CN111981119B - 自动判别故障的减速机、起重机及故障自动判别方法 - Google Patents

Abstract

本申请公开了一种故障自动判别的减速机，包括减速传动机构、传动轴、传动轴承、箱体、故障自动判别装置以及多个第一传感器，第一传感器安装于其中至少一个部分上，用于检测并上传减速机相应部分的传感信号；故障自动判别装置用于对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将多个第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到神经网络输出的故障发生的减速机组成部分及其故障类型信息。该减速机提升了故障判别的自动化和智能化程度，并且对神经网络权值和阈值进行了优化。

Description

自动判别故障的减速机、起重机及故障自动判别方法

技术领域

本申请涉及故障识别技术领域，特别涉及自动判别故障的减速机、起重机及故障自动判别方法。

背景技术

机械设备在运行过程的故障率是设备运行的一个痛点，为此采用的方式是在设备上安装相应的传感器来检测设备的运行参数、外在变化等情况，以此懒判断设备是否发生故障。例如对于减速机来说，可以通过检测设备的振动量、温度、压力等数据来判断设备是否发生故障。

但目前减速机故障判别的自动化和智能化程度不高，需要人工将数据图表与故障图标进行对比分析等方式来确定减速机是否故障，这使得故障判别的效率较低。

另外，对于起重机来说，多数起重机均适用于室外环境下的货物搬运，例如门式起重机、塔式起重机、门座式起重机等，但起重机受外界风力影响会导致振动，可能引发减速机的零部件受损，因此如何在受风时增强减速机的稳定性也是一个亟待解决的问题。

发明内容

(一)申请目的

基于此，为了使减速机具有自动判别故障的功能，并且提高故障判别的效率，提升故障判别结果的可靠性，并且为了在起重机受风时增强减速机的稳定性，避免因为风压影响产生振动导致传动构件损坏，本申请公开了以下技术方案。

(二)技术方案

一方面，提供了一种故障自动判别的减速机，包括减速传动机构、传动轴、传动轴承、箱体、故障自动判别装置以及多个第一传感器；其中，

所述多个第一传感器安装于所述减速传动机构、传动轴、传动轴承、箱体中至少一个部分上，用于检测并上传减速机相应部分的传感信号；

所述故障自动判别装置用于对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将所述多个第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的减速机组成部分及其故障类型信息。

在一种可能的实施方式中，所述故障自动判别装置包括神经网络训练模块，所述神经网络训练模块包括：

传感信号分解单元，用于对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号；

信号能量计算单元，用于对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量。

在一种可能的实施方式中，所述神经网络训练模块还包括：

参数初始化单元，用于随机生成具有位置和速度的群体元素作为所述神经网络的权值和阈值，将训练样本输入神经网络；

权值优化单元，用于计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据所述个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值。

另一方面，公开了一种故障自动判别的起重机，包括起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器；

所述减速机为上述所述的减速机；

所述多个第二传感器安装于所述起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上，用于检测相应部分的传感信号；其中，

所述减速机的故障自动判别装置还用于对所述多个第二传感器上传的传感信号进行输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的起重机组成部分及其故障类型信息。

在一种可能的实施方式中，所述减速机包括多个主传动构件，至少部分的所述主传动构件设有传动特征相同的辅助传动构件，所述辅助传动构件与相应的所述主传动构件通过接合组件连接；

该起重机还包括：

受风程度计算模块，用于依据所述第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值；

辅助构件接入模块，用于在所述受风特征值超出设定受风阈值时，控制至少部分的所述接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

在一种可能的实施方式中，所述受风程度计算模块包括：

结构受风计算单元，用于依据所述第二传感器检测出的多种外组件的受风载荷以及该多种外组件的权重矩阵，计算出加权平均的外结构受风特征值；

防风装置计算单元，用于依据所述第二传感器检测出的多种防风组件的受风载荷以及该多种防风组件的权重矩阵，计算出加权平均的防风结构受风特征值；其中，

所述外组件包括门架、转台、人字架、拉杆和支腿中的至少一种，所述防风组件包括夹轨器、顶轨器、防风铁楔、防风拉索、锚定组件中的至少一种。

在一种可能的实施方式中，该起重机的减速机包括传动比不同的第一减速机和第二减速机，其中所述第一减速机的传动级数和传动比均低于所述第二减速机；

该起重机还包括：

传动效率计算模块，用于利用公式

计算当前使用的减速机的传动效率，并在传动效率未高于设定效率阈值时且起重载荷小于设定载荷时，将第一减速机作为当前使用的减速机接入起重机，在起重载荷不小于设定载荷时将第二减速机作为当前使用的减速机接入起重机；其中，

η为传动效率，T_out为输出轴扭矩，T_in为输入轴扭矩，ω_out为输出轴转角，ω_in为输入轴转角。

另一方面，还提供了一种用于减速机的故障自动判别方法，所述减速机包括减速传动机构、传动轴、传动轴承、箱体以及多个第一传感器；其中，所述多个第一传感器安装于所述减速传动机构、传动轴、传动轴承、箱体中至少一个部分上；

该方法包括：

通过所述多个第一传感器检测并上传减速机相应部分的传感信号；

对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将所述多个第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的减速机组成部分及其故障类型信息。

在一种可能的实施方式中，所述对训练样本传感信号分别进行分解、重构和能量计算，包括：

对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号；

对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量。

在一种可能的实施方式中，所述将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，包括：

随机生成具有位置和速度的群体元素作为所述神经网络的权值和阈值，将训练样本输入神经网络；

计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据所述个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值。

另一方面，还提供了一种用于起重机的故障自动判别方法，所述起重机包括起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器；其中，所述多个第二传感器安装于所述起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上；

该方法包括：

通过所述多个第二传感器检测并上传起重机相应部分的传感信号；

对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将所述多个第一传感器和第二传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的减速机组成部分及其故障类型信息。

在一种可能的实施方式中，所述减速机包括多个主传动构件，至少部分的所述主传动构件设有传动特征相同的辅助传动构件，所述辅助传动构件与相应的所述主传动构件通过接合组件连接；

该方法包括：

依据所述第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值；

在所述受风特征值超出设定受风阈值时，控制至少部分的所述接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

在一种可能的实施方式中，所述依据所述第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值，包括：

依据所述第二传感器检测出的多种外组件的受风载荷以及该多种外组件的权重矩阵，计算出加权平均的外结构受风特征值；

依据所述第二传感器检测出的多种防风组件的受风载荷以及该多种防风组件的权重矩阵，计算出加权平均的防风结构受风特征值；其中，

所述外组件包括门架、转台、人字架、拉杆和支腿中的至少一种，所述防风组件包括夹轨器、顶轨器、防风铁楔、防风拉索、锚定组件中的至少一种。

在一种可能的实施方式中，该起重机的减速机包括传动比不同的所述第一减速机和所述第二减速机，其中所述第一减速机的传动级数和传动比均低于所述第二减速机；

该方法还包括：

利用公式

计算当前使用的减速机的传动效率，并在传动效率未高于设定效率阈值时且起重载荷小于设定载荷时，将第一减速机作为当前使用的减速机接入起重机，在起重载荷不小于设定载荷时将第二减速机作为当前使用的减速机接入起重机；其中，

η为传动效率，T_out为输出轴扭矩，T_in为输入轴扭矩，ω_out为输出轴转角，ω_in为输入轴转角。

(三)有益效果

本申请公开的自动判别故障的减速机、起重机及故障自动判别方法，通过神经网络来进行减速机和起重机的故障自动判别，提升了故障判别的自动化和智能化程度，提高了故障判别效率，并且在神经网络训练时还对其权值和阈值进行了优化，避免神经网络在运算时陷入局部最小值，提升了故障判别结果的可靠性；并且在起重机受风时通过接入辅助传动构件，使其与主传动构件一同进行动力传动，增强了减速机的稳定性，减少了传动构件受振动的影响，提高了传动构件的寿命。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。

图1是本申请公开的故障自动判别的减速机第一实施例的结构框图。

图2是本申请公开的故障自动判别的起重机第一实施例的结构框图。

图3是本申请公开的用于减速机的故障自动判别方法第一实施例的流程示意图。

图4是本申请公开的用于起重机的故障自动判别方法第一实施例的流程示意图。

具体实施方式

为使本申请实施的目的、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更加详细的描述。

下面参考图1详细描述本申请公开的故障自动判别的减速机第一实施例。如图1所示，本实施例公开的减速机主要包括有：减速传动机构、传动轴、传动轴承、箱体、故障自动判别装置以及多个第一传感器。

第一传感器安装于减速传动机构、传动轴、传动轴承、箱体中至少一个部分上，用于检测并上传减速机相应部分的传感信号。可以理解的是，减速机还可以包括通气装置、润滑装置和油封等结构，而通气装置、润滑装置和油封上也可以装有第一传感器。

第一传感器可以是多个同种类型的传感器，例如均采用加速度传感器并安装于减速传动机构、传动轴、传动轴承、箱体等振动部件上来检测振动数据；第一传感器也可以是多个不同种类型的传感器，例如力敏传感器、位置传感器、液位传感器、速度传感器、加速度传感器、热敏传感器、应变传感器、扭矩传感器、压力传感器等，此时的传感信号则对应为振动信号、形变信号、电压信号、压力信号、温度信号等等一系列相应类型的信号。不同类型的传感器分别安装在需要检测相应类型传感信号的减速机组成部分上，例如液压传感器主要安装于润滑装置等需要检测液压的组件，应变传感器则可以安装于传动轴、传动轴承等可能发生形变的组件，热敏传感器则可以安装于减速机的上述所有组件中进行温控。

故障自动判别装置用于对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将各第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到神经网络输出的故障发生的减速机组成部分及其故障类型信息。

减速机的故障类型有多种，例如由于润滑效果差导致齿轮、轴承等组件的传动连接处出现超出正常水平的噪声和振动，由于润滑油油温过高或因散热故障导致各组件材料强度下降引起组件损坏，密封圈松动导致箱体漏油，振动或材料强度较低导致的齿根断裂、齿面磨损、轴承内圈故障、轴承外圈故障，组件振幅和帧频过高导致机体损坏，润滑装置液位过低导致无法正常供油润滑，等等。

故障自动判别装置能够自动判断出减速机发生的故障类型及故障发生在减速机的哪个组成部分上，具体的，故障自动判别装置将传感器采集的传感信号输入到相应信号类型的预先训练完成的神经网络中，例如振动信号输入到振动神经网络，温度信号输入到温度神经网络，等等。神经网络会输出相应的故障代码，故障代码是预先设定的，能够表示出故障类型等故障信息，以此实现减速机的故障自动判别。其中，神经网络的训练除了通过减速机正常工作时的信号数据以及故障时的信号数据作为样本数据进行训练以外，还通过分解、重构和能量计算等操作来训练神经网络的初始权值和阈值，以解决由此引发的神经网络运算时陷入局部最小值的问题。

以振动为例，在加速度传感器检测到减速机各组成部分的振动加速度信号后，输入振动神经网络，振动神经网络进行运算后输出故障代码，判断减速机是正常工作，或是齿根断裂故障，或是齿面磨损故障等等与振动相关的故障。而为了能够识别出齿根断裂故障、齿面磨损故障等故障，在振动神经网络训练时，其训练样本需要包含上述故障状态下的振动信号数据。

可以理解的是，故障自动判别装置包括CPU等能够用于逻辑运算的组件，存储器等能够用于数据存储的组件，以及其他实现故障判别所必需的电气组件。

进一步的，减速机还可以包括故障报警模块，故障报警模块用于将故障判别装置确定出的故障信息作为故障报警信号发送至中控系统。

由于减速机通常会作为一个大型机械设备或多设备传动链中的其中一个设备与其他设备一起联动工作，因此整个大型机械设备或多设备传动链甚至是设有减速机的整个车间等场景下会设有相应的中控系统来进行机械设备运转的监测、控制和状态记录，在故障自动判别装置确定出减速机发生故障后，会将相应的故障信息发送给中控系统进行报警，用于提示维修人员进行故障处理，或者用于提示故障自动处理系统进行故障自处理。

本实施例通过神经网络来进行减速机故障的自动判别，提升了故障判别的自动化和智能化程度，提高了故障判别效率，并且在神经网络训练时还对其权值和阈值进行了优化，避免神经网络在运算时陷入局部最小值，提升了故障判别结果的可靠性。

故障自动判别装置包括神经网络训练模块。神经网络训练模块包括传感信号分解单元和信号能量计算单元。

传感信号分解单元用于对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号。

其中，分解后得到的信号层数可以采用3层，即N＝3，此时第3层中包含的频段信号数量则为8个。可以理解的是，传感信号分解单元在对传感信号进行分解之前，可以先对传感信号进行降噪处理，然后对降噪后的信号进行分解。

信号能量计算单元用于对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量。

在采用3层信号分解时，重构后的信号数量为8个，通过重构来提高信号的时间分辨率，最终形成的能量向量中包含有8个信号能量，作为在神经网络训练过程中神经网络的输入。

传感信号分解单元和信号能量计算单元的功能可以由CPU、存储器等电气组件实现。由于传感信号的种类可能不同，因此对于不同种类的传感信号，采用的神经网络也会不同，不同类型的能量向量会输入到对应类型的神经网络中。

通过对信号进行分解、重构、能量计算和归一化，可同时在低频和高频部分进行分解，并提高了高频部分频率的分辨率，实现了将采集的传感信号转换为能够输入神经网络的特征向量。

故障自动判别装置还包括参数初始化单元和权值优化单元。神经网络的训练包括了通过训练样本的方式来优化网络权值和阈值，其具体训练由参数初始化单元和权值优化单元完成。

神经网络可以采用BP(back propagation)神经网络，其是一种按误差逆向传播算法进行网络训练的多层前馈型神经网络，具有输入层、隐藏层和输出层，其算法是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。

参数初始化单元用于随机生成具有位置和速度的群体元素作为神经网络的权值和阈值，将训练样本输入神经网络。

训练样本包括减速机组件正常工作时的传感信号所算出的能量向量，减速机组件故障时的传感信号所算出的能量向量，其中，由于同一组件可能产生的故障可以有多种，因此作为训练样本的故障时的能量向量也可以有多种。

权值优化单元用于计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值。

权值优化单元采用了微粒群算法(Particle Swarm optimization,PSO)进行权值和阈值的优化，初始时设置群体规模、学习因子、迭代次数，并更新群体最优值(将元素适用值和群体最优值进行比较，若元素适用值优于群体最优值则更新群体最优值)和更新个体最优值(将元素适用值和个体最优值进行比较，若元素适用值优于个体最优值则更新元素位置和个体最优值)，最后进行元素的位置和速度的更新，得到优化后的权值和阈值作为神经网络的初始权值和阈值。

参数初始化单元和权值优化单元的功能可以由CPU、存储器等电气组件实现。

通过微粒群算法来寻找最优的BP神经网络初始权值与阈值，解决了BP神经网络随机赋予权值时导致收敛速度慢、容易陷入局部最小值的缺陷，提高了神经网络的非线性拟合能力。

下面参考图2详细描述本申请公开的自动判别故障的起重机第一实施例。如图2所示，本实施例主要包括有起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器。其中，减速机为前述自动判别故障的减速机第一实施例中公开的减速机。

起重机是指在一定范围内垂直提升和水平搬运重物的多动作起重机械。本实施例可以应用于臂架类起重机，该类起重机包括塔式起重机、门座式起重机、汽车起重机、轮胎起重机、履带起重机等，本实施例也可以应用于桥架类起重机，该类起重机包括桥式起重机、门式起重机、缆索起重机等。

其中，门式起重机主要包括的具体机械组件有圆柱车轮、缓冲器、制动器、钢丝绳、起重吊钩、减速机、铸造滑轮、铸造卷筒、电动机、电控设备等等。门座式起重机主要包括的具体机械组件为象鼻梁、主臂架、大拉杆、人字架、平衡梁、小拉杆、转台、减速机、制动器等等。

本实施例中，起升机构用于带动物料垂直升降，运行机构用于水平搬运货物，变幅机构用于改变臂架的长度和仰角来改变作业幅度，旋转机构用于用臂架绕着起重机的垂直轴线作回转运动，使得起重机在环形空间内运移物料。

各第二传感器安装于起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上，用于检测相应部分的传感信号。

第二传感器与减速机上的第一传感器一样，可以有多种类型，例如力敏传感器、位置传感器、液位传感器、速度传感器、加速度传感器、热敏传感器、应变传感器、扭矩传感器、压力传感器等，此时的传感信号则对应为振动信号、形变信号、电压信号、压力信号、温度信号等等一系列相应类型的信号。不同类型的传感器分别安装在需要检测相应类型传感信号的起重机组成部分上。

起重机可能发生的故障也有多种，除了上文提到的减速机故障外，起重机的其他组成部分也可能发生故障，例如钢丝绳断丝，钢丝绳脱槽，导绳器故障，制动器失效，制动器过热，制动器端点，起升形成限位故障，大车运行打滑等等，其他的设备同理也可能发生各自的故障。

减速机的故障自动判别装置还用于对各第二传感器上传的传感信号进行输入训练完成的对应信号类型的神经网络，得到神经网络输出的故障发生的起重机组成部分及其故障类型信息。

故障自动判别装置包括传感信号分解单元、信号能量计算单元、参数初始化单元、权值优化单元，其与前述故障自动判别装置第一实施例中公开的故障自动判别装置的组成、功能均相同，在此不做赘述。上述各第二传感器将传感数据上传给故障自动判别装置，故障自动判别装置对起重机的各个组成部分进行故障判别和故障检测。

本实施例通过神经网络来进行起重机故障的自动判别，提升了故障判别的自动化和智能化程度，提高了故障判别效率，并且在神经网络训练时还对其权值和阈值进行了优化，避免神经网络在运算时陷入局部最小值，提升了故障判别结果的可靠性。

由于本实施例的起重机适用于室外场景，例如可以用于港口、码头处的货物搬运，但在室外场景下尤其是港口、码头处等海边场景，起重机会受到大风影响而产生振动，容易因为振动而引发部件的损坏，不利于起重机中各机构的运行。例如减速机可能会因为受到风载荷(风压)而影响到啮合齿频等参数，进而导致齿轮磨损等等故障。因此在一种实施方式中，减速机包括多个主传动构件，至少部分的主传动构件设有传动特征相同的辅助传动构件，辅助传动构件与相应的主传动构件通过接合组件连接。

以三级圆柱齿轮传动为例，减速机内的主传动构件包括互相啮合的一级主齿轮、二级主齿轮、三级主齿轮，输入轴与一级主齿轮连接，输出轴与三级主齿轮连接。同时，减速机内还设有辅助传动构件，包括互相啮合的一级辅助齿轮、二级辅助齿轮、三级辅助齿轮，各级的主齿轮与辅助齿轮的齿轮特征及参数完全相同，并且各级的主齿轮与辅助齿轮通过接合组件可分离式连接。

此时接合组件可以采用离合器或同步器，在离合器闭合时，辅助传动构件接入主传动构件并与主传动构件同轴转动，在离合器断开时，辅助传动构件逐渐停止转动。接合组件还可以采用制动组件，辅助齿轮套设于主齿轮转轴的外侧，制动组件设于辅助齿轮中心处，利用制动组件将辅助齿轮与主齿轮转轴连接实现同步转动。

该起重机还包括受风程度计算模块和辅助构件接入模块。受风程度计算模块用于依据第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值。辅助构件接入模块用于在受风特征值超出设定受风阈值时，控制至少部分的接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

受风阈值是依据能够由于振动而引发减速机故障的最小振动值经过计算得出的。除了减速机以外，起重机的其他部分也会由受风载荷过大而导致故障，例如支腿的主梁与上下横梁发生扭曲，拉杆断裂，支腿发生变形，桁架斜杆变形，门机脱落等。

若只计算一个组件的受风载荷，则用该组件的受风载荷作为受风特征值来表征起重机的受风程度；若计算若个组件的受风载荷，则可以通过加权的方式来算出一个综合的受风特征值来表征起重机的受风程度。

在受风程度计算模块算出的受风特征值未超出设定受风阈值时，说明起重机的某位置或整体上受到风载荷较小，减速机的由风载荷引起的振动也较小，此时无论减速机为采用多级圆柱齿轮传动的减速机，采用行星齿轮传动的行星减速机，采用蜗轮蜗杆传动的蜗轮蜗杆减速机，或是其它类型的减速机，其能够接受此时风载荷对减速机产生的振动影响，主传动构件单独运行即可满足减速机传动的稳定性要求。

在受风程度计算模块算出的受风特征值超出设定受风阈值时，说明起重机的某位置或整体上受到风载荷较大，减速机的由风载荷引起的振动也较大，此时减速机为了避免受振动影响而损坏传动部件，需要增加传动部件的稳定性，而采取的方式就是接入辅助传动构件，减速机的力传动方向始终不变，输入转速、输出转速、力矩等等也均按照起重机正常工作时进行设置，在运行参数上不发生改变，而是将减速机从一路传动增设为两路传动甚至更多路传动，使得辅助传动构件分摊了主传动构件的受力。多级传动结构的稳定性要弱于单级传动，因此这对于主要采用多级传动结构减速机的起重机来说，尤其能够增强减速机传动的稳定性，减少传动构件受振动的影响，提高传动构件的寿命。

在一种实施方式中，受风程度计算模块包括结构受风计算单元和防风装置计算单元。

结构受风计算单元用于依据第二传感器检测出的多种外组件的受风载荷以及该多种外组件的权重矩阵，计算出加权平均的外结构受风特征值。其中，外组件包括门架、转台、人字架、拉杆和支腿中的至少一种。

防风装置计算单元用于依据第二传感器检测出的多种防风组件的受风载荷以及该多种防风组件的权重矩阵，计算出加权平均的防风结构受风特征值。其中，防风组件包括夹轨器、顶轨器、防风铁楔、防风拉索、锚定组件中的至少一种。

不同组件在受风的情况下对起重机产生的影响不同，因此设置有权重矩阵，将各组件的受风载荷形成的载荷矩阵乘以各组件的归一化之后的权重矩阵，最终得到受风特征值，该值理论上也是一个载荷值。若同时利用外组件和防风组件的受风载荷来判断受风能力，则可以在单独计算外组件的受风特征值和防风组件的受风特征值之后，利用预设的整体外组件和整体防风组件的权重，计算外组件和防风组件的加权平均值，作为最终起重机整体结构的受风特征值。

在一种实施方式中，起重机配置有传动比不同的两台减速机，一台第一减速机和一台第二减速机，所述第一减速机的传动级数和传动比均低于第二减速机。

起重机在同一时刻只使用两台减速机中的一台，而具体使用哪一台则取决于现场工况。两台减速机的输出轴可以通过离合器与执行机构连接，通过控制离合器来控制使用其中的哪一台减速机。假设第一减速机是单级减速机，第二减速机是四级减速机，由于单级减速机的稳定性和传动效率优于多级减速机，但传动比低于多级减速机，因此根据不同的场合切换不同的减速机使用。

该起重机还包括传动效率计算模块，用于利用公式

计算当前使用的减速机的传动效率，其中η为传动效率，T_out为输出轴扭矩，T_in为输入轴扭矩，ω_out为输出轴转角，ω_in为输入轴转角。传动效率计算模块在传动效率未高于设定效率阈值且起重载荷小于设定载荷时将第一减速机作为当前使用的减速机接入起重机，在起重载荷不小于设定载荷时将第二减速机作为当前使用的减速机接入起重机。

由于单级减速机能够承担的载荷较小(传动比小于第二减速机)，但传动效率高，因此在当前起重货物的载荷较小时，并且当前的传动效率较低导致能源浪费较多时，可以将单级减速机接入起重机，既满足起重能力又提高传动效率。而在预计下一个起重的货物所带来的载荷使得单级减速机无法满足转速和转矩要求时，还需要切换回第二减速机，以满足大载荷货物所需的高传动比需求。

下面参考图3详细描述本申请公开的用于减速机的故障自动判别方法第一实施例。本实施例为用于实施前述的故障自动判别的减速机第一实施例的方法。本实施例中的减速机包括减速传动机构、传动轴、传动轴承、箱体以及多个第一传感器；其中，各第一传感器安装于减速传动机构、传动轴、传动轴承、箱体中至少一个部分上。

如图3所示，本实施例公开的方法包括如下步骤：

步骤A，通过多个第一传感器检测并上传减速机相应部分的传感信号；

步骤B，对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将多个第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到神经网络输出的故障发生的减速机组成部分及其故障类型信息。

本方法可以通过CPU、存储器等硬件配合实现运算。

在一种实施方式中，所述对训练样本传感信号分别进行分解、重构和能量计算，包括：

对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号；

对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量。

在一种实施方式中，所述将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，包括：

随机生成具有位置和速度的群体元素作为神经网络的权值和阈值，将训练样本输入神经网络；

计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值。

下面参考图4详细描述本申请公开的用于起重机的故障自动判别方法第一实施例。本实施例为用于实施前述的故障自动判别的起重机第一实施例的方法。本实施例中的起重机包括起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器；其中，各第二传感器安装于起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上。

如图4所示，本实施例公开的方法包括如下步骤：

步骤A’，通过多个第二传感器检测并上传起重机相应部分的传感信号；

步骤B’，对训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将多个第一传感器和第二传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到神经网络输出的故障发生的减速机组成部分及其故障类型信息。

本方法可以通过CPU、存储器等硬件配合实现运算。

在一种实施方式中，减速机包括多个主传动构件，至少部分的主传动构件设有传动特征相同的辅助传动构件，辅助传动构件与相应的主传动构件通过接合组件连接；

该方法还包括：

依据第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值；

在受风特征值超出设定受风阈值时，控制至少部分的接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

在一种实施方式中，所述依据第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值，包括：

依据第二传感器检测出的多种外组件的受风载荷以及该多种外组件的权重矩阵，计算出加权平均的外结构受风特征值；

依据第二传感器检测出的多种防风组件的受风载荷以及该多种防风组件的权重矩阵，计算出加权平均的防风结构受风特征值；其中，

外组件包括门架、转台、人字架、拉杆和支腿中的至少一种，防风组件包括夹轨器、顶轨器、防风铁楔、防风拉索、锚定组件中的至少一种。

在一种实施方式中，该起重机的减速机包括传动比不同的第一减速机和第二减速机，其中第一减速机的传动级数和传动比均低于第二减速机；

该方法还包括：

利用公式

计算当前使用的减速机的传动效率，并在传动效率未高于设定效率阈值时且起重载荷小于设定载荷时，将第一减速机作为当前使用的减速机接入起重机，在起重载荷不小于设定载荷时将第二减速机作为当前使用的减速机接入起重机；其中，η为传动效率，T_out为输出轴扭矩，T_in为输入轴扭矩，ω_out为输出轴转角，ω_in为输入轴转角。

在本文中，“第一”、“第二”等仅用于彼此的区分，而非表示它们的重要程度及顺序等。

本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。

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，可轻易想到的变化或替换，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以所述权利要求的保护范围为准。

Claims (2)

1.一种故障自动判别的起重机，其特征在于，包括起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器；

所述减速机包括减速传动机构、传动轴、传动轴承、箱体、故障自动判别装置以及多个第一传感器，所述多个第一传感器安装于所述减速传动机构、传动轴、传动轴承、箱体中至少一个部分上，用于检测并上传减速机相应部分的传感信号，所述多个第二传感器安装于所述起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上，用于检测相应部分的传感信号；

所述多个第一传感器和所述多个第二传感器包括力敏传感器、位置传感器、液位传感器、速度传感器、加速度传感器、热敏传感器、应变传感器、扭矩传感器和压力传感器，所述第一传感器的传感信号和所述第二传感器的传感信号包括振动信号、形变信号、电压信号、压力信号和温度信号；

所述故障自动判别装置用于对所述第一传感器的训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将所述多个第一传感器上传的不同减速机部分的传感信号输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的减速机组成部分及减速机组成部分故障代码，所述减速机组成部分故障代码用于表示减速机组成部分故障信息，所述减速机组成部分故障信息包括减速机组成部分故障类型信息；

所述减速机的故障自动判别装置还用于对所述多个第二传感器上传的传感信号进行输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的起重机组成部分及起重机组成部分故障代码，所述起重机组成部分故障代码用于表示起重机组成部分故障信息，所述起重机组成部分故障信息包括起重机组成部分故障类型信息；

所述故障自动判别装置包括神经网络训练模块，所述神经网络训练模块包括：

传感信号分解单元，用于对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号；

信号能量计算单元，用于对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量；

参数初始化单元，用于随机生成具有位置和速度的群体元素作为所述神经网络的权值和阈值，将训练样本输入神经网络；

权值优化单元，用于计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据所述个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值；

所述减速机包括多个主传动构件，至少部分的所述主传动构件设有传动特征相同的辅助传动构件，所述辅助传动构件与相应的所述主传动构件通过接合组件连接；

该起重机还包括：

受风程度计算模块，用于依据所述第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值；

辅助构件接入模块，用于在所述受风特征值超出设定受风阈值时，控制至少部分的所述接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

2.一种用于起重机的故障自动判别方法，其特征在于，所述起重机包括起升机构、变幅机构、旋转机构、运行机构、电动机、减速机、液压系统、制动器和多个第二传感器；

所述减速机包括减速传动机构、传动轴、传动轴承、箱体、故障自动判别装置以及多个第一传感器，所述多个第一传感器安装于所述减速传动机构、传动轴、传动轴承、箱体中至少一个部分上，所述多个第二传感器安装于所述起升机构、变幅机构、旋转机构、运行机构、电动机、液压系统、制动器中至少一个部分上；

该方法包括：

通过所述多个第一传感器检测并上传减速机相应部分的传感信号，通过所述多个第二传感器检测并上传起重机相应部分的传感信号，其中，所述多个第一传感器和所述多个第二传感器包括力敏传感器、位置传感器、液位传感器、速度传感器、加速度传感器、热敏传感器、应变传感器、扭矩传感器和压力传感器，所述第一传感器的传感信号和所述第二传感器的传感信号包括振动信号、形变信号、电压信号、压力信号和温度信号；

对所述第一传感器和第二传感器训练样本传感信号分别进行分解、重构和能量计算，并将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，并将所述多个第一传感器上传的不同减速机部分的传感信号和所述第二传感器上传的传感信号输入训练完成的对应信号类型的神经网络，得到所述神经网络输出的故障发生的减速机组成部分或起重机组成部分，及其故障代码，其中，所述故障代码用于表示故障信息，所述故障信息包括故障类型信息；

对训练样本传感信号分别进行分解、重构和能量计算，包括：

对第一传感器上传的传感信号进行分解得到N层信号，其中第N层信号包括从低频到高频的多个频段信号；

对各层信号系数进行重构，计算各重构信号的能量，将得到的信号能量进行归一化，由归一化后得到的各频段信号能量构建出能量向量；

所述将由算出的信号能量所形成的能量向量作为训练样本分别输入对应信号类型的神经网络进行训练，包括：

随机生成具有位置和速度的群体元素作为所述神经网络的权值和阈值，将训练样本输入神经网络；

计算每个元素对应的适应度值，依据该适应度值迭代式确定出个体最优元素和全局最优元素并依据所述个体最优元素和全局最优元素更新当前元素的位置和速度，直到达到迭代次数，将得到的元素作为神经网络的初始权值和阈值；

所述减速机包括多个主传动构件，至少部分的所述主传动构件设有传动特征相同的辅助传动构件，所述辅助传动构件与相应的所述主传动构件通过接合组件连接；

该方法还包括：

依据所述第二传感器检测出的起重机至少一个组件的受风载荷，计算出起重机的受风特征值；

在所述受风特征值超出设定受风阈值时，控制至少部分的所述接合组件闭合，使辅助传动构件接入主传动构件并沿主传动构件的力传动方向进行双构件共同传动。

Images