CN112232405B - 齿轮箱的故障预测、监测和诊断方法及相应装置 - Google Patents
齿轮箱的故障预测、监测和诊断方法及相应装置 Download PDFInfo
- Publication number
- CN112232405B CN112232405B CN202011092885.4A CN202011092885A CN112232405B CN 112232405 B CN112232405 B CN 112232405B CN 202011092885 A CN202011092885 A CN 202011092885A CN 112232405 B CN112232405 B CN 112232405B
- Authority
- CN
- China
- Prior art keywords
- data
- gearbox
- fault
- measuring point
- change rate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种齿轮箱的故障预测、监测和诊断方法及相应装置。其中,该方法包括:采集齿轮箱的工作数据和列车运行数据;对齿轮箱的工作数据和列车运行数据进行智能分析处理,预测得到齿轮箱的故障数据。本发明解决了无法及时、准确地预测列车齿轮箱的故障的技术问题。
Description
技术领域
本发明涉及齿轮箱领域,具体而言,涉及一种齿轮箱的故障预测、监测和诊断方法及相应装置。
背景技术
齿轮箱是轨道交通列车传动系统的关键零部件。齿轮箱的小齿轮通过联轴节与牵引电机实现柔性连接;齿轮箱的大齿轮压装在车轴上,齿轮箱通过齿轮啮合传递动力,将牵引电机的动力传递到车轴上,带动车辆运行。
传统齿轮箱的故障诊断系统通过采集齿轮箱的单一数据,然后判断齿轮箱测点数据是否超过阈值,并根据判断结果确认齿轮箱的运行状态。但由于各辆车的运行状态不同、季节环境因素不同等原因,导致人为设定的阈值很难有广泛的适用性,造成误报率或漏报率太高,影响对齿轮箱的故障检测,进而对列车的安全形成隐患。
此外,现有的列车齿轮箱安全监控系统只能实现故障的实时诊断,当诊断出故障时,故障已经发生,已经影响行车安全和运营秩序。因此相关技术无法实现对列车齿轮箱的故障预测。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种齿轮箱的故障预测、监测和诊断方法及相应装置,以至少解决无法及时、准确地预测列车齿轮箱的故障的技术问题。
根据本发明实施例的一个方面,提供了一种齿轮箱的故障预测方法,包括:采集齿轮箱的工作数据和列车运行数据;对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据。
可选地,在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据之前,还包括:对所述齿轮箱的工作数据和所述列车运行数据进行预处理,得到预处理后的数据;对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;根据所述测点数据的数据特征,预测得到所述齿轮箱的故障数据。
可选地,对所述齿轮箱的工作数据和所述列车运行数据进行预处理包括以下至少之一:数据清洗,数模转化,数据存储格式转化,数据合并,数据缺失值填补和数据有效性验证。
可选地,根据所述测点数据的数据特征,预测得到所述齿轮箱的故障数据包括:使用故障预测模型对所述测点数据的数据特征进行智能分析,预测得到所述齿轮箱的故障数据,其中,所述故障预测模型为机器学习模型。
可选地,在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据之前,所述方法包括:使用所述齿轮箱的工作数据和所述列车运行数据作为样本数据,训练所述故障预测模型,其中,训练所述故障预测模型包括:根据所述样本数据,使用多种分类方法构建多个分类模型,其中,所述多个分类模型均为机器学习模型;集成所述多个分类模型,得到所述故障预测模型。
可选地,所述集成多个分类模型得到所述故障预测模型的方法包括以下至少之一:投票平均(Voting/Averaging)方法,引导聚焦(Bagging)方法,提升(Boosting)方法。
根据本发明实施例的另一方面,还提供了一种齿轮箱的故障监测方法,包括:采集齿轮箱的工作数据;使用故障监测模型对所述齿轮箱的工作数据进行处理,判断所述齿轮箱的状况,其中,所述故障监测模型为使用样本数据训练得到的单一阈值模式的模型,所述样本数据包括所述齿轮箱的历史工作数据和故障数据;当判断所述齿轮箱发生故障时,发出告警信息。
根据本发明实施例的又一方面,还提供了一种齿轮箱的故障诊断方法,包括:采集齿轮箱的工作数据和列车运行数据;对所述齿轮箱的工作数据和所述列车运行数据进行预处理,得到预处理后的数据;对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;使用故障诊断模型对所述测点数据的数据特征进行智能分析处理,诊断得到所述齿轮箱的故障数据,其中,所述故障诊断模型为机器学习模型。
根据本发明实施例的再一方面,还提供了一种齿轮箱的故障预测装置,包括:第一采集单元,用于采集齿轮箱的工作数据和列车运行数据;第一处理单元,用于对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据。
根据本发明实施例的再一方面,还提供了一种齿轮箱的故障诊断装置,包括:第二采集单元,用于采集齿轮箱的工作数据和列车运行数据;第一预处理单元,用于对所述齿轮箱的工作数据和所述列车运行数据进行预处理,得到预处理后的数据;第一筛选单元,用于对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;第一特征工程单元,用于根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;第二处理单元,用于使用故障诊断模型对所述测点数据的数据特征进行智能分析处理,诊断得到所述齿轮箱的故障数据,其中,所述故障诊断模型为机器学习模型。
在本发明实施例中,采用采集齿轮箱的工作数据和列车运行数据的方式,通过对齿轮箱的工作数据和列车运行数据进行智能分析处理,达到了预测得到齿轮箱故障数据的目的,从而实现了及时、准确地预测齿轮箱的故障的技术效果,进而解决了无法及时、准确地预测列车齿轮箱的故障技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例1提供的齿轮箱的故障预测方法的示意图;
图2是根据本发明实施例1提供的齿轮箱故障的特征工程示意图;
图3是根据本发明可选实施方式提供的齿轮箱故障预测模型集成示意图;
图4是根据本发明实施例1提供的齿轮箱的故障监测方法的示意图;
图5是根据本发明实施例1提供的齿轮箱的故障诊断方法的示意图;
图6是根据本发明实施例2提供的齿轮箱的故障预测装置的结构框图;
图7是根据本发明可选实施方式的齿轮箱故障处理装置的结构示意图;
图8是根据本发明实施例3提供的齿轮箱故障诊断装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种齿轮箱的故障预测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例1提供的齿轮箱的故障预测方法的示意图,如图1所示,该方法包括如下步骤:
步骤S102,采集齿轮箱的工作数据和列车运行数据;
步骤S104,对齿轮箱的工作数据和列车运行数据进行智能分析处理,预测得到齿轮箱的故障数据。
通过上述步骤,达到了预测得到齿轮箱故障数据的目的,从而实现了及时、准确地预测齿轮箱的故障的技术效果,进而解决了无法及时、准确地预测列车齿轮箱的故障技术问题。本方法可以在在齿轮箱故障发生前给出预测信息,因此可以有效避免齿轮箱运行过程中发生重大故障问题影响列车运营安全。针对预测信息,还可以合理安排列车运行和人员换乘,有效提高列车运营安全性和运输计划性。
作为一种可选的实施例,在对齿轮箱的工作数据和列车运行数据进行智能分析处理,预测得到齿轮箱的故障数据之前,还可以进行以下动作:对齿轮箱的工作数据和列车运行数据进行预处理,得到预处理后的数据;对预处理后的数据进行筛选,得到至少一个测点对应的测点数据;根据测点数据,确定测点数据的数据特征,其中,数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;根据测点数据的数据特征,预测得到齿轮箱的故障数据。对齿包括轮箱工作数据和列车运行数据的前置数据的多项处理可以显著改善预测齿轮箱故障的效率和和准确率。其中,对前置数据的多项处理可以包括多种处理方式,具体处理方式的详细说明如下述内容。
本方法可以对齿轮箱的工作数据和列车的运行数据进行预处理,作为一种可选的实施例,上述预处理可以包括数据清洗,数模转化,数据存储格式转化,数据合并,数据缺失值填补和数据有效性验证等多种处理中的一种或多种。数据清洗和数模转化可以剔除可以检查数据的错误并将模拟信号转变为数字信号,便于传递;数据存储格式转化可以统一转化不同来源、不同格式、不同构型的数据的存储格式,方便后期对数据进行统一处理;由于不同数据来源的测点数据的采样频率不一致,因此可以通过数据合并,对不同采样频率的数据进行重采样,将数据按照秒和分钟分别进行合并;由于采样数据存在一些断点和不连续,因此可以对数据进行数据缺失值填补处理,根据实际情况对缺失部分进行填补,例如,部分采样点缺失和短时间缺失值采用临近值插补的方法进行,缺失长度较长的部分则直接断开,不予填补;数据有效性验证处理可以验证数据的有效性,例如,若部分测点的采样数据存在异常跳变,则可以根据一定的滤波规则将异常值过滤掉,又例如,若部分测点与均值偏差较大,可以进行自动或者人为的判断,决定是否删除异常值。
对预处理后得到的数据进行筛选,可以得到至少一个测点对应的数据,然后根据测点数据确定该测点数据的数据特征,并使用该数据特征进行故障预测。测点筛选阶段的主要工作包括:分析列车相关测点中,哪些测点与齿轮箱直接相关,哪些与齿轮箱间接相关,哪些在故障状态时变化较明显;筛选出的合适的测点,作为后续进一步分析的目标。对测点数据进行筛选的过程中,可以统计连续量测点数据的变化速率和总体范围,包括不同时间段的均值、标准差、最大值、最小值、直方图、密度曲线等。选取的测点的统计特征随时间有明显变化,特别是在故障发生前后。此外,还可以根据业务专家对齿轮箱故障机理的业务分析,将测点的相关性分为:强、较强、有相关、较弱、无。根据相关性筛选出从“较弱”到“强”的所有测点。筛选完的测点包括与列车相关的多种数据,例如,筛选完的测点可以包括:齿轮箱测点(如轴承温度)、单车厢公共测点(如牵引电机电流、电压、空簧压力等)和整列车公共测点(如列车速度、环境温度等)。
排除与列车的齿轮箱故障相关性较低的测点数据可以提高分析效率和模型预测准确率。例如,通过数据探索可以发现,当列车速度为0时,列车运行参数基本保持相对稳定,温度参数自然降温至环境温度,因此这部分数据对模型构建意义不大,并且可能对模型构建产生干扰,影响模型准确性。因此,在后续模型构建中,只选取当列车速度大于0时采集到的数据。
根据得到的与齿轮箱故障存在相关性的测点数据后,可以根据特征工程对该数据进行数据特征提取。故障发生时,测点的特性,如均值,方差等统计量与正常状态时相差较明显,因此,可以选取测点在发生故障时与正常运行时的数据差别较明显的特性作为该测点数据的特征。
图2是根据本发明实施例1提供的齿轮箱故障的特征工程示意图。如图2所示,对测点数据进行特征提取的特征工程包括四个部分,下面分别进行简要说明。
(1)基础统计特征。对提取出的相关测点的数据进行聚合,聚合区间可以为按分钟划分的时间段,选取分钟内数据段的部分统计量作为特征。每分钟段的数据选取均值,最大值,最小值3个统计量作为特征,也即为后续的模型输入量。基础统计特征可以反应测点的基本分布情况,以及可以更好的将样本量进行压缩,增加了模型的非线性,使模型的表达能力更强。例如,可以对齿轮箱轴承温度、牵引电机电流、列车空簧压力的均值、最大值、最小值等进行如上处理。
(2)变化速率特征。根据数据探索与测点筛选阶段得到的信息,发现在齿轮箱故障发生前后,各个温度测点,速度测点,以及部分电压,电流测点都发生异常的变化。将这些连续变化量,都计算出每分钟变化速率,作为测点的变化速率特征。例如,以下数据均为变化速率特征:齿轮箱轴承温度一分钟变化量(℃/min)、电机电流一分钟变化量(A/min)、电机电压一分钟变化量(V/min)等。
(3)时间窗口特征。为了将短暂的故障时刻数据异常特征进行延展和传递,对各项基础统计特征以及变化速率特征进行时间窗口的平滑处理,分别提取时间窗口内的均值、最大值、最小值和累计值等特征。在时间窗口的选择上,分别选取了1分钟、5分钟、10分钟、20分钟、30分钟和60分钟的时间窗口,来构建特征。例如,时间窗口特征可以包括:1分钟内齿轮箱轴承温升速率最大值、5分钟内列车空簧压力均值、10分钟内电机电流超过某一设定值累计时间、30分钟内列车空转累计值等。
(4)竞争特征。在故障发生前后,故障齿轮箱和同车的其他齿轮箱在温度,电力特征上存在着明显的差异,而这些差异在变化速率上也有明显的体现。因此对同车各个齿轮箱与其他齿轮箱的基础统计特征和变化速率特征分别进行对比,即每个齿轮箱的数据特征分别与其他齿轮箱的数据特征例如均值、中位数进行对比求差,得出齿轮箱的竞争特征。例如,齿轮箱的竞争特征可以包括齿轮箱轴承温度与同车辆其他齿轮箱温度差值、牵引电机电流与同车辆其他牵引电机电流差值、空簧压力与同列车其他位置空簧压力差值等。
作为一种可选的实施例,可以使用机器学习模型作为故障预测模型对测点数据的数据特征进行智能分析,预测得到齿轮箱的故障数据。机器学习模型可以模拟人类的学习行为,通过初始模型和训练样本数据对模型进行逐步训练,进而优化模型性能,实现模型的目标功能。使用机器学习模型作为故障预测模型可以充分发挥列车齿轮箱领域数据量大、历史数据多的特点,充分整合与分析数据,不断优化模型,得到可以预测齿轮箱故障的故障预测模型,并根据该模型对齿轮箱的故障进行预测。
作为一种可选的实施例,在对齿轮箱的工作数据和列车运行数据进行智能分析处理,预测得到齿轮箱的故障数据之前,可以使用齿轮箱的工作数据和列车运行数据作为样本数据,训练故障预测模型,其中,训练故障预测模型包括:根据样本数据,使用多种分类方法构建多个分类模型,其中,多个分类模型均为机器学习模型;集成多个分类模型,得到故障预测模型。利用齿轮箱的工作数据和列车运行数据,可以构建不同的分类模型,并根据多个不同的分类模型,集成得到故障预测模型。不同的分类模型在分类机理和特征侧重方面各有不同,可以根据原始数据挖掘出可能与齿轮箱故障相关的各种数据,实现对齿轮箱故障相关数据的全面发掘。例如,不同的分类模型可以包括逻辑回归模型、随机森林模型和分类回归树模型,分别对数据进行处理。通过集成上述多种不同类型的分类模型,可以综合各类模型的优势,提高模型的精度以及泛化能力。
作为一种可选的实施例,集成多个分类模型得到故障预测模型的方法包括以下至少之一:投票平均(Voting/Averaging)方法,引导聚焦(Bagging)方法,提升(Boosting)方法。由于不同的分类模型在在分类机理和特征侧重点上的不同,因此可能表现出不同程度过拟合或者欠拟合。通过集成分类模型的方式,可以改善上述问题。其中,投票平均(Voting/Averaging)方法,引导聚焦(Bagging)方法和提升(Boosting)方法均是集成学习方法,可以不同程度地实现降低方差、减小偏差和提升预测准确性的效果。
图3是根据本发明可选实施方式提供的齿轮箱故障预测模型集成示意图。如图3所示,根据齿轮箱故障预测模型进行齿轮箱的故障预测可以包括如下步骤:S302,将前端采集到的相关数据作为输入数据,输入齿轮箱故障预测模型;S304,使用逻辑回归、随机分类与分类回归树等方法中的至少一种方法对输入数据进行分析处理;S306,将上述多种不同分类方法构建的分类模型进行集成,得到集成后的齿轮箱故障预测模型;S308,使用集成后的齿轮箱故障预测模型判断齿轮箱是否存在故障。
图4是根据本发明实施例1提供的齿轮箱的故障监测方法的示意图。如图4所示,齿轮箱的故障监测方法包括如下步骤:
S402,采集齿轮箱的工作数据;
S404,使用故障监测模型对齿轮箱的工作数据进行处理,判断齿轮箱的状况,其中,故障监测模型为使用样本数据训练得到的单一阈值模式的模型,样本数据包括齿轮箱的历史工作数据和故障数据;
S406,当判断齿轮箱发生故障时,发出告警信息。
上述故障监测模型为针对齿轮箱的监控参数构建的单一阈值模式的模型。根据历史数据和故障统计数据,统计齿轮箱正常运行时和故障时的参数阈值分布规律,据此设定故障监测模型的报警阈值,如齿轮箱相关监控参数阈值超过报警阈值,故障监测模型输出报警信息包括报警类型和报警位置。通过上述故障监测方法,实现了对齿轮箱各个测点是否发生故障的实时监测。
图5是根据本发明实施例1提供的齿轮箱的故障诊断方法的示意图。如图5所示,齿轮箱的故障诊断方法可以包括如下步骤:
S502,采集齿轮箱的工作数据和列车运行数据;
S504,对齿轮箱的工作数据和列车运行数据进行预处理,得到预处理后的数据;
S506,对预处理后的数据进行筛选,得到至少一个测点对应的测点数据;
S508,根据测点数据,确定测点数据的数据特征,其中,数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;
S510,使用故障诊断模型对测点数据的数据特征进行智能分析处理,诊断得到齿轮箱的故障数据,其中,故障诊断模型为机器学习模型。
通过上述步骤,达到了诊断得到齿轮箱故障数据的目的,从而实现了及时、准确地诊断出齿轮箱的故障的技术效果,进而解决了无法及时、准确地诊断列车齿轮箱的故障技术问题。
此外,利用利用齿轮箱数据、列车运行信息和齿轮箱的寿命信息,还可以构建齿轮箱全寿命运行模型,并根据齿轮箱全寿命运行模型分析齿轮箱在不同列车运行工况下的参数发展变化规律,然后根据齿轮箱运行里程和目前的状态信息,输出齿轮箱的健康状态和剩余寿命。
实施例2
基于本发明实施例1的齿轮箱的故障预测方法,实施例2提供了一种可以用于实现上述齿轮箱的故障预测方法的齿轮箱的故障预测装置。图6是根据本发明实施例2提供的一种齿轮箱的故障预测装置的结构框图,如图6所示,齿轮箱的故障预测装置60包括:第一采集单元602和第一处理单元604,下面对该装置进行说明。
第一采集单元602,用于采集齿轮箱的工作数据和列车运行数据;
第一处理单元604,连接于上述第一采集单元602,用于对齿轮箱的工作数据和列车运行数据进行智能分析处理,预测得到齿轮箱的故障数据。
此处需要说明的是,上述第一采集单元602和第一处理单元604对应于实施例1中的步骤S102至步骤S104,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。
根据本发明实施例的故障预测装置除了包括第一采集单元602和第一处理单元604,还可以包括其他单元或部分。例如,可以包括:数据传输单元,数据存储单元和结果显示单元。下面对上述单元或部分的结构和功能进行说明。
数据传输单元可以将传感器采集的齿轮箱状态信息和列车其他系统的信息传递至数据存储单元和第一处理单元,该单元可以利用既有列车控制网络进行数据传输,也可通过建立一条专用故障预测网络实现上述功能。数据传输可以通过有线传输(RS232或以太网),也可通过无线方式进行传输(无线WIFI)。
数据存储单元可以将传输网络或前置处理器处理的数据进行统一存储,根据数据采样频率不同可分别设定在车辆级存储器和列车级存储器进行存储,存储的历史数据可被第一处理单元调用分析。
第一处理单元604可以包括车辆级和列车级的数据处理器,负责对列车传感器采集的数据和列车运行数据进行分析处理。车辆级数据处理器主要功能是收集并处理本车辆齿轮箱的运行状态信息等数据,通过网络将数据发送至列车级数据处理器。列车级数据处理器可以接收各车辆级数据器处理的数据,同时接收列车运行状态信息,此外,还可以运行齿轮箱故障预测模型。
结果显示单元可以包括结果显示器,对第一处理单元的数据分析结果进行展示,为列车操作人员提供指导。结果展示模块通过可交互的人机界面,将齿轮箱状态监测、故障诊断、故障预测和健康评估等模型运行结果进行可视化展示,并可根据需要进行详细参数查看及历史参数回顾等功能。
图7是根据本发明可选实施方式的齿轮箱故障处理装置的结构示意图,如图7所示,齿轮箱故障处理装置包括数据采集单元,数据传输单元,数据存储单元,数据处理单元和结果展示单元,其中,数据处理单元还可以包括故障监测模型,故障诊断模型,故障预测模型和健康评估模型。
实施例3
根据本发明实施例,提供了一种实现上述齿轮箱的故障诊断方法的装置。图8是根据本发明实施例3提供的齿轮箱故障诊断装置的结构框图,如图8所示,该齿轮箱故障诊断装置80包括:第二采集单元802,第一预处理单元804,第一筛选单元806,第一特征工程单元808和第二处理单元810,下面对该装置进行说明。
第二采集单元802,用于采集齿轮箱的工作数据和列车运行数据;
第一预处理单元804,连接于上述第二采集单元802,用于对齿轮箱的工作数据和列车运行数据进行预处理,得到预处理后的数据;
第一筛选单元806,连接于上述第一预处理单元804,用于对预处理后的数据进行筛选,得到至少一个测点对应的测点数据;
第一特征工程单元808,连接于上述第一筛选单元806,用于根据测点数据,确定测点数据的数据特征,其中,数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;
第二处理单元810,连接于上述第一特征工程单元808,用于使用故障诊断模型对测点数据的数据特征进行智能分析处理,诊断得到齿轮箱的故障数据,其中,故障诊断模型为机器学习模型。
此处需要说明的是,上述第二采集单元802,第一预处理单元804,第一筛选单元806,第一特征工程单元808和第二处理单元810对应于实施例1中的步骤S502至步骤S510,五个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种齿轮箱的故障预测方法,其特征在于,包括:
采集齿轮箱的工作数据和列车运行数据;
对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据;
其中,在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据之前,还包括:对所述齿轮箱的工作数据和所述列车数据进行预处理,得到预处理后的数据;对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;根据所述测点数据的数据特征,预测得到所述齿轮箱的故障数据;
其中,根据所述测点数据,确定所述测点数据的数据特征,包括:对提取出的相关测点的数据进行聚合,聚合区间为按分钟划分的时间段,选取分钟内数据段的部分统计量作为所述基础统计特征;根据数据探索与测点筛选阶段得到的信息,对齿轮箱故障前后各个温度测点,速度测点以及部分电压、电流测点的连续变化量计算出每分钟变化速率,作为测点的所述变化速率特征;对各项基础统计特征以及变化速率特征进行时间窗口的平滑处理,分别提取时间窗口内的均值、最大值、最小值和累计值作为所述时间窗口特征;对同车各个齿轮箱与其他齿轮箱的基础统计特征和变化速率特征分别进行对比,得到所述竞争特征。
2.根据权利要求1所述的故障预测方法,其特征在于,对所述齿轮箱的工作数据和所述列车运行数据进行预处理包括以下至少之一:
数据清洗,数模转化,数据存储格式转化,数据合并,数据缺失值填补和数据有效性验证。
3.根据权利要求1或2所述的故障预测方法,其特征在于,根据所述测点数据的数据特征,预测得到所述齿轮箱的故障数据包括:
使用故障预测模型对所述测点数据的数据特征进行智能分析,预测得到所述齿轮箱的故障数据,其中,所述故障预测模型为机器学习模型。
4.根据权利要求3所述的故障预测方法,其特征在于,在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据之前,所述方法包括:
使用所述齿轮箱的工作数据和所述列车运行数据作为样本数据,训练所述故障预测模型,其中,训练所述故障预测模型包括:
根据所述样本数据,使用多种分类方法构建多个分类模型,其中,所述多个分类模型均为机器学习模型;
集成所述多个分类模型,得到所述故障预测模型。
5.根据权利要求4所述的故障预测方法,其特征在于,所述集成多个分类模型得到所述故障预测模型的方法包括以下至少之一:
投票平均方法,引导聚焦方法,提升方法。
6.一种齿轮箱的故障诊断方法,其特征在于,包括:
采集齿轮箱的工作数据和列车运行数据;
对所述齿轮箱的工作数据和所述列车运行数据进行预处理,得到预处理后的数据;
对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;
根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;
使用故障诊断模型对所述测点数据的数据特征进行智能分析处理,诊断得到所述齿轮箱的故障数据,其中,所述故障诊断模型为机器学习模型;
其中,根据所述测点数据,确定所述测点数据的数据特征,包括:对提取出的相关测点的数据进行聚合,聚合区间为按分钟划分的时间段,选取分钟内数据段的部分统计量作为所述基础统计特征;根据数据探索与测点筛选阶段得到的信息,对齿轮箱故障前后各个温度测点,速度测点以及部分电压、电流测点的连续变化量计算出每分钟变化速率,作为测点的所述变化速率特征;对各项基础统计特征以及变化速率特征进行时间窗口的平滑处理,分别提取时间窗口内的均值、最大值、最小值和累计值作为所述时间窗口特征;对同车各个齿轮箱与其他齿轮箱的基础统计特征和变化速率特征分别进行对比,得到所述竞争特征。
7.一种齿轮箱的故障预测装置,其特征在于,包括:
第一采集单元,用于采集齿轮箱的工作数据和列车运行数据;
第一处理单元,用于对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理,预测得到所述齿轮箱的故障数据;
其中,所述装置还包括:第二采集单元,用于采集齿轮箱的工作数据和列车运行数据;第一预处理单元,用于对所述齿轮箱的工作数据和所述列车运行数据进行预处理,得到预处理后的数据;第一筛选单元,用于对所述预处理后的数据进行筛选,得到至少一个测点对应的测点数据;第一特征工程单元,用于根据所述测点数据,确定所述测点数据的数据特征,其中,所述数据特征包括:基础统计特征、变化速率特征、时间窗口特征和竞争特征;第二处理单元,用于使用故障诊断模型对所述测点数据的数据进行智能分析处理,诊断得到所述齿轮箱的故障数据,其中,所述故障诊断模型为机器学习模型;
其中,所述第一特征工程单元,还用于对提取出的相关测点的数据进行聚合,聚合区间为按分钟划分的时间段,选取分钟内数据段的部分统计量作为所述基础统计特征;根据数据探索与测点筛选阶段得到的信息,对齿轮箱故障前后各个温度测点,速度测点以及部分电压、电流测点的连续变化量计算出每分钟变化速率,作为测点的所述变化速率特征;对各项基础统计特征以及变化速率特征进行时间窗口的平滑处理,分别提取时间窗口内的均值、最大值、最小值和累计值作为所述时间窗口特征;对同车各个齿轮箱与其他齿轮箱的基础统计特征和变化速率特征分别进行对比,得到所述竞争特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092885.4A CN112232405B (zh) | 2020-10-13 | 2020-10-13 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092885.4A CN112232405B (zh) | 2020-10-13 | 2020-10-13 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232405A CN112232405A (zh) | 2021-01-15 |
CN112232405B true CN112232405B (zh) | 2022-09-02 |
Family
ID=74113424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092885.4A Active CN112232405B (zh) | 2020-10-13 | 2020-10-13 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232405B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093712B (zh) * | 2021-04-08 | 2023-08-15 | 重庆理工大学 | 主动式汽车传动系统随车运行状态监测和故障预报系统 |
CN113326889A (zh) * | 2021-06-16 | 2021-08-31 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
CN113487087A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
CN114638060B (zh) * | 2022-03-10 | 2023-02-17 | 重庆英科铸数网络科技有限公司 | 故障预测方法、系统、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107697107B (zh) * | 2017-09-12 | 2020-03-10 | 中国中车股份有限公司 | 一种列车组故障预测与健康管理地面智能处理系统及方法 |
CN108896299B (zh) * | 2018-05-25 | 2020-05-12 | 中车青岛四方机车车辆股份有限公司 | 一种齿轮箱故障检测方法 |
CN110940514B (zh) * | 2018-09-20 | 2021-09-03 | 中车株洲电力机车研究所有限公司 | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 |
CN110044616B (zh) * | 2019-04-01 | 2023-01-03 | 西安交通大学 | 一种铁路机车轴承及齿轮故障诊断方法和诊断系统 |
CN110837852A (zh) * | 2019-10-25 | 2020-02-25 | 广州机械科学研究院有限公司 | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 |
CN111308016A (zh) * | 2020-03-11 | 2020-06-19 | 广州机械科学研究院有限公司 | 一种齿轮箱故障诊断方法、系统、设备及存储介质 |
-
2020
- 2020-10-13 CN CN202011092885.4A patent/CN112232405B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232405A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232405B (zh) | 齿轮箱的故障预测、监测和诊断方法及相应装置 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN109747685B (zh) | 应答器系统故障预警平台 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN112285557A (zh) | 列车牵引电机的故障诊断系统和方法 | |
KR102078654B1 (ko) | 전동차의 고장을 예측하는 시스템 및 방법 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
CN116384977A (zh) | 一种基于大数据分析和自诊断的煤矿井下运维方法及系统 | |
CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
KR20230127337A (ko) | 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 | |
CN113859306A (zh) | 一种机车数据专家诊断分析方法、装置及系统 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
CN114063601A (zh) | 一种基于人工智能的设备状态诊断系统及方法 | |
CN115249387A (zh) | 一种轨道交通智慧监测及管理系统 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
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 |