CN111256990A - 一种传动轴寿命预测方法、装置及起重机 - Google Patents
一种传动轴寿命预测方法、装置及起重机 Download PDFInfo
- Publication number
- CN111256990A CN111256990A CN202010221636.4A CN202010221636A CN111256990A CN 111256990 A CN111256990 A CN 111256990A CN 202010221636 A CN202010221636 A CN 202010221636A CN 111256990 A CN111256990 A CN 111256990A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- transmission shaft
- mean square
- root mean
- reduction signal
- 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
- G01M13/028—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
-
- 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
Abstract
本申请提出一种传动轴寿命预测方法、装置及起重机。通过获取携带传动轴的振动信息的振动信号,对振动信号进行集合经验模态分解以获取降噪信号,再依据降噪信号判断是否到达性能衰退初始点,若是,则依据降噪信号和神经网络模型预测传动轴的寿命。能够实时监控传动轴的寿命,以便于操作人员对工程机械的健康状态进行判断。并且通过设置性能衰退初始点,避免过早开始寿命预测,降低误差,避免过晚开始寿命预测,从而避免影响操作人员的判断。
Description
技术领域
本申请涉及起重机领域,具体而言,涉及一种传动轴寿命预测方法、装置及起重机。
背景技术
传动轴是汽车系统的重要部件,是决定汽车动力性能、可靠性和安全性的关键因素。其运行状态的好坏直接影响工程机械工作的状况,因此,对传动轴的寿命进行实时监控,有利于操作人员对工程机械的健康状态进行判断,及时的进行检修或者更换,对确保工程机械正常工作有着非常重要的意义。
现有故障识别技术只能在故障发生后进行识别,不能实时监控起重机传动轴寿命,以便于操作人员对工程机械的健康状态进行判断。
发明内容
本申请的目的在于提供一种传动轴寿命预测方法、装置及起重机,以解决上述问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种传动轴寿命预测方法,所述方法包括:
获取振动信号,其中,所述振动信号携带传动轴的振动信息;
对所述振动信号进行集合经验模态分解以获取降噪信号;
依据所述降噪信号判断是否到达性能衰退初始点;
若是,则依据所述降噪信号和神经网络模型预测所述传动轴的寿命。
第二方面,本申请实施例提供一种传动轴寿命预测装置,所述装置包括:
信息获取单元,用于获取振动信号,其中,所述振动信号携带传动轴的振动信息;
处理单元,用于对所述振动信号进行集合经验模态分解以获取降噪信号;还用于依据所述降噪信号判断是否到达性能衰退初始点;若是,则依据所述降噪信号和神经网络模型预测所述传动轴的寿命。
第三方面,本申请实施例提供一种起重机,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现上述的方法。
相对于现有技术,本申请实施例所提供的一种传动轴寿命预测方法、装置及起重机的有益效果为:通过获取携带传动轴的振动信息的振动信号,对振动信号进行集合经验模态分解以获取降噪信号,再依据降噪信号判断是否到达性能衰退初始点,若是,则依据降噪信号和神经网络模型预测传动轴的寿命。能够实时监控传动轴的寿命,以便于操作人员对工程机械的健康状态进行判断。并且通过设置性能衰退初始点,避免过早开始寿命预测,降低误差,避免过晚开始寿命预测,从而避免影响操作人员的判断。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的电子设备的结构示意图;
图2为本申请实施例提供的传动轴寿命预测方法的流程示意图;
图3为本申请实施例提供的步骤S103的子步骤示意图;
图4为本申请实施例提供的步骤S103-2的子步骤示意图;
图5为本申请实施例提供的步骤S103-3的子步骤示意图;
图6为本申请实施例提供的步骤S104的子步骤示意图;
图7为本申请实施例提供的传动轴寿命预测方法的另一种流程示意图;
图8为本申请实施例提供的传动轴寿命预测装置的单元示意图。
图中:10-处理器;11-存储器;12-总线;13-通信接口;201-信息获取单元;202-处理单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“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,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,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申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“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,可以是两个元件内部的连通。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申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
本申请实施例提供了一种电子设备,可以是应用于起重机中的智能控制设备,当然地也可以是独立运行的智能设备。请参照图1,电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接,处理器10用于执行存储器11中存储的可执行模块,例如计算机程序。
处理器10可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,传动轴寿命预测方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
存储器11可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示,但并不表示仅有一根总线12或一种类型的总线12。
存储器11用于存储程序,例如传动轴寿命预测装置对应的程序。传动轴寿命预测装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system,OS)中的软件功能模块。处理器10在接收到执行指令后,执行所述程序以实现传动轴寿命预测方法。
可能地,本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。电子设备可以通过通信接口13与安装于起重机传动轴上的加速度传感器连接。该加速度传感器用于采集起重机传动轴的振动信号,并将振动信号传输给电子设备。
应当理解的是,图1所示的结构仅为电子设备的部分的结构示意图,电子设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的一种传动轴寿命预测方法,可以但不限于应用于图1所示的电子设备,具体的流程,请参考图2:
S101,获取振动信号,其中,振动信号携带传动轴的振动信息。
具体地,起重机传动轴包括轴管、伸缩套和万向节,可以通过在轴管上安装加速度传感器来获取传动轴的振动信号。其中,振动信息可以为传动轴在时间轴上的振幅信息。传动轴的振幅信息与其衰退特征是密切相关的。
S102,对振动信号进行集合经验模态分解以获取降噪信号。
具体地,初始获取到的振动信号包括噪声信息,会对寿命预测产生干扰,为了去除干扰,需要对其进行降噪处理。本申请实施例选择使用集合经验模态分解进行降噪处理,当然地,也可以使用其他的降噪模型。
S103,依据降噪信号判断是否到达性能衰退初始点。若是,则执行S104;若否,则执行S101。
具体地,传动轴早期衰退特征不明显,过早开始预测寿命会使得预测的寿命误差过大,而太晚开始预测虽然精度高,但是没有意义。因此需要判断当前是否已到达性能衰退初始点。若是,则可以预存传动轴寿命。反之,则说明当前时间预测传动轴寿命过早,此时执行S101,重复获取振动信号,直到到达性能衰退初始点。
S104,依据降噪信号和神经网络模型预测传动轴的寿命。
具体地,神经网络模型可以采用BP神经网络、递归神经网络、自组织神经网络、概率神经网络以及径向基神经网络。神经网络模型依据降噪信号和以往的训练成果,可以预测传动轴的当前寿命。
综上所述,本申请实施例提供的传动轴寿命预测方法中,通过获取携带传动轴的振动信息的振动信号,对振动信号进行集合经验模态分解以获取降噪信号,再依据降噪信号判断是否到达性能衰退初始点,若是,则依据降噪信号和神经网络模型预测传动轴的寿命。能够实时监控传动轴的寿命,以便于操作人员对工程机械的健康状态进行判断。并且通过设置性能衰退初始点,避免过早开始寿命预测,降低误差,避免过晚开始寿命预测,从而避免影响操作人员的判断。
对于S102中的内容,本申请实施例提出了一种可能的实现方式,请参考下文。
对振动信号进行集合经验模态分解(简称,EEMD),形成内禀模态(简称,IMF)分量以及余项,其分解过程如下:
步骤21,对振动信号X(t)加入给定幅值白噪声以形成掺噪信号Xb(t)。确认上述掺噪信号的所有局部极大值点与极小值点,分别把极大值点、极小值点连成一条线,分别为上、下包络线,然后取上、下包络线的均值线m1(t),可以得到掺噪信号与局部均值的差:
h1(t)=Xb(t)-m1(t)
其中,h1(t)表征掺噪信号与局部均值的差;Xb(t)表征掺噪信号;m1(t)表征局部均值。
步骤22,判断h1(t)是否满足IMF的条件。若满足,则将h1(t)作为第一个内禀模态分量c1(t);若不满足,则将h1(t)作为新的Xb(t),反复进行上述步骤21,直到得出满足条件的第一个内禀模态分量c1(t)。
步骤23,在得到第一个内禀模态分量c1(t)后,使用振动信号X(t)减去c1(t),以得到剩余的值r1(t)。将r1(t)作为新的掺噪信号,重复上述的步骤,依次得到后续的内禀模态分量,分别记为c2(t),c3(t),……,cn(t)。直到最后得到的rn(t)为单调增函数或者减函数。
其中,ci(t)为分解后的第i个内禀模态分量,rn(t)为分解后的余项,n为分解的总次数,i小于n。
步骤24,重复以上三个步骤N次,每次加入随机的白噪声序列。其中,N大于等于2。
步骤25,将每次分解所得对应的内禀模态分量进行总体平均运算,消除多次加入高斯白噪声对真实内禀模态分量的影响,最终可以得到EEMD分解的内禀模态分量以及余项,选择前x个内禀模态分量进行信号重组,形成降噪后的信号。x小于或等于最少的分解的总次数。优选地,x的取值为4和5。
在图2的基础上,对于S103中的内容,本申请实施例还提供了一种可能的实现方式,请参考图3,S103包括:
S103-1,依据降噪信号获取各个时间点对应的均方根值。
S103-2,依据均方根值和时间点构建线性回归模型,其中,线性回归模型包含均方根值相对于时间点的梯度。
其中,线性回归模型的表达式为:
RMS=wt+b
其中,RMS表征均方根值;RMSi表征第i个均方根值;t表征时间点;ti表征第i个时间点;w表征梯度;b表征均方根参数;n表征用于构建线性回归模型的时间点的数量;0≤i≤n。
需要说明的是,此处的i和n与上文S102中i和n的含义并不相同。
S103-3,依据梯度和预设定的衰退阈值判断是否到达性能衰退初始点。若是,则执行S104;若否,则执行S101。
可能地,预设定的衰退阈值可以为在出厂测试时,传动轴性能开始衰退的值。衰退阈值还可以通过传动轴性能开始衰退前的梯度值计算得到。具体地,衰退阈值为μ+2σ,其中,μ为w绝对值的平均值;σ为w绝对值的标准差。
在图3的基础上,对于S103-2中的内容,本申请实施例还提供了一种可能的实现方式,请参考图4,S103-2包括:
S103-2-1,确定最新的n个时间点及对应的均方根值。
具体地,在均方根(RMS)值域内建立一个大小为n的窗口。该窗口包含n个时间点及对应的均方根值。
S103-2-2,依据最新的n个时间点及对应的均方根值构建线性回归模型。
具体地,依据窗口包含的n个时间点及对应的均方根值构建线性回归模型。时间点每增加一个,窗口向前滑动一个值,构建新的线性回归模型。每一个新的窗口中的时间点均为当前最新的n个时间点。
本申请实施例中,优选地,每一个窗口包含最新的50个时间点及对应的均方根值。
在图3的基础上,对于S103-3中的内容,本申请实施例还提供了一种可能的实现方式,请参考图5,S103-3包括:
S103-3-1,判断梯度连续大于衰退阈值的次数是否超过预设定次数。若是,则执行S103-3-1;若否,则执行S101。
具体地,可能因为噪声或者误差,导致某一次梯度大于衰退阈值的,此时不能直接认定已达到性能衰退初始点。为了去除该干扰,需要通过判断梯度连续大于衰退阈值的次数是否超过预设定次数,来确定是否达到性能衰退初始点。当梯度连续大于衰退阈值的次数超过预设定次数,此时可以排除噪声和误差所导致误判断的情况,可以确定达到性能衰退初始点,执行S130-3-2。反之,则执行S101。
其中,预设定次数可以根据出厂测试的结果具体设置。
S103-3-2,确定达到性能衰退初始点。
在图2的基础上,对于S104中的内容,本申请实施例还提供了一种可能的实现方式,请参考图6,S104包括:
S104-1,对降噪信号进行特征提取以获取性能衰退指标特征集。
具体地,对降噪信号进行提取:平均值、绝对平均值、均方根值、平均功率、方根幅值、峰值、峰峰值、方差、标准差、偏斜度、峭度、波形指标、波峰指标、脉冲指标、裕度指标、偏度指标和峭度指标。将前述十七个特征中的部分或全部用于构建特征集。
S104-2,对性能衰退指标特征集进行主元分析去冗余以得到去冗余特征集。
具体地,对性能衰退指标特征集进行主元分析去冗余以得到去冗余特征集的步骤包括:
步骤41,对特征集矩阵化以获取矩阵X。
其中,X表征特征集矩阵;Xij表征特征集矩阵第i个时间点的第j类指标;n表征时间点总数;m表征指标种类的总数;1≤i≤n;1≤j≤m。
步骤42,对矩阵X进行标准化处理。
步骤43,进行协方差矩阵R计算。
其中,rjk表示经过标准化的变量X′i和X′k的相关系数,并且R为对称矩阵。
步骤44,对协方差矩阵R进行特征分解,求出其的特征值和特征向量,分别为λ1,λ2,…,λm以及p1,,p2,…,pm。
步骤45,对数据计算主元:t1=Xp1,主元t1是特征集矩阵X的投影,它的值越大,代表着矩阵X在p1方向上的变化范围越大。
步骤46,计算主元贡献率和累计贡献率。
其中,i的取值范围是1到m;k的取值范围是1到m;s的取值范围是1到i。
最终选择累计贡献率到85%以上的主元形成新的特征集,去冗余特征集,去除了原有特征集中的冗余信息。
S104-3,将去冗余特征集作为所述神经网络的输入,以预测传动轴的寿命。
具体地,可以建立一个三层的径向基神经网络进行寿命预测,不同寿命时间点为不同模式,以模式识别预测寿命。输入层根据该主元分析产生的去冗余特征集来设置神经元的个数,例如原特征集经过主元分析后得到四个主元形成去冗余特征集,则输入层的主元个数为4,基函数选用局部响应的高斯函数,相比其它全局响应函数,避免了局部极小值问题,隐含层到输出层的输出依靠输入向量与基函数中心的距离大小,距离用欧式范数表示,利用递推最小二乘法确定连接权值。利用历史数据对神经网络进行训练完成神经网络。
考虑到传动轴性能衰退过程中,总体上衰退特征的变化趋势是不变的,但是会因为某些客观原因造成的随机异常使得衰退特征异常波动,最终导致寿命虚假波动。为此本申请实施例还给出了一种可能的修复预测寿命的虚假波动方式,请参考图7,传动轴寿命预测方法还包括:
S105,修护预测得到的寿命的虚假波动。
可能地,提出一种全局线性回归模型来修复寿命虚假波动。具体地,设置一个阈值A,计算预测的滚动轴承寿命Sz与之前预测寿命Sz-1、Sz-2、…、Sz-p的平均值,计算Sz与平均值的差值。如果差值大于A,则判定为虚假波动,则对滚动轴承寿命Sz之前的所有寿命点进行全局线性回归计算,得到新的S'z取代之前的Sz成为最终预测寿命。
请参阅图8,图8为本申请实施例提供的一种传动轴寿命预测装置,可选的,该传动轴寿命预测装置被应用于上文所述的电子设备。
传动轴寿命预测装置包括:信息获取单元201和处理单元202。
信息获取单元201,用于获取振动信号,其中,振动信号携带传动轴的振动信息。具体地,信息获取单元201可以执行上述的S101。
处理单元202,用于对振动信号进行集合经验模态分解以获取降噪信号;还用于依据降噪信号判断是否到达性能衰退初始点;若是,则依据降噪信号和神经网络模型预测传动轴的寿命。具体地,处理单元202可以执行上述的S102-S104。
可能地,处理单元202具体用于依据降噪信号获取各个时间点对应的均方根值;依据均方根值和时间点构建线性回归模型,其中,线性回归模型包含均方根值相对于时间点的梯度;依据梯度和预设定的衰退阈值判断是否到达性能衰退初始点。具体地,处理单元202可以执行上述的S103-1~S103-3。
需要说明的是,本实施例所提供的传动轴寿命预测装置,其可以执行上述方法流程实施例所示的方法流程,以实现对应的技术效果。为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。
本发明实施例还提供了一种存储介质,该存储介质存储有计算机指令、程序,该计算机指令、程序在被读取并运行时执行上述实施例的传动轴寿命预测方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种起重机,该起重机包含如图1所示的电子设备。可以实现上述的传动轴寿命预测方法;具体的,该电子设备包括:处理器10,存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序,当一个或多个程序被处理器10执行时,执行上述实施例的传动轴寿命预测方法。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种传动轴寿命预测方法,其特征在于,所述方法包括:
获取振动信号,其中,所述振动信号携带传动轴的振动信息;
对所述振动信号进行集合经验模态分解以获取降噪信号;
依据所述降噪信号判断是否到达性能衰退初始点;
若是,则依据所述降噪信号和神经网络模型预测所述传动轴的寿命。
2.如权利要求1所述的传动轴寿命预测方法,其特征在于,所述依据所述降噪信号判断是否到达性能衰退初始点的步骤包括:
依据所述降噪信号获取各个时间点对应的均方根值;
依据所述均方根值和所述时间点构建线性回归模型,其中,所述线性回归模型包含所述均方根值相对于所述时间点的梯度;
依据所述梯度和预设定的衰退阈值判断是否到达所述性能衰退初始点。
4.如权利要求2所述的传动轴寿命预测方法,其特征在于,所述依据所述均方根值和所述时间点构建线性回归模型的步骤包括:
确定最新的n个时间点及对应的均方根值;
依据所述最新的n个时间点及对应的均方根值构建所述线性回归模型。
5.如权利要求2所述的传动轴寿命预测方法,其特征在于,所述依据所述梯度和预设定的衰退阈值判断是否到达所述性能衰退初始点的步骤包括:
判断所述梯度连续大于所述衰退阈值的次数是否超过预设定次数;
若是,则确定达到所述性能衰退初始点。
6.如权利要求1所述的传动轴寿命预测方法,其特征在于,所述依据所述降噪信号和神经网络模型预测所述传动轴的寿命的步骤包括:
对所述降噪信号进行特征提取以获取性能衰退指标特征集;
对所述性能衰退指标特征集进行主元分析去冗余以得到去冗余特征集;
将所述去冗余特征集作为所述神经网络的输入,以预测所述传动轴的寿命。
7.如权利要求1所述的传动轴寿命预测方法,其特征在于,在依据所述降噪信号和神经网络模型预测所述传动轴的寿命之后,所述方法还包括:
修护预测得到的寿命的虚假波动。
8.一种传动轴寿命预测装置,其特征在于,所述装置包括:
信息获取单元,用于获取振动信号,其中,所述振动信号携带传动轴的振动信息;
处理单元,用于对所述振动信号进行集合经验模态分解以获取降噪信号;还用于依据所述降噪信号判断是否到达性能衰退初始点;若是,则依据所述降噪信号和神经网络模型预测所述传动轴的寿命。
9.如权利要求8所述的传动轴寿命预测装置,其特征在于,所述处理单元具体用于依据所述降噪信号获取各个时间点对应的均方根值;依据所述均方根值和所述时间点构建线性回归模型,其中,所述线性回归模型包含所述均方根值相对于所述时间点的梯度;依据所述梯度和预设定的衰退阈值判断是否到达所述性能衰退初始点。
10.一种起重机,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221636.4A CN111256990A (zh) | 2020-03-26 | 2020-03-26 | 一种传动轴寿命预测方法、装置及起重机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221636.4A CN111256990A (zh) | 2020-03-26 | 2020-03-26 | 一种传动轴寿命预测方法、装置及起重机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111256990A true CN111256990A (zh) | 2020-06-09 |
Family
ID=70947972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010221636.4A Pending CN111256990A (zh) | 2020-03-26 | 2020-03-26 | 一种传动轴寿命预测方法、装置及起重机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111256990A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214852A (zh) * | 2020-10-09 | 2021-01-12 | 电子科技大学 | 一种考虑衰退率的透平机械性能衰退预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-03-26 CN CN202010221636.4A patent/CN111256990A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
高彩霞 等: "基于改进EMD的滚动轴承故障特征提取方法", 《软件导刊》 * |
高彩霞 等: "线性回归与EEMD的滚动轴承剩余寿命预测", 《机械科学与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214852A (zh) * | 2020-10-09 | 2021-01-12 | 电子科技大学 | 一种考虑衰退率的透平机械性能衰退预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20070220368A1 (en) | Data-centric monitoring method | |
KR102444442B1 (ko) | 설비 고장 진단 장치 및 방법 | |
US20110307743A1 (en) | False alarm mitigation | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
CN117906991A (zh) | 旋转机械的机器健康监测 | |
CN112286771A (zh) | 一种针对全域资源监控的告警方法 | |
CN116167749B (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN112254972A (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN114265882A (zh) | 时序信号点异常检测方法、系统、设备及介质 | |
CN114511026A (zh) | 一种故障诊断方法、装置、终端设备及存储介质 | |
CN111256990A (zh) | 一种传动轴寿命预测方法、装置及起重机 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN117270514A (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN112964470A (zh) | 一种基于轴承健康指标检测滚动轴承早期故障的方法 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN109828548B (zh) | 基于时间序列变化突变点检测的性能退化特征评估方法 | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、系统、设备及存储介质 | |
CN115658372A (zh) | 面向故障诊断算法量化推荐的可诊断性要素量化表征方法 | |
CN113724211B (zh) | 一种基于状态感应的故障自动识别方法及系统 | |
CN114548178A (zh) | 一种电梯故障检测方法、装置、计算机设备及存储介质 | |
CN111026608A (zh) | 一种Oracle数据库性能诊断方法及其系统、设备、介质 |
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: 20200609 |
|
RJ01 | Rejection of invention patent application after publication |