類型確定為 目標(biāo)機(jī)械設(shè)備當(dāng)前所處的故障類型。 基于上述方法，圖13為本發(fā)明機(jī)械故障診斷裝置實(shí)施例的組成結(jié)構(gòu)示意圖。如圖 13所示，該裝置包括 信號(hào)采集單元l，用于采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，m 為正整數(shù)； 趨勢分析單元2，用于對每個(gè)信號(hào)進(jìn)行定 和定量趨勢分析；
相似度計(jì)算單元3，用于分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知
識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)； 故障確定單元4，用于判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)
定的閾值，如果是，則將該取值最大的總體相似度系數(shù)所對應(yīng)的故障類型確定為目標(biāo)機(jī)械
設(shè)備所處的故障類型。 該裝置中進(jìn)一步包括 信號(hào)預(yù)處理單元5，用于對每個(gè)信號(hào)進(jìn)行去噪處理，和/或，用于提取每個(gè)信號(hào)中 的特征量；趨勢分析單元2對從每個(gè)信號(hào)中提取出的特征量進(jìn)行定性和定量趨勢分析。
其中，趨勢分析單元2中可具體包括 劃分子單元21，用于按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以 上的波段，并將每個(gè)波段用多項(xiàng)式進(jìn)行擬合； 識(shí)別子單元22，用于基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變趨勢 以及局部演變趨勢； 描述子單元23，用于將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行 定性和定量描述。 相似度計(jì)算單元3中可具體包括N個(gè)計(jì)算子單元31 ;N的取值與故障類型總數(shù)相 同； 每個(gè)計(jì)算子單元31分別用于，計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知 識(shí)庫中預(yù)先保存的一種故障類型Fi所對應(yīng)的特征趨勢之間的總體相似度系數(shù)，i的取值為 從1到N。 其中，每個(gè)計(jì)算子單元31的組成結(jié)構(gòu)如圖14所示 保存子單元311，用于保存每種故障類型Fi所對應(yīng)的特征趨勢； 定義子單元312，用于定義兩個(gè)參數(shù)和SCX i，其初始值均賦值為0，并將m個(gè)信
號(hào)分別編號(hào)為S工到Sm，從中選取一個(gè)信號(hào)Sx， x的初始值為1 ; 第一判斷子單元313，用于判斷信號(hào)Sx的整體演變趨勢與保存子單元311中保存 的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則通知第一 計(jì)算子單元314執(zhí)行自身功能，否則，通知第二計(jì)算子單元315執(zhí)行自身功能； 第一計(jì)算子單元3i4，用于將sc;」的取值加一，并將相加結(jié)果重新賦值給sc;」，然
后通知第二判斷子單元316執(zhí)行自身功能； 第二計(jì)算子單元315，用于將x的取值加一，并將相加結(jié)果重新賦值給x，然后通知 第一判斷子單元313執(zhí)行自身功能； 第二判斷子單元316，用于判斷信號(hào)Sx的局部演變趨勢與保存子單元311中保存 的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則將SCX」 的取值加一，并將相加結(jié)果重新賦值給SCX」，然后通知第三計(jì)算子單元317執(zhí)行自身功能， 否則，直接通知第三計(jì)算子單元317執(zhí)行自身功能； 第三計(jì)算子單元317，用于計(jì)算S(;」與預(yù)先定于的權(quán)重系數(shù)W,」的乘積，將計(jì)算 結(jié)果重新賦值給SCX—i ;并計(jì)算重新賦值后的SCX—i與相加之和，將相加結(jié)果重新賦值給
; 第三判斷子單元318，用于判斷x的取值是否等于m，如果是，結(jié)束處理；否則，通知
13第二計(jì)算子單元315執(zhí)行自身功能。 圖13和14所示裝置實(shí)施例的具體工作流程請參照方法實(shí)施例中的相應(yīng)說明，此 處不再贅述。 總之，采用本發(fā)明的技術(shù)方案，主要具體以下優(yōu)勢 1、如果直接基于原始信號(hào)進(jìn)行定性和定量趨勢分析，那么在實(shí)現(xiàn)起來會(huì)很困難， 而且結(jié)果也不可靠；采用本發(fā)明所述方案后，可首先對原始信號(hào)進(jìn)行去噪以及特征量提取 等處理，從而使得后續(xù)的定性和定量趨勢分析更為有效。 2、本發(fā)明所述方案中采用整體演變趨勢以及局部演變趨勢來描述信號(hào)的演變情
況，從而更加適應(yīng)信號(hào)的時(shí)域模式的內(nèi)在特征，并簡化了后續(xù)的故障類型識(shí)別過程。 3、本發(fā)明所述方案在計(jì)算總體相似度系數(shù)時(shí)，綜合考慮了所有信號(hào)的整體演變趨
勢以及局部演變趨勢，從而提高了本發(fā)明所述方案的魯棒性和準(zhǔn)確性。 需要說明的是，上述實(shí)施例僅用于舉例說明，并不用于限制本發(fā)明的技術(shù)方案。凡 在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保 護(hù)范圍之內(nèi)。
1權(quán)利要求
一種機(jī)械故障診斷方法，其特征在于，該方法包括采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，所述m為正整數(shù)，并對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析；分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)；判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值，如果是，則將所述取值最大的總體相似度系數(shù)對應(yīng)的故障類型確定為所述目標(biāo)機(jī)械設(shè)備所處的故障類型。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析之前，進(jìn)一步包括對每個(gè)信號(hào)進(jìn)行去噪處理；所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括對每個(gè)經(jīng)過去噪處理后的信號(hào)進(jìn)行定性和定量趨勢分析。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析之前，進(jìn)一步包括提取每個(gè)信號(hào)中的特征量；所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括對從每個(gè)信號(hào)中提取出的特征量進(jìn)行定性和定量趨勢分析。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析包括按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以上的波段，并將每個(gè)波段用多項(xiàng)式進(jìn)行擬合；基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢；將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定性和定量描述。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定性和定量描述包括將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢利用可擴(kuò)展標(biāo)記語言XML進(jìn)行定性和定量描述。
6. 根據(jù)權(quán)利要求4或5所述的方法，其特征在于，所述分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)包括針對所述知識(shí)庫中預(yù)先保存的每種故障類型&，所述i的取值為從1到N，所述N為故障類型總數(shù)，分別執(zhí)行以下操作A、 定義兩個(gè)參數(shù)和SCX」，其初始值均賦值為0 ;將所述m個(gè)信號(hào)分別編號(hào)為S工到Sm，并從中選取一個(gè)信號(hào)S,，所述x的初始值為1 ;B、 判斷所述信號(hào)Sx的整體演變趨勢與所述知識(shí)庫中保存的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則執(zhí)行步驟C ;否則，執(zhí)行步驟D ;C、 SCX」=SCX」+l，然后執(zhí)行步驟E ;D、 x = x+l，并執(zhí)行步驟B ;E、 判斷所述信號(hào)Sx的局部演變趨勢與所述知識(shí)庫中保存的當(dāng)故障類型為&時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則SCX」=SCX」+l，并執(zhí)行步驟F ;否則，直接執(zhí)行步驟F;F、 SCXj = SCX iXWx i， = SCi+SCx」所述Wx」為預(yù)先定義的權(quán)重系數(shù)；G、 判斷所述x的取值是否等于m，如果是，結(jié)束流程；否則，執(zhí)行步驟D。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，所述Wx」的取值為0.5。
8. —種機(jī)械故障診斷裝置，其特征在于，該裝置包括信號(hào)采集單元(l)，用于采集目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，所述m為正整數(shù)；趨勢分析單元(2)，用于對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析；相似度計(jì)算單元(3)，用于分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)；故障確定單元(4)，用于判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值，如果是，則將所述取值最大的總體相似度系數(shù)對應(yīng)的故障類型確定為所述目標(biāo)機(jī)械設(shè)備所處的故障類型。
9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，該裝置進(jìn)一步包括信號(hào)預(yù)處理單元(5)，用于對每個(gè)信號(hào)進(jìn)行去噪處理，和/或，用于提取每個(gè)信號(hào)中的特征量；所述趨勢分析單元(2)對從每個(gè)信號(hào)中提取出的特征量進(jìn)行定性和定量趨勢分析。
10. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述趨勢分析單元(2)包括劃分子單元(21)，用于按照預(yù)先定義的原語，將每個(gè)信號(hào)的時(shí)間序列劃分為一個(gè)以上的波段，并將每個(gè)波段用多項(xiàng)式進(jìn)行擬合；識(shí)別子單元(22)，用于基于擬合后的信息，分析并識(shí)別出每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢；描述子單元(23)，用于將識(shí)別出的每個(gè)信號(hào)的整體演變趨勢以及局部演變趨勢進(jìn)行定性和定量描述。
11. 根據(jù)權(quán)利要求IO所述的裝置，其特征在于，所述相似度計(jì)算單元(3)包括N個(gè)計(jì)算子單元(31);所述N的取值與知識(shí)庫中保存的故障類型總數(shù)相同；每個(gè)計(jì)算子單元(31)分別用于，計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的一種故障類型&所對應(yīng)的特征趨勢之間的總體相似度系數(shù)，所述i的取值為從1到N。
12. 根據(jù)權(quán)利要求ll所述的裝置，其特征在于，所述每個(gè)計(jì)算子單元(31)中進(jìn)一步包括保存子單元(311)，用于保存每種故障類型&所對應(yīng)的特征趨勢；定義子單元(312)，用于定義兩個(gè)參數(shù)和SCX i，其初始值均賦值為0，并將所述m個(gè)信號(hào)分別編號(hào)為S工到Sm，從中選取一個(gè)信號(hào)Sx，所述x的初始值為1 ;第一判斷子單元(313)，用于判斷所述信號(hào)S,的整體演變趨勢與所述保存子單元(311)中保存的當(dāng)故障類型為Fi時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的整體演變趨勢是否一致，如果是，則通知第一計(jì)算子單元(314)執(zhí)行自身功能，否則，通知第二計(jì)算子單元(315)執(zhí)行自身功能；所述第一計(jì)算子單元(314)，用于將所述SCxi的取值加一，并將相加結(jié)果重新賦值給所述S(;」，然后通知第二判斷子單元(316)執(zhí)行自身功能；所述第二計(jì)算子單元(315)，用于將所述x的取值加一，并將相加結(jié)果重新賦值給所述x，然后通知所述第一判斷子單元(313)執(zhí)行自身功能；所述第二判斷子單元(316)，用于判斷所述信號(hào)Sx的局部演變趨勢與所述保存子單元(311)中保存的當(dāng)故障類型為Fi時(shí)，信號(hào)Sx所應(yīng)該表現(xiàn)出的局部演變趨勢是否一致，如果是，則將sc;」的取值加一，并將相加結(jié)果重新賦值給sc;」，然后通知第三計(jì)算子單元(317)執(zhí)行自身功能，否則，直接通知所述第三計(jì)算子單元(317)執(zhí)行自身功能；所述第三計(jì)算子單元(317)，用于計(jì)算所述S(;」與預(yù)先定于的權(quán)重系數(shù)W,」的乘積，將計(jì)算結(jié)果重新賦值給所述SCX」；并計(jì)算重新賦值后的SCX」與所述相加之和，將相加結(jié)果重新賦值給所述;所述第三判斷子單元(318)，用于判斷所述x的取值是否等于m，如果是，結(jié)束處理；否則，通知所述第二計(jì)算子單元(315)執(zhí)行自身功能。
全文摘要
本發(fā)明公開了一種機(jī)械故障診斷方法，包括獲取目標(biāo)機(jī)械設(shè)備中用于進(jìn)行機(jī)械故障診斷的m個(gè)信號(hào)，所述m為正整數(shù)，并對每個(gè)信號(hào)進(jìn)行定性和定量趨勢分析；分別計(jì)算所有m個(gè)信號(hào)的定性和定量趨勢分析結(jié)果與知識(shí)庫中預(yù)先保存的每種故障類型所對應(yīng)的特征趨勢之間的總體相似度系數(shù)；判斷計(jì)算出的取值最大的總體相似度系數(shù)是否大于預(yù)先設(shè)定的閾值，如果是，則將所述取值最大的總體相似度系數(shù)對應(yīng)的故障類型確定為所述目標(biāo)機(jī)械設(shè)備所處的故障類型。本發(fā)明同時(shí)公開了一種機(jī)械故障診斷裝置。應(yīng)用本發(fā)明所述的方法和裝置，能夠準(zhǔn)確地識(shí)別出機(jī)械設(shè)備所處的故障類型。
文檔編號(hào)G01M99/00GK101788378SQ20091000982
公開日2010年7月28日 申請日期2009年1月23日 優(yōu)先權(quán)日2009年1月23日
發(fā)明者卓越, 時(shí)文剛, 王青崗, 胡喜, 邢建輝 申請人:西門子公司