CN107560845A - 一种齿轮箱故障诊断建立方法及装置 - Google Patents
一种齿轮箱故障诊断建立方法及装置 Download PDFInfo
- Publication number
- CN107560845A CN107560845A CN201710840087.7A CN201710840087A CN107560845A CN 107560845 A CN107560845 A CN 107560845A CN 201710840087 A CN201710840087 A CN 201710840087A CN 107560845 A CN107560845 A CN 107560845A
- Authority
- CN
- China
- Prior art keywords
- fault
- vibration signal
- svms
- signal
- feature parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种齿轮箱故障诊断模型的建立方法,包括:获取齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;对每种故障振动信号进行处理;提取每种故障振动信号的特征参数后并对其进行优化,输入训练数据集中的每种故障振动信号的特征参数的最优值,生成决策树支持向量机的齿轮箱故障诊断模型并根据输入的特征参数输出每个支持向量机中的第一状态信号和第二状态信号,并对每个支持向量机中的第一状态信号和第二状态信号进行多种组合,使用测试数据集对齿轮箱故障诊断模型进行诊断测试得到多种组合的诊断结果。本发明能同时对多个单一故障振动信号进行训练,可有效实现对齿轮箱混合故障的诊断,从而提高诊断精度。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种齿轮箱故障诊断建立方法及装置。
背景技术
齿轮箱是一种动力传达机构,它是机械系统中重要的部件。从大动力的传输,到小负荷,精准的角度传输都可以见到齿轮箱的应用,例如:齿轮箱会应用在交通工具的船舶、汽车、机车、建筑用的重型机械、机械工业作用的加工机器及自动化生产设备、电力行业的风力发电机组等等上。由于齿轮箱通常工作在恶劣的环境下,导致齿轮箱内部轴承、齿轮经常会发生各种类型的故障,当齿轮箱发生故障时,轻则使系统的动力传输效率降低,重则会发生重大人身安全事故,所以对于齿轮箱故障的迅速精确诊断具有重要的意义。
由于齿轮箱故障模式繁多,故障振动信号复杂,往往包含几种故障模式的混合,而目前现有技术中针对齿轮箱故障的诊断技术,其利用时域分析方法、频域分析方法和时、频联合分析方法只能对单一故障进行诊断分析,当涉及到复杂的混合故障时虽采集到了丰富的数据样本,利用一个支持向量机对所采集的振动信号通过单一的训练方式无法一次性同时诊断出混合模式下的多种故障,容易将复杂的混合故障疏漏掉,所以该目前的齿轮箱故障诊断精度较低。
发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中利用单一的训练方式无法一次性同时诊断出混合模式下的多种故障,造成齿轮箱故障诊断精度降低。
为此,本发明实施例提供了如下技术方案:
本发明实施例提供一种齿轮箱故障诊断模型的建立方法,包括如下步骤:
S1、获取所述齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;
S2、对所述每种故障振动信号进行预处理;
S3、从预处理后的每种故障振动信号中提取特征参数,所述特征参数至少包括第一特征参数,第二特征参数和第三特征参数;
S4、选取部分或全部的所述每种故障振动信号的特征参数作为训练数据集;
S5、优化所述每个支持向量机中的各种参数,输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,所述齿轮箱故障诊断模型能够根据输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出所述每个支持向量机中的第一状态信号和第二状态信号,并对所述每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
可选地,选取部分或全部的所述每种故障振动信号的特征参数作为测试数据集,所述使用所述测试数据集对所述齿轮箱故障诊断模型进行诊断测试得到所述多种组合的诊断结果的步骤之后,还包括:判断所述诊断结果是否达到预设诊断准确率,若未达到预设诊断准确率,则重新获取所述齿轮箱的多种故障振动信号,重复步骤S1-S6直至诊断结果达到预设诊断准确率。
可选地,所述多种故障振动信号通过振动传感器采集所述齿轮箱在正常以及典型故障状态下振动信号,至少包括所述齿轮箱的正常振动信号、轴承内圈故障时振动信号、轴承外圈故障时振动信号、断齿、齿轮磨损状态下振动信号中的部分或全部。
可选地,所述预处理包括平滑处理和降噪处理。
可选地,所述优化所述每个支持向量机中的各种参数利用烟花算法进行优化处理。
可选地,所述每种故障振动信号获取200组,其中所述训练数据集与所述测试数据集中的数据比例分别为4:1。
可选地,所述每个支持向量机中的第一状态信号和第二状态信号分别为0和1。
本发明实施例提供一种齿轮箱故障诊断模型的建立装置,包括如下模块:
信号获取模块,用于获取所述齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;
预处理模块,用于对所述每种故障振动信号进行预处理;
特征参数提取模块,用于从预处理后的每种故障振动信号中提取特征参数,所述特征参数至少包括第一特征参数,第二特征参数和第三特征参数;
数据选取模块,用于选取部分或全部的所述每种故障振动信号的特征参数作为训练数据集;
模型生成模块,用于优化所述每个支持向量机中的各种参数,输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,所述齿轮箱故障诊断模型能够根据输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出所述每个支持向量机中的第一状态信号和第二状态信号,并对所述每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
本发明实施例提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现所述的齿轮箱故障诊断建立方法的步骤。
本发明实施例提供一种齿轮箱故障诊断建立设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的齿轮箱故障诊断建立方法的步骤。
本发明实施例技术方案,具有如下优点:
本发明提供一种齿轮箱故障诊断模型的建立方法,包括:获取齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;对每种故障振动信号进行处理;提取每种故障振动信号的特征参数后并对其进行优化,输入训练数据集中的每种故障振动信号的特征参数的最优值,生成决策树支持向量机的齿轮箱故障诊断模型并根据输入的特征参数输出每个支持向量机中的第一状态信号和第二状态信号,并对每个支持向量机中的第一状态信号和第二状态信号进行多种组合,使用测试数据集对齿轮箱故障诊断模型进行诊断测试得到多种组合的诊断结果。本发明能同时对多个单一故障振动信号进行训练,可有效实现对齿轮箱混合故障的诊断,从而提高诊断精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中齿轮箱故障诊断建立方法的流程图;
图2为本发明实施例1中基于决策树支持向量机的齿轮箱故障诊断模型图;
图3为本发明实施例1中基于烟花算法优化支持向量机的流程图;
图4为本发明实施例2中齿轮箱故障诊断建立装置的结构框图;
图5为本发明实施例3中齿轮箱故障诊断建立设备的硬件示意图。
具体实施方式
下面将结合附图对本发明实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明提供一种齿轮箱故障诊断模型的建立方法,用于建立齿轮箱故障诊断模型,该模型用于对齿轮箱进行故障诊断。如图1所示,该方法包括如下步骤:
S1、获取齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中。其中多种故障振动信号通过振动传感器采集齿轮箱在正常以及典型故障状态下振动信号,至少包括齿轮箱的正常振动信号、轴承内圈故障时振动信号、轴承外圈故障时振动信号、断齿、齿轮磨损状态下振动信号中的部分或全部。
支持向量机(SVM)用于对所采集的多种故障振动信号进行训练,SVM用在机器学习领域,支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类、以及回归分析。每个支持向量机对应一种故障振动信号,因为每个支持向量机很容易获取一种故障样本振动信号,那么使用多个支持向量机就可以同时输入多种不同的故障样本振动信号,进而对多种不同的故障振动信号进行综合训练分析,为了得到多种不同故障的混合结果。
S2、对每种故障振动信号进行预处理。具体地,该预处理包括平滑处理和降噪处理。
此处的平滑处理和降噪处理可以使用五点三次法进行数据平滑处理。
i=3,4,...,m-2
其中,i=3,4,...,m-2为处理前数据点,yi=(i-1,2,...,m)为经过五点三次法平滑处理后数据点。降噪方法选用的小波函数为sym8,采用软阈值降噪法。Sym为小波族,序号是8,该小波滤波器长度为2×N=16,小波函数消失矩为N=8,sym8表示所用的小波基的名称。
S3、从预处理后的每种故障振动信号中提取特征参数,特征参数至少包括第一特征参数,第二特征参数和第三特征参数;。
此处的第一特征参数、第二特征参数和第三特征参数可以分别为每种故障振动信号的频率在包络谱上对应的幅值。具体地,实际上,对于实际测量的故障振动信号,它本身是时域的,是一段时间内幅值随时间连续变化的时间信号,每一条样本对应一段时间内的时域采集信号,由于是高速采集,采样速度很快,采样间隔很短,所以每一条样本对应的信号个数有很多,这样采用希尔伯特(Hilbert)、傅里叶变换等方法就可以将它们转化为频域信号,即横轴是频率从0到无穷大,纵轴是各个频率段对应的幅值,是唯一的。根据使用频域分析中傅里叶变换或希尔伯特(Hilbert)包络谱分析提取了多种故障振动信号的故障特征参数,针对每种单独的故障振动信号可以提取出故障频率的一倍频f0、二倍频2f0、三倍频3f0,而一倍频率、二倍频、三倍频分别是由风机本身电机转速计算出来的频率常数,分别等于f0,2f0,3f0,这样我们就可以很容易在频域信号上找到横轴上的这三个频率值对应的纵轴的值,即它们对应的幅值,针对每种单独的故障振动信号可以提取出故障频率的一倍频f0、二倍频2f0、三倍频3f0在希尔伯特包络谱图上对应的三个幅值特征参数[a,b,c],将它们作为支持向量机SVM的输入信号的。a为第一特征参数,b为第二特征参数,c为第三特征参数,其中二倍频2f0和三倍频3f0分别是一倍频f0的2倍和3倍。若存在m种故障,应从m种故障振动信号中提取3m个故障特征参数[a1,b1,c1,a2,b2,c2,...am,bm,cm],这样为了将第一特征参数、第二特征参数和第三特征参数同时输入支持向量机(SVM)中能够更加精确详细地诊断出多种故障振动信号的输出结果,从而获取多种混合故障的输出结果。如图2所示:
首先需要分类的单独故障有m种故障,所以需要建立m个独立的支持向量机(SVM),每一个支持向量机(SVM)对应其中一种故障进行二分类,每个支持向量机(SVM)具有三输入,输入为对应每种故障振动信号的第一特征参数a、第二特征参数b、第三特征参数c,将某种单一故障的3组特征参数[a1,b1,c1]传递给对应的支持向量机进行分析判断。
作为另外一种优选的实现方式,本实施例中从预处理后的每种故障振动信号中提取特征参数,特征参数还可以包括第一特征参数,第二特征参数、第三特征参数和第四特征参数。
具体地,在处理齿轮箱齿轮、轴承等故障中常使用风机本身电机转速计算出来的频率常数:一倍频f0,二倍频2f0,三倍频3f0对应的三个频率幅值的方法,一般不看后面的倍频,由于后面倍频幅值较小。当然加入四倍频也是可行的,分别为一倍频f0、二倍频2f0、三倍频3f0和四倍频4f0,一倍频f0、二倍频2f0、三倍频3f0和四倍频4f0在希尔伯特包络谱图上对应的四个幅值特征参数[a,b,c,d],将第四特征参数输入支持向量机(SVM)中也能够更加精确详细地诊断出多种故障振动信号的输出结果,从而获取多种混合故障的输出结果,一般选取三个特征参数不但可降低支持向量机的输入,也能对多种混合故障进行详细判断。
S4、选取部分或全部的每种故障振动信号的特征参数作为训练数据集。
针对每个支持向量机的训练数据应不少于200组,其中采集训练数据集与测试数据集中的数据比例分别为4:1,即分到训练数据集中的数据为160组,分到测试数据集中的数据为40组。
S5、优化每个支持向量机中的各种参数,输入训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,齿轮箱故障诊断模型能够根据输入训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出每个支持向量机中的第一状态信号和第二状态信号,并对每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
优化每个支持向量机中的各种参数利用烟花算法进行优化处理。具体地:
首先,由于烟花算法为迭代式优化算法,故需要先初始化烟花算法的基本参数,才能够使优化过程顺利进行,同时也能保证烟花算法搜索的全局性。步骤如下:
第一,初始化烟花算法的参数。
烟花算法参数包括:惩罚变量C、松弛变量ξ、初始位置Xi、最大迭代次数max_iter、控制爆炸半径产生烟火数的常数Mε。
第二,计算所有烟花的适应度,以及对应的烟花爆炸半径和产生的烟火数目,其中烟花爆炸半径和产生的烟火数目的公式如下:
其中Ai为烟花爆炸半径,si为产生的烟火数目,f(Xi)为所有烟花的适应度,ymax=max(f(Xi)),ymin=min(f(Xi)),ymax为这一代所有烟花适应度的最大值,ymin分别为这一代所有烟花适应度的最小值,为控制爆炸半径,Mε为产生烟火数的常数,N为种群规模,ε为一个无穷小的正实数。
因为支持向量机(SVM)输入的为每种故障振动信号对应的第一特征参数a、第二特征参数b和第三特征参数c,得到烟花适应度f(Xi),而每个爆炸烟花的爆炸半径以及产生的烟火数目根据所有烟火适应度值计算出来的。
第三,对产生的烟火数目进行修正,其公式为:
其中a=round(b)操作表示为去最接近b的整数赋值给a,a,b分别为控制烟火规模边界的参数,si为产生的烟火数目,Mε为产生烟火数的常数。修正烟火数目的目的是为了避免爆炸烟火数目向更好的烟花以及压倒性优势倾斜。
本实施例中的烟花算法(FWA),是受到夜空中烟花爆炸的启发而提出的一种群体智能算法,业界对烟花算法的研究逐步深入和铺开。通过对原始烟花算法的细致、深入的分析,针对原始烟花算法(FWA)的不足,提出了大量的改进方法,并据此发展了各种改进算法,以及与其他方法的混合方法,大大提高了原始烟花算法的性能,同时研究了烟花算法在求解不同类型优化问题的能力。
烟花算法主要优化的是支持向量机中的松弛变量和惩罚系数,这二者能够影响支持向量机在处理分类问题的能力,当两个参数处在一个合适的组合时可以提高支持向量机(SVM)的分类成功率。由于松弛变量和惩罚系数对于支持向量机的处理分类问题存在着较大的影响,所以烟花算法需要针对松弛变量和惩罚系数提前进行初始化,从而对烟火数目也可得到有效的控制。
上述步骤完成后,由于松弛变量和惩罚系数对支持向量机处理数据参数存在较大的影响,所以需要利用烟花算法对这两种参数进行优化达到寻优的目的,通过输入训练数据集中每种故障振动信号的特征参数获取支持向量机的最优值,其步骤如下:
第一步,对烟花进行爆炸操作获取所有烟花的位置,其公式为
其中,为烟花的位置,其中rand(0,1)表示为在(0,1)之间的取随机数,rand(-1,1)表示为在(-1,1)之间的取随机数,k=si,K为所有烟花爆炸后点的集合,Ai为烟花爆炸半径。
第二步,根据如下公式:
确定最优适应度值的烟火对应的选择策略,将其作为下一代烟火,其中K为所有烟花爆炸后点的集合,Xi为初始位置,Xj为这一代中第j个烟花的位置,j为为K群体烟花的叙述,P(Xi)为选出下一代烟火时Xi对应的概率,R(Xi)这一代中第i个烟火到全部j个烟火的欧氏距离的和。
第三步,重复最大迭代次数max_iter得到最优值即为每个支持向量机中的松弛变量ξ与惩罚变量C,利用该最优值生成基于决策树支持向量机的齿轮箱故障诊断模型。
作为一种可选的实现方式,本实施例中齿轮箱故障诊断建立方法,还包括:
S6、选取部分或全部的每种故障振动信号的特征参数作为测试数据集,使用测试数据集对齿轮箱故障诊断模型进行诊断测试得到多种组合的诊断结果。由于每个支持向量机提取第一特征参数a、第二特征参数b和第三特征参数c,通过整合每个支持向量机的分类结果进行综合判断,从而对齿轮箱的混合故障进行判断。如图2所示,每个支持向量机的分类结果为第一状态信号0和第二状态信号1,利用多个支持向量机一次性对不同种故障振动信号同时进行处理分析,每个支持向量机在一次故障诊断中都会对于单一故障做出0或1的判断,当任意支持向量机的分类结果为0时表示不包含此种故障,当任意支持向量机的分类结果为1时为齿轮箱包含此种故障,对每个支持向量机的判断结果相互组合判断,从而得出齿轮箱具有对应的某种混合故障。例如:具有三个支持向量机,若组合结果为“000”时则为正常状态,结果为“111”时为具有三种全部的混合故障,其中m个单独支持向量机能够对应判断出2m种不同的齿轮箱故障状态。
S7、判断诊断结果是否达到预设诊断准确率,若未达到预设诊断准确率,则重新获取齿轮箱的多种故障振动信号,重复步骤S1-S6直至诊断结果达到预设诊断准确率。如输入40组测试数据,要求准确率达到90%以上,则需要至少36个测试数据的诊断结果是准确的。一般预设诊断准确率根据需要设置为80%以上。
若未达到预设诊断效果,可能和算法以及样本都有关系,此时则重新获取齿轮箱的多种故障振动信号,一般会增加样本的数量,重复步骤S1-S7直至诊断结果达到预设诊断效果。由于测试组样本和训练组样本是同时采集的一批数据,因此其可区分性高,如果同时采集的测试样本都无法识别出故障,则该模型的识别率会较低,因此通过测试如果不能达到预设的效果,则需要重新建立模型。同时采集测试样本和训练样本也可以提高数据处理的速度,无需多次采集样本。
测试完成后,当满足测试结果准确度要求后,即可用来进行齿轮箱故障诊断。诊断时,将待诊断的振动数据输入该基于决策树支持向量机的故障诊断模型,即可以得出准确的诊断结果。
如图3所示,为利用烟花算法优化支持向量机中的参数的流程图。
实施例2
本发明提供一种齿轮箱故障诊断模型的建立装置,如图4所示,用于建立诊断模型,其包括:
信号获取模块41,用于获取齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中。
预处理模块42,用于对每种故障振动信号进行预处理。
特征参数提取模块43,用于从预处理后的每种故障振动信号中提取特征参数,特征参数包括第一特征参数、第二特征参数和第三特征参数。
数据选取模块44,用于选取部分或全部的每种故障振动信号的特征参数作为训练数据集。
模型生成模块45,用于优化每个支持向量机中的各种参数,输入训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,齿轮箱故障诊断模型能够根据输入训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出每个支持向量机中的第一状态信号和第二状态信号,并对每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
作为一种可选的实现方式,本实施例中的齿轮箱故障诊断模型,还包括:
测试模块46,用于选取部分或全部的每种故障振动信号的特征参数作为测试数据集,使用测试数据集对齿轮箱故障诊断模型进行诊断测试得到多种组合的诊断结果。
判断模块47,用于判断诊断结果是否达到预设诊断准确率,若未达到预设诊断准确率,则重新获取齿轮箱的多种故障振动信号,直至诊断结果达到预设诊断准确率。
其中,多种故障振动信号包括在正常以及典型故障状态下振动信号,至少包括齿轮箱的正常振动信号、轴承内圈故障时振动信号、轴承外圈故障时振动信号、断齿、齿轮磨损状态下振动信号中的部分或全部。
本实施例中的齿轮箱故障诊断模型,通过加装在齿轮箱上的振动传感器获取多种故障振动信号,并用烟花算法优化支持向量机中的参数,并将其应用到基于决策树支持向量机的齿轮箱故障诊断模型中,该齿轮箱故障诊断模型能够对多种故障振动信号同时进行处理并输出两种不同信号,然后输出多种组合结果,故该齿轮箱故障诊断模型可同时诊断出多种混合故障。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现实施例1中齿轮箱故障诊断建立方法的步骤。
其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
实施例4
本实施例提供一种齿轮箱故障诊断建立设备,如图5所示,包括存储器520、处理器510及存储在存储器520上并可在处理器510上运行的计算机程序,处理器510执行程序时实现实施例1中方法的步骤。
图5是本发明实施例提供的执行列表项操作的处理方法的齿轮箱故障诊断建立设备的硬件结构示意图,如图5所示,该齿轮箱故障诊断建立设备包括一个或多个处理器510以及存储器520,图5中以一个处理器510为例。
执行列表项操作的处理方法的设备还可以包括:采集装置530,输出装置550。
处理器510、存储器520、采集装置530,输出装置550可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器510可以为中央处理器(Central Processing Unit,CPU)。处理器510还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种齿轮箱故障诊断模型的建立方法,其特征在于,包括如下步骤:
S1、获取所述齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;
S2、对所述每种故障振动信号进行预处理;
S3、从预处理后的每种故障振动信号中提取特征参数,所述特征参数至少包括第一特征参数,第二特征参数和第三特征参数;
S4、选取部分或全部的所述每种故障振动信号的特征参数作为训练数据集;
S5、优化所述每个支持向量机中的各种参数,输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,所述齿轮箱故障诊断模型能够根据输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出所述每个支持向量机中的第一状态信号和第二状态信号,并对所述每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
2.根据权利要求1所述的方法,其特征在于,还包括:
S6、选取部分或全部的所述每种故障振动信号的特征参数作为测试数据集,使用所述测试数据集对所述齿轮箱故障诊断模型进行诊断测试得到所述多种组合的诊断结果;
S7、判断所述诊断结果是否达到预设诊断准确率,若未达到预设诊断准确率,则重新获取所述齿轮箱的多种故障振动信号,重复步骤S1-S6直至诊断结果达到预设诊断准确率。
3.根据权利要求1或2所述的方法,其特征在于,所述多种故障振动信号通过振动传感器采集所述齿轮箱在正常以及典型故障状态下振动信号,至少包括所述齿轮箱的正常振动信号、轴承内圈故障时振动信号、轴承外圈故障时振动信号、断齿、齿轮磨损状态下振动信号中的部分或全部。
4.根据权利要求1所述的方法,其特征在于,所述预处理包括平滑处理和降噪处理。
5.根据权利要求1所述的方法,其特征在于,所述优化所述每个支持向量机中的各种参数利用烟花算法进行优化处理。
6.根据权利要求1所述的方法,其特征在于,所述每种故障振动信号获取200组,其中所述训练数据集与所述测试数据集中的数据比例分别为4:1。
7.根据权利要求1所述的方法,其特征在于,所述每个支持向量机中的第一状态信号和第二状态信号分别为0和1。
8.一种齿轮箱故障诊断模型的建立装置,其特征在于,包括如下模块:
信号获取模块,用于获取所述齿轮箱的多种故障振动信号,并将每种故障振动信号输入与其对应的每个支持向量机中;
预处理模块,用于对所述每种故障振动信号进行预处理;
特征参数提取模块,用于从预处理后的每种故障振动信号中提取特征参数,所述特征参数至少包括第一特征参数,第二特征参数和第三特征参数;
数据选取模块,用于选取部分或全部的所述每种故障振动信号的特征参数作为训练数据集;
模型生成模块,用于优化所述每个支持向量机中的各种参数,输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数获取参数的最优值,生成基于决策树支持向量机的齿轮箱故障诊断模型,所述齿轮箱故障诊断模型能够根据输入所述训练数据集中的每种故障振动信号的第一特征参数、第二特征参数和第三特征参数输出所述每个支持向量机中的第一状态信号和第二状态信号,并对所述每个支持向量机中的第一状态信号和第二状态信号进行多种组合,输出混合故障。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-7任一项所述的齿轮箱故障诊断建立方法的步骤。
10.一种齿轮箱故障诊断建立设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述的齿轮箱故障诊断建立方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840087.7A CN107560845B (zh) | 2017-09-18 | 2017-09-18 | 一种齿轮箱故障诊断建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840087.7A CN107560845B (zh) | 2017-09-18 | 2017-09-18 | 一种齿轮箱故障诊断建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107560845A true CN107560845A (zh) | 2018-01-09 |
CN107560845B CN107560845B (zh) | 2019-09-20 |
Family
ID=60980162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710840087.7A Active CN107560845B (zh) | 2017-09-18 | 2017-09-18 | 一种齿轮箱故障诊断建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107560845B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562853A (zh) * | 2018-03-29 | 2018-09-21 | 上海交通大学 | 基于纠错输出编码支持向量机的电机故障诊断方法和系统 |
CN110319798A (zh) * | 2019-07-02 | 2019-10-11 | 哈尔滨工业大学 | 用于检测电机安装故障的方法及装置 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
WO2020232609A1 (zh) * | 2019-05-20 | 2020-11-26 | 西门子股份公司 | 用于训练或测试状态监测模块的系统和方法 |
CN112098065A (zh) * | 2020-09-21 | 2020-12-18 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
CN112161807A (zh) * | 2020-09-22 | 2021-01-01 | 上海海事大学 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
CN112557894A (zh) * | 2020-12-07 | 2021-03-26 | 四川轻化工大学 | 一种断路器故障诊断方法 |
CN113049250A (zh) * | 2021-03-10 | 2021-06-29 | 天津理工大学 | 基于mpu6050和决策树的电机故障诊断方法及系统 |
CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
CN114279704A (zh) * | 2021-12-28 | 2022-04-05 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102226428A (zh) * | 2011-04-29 | 2011-10-26 | 哈尔滨工程大学 | 燃气轮机健康状态预测方法 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
WO2017005238A1 (de) * | 2015-07-07 | 2017-01-12 | Brit Hacke | Vorrichtung zur zustandsüberwachung |
CN106934410A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 数据的分类方法及系统 |
-
2017
- 2017-09-18 CN CN201710840087.7A patent/CN107560845B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102226428A (zh) * | 2011-04-29 | 2011-10-26 | 哈尔滨工程大学 | 燃气轮机健康状态预测方法 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
WO2017005238A1 (de) * | 2015-07-07 | 2017-01-12 | Brit Hacke | Vorrichtung zur zustandsüberwachung |
CN106934410A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 数据的分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
吴德会: "一种基于支持向量机的齿轮箱故障诊断方法", 《振动测试与诊断》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562853A (zh) * | 2018-03-29 | 2018-09-21 | 上海交通大学 | 基于纠错输出编码支持向量机的电机故障诊断方法和系统 |
WO2020232609A1 (zh) * | 2019-05-20 | 2020-11-26 | 西门子股份公司 | 用于训练或测试状态监测模块的系统和方法 |
CN110319798A (zh) * | 2019-07-02 | 2019-10-11 | 哈尔滨工业大学 | 用于检测电机安装故障的方法及装置 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110646199B (zh) * | 2019-09-06 | 2022-01-07 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
CN112098065A (zh) * | 2020-09-21 | 2020-12-18 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
CN112161807A (zh) * | 2020-09-22 | 2021-01-01 | 上海海事大学 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
CN112161807B (zh) * | 2020-09-22 | 2022-11-01 | 上海海事大学 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
CN112557894A (zh) * | 2020-12-07 | 2021-03-26 | 四川轻化工大学 | 一种断路器故障诊断方法 |
CN113049250A (zh) * | 2021-03-10 | 2021-06-29 | 天津理工大学 | 基于mpu6050和决策树的电机故障诊断方法及系统 |
CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
CN114279704A (zh) * | 2021-12-28 | 2022-04-05 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
CN114279704B (zh) * | 2021-12-28 | 2022-11-22 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107560845B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107560845A (zh) | 一种齿轮箱故障诊断建立方法及装置 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
Chen et al. | A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data | |
CN110031226A (zh) | 一种轴承故障的诊断方法及装置 | |
CN112629851B (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
CN110595780A (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
Chen et al. | Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
Deveci et al. | A comparison of deep transfer learning methods on bearing fault detection | |
Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
Wang et al. | Wavelet packet transform-assisted least squares support vector machine for gear wear degree diagnosis | |
Deng et al. | A cost-sensitive dense network for fault diagnosis under data imbalance | |
Yang et al. | Gear Fault Diagnosis Based on Multi-scale Convolutional Neural Network | |
CN114662680B (zh) | 一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统 | |
CN114120010B (zh) | 一种多视角多层次工业机器人迁移故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |