CN111220312A - 一种螺栓状态的诊断方法及系统 - Google Patents

一种螺栓状态的诊断方法及系统 Download PDF

Info

Publication number
CN111220312A
CN111220312A CN202010127363.7A CN202010127363A CN111220312A CN 111220312 A CN111220312 A CN 111220312A CN 202010127363 A CN202010127363 A CN 202010127363A CN 111220312 A CN111220312 A CN 111220312A
Authority
CN
China
Prior art keywords
bolt
signal
sample
diagnosed
obtaining
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
Application number
CN202010127363.7A
Other languages
English (en)
Inventor
焦标强
曹建行
吕宝佳
宋跃超
陈德峰
齐冀
赵鹏
杨广楠
孟红芳
范荣巍
徐勇航
谷子琛
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.)
China Academy of Railway Sciences Corp Ltd CARS
Locomotive and Car Research Institute of CARS
Beijing Zongheng Electromechanical Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Locomotive and Car Research Institute of CARS
Beijing Zongheng Electromechanical Technology Co Ltd
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 China Academy of Railway Sciences Corp Ltd CARS, Locomotive and Car Research Institute of CARS, Beijing Zongheng Electromechanical Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202010127363.7A priority Critical patent/CN111220312A/zh
Publication of CN111220312A publication Critical patent/CN111220312A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/24—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed
    • G01L5/246—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed using acoustic waves
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种螺栓状态的诊断方法及系统，所述方法包括：采集待诊断螺栓的第一振动信号和第二振动信号；根据第一振动信号和第二振动信号的信号差，获得信号差的自相关函数；对信号差的自相关函数进行小波包N层分解，提取频率成分信号；根据每个频率成分信号，获得每个频率信号对应的信号能量；根据各个频率信号对应的信号能量，获得诊断特征向量；将诊断特征向量输入至螺栓状态诊断模型，输出待诊断螺栓的状态诊断结果，螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的。所述装置用于执行上述方法。本发明实施例提供的螺栓状态的诊断方法及系统，提高了螺栓状态诊断的可靠性。

Description

一种螺栓状态的诊断方法及系统
技术领域
本发明涉及设备维护技术领域，具体涉及一种螺栓状态的诊断方法及系统。
背景技术
螺栓连接是一种常见的机械连接方式，具有易拆卸、不破坏结构件等优点被广泛应用于铁路、车辆、桥梁和工程设备等领域。
螺栓连接在使用过程中由于受到振动、冲击和腐蚀等因素影响，会导致螺栓松动、变形、脱落和断裂，进而引发设备故障，甚至造成巨大的经济损失和安全事故。现有技术中，针对螺栓松动的诊断主要有图像识别法和符号标记法。图像识别法需要在螺栓连接部位的转动部分和非转动部分上标记符号，但机械设备在长期服役中标记符号易被污垢遮挡或脱落，导致无法进行图像判断，难以满足实际需求。符号标记法是螺栓紧固状态下在螺杆和螺栓上画线，同图像识别法一样，螺栓在长期服役过程中预先划定的线条会被遮挡或脱落，无法满足现实工程需求。
发明内容
针对现有技术中的问题，本发明实施例提供一种螺栓状态的诊断方法及系统，能够至少部分地解决现有技术中存在的问题。
一方面，本发明提出一种螺栓状态的诊断方法，包括：
采集待诊断螺栓的第一振动信号和第二振动信号；
根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；
对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；
根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；
将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
另一方面，本发明提供一种螺栓状态的诊断系统，包括：
采集模块，用于采集待诊断螺栓的第一振动信号和第二振动信号；
第一获得模块，用于根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；
小波分解模块，用于对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
第二获得模块，用于根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；
第三获得模块，用于根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；
诊断模块，用于将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
再一方面，本发明提供一种电子设备，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，所述处理器执行所述程序时实现上述任一实施例所述螺栓状态的诊断方法的步骤。
又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述螺栓状态的诊断方法的步骤。
本发明实施例提供的螺栓状态的诊断方法及系统，能够采集待诊断螺栓的第一振动信号和第二振动信号，根据待诊断螺栓的第一振动信号和第二振动信号的信号差，获得待诊断螺栓的信号差的自相关函数，对待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为待诊断螺栓对应的频率成分信号，根据待诊断螺栓对应的每个频率成分信号，获得待诊断螺栓对应的每个频率信号对应的信号能量，根据待诊断螺栓对应的各个频率信号对应的信号能量，获得待诊断螺栓对应的诊断特征向量，将诊断特征向量输入至螺栓状态诊断模型，输出待诊断螺栓的状态诊断结果，提高了螺栓状态诊断的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1是本发明一实施例提供的螺栓状态的诊断方法的流程示意图。
图2是本发明另一实施例提供的螺栓状态的诊断方法的流程示意图。
图3是本发明又一实施例提供的螺栓状态的诊断方法的流程示意图。
图4是本发明再一实施例提供的螺栓状态的诊断方法的流程示意图。
图5是本发明一实施例提供的制动盘的样本连接螺栓的第一振动测量点和第二振动测量点的传感器安装示意图；
图6是本发明一实施例提供的制动盘的样本连接螺栓的激励点布置示意图；
图7是本发明一实施例提供的螺栓状态的诊断系统的结构示意图。
图8是本发明另一实施例提供的螺栓状态的诊断系统的结构示意图。
图9是本发明又一实施例提供的螺栓状态的诊断系统的结构示意图。
图10是本发明再一实施例提供的螺栓状态的诊断系统的结构示意图。
图11是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的螺栓状态的诊断方法的流程示意图，如图1所示，本发明实施例提供的螺栓状态的诊断方法，包括：
S101、采集待诊断螺栓的第一振动信号和第二振动信号；
具体地，在待诊断螺栓头部的顶端选择一点作为所述待诊断螺栓的第一振动测量点，在被紧固件与螺栓头部接触的平面上选择一点作为所述待诊断螺栓的第二振动测量点，并在被紧固件与螺母接触的平面上选择一点作为所述待诊断螺栓的激励点，上述螺母是与所述待诊断螺栓配合的螺母。采用激励装置在所述待诊断螺栓的激励点施加脉冲激励，通过加速度传感器在所述待诊断螺栓的第一振动测量点采集第一振动信号，在所述待诊断螺栓的第二振动测量点采集第二振动信号，从而获得所述待诊断螺栓的第一振动信号和第二振动信号。其中，所述第一振动测量点、所述第二振动测量点以及激励点的选择，根据实际经验进行设置，本发明实施例不做限定。所述激励装置包括但不限于力锤。
S102、根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；
具体地，在获得所述待诊断螺栓的第一振动信号和第二振动信号之后，计算所述第一振动信号和第二振动信号的信号差，然后对上述信号差通过相关性分析计算获得所述待诊断螺栓的信号差的自相关函数。
例如，采集获得的所述待诊断螺栓的第一振动信号为yt(t)，所述待诊断螺栓的第二振动信号为ya(t)，那么所述待诊断螺栓的第一振动信号和第二振动信号的信号差D(t)可以表示为：
D(t)＝yt(t)-ya(t)
然后对所述待诊断螺栓的信号差D(t)进行相关性分析计算，可以获得所述待诊断螺栓的信号差的自相关函数Rx(τ)为：
Figure BDA0002394799420000041
其中，t表示时间，τ表示延迟时间，T表示信号D(t)的观测时间。
S103、对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
具体地，在获得所述待诊断螺栓的信号差的自相关函数之后，将所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，重构各频带内的小波包系数，提取第N层从低频到高频2N个频率成分信号，每个频率成分信号对应一个频率段。其中，N根据实际需要进行选择，本发明实施例不做限定；每个频率成分信号对应的频率段根据实际经验进行设置，本发明实施例不做限定。
例如，对所述待诊断螺栓的信号差的自相关函数采用预设分解公式进行小波包分解，所述预设分解公式为：
Figure BDA0002394799420000051
Figure BDA0002394799420000052
其中，l表示小波包分解的第l层，l为正整数且l小于等于N，j为离散尺度指标(频域参数)，k为离散平移度指标(时间参数)，n为频率参数指标(震荡次数)，
Figure BDA0002394799420000053
表示经小波包分解得到的低频信号，
Figure BDA0002394799420000054
表示经小波包分解得到的高频信号，hk-2l表示小波分解滤波器，与尺度函数有关，gk-2l表示小波分解滤波器，与小波函数有关。
然后根据预设重构公式，提取第N层从低频到高频2N个频率成分信号，所述预设重构公式为：
Figure BDA0002394799420000055
其中，pl-2k为hk-2l的对偶滤波器，ql-2k为gk-2l的对偶滤波器，
Figure BDA0002394799420000056
表示频率成分信号。
S104、根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；
具体地，在获得所述待诊断螺栓对应的每个频率成分信号之后，可以根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量。
例如，获得所述待诊断螺栓对应的每个频率成分信号分别为
Figure BDA0002394799420000057
Figure BDA0002394799420000058
可以根据信号能量计算公式计算每个频率信号对应的信号能量，所述信号能量计算公式为：
Figure BDA0002394799420000061
其中，Ei为所述待诊断螺栓对应的第i个频率成分信号对应的信号能量，Si为所述待诊断螺栓对应的第i个频率成分信号，xik为Si的第k个离散点的幅值，m为正整数。
S105、根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；
具体地，在获得所述待诊断螺栓对应的各个频率信号对应的信号能量之后，以所述待诊断螺栓对应的各个频率信号对应的信号能量为元素，构成特征向量，将上述特征向量作为所述待诊断螺栓对应的诊断特征向量。
例如，获得所述待诊断螺栓对应的各个频率信号对应的信号能量分别为：
Figure BDA0002394799420000062
Figure BDA0002394799420000063
那么所述待诊断螺栓对应的诊断特征向量T为：
Figure BDA0002394799420000064
S106、将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
具体地，在获得所述待诊断螺栓对应的诊断特征向量之后，将所述诊断特征向量作为螺栓状态诊断模型的输入，经过所述螺栓状态诊断模型的处理之后，可以输出所述待诊断螺栓的状态诊断结果，所述状态诊断结果可以是螺栓处于松动状态或者螺栓处于紧固状态，对于处于松动状态的待诊断螺栓，可以提示检修人员进行检修。其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签用于表明螺栓训练样本的状态，例如所述状态标签为松动或者紧固，所述状态标签为松动表明对应的螺栓处于松动状态，所述状态标签为紧固表明对应的螺栓处于紧固状态，所述状态标签与所述样本特征向量对应。
本发明实施例提供的螺栓状态的诊断方法，能够采集待诊断螺栓的第一振动信号和第二振动信号，根据待诊断螺栓的第一振动信号和第二振动信号的信号差，获得待诊断螺栓的信号差的自相关函数，对待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为待诊断螺栓对应的频率成分信号，根据待诊断螺栓对应的每个频率成分信号，获得待诊断螺栓对应的每个频率信号对应的信号能量，根据待诊断螺栓对应的各个频率信号对应的信号能量，获得待诊断螺栓对应的诊断特征向量，将诊断特征向量输入至螺栓状态诊断模型，输出待诊断螺栓的状态诊断结果，提高了螺栓状态诊断的可靠性。此外，还可以提高日常检修效率并降低检修成本。
图2是本发明另一实施例提供的螺栓状态的诊断方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，基于螺栓训练样本的样本特征向量以及对应的状态标签训练获得所述螺栓状态诊断模型的步骤包括：
S201、获得所述螺栓训练样本；
具体地，所述螺栓训练样本包括样本特征向量以及对应的状态标签，所述样本特征向量与样本螺栓对应，所述样本螺栓可以通过模拟螺栓的不同状态获得。通过采集每个样本螺栓的第一振动信号和第二振动信号，然后进行处理，可以获得每个样本螺栓对应的样本特征向量。根据所述样本螺栓的状态，可以预先确定所述样本螺栓的状态标签，将所述样本螺栓的状态标签作为样本特征向量对应的状态标签。其中，所述样本特征向量的具体获得过程见下文所述，此处不进行赘述；所述状态标签的种类根据实际需要进行设置，本发明实施例不做限定。
例如，在拧紧样本螺栓时，对不同的样本螺栓采用不同的预紧力，得到所述螺栓训练样本对应的样本螺栓。设置预紧力阈值，可以通过样本螺栓的预紧力来确定所述样本螺栓的状态标签，可以设置预紧力大于等于预紧力阈值的样本螺栓，对应的状态标签为紧固，预紧力小于预紧力阈值的样本螺栓，对应的状态标签为紧固。为了细化螺栓状态，可以根据预紧力对螺栓的状态进行分级，比如分为六级，预紧力小于第一阈值的样本螺栓，对应的状态标签为第一松动状态；预紧力大于等于第一阈值且小于第二阈值的样本螺栓，对应的状态标签为第二松动状态；预紧力大于等于第二阈值且小于第三阈值的样本螺栓，对应的状态标签为第三松动状态；预紧力大于等于第三阈值且小于第四阈值的样本螺栓，对应的状态标签为第一紧固状态；预紧力大于等于第四阈值且小于第五阈值的样本螺栓，对应的状态标签为第二紧固状态；预紧力大于等于第五阈值的样本螺栓，对应的状态标签为第三紧固状态。其中，所述预紧力阈值、所述第一阈值、所述第二阈值、所述第三阈值、所述第四阈值、所述第五阈值根据实际需要进行设置，本发明实施例不做限定。
S202、通过所述螺栓训练样本的样本特征向量以及对应的状态标签对支持向量机模型进行训练，获得所述螺栓状态诊断模型。
具体地，将所述螺栓训练样本分为训练集和测试集，通过训练集的样本特征向量以及对应的状态标签对支持向量机模型进行分类训练，获得初始螺栓状态诊断模型，然后通过测试集的样本特征向量以及对应的状态标签对所述初始螺栓状态诊断模型的准确性进行验证，将准确性超过预设值的初始螺栓状态诊断模型，作为所述螺栓状态诊断模型。其中，所述预设值根据实际经验进行设置，本发明实施例不做限定。支持向量机模型的具体训练过程为现有技术，此处不进行赘述。
图3是本发明又一实施例提供的螺栓状态的诊断方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，所述获得所述螺栓训练样本包括：
S2011、采集样本螺栓的第一振动信号和第二振动信号；其中，所述螺栓训练样本对应预设数量个样本螺栓；
具体地，所述螺栓训练样本对应预设数量个样本螺栓，所述样本螺栓可以通过模拟螺栓的不同状态获得。对于所述样本螺栓，采集所述样本螺栓的第一振动信号和第二振动信号。其中，所述样本螺栓的第一振动信号和第二振动信号的具体采集过程与步骤S101中所述待诊断螺栓的第一振动信号和第二振动信号的具体采集过程类似，此处不进行赘述。所述螺栓训练样本对应预设数量个样本螺栓，所述预设数量根据实际需要进行设置，本发明实施例不做限定。
S2012、根据所述样本螺栓的第一振动信号和第二振动信号的信号差，获得所述样本螺栓的第一振动信号和第二振动信号的自相关函数；
具体地，在获得所述样本螺栓的第一振动信号和第二振动信号之后，计算所述样本螺栓的第一振动信号和第二振动信号的信号差，然后对上述信号差通过相关性分析计算获得所述样本螺栓的信号差的自相关函数。
S2013、对所述样本螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述样本螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
具体地，在获得所述样本螺栓的信号差的自相关函数之后，将所述样本螺栓的信号差的自相关函数进行小波包N层分解，重构各频带内的小波包系数，提取第N层从低频到高频2N个频率成分信号，每个频率成分信号对应一个频率段。其中，N根据实际需要进行选择，本发明实施例不做限定；每个频率成分信号对应的频率段根据实际经验进行设置，本发明实施例不做限定。
S2014、根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量；
具体地，在获得所述样本螺栓对应的每个频率成分信号之后，可以根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量。
S2015、根据所述样本螺栓对应的各个频率信号对应的信号能量，获得所述样本螺栓对应的样本特征向量。
具体地，在获得所述样本螺栓对应的各个频率信号对应的信号能量之后，以所述样本螺栓对应的各个频率信号对应的信号能量为元素，构建特征向量，获得所述样本螺栓对应的样本特征向量。对于所述螺栓训练样本对应的每个样本螺栓，都可以采用步骤S2011至S2015所述的方法，获得每个样本螺栓对应的样本特征向量。
图4是本发明再一实施例提供的螺栓状态的诊断方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，所述根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量包括：
S1051、对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值；
具体地，当所述待诊断螺栓对应的各个频率信号对应的信号能量相差较大时，由于各个信号能量数量级的不同会给数据分析带来不便，可以对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值。
例如，所述待诊断螺栓对应的各个频率信号对应的信号能量分别为：
Figure BDA0002394799420000091
Figure BDA0002394799420000092
那么各个能量信号的归一化值分别为
Figure BDA0002394799420000093
其中，
Figure BDA0002394799420000094
S1052、根据各个信号能量的归一化值，获得所述诊断特征向量。
具体地，在获得所述待诊断螺栓对应的各个频率信号对应的信号能量的归一化值之后，以所述待诊断螺栓对应的各个频率信号对应的信号能量的归一化值为元素，构成所述诊断特征向量。
例如，获得所述待诊断螺栓对应的各个频率信号对应的信号能量的归一化值分别为：
Figure BDA0002394799420000101
那么所述诊断特征向量T*为：
Figure BDA0002394799420000102
下面以对制动盘的螺栓状态诊断为例说明本发明实施例提供的螺栓状态的诊断方法的实现过程。
制动盘作为高速列车制动系统的关键核心部件，其动力学特性直接影响到整车运行安全和运营成本，为了实现对制动盘的连接螺栓机械状态的检测，首先需要建立针对制动盘的连接螺栓的螺栓状态诊断模型，所述制动盘的连接螺栓的螺栓状态诊断模型的建立步骤如下：
第一步、采集制动盘的样本连接螺栓的第一振动信号和第二振动信号。在制动盘的样本连接螺栓头部顶端选择一点作为第一振动测量点Pt，在制动盘的样本连接螺栓头部所在的制动盘面内选择一点作为第二振动测量点Pa，同时选择该样本连接螺栓对应的螺母所在的制动盘面内的一点作为激励点E。如图6所示，采用激励装置在激励点E处施加脉冲激励x(t)，如图5所示，通过加速度传感器在第一振动测量点Pt采集获得样本连接螺栓的第一振动信号yt(t)，并通过加速度传感器在第二振动测量点Pa采集获得样本连接螺栓的第二振动信号ya(t)。其中，在制动盘上拧紧样本连接螺栓时，采用预设预紧力，根据该样本连接螺栓的预设预紧力以及预紧力阈值，可以确定该样本连接螺栓的状态标签，例如该样本连接螺栓的状态标签为紧固。
第二步、计算所述样本连接螺栓的第一振动信号yt(t)和第二振动信号ya(t)的信号差D(t)，D(t)＝yt(t)-ya(t)，然后对信号差D(t)相关性分析计算，获得所述样本连接螺栓的信号差的自相关函数Rx(τ)，
Figure BDA0002394799420000103
第三步、对所述样本连接螺栓的信号差的自相关函数Rx(τ)进行小波包N层分解，这里N＝8，提取第8层的256个频率成分信号作为所述样本连接螺栓对应的频率成分信号S1，S2，…，Si，…，S256，所述样本连接螺栓对应的每个频率成分信号对应一个频率段，各个频率段相等。
第四步、根据所述信号能量计算公式
Figure BDA0002394799420000111
计算所述样本连接螺栓对应的频率成分信号S1，S2，…，Si，…，S256中每个频率成分信号对应的信号能量，获得所述样本连接螺栓对应的各个频率成分信号对应的信号能量分别为E1，E2，…，E256。
第五步、对所述样本连接螺栓对应的各个频率成分信号对应的信号能量进行归一化处理，获得所述样本连接螺栓对应的各个频率成分信号对应的信号能量的归一化值分别为E1/E，E2/E，…，E256/E。
第六步、以所述样本连接螺栓对应的各个频率成分信号对应的信号能量的归一化值为元素，构成所述样本连接螺栓对应的样本特征向量T*，T*＝[E1/E，E2/E，…，E256/E]，该样本特征向量对应的状态标签为紧固。
第七步、重复第一步至第六步，直到获得预设数量个样本连接螺栓对应的样本特征向量，以及各自对应的状态标签，从而获得了所述制动盘的连接螺栓的螺栓状态诊断模型的螺栓训练样本。
第八步、将上述螺栓训练样本分为训练集和测试集，通过训练集的样本特征向量以及对应的状态标签对支持向量机模型进行分类训练，获得初始螺栓状态诊断模型，然后通过测试集的样本特征向量以及对应的状态标签对所述初始螺栓状态诊断模型的准确性进行验证，将准确性超过预设值的初始螺栓状态诊断模型，作为所述制动盘的连接螺栓的螺栓状态诊断模型。
在获得所述制动盘的连接螺栓的螺栓状态诊断模型之后，可以利用上述螺栓状态诊断模型对制动盘上的连接螺栓进行状态诊断。对制动盘的连接螺栓的诊断步骤如下：
第一步、采集制动盘的待诊断螺栓的第一振动信号和第二振动信号，并进行降噪处理。
第二步、根据所述待诊断螺栓的降噪处理后的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数。
第三步、对所述待诊断螺栓的信号差的自相关函数进行小波包8层分解，提取第8层的256个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段。
第四步、根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量。
第五步、对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值；
第六步、根据各个信号能量的归一化值，获得述待诊断螺栓对应的诊断特征向量
第七步、将所述诊断特征向量输入至所述制动盘的连接螺栓的螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果。
本发明实施例提供的螺栓状态的诊断方法，能够实现对制动盘长期服役过程中连接螺栓机械状态的检测，提高了制动盘的连接螺栓的诊断的可靠性，并提高了对制动盘的连接螺栓的日常检修效率并降低了检修成本。
本发明实施例提供的螺栓状态的诊断方法，在考虑振动信号传递路径下采用机器学习方式自适应诊断螺栓状态，适用于复杂结构螺栓联接中的螺栓状态的诊断，延长机械设备的服役期和降低设备日常检修成本，具有良好的工程实际应用前景。
图7是本发明一实施例提供的螺栓状态的诊断系统的结构示意图，如图7所示，在上述各实施例的基础上，进一步地，本发明实施例提供的螺栓状态的诊断系统包括采集模块701、第一获得模块702、小波分解模块703、第二获得模块704、第三获得模块705和诊断模块706，其中：
采集模块701用于采集待诊断螺栓的第一振动信号和第二振动信号；第一获得模块702用于根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；小波分解模块703用于对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；第二获得模块704用于根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；第三获得模块705用于根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；诊断模块706用于将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
具体地，在待诊断螺栓头部的顶端选择一点作为所述待诊断螺栓的第一振动测量点，在被紧固件与螺栓头部接触的平面上选择一点作为所述待诊断螺栓的第二振动测量点，并在被紧固件与螺母接触的平面上选择一点作为所述待诊断螺栓的激励点，上述螺母是与所述待诊断螺栓配合的螺母。采用激励装置在所述待诊断螺栓的激励点施加脉冲激励，采集模块701通过加速度传感器在所述待诊断螺栓的第一振动测量点采集第一振动信号，在所述待诊断螺栓的第二振动测量点采集第二振动信号，从而获得所述待诊断螺栓的第一振动信号和第二振动信号。其中，所述第一振动测量点、所述第二振动测量点以及激励点的选择，根据实际经验进行设置，本发明实施例不做限定。所述激励装置包括但不限于采用力锤
在获得所述待诊断螺栓的第一振动信号和第二振动信号之后，第一获得模块702计算所述第一振动信号和第二振动信号的信号差，然后对上述信号差通过相关性分析计算获得所述待诊断螺栓的信号差的自相关函数。
在获得所述待诊断螺栓的信号差的自相关函数之后，小波分解模块703将所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，重构各频带内的小波包系数，提取第N层从低频到高频2N个频率成分信号，每个频率成分信号对应一个频率段。其中，N根据实际需要进行选择，本发明实施例不做限定；每个频率成分信号对应的频率段根据实际经验进行设置，本发明实施例不做限定。
在获得所述待诊断螺栓对应的每个频率成分信号之后，第二获得模块704可以根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量。
在获得所述待诊断螺栓对应的各个频率信号对应的信号能量之后，第三获得模块705以所述待诊断螺栓对应的各个频率信号对应的信号能量为元素，构成特征向量，将上述特征向量作为所述待诊断螺栓对应的诊断特征向量。
在获得所述待诊断螺栓对应的诊断特征向量之后，诊断模块706将所述诊断特征向量作为螺栓状态诊断模型的输入，经过所述螺栓状态诊断模型的处理之后，可以输出所述待诊断螺栓的状态诊断结果，所述状态诊断结果可以是螺栓处于松动状态或者螺栓处于紧固状态，对于处于松动状态的待诊断螺栓，可以提示检修人员进行检修。其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签用于表明螺栓训练样本的状态，例如所述状态标签为松动或者紧固，所述状态标签为松动表明对应的螺栓处于松动状态，所述状态标签为紧固表明对应的螺栓处于紧固状态，所述状态标签与所述样本特征向量对应。
本发明实施例提供的螺栓状态的诊断系统，能够采集待诊断螺栓的第一振动信号和第二振动信号，根据待诊断螺栓的第一振动信号和第二振动信号的信号差，获得待诊断螺栓的信号差的自相关函数，对待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为待诊断螺栓对应的频率成分信号，根据待诊断螺栓对应的每个频率成分信号，获得待诊断螺栓对应的每个频率信号对应的信号能量，根据待诊断螺栓对应的各个频率信号对应的信号能量，获得待诊断螺栓对应的诊断特征向量，将诊断特征向量输入至螺栓状态诊断模型，输出待诊断螺栓的状态诊断结果，提高了螺栓状态诊断的可靠性。此外，还可以提高日常检修效率并降低检修成本。
图8是本发明另一实施例提供的螺栓状态的诊断系统的结构示意图，如图8所示，在上述各实施例的基础上，进一步地，本发明实施例提供的螺栓状态的诊断系统还包括第四获得模块707和训练模块708，其中：
第四获得模块707获得所述螺栓训练样本；训练模块708用于通过所述螺栓训练样本的样本特征向量以及对应的状态标签对支持向量机模型进行训练，获得所述螺栓状态诊断模型。
具体地，所述螺栓训练样本包括样本特征向量以及对应的状态标签，所述样本特征向量与样本螺栓对应，所述样本螺栓可以通过模拟螺栓的不同状态获得。第四获得模块707通过采集每个样本螺栓的第一振动信号和第二振动信号，然后进行处理，可以获得每个样本螺栓对应的样本特征向量。第四获得模块707根据所述样本螺栓的状态，可以预先确定所述样本螺栓的状态标签，将所述样本螺栓的状态标签作为样本特征向量对应的状态标签。其中，所述状态标签的种类根据实际需要进行设置，本发明实施例不做限定。
训练模块708将所述螺栓训练样本分为训练集和测试集，通过训练集的样本特征向量以及对应的状态标签对支持向量机模型进行分类训练，获得初始螺栓状态诊断模型，然后通过测试集的样本特征向量以及对应的状态标签对所述初始螺栓状态诊断模型的准确性进行验证，将准确性超过预设值的初始螺栓状态诊断模型，作为所述螺栓状态诊断模型。其中，所述预设值根据实际经验进行设置，本发明实施例不做限定。支持向量机模型的具体训练过程为现有技术，此处不进行赘述。
图9是本发明又一实施例提供的螺栓状态的诊断系统的结构示意图，如图9所示，在上述各实施例的基础上，进一步地，第四获得模块707包括采集单元7071、第一获得单元7072、小波分解单元7073、第二获得单元7074和第三获得单元7075，其中：
采集单元7071用于采集样本螺栓的第一振动信号和第二振动信号；其中，所述螺栓训练样本对应预设数量个样本螺栓；第一获得单元7072用于根据所述样本螺栓的第一振动信号和第二振动信号的信号差，获得所述样本螺栓的第一振动信号和第二振动信号的自相关函数；小波分解单元7073用于对所述样本螺栓的第一振动信号和第二振动信号的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述样本螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；第二获得单元7074用于根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量；第三获得单元7075用于根据所述样本螺栓对应的各个频率信号对应的信号能量，获得所述样本螺栓对应的样本特征向量。
具体地，所述螺栓训练样本对应预设数量个样本螺栓，所述样本螺栓可以通过模拟螺栓的不同状态获得。对于所述样本螺栓，采集单元7071采集所述样本螺栓的第一振动信号和第二振动信号。其中，采集单元7071采集所述样本螺栓的第一振动信号和第二振动信号的具体采集过程与采集模块701采集所述待诊断螺栓的第一振动信号和第二振动信号的具体采集过程类似，此处不进行赘述。所述螺栓训练样本对应预设数量个样本螺栓，所述预设数量根据实际需要进行设置，本发明实施例不做限定。
在获得所述样本螺栓的第一振动信号和第二振动信号之后，第一获得单元7072计算所述样本螺栓的第一振动信号和第二振动信号的信号差，然后对上述信号差通过相关性分析计算获得所述样本螺栓的信号差的自相关函数。
在获得所述样本螺栓的信号差的自相关函数之后，小波分解单元7073将所述样本螺栓的信号差的自相关函数进行小波包N层分解，重构各频带内的小波包系数，提取第N层从低频到高频2N个频率成分信号，每个频率成分信号对应一个频率段。其中，N根据实际需要进行选择，本发明实施例不做限定；每个频率成分信号对应的频率段根据实际经验进行设置，本发明实施例不做限定。
在获得所述样本螺栓对应的每个频率成分信号之后，第二获得单元7074可以根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量。
在获得所述样本螺栓对应的各个频率信号对应的信号能量之后，第三获得单元7075以所述样本螺栓对应的各个频率信号对应的信号能量为元素，构建特征向量，获得所述样本螺栓对应的样本特征向量。
图10是本发明再一实施例提供的螺栓状态的诊断系统的结构示意图，如图10所示，在上述各实施例的基础上，进一步地，第三获得模块705包括归一化单元7051和第四获得单元7052，其中：
归一化单元7051用于对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值；第四获得单元7052用于根据各个信号能量的归一化值，获得所述诊断特征向量。
具体地，当所述待诊断螺栓对应的各个频率信号对应的信号能量相差较大时，由于各个信号能量数量级的不同会给数据分析带来不便，归一化单元7051可以对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值。
在获得所述待诊断螺栓对应的各个频率信号对应的信号能量的归一化值之后，第四获得单元7052以所述待诊断螺栓对应的各个频率信号对应的信号能量的归一化值为元素，构成所述诊断特征向量。
本发明实施例提供的螺栓状态的诊断系统的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图11是本发明一实施例提供的电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1101、通信接口(Communications Interface)1102、存储器(memory)1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信。处理器1101可以调用存储器1103中的逻辑指令，以执行如下方法：采集待诊断螺栓的第一振动信号和第二振动信号；根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
此外，上述的存储器1103中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：采集待诊断螺栓的第一振动信号和第二振动信号；根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：采集待诊断螺栓的第一振动信号和第二振动信号；根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种螺栓状态的诊断方法，其特征在于，包括：
采集待诊断螺栓的第一振动信号和第二振动信号；
根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；
对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；
根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；
将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
2.根据权利要求1所述的方法，其特征在于，基于螺栓训练样本的样本特征向量以及对应的状态标签训练获得所述螺栓状态诊断模型的步骤包括：
获得所述螺栓训练样本；
通过所述螺栓训练样本的样本特征向量以及对应的状态标签对支持向量机模型进行训练，获得所述螺栓状态诊断模型。
3.根据权利要求2所述的方法，其特征在于，所述获得所述螺栓训练样本包括：
采集样本螺栓的第一振动信号和第二振动信号；其中，所述螺栓训练样本对应预设数量个样本螺栓；
根据所述样本螺栓的第一振动信号和第二振动信号的信号差，获得所述样本螺栓的第一振动信号和第二振动信号的自相关函数；
对所述样本螺栓的第一振动信号和第二振动信号的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述样本螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量；
根据所述样本螺栓对应的各个频率信号对应的信号能量，获得所述样本螺栓对应的样本特征向量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量包括：
对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值；
根据各个信号能量的归一化值，获得所述诊断特征向量。
5.一种螺栓状态的诊断系统，其特征在于，包括：
采集模块，用于采集待诊断螺栓的第一振动信号和第二振动信号；
第一获得模块，用于根据所述待诊断螺栓的第一振动信号和第二振动信号的信号差，获得所述待诊断螺栓的信号差的自相关函数；
小波分解模块，用于对所述待诊断螺栓的信号差的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述待诊断螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
第二获得模块，用于根据所述待诊断螺栓对应的每个频率成分信号，获得所述待诊断螺栓对应的每个频率信号对应的信号能量；
第三获得模块，用于根据所述待诊断螺栓对应的各个频率信号对应的信号能量，获得所述待诊断螺栓对应的诊断特征向量；
诊断模块，用于将所述诊断特征向量输入至螺栓状态诊断模型，输出所述待诊断螺栓的状态诊断结果；其中，所述螺栓状态诊断模型是基于螺栓训练样本的样本特征向量以及对应的状态标签进行训练后获得的，所述状态标签是预先确定的，所述状态标签与所述样本特征向量对应。
6.根据权利要求5所述的系统，其特征在于，还包括：
第四获得模块，获得所述螺栓训练样本；
训练模块，用于通过所述螺栓训练样本的样本特征向量以及对应的状态标签对支持向量机模型进行训练，获得所述螺栓状态诊断模型。
7.根据权利要求6所述的系统，其特征在于，所述第四获得模块包括：
采集单元，用于采集样本螺栓的第一振动信号和第二振动信号；其中，所述螺栓训练样本对应预设数量个样本螺栓；
第一获得单元，用于根据所述样本螺栓的第一振动信号和第二振动信号的信号差，获得所述样本螺栓的第一振动信号和第二振动信号的自相关函数；
小波分解单元，用于对所述样本螺栓的第一振动信号和第二振动信号的自相关函数进行小波包N层分解，提取第N层的2N个频率成分信号作为所述样本螺栓对应的频率成分信号；其中，每个频率成分信号对应一个频率段；
第二获得单元，用于根据所述样本螺栓对应的每个频率成分信号，获得所述样本螺栓对应的每个频率信号对应的信号能量；
第三获得单元，用于根据所述样本螺栓对应的各个频率信号对应的信号能量，获得所述样本螺栓对应的样本特征向量。
8.根据权利要求5至7任一项所述的系统，其特征在于，所述第三获得模块包括：
归一化单元，用于对所述待诊断螺栓对应的各个频率信号对应的信号能量进行归一化处理，获得每个信号能量的归一化值；
第四获得单元，用于根据各个信号能量的归一化值，获得所述诊断特征向量。
9.一种电子设备，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计算机程序时实现权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
CN202010127363.7A 2020-02-28 2020-02-28 一种螺栓状态的诊断方法及系统 Pending CN111220312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010127363.7A CN111220312A (zh) 2020-02-28 2020-02-28 一种螺栓状态的诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010127363.7A CN111220312A (zh) 2020-02-28 2020-02-28 一种螺栓状态的诊断方法及系统

Publications (1)

Publication Number Publication Date
CN111220312A true CN111220312A (zh) 2020-06-02

Family

ID=70831530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010127363.7A Pending CN111220312A (zh) 2020-02-28 2020-02-28 一种螺栓状态的诊断方法及系统

Country Status (1)

Country Link
CN (1) CN111220312A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112109767A (zh) * 2020-09-21 2020-12-22 西南交通大学 一种城市地铁轨道螺栓压力信号检测系统及方法
CN112816122A (zh) * 2020-12-31 2021-05-18 武汉地震工程研究院有限公司 基于深度学习和压电主动传感的螺栓松紧程度监测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000275097A (ja) * 1999-03-24 2000-10-06 Yanmar Diesel Engine Co Ltd 振動モニタ装置
CN105806565A (zh) * 2016-02-03 2016-07-27 江苏省电力公司南京供电公司 一种gis漏气检测系统
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CA2965340A1 (en) * 2016-05-11 2017-11-11 Mahmoud Ismail An enhanced system and method for conducting pca analysis on data signals
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
CN108414075A (zh) * 2018-03-09 2018-08-17 国网陕西省电力公司电力科学研究院 一种高压断路器紧固螺栓松动检测装置及检测方法
CN109297699A (zh) * 2018-12-07 2019-02-01 中南大学 一种混合分解与提取的智能旋转机械故障诊断方法
CN109376626A (zh) * 2018-10-10 2019-02-22 国网陕西省电力公司电力科学研究院 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法
CN109443723A (zh) * 2018-11-23 2019-03-08 山东大学 一种装配质量在线检测方法、装置及系统
CN109506907A (zh) * 2018-11-06 2019-03-22 西安交通大学 一种基于振动响应信息的螺栓连接结构松动状态识别方法
CN209041396U (zh) * 2018-11-07 2019-06-28 中国铁路总公司 一种制动盘
CN110132565A (zh) * 2019-05-28 2019-08-16 河海大学 一种基于小波包和神经网络结合的oltc故障诊断方法
CN110398331A (zh) * 2019-07-22 2019-11-01 华侨大学 基于偏最小二乘的振动响应频域预测方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000275097A (ja) * 1999-03-24 2000-10-06 Yanmar Diesel Engine Co Ltd 振動モニタ装置
CN105806565A (zh) * 2016-02-03 2016-07-27 江苏省电力公司南京供电公司 一种gis漏气检测系统
CA2965340A1 (en) * 2016-05-11 2017-11-11 Mahmoud Ismail An enhanced system and method for conducting pca analysis on data signals
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
CN108414075A (zh) * 2018-03-09 2018-08-17 国网陕西省电力公司电力科学研究院 一种高压断路器紧固螺栓松动检测装置及检测方法
CN109376626A (zh) * 2018-10-10 2019-02-22 国网陕西省电力公司电力科学研究院 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法
CN109506907A (zh) * 2018-11-06 2019-03-22 西安交通大学 一种基于振动响应信息的螺栓连接结构松动状态识别方法
CN209041396U (zh) * 2018-11-07 2019-06-28 中国铁路总公司 一种制动盘
CN109443723A (zh) * 2018-11-23 2019-03-08 山东大学 一种装配质量在线检测方法、装置及系统
CN109297699A (zh) * 2018-12-07 2019-02-01 中南大学 一种混合分解与提取的智能旋转机械故障诊断方法
CN110132565A (zh) * 2019-05-28 2019-08-16 河海大学 一种基于小波包和神经网络结合的oltc故障诊断方法
CN110398331A (zh) * 2019-07-22 2019-11-01 华侨大学 基于偏最小二乘的振动响应频域预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王志坚: "《齿轮箱复合故障诊断方法研究》", 31 August 2017, 兵器工业出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112109767A (zh) * 2020-09-21 2020-12-22 西南交通大学 一种城市地铁轨道螺栓压力信号检测系统及方法
CN112816122A (zh) * 2020-12-31 2021-05-18 武汉地震工程研究院有限公司 基于深度学习和压电主动传感的螺栓松紧程度监测方法

Similar Documents

Publication Publication Date Title
Yu et al. Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising
CN103575523B (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
Wang et al. Early detection of gear failure by vibration analysis--ii. interpretation of the time-frequency distribution using image processing techniques
Purushotham et al. Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition
CN105971901B (zh) 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法
CN101836100B (zh) 用于对滚动轴承检测和自动识别损伤的方法
CN105758644A (zh) 基于变分模态分解和排列熵的滚动轴承故障诊断方法
Li et al. Railway wheel flat detection based on improved empirical mode decomposition
CN108731945B (zh) 一种航空发动机转子系统故障信号特征信息的提取方法
CN111220312A (zh) 一种螺栓状态的诊断方法及系统
CN116049661A (zh) 用于液压马达故障诊断的方法、装置及存储介质
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN111487318B (zh) 一种时变结构瞬时频率提取方法
CN110487499B (zh) 一种基于奇异值分解和支持向量机的螺栓预紧力辨识方法
CN110501172A (zh) 一种基于轴箱振动的轨道车辆车轮状态识别方法
CN106248201B (zh) 基于增强谱峭度的谐波成分检测方法
CN113392874B (zh) 轨道车辆异常状态诊断方法、装置及终端设备
CN106980722B (zh) 一种脉冲响应中谐波成分的检测和去除方法
Yan et al. A chaotic feature extraction based on SMMF and CMMFD for early fault diagnosis of rolling bearing
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
Van der Merwe et al. A modified cepstrum analysis applied to vibrational signals
Jegadeeshwaran et al. Method and apparatus for fault diagnosis of automobile brake system using vibration signals
Kang et al. Continuous hidden Markov model based gear fault diagnosis and incipient fault detection
CN115795275A (zh) 基于变分模态分解与小波联合去噪的轴承故障诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602

RJ01 Rejection of invention patent application after publication