CN111308016A - 一种齿轮箱故障诊断方法、系统、设备及存储介质 - Google Patents
一种齿轮箱故障诊断方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111308016A CN111308016A CN202010168366.5A CN202010168366A CN111308016A CN 111308016 A CN111308016 A CN 111308016A CN 202010168366 A CN202010168366 A CN 202010168366A CN 111308016 A CN111308016 A CN 111308016A
- Authority
- CN
- China
- Prior art keywords
- gearbox
- fault diagnosis
- monitoring data
- oil monitoring
- analysis result
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000012706 support-vector machine Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 28
- 238000000513 principal component analysis Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 22
- 239000003921 oil Substances 0.000 description 78
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 239000002253 acid Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000002035 prolonged effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000012208 gear oil Substances 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0003—Composite materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请实施例提供一种齿轮箱故障诊断方法、系统、设备及存储介质，涉及设备检测领域。该齿轮箱故障诊断方法包括：接收所述齿轮箱的油液监测数据；分析所述油液监测数据，并生成分析结果；根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息。该齿轮箱故障诊断方法。该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
Description
技术领域
本申请涉及设备检测技术领域，具体而言，涉及一种齿轮箱故障诊断方法、系统、设备及存储介质。
背景技术
目前，在齿轮箱基于油液的故障诊断中，常用的诊断方法基本依据个人经验、行业标准等进行诊断；其中，依靠个人诊断经验的诊断方法对诊断工程师的个人要求较高，要求从业人员熟知设备结构、材料，以及常见的故障形式，要求较长的行业积累和熟悉现场；基于行业标准的诊断方法，都是基于检测结果与标准值做参比，只能机械式的给出设备的某些指标不合格，但不能有针对性的结合设备给出有效的措施或建议。
发明内容
本申请实施例的目的在于提供一种齿轮箱故障诊断方法及系统，该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
第一方面，本申请实施例提供了一种齿轮箱故障诊断方法，包括：接收所述齿轮箱的油液监测数据；分析所述油液监测数据，并生成分析结果；根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息。
在上述实现过程中，通过对齿轮箱的油液检测数据进行分析，如油液的运动黏度、酸值、污染度等进行分析，再结合油液分析结果和支持向量机模型，对齿轮箱进行故障诊断，从而获得故障诊断信心，例如油黏度异常、污染颗粒超标、水分偏高、磨损超标的函数等；从而该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
进一步地，所述分析所述油液监测数据，生成分析结果，包括：对所述油液监测数据进行归一化处理，生成归一化处理结果；根据所述归一化处理结果，对所述油液监测数据进行主成分分析，并生成主成分分析结果；对所述主成分分析结果进行降维处理，并生成所述分析结果。
在上述实现过程中，经过归一化处理和主成分分析后，分别可以得出油液监测数据的多种主成分，使得各主成分的累积贡献率达到原始油液检测数据的90％以上，且各主成分贡献率呈降低趋势，从而实现数据降维，用降维的主成分代替原有多维数据，且保留了原始油液检测数据的大部分信息。从而，在保留原始油液检测数据的大部分信息的基础上，保证数据分析结果准确性的同时，可以有效地简化数据分析工作，提高数据分析效率。
进一步地，在所述接收所述齿轮箱的油液监测数据之前，所述方法还包括：接收所述齿轮箱的历史油液监测数据；根据所述历史油液监测数据，构建所述预设支持向量机模型，所述预设支持向量机模型包括所述油液监测数据的多个数据指标组合，每个所述数据指标组合对应一种所述齿轮箱的故障形式。
在上述实现过程中，在通过将齿轮箱与油品的相关故障进行分类之后，将相应的故障特征与相关的历史油液监测数据做匹配，做成训练，得出基于油液的设备故障诊断分析模型，即预设支持向量机模型，然后将训练好的设备故障诊断模型应用于齿轮箱的故障诊断分析之中。从而，该齿轮箱故障诊断方法避免人工诊断的准确性低和效率低等缺点，该齿轮箱油液诊断方法可有效提高齿轮箱的故障诊断分析效率和准确性。
进一步地，在所述根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息之后，所述方法还包括：根据所述故障诊断信息，输出运维信息，所述运维信息用于维护所述齿轮箱的运行。
在上述实现过程中，根据具体的齿轮箱故障形式，给出相对应的运维信息，从而使用合适的运维方式解决齿轮箱出现的故障问题，提高齿轮箱运行时的可靠性和安全性，提高齿轮箱的使用寿命。
第二方面，本申请实施例提供了一种齿轮箱故障诊断系统，其特征在于，包括：第一接收单元，用于接收所述齿轮箱的油液监测数据；生成单元，用于分析所述油液监测数据，并生成分析结果；判断单元，用于根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息。
进一步地，所述生成单元包括：第一子生成单元，用于对所述油液监测数据进行归一化处理，生成归一化处理结果；第二子生成单元，用于根据所述归一化处理结果，对所述油液监测数据进行主成分分析，并生成主成分分析结果；第三子生成单元，用于对所述主成分分析结果进行降维处理，并生成所述分析结果。
进一步地，所述系统还包括：第二接收单元，用于接收所述齿轮箱的历史油液监测数据；构建单元，用于根据所述历史油液监测数据，构建所述预设支持向量机模型，所述预设支持向量机模型包括所述油液监测数据的多个数据指标组合，每个所述数据指标组合对应一种所述齿轮箱的故障形式。
进一步地，所述系统还包括：
输出单元，用于根据所述故障诊断信息，输出运维信息，所述运维信息用于维护所述齿轮箱的运行。
第三方面，本申请实施例提供的一种设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面，本申请实施例提供的一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
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，下面将对本申请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他相关的附图。
图1为本申请实施例提供的一种齿轮箱故障诊断方法的示意性流程图；
图2为本申请实施例提供的一种齿轮箱故障诊断方法的示意性流程图；
图3为本申请实施例提供的一种齿轮箱故障诊断方法的示意性框图；
图4为本申请实施例提供的一种齿轮箱故障诊断设备的结构框图。
具体实施方式
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描述。
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。
本申请实施例提供了一种齿轮箱故障诊断方法、系统、设备及存储介质，可应用于风力发电机组的齿轮箱结构中；通过对齿轮箱的油液检测数据进行分析，如油液的运动黏度、酸值、污染度等进行分析，再结合油液分析结果和支持向量机模型，对齿轮箱进行故障诊断，从而获得故障诊断信息，例如油黏度异常、污染颗粒超标、水分偏高、磨损超标的函数等；从而该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
请参见图1，图1为本申请实施例提供的一种齿轮箱故障诊断方法的示意性流程图，该齿轮箱故障诊断方法包括如下步骤：
S100：接收齿轮箱的油液监测数据。
示例性地，齿轮箱是在风力发电机组中应用很广泛的一个重要的机械部件。其主要功用是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。通常风轮的转速很低，远达不到发电机发电所要求的转速，必须通过齿轮箱齿轮副的增速作用来实现，故也将齿轮箱称之为增速齿轮箱。
在一些实施方式中，齿轮箱的故障诊断一般分两个层面进行，一是振动分析，振动分析方面的故障诊断技术及其实际应用目前已经非常成熟；二是油液方面的故障诊断分析。
可选地，齿轮箱的油液监测数据可包括以下的监测数据，例如：40℃运动黏度、酸值、水分、污染度、光谱元素Fe、Cu、Sn、Ca、Zn、P等。
可选地，齿轮箱进行特征提取，可以用各类传感器、监测器提取齿轮箱中的特征，从而提取齿轮箱中齿轮油的检测数据。
S200：分析油液监测数据，并生成分析结果。
示例性地，对油液检测数据进行分析时，可以对油液检测数据做归一化处理、主成分分析等数据预处理工作。
可选地，在步骤S200中，分析油液监测数据，生成分析结果，可包括：对油液监测数据进行归一化处理，生成归一化处理结果；根据归一化处理结果，对油液监测数据进行主成分分析，并生成主成分分析结果；对主成分分析结果进行降维处理，并生成分析结果。
示例性地，主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量(或因素)，因为每个变量都在不同程度上反映这个课题的某些信息。主成分分析首先是由K.皮尔森(Karl Pearson)对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。
示例性地，利用主成分分析对重要信息进行选择：先对相关油液数据做归一化处理，然后利用主成分分析做降维处理，公式如下：
Y＝(X-X_min)/(X_max-X_min)
其中，Y表示为将为处理值，X表示为原始油液检测数据的数据值， X_min和X_max分别表示为一组原始油液检测数据中的最大数据值和最小数据值。
从而，经过主成分分析后，分别可以得出第1、2、3、4…主成分，使得各主成分的累积贡献率达到原始油液检测数据的90％以上，且各主成分贡献率呈降低趋势，用降维的主成分代替原有多维数据，且保留了原始油液检测数据的大部分信息。从而，在保留原始油液检测数据的大部分信息的基础上，保证数据分析结果准确性的同时，可以有效地简化数据分析工作，提高数据分析效率。
S300：根据分析结果和预设支持向量机模型，判断齿轮箱的故障诊断信息。
示例性地，支持向量机(Support Vector Machine，SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器 (generalizedlinear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。支持向量机使用铰链损失函数(hinge loss)计算经验风险(empiricalrisk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。支持向量机可以通过核方法(kernel method)进行非线性分类，是常见的核学习 (kernel learning)方法之一。
示例性地，基于支持向量机对已经标定好的数据进行训练，其中涉及到核函数选择，参数选优等，通过训练好的模型对新增的增速齿轮箱齿轮油数据进行分类，输出故障形式以及相应的运维方式。其中，运维方式用于根据相应的故障形式，给出合适的维护方案，以维护齿轮箱的正常运转。
示例性地，该齿轮箱故障诊断方法的一般流程可以为：通过数据采集装置将增速齿轮箱的齿轮油的相关数据进行采集-存储-传输-算法识别-得出诊断结论，然后基于得出的诊断结论进行相应的运维方式。
在一些实施方式中，齿轮箱中齿轮油常见的故障形式有齿轮油黏度异常、污染颗粒超标、水分偏高、磨损超标(磨损超标又可分为Fe元素超标和Cu元素超标)，以添加剂不符等多种故障形式。基于油液检测常用的检测指标，例如40℃运动黏度、酸值、污染度(包括NAS1638等级、ISO4406 等级)、PQ指数、磨损元素Fe、Cu、添加剂元素Ca、Zn、P等进行分析，指标是否存在异常。基于支持向量机的学习算法去训练学习已有的油液检测数据，从而形成针对风机增速齿轮箱故障诊断的模型，然后将训练好的模型应用于齿轮箱的故障诊断。从而，避免人工诊断的不准确和效率低等缺点，该齿轮箱油液诊断方法可有效提高齿轮箱的故障诊断分析效率和准确性。
在一些实施场景中，通过对齿轮箱的油液检测数据进行分析，如油液的运动黏度、酸值、污染度等进行分析，再结合油液分析结果和支持向量机模型，对齿轮箱进行故障诊断，从而获得故障诊断信心，例如油黏度异常、污染颗粒超标、水分偏高、磨损超标的函数等；从而该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
请参见图2，图2为本申请实施例提供的一种齿轮箱故障诊断方法的示意性流程图，该齿轮箱故障诊断方法包括如下步骤：
S010：接收齿轮箱的历史油液监测数据；
S020：根据历史油液监测数据，构建预设支持向量机模型，预设支持向量机模型包括油液监测数据的多个数据指标组合，每个数据指标组合对应一种齿轮箱的故障形式；
S100：接收齿轮箱的油液监测数据；
S200：分析油液监测数据，并生成分析结果；
S300：根据分析结果和预设支持向量机模型，判断齿轮箱的故障诊断信息；
S400：根据故障诊断信息，输出运维信息，运维信息用于维护齿轮箱的运行。
应理解，步骤S100、步骤S200、步骤S300与图1所示的步骤相同，为避免重复，此处不再赘述。
示例性地，在步骤S010和步骤S020中，在通过将齿轮箱与油品的相关故障进行分类之后，将相应的故障特征与相关的历史油液监测数据做匹配，做成训练，得出基于油液的设备故障诊断分析模型，即预设支持向量机模型，然后将训练好的设备故障诊断模型应用于齿轮箱的故障诊断分析之中。从而，该齿轮箱故障诊断方法避免人工诊断的不准确和效率低等缺点，该齿轮箱油液诊断方法可有效提高齿轮箱的故障诊断分析效率和准确性。
可选地，历史油液监测数据可包括理化指标、污染指标和磨损指标等；其中，理化指标可包括40℃、酸值、添加剂元素(例如：Ca、Zn、P)等；污染指标可包括水分、污染度等；磨损指标包括PQ指数、磨损元素(例如 Fe、Cu)等。理化指标、污染指标和磨损指标中各类的油液监测数据可彼此组合，其中每一个数据组合可对应一种齿轮箱的故障形式：当某一个数据组合中的数据存在异常时，则表示齿轮箱存在相应的故障形式。
在一些实施场景中，风力发电机组中的齿轮箱与发电机连接，用于风力发电；在齿轮箱运行过程中，采集到的油液监测数据传输到数据存储中心，再对油液监测数据进行诊断和分析，从而实现实时在线的齿轮箱故障诊断，有效保障齿轮箱的正常运转。
在一些实施场景中，基于油液的故障诊断现在常用的诊断方法基本依据个人经验、行业标准等，这种诊断方法的缺点主要有两方面，一是依靠个人诊断经验的诊断方法对诊断工程师的个人要求较高，要求从业人员熟知设备结构、材料，以及常见的故障形式，要求较长的行业积累和熟悉现场；二是基于行业标准的诊断方法，操作简便，基本都是基于检测结果与标准值做参比，只能机械式的给出设备的某些指标不合格，但不能有针对性的结合设备给出建议性的措施或建议。通过本申请中的齿轮箱故障诊断方法，可以有效避免上述出现的问题，提高齿轮箱的故障诊断分析效率和准确性。
请参见图3，图3为本申请实施例提供的一种齿轮箱故障诊断系统示意性框图，该齿轮箱故障诊断系统包括：
第一接收单元100，用于接收齿轮箱的油液监测数据；
生成单元200，用于分析油液监测数据，并生成分析结果；
判断单元300，用于根据分析结果和预设支持向量机模型，判断齿轮箱的故障诊断信息。
在一些实施方式中，生成单元200包括：第一子生成单元，用于对油液监测数据进行归一化处理，生成归一化处理结果；第二子生成单元，用于根据归一化处理结果，对油液监测数据进行主成分分析，并生成主成分分析结果；第三子生成单元，用于对主成分分析结果进行降维处理，并生成分析结果。
在一些实施方式中，该齿轮箱故障诊断系统还包括：第二接收单元，用于接收齿轮箱的历史油液监测数据；构建单元，用于根据历史油液监测数据，构建预设支持向量机模型，预设支持向量机模型包括油液监测数据的多个数据指标组合，每个数据指标组合对应一种齿轮箱的故障形式。
在一些实施方式中，该齿轮箱故障诊断系统还包括：输出单元，用于根据故障诊断信息，输出运维信息，运维信息用于维护齿轮箱的运行。
应理解，图3及上述各个单元与图1与图2中的齿轮箱故障诊断方法相对应，为避免重复，此处不再赘述。
在一些实施场景中，该一种齿轮箱故障诊断方法、系统、设备及存储介质，可应用于风力发电机组的齿轮箱结构中；通过对齿轮箱的油液检测数据进行分析，如油液的运动黏度、酸值、污染度等进行分析，再结合油液分析结果和支持向量机模型，对齿轮箱进行故障诊断，从而获得故障诊断信息，例如油黏度异常、污染颗粒超标、水分偏高、磨损超标的函数等；从而该齿轮箱故障诊断方法可以实现对齿轮箱进行故障分析，从而提高齿轮箱的可靠性和安全性，并延长齿轮箱使用寿命的技术效果。
本申请还提供一种设备，请参见图4，图4为本申请实施例提供的一种齿轮箱故障诊断设备的结构框图。设备可以包括处理器510、通信接口 520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器510可以是通用处理器，包括中央处理器(CPU， CentralProcessing Unit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是，但不限于，随机存取存储器(RAM， Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory) 等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，设备可以执行上述图1至图2方法实施例涉及的各个步骤。
可选地，设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，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实施例而已，并不用于限制本申请的保护范围，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。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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
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。
Claims (10)
1.一种齿轮箱故障诊断方法，其特征在于，包括：
接收所述齿轮箱的油液监测数据；
分析所述油液监测数据，并生成分析结果；
根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息。
2.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述分析所述油液监测数据，生成分析结果，包括：
对所述油液监测数据进行归一化处理，生成归一化处理结果；
根据所述归一化处理结果，对所述油液监测数据进行主成分分析，并生成主成分分析结果；
对所述主成分分析结果进行降维处理，并生成所述分析结果。
3.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，在所述接收所述齿轮箱的油液监测数据之前，所述方法还包括：
接收所述齿轮箱的历史油液监测数据；
根据所述历史油液监测数据，构建所述预设支持向量机模型，所述预设支持向量机模型包括所述油液监测数据的多个数据指标组合，每个所述数据指标组合对应一种所述齿轮箱的故障形式。
4.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，在所述根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息之后，所述方法还包括：
根据所述故障诊断信息，输出运维信息，所述运维信息用于维护所述齿轮箱的运行。
5.一种齿轮箱故障诊断系统，其特征在于，包括：
第一接收单元，用于接收所述齿轮箱的油液监测数据；
生成单元，用于分析所述油液监测数据，并生成分析结果；
判断单元，用于根据所述分析结果和预设支持向量机模型，判断所述齿轮箱的故障诊断信息。
6.根据权利要求1所述的齿轮箱故障诊断系统，其特征在于，所述生成单元包括：
第一子生成单元，用于对所述油液监测数据进行归一化处理，生成归一化处理结果；
第二子生成单元，用于根据所述归一化处理结果，对所述油液监测数据进行主成分分析，并生成主成分分析结果；
第三子生成单元，用于对所述主成分分析结果进行降维处理，并生成所述分析结果。
7.根据权利要求6所述的齿轮箱故障诊断系统，其特征在于，所述系统还包括：
第二接收单元，用于接收所述齿轮箱的历史油液监测数据；
构建单元，用于根据所述历史油液监测数据，构建所述预设支持向量机模型，所述预设支持向量机模型包括所述油液监测数据的多个数据指标组合，每个所述数据指标组合对应一种所述齿轮箱的故障形式。
8.根据权利要求7所述的齿轮箱故障诊断系统，其特征在于，所述系统还包括：
输出单元，用于根据所述故障诊断信息，输出运维信息，所述运维信息用于维护所述齿轮箱的运行。
9.一种设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的齿轮箱故障诊断方法的步骤。
10.一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1-4任一项所述的齿轮箱故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168366.5A CN111308016A (zh) | 2020-03-11 | 2020-03-11 | 一种齿轮箱故障诊断方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168366.5A CN111308016A (zh) | 2020-03-11 | 2020-03-11 | 一种齿轮箱故障诊断方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111308016A true CN111308016A (zh) | 2020-06-19 |
Family
ID=71160775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010168366.5A Pending CN111308016A (zh) | 2020-03-11 | 2020-03-11 | 一种齿轮箱故障诊断方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111308016A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060064291A1 (en) * | 2004-04-21 | 2006-03-23 | Pattipatti Krishna R | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
| CN102425661A (zh) * | 2011-11-04 | 2012-04-25 | 上海电机学院 | 一种齿轮箱状态监测与故障分析方法及装置 |
| CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测系统 |
| CN103364189A (zh) * | 2013-07-15 | 2013-10-23 | 中国水利电力物资华南公司 | 一种风电机组齿轮箱在线故障诊断系统 |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
-
2020
- 2020-03-11 CN CN202010168366.5A patent/CN111308016A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060064291A1 (en) * | 2004-04-21 | 2006-03-23 | Pattipatti Krishna R | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
| CN102425661A (zh) * | 2011-11-04 | 2012-04-25 | 上海电机学院 | 一种齿轮箱状态监测与故障分析方法及装置 |
| CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测系统 |
| CN103364189A (zh) * | 2013-07-15 | 2013-10-23 | 中国水利电力物资华南公司 | 一种风电机组齿轮箱在线故障诊断系统 |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谢骏遥等: "迁移因子分析在齿轮箱变工况故障诊断中的应用", 《电子测量与仪器学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
| Wilkinson et al. | Comparison of methods for wind turbine condition monitoring with SCADA data | |
| Lee et al. | Introduction to data-driven methodologies for prognostics and health management | |
| CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
| CN112596495A (zh) | 一种基于知识图谱的工业设备故障诊断方法及系统 | |
| CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN112534370A (zh) | 用于预测工业机器故障的系统和方法 | |
| CN111209934B (zh) | 风机故障预报警方法及系统 | |
| CN111308016A (zh) | 一种齿轮箱故障诊断方法、系统、设备及存储介质 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
| CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
| CN110398384A (zh) | 旋转机械的机器健康监测 | |
| Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
| Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
| Chen et al. | An integrated framework for statistical change detection in running status of industrial machinery under transient conditions | |
| CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
| Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
| EP3586233A1 (en) | Methods and systems for problem-alert aggregation | |
| Thoppil et al. | Health indicator construction and remaining useful life estimation for mechanical systems using vibration signal prognostics | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| Zhang et al. | Graph neural network-based bearing fault diagnosis using Granger causality test | |
| Hu et al. | Mutual information-based feature disentangled network for anomaly detection under variable working conditions | |
| CN114576102A (zh) | 风电机组轴承状态的预测方法、装置、设备及存储介质 | |
| CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 |
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: 20200619 |