CN113092103A - 一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 - Google Patents
一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 Download PDFInfo
- Publication number
- CN113092103A CN113092103A CN202110376627.7A CN202110376627A CN113092103A CN 113092103 A CN113092103 A CN 113092103A CN 202110376627 A CN202110376627 A CN 202110376627A CN 113092103 A CN113092103 A CN 113092103A
- Authority
- CN
- China
- Prior art keywords
- real
- data
- gear
- time
- unit
- 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 description 28
- 238000013500 data storage Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005299 abrasion Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及齿轮领域，具体涉及一种数据驱动的齿轮啮合刚度实时预测装置，包括齿轮工作模块、控制模块、工作服务器和数据驱动模块；所述数据驱动模块的输入端连接所述齿轮工作模块，输出端连接所述控制模块的输入端；所述控制模块的输出端连接齿轮工作模块的输入端；所述齿轮工作模块包括主动轮、从动轮、主动轮传感器和从动轮传感器，所述主动轮传感器被配置用于测量主动轮的转速和功率，所述从动轮传感器被配置用于测量从动轮的转速和功率。
Description
技术领域
本发明涉及齿轮领域，尤其涉及一种数据驱动的齿轮啮合刚度实时预测方法。
背景技术
目前，齿轮啮合作为制造业中主流的传动及机械连接方式仍具备较大的发展前景，尤其是在高精端制造行业。啮合刚度直接关系到啮合过程中齿轮抵抗变形的能力，也对齿轮磨损、疲劳产生一定的影响，目前主流的处理方式是对其进行有限元分析、实验分析等方式对啮合刚度进行预测，然而上述方法对齿轮实时啮合刚度及疲劳程度都无法做出实时预测，这样会导致齿轮在啮合过程中，无法预知其实时啮合刚度对其抗变形能力产生偏差，进而导致齿轮疲劳断裂、点蚀等一系列问题，影响机器运行寿命、效率。
发明内容
为解决上述技术问题，本发明实施例期望提供一种数据驱动的齿轮啮合刚度实时预测方法。
本发明具体采用以下技术方案来实现上述技术目的：
一种数据驱动的齿轮啮合刚度实时预测装置，包括齿轮工作模块、控制模块、工作服务器和数据驱动模块；所述数据驱动模块的输入端连接所述工作服务器，所述数据驱动模块的输出端连接所述控制模块的输入端；所述控制模块的输出端连接齿轮工作模块的输入端；
所述齿轮工作模块包括主动轮、从动轮、主动轮传感器和从动轮传感器，所述主动轮传感器被配置用于测量主动轮的转速和功率，所述从动轮传感器被配置用于测量从动轮的转速和功率，所述主动轮传感器和从动轮传感器均连接所述工作服务器的输入端；
所述工作服务器被配置用于信号的收集和传输；
所述数据驱动模块被配置用于齿轮工作信号融合、判断、储存及分析，其包括第一A/D转换器、数据融合单元、数据判断单元、数据储存单元、数据分析单元和知识储存单元；其中，所述第一A/D转换器用于将模拟信号转换为数字信号；所述数据融合单元用于计算主动齿轮和从动齿轮接触的实时转矩，计算公式为：
其中T为实时转矩，P为主从动轮的实时功率，n为主动轮的实时转速；所述数据判断单元用于过滤干扰信号；所述数据储存单元用于数据储存；所述数据分析单元用于齿轮啮合刚度实时预测；所述知识储存单元用于在预测过程中齿轮经验知识的储存；
所述控制模块用于齿轮啮合刚度实时预测之后的电机控制，其包括第二A/D转换器、电机控制单元、工作路由器和电机；所述第二A/D转换器用于数字信号与控制信号的切换；所述电机控制单元用于电机控制信号的生成，其生成模式为依据所述数据驱动模块的实时预测生成单位脉冲信号；所述工作路由器用于脉冲信号的接收及发送；所述电机用于提供主动轮的运行动力。
优选地，所述主动轮传感器和从动轮传感器均包括至少一个应力传感器、至少一个转速传感器。
优选地，所述数据融合单元采用Python语言进行融合，融合模型为协作型深度神经网络。
优选地，所述数据判断单元采用局部加权线性回归算法进行判断，权重矩阵为W'＝(XTW'X)-1XTW'X，其中W’为变换后的权重矩阵，W为权重矩阵，X为数据子集，XT为X矩阵的转置。
优选地，所述数据储存单元为储存地址方式，储存端为云端储存。
优选地，所述数据分析单元内置深度神经网络单元及故障预测单元，所述深度神经网络单元的输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮实时啮合刚度及磨损量；所述故障预测单元用于预测当前磨损量是否会产生故障。
优选地，所述电机通过控制单元控制，所述控制单元采用PLC控制算法。
本发明还提供一种数据驱动的齿轮啮合刚度实时预测方法，包括如下步骤：
步骤S1，数据采集：获取齿轮啮合过程中主动轮和从动轮的转速与功率信号；
步骤S2，数据处理：利用公式：
计算得出主动轮和从动轮传递的实时转矩，并利用小波算法对所述实时转矩进行滤波处理；
步骤S3，数据学习：依据主动轮和从动轮的转矩生成学习模型，所述学习模型的输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮啮合的实时啮合刚度；所述实时啮合刚度输入故障判断单元对齿轮进行故障预测，所述故障判断单元判断所述实时啮合刚度是否低于故障阈值，如果是则跳转至步骤4，如果否则跳转至步骤7；
步骤S4，故障判断：利用实时啮合刚度查询知识储存库，判断其故障类型；
步骤S5，实时控制：根据对应的故障类型，计算调整补偿量，输出补偿信号；
步骤S6，电机控制：将所述补偿信号转换为电磁信号，传输至各电机单元，控制电机单元对电机转速进行补偿；
步骤S7，控制结束。
优选地，步骤S3中的所述学习模型为深度学习模型，学习样本数量为10000。
优选地，步骤S5中的所述补偿量，其计算公式为ΔT＝(T1-T2)η；其中T1为齿轮啮合的实时刚度，T2为齿轮安全工作的最小刚度，η为脉冲信号的幅值。
本发明的有益效果：本发明的齿轮啮合刚度预测装置能够在齿轮的啮合过程中实时监测主动齿轮和从动齿轮的转速、功率，预测啮合刚度，实现了齿轮啮合刚度的实时预测及故障的实时预测，提高了齿轮运行过程中的安全性，能够减少由于齿轮啮合问题造成机械事故的发生；齿轮啮合预测方法能够应用到多种高精密机械的齿轮中，对齿轮的状态进行动态调整。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的数据驱动的齿轮啮合刚度实时预测装备硬件示意图；
图2为本发明提供的数据驱动的齿轮啮合刚度实时预测方法流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明具体采用以下技术方案来实现上述技术目的：
如图1所示，一种数据驱动的齿轮啮合刚度实时预测装置，包括齿轮工作模块、控制模块、工作服务器和数据驱动模块；所述数据驱动模块的输入端连接所述齿轮工作模块，输出端连接所述控制模块的输入端；所述控制模块的输出端连接齿轮工作模块的输入端；
所述齿轮工作模块包括主动轮、从动轮、主动轮传感器和从动轮传感器，所述主动轮和从动轮啮合，所述主动轮传感器被配置用于测量主动轮的转速和功率，所述从动轮传感器被配置用于测量从动轮的转速和功率；
所述工作服务器用于信号的收集和传输，其被配置于从主动轮传感器和从动轮传感器收集功率和转速信号，作为优选实施方式，转速传感器采用霍尔转速传感器，霍尔转速传感器适合于低速运转的齿轮，是一种非接触式的传感器，其采用磁敏效应，当金属齿经过齿轮传感器前端时，引起磁场变化，传感器元件检测到磁场变化，并转换成一个交变电信号，传感器内置电路对该信号进行检测和采集。
所述数据驱动模块用于齿轮工作信号融合、判断、储存及分析，包括第二A/D转换器、数据融合单元、数据判断单元、数据储存单元、数据分析单元和知识储存单元；其中，所述第一A/D转换器用于将模拟信号转换为数字信号；所述数据融合单元用于计算主动齿轮和从动齿轮接触的实时转矩，计算公式为：
其中P为主从动轮的实时功率，n为主动轮的实时转速；第一A/D转换器将转换后的信号传输给数据融合单元，数据融合单元将融合后的数据传输给数据判断单元，数据判断单元将判断后的结构输出给数据储存单元，数据储存单元将数据输出至数据分析单元，数据分析单元的一端连接知识储存单元，其中，知识储存单元连接数据储存单元；
具体来说，所述数据判断单元用于过滤干扰信号，显然，过滤信号对于获取真实的信息非常重要，在数据采集的过程中，会出现一些跳动范围非常大的数据，这部分数据是少量的，通过滤波手段，能够增强数据的可靠性；进一步的，所述数据储存单元用于数据储存，这些数据的储存为数据分析和增强知识的存储做了准备；所述数据分析单元用于齿轮啮合刚度实时预测；所述知识储存单元用于在预测过程中齿轮经验知识的储存；
所述控制模块用于齿轮啮合刚度实时预测之后的电机控制，包括第二A/D转换器、电机控制单元、工作路由器和电机；所述第二A/D转换器用于数字信号与控制信号的切换；所述电机控制单元用于电机控制信号的生成，其生成模式为依据所述数据驱动模块的预测信号生成单位脉冲信号；所述工作路由器用于脉冲信号的接收及发送；所述电机用于提供主动轮的运行动力。
作为优选实施方式，所述数据融合单元采用C++语言进行融合。
作为优选实施方式，所述数据判断单元采用小波滤波算法进行判断。
作为优选实施方式，所述数据储存单元为储存地址方式，储存端为云端储存。
作为优选实施方式，所述数据分析单元内置深度神经网络单元及故障预测单元，所述深度神经网络单元的输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮实时啮合刚度及磨损量；所述故障预测单元用于预测当前磨损量是否会产生故障。
作为优选实施方式，所述电机通过控制单元控制，所述控制单元采用PLC控制算法。
如图2所示，本发明还包括一种数据驱动的齿轮啮合刚度实时预测方法，具体包括如下步骤：
步骤S1，数据采集：主动轮转速传感器和从动轮转速传感器获取齿轮啮合过程中，主动轮和从动轮的转速信号；
步骤S2，数据处理：利用公式：
计算得出主动轮和从动轮传递的实时转矩，其中T为实时转矩，P为主从动轮的实时功率，n为主动轮的实时转速，并利用小波算法对计算的实时转矩进行滤波处理；
步骤S3，数据学习：以主动轮和从动轮的转矩情况生成学习模型，输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮啮合的实时啮合刚度；然后将实时啮合刚度输入至故障判断单元对齿轮进行故障预测，判断实时啮合刚度是否低于故障阈值，如果是则跳转至步骤4，如果否则跳转至步骤7；
步骤S4，故障判断：将预测的实时啮合刚度传输至知识储存库进行查询，判断其故障类型；
步骤S5，实时控制：根据对应的故障类型，计算调整补偿量，输出补偿信号。
步骤S6，电机控制：通过所得的各关节补偿量转换为电磁信号，传输至各电机单元，控制电机单元对电机转速进行补偿。
步骤S7，控制结束。
作为优选实施方式，步骤S3中的所述学习模型为深度学习模型，学习样本数量为10000。
作为优选实施方式，步骤S5中的所述补偿量，其计算公式为(T1-T2)η；其中T1为齿轮啮合的实时刚度，T2为齿轮安全工作的最小刚度，η为脉冲信号的幅值。
本发明的有益效果：在齿轮的啮合过程中实时监测主动齿轮和从动齿轮的转速、功率，预测啮合刚度，实现了齿轮啮合刚度的实时预测及故障的实时预测，提高了齿轮运行过程中的安全性，能够减少由于齿轮啮合问题发生的机械事故。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。
Claims (10)
1.一种数据驱动的齿轮啮合刚度实时预测装置，包括齿轮工作模块、控制模块、工作服务器和数据驱动模块；所述数据驱动模块的输入端连接所述工作服务器，所述数据驱动模块的输出端连接所述控制模块的输入端；所述控制模块的输出端连接齿轮工作模块的输入端；其特征在于：
所述齿轮工作模块包括主动轮、从动轮、主动轮传感器和从动轮传感器，所述主动轮传感器被配置用于测量主动轮的转速和功率，所述从动轮传感器被配置用于测量从动轮的转速和功率，所述主动轮传感器和从动轮传感器均连接所述工作服务器的输入端；
所述工作服务器被配置用于信号的收集和传输；
所述数据驱动模块被配置用于齿轮工作信号融合、判断、储存及分析，其包括第一A/D转换器、数据融合单元、数据判断单元、数据储存单元、数据分析单元和知识储存单元；其中，所述第一A/D转换器用于将模拟信号转换为数字信号；所述数据融合单元用于计算主动齿轮和从动齿轮接触的实时转矩，计算公式为：
其中T为实时转矩，P为主从动轮的实时功率，n为主动轮的实时转速；所述数据判断单元用于过滤干扰信号；所述数据储存单元用于数据储存；所述数据分析单元用于齿轮啮合刚度实时预测；所述知识储存单元用于在预测过程中齿轮经验知识的储存；
所述控制模块用于齿轮啮合刚度实时预测之后的电机控制，其包括第二A/D转换器、电机控制单元、工作路由器和电机；所述第二A/D转换器用于数字信号与控制信号的切换；所述电机控制单元用于电机控制信号的生成，其生成模式为依据所述数据驱动模块的实时预测生成单位脉冲信号；所述工作路由器用于脉冲信号的接收及发送；所述电机用于提供主动轮的运行动力。
2.根据权利要求1所述的数据驱动的齿轮啮合刚度实时预测装置，所述主动轮传感器和从动轮传感器均包括至少一个应力传感器、至少一个转速传感器。
3.根据权利要求1所述的齿轮啮合刚度实时预测装置，其特征在于：所述数据融合单元采用Python语言进行融合，融合模型为协作型深度神经网络。
4.根据权利要求1所述的齿轮啮合刚度实时预测装置，其特征在于：所述数据判断单元采用局部加权线性回归算法进行判断，权重矩阵为W'＝(XTW'X)-1XTW'X，其中W’为变换后的权重矩阵，W为权重矩阵，X为数据子集，XT为X矩阵的转置。
5.根据权利要求1所述的齿轮啮合刚度实时预测装置，其特征在于：所述数据储存单元为储存地址方式，储存端为云端储存。
6.根据权利要求1所述的齿轮啮合刚度实时预测装置，其特征在于：所述数据分析单元内置深度神经网络单元及故障预测单元，所述深度神经网络单元的输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮实时啮合刚度及磨损量；所述故障预测单元用于预测当前磨损量是否会产生故障。
7.根据权利要求1所述的齿轮啮合刚度实时预测装置，其特征在于：所述电机通过控制单元控制，所述控制单元采用PLC控制算法。
8.根据权利要求1-7之一所述的一种数据驱动的齿轮啮合刚度实时预测方法，包括如下步骤：
步骤S1，数据采集：获取齿轮啮合过程中主动轮和从动轮的转速与功率信号；
步骤S2，数据处理：利用公式：
计算得出主动轮和从动轮传递的实时转矩，并利用小波算法对所述实时转矩进行滤波处理；
步骤S3，数据学习：依据主动轮和从动轮的转矩生成学习模型，所述学习模型的输入层为主动齿轮输入转矩、从动齿轮输出转矩，输出层为齿轮啮合的实时啮合刚度；所述实时啮合刚度输入故障判断单元对齿轮进行故障预测，所述故障判断单元判断所述实时啮合刚度是否低于故障阈值，如果是则跳转至步骤4，如果否则跳转至步骤7；
步骤S4，故障判断：利用实时啮合刚度查询知识储存库，判断其故障类型；
步骤S5，实时控制：根据对应的故障类型，计算调整补偿量，输出补偿信号；
步骤S6，电机控制：将所述补偿信号转换为电磁信号，传输至各电机单元，控制电机单元对电机转速进行补偿；
步骤S7，控制结束。
9.根据权利要求8所述的齿轮啮合刚度实时预测方法，其特征在于：步骤S3中的所述学习模型为深度学习模型，学习样本数量为10000。
10.根据权利要求8所述的齿轮啮合刚度实时预测方法，其特征在于：步骤S5中的所述补偿量，其计算公式为ΔT＝(T1-T2)η；其中T1为齿轮啮合的实时刚度，T2为齿轮安全工作的最小刚度，η为脉冲信号的幅值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376627.7A CN113092103B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376627.7A CN113092103B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113092103A true CN113092103A (zh) | 2021-07-09 |
| CN113092103B CN113092103B (zh) | 2022-08-19 |
Family
ID=76675061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110376627.7A Expired - Fee Related CN113092103B (zh) | 2021-04-08 | 2021-04-08 | 一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113092103B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114689313A (zh) * | 2021-11-26 | 2022-07-01 | 哈尔滨理工大学 | 九档自动变速器齿轮啮合刚度在线检测装置及多信号融合的检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820756A (zh) * | 2015-05-18 | 2015-08-05 | 东北大学 | 一种考虑延长啮合的裂纹齿轮转子系统动力参数确定方法 |
| 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 |
| CN106568597A (zh) * | 2016-11-08 | 2017-04-19 | 江苏大学 | 圆柱齿轮齿面综合啮合刚度的高精度测量方法 |
| CN108645615A (zh) * | 2018-04-08 | 2018-10-12 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
| CN109871652A (zh) * | 2019-03-14 | 2019-06-11 | 东北大学 | 一种基于动态啮合力的齿轮副磨损量预测方法 |
| CN109918691A (zh) * | 2018-10-23 | 2019-06-21 | 哈尔滨工程大学 | 波动负载工况下直齿轮啮合刚度动态修正计算方法 |
| CN111103137A (zh) * | 2019-12-16 | 2020-05-05 | 南京松数科技有限公司 | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 |
| CN111595577A (zh) * | 2019-02-21 | 2020-08-28 | Abb瑞士股份有限公司 | 用于数据驱动机器诊断的方法与系统 |
-
2021
- 2021-04-08 CN CN202110376627.7A patent/CN113092103B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820756A (zh) * | 2015-05-18 | 2015-08-05 | 东北大学 | 一种考虑延长啮合的裂纹齿轮转子系统动力参数确定方法 |
| 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 |
| CN106568597A (zh) * | 2016-11-08 | 2017-04-19 | 江苏大学 | 圆柱齿轮齿面综合啮合刚度的高精度测量方法 |
| CN108645615A (zh) * | 2018-04-08 | 2018-10-12 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
| CN109918691A (zh) * | 2018-10-23 | 2019-06-21 | 哈尔滨工程大学 | 波动负载工况下直齿轮啮合刚度动态修正计算方法 |
| CN111595577A (zh) * | 2019-02-21 | 2020-08-28 | Abb瑞士股份有限公司 | 用于数据驱动机器诊断的方法与系统 |
| CN109871652A (zh) * | 2019-03-14 | 2019-06-11 | 东北大学 | 一种基于动态啮合力的齿轮副磨损量预测方法 |
| CN111103137A (zh) * | 2019-12-16 | 2020-05-05 | 南京松数科技有限公司 | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| COOLEYA G. CHRISTOPHER,ET AL.: "Gear tooth mesh stiffness: A comparison of calculation approaches", 《MECHANISM AND MACHINE THEORY》 * |
| 王建平等: "齿轮传动故障诊断方法综述及应用研究", 《江苏船舶》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114689313A (zh) * | 2021-11-26 | 2022-07-01 | 哈尔滨理工大学 | 九档自动变速器齿轮啮合刚度在线检测装置及多信号融合的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113092103B (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102713554B (zh) | 滚动轴承的异常诊断装置、风力发电装置及异常诊断系统 | |
| CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
| CN106586796B (zh) | 一种自动扶梯状态监测系统及方法 | |
| CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
| CN108645615B (zh) | 一种自适应模糊神经网络齿轮剩余寿命预测方法 | |
| US20200272139A1 (en) | Method and System for Data Driven Machine Diagnostics | |
| CN104977047A (zh) | 基于振动和油液的风电机组在线状态监测与健康评估系统及方法 | |
| CN112665856B (zh) | 一种齿轮箱在线监测系统 | |
| CN202119630U (zh) | 微面汽车驱动桥可靠性台架试验在线监测与故障诊断设备 | |
| CN101870075A (zh) | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 | |
| CN105718876A (zh) | 一种滚珠丝杠健康状态的评估方法 | |
| CN113092103B (zh) | 一种数据驱动的齿轮啮合刚度实时预测装置及预测方法 | |
| CN112526334A (zh) | 基于数字孪生系统的直流输配电隔离开关的状态检测方法及装置 | |
| CN116067432B (zh) | 一种自动扶梯变工况故障诊断方法 | |
| CN109405889A (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
| CN108280424A (zh) | 一种基于稀疏编码的滚动轴承剩余寿命预测方法 | |
| CN111123103B (zh) | 工业机器人伺服系统的复杂工况综合性测试方法与装置 | |
| Spiewak et al. | Predictive monitoring and control of the cold extrusion process | |
| CN113985284A (zh) | 一种核电站附加柴油发电机监测系统及方法 | |
| CN103994199A (zh) | 基于状态监测的齿轮箱维护时间确定方法 | |
| Albano et al. | Sensors: the enablers for proactive maintenance in the real world | |
| CN113204849A (zh) | 一种齿轮箱齿轮剥落故障检测方法 | |
| CN211288059U (zh) | 一种泵组在线监测系统 | |
| JPS63238522A (ja) | 軸ねじり振動監視装置 | |
| JP7012086B2 (ja) | 人工知能アルゴリズム |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220819 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |