CN111649940A - 行走减速机故障模型生成方法、装置和计算机设备 - Google Patents

行走减速机故障模型生成方法、装置和计算机设备 Download PDF

Info

Publication number
CN111649940A
CN111649940A CN202010662489.4A CN202010662489A CN111649940A CN 111649940 A CN111649940 A CN 111649940A CN 202010662489 A CN202010662489 A CN 202010662489A CN 111649940 A CN111649940 A CN 111649940A
Authority
CN
China
Prior art keywords
fault
speed reducer
model
walking speed
states
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
CN202010662489.4A
Other languages
English (en)
Inventor
苏龙飞
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.)
Shanghai Sany Heavy Machinery Co Ltd
Original Assignee
Shanghai Sany Heavy Machinery 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 Shanghai Sany Heavy Machinery Co Ltd filed Critical Shanghai Sany Heavy Machinery Co Ltd
Priority to CN202010662489.4A priority Critical patent/CN111649940A/zh
Publication of CN111649940A publication Critical patent/CN111649940A/zh
Pending legal-status Critical Current

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种行走减速机故障模型生成方法、装置和计算机设，该行走减速机故障模型生成方法包括：获取行走减速机各种故障状态下的振动信号；对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。本发明的行走减速机故障模型生成方法，通过对不同故障状态建立相应的故障诊断模型，可以准确的诊断行走减速机各种故障隐患，并且其诊断故障的成本相对较低，使行走减速机的故障诊断更加高效。

Description

行走减速机故障模型生成方法、装置和计算机设备
技术领域
本发明涉及减速机领域，具体而言，涉及一种行走减速机故障模型生成方法、装置、行走减速机故障诊断方法、计算机设备和可读存储介质。
背景技术
行走减速机作为各种工程车行走装置的重要组成部分，它的运行状况的良好直接关系到行走装置的正常运行，然而减速机中的齿轮又是减速机的核心所在，齿轮的缺陷和失效直接影响减速机甚至是行走装置的安全平稳地运行。现有的行走减速机故障诊断一般由人工来进行，其成本比较高并且诊断效率较低。
发明内容
鉴于上述问题，本发明提供了一种行走减速机故障模型生成方法、装置、行走减速机故障诊断方法、计算机设备和可读存储介质，以准确的诊断行走减速机各种故障隐患，并且其诊断故障的成本相对较低，使行走减速机的故障诊断更加高效。
为了实现上述目的，本发明采用如下的技术方案：
一种行走减速机故障模型生成方法，包括：
获取行走减速机各种故障状态下的振动信号；
对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；
利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
优选地，所述的行走减速机故障模型生成方法中，所述对各种故障状态的所述振动信号利用预设算法分解包括：
对所述振动信号进行小波包分解，获得所述振动信号各频带能量信号；
根据各频带能量信号计算所述振动信号各频带信号的能量总和；
对所述振动信号各频带信号的能量总和进行归一化处理，获得所述振动信号相应的故障特征参数。
优选地，所述的行走减速机故障模型生成方法中，所述预设算法算式包括：
Figure BDA0002579135400000021
式中，ENj为所述振动信号第N层第j个频带的能量总和，SNj为进行小波包分解后所述振动信号第N层第j个频带的特征信号；NNj为所述振动信号第N层第j个频带的能量总和的归一化处理数值；u为所述振动信号的故障特征参数。
优选地，所述的行走减速机故障模型生成方法中，所述预设建模算法包括隐马尔可夫建模算法。
优选地，所述的行走减速机故障模型生成方法中，所述利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型包括：
对所述振动信号的故障特征参数进行离散化处理，获得故障模型的观测输入值；
利用所述观测输入值以及隐马尔可夫建模算法建立相应故障状态的所述故障诊断模型；
利用Baum-welch算法对所述故障诊断模型进行参数估计处理，获得所述故障诊断模型的概率参数。
优选地，所述的行走减速机故障模型生成方法中，还包括：
获取已知故障状态的多个振动信号进行预设算法分解，获得相应故障状态的多个训练数据；
将多个所述训练数据输入至相应故障状态的所述故障诊断模型，进行样本训练。
本发明还提供一种行走减速机故障诊断方法，包括：
获取行走减速机运行状态下实时的振动信号；
对所述振动信号进行预设算法分解，获得相应的能量特征参数；
将各种故障状态下振动信号通过预设算法分解后得到的所述能量特征参数输入至故障模型库中各个故障状态的故障诊断模型，以诊断所述行走减速机当前的故障状态。
本发明还提供一种行走减速机故障模型生成装置，包括：
振动信号获取模块，用于获取行走减速机各种故障状态下的振动信号；
特征参数计算模块，用于对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；
诊断模型建立模块，用于利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
本发明还提供一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行所述的行走减速机故障模型生成方法，或所述的行走减速机故障诊断方法。
本发明还提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行所述的行走减速机故障模型生成方法，或所述的行走减速机故障诊断方法。
本发明提供一种行走减速机故障模型生成方法，该行走减速机故障模型生成方法包括：获取行走减速机各种故障状态下的振动信号；对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。本发明的行走减速机故障模型生成方法，通过对不同故障状态建立相应的故障诊断模型，可以准确的诊断行走减速机各种故障隐患，并且其诊断故障的成本相对较低，使行走减速机的故障诊断更加高效。
为使本发明的上述目的、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发明的技术方案，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发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1是本发明实施例1提供的一种行走减速机故障模型生成方法的流程图；
图2是本发明实施例2提供的一种分解振动信号的流程图；
图3是本发明实施例3提供的一种故障诊断模型建模的流程图；
图4是本发明实施例4提供的一种行走减速机故障模型生成方法的流程图；
图5是本发明实施例5提供的一种行走减速机故障诊断方法的流程图；
图6是本发明实施例6提供的一种行走减速机故障模型生成装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
图1是本发明实施例1提供的一种行走减速机故障模型生成方法的流程图，该方法包括如下步骤：
步骤S11：获取行走减速机各种故障状态下的振动信号。
本发明实施例中，行走减速机可用于挖掘机履带驱动、空港车辆车轮驱动、垃圾压实车辆车轮驱动、收割机的车轮驱动、压路机行走驱动以及用于钻探设备履带驱动。在行走减速机上可以设置有振动加速度传感器，运用振动加速度传感器获取行走减速机在各种故障状态下的振动信号，至少包括正常振动信号、齿轮磨损状态下振动信号、断齿、齿根裂纹状态下的振动信号。并且，获取的振动信号可以传输至计算机设备，以便计算机设备根据振动信号进行故障诊断模型的建立以及根据振动信号进行故障的分析。
步骤S12：对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数。
本发明实施例中，在计算机设备中可以设置有基于预设算法的应用程序，在获取到振动信号后可以输入至该应用程序中，进行预设算法分解，获得该振动信号相应的故障特征参数，也即相应故障状态的故障特征参数。
步骤S13：利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
本发明实施例中，所述预设建模算法包括隐马尔可夫建模算法。在获得各个故障状态的故障特征参数后，可以进行故障诊断模型的建立。其中，每种故障状态各利用相应的故障特征参数建立相应的故障诊断模型，最终建立多个故障状态对应的故障诊断模型并生成故障模型库。
本发明实施例中，上述建模过程可以利用应用程序来实现，例如在计算机设备中可以预先存储有基于隐马尔可夫建模算法的应用程序，在获取到故障状态相应的故障特征参数后，可以利用该故障特征参数进行相应故障诊断模型的建立。
本发明实施例中，通过对不同故障状态建立相应的故障诊断模型，可以准确的诊断行走减速机各种故障隐患，并且其诊断故障的成本相对较低，使行走减速机的故障诊断更加高效。
实施例2
图2是本发明实施例2提供的一种分解振动信号的流程图，包括如下步骤：
步骤S21：对所述振动信号进行小波包分解，获得所述振动信号各频带能量信号。
步骤S22：根据各频带能量信号计算所述振动信号各频带信号的能量总和。
步骤S23：对所述振动信号各频带信号的能量总和进行归一化处理，获得所述振动信号相应的故障特征参数。
本发明实施例中，在对振动信号进行小波包分解前还可以对振动信号进行预处理，也即对振动信号进行平滑去噪、滤波去噪等处理。而预处理后的振动信号进行小波包分解，进行能量特征的提取，作为故障特征参数。得到的护长特征参数不仅可以用于建立相应的故障诊断模型，还可以作为训练数据集或者用于作为测试数据集。
本发明实施例中，预设算法算式包括：
Figure BDA0002579135400000071
式中，ENj为所述振动信号第N层第j个频带的能量总和，SNj为进行小波包分解后所述振动信号第N层第j个频带的特征信号；NNj为所述振动信号第N层第j个频带的能量总和的归一化处理数值；u为所述振动信号的故障特征参数。
本发明实施例中，上述算式即为对振动信号进行N层小波包分解，分解后从低频到高频的2N个子频带分解系数向量，然后得到2N个子频带的特征信号为SNj，以及计算各子频带能量总和ENj。
实施例3
图3是本发明实施例3提供的一种故障诊断模型建模的流程图，包括如下步骤：
步骤S31：对所述振动信号的故障特征参数进行离散化处理，获得故障模型的观测输入值。
本发明实施例中，在进行隐马尔可夫模型建模时，观察值要求为数量有限的离散数值，因此需要对小波包提取的能量特征量进行离散化处理，例如可采用MATLAB工具箱提供的Lloyd算法实现特征向量的标量量化，经过标量量化处理后就可以作为隐马尔可夫模型的观测值进行训练。
本发明实施例中，标量量化技术的具体原理如下：标量量化技术是根据信号幅值分布，在最大值和最小值之间等间距地分割为N-1个区间，将每个区间的幅值映射到N个离散值，则信号生成每个区间的索引值index(x)为隐马尔可夫模型模型训练所用的样本。具体定义如下：
Figure BDA0002579135400000081
上式中i为自然数，x为需要进行标量量化的小波包能量特征值，的partition(i)为分段的边界点，index(x)即为信号x的量化码本。为了实现标量量化，定义一个长度为N-1的分区向量partition和一个长度为N的码本向量，分区向量根据N-1个升序的区间值将信号分为N个区域，然后码本向量根据分区的端点值和区间内的某个值作为该分区的输出值，即得到量化后的特征值。
步骤S32：利用所述观测输入值以及隐马尔可夫建模算法建立相应故障状态的所述故障诊断模型。
步骤S33：利用Baum-welch算法对所述故障诊断模型进行参数估计处理，获得所述故障诊断模型的概率参数。
本发明实施例中，对不同的故障模式建立对应的隐马尔可夫模型，从而建立基于隐马尔可夫模型的减速机故障诊断模型，生成隐马尔可夫模型库。通过小波包分解，获得的在不同频带上的能量特征值作为隐马尔可夫模型的观测输入值，利用Baum-welch算法对其进行参数估计，得到各种故障状态下的状态转移概率矩阵、观测值概率矩阵以及初始概率分布矢量。
本发明实施例中，运用Baum-Welch重估算法得出HMM模型参数λ＝(π,A,B)的具体原理如下：已知选取的初始HMM模型参数λ＝(π,A,B)和给定的观察值序列O＝{o1,o2,...,oT}，根据该算法求出一组新的参数
Figure BDA0002579135400000091
和
Figure BDA0002579135400000092
从而形成新的模型参数
Figure BDA0002579135400000093
此时输出概率
Figure BDA0002579135400000094
新的模型参数
Figure BDA0002579135400000095
在描述观察值序列O方面比初始模型λ更合适。若要得到更好的模型参数就需要不断地迭代训练，即进行不断反复计算，经过多次重估后，直到输出概率P(O|λ)满足收敛要求为止，即迭代停止，此时
Figure BDA0002579135400000096
就是最优的HMM模型。
实施例4
图4是本发明实施例4提供的一种行走减速机故障模型生成方法的流程图，该方法包括如下步骤：
步骤S41：获取行走减速机各种故障状态下的振动信号。
此步骤与上述步骤S11一致，在此不再赘述。
步骤S42：对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数。
此步骤与上述步骤S12一致，在此不再赘述。
步骤S43：利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
此步骤与上述步骤S13一致，在此不再赘述。
步骤S44：获取已知故障状态的多个振动信号进行预设算法分解，获得相应故障状态的多个训练数据。
步骤S45：将多个所述训练数据输入至相应故障状态的所述故障诊断模型，进行样本训练。
本发明实施例中，在生成各个故障状态的故障诊断模型后，还将利用相应的振动信号进行故障诊断模型的训练，也即利用相应的正样本进行预设算法的分解，生成训练数据，并将该训练数据输入至相应的故障诊断模型中进行训练。
实施例5
图5是本发明实施例5提供的一种行走减速机故障诊断方法的流程图，该方法包括如下步骤：
步骤S51：获取行走减速机运行状态下实时的振动信号。
步骤S52：对所述振动信号进行预设算法分解，获得相应的能量特征参数。
步骤S53：将所述能量特征参数输入至故障模型库中各个故障状态的故障诊断模型，以诊断所述行走减速机当前的故障状态。
实施例6
图6是本发明实施例6提供的一种行走减速机故障模型生成装置的结构示意图。
该行走减速机故障模型生成装置600包括：
振动信号获取模块610，用于获取行走减速机各种故障状态下的振动信号；
特征参数计算模块620，用于对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；
诊断模型建立模块630，用于利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
本发明实施例中，上述各个模块更加详细的功能描述可以参考前述实施例中相应部分的内容，在此不再赘述。
此外，本发明还提供了一种计算机设备，该计算机设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使计算机设备执行上述方法或者上述行走减速机故障模型生成装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种可读存储介质，用于储存上述计算机设备中使用的计算机程序。
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，附图中的流程图和结构图显示了根据本发明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，结构图和/或流程图中的每个方框、以及结构图和/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，在本发明各个实施例中的各功能模块或单元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，也可以两个或更多个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(可以是智能手机、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。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种行走减速机故障模型生成方法，其特征在于，包括：
获取行走减速机各种故障状态下的振动信号；
对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；
利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
2.根据权利要求1所述的行走减速机故障模型生成方法，其特征在于，所述对各种故障状态的所述振动信号利用预设算法分解包括：
对所述振动信号进行小波包分解，获得所述振动信号各频带能量信号；
根据各频带能量信号计算所述振动信号各频带信号的能量总和；
对所述振动信号各频带信号的能量总和进行归一化处理，获得所述振动信号相应的故障特征参数。
3.根据权利要求2所述的行走减速机故障模型生成方法，其特征在于，所述预设算法的算式包括：
Figure FDA0002579135390000011
式中，ENj为所述振动信号第N层第j个频带的能量总和，SNj为进行小波包分解后所述振动信号第N层第j个频带的特征信号；NNj为所述振动信号第N层第j个频带的能量总和的归一化处理数值；u为所述振动信号的故障特征参数。
4.根据权利要求1所述的行走减速机故障模型生成方法，其特征在于，所述预设建模算法包括隐马尔可夫建模算法。
5.根据权利要求4所述的行走减速机故障模型生成方法，其特征在于，所述利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型包括：
对所述振动信号的故障特征参数进行离散化处理，获得故障模型的观测输入值；
利用所述观测输入值以及隐马尔可夫建模算法建立相应故障状态的所述故障诊断模型；
利用Baum-welch算法对所述故障诊断模型进行参数估计处理，获得所述故障诊断模型的概率参数。
6.根据权利要求1所述的行走减速机故障模型生成方法，其特征在于，还包括：
获取已知故障状态的多个振动信号进行预设算法分解，获得相应故障状态的多个训练数据；
将多个所述训练数据输入至相应故障状态的所述故障诊断模型，进行样本训练。
7.一种行走减速机故障诊断方法，其特征在于，包括：
获取行走减速机运行状态下实时的振动信号；
对所述振动信号进行预设算法分解，获得相应的能量特征参数；
将所述能量特征参数输入至故障模型库中各个故障状态的故障诊断模型，以诊断所述行走减速机当前的故障状态。
8.一种行走减速机故障模型生成装置，其特征在于，包括：
振动信号获取模块，用于获取行走减速机各种故障状态下的振动信号；
特征参数计算模块，用于对各种故障状态的所述振动信号利用预设算法分解，获得相应的故障特征参数；
诊断模型建立模块，用于利用各种故障状态的故障特征参数以及预设建模算法，建立各种故障状态相应的故障诊断模型，并生成故障模型库。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至6中任一项所述的行走减速机故障模型生成方法，或权利要求7所述的行走减速机故障诊断方法。
10.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至6中任一项所述的行走减速机故障模型生成方法，或权利要求7所述的行走减速机故障诊断方法。
CN202010662489.4A 2020-07-10 2020-07-10 行走减速机故障模型生成方法、装置和计算机设备 Pending CN111649940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010662489.4A CN111649940A (zh) 2020-07-10 2020-07-10 行走减速机故障模型生成方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010662489.4A CN111649940A (zh) 2020-07-10 2020-07-10 行走减速机故障模型生成方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN111649940A true CN111649940A (zh) 2020-09-11

Family

ID=72347664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010662489.4A Pending CN111649940A (zh) 2020-07-10 2020-07-10 行走减速机故障模型生成方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111649940A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487749A (zh) * 2013-09-18 2014-01-01 国家电网公司 高压断路器机械状态在线监测诊断系统及方法
CN103505189A (zh) * 2013-10-21 2014-01-15 东南大学 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法
CN106803101A (zh) * 2016-12-30 2017-06-06 北京交通大学 基于隐马尔科夫模型的里程计故障诊断方法
CN108090427A (zh) * 2017-12-07 2018-05-29 上海电机学院 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法
CN108256173A (zh) * 2017-12-27 2018-07-06 南京航空航天大学 一种航空发动机动态过程的气路故障诊断方法及系统
CN111207926A (zh) * 2019-12-27 2020-05-29 三明学院 一种基于滚动轴承故障诊断方法、电子装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487749A (zh) * 2013-09-18 2014-01-01 国家电网公司 高压断路器机械状态在线监测诊断系统及方法
CN103505189A (zh) * 2013-10-21 2014-01-15 东南大学 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法
CN106803101A (zh) * 2016-12-30 2017-06-06 北京交通大学 基于隐马尔科夫模型的里程计故障诊断方法
CN108090427A (zh) * 2017-12-07 2018-05-29 上海电机学院 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法
CN108256173A (zh) * 2017-12-27 2018-07-06 南京航空航天大学 一种航空发动机动态过程的气路故障诊断方法及系统
CN111207926A (zh) * 2019-12-27 2020-05-29 三明学院 一种基于滚动轴承故障诊断方法、电子装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王晓峰 等: ""基于隐马尔可夫模型的汽轮机故障诊断方法研究"", 《中国工程机械学报》 *

Similar Documents

Publication Publication Date Title
EP2370837B1 (en) Method and system for real time production management and reservoir characterization
RU2503938C2 (ru) Способ и устройство частотного анализа данных
CN105834835A (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
DE102008022125A1 (de) Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen
CN111319601B (zh) 一种均衡风缸控制模块故障诊断方法、装置及存储介质
CN114035228B (zh) 一种基于深度学习的隧道地震波速反演方法及系统
JP6620290B2 (ja) 振動音響解析方法及び装置と機器異常部位推定方法及び装置
CN112362756A (zh) 一种基于深度学习的混凝土结构损伤监测方法及系统
CN114004091B (zh) 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法
Xiong et al. A novel deep convolutional image-denoiser network for structural vibration signal denoising
Huang et al. Structure damage detection based on ensemble learning
CN111649940A (zh) 行走减速机故障模型生成方法、装置和计算机设备
Sundar et al. A mixture model approach for formant tracking and the robustness of student's-t distribution
Matania et al. Transfer across different machines by transfer function estimation
RU2600099C1 (ru) Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления
Arjun et al. Artificial neural network-based estimation of peak ground acceleration
Deng et al. Auxiliary particle filter-based remaining useful life prediction of rolling bearing
Guo et al. Deep learning-based adaptive mode decomposition and instantaneous frequency estimation for vibration signal
CN115453616A (zh) 基于深度学习的隧道地震勘探数据增强方法及系统
Shin et al. Markov chain-based mass estimation method for loose part monitoring system and its performance
CN115577612A (zh) 基于深度学习的隧道电阻率极化率联合反演梯度优化方法
CN104063619B (zh) 一种累计声发射信号kaiser点的识别方法
RU2595929C2 (ru) Способ и устройство для сжатия данных, представляющих зависящий от времени сигнал
Reena et al. Software defect prediction system–decision tree algorithm with two level data pre-processing
Chowdhury et al. Time series forecasting for structures subjected to nonstationary inputs

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: 20200911