CN111595577A - 用于数据驱动机器诊断的方法与系统 - Google Patents

Abstract

本公开的实施例涉及用于数据驱动机器诊断的方法与系统。一种用于机器的数据驱动诊断的系统，包括在计算机中被实例化的机器学习模型，机器学习模型被配置为：接收机器的操作数据；以及处理操作数据以确定机器诊断信息。使用从模拟环境接收的模拟的缺陷信息来训练机器学习模型。

Description

用于数据驱动机器诊断的方法与系统

技术领域

本发明涉及用于数据驱动机器(例如，齿轮减速器)诊断的方法与系统。

背景技术

齿轮减速器(即，齿轮箱)是一种机械设备，其降低旋转速度并且增加由输入电源生成的转矩。齿轮减速器通常被用于降低输入速度以匹配下游设备的期望速度和/或提供更高的转矩以从输入电源获得更多可用功。以其最简单的形式，齿轮减速器通过使输入齿轮驱动输出齿轮来实现其预期的效果，该输出齿轮比输入齿轮具有更多的齿，从而使输出齿轮旋转的更慢。齿数较少的齿轮(即，两个齿轮中较小的齿轮)被称为小齿轮(pinion)。

存在各种类型的齿轮减速器，包括单速、工业齿轮减速器、偏心减速器、在线减速器、蜗轮减速器和行星齿轮减速器，等等。针对齿轮减速器的常见应用包括用于输送机、给料机、轧机、混合机、辊道，但许多其他应用也是可能的。在多数应用中，齿轮减速器将位于原动机(例如，电动机)与从动设备(例如，输送机、给料机、轧机等)之间。齿轮减速器被用于各种行业，包括食品加工、采矿和农业行业。

不管是何种应用或行业，由于灾难性的齿轮减速器故障而导致的计划外停机时间可能非常昂贵，例如由于生产损失。灾难性的齿轮减速器故障可能会例如由于机械缺陷(诸如齿轮齿、键或轴的断裂)而发生。虽然可以定期进行预防性维护和检查以减少齿轮减速器计划外停机的可能性，但这会导致不希望的人工成本、需要维护备件、并且需要经常安排计划的停机时间。

发明内容

本发明的实施例提供了一种用于机器的数据驱动诊断的系统，该系统包括在计算机中被实例化的机器学习模型，该机器学习模型被配置为：接收机器的操作数据；以及处理操作数据以确定机器诊断信息。使用模拟的操作数据来训练机器学习模型，该模拟的操作数据来自从机器的模拟环境接收的缺陷模拟。

在实施例中，机器诊断信息包括以下预测：机器中存在齿轮缺陷、滚动元件缺陷、或者轴缺陷中的至少一个。机器诊断信息可以包括机器中存在以下类别中的至少一种类别的缺陷的预测：磨损、划伤、塑性变形、赫兹疲劳(即，表面疲劳)、或者破裂。

在实施例中，操作数据从与机器相关联的单个传感器被接收。单个传感器可以是加速度计或麦克风。

在实施例中，机器学习模型是神经网络。神经网络可以使用反向传播被训练。

在实施例中，模拟的操作数据包括从模拟环境获得的缺陷-传感器数据对。缺陷-传感器数据对中的每个缺陷-传感器数据对可以通过模拟缺陷以产生与缺陷相对应的模拟的传感器数据而被获得。

在实施例中，模拟环境包括机器的结构动态有限元模型。

实施例的模拟环境可以被配置为基于所接收的关于被监控的机器的信息而被更新，以将模拟环境校准到机器。

机器学习模型可以使用以下中的至少一个被训练：来自与该机器相似的机器的历史数据、原型测试数据、或者该机器的历史数据。

在实施例中，系统还包括数据记录器，该数据记录器被配置为存储机器的历史数据。

在实施例中，系统还包括用户界面，该用户界面被配置为向用户显示机器诊断信息。

在实施例中，机器是齿轮箱。齿轮箱可以是齿轮减速器。

本发明的另一实施例提供了一种用于机器的数据驱动诊断的方法。方法包括：实例化机器学习模型；利用模拟的操作数据来训练机器学习模型，该模拟的操作数据来自机器的模拟环境的缺陷模拟；通过机器学习模型来接收机器的操作数据；以及通过机器学习模型来处理操作数据，以确定机器诊断信息。

在实施例中，方法还包括：通过模拟环境模拟多个缺陷来产生多个模拟的传感器数据，以获得多个缺陷-传感器数据对；将缺陷-传感器数据对作为模拟的操作数据发送到机器学习模型。

在实施例中，方法还包括：基于所接收的关于被监控的机器的信息来更新模拟环境，以将模拟环境校准到机器。

在实施例中，机器诊断信息包括以下预测：机器中存在齿轮缺陷、滚动元件轴承缺陷、或者轴缺陷中的至少一个。

附图说明

下面将基于示例性附图更详细地描述本发明。本发明不限于示例性实施例。在本发明的实施例中，本文描述和/或示出的所有特征可以在不同的组合中被单独或结合使用。通过参考附图的下面的详细描述，本发明的各个实施例的特征和优点将变得显而易见，附图图示以下内容：

图1图示出齿轮减速器的示例实施例；

图2是本发明实施例的系统和方法的半示意图(semi-diagrammaticillustration)；

图3A-图3C进一步图示出图2的系统和方法的操作；

图4图示出根据本发明的实施例的对齿轮减速器进行建模和模拟的示例；以及

图5图示出根据实施例的处理系统的框图。

具体实施方式

本发明的实施例提供了一种用于利用数值模拟和预测性机器学习算法的数据驱动机器诊断的方法和系统。根据本发明的方法和系统使用机器学习过程和数值模拟，以使用来自传感器(例如，嵌入式传感器)的信号来识别潜在的机器缺陷。尽管主要结合齿轮减速器来描述本发明，如本领域普通技术人员将认识到的，但是本发明不限于此，并且本发明的特征适用于其他类型的齿轮箱(例如，增速器、差速器等)以及其他类型的机械或机电机器(例如，涡轮增压器、涡轮机、压缩机、泵、发电机、DC(直流)电动机、PM(永磁体)机器、有刷机器、感应机器等)。

本发明的实施例使得能够及早(例如，在故障之前)发现齿轮减速器中的缺陷，从而显著降低了由于齿轮减速器的不可操作性而导致机械系统的计划外停机的风险。例如，本发明的实施例可以被用于识别齿轮减速器内的潜在缺陷，以防止其灾难性故障。

本发明相对于现有技术所实现的优点包括减少长期操作成本(例如，通过减少所需的预防性维护的数量)，降低更换部件的成本(例如，由于减少了附带部件的损坏或尽早更换零件)，以及防止系统的计划外和/或延长的停机时间。

本发明的实施例还提供了对现有技术的技术提升。例如，传统的基于电子的故障检测通常仅限于检测故障时(或即将在故障之前)的实质缺陷，这常常需要立即关闭(即使避免了灾难性故障)，而本发明的实施例使用机器学习(利用数据对训练)以高概率预测故障；以及因此，通过在故障发生之前就检测出缺陷，使得能够避免或减轻故障，从而允许有计划地关闭系统。因此，当通过本发明的实施例检测到缺陷时，齿轮减速器可以被停止或减速以防止灾难性故障。然后可以安排齿轮减速器的大修/维修或更换。

作为另一示例，传统的基于电子的故障检测通常依赖于检测超过给定阈值(例如，已知良好的参考)的多个传感器信号之一。然而，尽管可以检测到故障，但直到齿轮减速器退出使用并被拆卸进行检查之前，该故障的根本原因仍然未知。只有到那时，才能判定维修是否可行、需要哪些备件或者是否需要安装新的齿轮减速器。这可能会导致明显(且代价高昂)的延迟和停机时间。然而，本发明的实施例使得能够及早识别故障的根本原因。这种早期的根本原因识别可以在齿轮减速器继续使用时发生；以及因此，可以采取纠正动作，而不会对生产和成本造成明显影响。纠正动作包括计划内的用于维修/大修的停机、订购正确的备件以及齿轮减速器在降低的速度/负载下继续操作。另外，本发明的实施例能够使用仅来自一个传感器的信息来起作用，从而避免了使用传统故障检测系统所需的多个传感器的成本。

本发明的实施例采用机器学习模型(诸如神经网络)来检测齿轮减速器中的缺陷。这种机器学习模型不仅可以检测故障的存在，还可以识别缺陷类型或根本原因(例如，轴承故障)。因此，通过采用这种机器学习模型，实施例检测齿轮减速器的早期预警标志(即，异常操作特性)，在部件级别上识别缺陷的类型，然后向状况的适当决策者发出警报，使得可以安排纠正动作。

可以利用已知缺陷和对应的传感器信号的数据对来训练本发明的机器学习模型。传感器信号在时域中被给出，并且可以使用离散傅立叶变换算法(诸如FFT(快速傅立叶变换))被转换到频域。可以通过神经网络的反向传播来完成训练，但是其他训练协议也是可能的。通过数值优化，机器学习模型然后可以学习传感器信号和缺陷之间的高维非线性映射。

可以通过使用大量数据对训练模型来提高机器学习模型的准确性。可以使用齿轮减速器的数值模型(例如，数值模拟环境)获得数据对。数值模型可以被更新(例如，周期性地或连续地被更新)以创建现实世界的齿轮减速器的数字孪生(digital twin)。通过更新数字孪生，数值模型与被监控的齿轮减速器保持(和/或收敛)到高度相似性。可以在数值模型中模拟缺陷，以提供用于训练机器学习模型的数据对，以检测齿轮减速器的实际故障。随着数值模型的更新，可以生成新的数据对。

用于生成数据对以训练机器学习模型的计算机模型可以是捕获齿轮减速器组件的结构动力学的有限元(FE)模型。FE模型可以利用现实世界的传感器数据而被连续地校准和更新(例如，以保持与其现实世界的对应部分相似)。可以在FE模型中模拟缺陷和传感器信号，以创建数据对来训练机器学习模型。例如，可以使用干扰力输入或时间变化刚度矩阵来对齿轮齿或轴承缺陷进行建模，并且可以从时域和频域的有限元模拟结果中提取建模的传感器数据，以形成缺陷-传感器数据对以用于训练。

适用于测量齿轮减速器信息的传感器可以包括与齿轮和/或输入或输出轴相关联的加速度计、与在其上操作齿轮的一个或多个轴相关联的应力和/或应变仪、噪声传感器、温度传感器、以及其他传感器。而且，替代多个传感器，可以使用单个传感器(诸如三轴加速度计)并将其放置在合适的位置(诸如齿轮减速器的主壳体的中心点)。可以使用单个传感器，因为特定部件中的缺陷的影响可以传播到整个齿轮减速器系统(例如，运动学部件和静态部件)。

使用数值模型(例如，FE模型)来创建用于训练的数据对是对较简单的机器学习模型的技术增强，较简单的机器学习模型仅可以使用与历史机器状况相对应的实际传感器读数来训练机器学习模型。然而，依赖基于历史的方法需要大量的故障数据，这些故障数据通常不可用和/或难以开发或及时地开发。因此，尽管本发明的实施例还可以利用历史和现实世界故障数据来训练其机器学习模型，实施例可以在没有该数据的状况下提供高精度故障检测。因此，数值模型的使用使得本发明的实施例能够获得非常大量的数据对，以用于与必须收集历史数据相比更高效地训练神经网络。

一旦被训练，机器学习模型就可以输出针对与从操作齿轮减速器的传感器读数接收到的操作数据相对应的各种缺陷的概率。可能发生——以及因此可以使用本文所述的系统和方法(例如用于齿轮减速器)进行检测或预测——的缺陷类型的示例包括轴承、齿轮或轴的缺陷。缺陷可以有很多不同的类型，并且有很多不同的根本原因。轴承和齿轮的缺陷类型的例子包括磨损、划伤、塑性变形和赫兹疲劳(即，表面疲劳)。这些缺陷的根本原因包括润滑不足、腐蚀、负载过大等。诸如水或灰尘等异物的夹杂也会创建不利地影响齿轮减速器性能的条件。

本发明的另一个优点是，可以将其添加到已经在现场安装的齿轮减速器中，并且对于实现本发明的检测机构不需要停止齿轮减速器。例如，本发明的实施例可以使用来自被添加到齿轮减速器的外部的传感器(或者在优选实施例中为单个传感器)的信号，或者使用预先存在的传感器(例如，那些嵌入在齿轮减速器内的传感器)。传感器信号被馈送到神经网络或其他类型的机器学习模型，以检测、定位和表征缺陷。

本发明的实施例可以与用于监控关键机器(诸如大型齿轮减速器)的其他技术(例如，工业4.0和物联网(IoT)技术)集成。例如，实施例可以被集成到集中式电子仪表板(或信息中心)中，该集中式电子仪表板可以被用于分析关于各种设备的状态和状况的所有信息。如果某台机器(例如，齿轮减速器)显示出可能导致灾难性故障的缺陷标志，则可以集中制定生产计划的备选方案。

图1示出了可以由本发明的系统和方法监控的齿轮减速器的示例。齿轮减速器100是同心齿轮减速器(即，具有同心的输入轴102和输出轴103)。本发明的实施例不限于齿轮减速器的特定设计，而是可以应用于齿轮减速器(或其他类型的齿轮箱和机械)的各种类型和配置。

齿轮减速器具有壳体101，壳体101包围齿轮减速器100的运动学部件(例如，轴、齿轮、轴承等)。

齿轮减速器100包括输入轴102和输出轴103。这些轴(102、103)部分地突出到壳体101之外，使得它们可以在操作中被可操作地耦合到其他设备。

在操作中，输入轴102被可操作地耦合至原动机(例如，电动机)，而输出轴被可操作地耦合至从动设备(例如，输送机、给料机、轧机等)。齿轮减速器100被配置为减小输入轴102处的转速以在输出轴200处输出较低的速度，并且增大施加至输入轴102的转矩以在输出轴103处输出较高的转矩。

齿轮减速器100包括多个轴承104。轴承104位于轴(102、103、109)与壳体101之间，并且两者将轴(103、103)平移地固定在壳体101内并允许轴旋转。轴承104通常是滚动元件轴承。滚动元件轴承有许多不同类型，诸如圆锥滚子轴承、圆柱滚子轴承和球轴承。

多个齿轮(105-108)被固定到输入轴102、中间轴109和输出轴103。相邻齿轮的齿可操作地彼此啮合，使得输入轴102的旋转导致中间轴109和输出轴也旋转103。齿轮(105-108)具有特定的特性，诸如齿的半径和齿数。通过调节齿轮(105-108)的特性，可以实现速度的各种降低和转矩的增加。例如，如果第一齿轮105的齿比第二齿轮106的齿少，则中间轴109的旋转速度将比输入轴102的旋转速度低。此外，如果第三齿轮107的齿少于第四齿轮108的齿，则输出轴103的旋转速度将低于中间轴109和输入轴102两者的旋转速度。

壳体101还可以包含用于润滑和冷却齿轮减速器100的运动学部件的油。油将被填充到限定的油位110。密封件111位于输入轴102和输出轴103的开口处以密封壳体的内部。

齿轮减速器的每个组成部件可能具有机械缺陷，其可能导致齿轮减速器的故障，包括较小的故障(例如，操作性能的降低)和灾难性的故障(例如，导致功能完全丧失)。这样的机械缺陷可能随着时间而发展(例如，由于老化、磨损或循环应力)，或者可以是源自部件制造或齿轮减速器组装的潜在缺陷。此外，随着时间，较小的缺陷可能会变得越来越严重。

如果未及时检测到齿轮减速器内的缺陷，齿轮减速器可能会灾难性地发生故障。灾难性的齿轮减速器故障意味着齿轮减速器不再能够按预期操作，并且原动机(例如，电动机)的机械动力无法再传递给机械负载(例如，传送带或泵)。齿轮减速器的灾难性故障可能导致危险状况，在该危险状况下无法再控制机械负载的运动。

在齿轮减速器中经常示出缺陷迹象的两个主要部件类别是齿轮(诸如齿轮105-108)和轴承(诸如轴承104)。

齿轮缺陷的常见类别包括磨损、划伤、塑性变形、赫兹疲劳、破裂和其他表面损伤(参见例如描述这些类别的齿轮缺陷的ANSI/AGMA 1010-F14，其全部内容通过引用并入本文)。由这些缺陷引起的故障的示例包括：齿轮发生齿根断裂而导致齿断裂，或者齿轮的塑性变形变得足够大以使得齿轮啮合不再可能。然而，大多数类型的缺陷最终都可能导致齿轮减速器发生灾难性故障。例如，故障的有缺陷部件的碎片会导致一系列级联事件，从而导致进一步的损坏并最终导致灾难性故障。

缺陷类别的类似集合可以被同样针对滚动元件轴承来定义。同样，与齿轮一样，较小的缺陷可能会发展成为明显的问题。例如，滚动元件轴承可能具有位于内轴承圈上的小的初始缺陷。在操作中，该小的缺陷可能随着时间而增长，破裂可能形成并移动到内轴承圈的表面，金属碎片可能分离，并且严重损坏的内轴承圈和金属碎片可能导致轴承卡死。

齿轮和轴承不是缺陷和设备故障的唯一来源。例如，由于(旋转)轴(诸如轴102、103和109)的循环负载而引起的疲劳故障也可能是一个问题。疲劳故障可能会随着轴的断裂而发展，轴的断裂可能发生在高应力集中的区域(诸如键槽、花键或拐角)。另一个示例包括电动机和齿轮减速器输入轴的未对准，这可能由于高的径向和轴向负载、力矩负载和温度而导致联轴器或轴承出现缺陷并最终故障。轴封的故障和油的流失可能导致润滑不足的问题。过多的热量或油污也会引起润滑问题。

齿轮减速器的缺陷(和故障)通常伴随着由齿轮减速器表现出的其他种类的症状(诸如过度的振动、声发射、异常温度等)。本发明的实施例检测这些症状的表现，并做出关于齿轮减速器中潜在或存在的缺陷的预测。

为了检测齿轮减速器中的缺陷的症状表现，通过至少一个传感器来收集(例如，连续地、周期性地或偶尔地收集)齿轮减速器的操作数据。例如，可以使用加速度计或激光振动计来测量振动，可以使用麦克风来测量声发射，以及可以使用热电偶或RTD来测量内部温度。而且，油传感器可以用来测量油的填充水平和污染物的浓度。也可以使用力和扭矩传感器。这些传感器可以嵌入到齿轮减速器中或外部安装。

例如，图1的实施例示出了壳体101上的外部加速度计112。应当理解，加速度计112代表一种可能传感器的类型，其可以备选地或附加地被实现为单独的应力、应变、温度、噪声和/或其他类型的传感器，或者与一个或多个其他传感器组合在传感器模块113中的应力、应变、温度、噪声和/或其他类型的传感器。可以使用一个或多个传感器模块。在图1的图示中，示出了与输入轴102和输出轴103相关联的附加传感器模块113，以检测轴的状况以及轴承104、中间轴109、齿轮105-108、与还支撑轴102和103的内端的壁114相邻的壳体、以及其他位置的状况。在所示的实施例中，加速度计112测量振动(例如，由于轴振动引起的壳体振动等)。可以选择加速度计112的带宽和灵敏度，使得可以捕获齿轮啮合和轴承的频率。根据本发明的实施例，仅一个传感器(诸如图1中的一个加速度传感器112)可以被用于检测操作数据，而在其他实施例中可以使用多个传感器。

数据获取系统(DAQ)也可以用于收集齿轮减速器的操作数据。DAQ可以是工厂中已用于监控或控制其他设备的现有基础设施的一部分。

在实施例中，传感器可以是可移除的，并且由此仅在某些时间(例如，作为每月/每周检查的一部分)获取操作数据，而不是像其他实施例那样连续地获取操作数据。当传感器非常昂贵和/或仅需要偶尔测量齿轮减速器性能时，可移除传感器可能被证明更为可行。然而，当齿轮箱具有高价值、过程非常关键和/或传感器和电子设备的成本相对较低时，永久安装的传感器可能是可行的。

通过机器学习模型来接收操作数据，该机器学习模型用于做出关于缺陷的存在或将来可能发生的预测。在实施例中，机器学习模型是深度神经网络(DNN)，该DNN由多层组成。

图2是本发明实施例的系统和方法的半示意图。图3A-图3C进一步图示出图2的系统和方法的缺陷检测(图3A)、训练(图3B)、以及数据生成(图3C)的操作。

图2示出了在用于监控齿轮减速器的系统200中的边缘计算机202中被实例化的机器学习模型201。如图2和图3A所示，机器学习模型201被配置为执行机器学习诊断操作(300)。在机器学习诊断操作(300)中，机器学习模型201从与目标机器(例如，优选实施例中的齿轮减速器)相关联的一个或多个传感器203接收操作数据，处理该操作数据以使得对机器中缺陷的存在和类型进行预测(302)，以及将缺陷预测(例如，作为机器诊断信息的一部分)输出到用户界面204(303)。提供操作数据的传感器203可以实现为与如图1所示的、诸如加速度计112和/或一个或多个传感器模块113之类的设备相关联的传感器。缺陷预测可以包括对哪个部件具有缺陷(例如，轴承、齿轮、轴等)和/或存在什么缺陷类别(例如，磨损、划伤、塑性变形、赫兹疲劳(即，表面疲劳)、破裂等)。机器学习模型201还可以输出有关设备健康状况的数据，可以将设备健康状况不同地表述为在可预见的未来期间不存在预测的故障。

传感器203可以在外部或嵌入在受监控的机器中。传感器也可以是可移除的(例如，便携式的)。传感器203可以经由任何已知的手段(诸如信息的有线或无线通信等)而被连接到边缘计算机202。如同传感器203一样，边缘计算机202可以是现有且永久安装的基础设施或可移除单元的一部分。用户界面204也可以被包括在边缘计算机202中或者可以是单独的设备。用户界面204可以用于显示齿轮减速器的健康状况和潜在的缺陷(例如，关于不同轴承或齿轮的信息，诸如指示轴承故障、齿轮故障或其他故障的显示元件)。可以简化与齿轮减速器的健康状况相关的显示，诸如当设备在期望参数范围内操作时使用绿色背景，当存在故障或潜在故障警告时使用黄色，当认为存在故障时使用红色。

机器学习模型201和/或传感器203可以与数据记录器205通信。数据记录器205存储与被监控机器(例如，齿轮减速器)相对应的历史数据，包括由机器学习模型201产生的传感器数据和缺陷信息。数据记录器205还可以存储与除了当前被监控的机器以外的设备相关的历史信息。数据记录器可以是边缘计算机202的一部分，或者可以是诸如数据采集系统(DAQ)的单独的设备。

图2的机器学习模型201可以是神经网络(然而，其他机器学习模型也可以被使用)。图2中所示的神经网络的图表是互连的神经网络的简化表示。

通常，神经网络松散地基于生物大脑，并且具有彼此连接(人工突触)的节点(人工神经元)的集合。网络(或图形)的特定实现是通过连续的层将某些节点的输出连接到其他节点的输入而形成的。层、节点和突触以软件形式实现，例如作为有序矩阵。附加地，可以为两个节点之间的每个连接分配权重。

当节点在其输入处接收到信号时，它对一个层上的信号执行功能，并将输出发送到该节点所连接到的其他节点，该其他节点可以在其他层上。因为节点的输入可能被连接到多个其他节点(或其他外部输入)，所以输入信号是接收到的输入的加权平均值(权重由分配给每个连接的权重定义)。附加地，可以将偏差项添加到输入的总加权总和中(例如，以用作偏移节点功能的阈值)。神经网络可以包括预定义的初始节点函数、权重和偏差。

节点可以被布置成多个层，包括输入层和输出层，在它们之间可能有中间层。每层可以有多个节点。例如，在本发明的实施例中，输入层中节点的数量可以对应于可能来自传感器的不同响应信号的数量。可以在中间层中使用池化层(pooling layer)来对相似的传感器信号进行分组。输出层中节点的数量可以对应于将要区分的可能的部件缺陷的类型。

这些各种层的许多不同的布置和尺寸是可能的。实际上，可以基于反复试验来调整深度神经网络中神经元的层数和数目，并且选择性能最好的一个作为模型，以实现为机器学习模型201。例如，机器学习模型201的神经网络是四层网络，具有输入层L₀、中间层L₁和L₂以及输出层L₃。每层具有三个节点a₀、a₁和a₂。

可以通过训练过程(即，学习)来修改连接的权重以及节点的偏差和功能，以配置或训练网络以提供针对给定输入的有利输出。常见的训练过程采用梯度下降，使用反向传播来计算梯度。这里使用的反向传播是“错误的反向传播(the backward propagation oferrors)”的简写，因为错误是在输出处被计算，并反向分布在整个网络的各层中。在训练过程中，可以使用具有已知输入和期望输出的数据训练集合。在此，神经网络获取输入信息并生成输出，以及基于计算出的输出和训练输出数据来确定错误。可以根据错误更改权重、偏差和功能。一旦经过充分训练，神经网络将为特定输入提供期望的输出。如下面更详细描述的，在实施例中，输入可以是传感器信号，而输出可以是缺陷预测。特定的、预先选择的性质的模拟的故障可以用于加快训练过程。

在齿轮减速器的正常操作期间，可以从基于时间的传感器信号中提取多个有用的特征(例如，频域中的输出频谱和频率响应)。到神经网络的输入是利用一些附加的数值处理(诸如缩放、归一化和标准化)提取的特征。

然而，在正常操作之前，对机器学习模型201进行“训练”，以便能够准确地识别部件缺陷(即，进行准确的预测)。图3B示出了训练操作304，其包括以下步骤：接收作为缺陷和信号数据(例如，频谱或频率响应)的数据对的缺陷信息(305)；以及在接收到的缺陷信息上训练机器学习模型(306)。在机器学习模型是神经网络的实施例中，神经网络训练操作(306)可以是反向传播过程。

在训练神经网络机器学习模型201期间，通过优化迭代更新其参数以达到适当的范围。在训练过程中，传感器信号和缺陷类型两者都是到神经网络的输入(例如，作为缺陷-信号数据对)。网络参数被迭代地更新，直到预测的缺陷类型(定义为数值)与基本事实(ground grand-truth)之间的损失小于定义的值为止。

根据实施例，利用已知部件缺陷和对应的传感器信号的数据对来训练机器学习模型201。通过数值优化，机器学习模型随后学习传感器信号与部件缺陷之间的高维非线性映射。为了准确性，神经网络的训练需要大量的数据对。

数据对可以来自历史(现实世界)数据。例如，数据对可以来自原型测试数据、相似机器的历史数据、或者可以从存储在数据记录器204中的记录的操作历史中提取。

然而，(例如，由于大量可能的操作状况、减速器配置、传感器类型和传感器位置)获得足够的现实世界数据以训练准确的模型可能是非常具有挑战性的。因此，本发明的实施例也能够利用模拟的数据对进行训练。实施例甚至可以主要地在模拟的数据上被训练或者最初仅在模拟的数据上被训练。

在实施例中，模拟环境206用于在存在各种类型的部件级缺陷的情况下对齿轮减速器的动力学建模，以获得用于训练的数据对。通过这种方式，大量数据对可以生成并且用于训练神经网络。而且，与仅依赖历史数据时相比，可以更快地获得训练机器学习模型201所需的适当数量的数据对。

图3C示出了用于生成用于训练机器学习模型的数据对的操作307的实施例。首先，将齿轮减速器的模型(例如，数值模型)实例化为模拟环境206(308)。接下来，将缺陷施加于模型(309)。缺陷可以例如作为时间变化的周期性激励力而被施加。在实施例中，所施加的缺陷将与建模机器的特定部件的特定缺陷的影响相对应。接下来，机器的模型模拟在缺陷情况下机器的操作(310)，以确定与所施加的缺陷相对应的动态响应(311)。动态响应可以是局部的，并且可以是与特定传感器类型相对应的类型，该特定传感器类型位于在其上建模了动态响应的特定位置的物理机器上。例如，当诸如加速度计112(图1)之类的加速度计从外部安装到壳体101以测量并提供振动信号时，模型被配置为指示在该模型上的传感器位置处的预期加速度(振幅和频率)。然后，将输入的缺陷和确定的动态响应存储为模拟的缺陷-信号数据对(312)。然后，操作307可以重复输入缺陷(309)、模拟缺陷(310)以及确定动态响应(311)的步骤，直到获得合适数量的数据对为止。

附加地，可以通过更新(例如，周期性地或连续地更新)模拟环境206以更好地匹配所监控的设备，来提高训练数据对的准确性(以及因此机器学习模型201的准确性)。即，可以创建和维护现实世界中的齿轮减速器的数字孪生。通过更新数字孪生，数值模型与被监控的齿轮减速器保持(和/或收敛至)高度相似。

在实施例中，模拟环境206使用有限元方法(FEM)创建用于训练的数据对。例如，FEM可以对齿轮箱壳体的动态响应进行建模和模拟。在此模拟的环境中，动态激励源(力)可以被放置在不同的轴承座上。可以改变动态激励力的幅值、频率和方向，以模拟不同的轴承速度和缺陷类型。使用FEM来执行强制振动分析，以获得在与物理系统上使用的加速度计的物理位置相匹配的加速度计的理论位置处的动态响应。

图4示出了根据本发明的实施例的对齿轮减速器进行建模和模拟的示例。在此示例中，仅对齿轮减速器的壳体建模。齿轮减速器的轴、轴承、齿轮和其他部件未被建模。替代的是，由这些部件施加在壳体上的力被施加到壳体上的各个表面(即轴承座)，这将在后面解释。

图4描绘了两级斜齿锥齿轮减速器壳体400的有限元(FE)模型。齿轮减速器壳体模型400具有输入侧401和输出侧402。对应的现实世界的齿轮减速器具有3个轴，每个轴具有2个滚动元件，这些不是模型400的一部分。现实世界减速器的滚动元件由轴承座处的壳体支撑。

如图4所示，壳体模型400具有由螺栓固定在一起的四个零件。壳体的零件是主壳体403、输入轴壳体408、输入轴承板409和后盖板410。壳体零件403、408、409和410的材料可以被建模为灰铸铁，但是也可以使用铸造铝合金或塑料。齿轮减速器壳体模型400的配置可以被设置为与旨在用于诊断监控的现实世界的机器等效。

齿轮减速器壳体400的FE模型可以用于生成大量的训练数据。例如，可以在ANSYS(ANSYS Mechanical)等公司的商用FE软件中实现此FE模型。FE模型可以使用数值方法来评估复杂的系统，包括提供响应于机器系统中存在的施加的力和力矩而导致的呈位移、速度和加速度形式的解决方案。FE模型通常将较大的复杂系统划分为较小的简单部分，称为有限元。用于对较简单的有限元建模的方程式也较简单。这些较简单的方程式组成对复杂机器系统建模的方程式系统。

在图4的FE模型中，元件类型主要是四面体，并且元件尺寸约为主壳体403的总长度的1％。螺栓连接(例如，螺栓连接406和407)是使用在配合面处的摩擦接触以及带有用以表示螺栓的圆形横截面的预加载梁元件而被建模的。同样还有其他可能性来建模螺栓连接。材料模型使用的是各向同性的线性弹性金属合金。位移约束也可以施加到主壳体403的安装在其上的底表面(例如，在形成到主壳体403上的安装凸缘412处，该安装凸缘可以以螺栓连接413固定到安装位置)。许多其他建模方式同样是可行的。

为了说明获得训练数据对的一种示例性方法，考虑在径向方向上在轴承座处施加动态激励力的FE模拟环境。例如，为了模拟高速小齿轮轴在输入侧401的轴承中的缺陷的目的，向轴承座404施加了动态激励力。在另一示例中，为了模拟输出侧402处的用于输出轴的轴承中的缺陷的目的，动态激励力可以被施加到轴承座411。如本领域普通技术人员将容易理解的，还可以例如通过施加切向(或任何其他方向的)力或将力施加到其他部件来执行许多其他模拟。FE模拟产生了主壳体403表面上元件节点随时间变化的位移、速度和加速度(即，动态响应)，并且由此识别了用于外部安装的传感器(例如，加速度计)的最适合的位置405。壳体结构的实际振动测试将是识别用于加速度计的优选位置的另一种方式。

在图4的实施例中，用于传感器(例如加速度计)的位置405在壳体403的顶部中央。传感器可以是例如三轴加速度计，诸如PCB356A15 IEPE加速度计，其通过双头螺栓或氰基丙烯酸酯粘合剂(“强力胶(superglue)”)安装。磁性安装也是可能的，但这些通常具有较低的带宽。然后，FE模型可以在此特定传感器位置405处模拟时间变化的位移。当通过上述讨论的方法进行监控时，对应的现实世界的齿轮减速器可以在该相同位置处包括实际的等效传感器。

根据轴承中滚动元件的数量并且根据轴的旋转速度，计算出在FE模拟环境中用来模拟轴承中某种类型缺陷的激励力的频率。例如，对于齿轮减速器中的高速小齿轮轴，输入速度可以是1750rpm，并且支撑该轴的2个轴承之一中的滚动元件的数量可以是8。在本示例中，所产生的激励力的频率为大约230Hz。若干径向方向和幅值用于激励力，并且每次计算位移响应以生成用于训练的数据对。位移响应可以在时域中或频域中。对于其他轴承位置和其他类型的缺陷，使用其他激励频率重复此过程。如本领域普通技术人员容易理解的那样，可以执行许多其他计算以计算其他缺陷的频率，诸如齿轮缺陷或轴缺陷。发现传递函数或频率响应函数(FRF)使轴承处的激励力与加速度计位置处的响应相关。然后，所施加的激励力对应于特定的轴承缺陷，位移响应则对应于模拟的传感器数据，并且它们共同定义了缺陷-传感器数据对。

然后，利用由FE模型产生的数据来训练本发明的机器学习模型，并且将用于获得操作数据的传感器以与用于模拟的相同的方式放置在计算出的位置。训练后，机器学习模型将能够检测被监控的齿轮减速器中的故障。因此，提供了一种用于早期故障检测的有效机制。

图5是根据实施例的机器诊断处理系统的框图。机器诊断处理系统500包括机器诊断计算机501和用户界面514。

机器诊断计算机501被配置为实现本发明的数据驱动诊断的系统和方法。例如，机器诊断计算机可以被配置为实现边缘计算机202、模拟环境206和/或数据记录器205。机器诊断计算机501包括处理器504，诸如计算设备或分布式处理器系统的中央处理单元(CPU)。处理器504执行处理器可执行指令以操作本发明的系统的实施例和/或执行本发明的方法。在实施例中，处理器可执行指令是本地存储的，或者从非暂时性计算机可读介质(诸如储存装置510(其可以是硬盘驱动器、云储存装置、闪存驱动器等))远程存储和访问的。例如，本发明的实施例可以存储被配置为实现处理器可执行指令以操作本发明的系统和/或执行本发明的方法的专用计算机软件。只读存储器(ROM)506包括用于初始化处理器504的处理器可执行指令，而随机存取存储器(RAM)508是用于加载和处理由处理器504执行的指令的主存储器。网络接口512可以连接到有线网络或蜂窝网络以及局域网或广域网，诸如因特网。

机器诊断计算机501与用户界面514进行操作通信，使得操作员可以与机器诊断计算机501进行交互。例如，用户界面501可以显示警报，该警报警告操作员被监控机器中的缺陷。警报可以包括在被监视机器上的何处找到特定缺陷的特定指示符，该特定指示符例如可以通过突出显示具有缺陷的被监控机器的一部分表示。在一个实施例中，用户界面514包括用户界面204。

尽管已经在附图和前面的描述中详细地图示和描述了本发明，但是这样的图示和描述应被认为是说明性或示例性的而不是限制性的。应当理解，本领域普通技术人员可以在所附权利要求的保护范围内进行改变和修改。特别地，本发明覆盖具有来自上文和下文描述的不同实施例的特征的任何组合的其他实施例。另外，本文中表征本发明的陈述是指本发明的实施例，而不一定是所有实施例。

权利要求中使用的术语应被解释为具有与前述描述一致的最广泛的合理解释。例如，在引入元素时，冠词“一个(a)”或“该(the)”的使用不应被解释为排除多个元素。同样，对“或”的引用应解释为包含性的，因此对“A或B”的引用并不排除“A和B”，除非从上下文或前面的描述中可以清楚地看出，A或B中的仅一项是预期的。此外，对“A、B和C中的至少一个”的引用应解释为由A、B和C组成的一组元素中的一个或多个，并且无论A、B和C是否与类别相关，都不应解释为要求列出的元素A、B和C中的每个元素的至少一个。此外，对“A、B和/或C”或“A、B或C中的至少一个”的引用应解释为包括所列元素中的任何单个实体(例如，A)，所列元素的任何子集(例如，A和B)，或者元素A、B和C的整个列表。

Claims (20)

1.一种用于机器的数据驱动诊断的系统，所述系统包括在计算机中被实例化的机器学习模型，所述机器学习模型被配置为：

接收所述机器的操作数据；以及

处理所述操作数据以确定机器诊断信息，

其中所述机器学习模型使用模拟的操作数据被训练，所述模拟的操作数据来自缺陷模拟，所述缺陷模拟来自所述机器的模拟环境。

2.根据权利要求1所述的系统，其中所述机器诊断信息包括以下预测：所述机器中存在齿轮缺陷、滚动元件缺陷、或者轴缺陷中的至少一个。

3.根据权利要求1所述的系统，其中所述机器诊断信息包括所述机器中存在以下类别中的至少一种类别的缺陷的预测：磨损、划伤、塑性变形、表面疲劳、或者破裂。

4.根据权利要求1所述的系统，其中所述操作数据从与所述机器相关联的单个传感器被接收。

5.根据权利要求4所述的系统，其中所述单个传感器是加速度计或麦克风。

6.根据权利要求1所述的系统，其中所述机器学习模型是神经网络。

7.根据权利要求6所述的系统，其中所述神经网络使用反向传播被训练。

8.根据权利要求1所述的系统，其中所述模拟的操作数据包括从所述模拟环境获得的多个缺陷-传感器数据对。

9.根据权利要求8所述的系统，其中所述缺陷-传感器数据对中的每个缺陷-传感器数据对通过模拟缺陷以产生与所述缺陷相对应的模拟的传感器数据而被获得。

10.根据权利要求1所述的系统，其中所述模拟环境包括所述机器的结构动态有限元模型。

11.根据权利要求1所述的系统，其中所述模拟环境被配置为基于所接收的关于被监控的所述机器的信息而被更新，以将所述模拟环境校准到所述机器。

12.根据权利要求1所述的系统，其中所述机器学习模型使用以下中的至少一个被训练：来自与所述机器相似的机器的历史数据、原型测试数据、或者所述机器的历史数据。

13.根据权利要求1所述的系统，所述系统进一步包括数据记录器，所述数据记录器被配置为存储所述机器的历史数据。

14.根据权利要求1所述的系统，所述系统进一步包括用户界面，所述用户界面被配置为向用户显示所述机器诊断信息。

15.根据权利要求1所述的系统，其中所述机器是齿轮箱。

16.根据权利要求15所述的系统，其中所述齿轮箱是齿轮减速器。

17.一种用于机器的数据驱动诊断的方法，所述方法包括：

实例化机器学习模型；

利用模拟的操作数据来训练所述机器学习模型，所述模拟的操作数据来自缺陷模拟，所述缺陷模拟来自所述机器的模拟环境；

通过所述机器学习模型来接收所述机器的操作数据；以及

通过所述机器学习模型来处理所述操作数据，以确定机器诊断信息。

18.根据权利要求17所述的方法，所述方法进一步包括：

通过所述模拟环境模拟多个缺陷来产生多个模拟的传感器数据，以获得多个缺陷-传感器数据对；以及

将所述缺陷-传感器数据对作为所述模拟的操作数据发送到所述机器学习模型。

19.根据权利要求17所述的方法，所述方法进一步包括：基于所接收的关于被监控的所述机器的信息来更新所述模拟环境，以将所述模拟环境校准到所述机器。

20.根据权利要求17所述的方法，其中所述机器诊断信息包括以下预测：所述机器中存在齿轮缺陷、滚动元件轴承缺陷、或者轴缺陷中的至少一个。

Images