CN110836770A - 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 - Google Patents
基于神经网络与特征频段的齿轮箱自动化故障诊断方法 Download PDFInfo
- Publication number
- CN110836770A CN110836770A CN201911148307.5A CN201911148307A CN110836770A CN 110836770 A CN110836770 A CN 110836770A CN 201911148307 A CN201911148307 A CN 201911148307A CN 110836770 A CN110836770 A CN 110836770A
- Authority
- CN
- China
- Prior art keywords
- fault
- frequency
- gear
- frequency band
- bearing
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法,齿轮的故障诊断:S1、采集样本齿轮箱的振动加速度信号,构建信号库;S2、对振动加速度信号进行傅里叶变换得到相应的幅频谱;S3、在幅频谱中提取若干组频段样本,并标记每一个样本的齿轮状态标签,构建齿轮故障频段库;S4、利用齿轮故障频段库来训练齿轮故障诊断神经网络;S5、提取待诊断齿轮箱中齿轮的幅频谱特征频段;S6、向齿轮故障诊断神经网络中输入幅频谱特征频段来诊断齿轮的故障概率。本发明利用齿轮箱振动信号在特征频段上的幅频谱作为特征信号来分别评估齿轮的故障状态,可以高效地自动化诊断当前故障,指导普通技术人员及时维修维护齿轮箱,明显提高了工作效率。
Description
技术领域
本发明属于机械故障诊断技术领域,具体涉及一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法。
背景技术
齿轮箱用于传递力与载荷,在机械工程领域得到了广泛的应用。然而,齿轮箱的工作环境通常较为恶劣与复杂,导致其长时间承受复杂交变负荷,而且运行工况变换频繁,加之温度、润滑、物理化学等多方面的影响,使得存在多种因素容易导致齿轮箱齿轮(如太阳轮、行星轮、齿圈等)形成点蚀、剥落与裂纹等故障。此外,轴承容易产生磨损、腐蚀、压痕等故障情况。
当齿轮箱发生故障时,需要及时地诊断出故障部件以高效地指导齿轮箱的维修维护工作。由于齿轮箱的齿轮及轴承往往被箱体遮挡而无法直接凭借肉眼观察来诊断,实际应用中往往以间接的手段来诊断齿轮箱故障,例如振动信号分析、油液分析、热成像分析等等。其中,振动信号分析适用性广,得到了广泛的应用。
然而,齿轮箱故障诊断工作目前主要依靠专业技术人员完成。人工诊断过程往往需要大量的人工分析过程,耗时耗力。并且人工诊断的准确性及其依赖于诊断人员专业知识与诊断经验,对普通技术人员门槛较高。
发明内容
本发明的目的在于提供一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法,本发明利用齿轮箱振动信号在特征频段上的幅频谱与包络频谱作为特征信号来分别评估齿轮与轴承的故障状态,可以高效地自动化诊断当前故障,指导普通技术人员及时维修维护齿轮箱,大大减少了工作人员的工作量,明显提高了工作效率。
为实现上述目的,本发明所采取的技术方案是:
一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,包括:
齿轮的故障诊断:
S1、采集样本齿轮箱的振动加速度信号,构建信号库;
S2、对振动加速度信号进行傅里叶变换得到相应的幅频谱;
S3、在幅频谱中提取若干组频段样本,并标记每一个样本的齿轮状态标签,构建齿轮故障频段库;
S4、利用齿轮故障频段库来训练齿轮故障诊断神经网络;
S5、提取待诊断齿轮箱中齿轮的幅频谱特征频段;
S6、向齿轮故障诊断神经网络中输入幅频谱特征频段来诊断齿轮的故障概率。
进一步地,所述步骤S3包括:定义幅频谱采样中心频率f1与边带宽度f2,m1倍边带的特征频率向量定义为f1±if2(i=1,2,...,m1);幅频谱中的频段定义为以每个特征频率为中心,宽度为w1的频段的集合;在提取频段样本时,m1与w1是预定义的;采样时,通过变化f1与f2来采集不同的频段;当样本的中心频率等于故障齿轮啮合频率的任一倍频,且样本的边带宽度等于故障齿轮故障频率时,则该样本的齿轮状态被定义为故障;齿轮故障频段库包括各个频段样本的幅频谱及对应的齿轮状态。
进一步地,所述步骤S4包括:以齿轮故障频段库中各频谱频段样本的幅频谱作为输入,以齿轮故障频段库中各频段样本对应的齿轮状态作为输出,训练齿轮故障诊断神经网络。
进一步地,所述步骤S5提取待诊断齿轮箱中齿轮的幅频谱特征频段包括:预定义待诊断齿轮箱中各个齿轮的参数,采集齿轮箱的转速信号,计算各个齿轮的啮合频率与故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做傅里叶变换得到相应的幅频谱;在该幅频谱中提取以齿轮啮合频率的前n倍频为中心频率,以齿轮故障频率为边带宽度的n个幅频谱特征频段。
进一步地,所述步骤S6诊断齿轮的故障概率包括:利用齿轮故障诊断神经网络诊断齿轮每个幅频谱特征频段的故障概率,得到齿轮的n个故障概率,将n个故障概率加权后求得齿轮的故障概率;以此类推,求得待诊断齿轮箱中各个齿轮的故障概率。
进一步地,还包括轴承的故障诊断:
S1、采集样本齿轮箱的振动加速度信号,构建信号库;
S2、对振动加速度信号进行希尔伯特变换得到相应的包络频谱;
S3、在包络频谱中提取若干组包频段样本,并标记每一个样本的轴承状态标签,构建轴承故障频段库;
S4、利用轴承故障频段库来训练轴承故障诊断神经网络;
S5、提取待诊断齿轮箱中轴承的包络频谱特征频段;
S6、向轴承故障诊断神经网络中输入包络频谱特征频段来诊断轴承的故障概率。
进一步地,所述步骤S3包括:定义包络频谱采样中心频率f3,包络频谱中的频段定义为以采样中心频率f3为中心,宽度为w2的频段;在提取频段样本时,w2是预定义的;采样时,通过变化f3来采集不同的频段;当样本的中心频率等于故障轴承故障频率的任一倍频时,该样本的轴承状态被定义为故障;轴承故障频段库包括各个频段样本的包络频谱及对应的轴承状态。
进一步地,所述步骤S4包括:以轴承故障频段库中各频段样本的包络频谱作为输入,以轴承故障频段库中各频段样本的轴承状态作为输出,训练轴承故障诊断神经网络。
进一步地,所述步骤S5提取待诊断齿轮箱中轴承的包络频谱特征频段包括:预定义待诊断齿轮箱中各个轴承的参数,采集齿轮箱的转速信号,计算各个轴承的内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做希尔伯特变换得到相应的包络频谱;采用相同的方式分别提取内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率的包络频谱特征频段,其中内圈故障频率的包络频谱特征频段提取包括:在该包络频谱中提取以内圈故障频率的前k倍频为中心频率,预定义宽度为w2的k个包络频谱特征频段。
进一步地,所述步骤S6诊断轴承的故障概率包括:采用相同的方式分别求得轴承内圈、外圈、滚动体和保持架的故障概率,其中求得内圈的故障概率包括:利用轴承故障诊断神经网络诊断轴承内圈对应的每个幅频谱特征频段的故障概率,得到轴承内圈的k个故障概率,将k个故障概率加权后求得轴承内圈的故障概率;以此类推,求得待诊断齿轮箱中各个轴承的故障概率。
本发明的有益效果为:
1、本发明利用齿轮箱振动信号在特征频段上的幅频谱与包络频谱作为特征信号来分别评估齿轮与轴承的故障状态,可以高效地自动化诊断当前故障,指导普通技术人员及时维修维护齿轮箱,大大减少了工作人员的工作量,明显提高了工作效率。本方法利用已有信号数据训练神经网络,以构建特征频段信号与零件故障之间的对应关系。在诊断时,结合待检测齿轮箱的齿轮/轴承参数信息与运行转速信息,利用所训练的神经网络诊断各个齿轮/轴承的故障概率。
2、区别于传统人工故障诊断手段,本发明采用了神经网络技术实现全自动化诊断,不依赖于技术人员对齿轮箱故障诊断方法的经验,使得诊断人工成本大大降低。同时,神经网络可并行计算的特点使得本方法的诊断速度快。
3、本发明采用特征频段的频谱与包络频谱信息诊断齿轮/轴承故障状态,极大地降低了神经网络训练所需的各类型故障信号数据量,便于工程推广。
4、本方法的泛化能力强,所训练的神经网络适用于不同型号的齿轮箱。
附图说明
图1为实施例中基于神经网络与特征频段的齿轮箱自动化故障诊断方法流程图。
图2为实施例中信号库中某个齿轮故障的齿轮箱的振动加速度信号的幅频谱示意图。
图3为实施例步骤三中齿轮状态标签为故障时的幅频谱频段示意图。
图4为实施例步骤三中齿轮状态标签为无故障时的幅频谱频段示意图。
图5为实施例中的齿轮故障诊断神经网络示意图。
图6为实施例中的轴承故障诊断神经网络示意图。
具体实施方式
为了更好地理解本发明,下面结合实施例和附图对本发明的技术方案做进一步的说明。
参见图1,一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法,齿轮箱的故障一般包括齿轮的故障和轴承的故障,其中轴承的故障又包括内圈、外圈、滚动体和保持架的故障,具体包括如下步骤:
步骤一、采集信号构建信号库:
在样本齿轮箱的机壳上采用加速度传感器采集到的振动加速度信号,并进行滤波处理,振动加速度信号包括齿轮/轴承在有/无故障时的振动信号,构建信号库。
步骤二、信号处理:
分别对信号库中的振动加速度信号进行傅里叶变换和希尔伯特变换,得到对应的幅频谱和包络频谱。
图2为在一个齿轮发生故障的齿轮箱的机壳上采用加速度传感器采集到的振动加速度信号的幅频谱。
步骤三、构建故障频段库:
在每一个幅频谱中提取若干组频段样本,并标记每一个样本的齿轮状态标签,构建齿轮故障频段库。
本实施例中,幅频谱频段采样时,预定义m1=3,w1=8。也即是,考虑三倍频边带,每个子频段宽度为8hz。以从图2采样幅频谱频段为例,图2信号来源的齿轮箱的故障齿轮的啮合频率为120.77hz,其故障频率为14.2hz。当采样中心频率f1=241.54hz,边带宽度f2=14.2hz时,所采集的幅频谱频段如图3中虚线框频段所示。此时,采样中心频率为故障齿轮啮合频率的二倍频,而且边带宽度等于故障齿轮的故障频率。因此,定义此幅频谱频段样本的齿轮状态标签为“故障”。当采样中心频率f1=180.0hz,边带宽度f2=14.2hz时,所采集的幅频谱频段如图4中虚线框频段所示。此幅频谱频段样本的齿轮状态标签为“无故障”。通过改变采样中心频率与边带宽度,可以采集到不同的幅频谱频段样本。
本实施例中,从10个齿轮故障齿轮箱的振动信号幅频谱中共提取20000组幅频谱频段样本,并定义每个样本的齿轮故障状态标签。
在每一个包络频谱中提取若干组频段样本,并标记每一个样本的轴承状态标签,构建轴承故障频段库。
本实施例中,包络频谱频段的宽度预设为w2=50hz。包络频谱频段采样时,当采样中心频率f3小于二分之一频段宽度时,在频段小于0hz处补零。当样本的中心频率等于故障轴承的故障频率的某一倍频时,该样本的轴承状态被定义为故障。通过改变采样中心频率,可以采集到不同的包络频谱频段样本。从10个轴承故障齿轮箱的振动信号包络频谱中共提取20000组包络频谱频段样本,并定义每个样本的轴承故障状态标签。
步骤四、创建神经网络:
以齿轮故障频段库中各个频段样本的幅频谱作为输入,以齿轮故障频段库中各个频段样本的齿轮状态作为输出,训练齿轮故障诊断神经网络。
本实施例中,构建的齿轮故障诊断神经网络框架如图5所示。该神经网络有三层,第一层为输入层(35个神经元),第二层为隐藏层(10个神经元),第三层为softmax输出神经元。利用齿轮故障频段库中的20000组数据训练该神经网络。将16000组数据作为训练用,将2000组数据作为验证用,将2000组数据作为测试用。
以轴承故障频段库中各个频段样本的包络频谱作为输入,以轴承故障频段库中各个频段样本的轴承状态作为输出,训练轴承故障诊断神经网络。
本实施例中,构建的轴承故障诊断神经网络框架如图6所示。该神经网络有三层,第一层为输入层(51个神经元),第二层为隐藏层(10个神经元),第三层为softmax输出神经元。利用轴承故障频段库中的20000组数据训练该神经网络。将16000组数据作为训练用,将2000组数据作为验证用,将2000组数据作为测试用。
步骤五、提取待诊断齿轮箱特征:
提取待诊断齿轮箱中齿轮的幅频谱特征频段:预定义待诊断齿轮箱中各个齿轮的参数,采集齿轮箱的转速信号,计算各个齿轮的啮合频率与故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做傅里叶变换得到相应的幅频谱;在该幅频谱中提取以齿轮啮合频率的前n倍频为中心频率,以齿轮故障频率为边带宽度的n个幅频谱特征频段。
提取待诊断齿轮箱中轴承的包络频谱特征频段:预定义待诊断齿轮箱中各个轴承的参数,采集齿轮箱的转速信号,计算各个轴承的内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做希尔伯特变换得到相应的包络频谱;采用相同的方式分别提取内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率的包络频谱特征频段,其中内圈故障频率的包络频谱特征频段提取包括:在该包络频谱中提取以内圈故障频率的前k倍频为中心频率,预定义宽度为w2的k个包络频谱特征频段。
实施例中,以一个两级平行轴齿轮箱为诊断对象。该齿轮箱的第一级齿轮组齿数为22、78,第二级齿轮组齿数为21、75。轴1、2、3的轴承型号分别为32311U,32315U,32224U。将加速度传感器布置在靠近输入轴的机壳上,采集加速度振动信号。测量到的齿轮箱输入轴转速为1030r/min。
步骤六、诊断齿轮箱的故障概率:
利用齿轮故障诊断神经网络诊断各个齿轮的故障概率包括:利用齿轮故障诊断神经网络诊断齿轮每个幅频谱特征频段的故障概率,得到齿轮的n个故障概率,将n个故障概率加权后求得齿轮的故障概率;以此类推,求得待诊断齿轮箱中各个齿轮的故障概率。
对待检测齿轮箱的振动信号做傅里叶变换分析得到相应的幅频谱。由齿轮参数信息与转速信息求得四个齿轮的啮合频率与故障频率。以诊断齿轮1的故障概率为例:提取以齿轮1的啮合频率的前三倍频为中心频率,以该齿轮的故障频率为边带宽度的三个幅频谱特征频段。利用齿轮故障诊断神经网络诊断每个幅频谱特征频段的故障概率,得到齿轮1的三个故障概率。将三个故障概率加权后求得齿轮1的故障概率。以此类推,四个齿轮的故障概率如表1所示。
表1四个齿轮的故障概率
利用轴承故障诊断神经网络诊断各个轴承的故障概率包括:采用相同的方式分别求得轴承内圈、外圈、滚动体和保持架的故障概率,其中求得内圈的故障概率包括:利用轴承故障诊断神经网络诊断轴承内圈对应的每个幅频谱特征频段的故障概率,得到轴承内圈的k个故障概率,将k个故障概率加权后求得轴承内圈的故障概率;以此类推,求得待诊断齿轮箱中各个轴承的故障概率。
对待检测齿轮箱的振动信号做希尔伯特变换分析得到相应的包络频谱。由轴承参数信息与转速信息求得三个轴承的四种类型故障的故障频率。以诊断轴承1外圈的故障概率为例:提取以轴承1外圈故障频率的一倍频为中心频率,宽度为50hz的包络频谱频段。利用轴承故障诊断神经网络诊断该频段的故障概率,得到轴承1外圈的故障概率。以此类推,三个轴承的每种类型故障的故障概率如表2所示。
表2三个轴承每种类型故障的故障概率
外圈故障概率 | 内圈故障概率 | 滚动体故障概率 | 保持架故障概率 | |
轴承1 | 0.9999 | 0 | 0 | 0.2395 |
轴承2 | 0.0487 | 0 | 0 | 0 |
轴承3 | 0.0006 | 0 | 0.3439 | 0 |
从诊断结果可以看出,轴承1外圈额故障概率最高且接近1,而其他轴承及齿轮的故障概率接近0。因此,诊断结果为待诊断齿轮箱的轴承1外圈发生故障。拆解待诊断齿轮箱发现,轴承1外圈局部材料剥落,而其它轴承及齿轮未发现明显故障。更换轴承1后,振动加速度信号的时域指标恢复正常,表明该齿轮箱无故障。由此验证了本发明方法的可行性与准确性。
本实施案例中,所发明的自动化故障诊断方法在一秒内计算出每种故障的故障概率。由此验证了本发明方法的高效性。
以上说明仅为本发明的应用实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等效变化,仍属本发明的保护范围。
Claims (10)
1.一种基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,包括:
齿轮的故障诊断:
S1、采集样本齿轮箱的振动加速度信号,构建信号库;
S2、对振动加速度信号进行傅里叶变换得到相应的幅频谱;
S3、在幅频谱中提取若干组频段样本,并标记每一个样本的齿轮状态标签,构建齿轮故障频段库;
S4、利用齿轮故障频段库来训练齿轮故障诊断神经网络;
S5、提取待诊断齿轮箱中齿轮的幅频谱特征频段;
S6、向齿轮故障诊断神经网络中输入幅频谱特征频段来诊断齿轮的故障概率。
2.根据权利要求1所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S3包括:定义幅频谱采样中心频率f1与边带宽度f2,m1倍边带的特征频率向量定义为f1±if2(i=1,2,...,m1);幅频谱中的频段定义为以每个特征频率为中心,宽度为w1的频段的集合;在提取频段样本时,m1与w1是预定义的;采样时,通过变化f1与f2来采集不同的频段;当样本的中心频率等于故障齿轮啮合频率的任一倍频,且样本的边带宽度等于故障齿轮故障频率时,则该样本的齿轮状态被定义为故障;齿轮故障频段库包括各个频段样本的幅频谱及对应的齿轮状态。
3.根据权利要求2所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S4包括:以齿轮故障频段库中各频谱频段样本的幅频谱作为输入,以齿轮故障频段库中各频段样本对应的齿轮状态作为输出,训练齿轮故障诊断神经网络。
4.根据权利要求3所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S5提取待诊断齿轮箱中齿轮的幅频谱特征频段包括:预定义待诊断齿轮箱中各个齿轮的参数,采集齿轮箱的转速信号,计算各个齿轮的啮合频率与故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做傅里叶变换得到相应的幅频谱;在该幅频谱中提取以齿轮啮合频率的前n倍频为中心频率,以齿轮故障频率为边带宽度的n个幅频谱特征频段。
5.根据权利要求4所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S6诊断齿轮的故障概率包括:利用齿轮故障诊断神经网络诊断齿轮每个幅频谱特征频段的故障概率,得到齿轮的n个故障概率,将n个故障概率加权后求得齿轮的故障概率;以此类推,求得待诊断齿轮箱中各个齿轮的故障概率。
6.根据权利要求1-5任一所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,还包括轴承的故障诊断:
S1、采集样本齿轮箱的振动加速度信号,构建信号库;
S2、对振动加速度信号进行希尔伯特变换得到相应的包络频谱;
S3、在包络频谱中提取若干组包频段样本,并标记每一个样本的轴承状态标签,构建轴承故障频段库;
S4、利用轴承故障频段库来训练轴承故障诊断神经网络;
S5、提取待诊断齿轮箱中轴承的包络频谱特征频段;
S6、向轴承故障诊断神经网络中输入包络频谱特征频段来诊断轴承的故障概率。
7.根据权利要求6所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S3包括:定义包络频谱采样中心频率f3,包络频谱中的频段定义为以采样中心频率f3为中心,宽度为w2的频段;在提取频段样本时,w2是预定义的;采样时,通过变化f3来采集不同的频段;当样本的中心频率等于故障轴承故障频率的任一倍频时,该样本的轴承状态被定义为故障;轴承故障频段库包括各个频段样本的包络频谱及对应的轴承状态。
8.根据权利要求7所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S4包括:以轴承故障频段库中各频段样本的包络频谱作为输入,以轴承故障频段库中各频段样本的轴承状态作为输出,训练轴承故障诊断神经网络。
9.根据权利要求8所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S5提取待诊断齿轮箱中轴承的包络频谱特征频段包括:预定义待诊断齿轮箱中各个轴承的参数,采集齿轮箱的转速信号,计算各个轴承的内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率;采集待诊断齿轮箱的振动加速度信号,对该振动加速度信号做希尔伯特变换得到相应的包络频谱;采用相同的方式分别提取内圈故障频率、外圈故障频率、滚动体故障频率和保持架故障频率的包络频谱特征频段,其中内圈故障频率的包络频谱特征频段提取包括:在该包络频谱中提取以内圈故障频率的前k倍频为中心频率,预定义宽度为w2的k个包络频谱特征频段。
10.根据权利要求9所述的基于神经网络与特征频段的齿轮箱自动化故障诊断方法,其特征在于,所述步骤S6诊断轴承的故障概率包括:采用相同的方式分别求得轴承内圈、外圈、滚动体和保持架的故障概率,其中求得内圈的故障概率包括:利用轴承故障诊断神经网络诊断轴承内圈对应的每个幅频谱特征频段的故障概率,得到轴承内圈的k个故障概率,将k个故障概率加权后求得轴承内圈的故障概率;以此类推,求得待诊断齿轮箱中各个轴承的故障概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148307.5A CN110836770A (zh) | 2019-11-21 | 2019-11-21 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148307.5A CN110836770A (zh) | 2019-11-21 | 2019-11-21 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110836770A true CN110836770A (zh) | 2020-02-25 |
Family
ID=69577031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148307.5A Pending CN110836770A (zh) | 2019-11-21 | 2019-11-21 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110836770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639621A (zh) * | 2020-06-08 | 2020-09-08 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2656272A1 (de) * | 1976-12-11 | 1978-06-15 | Daimler Benz Ag | Verfahren und vorrichtung zur ermittlung von fehlern an automatikgetrieben von kraftfahrzeugen |
TW434056B (en) * | 2000-04-10 | 2001-05-16 | China Steel Corp | Vibration diagnostic method for deterioration and malfunction of clamping rollers of coiling machine for heat rolling steel belts |
CN2663986Y (zh) * | 2003-12-26 | 2004-12-15 | 湖南科技大学 | 一种用于列车轮对运行状态的智能型监测装置 |
US20120303294A1 (en) * | 2010-03-22 | 2012-11-29 | Bell Helicopter Textron Inc. | System and Method for Developing Fault Diagnostics and Failure Prognosis of Spline Wear in a Drive System |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN107665337A (zh) * | 2017-09-21 | 2018-02-06 | 中国人民解放军国防科技大学 | 一种轴承滚动体故障增强诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
CN110455530A (zh) * | 2019-09-18 | 2019-11-15 | 福州大学 | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 |
-
2019
- 2019-11-21 CN CN201911148307.5A patent/CN110836770A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2656272A1 (de) * | 1976-12-11 | 1978-06-15 | Daimler Benz Ag | Verfahren und vorrichtung zur ermittlung von fehlern an automatikgetrieben von kraftfahrzeugen |
TW434056B (en) * | 2000-04-10 | 2001-05-16 | China Steel Corp | Vibration diagnostic method for deterioration and malfunction of clamping rollers of coiling machine for heat rolling steel belts |
CN2663986Y (zh) * | 2003-12-26 | 2004-12-15 | 湖南科技大学 | 一种用于列车轮对运行状态的智能型监测装置 |
US20120303294A1 (en) * | 2010-03-22 | 2012-11-29 | Bell Helicopter Textron Inc. | System and Method for Developing Fault Diagnostics and Failure Prognosis of Spline Wear in a Drive System |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN107665337A (zh) * | 2017-09-21 | 2018-02-06 | 中国人民解放军国防科技大学 | 一种轴承滚动体故障增强诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
CN110455530A (zh) * | 2019-09-18 | 2019-11-15 | 福州大学 | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
艾延廷 等编著: "《航空发动机状态监测与故障诊断技术》", 31 July 2017 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639621A (zh) * | 2020-06-08 | 2020-09-08 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
CN111639621B (zh) * | 2020-06-08 | 2023-11-17 | 深圳时珍智能物联技术有限公司 | 一种传感器信号诊断故障的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
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 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN110866365A (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN103048133B (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN112257528B (zh) | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 | |
CN109596349B (zh) | 一种基于vmd和pct的减速器故障诊断方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN110836770A (zh) | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 | |
CN113673442B (zh) | 一种基于半监督单分类网络的变工况故障检测方法 | |
CN114444222A (zh) | 相似度计算模型、跨类别数据诊断模型、方法和系统 | |
CN116415185B (zh) | 一种基于工业互联网的滚动轴承监测方法、设备及介质 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
CN111947927B (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
Koukoura et al. | Wind turbine gearbox planet bearing failure prediction using vibration data | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 | |
CN114970044B (zh) | 一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统 | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Li et al. | Bearing fault diagnosis method using envelope analysis and euclidean distance | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |