CN110598768B - 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 PDFInfo
- Publication number
- CN110598768B CN110598768B CN201910813598.9A CN201910813598A CN110598768B CN 110598768 B CN110598768 B CN 110598768B CN 201910813598 A CN201910813598 A CN 201910813598A CN 110598768 B CN110598768 B CN 110598768B
- Authority
- CN
- China
- Prior art keywords
- gear
- target
- sample data
- vibration sample
- fault type
- 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.)
- Active
Links
Images
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
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 (4)
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; 其中,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;
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。
2.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。
3.一种分类装置,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或2所述的齿轮故障分类方法。
4.一种可读存储介质,其特征在于,所述可读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或2所述的齿轮故障分类方法。
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 CN110598768A (zh) | 2019-12-20 |
CN110598768B true 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)
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 |
-
2019
- 2019-08-30 CN CN201910813598.9A patent/CN110598768B/zh active Active
Patent Citations (3)
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)
Title |
---|
"基于高斯混合模型与子空间技术的故障识别研究;肖涵;《万方数据知识服务平台》;20080625;论文第23-50页 * |
The Researches on the Failure Mode Classification Based on Reconstructed Phase Space and GMM;Xiao Han et al.;《Earth and Space 2010: Engineering, Science, Construction,and Operations in Challenging Environments》;20101231;第2553-2559页 * |
基于递归定量分析与高斯混合模型的齿轮故障识别;肖涵 等;《振动工程学报》;20110228;第24卷(第1期);第84-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598768A (zh) | 2019-12-20 |
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 | |
CN111143102B (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
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 | |
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 | |
Diop et al. | Testing Parameter Change in General Integer‐Valued Time Series | |
CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
CN110300008A (zh) | 一种确定网络设备的状态的方法及装置 | |
CN110598768B (zh) | 一种齿轮故障分类方法、分类装置及可读存储介质 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN117237678A (zh) | 用电行为异常检测方法、装置、设备及存储介质 | |
CN107643472B (zh) | 计算短断路表差异度的方法 | |
CN111382052A (zh) | 代码质量评价方法、装置及电子设备 | |
CN110866839A (zh) | 基于多模型的地下电缆故障修复方法和装置 | |
CN114020971A (zh) | 一种异常数据检测方法及装置 | |
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 | |
CN110888811B (zh) | 代码覆盖率信息处理方法、装置、电子设备及介质 | |
CN106547690A (zh) | 基于新拟合判定标准下的软件可靠性建模方法及装置 | |
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 | |
CN111002348A (zh) | 机器人性能测试方法、机器人及计算机可读存储介质 | |
JPWO2021038840A5 (zh) | ||
CN116227239B (zh) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
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 |