CN111855195A - 用于齿轮箱的异常检测方法以及信息处理设备 - Google Patents
用于齿轮箱的异常检测方法以及信息处理设备 Download PDFInfo
- Publication number
- CN111855195A CN111855195A CN201910355453.9A CN201910355453A CN111855195A CN 111855195 A CN111855195 A CN 111855195A CN 201910355453 A CN201910355453 A CN 201910355453A CN 111855195 A CN111855195 A CN 111855195A
- Authority
- CN
- China
- Prior art keywords
- frequency
- gearbox
- correlation
- domain signal
- abnormality
- 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.)
- Granted
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
- G01M13/022—Power-transmitting couplings or clutches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
提供了用于齿轮箱的异常检测方法以及信息处理设备。信息处理设备可以包括处理器,该处理器被配置为:在齿轮箱顺时针旋转和逆时针旋转期间,分别获得齿轮箱的第一检测点和第二检测点在指定时段内的第一连续多个振动信号和第二连续多个振动信号;将第一和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常。处理器进一步被配置为在初步判断存在异常的情况下进行下述处理:将第一连续多个振动信号和第二连续多个振动信号通过时域‑频域变换分别转换为第一频域信号和第二频域信号;计算第一频域信号与第二频域信号之间的相关性;基于所述相关性,确定齿轮箱是否存在异常。
Description
技术领域
本公开总体上涉及异常检测,具体而言,涉及能够自动判断齿轮箱异常或故障的异常检测方法以及能够实现该方法的信息处理设备。
背景技术
齿轮箱是很多工业应用中的重要机械部件。例如,通过齿轮箱的传动作用,可以用于使电机在速度、转矩、惯量等方面适应负载。齿轮箱的自动异常或故障检测对于降低制造企业的生产成本、提高产品质量等具有非常重要的意义。
目前,国内的齿轮箱制造企业普遍采用人工方式来检测产品是否存在瑕疵。检测的成功率严重依赖于工人的经验和状态,无法确保检验的品质。另一方面,基于振动信号分析的解决方案可能需要质检员人工检查频谱是否有异常的频率响应,导致只能进行抽检,无法对每台齿轮箱进行检查。
因此,期望提供一种能够自动判断齿轮箱异常或故障的异常检测方法。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于对自动判断齿轮箱异常或故障的异常检测方法的需求,本发明的目的之一是提供一种用于齿轮箱的异常检测方法以及能够实现该方法的信息处理设备,其能够通自动判断齿轮箱异常或故障。
根据本公开的一个方面,提供了一种异常检测方法。该异常检测方法可以包括:在齿轮箱顺时针旋转和逆时针旋转期间,分别获得齿轮箱的第一检测点和第二检测点在指定时段内的第一连续多个振动信号和第二连续多个振动信号;将第一和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常。该方法可以进一步包括在初步判断存在异常的情况下进行下述处理:将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;计算第一频域信号与第二频域信号之间的相关性;基于所述相关性,确定齿轮箱是否存在异常。
根据本公开的另一方面,提供了一种信息处理设备,其包括处理器,该处理器被配置为:在齿轮箱顺时针旋转和逆时针旋转期间,分别获得齿轮箱的第一检测点和第二检测点在指定时段内的第一连续多个振动信号和第二连续多个振动信号;将第一和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常。处理器进一步被配置为在初步判断存在异常的情况下进行下述处理:将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;计算第一频域信号与第二频域信号之间的相关性;基于所述相关性,确定齿轮箱是否存在异常。
根据本公开的再一方面,还提供了一种使得计算机实现如上所述的用于齿轮箱的异常检测方法的程序。
依据本公开的又一方面,还提供了相应的存储介质,其存储有机器可读取的指令代码,所述指令代码在由机器读取并执行时,能够使得机器执行上述用于齿轮箱的异常检测方法。
上述根据本公开实施例的各个方面,至少能够获得以下益处:利用本公开所提供的用于齿轮箱的异常检测方法、信息处理设备、程序和存储介质,能够自动判断齿轮箱异常或故障,从而提高齿轮箱异常检测的效率并降低人力成本。
通过以下结合附图对本公开的最佳实施例的详细说明,本公开的这些以及其他优点将更加明显。
附图说明
本公开可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中:
图1是示意性地示出根据本公开实施例的用于齿轮箱的异常检测方法的示例流程的流程图。
图2是示意性地示出可应用本公开实施例的异常检测方法的齿轮箱的示意图。
图3是示意性地示出在图1所示的方法中的相关性异常判断步骤中所执行的示例处理的流程图。
图4是用于说明在图1所示的方法中的相关性计算步骤中所执行的一个示例处理的说明图。
图5是示意性地示出根据本公开实施例的异常检测装置的示例结构的示意性框图。
图6是示意性地示出图5中的异常检测装置的相关性异常判断单元的示例结构的示意性框图。
图7是示出了可用来实现根据本公开实施例的异常检测方法、异常检测装置、以及信息处理设备的一种可能的硬件配置的结构简图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
根据本公开的一个方面,提供了一种用于齿轮箱的异常检测方法。图1是示意性地示出根据本公开实施例的用于齿轮箱的异常检测方法100的示例流程的流程图。
如图1所示,异常检测方法的示例流程(或示例方法)100可以包括:第一振动信号获取步骤S101,在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号(也可称为第一时序振动信号);第二振动信号获取步骤103,在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号(也可称为第二时序振动信号);CNN异常判断步骤S105,将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络(CNN)的异常检测模型(下文中也可称为CNN异常检测模型或简称为异常检测模型),以初步判断齿轮箱是否存在异常。
如果在CNN异常判断步骤S105中,基于CNN的异常检测模型判断齿轮箱不存在异常,则示例方法100可以结束全部处理。
另一方面,如果在CNN异常判断步骤S105中,基于CNN的异常检测模型判断齿轮箱存在异常,则示例方法100可以进行到后续的步骤S107至S111:时域-频域变换步骤S107,将第一连续多个振动信号(第一时序振动信号)和第二连续多个振动信号(第二时序振动信号)通过时域-频域变换分别转换为第一频域信号和第二频域信号;相关性计算步骤S109,计算第一频域信号与第二频域信号之间的相关性;以及相关性异常判断步骤S111,基于所述相关性,确定齿轮箱是否存在异常。
作为示例,在第一振动信号获取步骤S101和第二振动信号获取步骤103中,可以利用设置在齿轮箱的第一检测点和第二检测点的振动传感器来分别获得第一时序振动信号和第二时序振动信号。
可以理解,第一检测点和第二检测点的位置选择应该使得在齿轮箱正常工作的情况下,从两个检测点获得的时序振动信号通过时域-频域转换得到的频域信号(即,两个检测点的频率响应)应该尽量相近。因此,第一检测点和第二检测点可以是齿轮箱上相同的点或者是关于齿轮箱的中心对称的点等,以利于在后续的相关性异常判断步骤S111中判断相应的频域信号之间的相关性是否存在异常。设置在检测点以获取振动信号的振动传感器例如可以是安装拆卸方便并且检测效率高的磁吸式传感器。
注意,尽管以上使用“第一/第二检测点”和“第一/第二时序振动信号”的表述,但“第一/第二检测点”可以各自包括多个检测点,分别用于检测不同方向上的振动,相应地,第一或第二时序振动信号可以各自包括从相应检测点获得的多个时序振动信号。
图2示意性地示出了可应用本公开实施例的异常检测方法的齿轮箱,其中标注了可选的第一检测点的位置X1、Y1、Z1以及第二检测点的位置X2、Y2、Z2。在该示例中,第一检测点X1、Y1、Z1分别用于检测齿轮箱顺时针旋转期间各自位置上的X、Y、Z方向的振动幅度,而第二检测点X2、Y2、Z2分别用于检测齿轮箱逆时针旋转期间各自位置上的X、Y、Z方向的振动幅度。这里,仅作为示例,X、Y、Z方向是相对于齿轮箱进行定义的,其中,Z方向为齿轮箱的转动轴(输入或输出轴)的方向,X方向和Y方向为正交于该轴的平面(图2的示例中为齿轮箱的横截面)上彼此垂直的两个方向。
对于如图2的示例中的“第一/第二检测点”和“第一/第二时序振动信号”各自包括多个检测点和多个时序振动信号的情况,在后续处理的过程中,可视需要来区分或不区分每类检查点或时序振动信号。
具体地,对于CNN异常判断步骤S105中的CNN异常检测模型而言,其只需保持训练与应用时的一致性即可。例如,如果训练时不加区分地使用了多个第一检测点(X1、Y1、Z1)和/或多个第二检测点(X2、Y2、Z2)的时序振动信号,则检测时也可以不加区分使用对应于多个检测点的多个时序振动信号(即,任一时序振动信号均可用于CNN异常判断步骤S105);如果训练时使用了特定的第一检测点(例如X1)或第二检测点(例如X2)的时序振动信号,则检测时优选使用相应的时序振动信号。
另一方面,对于相关性计算步骤S109和相关性异常判断步骤S111中所涉及的相关性而言,需要使用对应的检测点的对应时序振动信号。
例如,如果分别获得了多个第一检测点(X1、Y1、Z1)和多个第二检测点(X2、Y2、Z2)的表示X、Y、Z方向上振动幅度的第一时序振动信号VX1(t)、VY1(t)、VZ1(t)和第二时序振动信号VX2(t)、VY2(t)、VZ2(t)(其中t表示时间)以及对应的第一频域信号AX1(f)、、AY1(f)、AZ1(f)和第二频域信号AX2(f)、AY2(f)、AZ2(f)(其中f表示频率),则需要计算对应的频域信号(AX1(f)与AX2(f)、AY1(f)与AY2(f)、AZ1(f)与AZ2(f))之间的相关性CX、CY、CZ。具体地,需要计算基于第一检测点X1的第一时序振动信号(表示X方向上的振动)而获得的第一频域信号AX1与基于第二检测点X2的第二时序振动信号(表示X方向上的振动)而获得的第二频域信号AX2(也可以称为与X方向上的振动相关联的第二频域信号)之间的相关性CX,并且类似地计算与Y方向上的振动相关联的第一、第二频域信号AY1与AY2之间的相关性CY、以及与Z方向上的振动相关联的第一、第二频域信号AZ1与AZ2之间的相关性CZ。在下文中,为简明起见,如需举例,则将结合第一检测点和第二检测点的时序振动信号各自仅包括单个时序振动信号(例如仅表示X方向上的振动)的示例情况进行描述。
在一个示例中,在CNN异常判断步骤S105中应用的CNN异常检测模型可以是基于卷积神经网络的二分类模型,其通过利用预先标记好正常或异常的训练振动信号进行训练而可以判断输入的时序振动信号是正常还是异常。此处,预先标记好“正常”或“异常”的训练振动信号是针对训练振动信号的单个样本而言。对于整个训练数据集,本领域技术人员可以理解,需要包括预先标记好“正常”的训练振动信号以及预先标记好“异常”的训练振动信号这两类训练数据,这里不再展开描述。本领域技术人员可以理解,训练期间使用的训练振动信号与后续应用模型期间输入的待处理时序振动信号彼此对应(例如信号的时间长度一致),并且可以视情况而区分(训练和应用时均区分)或不区分(训练和应用时均无需区分)信号是在齿轮箱顺时针或逆时针期间获得的。
在本公开实施例的示例方法中,由于CNN异常检测模型给出的仅是初步判断结果,因此,利用较短长度的时序信号对该模型进行训练(以及后续的应用)即可获得准确性可接受的检测结果。举例而言,对于以每分钟24万次的采样率获得的时序振动信号,本示例方法中的CNN异常检测模型可以利用仅10毫秒长度的时序振动信号作为一个训练样本或者待处理数据。相较之下,现有的基于振动信号分析的方法一般需要采集30分钟至60分钟的时序振动信号以通过时域-频域转换获得频率响应并检查频谱异常。因此,本示例方法中的处理降低了训练及应用异常检测模型时的处理负荷并提高了处理效率。
作为示例,所采用的CNN异常检测模型的神经网络架构可以包括输入层、多个中间层(例如卷积层、池化层、Relu(线性修正)层等)、输出层等。对于从输入层输入的时序振动信号,CNN异常检测模型经由多个中间层的处理,在输出层获得处理结果,例如该时序振动信号正常的概率。替选地,输出层可以直接基于时序振动信号正常的概率而给出时序振动信号正常(例如时序振动信号正常的概率大于0.5的情况下)或异常(例如时序振动信号正常的概率小于或等于0.5的情况下)的判断结果。
可以利用各种现有的用于训练卷积神经网络模型的方式来进行上述CNN异常检测模型的训练。例如,可以设置表示异常检测(或二分类)结果准确性的损失函数诸如Softmax损失函数等,并且以损失函数取得最小值为目标通过梯度下降法等各种适当方式对模型进行训练,以获得CNN异常检测模型的最优参数。
在本公开内容的基础上,本领域技术人员可以采用任何适当的方式构建上述CNN异常检测模型,并且基于任何适当的损失函数以各种适当方式进行训练而确定该模型的优化参数,在此不再赘述。
如图1所示,如果在CNN异常判断步骤S105中,CNN异常检测模型判断齿轮箱存在异常,则示例方法100可以进行到时域-频域变换步骤S107,以将第一、第二时序振动信号分别转换为第一、第二频域信号,并且随后进行到相关性计算步骤S109和相关性异常判断步骤S111,以计算第一、第二频域信号之间的相关性并据此进一步确定齿轮箱是否异常。
注意,尽管此处示出了当在CNN异常判断步骤S105中初步判断齿轮箱存在异常时示例方法100才进行到步骤S107以进行时域-频域变换,但替选地,可以例如在第一、第二振动信号获取步骤S101和103中即分别进行两个时序振动信号的时域-频域变换。本领域技术人员可以理解,只要在相关性计算步骤S109的处理之前得到第一、第二时序振动信号的相应频域信号即可,在此无需赘述。
在相关性计算步骤S109中,可以利用各种计算两个信号之间的相关性的方式来计算第一频域信号与第二频域信号之间的相关性。举例而言,可以采用信号处理领域中常用的互相关函数来计算这两个信号之间的相关性。在知晓本公开实施例利用顺时针旋转和逆时针旋转的时序振动信号的相应频域信号之间的相关性进行异常检测的发明构思之后,本领域技术人员可以采用任何计算信号相关性的现有方式执行步骤S109中的处理,因此这里不再展开描述。稍后将会参照图4描述可以用于在相关性计算步骤S109中计算相关性的一个示例处理。
接着,在相关性异常判断步骤S111中,可以基于所计算的相关性,确定齿轮箱是否存在异常。作为示例,可以在所计算的相关性大于预定阈值的情况下,确定齿轮箱存在异常;反之,则确定齿轮箱正常。稍后将会图3描述相关性异常判断步骤S111的一个示例处理(即图1、图3中的标记A与B之间的处理)。
上述利用相关性判断异常的处理是基于发明人对齿轮箱的工作原理的洞察:由于齿轮箱的轴承和齿轮的物理学原理,正常的齿轮箱顺时针和逆时针旋转期间的频率响应(即,通过对相应时序振动信号进行时域-频域变换而获得的相应频域信号)是类似的并且彼此之间具有高相关性,而如果顺时针和逆时针旋转中的一个方向或者双方向出现故障,则会导致顺时针和逆时针旋转期间的不同频率响应,进而导致相应频域信号之间的相关性降低(即相关性异常)。
通过上述示例方法100中所执行的处理,可以利用齿轮箱顺时针和/或逆时针旋转期间获取的时序振动信号、基于预先训练好的CNN异常检测模型,初步判断齿轮箱是否存在异常。接着,在CNN异常检测模型初步判断存在异常的情况下,可以利用齿轮箱顺时针和逆时针旋转期间获取的时序振动信号的相应频域信号之间的相关性,进一步确认齿轮箱是否存在异常。通过结合两种异常检测方案,可以提高齿轮箱异常检测的准确性。
接下来,将参照图3描述图1的示例方法100中的相关性异常判断步骤S111的一个示例处理。
图3是示意性地示出在图1所示的示例方法中的相关性异常判断步骤中所执行的示例处理的流程图。如图3所示,第二异常判断步骤S111的示例处理可以包括:绝对相关性异常检测步骤S1111,用于将整个频域上的第一、第二频域信号之间的相关性分别与第一预定阈值进行比较,以判断是否存在相关性低于第一预定阈值的频率区间;以及第一异常频率区间确定步骤S1112,用于在存在相关性低于第一预定阈值的频率区间的情况下(步骤S1111中的判断结果为“是”),确定在该频率区间内齿轮箱存在异常。
如以上参照图1所讨论的,由齿轮箱的轴承和齿轮的物理学原理,正常的齿轮箱在顺时针和逆时针旋转期间的频率响应彼此之间具有高相关性。因此,本实施例方法将分别与顺时针和逆时针旋转对应的第一和第二频域信号之间的相关性低于第一预定阈值的频域区间确定为齿轮箱存在异常的频率区间(第一异常频率区间)。注意,如果存在多个相关性低于第一预定阈值的频域区间,则将这些频率区间全部确定为异常频率区间。在本公开内容的基础上,用于确定第一异常频率区间的第一预定阈值可以由本领域技术人员通过实验合理地确定,在此不再赘述。
可选地,如图3所示,第二异常判断步骤S111的示例处理还可以包括:相对相关性异常检测步骤S1113,用于在不存在相关性低于第一预定阈值的频率区间的情况下(步骤S1111中的判断结果为“否”),将整个频域上第一、第二频域信号之间的相关性的最小值与中值之比与第二预定阈值进行比较,以判断相关性的最小值与中值之比是否低于第二预定阈值;以及第二异常频率区间确定步骤S1114,用于在相关性的最小值与中值之比低于第二预定阈值的情况下(步骤S1113中的判断结果为“是”),确定在相关性的最小值所在的频率区间内齿轮箱存在异常。
可选地,该示例处理还可以包括齿轮箱正常确定步骤S1115,用于在相关性的最小值与中值之比不低于第二预定阈值的情况下(步骤S1113中的判断结果为“否”),确定齿轮箱不存在异常。
利用上述优选处理,本示例处理可以发现相关性的相对异常。在一些情况下,尽管第一、第二频域信号之间的相关性在整个频域上都不低于第一预定阈值(即,不存在相关性的绝对异常),但是相关性曲线(诸如第一频域信号和第二频域信号之间的互相关函数的曲线)可能在整个频域上出现波动。例如,相关性的最小值与中值相比可能过低(低于第二预定阈值),这表示存在相较于其他频率处的相关性而言,相关性过低的频率点(或频率区间)。在这种情况下,可以将相关性的最小值所在的频率区间确定为异常频率区间(第二异常频率区间),从而进一步降低异常齿轮箱通过故障检测的可能性。在本公开内容的基础上,用于确定第二异常频率区间的第二预定阈值可以由本领域技术人员通过实验合理地确定,在此不再赘述。
在齿轮箱的频率响应分析中,不同频率区间的异常可能表述齿轮箱的不同故障类型。例如,实验分析表明,一些频率区间的异常可能与齿轮箱的轴承异常有关,而一些频率区间的异常可能与齿轮箱的齿轮异常有关。因此,本示例处理中确定异常频率区间的处理可以有利于齿轮箱的故障的进一步定位。
可选地,如图3所示,第二异常判断步骤S111的示例处理还可以包括:信号幅度比较步骤S1116,用于针对存在异常的频率区间(例如通过步骤S1112或S1114确定的第一或第二异常频率区间),确定第一频域信号的幅度是否大于第二频域信号的幅度;顺时针旋转异常确定步骤S1117,用于在异常频率区间内的第一频域信号的幅度大于第二频域信号的幅度的情况下(步骤S1116中的判断结果为“是”),确定齿轮箱在顺时针旋转期间存在异常;以及逆时针旋转异常确定步骤S1118,用于在异常频率区间内的第一频域信号的幅度不大于第二频域信号的幅度的情况下(步骤S1116中的判断结果为“否”),确定齿轮箱在逆时针旋转期间存在异常。
如此前已讨论的,正常的齿轮箱顺时针旋转期间和逆时针旋转期间的频率响应彼此之间具有高相关性,而出现故障则会导致相应频域信号之间的相关性降低。发明人进一步洞察到,如果齿轮箱中有瑕疵,则这样的齿轮箱在顺时针旋转和/或逆时针旋转期间所产生的频域信号可能会出现边带甚至变频窄波,即,产生原本不存在的局部极值。因此,在本示例的优选处理中,可以利用上述现象来在已判断存在异常的情况下,将幅度更大的那个频域信号所关联的旋转方向判断为存在异常。
注意,此处优选地,使第一频域信号和第二频域信号的幅度经过标准化处理以使得二者的比较有实际意义。例如,可以在第一频域信号的幅度保持不变的情况下,对第二频域信号的幅度进行标准化,使得第二频域信号的中值(或最大值)与第二频域信号的中值(或最大值)相等。
利用上述优选处理,本示例处理可以确定齿轮箱的异常是出现在顺时针旋转期间还是逆时针旋转期间,从而有利于检测人员进行更准确的故障定位。
注意,在利用步骤S1111至S1112或者步骤S1111至S1114确定了多个异常频率区间的情况下,可以针对每个异常频率区间分别执行上述处理。相应地,可以得到多个齿轮箱顺序针旋转异常或齿轮箱逆序针旋转异常的判断结果。这些结果并不彼此冲突,而是可能表明齿轮箱在顺序针旋转和逆时针旋转期间均出现了异常。
此外,注意,尽管以上参照图3描述了第二异常判断步骤S111的优选示例处理可以包括步骤S1111至步骤S1118,但实际上,步骤S1113至步骤S1118均是可选的(换言之,可省略的)。
举例而言,第二异常判断步骤S111的示例处理可以仅包括步骤S1111至步骤S1112以确定异常频率区间(第一异常频率区间),并在步骤S1112之后或者在步骤S1111中给出否定判断结果(不存在异常频率区间)时结束处理,以返回至图1的标记B处。再例如,第二异常判断步骤S111的示例处理也可以仅包括步骤S1111至步骤S1114,并在步骤S1112和步骤S1114确定第一、第二异常频率区间之后结束处理,以返回至图1的标记B处。
接下来,将参照图4描述图1的示例方法100中的相关性计算步骤S109的一个示例处理。图4是用于说明在图1所示的方法中的相关性计算步骤中所执行的一个示例处理的说明图。在图4中,上方和下方分别示出了例如通过图1的示例方法100中的时域-频域变换步骤S107而获得的示例性的第一频域信号S1(与齿轮箱顺时针旋转期间的振动相关联,例如具有参照图2描述的AX1(f)的形式)和第二频域信号S2(与齿轮箱逆时针旋转期间的振动相关联,例如具有参照图2描述的AX2(f)的形式),每个频域信号的横坐标表示频率(其单位为Hz),纵坐标表示幅度(其可以表示标准化处理之后的两个频域信号的幅度,因此未示出标尺或单位)。
在本示例处理中,在相关性计算处理中,可以计算第一频域信号(例如第一频域信号S1)的多个特征点与第二频域信号(例如第二频域信号S2)的相应特征点之间的相似度。
优选地,第一频域信号的多个特征点可以是第一频域信号中按幅度大小排序而排在前列的、预定数目的点。在图4的示例中,第一频域信号S1的多个特征点可以包括以实心圆示出的4个点,这4个点是信号S1中幅度最大的前4个点。为了简明起见,图中仅标记了第一个特征点P1(a1,f1),其中a1,f1分别表示该点的幅度和频率。
优选地,可以针对第一频域信号的每个特征点,在所述特征点附近的频率区间内确定第二频域信号中幅度最大的点,作为第二频域信号中的相应特征点。以图4的第一频域信号S1的特征点P1为例,可以针对第二频域信号S2,在f1附近的频率区间(例如以f1为中心的、预定长度的频率窗口)内确定局部极大值点,作为第二频域信号S2中的相应特征点。
由于机械工艺等原因,即使在齿轮箱正常工作时,顺时针旋转和逆时针旋转期间获得的时序振动信号所变换得到的第一频域信号与第二频域信号之间的极值点也可能无法严格的对应。因此,在确定两个频域信号的对应特征点的过程中,采用上述频率区间或频率窗口方式确定第二频域信号S2的相应特征点(而非直接将第二频域信号S2在f1频率处的点作为相应特征点)提高了处理的准确性和鲁棒性。
在图4的示例中,以上述方式,针对第一频域信号S1的特征点P1(a1,f1),在第二频域信号S2的f1附近的频率区间内确定了局部极大值点P2(a2,f2)(其中a2,f2分别表示该点的幅度和频率),作为第二频域信号S2中的相应特征点。以类似的方式,可以针对第一频域信号S1的全部4个特征点,在第二频域信号S2的相应频率区间内确定4个局部极大值点,作为第二频域信号S2中的相应特征点,如图4下图中的实心圆所示。
可选地,在相关性计算处理中,可以计算例如以上述方式获得的第一频域信号的多个特征点与第二频域信号的相应特征点的相似度,例如作为第一频域信号与第二频域信号之间在相应的频率区间处的相关性。
如此前已讨论的,基于发明人的洞察,存在瑕疵的齿轮箱在顺时针旋转和/或逆时针旋转期间所产生的频域信号可能会出现边带甚至变频窄波,即,产生原本不存在的局部极值,或者局部极值的具体数值发生改变。相应地,这可能导致第一和第二频域信号之间的极值对应点出现相关性异常。因此,在本示例处理中,可以利用第一和第二频域信号的极值对应点之间的相关性表示第一和第二频域信号之间的相关性。
作为计算上述相关性的示例,可以计算第一频域信号的给定特征点与第二频域信号的相应特征点之间的欧式距离形式的相似度,以表示第一频域信号与第二频域信号之间在相应的频率区间处的相关性。
替选地,可以计算第一频域信号的给定特征点例如P1所表示的特征向量(从S1的曲线图中的坐标轴原点指向特征点P1的矢量)与第二频域信号的相应特征点例如P2所表示的特征向量(从S2的曲线图中的坐标轴原点指向特征点P2的矢量)之间的余弦相似度,以表示第一频域信号与第二频域信号之间在相应的频率区间处的相关性。
本领域技术人员可以了解,以上计算特征点相似度的处理仅作为示例。在本公开内容的基础上,本领域技术人员可以采用任意已知的相似度计算方式来具体实现上述相似度计算,在此不再赘述。
可以针对第一频域信号S1的所有4个特征点重复上述计算相似度的处理,以获得这4个特征点与第二频域信号S2的相应特征点之间的相似度,作为这4个特征点所在的频率区间中第一频域信号S1与第二频域信号S2之间的相关性。
以上述方式获得的第一、第二频域信号之间的相关性可以应用于例如以上参照图1和图3描述的相关性异常检测处理。例如,在图4的示例中,可以直观地看出,第一频域信号S1中最右侧的特征点与其在第二频域信号S2中的相应特征点之间的相关性(欧式距离形式的相似度或余弦相似度)远低于其他特征点之间的相关性。因此,根据例如以上参照图3描述的相关性异常检测处理,可以确定该特征点为异常点,即该特征点所在的频率区间为异常频率区间。进一步地,在该异常频率区间中,第一频域信号S1的幅度小于第二频域信号S2的幅度,因此,根据例如以上参照图3描述的相关性异常检测处理,可以确定在第二频域信号S2所表示的逆时针转动期间齿轮箱出现了异常。
可选地,在相关性计算处理中,还可以计算第二频域信号的多个特征点与第一频域信号的相应特征点之间的相似度。即,可以从第二频域信号中确定按幅度大小排序而排在前列的、预定数目的点(例如幅度大小排在前四位的4个点)作为其特征点,并针对每个特征点在第一频域信号中确定相应特征点,以计算这些特征点之间的相似度作为相应频率区间的相关性,并将其应用于例如以上参照图1和图3描述的相关性异常检测处理。上述处理可以进一步提高齿轮箱异常检测的准确性。
以上参照图1至图4描述了根据本公开实施例的用于齿轮箱的异常检测方法的示例流程。如以上所描述的,利用本公开实施例的异常检测方法,可以结合两种异常检测方案对齿轮箱进行自动异常检测,并且可以提高齿轮箱异常检测的准确性。
根据本公开的另一方面,提供了一种用于齿轮箱的异常检测装置。图5是示意性地示出根据本公开实施例的用于齿轮箱的异常检测装置的一个示例结构的示意性框图。
如图5所示,异常检测装置的示例结构500可以包括:第一振动信号获取单元501,在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号(第一时序振动信号);第二振动信号获取单元502,在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号(第二时序振动信号);CNN异常判断单元503,将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型(CNN异常检测模型),以初步判断齿轮箱是否存在异常;时域-频域变换单元504,将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;相关性计算单元505,其在CNN异常判断单元503初步判断齿轮箱存在异常的情况下,计算第一频域信号与第二频域信号之间的相关性;以及相关性异常判断单元506,基于所计算的相关性,确定齿轮箱是否存在异常。
上述异常检测装置及其各个单元例如可以进行以上参照图1描述的异常检测方法及其各个步骤的操作和/或处理并实现类似的效果,在此不再进行重复说明。
接下来,参照图6描述图5中的异常检测装置的相关性异常判断单元504的一个示例结构。图6是示意性地示出图5中的异常检测装置中的相关性异常判断单元的示例结构的示意性框图。
如图6所示,相关性异常判断单元的示例结构504可以包括:绝对相关性异常检测单元5041,用于将整个频域上的第一、第二频域信号之间的相关性分别与第一预定阈值进行比较,以判断是否存在相关性低于第一预定阈值的频率区间;第一异常频率区间确定单元5042,用于在存在相关性低于第一预定阈值的频率区间的情况下,确定在该频率区间内齿轮箱存在异常;相对相关性异常检测单元5043,用于在不存在相关性低于第一预定阈值的频率区间的情况下,将整个频域上第一、第二频域信号之间的相关性的最小值与中值之比与第二预定阈值进行比较,以判断相关性的最小值与中值之比是否低于第二预定阈值;第二异常频率区间确定单元5044,用于在相关性的最小值与中值之比低于第二预定阈值的情况下,确定在相关性的最小值所在的频率区间内齿轮箱存在异常;齿轮箱正常确定单元5045,用于在相关性的最小值与中值之比不低于第二预定阈值的情况下,确定齿轮箱不存在异常。
可选地,相关性异常判断单元的示例结构504还可以包括:信号幅度比较单元5046,用于针对存在异常的频率区间(例如通过单元5042或S1114确定的异常频率区间),确定第一频域信号的幅度是否大于第二频域信号的幅度;顺时针旋转异常确定单元5047,用于在异常频率区间内的第一频域信号的幅度大于第二频域信号的幅度的情况下,确定齿轮箱在顺时针旋转期间存在异常;以及逆时针旋转异常确定单元5048,用于在异常频率区间内的第二频域信号的幅度大于第一频域信号的幅度的情况下,确定齿轮箱在逆时针旋转期间存在异常。
上述相关性异常判断单元及其各个组成单元例如可以进行以上参照图3描述的相关性异常判断步骤及其各个组成步骤的操作和/或处理并实现类似的效果,在此不再进行重复说明。
以上参照图5和图6描述了根据本公开的用于齿轮箱的异常检测装置。
根据根本公开的又一方面,提供了一种信息处理设备。该信息处理设备可以实现根据本公开实施例的用于齿轮箱的异常检测方法,其可以包括处理器,该处理器被配置为:在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常。处理器可以进一步被配置为在初步判断齿轮箱存在异常的情况下进行下述处理:将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;计算第一频域信号与第二频域信号之间的相关性;以及基于所述相关性,确定齿轮箱是否存在异常。
信息处理设备的处理器例如可以被配置为进行以上参照图1至图4描述的用于齿轮箱的异常检测方法及其各个步骤的操作和/或处理、以及以上参照图5至图6描述的异常检测装置及其各个单元的功能,并且可以实现类似的效果,在此不再进行重复说明。
在一个示例中,异常检测模型是利用预先标记好正常或异常的训练振动信号通过训练获得的。
可选地,处理器可以被配置为通过下述处理确定齿轮箱是否存在异常:将整个频域上的所述相关性分别与第一预定阈值进行比较,以判断是否存在所述相关性低于第一预定阈值的频率区间;以及在存在所述相关性低于第一预定阈值的频率区间的情况下,确定在该频率区间内齿轮箱存在异常。
可选地,处理器可以进一步被配置为通过下述处理确定齿轮箱是否存在异常:在不存在所述相关性低于第一预定阈值的频率区间的情况下,将整个频域上的所述相关性的最小值与中值之比与第二预定阈值进行比较,以判断所述相关性的最小值与中值之比是否低于第二预定阈值;并且在所述相关性的最小值与中值之比低于第二预定阈值的情况下,确定在所述相关性的最小值所在的频率区间内齿轮箱存在异常。
可选地,处理器可以进一步被配置为通过下述处理确定齿轮箱是否存在异常:针对存在异常的频率区间,确定第一频域信号的幅度是否大于第二频域信号的幅度;在第一频域信号的幅度大于第二频域信号的幅度的情况下,确定齿轮箱在顺时针旋转期间存在异常;以及在第一频域信号的幅度不大于第二频域信号的幅度的情况下,确定齿轮箱在逆时针旋转期间存在异常。
在一个示例中,处理器可以被配置为通过下述处理计算所述相关性:计算第一频域信号的多个特征点与第二频域信号的相应特征点之间的相似度。
作为示例,其中,第一频域信号的多个特征点是第一频域信号中按幅度大小排序而排在前列的、预定数目的的点(即,预定数目的幅度最大的点)。
在该示例中,处理器可以被配置为:针对第一频域信号的每个特征点,在所述特征点附近的频率区间内确定第二频域信号中幅度最大的点,作为第二频域信号中的相应特征点。
在该示例中,处理器可以进一步被配置为通过下述处理计算所述相关性:计算第二频域信号的多个特征点与第一频域信号的相应特征点之间的相似度。
图7是示出了可用来实现根据本公开实施例的异常检测方法、异常检测装置、以及信息处理设备的一种可能的硬件配置700的结构简图。
在图7中,中央处理单元(CPU)701根据只读存储器(ROM)702中存储的程序或从存储部分708加载到随机存取存储器(RAM)703的程序执行各种处理。在RAM 703中,还根据需要存储当CPU 701执行各种处理等等时所需的数据。CPU 701、ROM 702和RAM 703经由总线704彼此连接。输入/输出接口705也连接到总线704。
下述部件也连接到输入/输出接口705:输入部分706(包括键盘、鼠标等等)、输出部分707(包括显示器,例如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分708(包括硬盘等)、通信部分709(包括网络接口卡例如LAN卡、调制解调器等)。通信部分709经由网络例如因特网执行通信处理。根据需要,驱动器710也可连接到输入/输出接口705。可拆卸介质711例如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器710上,使得从中读出的计算机程序可根据需要被安装到存储部分708中。
此外,本公开还提出了一种存储有机器可读取的指令代码的程序产品。上述指令代码由机器读取并执行时,可执行上述根据本公开实施例的异常检测方法。相应地,用于承载这种程序产品的例如磁盘、光盘、磁光盘、半导体存储器等的各种存储介质也包括在本公开的公开中。
即,本公开还提出了一种存储介质,其存储有机器可读取的指令代码,所述指令代码在由机器读取并执行时,能够使得机器执行上述根据本公开实施例的异常检测方法。所述指令代码包括指令代码部分,用于进行下述操作:在齿轮箱顺时针旋转和逆时针旋转期间,分别获得齿轮箱的第一检测点和第二检测点在指定时段内的第一连续多个振动信号和第二连续多个振动信号;将第一和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常。所述指令代码部分还用于在初步判断存在异常的情况下进行下述操作:将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;计算第一频域信号与第二频域信号之间的相关性;基于所述相关性,确定齿轮箱是否存在异常。
上述存储介质例如可以包括但不限于磁盘、光盘、磁光盘、半导体存储器等。
在上面对本公开具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
此外,本公开的各实施例的方法不限于按照说明书中描述的或者附图中示出的时间顺序来执行,也可以按照其他的时间顺序、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本公开的技术范围构成限制。
此外,显然,根据本公开的上述方法的各个操作过程也可以以存储在各种机器可读的存储介质中的计算机可执行程序的方式实现。
而且,本公开的目的也可以通过下述方式实现:将存储有上述可执行程序代码的存储介质直接或者间接地提供给系统或设备,并且该系统或设备中的计算机或者中央处理单元(CPU)读出并执行上述程序代码。
此时,只要该系统或者设备具有执行程序的功能,则本公开的实施方式不局限于程序,并且该程序也可以是任意的形式,例如,目标程序、解释器执行的程序或者提供给操作系统的脚本程序等。
上述这些机器可读存储介质包括但不限于:各种存储器和存储单元,半导体设备,磁盘单元例如光、磁和磁光盘,以及其它适于存储信息的介质等。
另外,客户信息处理终端通过连接到因特网上的相应网站,并且将依据本公开的计算机程序代码下载和安装到信息处理终端中然后执行该程序,也可以实现本公开的各实施例。
综上,根据本公开实施例,本公开提供了如下方案,但不限于此:
方案1.一种信息处理设备,包括:
处理器,被配置为:
在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;
在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;
将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常;
其中,处理器进一步被配置为:
在初步判断齿轮箱存在异常的情况下,
将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;
计算第一频域信号与第二频域信号之间的相关性;以及
基于所述相关性,确定齿轮箱是否存在异常。
方案2.如方案1所述的信息处理设备,其中,异常检测模型是利用预先标记好正常或异常的训练振动信号通过训练获得的。
方案3.如方案1所述的信息处理设备,其中,处理器被配置为通过下述处理确定齿轮箱是否存在异常:
将整个频域上的所述相关性分别与第一预定阈值进行比较,以判断是否存在所述相关性低于第一预定阈值的频率区间;以及
在存在所述相关性低于第一预定阈值的频率区间的情况下,确定在所述相关性低于第一预定阈值的频率区间内齿轮箱存在异常。
方案4.如方案3所述的信息处理设备,其中,处理器进一步被配置为通过下述处理确定齿轮箱是否存在异常:
在不存在所述相关性低于第一预定阈值的频率区间的情况下,
将整个频域上的所述相关性的最小值与中值之比与第二预定阈值进行比较,以判断所述相关性的最小值与中值之比是否低于第二预定阈值;以及
在所述相关性的最小值与中值之比低于第二预定阈值的情况下,确定在所述相关性的最小值所在的频率区间内齿轮箱存在异常。
方案5.如方案3或4所述的信息处理设备,其中,处理器进一步被配置为通过下述处理确定齿轮箱是否存在异常:
针对存在异常的频率区间,确定第一频域信号的幅度是否大于第二频域信号的幅度;
在第一频域信号的幅度大于第二频域信号的幅度的情况下,确定齿轮箱在顺时针旋转期间存在异常;以及
在第一频域信号的幅度不大于第二频域信号的幅度的情况下,确定齿轮箱在逆时针旋转期间存在异常。
方案6.如方案1所述的信息处理设备,其中,处理器被配置为通过下述处理计算所述相关性:计算第一频域信号的多个特征点与第二频域信号的相应特征点之间的相似度。
方案7.如方案6所述的信息处理设备,其中,第一频域信号的多个特征点是第一频域信号中按幅度大小排序而排在前列的、预定数目的的点。
方案8.如方案7所述的信息处理设备,其中,处理器被配置为:针对第一频域信号的每个特征点,在所述特征点附近的频率区间内确定第二频域信号中幅度最大的点,作为第二频域信号中的相应特征点。
方案9.如方案6至8中任一项所述的信息处理设备,其中,处理器还被配置为通过下述处理计算所述相关性:
计算第二频域信号的多个特征点与第一频域信号的相应特征点之间的相似度。
方案10.一种用于齿轮箱的异常检测方法,包括:
在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;
在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;
将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常;
其中,所述方法还包括:
在初步判断齿轮箱存在异常的情况下,
将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;
计算第一频域信号与第二频域信号之间的相关性;以及
基于所述相关性,确定齿轮箱是否存在异常。
方案11.如方案10所述的异常检测方法,其中,异常检测模型是利用预先标记好正常或异常的训练振动信号通过训练获得的。
方案12.如方案10所述的异常检测方法,其中,基于所述相关性,确定齿轮箱是否存在异常包括:
将整个频域上的所述相关性分别与第一预定阈值进行比较,以判断是否存在所述相关性低于第一预定阈值的频率区间;以及
在存在所述相关性低于第一预定阈值的频率区间的情况下,确定在该频率区间内齿轮箱存在异常。
方案13.如方案12所述的异常检测方法,其中,基于所述相关性,确定齿轮箱是否存在异常还包括:
在不存在所述相关性低于第一预定阈值的频率区间的情况下,
将整个频域上的所述相关性的最小值与中值之比与第二预定阈值进行比较,以判断所述相关性的最小值与中值之比是否低于第二预定阈值;以及
在所述相关性的最小值与中值之比低于第二预定阈值的情况下,确定在所述相关性的最小值所在的频率区间内齿轮箱存在异常。
方案14.如方案12或13所述的异常检测方法,其中,基于所述相关性,确定齿轮箱是否存在异常还包括:
针对存在异常的频率区间,确定第一频域信号的幅度是否大于第二频域信号的幅度;
在第一频域信号的幅度大于第二频域信号的幅度的情况下,确定齿轮箱在顺时针旋转期间存在异常;以及
在第一频域信号的幅度不大于第二频域信号的幅度的情况下,确定齿轮箱在逆时针旋转期间存在异常。
方案15.如方案10所述的异常检测方法,其中,计算所述相关性包括:计算第一频域信号的多个特征点与第二频域信号的相应特征点之间的相似度。
方案16如方案15所述的异常检测方法,其中,第一频域信号的多个特征点是第一频域信号中按幅度大小排序而排在前列的、预定数目的点。
方案17.如方案16所述的异常检测方法,其中,针对第一频域信号的每个特征点,在所述特征点附近的频率区间内确定第二频域信号中幅度最大的点,作为第二频域信号中的相应特征点。
方案18.如方案10至17中任一项所述的异常检测方法,其中,计算所述相关性还包括:
计算第二频域信号的多个特征点与第一频域信号的相应特征点之间的相似度。
方案19.一种存储介质,其存储有机器可读取的指令代码,所述指令代码在由机器读取并执行时,能够使得机器执行一种用于齿轮箱的异常检测方法,所述方法包括:
在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;
在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;
将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常;
其中,所述方法还包括:
在初步判断齿轮箱存在异常的情况下,
将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;
计算第一频域信号与第二频域信号之间的相关性;以及
基于所述相关性,确定齿轮箱是否存在异常。
最后,还需要说明的是,在本公开中,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、物品或者设备可能不仅包括那些要素,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。
尽管上面已经通过本公开的具体实施例的描述对本公开进行了披露,但是,应该理解,本领域技术人员可在所附权利要求的精神和范围内设计对本公开的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本公开所要求保护的范围内。
Claims (10)
1.一种信息处理设备,包括:
处理器,被配置为:
在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;
在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;
将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常;
其中,处理器进一步被配置为:
在初步判断齿轮箱存在异常的情况下,
将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;
计算第一频域信号与第二频域信号之间的相关性;以及
基于所述相关性,确定齿轮箱是否存在异常。
2.如权利要求1所述的信息处理设备,其中,异常检测模型是利用预先标记好正常或异常的训练振动信号通过训练获得的。
3.如权利要求1所述的信息处理设备,其中,处理器被配置为通过下述处理确定齿轮箱是否存在异常:
将整个频域上的所述相关性分别与第一预定阈值进行比较,以判断是否存在所述相关性低于第一预定阈值的频率区间;以及
在存在所述相关性低于第一预定阈值的频率区间的情况下,确定在所述相关性低于第一预定阈值的频率区间内齿轮箱存在异常。
4.如权利要求3所述的信息处理设备,其中,处理器进一步被配置为通过下述处理确定齿轮箱是否存在异常:
在不存在所述相关性低于第一预定阈值的频率区间的情况下:
将整个频域上的所述相关性的最小值与中值之比与第二预定阈值进行比较,以判断所述相关性的最小值与中值之比是否低于第二预定阈值;以及
在所述相关性的最小值与中值之比低于第二预定阈值的情况下,确定在所述相关性的最小值所在的频率区间内齿轮箱存在异常。
5.如权利要求3或4所述的信息处理设备,其中,处理器进一步被配置为通过下述处理确定齿轮箱是否存在异常:
针对存在异常的频率区间,确定第一频域信号的幅度是否大于第二频域信号的幅度;
在第一频域信号的幅度大于第二频域信号的幅度的情况下,确定齿轮箱在顺时针旋转期间存在异常;以及
在第一频域信号的幅度不大于第二频域信号的幅度的情况下,确定齿轮箱在逆时针旋转期间存在异常。
6.如权利要求1所述的信息处理设备,其中,处理器被配置为通过下述处理计算所述相关性:计算第一频域信号的多个特征点与第二频域信号的相应特征点之间的相似度。
7.如权利要求6所述的信息处理设备,其中,第一频域信号的多个特征点是第一频域信号中按幅度大小排序而排在前列的、预定数目的点。
8.如权利要求7所述的信息处理设备,其中,处理器被配置为:针对第一频域信号的每个特征点,在所述特征点附近的频率区间内确定第二频域信号中幅度最大的点,作为第二频域信号中的相应特征点。
9.如权利要求6至8中任一项所述的信息处理设备,其中,处理器还被配置为通过下述处理计算所述相关性:
计算第二频域信号的多个特征点与第一频域信号的相应特征点之间的相似度。
10.一种用于齿轮箱的异常检测方法,包括:
在齿轮箱顺时针旋转期间,获得齿轮箱的第一检测点在指定时段内的第一连续多个振动信号;
在齿轮箱逆时针旋转期间,获得齿轮箱的第二检测点在指定时段内的第二连续多个振动信号;
将第一连续多个振动信号和/或第二连续多个振动信号输入到预先训练好的基于卷积神经网络的异常检测模型,以初步判断齿轮箱是否存在异常;
其中,所述方法还包括:
在初步判断齿轮箱存在异常的情况下,
将第一连续多个振动信号和第二连续多个振动信号通过时域-频域变换分别转换为第一频域信号和第二频域信号;
计算第一频域信号与第二频域信号之间的相关性;以及
基于所述相关性,确定齿轮箱是否存在异常。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355453.9A CN111855195B (zh) | 2019-04-29 | 2019-04-29 | 用于齿轮箱的异常检测方法以及信息处理设备 |
JP2020068318A JP2020183939A (ja) | 2019-04-29 | 2020-04-06 | ギアボックスの異常検出方法及び情報処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355453.9A CN111855195B (zh) | 2019-04-29 | 2019-04-29 | 用于齿轮箱的异常检测方法以及信息处理设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111855195A true CN111855195A (zh) | 2020-10-30 |
CN111855195B CN111855195B (zh) | 2022-08-30 |
Family
ID=72966229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910355453.9A Active CN111855195B (zh) | 2019-04-29 | 2019-04-29 | 用于齿轮箱的异常检测方法以及信息处理设备 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2020183939A (zh) |
CN (1) | CN111855195B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777351A (zh) * | 2021-08-26 | 2021-12-10 | 同济大学 | 一种风电场风速传感器故障诊断方法、装置 |
CN114459752A (zh) * | 2020-11-09 | 2022-05-10 | 株式会社富士 | 异常预测装置、送出装置以及异常预测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935351B (zh) * | 2021-11-22 | 2023-12-19 | 山西警察学院 | 一种非接触式振动频率检测与正反转识别的系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57118124A (en) * | 1981-01-14 | 1982-07-22 | Yasaka Seiki Kk | Method and device for automatic displacement detection |
JPS58102847A (ja) * | 1981-12-12 | 1983-06-18 | Sakai Seisakusho:Kk | 間歇回転伝導機構 |
DE3214710A1 (de) * | 1982-04-21 | 1983-11-03 | Zahnradfabrik Friedrichshafen Ag, 7990 Friedrichshafen | Vorrichtung zur erzeugung eines elektrischen ausgangssignales in einem fahrzeug |
JPH07174616A (ja) * | 1993-12-17 | 1995-07-14 | Ono Sokki Co Ltd | 検査装置 |
CN103364180A (zh) * | 2012-03-27 | 2013-10-23 | 通用电气公司 | 识别故障的类型的系统和方法 |
CN105352728A (zh) * | 2015-11-30 | 2016-02-24 | 上汽通用五菱汽车股份有限公司 | 一种配对齿轮振动性能检测系统及方法 |
CN106323548A (zh) * | 2016-08-08 | 2017-01-11 | 浙江大学 | 基于双振动传感器的转子不平衡振动响应识别方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
CN108025423A (zh) * | 2015-07-31 | 2018-05-11 | 史丹利百得Mea有限公司 | 用于监测工具的装置和方法 |
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN108204895A (zh) * | 2017-11-29 | 2018-06-26 | 中国电力科学研究院有限公司 | 一种风电机组变速齿轮箱故障诊断方法及系统 |
-
2019
- 2019-04-29 CN CN201910355453.9A patent/CN111855195B/zh active Active
-
2020
- 2020-04-06 JP JP2020068318A patent/JP2020183939A/ja not_active Ceased
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57118124A (en) * | 1981-01-14 | 1982-07-22 | Yasaka Seiki Kk | Method and device for automatic displacement detection |
JPS58102847A (ja) * | 1981-12-12 | 1983-06-18 | Sakai Seisakusho:Kk | 間歇回転伝導機構 |
DE3214710A1 (de) * | 1982-04-21 | 1983-11-03 | Zahnradfabrik Friedrichshafen Ag, 7990 Friedrichshafen | Vorrichtung zur erzeugung eines elektrischen ausgangssignales in einem fahrzeug |
JPH07174616A (ja) * | 1993-12-17 | 1995-07-14 | Ono Sokki Co Ltd | 検査装置 |
CN103364180A (zh) * | 2012-03-27 | 2013-10-23 | 通用电气公司 | 识别故障的类型的系统和方法 |
CN108025423A (zh) * | 2015-07-31 | 2018-05-11 | 史丹利百得Mea有限公司 | 用于监测工具的装置和方法 |
CN105352728A (zh) * | 2015-11-30 | 2016-02-24 | 上汽通用五菱汽车股份有限公司 | 一种配对齿轮振动性能检测系统及方法 |
CN106323548A (zh) * | 2016-08-08 | 2017-01-11 | 浙江大学 | 基于双振动传感器的转子不平衡振动响应识别方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
CN108204895A (zh) * | 2017-11-29 | 2018-06-26 | 中国电力科学研究院有限公司 | 一种风电机组变速齿轮箱故障诊断方法及系统 |
CN108196986A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
A. PAREY: "Impact velocity modelling and signal processing of spur gear vibration for the estimation of defect size", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
史延枫等: "基于时变信号汽车后桥主锥齿轮总成故障检测与诊断", 《汽车工程》 * |
李海峰: "高速列车传动齿轮箱性能检测系统设计与开发", 《中国优秀硕士学位论文全文库 工程科技Ⅱ辑》 * |
贺妍等: "基于时频特征提取与神经网络的齿轮箱故障诊断", 《机电信息》 * |
陈庆熙: "中心摩擦轮驱动式电梯专用轴承性能模拟试验机", 《机电工程技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114459752A (zh) * | 2020-11-09 | 2022-05-10 | 株式会社富士 | 异常预测装置、送出装置以及异常预测方法 |
CN114459752B (zh) * | 2020-11-09 | 2023-08-29 | 株式会社富士 | 异常预测装置、送出装置以及异常预测方法 |
CN113777351A (zh) * | 2021-08-26 | 2021-12-10 | 同济大学 | 一种风电场风速传感器故障诊断方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111855195B (zh) | 2022-08-30 |
JP2020183939A (ja) | 2020-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855195B (zh) | 用于齿轮箱的异常检测方法以及信息处理设备 | |
Guo et al. | A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals | |
US11215535B2 (en) | Predictive maintenance for robotic arms using vibration measurements | |
He et al. | Sparse representation based on local time–frequency template matching for bearing transient fault feature extraction | |
Schmidt et al. | A discrepancy analysis methodology for rolling element bearing diagnostics under variable speed conditions | |
CN109716077B (zh) | 使用叶尖定时(btt)监测涡轮机转子叶片的方法和系统 | |
Popescu et al. | Fault detection of rolling element bearings using optimal segmentation of vibrating signals | |
Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
Xu et al. | Detecting weak position fluctuations from encoder signal using singular spectrum analysis | |
JP7146683B2 (ja) | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム | |
Wang et al. | Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions | |
Wang et al. | A novel adaptive wavelet stripping algorithm for extracting the transients caused by bearing localized faults | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN113705096A (zh) | 基于小样本深度学习的一类冲击故障诊断 | |
JP2020041849A (ja) | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム | |
US8930166B1 (en) | Method and apparatus for efficient extraction of information from signals | |
CN114922806B (zh) | 柱塞泵的异常检测方法和装置 | |
WO2019220542A1 (ja) | 圧延設備の診断装置及び診断方法 | |
CN109100146A (zh) | 用于检测电机轴承故障的方法及装置 | |
Kim et al. | Effective band-selection algorithm for rolling element bearing diagnosis using AE sensor data under noisy conditions | |
Choudhury et al. | Order tracking using variational mode decomposition to detect gear faults under speed fluctuations | |
Dai et al. | The Fault Monitoring Method Based on Vibration Signal for Crane System | |
CN113970443B (zh) | 扭转-横向交叉耦合检测 | |
EP4321851A1 (en) | Method for providing a physically explainable fault information of a bearing by a fault detection model | |
CN113761979B (zh) | 用于优化模型的方法、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |