CN112161807A - 一种变速齿轮箱的故障诊断方法、装置及存储介质 - Google Patents
一种变速齿轮箱的故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112161807A CN112161807A CN202011000937.0A CN202011000937A CN112161807A CN 112161807 A CN112161807 A CN 112161807A CN 202011000937 A CN202011000937 A CN 202011000937A CN 112161807 A CN112161807 A CN 112161807A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault diagnosis
- mean square
- training
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000002790 cross-validation Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种变速齿轮箱的故障诊断方法，其包括：采集多个振动传感器的数据，以获得多个不同轴转速振动信号，并进行低通滤波；创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器；基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取；将所提取的特征分成训练数据集和测试数据集，将所述训练数据集通过交叉验证的方法分为训练集数据和验证集数据，并基于训练集数据和所述验证集数据对支持向量机模型进行训练，采用训练后的模型对所述测试数据集进行故障分类，获得分类结果。在有效降低噪声，提高基于单对单、多类支持向量机的分类准确率，从而达到对变速齿轮箱的有效故障诊断。
Description
技术领域
本发明涉及齿轮箱数据诊断技术领域，尤其涉及一种加变速齿轮箱的故障诊断方法、装置及存储介质。
背景技术
随着工业4.0以及工业大数据时代的到来，机器设备的使用更加超过以往。齿轮箱作为机器设备的重要组成部件被广泛应用于工业生产之中，但其在恶劣和连续的条件下工作，极容易发生各种故障，损害复杂的机器设备，甚至对财产和生命安全造成严重威胁。因此，对齿轮箱进行故障诊断是很有必要的。齿轮箱的振动信号是用于其故障诊断和早期故障检测的重要信息，但振动信号通常是非线性、非平稳的，其中含有数据采集系统产生的背景噪声和机器其他部件的干扰。特别是在转速变化的情况下，振动信号中的信息成分更是与复杂的、不需要的成分混合在一起。因此，要利用振动信号中的信息成分进行齿轮箱故障诊断，必须在分析前尽可能地从信号中去除噪声。
目前已经提出了诸如低通滤波去噪、小波分解去噪和奇异值分解去噪等去噪方法，运用这些方法虽然可以降低噪声，但低通滤波去噪会丢失信号的细节信息，使信号边缘变得模糊，小波分解去噪由于阈值的存在会导致原始信息信号失真，奇异值分解去噪确定奇异值数目选取的方法不够有效，进而使得变速齿轮箱故障诊断效率不高。
发明内容
本发明的目的在于提供一种变速齿轮箱的故障诊断方法、装置及存储介质，旨在有效降低噪声，提高基于单对单、多类支持向量机的分类准确率，从而达到对变速齿轮箱的有效故障诊断。
为了实现上述目的，一种变速齿轮箱的故障诊断方法，所述方法包括：
采集多个振动传感器的数据，以获得多个不同轴转速振动信号，并进行低通滤波；
创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器；
基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取；
将所提取的特征分成训练数据集和测试数据集，将所述训练数据集通过交叉验证的方法分为训练集数据和验证集数据，并基于训练集数据和所述验证集数据对支持向量机模型进行训练，采用训练后的模型对所述测试数据集进行故障分类，获得分类结果。
一种实现方式中，所述创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器的步骤包括：
创建一组与转速相关的高斯参考信号；
对振动信号进行自适应噪声滤波处理后，将高斯参考信号作为自适应滤波器的输入信号，将处理过后的振动信号作为自适应滤波器的期望信号来构造自适应噪声滤波器；
进行参数的初始化，并通过迭代计算后获得自适应滤波器的目标参数，所述目标参数包括采样时间步长M，系数向量c(n)，步长为u和参数a。
一种实现方式中，所述基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取的步骤，包括：
通过最小均方(LMS)算法对系数向量进行调整，将具有最小均方误差(MSE)的信号归入的优化子带集合中；
计算优化子带集合中每个子带的均方值；
将均方根值最小的子带作为最佳优化输出子带；
对所述最佳优化子带进行特征提取。
一种实现方式中，所述高斯参考信号是旋转速度的函数，由噪声成分组成，且其组成信号与振动信号是不相关的，且与噪声的特性同源。
一种实现方式中，所述将处理过后的振动信号作为自适应滤波器的期望信号来构造自适应噪声滤波器的步骤，包括：
对所述振动信号进行自适应噪声滤波处理；
通过将高斯参考信号和滤波后的振动信号分别作为自适应滤波器的输入信号和期望信号来构造自适应噪声滤波器。
一种实现方式中，所述通过最小均方算法对系数向量进行调整，将具有最小均方误差的信号归入的优化子带集合中的步骤，包括：
进行目标参数初始化，包括采样时间步长M，系数向量c(n)，步长为u和参数a，其中a按照0.01的步长以输入转速扫描；
通过将自适应滤波器的输出连接到迭代模块，进行循环迭代，得到最优目标参数，来生成自适应滤波器所需的特定高斯参考信号；
将振动信号作为期望输入，延迟采样时间步长M，以与FIR数字滤波器的延迟处理兼容；
通过LMS算法对系数向量进行调整，将具有最小MSE的信号推入所提出的优化子带集合中；
计算该集合中每个子带的均方值，选取值最小的子带作为优化后的子带。
一种实现方式中，所述对所述最佳优化子带进行特征提取的步骤，包括：
对最佳优化自带进行特征提取，提取多个特征所提取的特征中包括多个时域特征和多个频域特征，所述多个时域特征包括不限于：根均方、平方均根、峰度、偏度、裕度、脉冲、峰间值，所述频域特征包括不限于根均方频率、频率中心、根方差频率。
一种实现方式中，所述采用训练后的模型对所述测试数据集进行故障分类，获得分类结果的步骤，包括：
使用k-折叠交叉验证法来估计广义分类的准确率，将特征向量中的样本集合随机分割为k个相互折叠，记为C1，C2，…，Ck；
分类模型对k次精度估计进行操作，一部分Cj作为训练集，其余的作为验证集和备选进行k次迭代；
多次重复，直到所有的折叠都被用作验证集，训练模型中最终对性能的衡量标准是每一折叠精度的平均值，然后使用这些数据作为测试数据集来验证分类模型并得出最终的健康状态分类结果，所述分类结果为：健康，故障状态，故障状态，故障状态中的一种。
以及公开了一种变速齿轮箱的故障诊断装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储变速齿轮箱的故障诊断程序；
所述处理器，用于执行所述变速齿轮箱的故障诊断程序，以实现任一项所述的变速齿轮箱的故障诊断步骤。
此外，还公开了一种存储装置，所述存储装置为计算机存储装置，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行如任一项所述的变速齿轮箱的故障诊断步骤。
应用本发明实施例提供的变速齿轮箱的故障诊断方法，具备的有益效果如下：
有效降低噪声，提高基于单对单、多类支持向量机的分类准确率，从而达到对变速齿轮箱的有效故障诊断。
本方法将自适应噪声控制与机器学习分类相结合，对变速齿轮箱的故障状态进行分类；
去噪过程不会丢失信号的细节信息，不会导致原始信息信号失真，可以提高变速齿轮箱故障诊断效率。
附图说明
图1是本发明实施例变速齿轮箱的故障诊断方法的一种流程示意图。
图2是本发明实施例变速齿轮箱的故障诊断方法的一个具体实施例。
图3是本发明实施例变速齿轮箱的故障诊断方法的另一个具体实施例。
图4是本发明实施例变速齿轮箱的故障诊断方法的再一个具体实施例。
图5是本发明实施例变速齿轮箱的故障诊断方法的又一个具体实施例。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-5。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1-5所示，本发明提供一种变速齿轮箱的故障诊断方法，本方法通过优化参考输入信号的权值和参数的滤波过程，并考虑噪声特性和转速的关系，来降低原始振动信号的噪声，从而达到对变速齿轮箱故障的诊断分类。具体步骤如下：
S101，采集多个振动传感器的数据，以获得多个不同轴转速振动信号，并进行低通滤波；
S102，创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器；
S103，基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取；
S104，将所提取的特征分成训练数据集和测试数据集，将所述训练数据集通过交叉验证的方法分为训练集数据和验证集数据，并基于训练集数据和所述验证集数据对支持向量机模型进行训练，采用训练后的模型对所述测试数据集进行故障分类，获得分类结果。
如图2-图4所示，本发明实施例所包括的过程传感器数据搜集，可以理解的是传感器数据也就是振动信号，将传感器数据vs(n)通过低通滤波器后获得滤波后信号lpf(n)，在通过优化过程(ANR-GRS)优化后获得opt(n)，然后获得特征向量F(k)，然后基于多种分类方法进行分类，获得分类结果。具体包括：
(1)使用传感器进行数据采集，获得不同轴转速振动信号，然后低通滤波器输出子带信号；
(2)创建一组与转速相关的高斯参考信号，并对振动信号进行自适应噪声滤波处理后，将高斯参考信号作为自适应滤波器的输入信号，将处理过后的振动信号作为自适应滤波器的期望信号来构造自适应噪声滤波器；
(3)进行参数(包括采样时间步长M，系数向量c(n)，步长为u和参数a)的初始化，将自适应滤波器的输出连接到迭代模块，进行循环迭代，得到目标最优参数(也即MSE最小时所获得的目标参数即为目标最优参数)，生成所需的特定高斯参考信号；
(4)通过最小均方(LMS)算法对系数向量进行调整，将具有最小均方误差(MSE)的信号归入的优化子带集合中；
(5)计算优化子带集合中每个子带的均方值，将均方根值最小的子带作为最佳优化输出ANR-GRS模块；
(6)对输出ANR-GRS模块的最佳优化子带进行特征提取，包括18个时域特征和3个频域特征；
(7)进行故障分类：将所有的特征值分成第一组的训练集和测试集，在训练集中通过交叉验证的方法再将它们分成一组训练集，一组验证集，用一对一的多类支持向量机(OAOMCSVM)训练模型对它们进行训练，得出最后的故障分类结果。
需要说明的是，自适应滤波器结合了数字滤波器的操作和自适应算法。自适应算法利用输出信号(误差信号)的反馈信号，根据信号条件或性能标准对数字滤波器的系数(或权值)进行优化。
LMS算法包括了两个过程：滤波处理和自适应调整。对输入的振动信号以及高斯参考信号进行滤波处理，初始化后的参数进行自适应调整，得到最优参数及它们对应的最小均方误差(MSE)，为后续寻找最小的MSE、得出最佳优化自带做铺垫。
需要说明的是，1.数据采集步骤：
(1)采集数据集中包含关于有缺陷的变速齿轮箱的信息，原始振动信号以65536Hz的高频采样，以获得不同轴转速(300、600、900和1200RPM)下丰富的数字化振动样本数据；
(2)传感器的工作频率范围为0.42Hz-10kHz，在振动信号的频域内，故障相关分量大多存在于其频谱的最低段0-10kHz，所以采用降采样技术将原始振动信号(采集的所有振动信号)的采样频率降低三倍；
(3)在实现信号抽取时会产生混叠现象，所以使用低通切比雪夫Ⅰ型有限脉冲响应滤波器(滤波器的阶数为35，截止频率为10kHz)来抗混叠；
(4)通过低通滤波器输出子带信号(lpf(n))，频谱范围在0-10kHz。
2ANR-GRS优化：
(1)首先创建一组高斯参考信号，它是旋转速度的函数，由许多噪声成分组成，创建的信号需要满足两个条件：a.与振动信号是不相关的；b.与噪声的特性尽可能同源；
(2)对振动信号进行自适应噪声滤波处理，通过将高斯参考信号和振动信号分别作为自适应滤波器的输入信号和期望信号来构造自适应噪声滤波器；
(3)计算优化子带的过程：
首先进行参数初始化，包括采样时间步长M，系数向量c(n)，步长为u和参数a，其中a按照0.01的步长以输入转速(RPM)扫描[0.25,0.75]；
通过将自适应滤波器的输出连接到求和模块的负端口，来生成自适应滤波器所需的特定GRS；
振动信号包含信息成分和噪声，作为期望输入，延迟采样时间步长M，以与FIR数字滤波器的延迟处理兼容；
通过LMS算法对系数向量进行调整，将具有最小MSE的信号推入所提出的优化子带集合中；
最后，计算该集合中每个子带的均方值，选取值最小的子带作为优化后的子带，并输出ANR-GRS模块。
3特征池配置：
对输出ANR-GRS模块的最佳优化自带进行特征提取，一共提取21个特征，包括18个时域特征(如根均方、平方均根、峰度、偏度、裕度、脉冲、峰间值等)和3个频域特征(根均方频率、频率中心、根方差频率)，将这些特征向量作为输入值为后面的智能故障检测方法做准备。
4基于OAOMCSVM的多类分类法：
(1)选择每个转速(300、600、900和1200RPM)下维度为4×300×21的四种健康状态各300个样本的特征集；
(2)通过合并不同转速下四种可用健康状态的数据来创建数据集，得到维度为4800×21的新特征集，然后将该数据集按8:2的比例随机分为一个训练集和一个测试集，用于训练和测试OAOMCSVM分类器，并对所提出的故障诊断方法进行总体评价；
(3)通过OAOMCSVM分类器训练在不同转速下采集的数据，单个转速特征集被用作训练集(例如，300RPM下维度为4×300×21的特征集)，另外两个转速下对应的特性集。
被用于测试集(例如，600、900RPM下维度为4×600×21的特征集)，来验证提出的ANR-GRS技术的鲁棒性；
(4)为了构建分类训练模型，使用k-折叠交叉验证法(k-cv)来估计广义分类的准确率。在k-cv中，将特征向量中的样本集合随机分割为k个相互折叠(本方法取k＝10)，记为C1，C2，…，Ck；
(5)OAOMCSVM分类器对k次精度估计进行操作，一部分Cj(k个折叠中的一个随机子集)作为训练集，其余的作为验证集和备选进行k次迭代。具体来说，对于每一个转速，训练集中每个健康状态的300个特征向量被分割成10个折叠，每个折叠包含每个健康状态随机选取的30个特征向量(30×21)，其中9个褶皱用于训练，剩下的1个褶皱用于验证；
(6)上一个过程重复10次，直到所有的折叠都被用作验证集。训练模型中最终对性能的衡量标准是每一折叠精度的平均值，然后使用这些数据作为测试数据集(在训练过程中没有使用)来验证OAOMCSVM方法并得出最终的健康状态分类结果(健康，故障状态1，故障状态2，故障状态3)。
本发明包括四个模块：数据采集；ANR-GRS优化；特征池配置；基于OAOMCSVM的多类分类法；
创建高斯参考信号，并对振动信号进行自适应噪声滤波处理，通过将高斯参考信号和振动信号分别作为自适应滤波器的输入信号和期望信号来构造自适应噪声滤波器；
ANR-GRS技术有三个主要功能块:高斯参考信号(GRS)的产生；使用LMS算法的自适应噪声滤波；最优输出子带的选择；
计算优化子带的过程：先进行参数初始化，通过LMS算法对系数向量进行调整，将具有最小MSE的信号推入所提出的优化子带集合中，然后计算该集合中每个子带的均方值，选取值最小的子带作为优化后的子带，并输出ANR-GRS模块；
为了构建分类训练模型，使用k-折叠交叉验证法(k-cv)来估计广义分类的准确率。
因此，应用本发明的实施例，本方法将自适应噪声控制与机器学习分类相结合，对变速齿轮箱的故障状态进行分类；
去噪过程不会丢失信号的细节信息，不会导致原始信息信号失真，可以提高变速齿轮箱故障诊断效率；
通过该方法可以有效降低噪声，提高基于单对单、多类支持向量机的分类准确率，从而达到对变速齿轮箱的有效故障诊断。
本发明包括四个模块：数据采集；ANR-GRS优化；特征池配置；基于OAOMCSVM的多类分类法；
创建高斯参考信号，并对振动信号进行自适应噪声滤波处理，通过将高斯参考信号和振动信号分别作为自适应滤波器的输入信号和期望信号来构造自适应噪声滤波器；
ANR-GRS技术有三个主要功能块:高斯参考信号(GRS)的产生；使用LMS算法的自适应噪声滤波；最优输出子带的选择；
计算优化子带的过程：先进行参数初始化，通过LMS算法对系数向量进行调整，将具有最小MSE的信号推入所提出的优化子带集合中，然后计算该集合中每个子带的均方值，选取值最小的子带作为优化后的子带，并输出ANR-GRS模块；
为了构建分类训练模型，使用k-折叠交叉验证法(k-cv)来估计广义分类的准确率。
此外，本发明还公开了一种变速齿轮箱的故障诊断装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储变速齿轮箱的故障诊断程序；
所述处理器，用于执行所述变速齿轮箱的故障诊断程序，以实现任一项所述的变速齿轮箱的故障诊断步骤。
以及公开了一种存储装置，所述存储装置为计算机存储装置，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的变速齿轮箱的故障诊断步骤。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种变速齿轮箱的故障诊断方法，其特征在于，所述方法包括：
采集多个振动传感器的数据，以获得多个不同轴转速振动信号，并进行低通滤波；
创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器；
基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取；
将所提取的特征分成训练数据集和测试数据集，将所述训练数据集通过交叉验证的方法分为训练集数据和验证集数据，并基于训练集数据和所述验证集数据对支持向量机模型进行训练，采用训练后的模型对所述测试数据集进行故障分类，获得分类结果。
2.根据权利要求1所述的变速齿轮箱的故障诊断方法，其特征在于，所述创建一组与转速相关的高斯参考信号，并基于高斯参考信号创建自适应噪声滤波器的步骤包括：
创建一组与转速相关的高斯参考信号；
对振动信号进行自适应噪声滤波处理后，将高斯参考信号作为自适应滤波器的输入信号，将处理过后的振动信号作为自适应滤波器的期望信号来构造自适应噪声滤波器；
进行参数的初始化，并通过迭代计算后获得自适应滤波器的目标参数，所述目标参数包括采样时间步长M，系数向量c(n)，步长为u和参数a。
3.根据权利要求2所述的变速齿轮箱的故障诊断方法，其特征在于，所述基于所述自适应噪声滤波器和最小均方算法进行振动信号特征提取的步骤，包括：
通过最小均方算法对系数向量进行调整，将具有最小均方误差的信号归入的优化子带集合中；
计算优化子带集合中每个子带的均方值；
将均方根值最小的子带作为最佳优化输出子带；
对所述最佳优化子带进行特征提取。
4.根据权利要求2或3所述的变速齿轮箱的故障诊断方法，其特征在于，所述高斯参考信号是旋转速度的函数，由噪声成分组成，且其组成信号与振动信号是不相关的，且与噪声的特性同源。
5.根据权利要求4所述的变速齿轮箱的故障诊断方法，其特征在于，所述将处理过后的振动信号作为自适应滤波器的期望信号来构造自适应噪声滤波器的步骤，包括：
对所述振动信号进行自适应噪声滤波处理；
通过将高斯参考信号和滤波后的振动信号分别作为自适应滤波器的输入信号和期望信号来构造自适应噪声滤波器。
6.根据权利要求3所述的变速齿轮箱的故障诊断方法，其特征在于，所述通过最小均方算法对系数向量进行调整，将具有最小均方误差的信号归入的优化子带集合中的步骤，包括：
进行目标参数初始化，包括采样时间步长M，系数向量c(n)，步长为u和参数a，其中a按照0.01的步长以输入转速扫描；
通过将自适应滤波器的输出连接到迭代模块进行循环迭代，得到最优目标参数，来生成自适应滤波器所需的特定高斯参考信号；
将振动信号作为期望输入，延迟采样时间步长M，以与FIR数字滤波器的延迟处理兼容；
通过LMS算法对系数向量进行调整，将具有最小MSE的信号推入所提出的优化子带集合中；
计算该集合中每个子带的均方值，选取值最小的子带作为优化后的子带。
7.根据权利要求3所述的变速齿轮箱的故障诊断方法，其特征在于，所述对所述最佳优化子带进行特征提取的步骤，包括：
对最佳优化自带进行特征提取，提取多个特征所提取的特征中包括多个时域特征和多个频域特征，所述多个时域特征包括不限于：根均方、平方均根、峰度、偏度、裕度、脉冲、峰间值，所述频域特征包括不限于根均方频率、频率中心、根方差频率。
8.根据权利要求7所述的变速齿轮箱的故障诊断方法，其特征在于，所述采用训练后的模型对所述测试数据集进行故障分类，获得分类结果的步骤，包括：
使用k-折叠交叉验证法来估计广义分类的准确率，将特征向量中的样本集合随机分割为k个相互折叠，记为C1，C2，…，Ck；
分类模型对k次精度估计进行操作，一部分Cj作为训练集，其余的作为验证集和备选进行k次迭代；
多次重复，直到所有的折叠都被用作验证集，训练模型中最终对性能的衡量标准是每一折叠精度的平均值，然后使用这些数据作为测试数据集来验证分类模型并得出最终的健康状态分类结果，所述分类结果为：健康，故障状态，故障状态，故障状态中的一种。
9.一种变速齿轮箱的故障诊断装置，其特征在于，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储变速齿轮箱的故障诊断程序；
所述处理器，用于执行所述变速齿轮箱的故障诊断程序，以实现如权利要求1至8中任一项所述的变速齿轮箱的故障诊断步骤。
10.一种存储装置，其特征在于，所述存储装置为计算机存储装置，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行如权利要求1至8中任一项所述的变速齿轮箱的故障诊断步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011000937.0A CN112161807B (zh) | 2020-09-22 | 2020-09-22 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011000937.0A CN112161807B (zh) | 2020-09-22 | 2020-09-22 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112161807A true CN112161807A (zh) | 2021-01-01 |
| CN112161807B CN112161807B (zh) | 2022-11-01 |
Family
ID=73863263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011000937.0A Active CN112161807B (zh) | 2020-09-22 | 2020-09-22 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112161807B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN111473975A (zh) * | 2020-04-13 | 2020-07-31 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的二级齿轮箱故障智能诊断方法 |
-
2020
- 2020-09-22 CN CN202011000937.0A patent/CN112161807B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
| CN111473975A (zh) * | 2020-04-13 | 2020-07-31 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的二级齿轮箱故障智能诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘志川等: "基于MED-SVM的齿轮箱故障诊断方法", 《机械传动》 * |
| 周继威: "基于空间相关与自适应滤波的齿轮箱故障诊断", 《噪声与振动控制》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
| CN113297922B (zh) * | 2021-04-30 | 2023-05-05 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112161807B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| Wang et al. | Synthesis versus analysis priors via generalized minimax-concave penalty for sparsity-assisted machinery fault diagnosis | |
| CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
| CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
| CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
| CN114563186A (zh) | 滚动轴承类不平衡故障诊断方法及系统 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
| CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
| CN112161807B (zh) | 一种变速齿轮箱的故障诊断方法、装置及存储介质 | |
| CN114548153B (zh) | 基于残差-胶囊网络的行星齿轮箱故障诊断方法 | |
| CN106500991B (zh) | 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| Guo et al. | Ensemble difference mode decomposition based on transmission path elimination technology for rotating machinery fault diagnosis | |
| CN113657244A (zh) | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 | |
| CN116625678A (zh) | 基于平均峭度反卷积网络的故障诊断方法及系统 | |
| CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
| CN112836583B (zh) | 一种风力机故障诊断方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN115097391A (zh) | 一种基于自动编码器的合成孔径雷达干扰抑制方法 | |
| CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
| CN116028840A (zh) | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 | |
| CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 | |
| He et al. | LPF/OGS: A low-pass filtering and overlapping group shrinkage denoising method for diesel engine fault diagnosis | |
| CN115659150B (zh) | 一种信号处理方法、装置及设备 |
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 |