CN110598768A - 一种齿轮故障分类方法、分类装置及可读存储介质 - Google Patents

一种齿轮故障分类方法、分类装置及可读存储介质 Download PDF

Info

Publication number
CN110598768A
CN110598768A CN201910813598.9A CN201910813598A CN110598768A CN 110598768 A CN110598768 A CN 110598768A CN 201910813598 A CN201910813598 A CN 201910813598A CN 110598768 A CN110598768 A CN 110598768A
Authority
CN
China
Prior art keywords
gear
target
sample data
vibration sample
fault
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
Application number
CN201910813598.9A
Other languages
English (en)
Other versions
CN110598768B (zh
Inventor
赵心阳
肖涵
袁邦盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201910813598.9A priority Critical patent/CN110598768B/zh
Publication of CN110598768A publication Critical patent/CN110598768A/zh
Application granted granted Critical
Publication of CN110598768B publication Critical patent/CN110598768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种齿轮故障分类方法、分类装置及可读存储介质，齿轮故障分类方法包括：获取目标故障类型齿轮的振动样本数据；对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；重复上述步骤，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。

Description

一种齿轮故障分类方法、分类装置及可读存储介质
技术领域
本发明方法涉及设备故障诊断领域，特别涉及一种齿轮故障分类方法、分类装置及可读存储介质。
背景技术
齿轮传动广泛应用于各种机械设备中，但受恶劣工况的影响，容易发生故障，从而导致设备的正常运行，进而影响企业的正常生产的进行，造成经济损失，为保证设备的正常运行，齿轮的故障诊断至关重要，传统故障诊断方法，受数据量的影响，往往故障诊断精度不高。
发明内容
针对上述现有技术的不足，本发明提供一种齿轮故障分类方法、分类装置及可读存储介质。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了齿轮故障分类方法，所述方法包括如下步骤：
步骤1，获取目标故障类型齿轮的振动样本数据；
步骤2，对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；
步骤3，获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；
步骤4，利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；
步骤5，将目标故障类型齿轮替换为待检测齿轮，重复步骤1至4，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。
进一步，所述对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图包括如下步骤：
步骤21，将所述目标故障类型齿轮的振动样本数据整理为振动信号的时间序列；
步骤22，对所述振动信号的时间序列进行相空间重构，得到相空间矩阵；
步骤23，利用所述相空间矩阵获得所述相空间矩阵中每两个相点之间的递归距离；
步骤24，利用多个所述递归距离输出所述无阈值递归图。
进一步，所述提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量包括如下步骤：
步骤S41，利用EM算法计算所述高斯分布直方图的后验概率；
步骤S42，根据所述后验概率判断所述高斯分布直方图是否满足收敛准则；
步骤S43，若满足则输出所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量。
进一步，所述利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮故障类型具体包括如下步骤：
步骤51，利用不同故障类型对应的目标故障类型齿轮的振动样本数据的目标特征向量作为神经网络的输入；
步骤52，利用所述神经网络的输出作为分类器的输入获得齿轮故障分类模型；
步骤53，将所述待检测齿轮的振动样本数据的目标特征向量作为所述齿轮故障分类模型的输入，得到故障类别标识；
步骤54，根据所述故障类别标识输出待检测齿轮的故障类型。
第二方面，本发明提供了一种分类装置，所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如上所述的齿轮故障分类方法。
第三方面，本发明提供了一种可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器所执行时，实现如上所述的齿轮故障分类方法。
本发明的齿轮故障分类方法、分类装置及可读存储介质的有益效果是：通过目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图并获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图，再利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。可以利用大量的目标故障齿轮的振动样本数判断待检测齿轮的类别，提高了齿轮故障分类的精度。
附图说明
图1为本发明一实施例中齿轮故障分类方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例，本发明并不局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
本发明揭示了一种齿轮故障分类方法，
图1所示为本发明一实施例中齿轮故障分类方法的流程图，在本发明中，所述方法包括：
步骤S1：获取目标故障类型齿轮的振动样本数据。
本步骤中，所述目标故障类型包括。
步骤S2：对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图。
步骤S3，获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；
步骤4，利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；
步骤5，将目标故障类型齿轮替换为待检测齿轮，重复步骤1至4，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。
本发明的齿轮故障分类方法、分类装置及可读存储介质的有益效果是：通过目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图并获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图，再利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。可以利用大量的目标故障齿轮的振动样本数判断待检测齿轮的类别，提高了齿轮故障分类的精度。
具体地，所述对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图包括如下步骤：
步骤21，将所述目标故障类型齿轮的振动样本数据整理为振动信号的时间序列；
步骤22，对所述振动信号的时间序列进行相空间重构，得到相空间矩阵；
步骤23，利用所述相空间矩阵获得所述相空间矩阵中每两个相点之间的递归距离；
步骤24，利用多个所述递归距离输出所述无阈值递归图。
具体地，所述提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量包括如下步骤：
步骤S41，利用EM算法计算所述高斯分布直方图的后验概率；
步骤S42，根据所述后验概率判断所述高斯分布直方图是否满足收敛准则；
步骤S43，若满足则输出所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量。
具体地，所述利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮故障类型具体包括如下步骤：
步骤51，利用不同故障类型对应的目标故障类型齿轮的振动样本数据的目标特征向量作为神经网络的输入；
步骤52，利用所述神经网络的输出作为分类器的输入获得齿轮故障分类模型；
步骤53，将所述待检测齿轮的振动样本数据的目标特征向量作为所述齿轮故障分类模型的输入，得到故障类别标识；
步骤54，根据所述故障类别标识输出待检测齿轮的故障类型。
本发明的齿轮故障分类方法、分类装置及可读存储介质的有益效果是：通过目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图并获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图，再利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。可以利用大量的目标故障齿轮的振动样本数判断待检测齿轮的类别，提高了齿轮故障分类的精度。
本发明另一实施例提供一种分类装置，所述分类装置包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器用于当执行所述计算机程序时，实现如上文所述的齿轮故障分类方法。
本发明另一实施例提供一种可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器所执行时，实现如上所述的应用于齿轮故障分类方法。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种齿轮故障分类方法，其特征在于，包括如下步骤：
步骤1，获取目标故障类型齿轮的振动样本数据；
步骤2，对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；
步骤3，获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；
步骤4，利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；
步骤5，将目标故障类型齿轮替换为待检测齿轮，重复步骤1至4，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。
2.根据权利要求1所述的齿轮故障分类方法，其特征在于，所述对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图包括如下步骤：
步骤21，将所述目标故障类型齿轮的振动样本数据整理为振动信号的时间序列；
步骤22，对所述振动信号的时间序列进行相空间重构，得到相空间矩阵；
步骤23，利用所述相空间矩阵获得所述相空间矩阵中每两个相点之间的递归距离；
步骤24，利用多个所述递归距离输出所述无阈值递归图。
3.权利要求1所述的齿轮故障分类方法，其特征在于，所述提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量包括如下步骤：
步骤S41，利用EM算法计算所述高斯分布直方图的后验概率；
步骤S42，根据所述后验概率判断所述高斯分布直方图是否满足收敛准则；
步骤S43，若满足则输出所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量。
4.权利要求1所述的齿轮故障分类方法，其特征在于，所述利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮故障类型具体包括如下步骤：
步骤51，利用不同故障类型对应的目标故障类型齿轮的振动样本数据的目标特征向量作为神经网络的输入；
步骤52，利用所述神经网络的输出作为分类器的输入获得齿轮故障分类模型；
步骤53，将所述待检测齿轮的振动样本数据的目标特征向量作为所述齿轮故障分类模型的输入，得到故障类别标识；
步骤54，根据所述故障类别标识输出待检测齿轮的故障类型。
5.一种分类装置，其特征在于，所述分类装置包括处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至4任一项所述的齿轮故障分类方法。
6.一种可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器所执行时，实现如权利要求1至4任一项所述的齿轮故障分类方法。
CN201910813598.9A 2019-08-30 2019-08-30 一种齿轮故障分类方法、分类装置及可读存储介质 Active CN110598768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910813598.9A CN110598768B (zh) 2019-08-30 2019-08-30 一种齿轮故障分类方法、分类装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910813598.9A CN110598768B (zh) 2019-08-30 2019-08-30 一种齿轮故障分类方法、分类装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN110598768A true CN110598768A (zh) 2019-12-20
CN110598768B CN110598768B (zh) 2022-05-17

Family

ID=68856686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910813598.9A Active CN110598768B (zh) 2019-08-30 2019-08-30 一种齿轮故障分类方法、分类装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN110598768B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107643181A (zh) * 2016-07-21 2018-01-30 北京航空航天大学 一种基于图像识别的滚动轴承变工况故障诊断方法
CN108008332A (zh) * 2017-11-29 2018-05-08 国网山东省电力公司电力科学研究院 一种基于数据挖掘的新能源远程测试设备故障诊断方法
CN109933865A (zh) * 2019-02-26 2019-06-25 河海大学 一种基于递归图和递归定量分析的oltc故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107643181A (zh) * 2016-07-21 2018-01-30 北京航空航天大学 一种基于图像识别的滚动轴承变工况故障诊断方法
CN108008332A (zh) * 2017-11-29 2018-05-08 国网山东省电力公司电力科学研究院 一种基于数据挖掘的新能源远程测试设备故障诊断方法
CN109933865A (zh) * 2019-02-26 2019-06-25 河海大学 一种基于递归图和递归定量分析的oltc故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAO HAN ET AL.: "The Researches on the Failure Mode Classification Based on Reconstructed Phase Space and GMM", 《EARTH AND SPACE 2010: ENGINEERING, SCIENCE, CONSTRUCTION,AND OPERATIONS IN CHALLENGING ENVIRONMENTS》 *
肖涵 等: "基于递归定量分析与高斯混合模型的齿轮故障识别", 《振动工程学报》 *
肖涵: ""基于高斯混合模型与子空间技术的故障识别研究", 《万方数据知识服务平台》 *

Also Published As

Publication number Publication date
CN110598768B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Lin et al. A highly efficient bad data identification approach for very large scale power systems
CN108683530B (zh) 多维度数据的数据分析方法、装置及存储介质
US10613960B2 (en) Information processing apparatus and information processing method
CN111199018B (zh) 异常数据检测方法、装置、存储介质及电子设备
Doukhan et al. Inference and testing for structural change in general Poisson autoregressive models
CN109460775B (zh) 一种基于信息熵的数据填充方法及装置
Diop et al. Testing Parameter Change in General Integer‐Valued Time Series
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN112526470A (zh) 标定雷达参数的方法和装置、电子设备、存储介质
CN105228185A (zh) 一种用于识别通信网络中模糊冗余节点身份的方法
CN110598768B (zh) 一种齿轮故障分类方法、分类装置及可读存储介质
CN117237678A (zh) 用电行为异常检测方法、装置、设备及存储介质
CN111091194B (zh) 一种基于cavwnb_kl算法的操作系统识别方法
CN107643472B (zh) 计算短断路表差异度的方法
CN111274374B (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN114020971A (zh) 一种异常数据检测方法及装置
Adibi et al. Measuring confidence intervals in link discovery: a bootstrap approach
CN110888811B (zh) 代码覆盖率信息处理方法、装置、电子设备及介质
CN110738191A (zh) 一种基于声呐信号的物体分类方法、装置、设备及介质
CN113326652B (zh) 基于经验贝叶斯的数据批次效应处理方法、装置及介质
JPWO2021038840A5 (zh)
CN111487620B (zh) 一种基于特征变换的机载sar成像性能评估方法
CN116934182B (zh) 一种企业数据协同观测方法、系统及介质
CN116595945B (zh) 高精度仿真散射参数提取方法、电子设备和存储介质
JP5191443B2 (ja) 多次元信号対圧縮装置、多次元信号対圧縮方法、及びプログラム

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