CN113609692B - 基于wav文件的柴油机齿轮异响识别方法 - Google Patents
基于wav文件的柴油机齿轮异响识别方法 Download PDFInfo
- Publication number
- CN113609692B CN113609692B CN202110919499.6A CN202110919499A CN113609692B CN 113609692 B CN113609692 B CN 113609692B CN 202110919499 A CN202110919499 A CN 202110919499A CN 113609692 B CN113609692 B CN 113609692B
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- wav
- noise
- abnormal sound
- gear
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Discrete Mathematics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于wav文件的柴油机齿轮异响识别方法,包括以下步骤:1、在柴油机(3)上方设置噪声传感器(4)并采集wav噪声音频文件;2、wav噪声音频文件通过信号记录仪(2)传输至计算机(1);3、采集N个柴油机样品的wav噪声音频文件,并记录其对应的齿轮异响故障状态;4、基于N个wav噪声音频文件建立齿轮异响识别模型,齿轮异响识别模型的输入为wav噪声音频文件,输出为判断值Y;5、将柴油机的任意wav噪声音频文件输入齿轮异响识别模型,根据判断值Y判断柴油机是否合格。本发明能在柴油机生产时实现在线产品合格情况的实时排查,故障排查准确率高,确保加柴油机的生产节拍不受影响。
Description
技术领域
本发明涉及一种柴油机故障检测方法,尤其涉及一种基于wav(Wave Form,即波形)文件的柴油机齿轮异响识别方法。
背景技术
异响是柴油机的常见故障,例如:齿轮啮合异响、柴油机气门间隙过大或过小导致的异响、气缸垫的窜气异响等。其中,齿轮啮合异响的形成原因较复杂,各齿轮孔的形状和位置误差、齿轮偏心误差、齿形误差、齿距误差等均会造成齿轮啮合的周期性冲击和非周期性振动,从而产生周期性和非周期性的齿轮啮合异响。
现有技术中识别齿轮异响的主要方法是:采用西门子公司、BK公司、朗德公司等研发的专业测试与分析软件,但这些软件需要基于NVH的理论知识、通过复杂的FFT、阶次、Colormap等技术和经验来完成,得到的信息量较多,需通过专业人员进行分析和识别,无法得出直观的柴油机好或坏的故障排查结论,因此在线识别方面很少有运用。
中国发明专利ZL201710343372.8公开了一种柴油机发电机组齿轮异响的故障排查方法,并具体公开了:步骤一,对发电机机组负载进行故障排查,计算运行参数的平稳波动;步骤二,对调控系统进行故障排查,在额定负载下调节PI参数,获取噪声不均匀度;步骤三,对增压系统和配气机构进行故障排查,测量进排气温度;步骤四,对喷油器进行故障排查,拆检喷油器。该专利是用于柴油发电机组的齿轮异响故障排查,不是单独的柴油机,且该故障排查方法的前提是柴油机发电机组的初始状态无故障,且在使用后出现了较明显的故障,该方法的应用场景特殊,不具有通用性,也无法用于处于生产阶段的单独的柴油机齿轮异响故障排查。
发明内容
本发明的目的在于提供一种基于wav文件的柴油机齿轮异响识别方法,能在柴油机生产时实现在线产品合格情况的实时排查,确保加柴油机的生产节拍不受影响。
本发明是这样实现的:
一种基于wav文件的柴油机齿轮异响识别方法,包括以下步骤:
步骤1:在柴油机的上方设置噪声传感器,噪声传感器采集柴油机的噪声信号并生成wav噪声音频文件;
步骤2:噪声传感器将wav噪声音频文件传输至信号记录仪,信号记录仪将wav噪声音频文件传输至计算机;
步骤3:采集N个柴油机样品的wav噪声音频文件,并记录N个wav噪声音频文件对应的齿轮异响故障状态;
步骤4:基于N个wav噪声音频文件建立齿轮异响识别模型,齿轮异响识别模型的输入为wav噪声音频文件,齿轮异响识别模型的输出为判断值Y;
步骤5:将柴油机的任意wav噪声音频文件输入齿轮异响识别模型,根据判断值Y判断柴油机是否合格。
所述的步骤4包括:
步骤4.1:分别对每一个wav噪声音频文件进行快速傅里叶变换,得到模型参数xi1、xi5、xi6;
其中,xi1为FFT变换后的频率峰度值,i∈[1,N];
xi5为FFT变换后正态分布的频域偏度值,i∈[1,N];
xi6为FFT变换后正态分布的频域峰度值,i∈[1,N];
步骤4.2:对快速傅里叶变换后的信号进行归一化处理,得到模型参数xi2、xi3、xi4。
其中,xi2为信号归一化后正态分布的时域偏度值,i∈[1,N];
xi3为信号归一化后正态分布的时域峰度值,i∈[1,N];
xi4为信号归一化后柯西分布的cdf,i∈[1,N];
X1=xi1,X2=xi2,X3=xi3,X4=xi4,X5=xi5,X6=xi6,i∈[1,N] 方程(1)
步骤4.3:建立参数方程:
Y=Xβ+ε 方程(2)
柴油机合格对应的yi=1,柴油机不合格对应的yi=0,i∈[1,N] 方程(4)
xi7=xi1^2,xi8=xi1*xi2,xi9=xi1*xi3,…,xi12=xi1*xi6,xi13=xi2*xi2,…,xi17=xi2*xi6,xi18=xi3*xi3,…,xi27=xi6*xi6 方程(5);
步骤4.4:将方程(1)、(5)和(4)带入方程(3)中,计算β和ε的值,并根据方程(2)得到模型关系式:
Y=(1937786915459869*X1)/9007199254740992+(3676422554321869*X2)/17592186044416+(301004670484087*X3)/35184372088832+(5453649764968379*X4)/70368744177664-(4810986767505429*X5)/1125899906842624+(7599815182024087*X6)/18014398509481984+(267752683928105*X1*X2)/70368744177664-(5436930222024705*X1*X3)/576460752303423488-(2406166496145273*X1*X4)/4503599627370496-(8620055050281217*X2*X3)/562949953421312+(4149610817155857*X1*X5)/72057594037927936-(5061598959295695*X2*X4)/35184372088832+(872003768366459*X1*X6)/36028797018963968-(7373407150549555*X2*X5)/140737488355328-(5016021620551169*X3*X4)/1125899906842624-(3674189446593231*X2*X6)/562949953421312-(5036524658204117*X3*X5)/4503599627370496-(6101276554733531*X3*X6)/72057594037927936-(1257559061559625*X4*X5)/70368744177664+(349969757861721*X4*X6)/562949953421312-(7914723802440157*X5*X6)/18014398509481984-(8150881690082041*X1*X1)/1152921504606846976+(5330672480157831*X2*X2)/140737488355328-(6840852579128251*X3*X3)/18014398509481984-(2315181900228411*X4*X4)/281474976710656+(4109815306072147*X5*X5)/562949953421312-(7168538800631285*X6*X6)/1152921504606846976-3080342811025019/70368744177664。
所述的步骤5中,柴油机是否合格的判断方法是:当-0.582≤Y≤0.513时,柴油机合格;当Y<-0.582或Y>0.513时,柴油机不合格。
所述的柴油机合格是指柴油机齿轮啮合异响故障概率小于50%,柴油机不合格是指柴油机齿轮啮合异响故障概率大于等于50%。
在计算机的软件上设置红色灯和绿色灯,当判定为所述的柴油机合格时,绿色灯亮,当判定为所述的柴油机不合格时,红色灯亮。
所述的步骤3中,柴油机样品的数量N≥28,且N个wav噪声音频文件的长度均为30s。
本发明与现有技术相比,具有如下有益效果:
1、本发明由于基于wav噪声音频文件建立模型,通过模型参数xi1~xi6提高模型关系式的准确性和适应性,能在柴油机生产过程中进行在线噪声数据采集并通过模型学习完成在线质量实时排查,减少在柴油机生产下线后的质检步骤;同时,wav噪声音频文件可通过设置在柴油机自由端上方的噪声传感器直接采集,数据采集方便、快捷且针对性强。
2、本发明由于建立了输入为wav噪声音频文件、输出为判断值的齿轮异响识别模型,能根据在线采集的噪声音频文件直接输出判断值用于判断柴油机是否存在齿轮异响故障,判断准确性高,不影响柴油机的生产节拍,确保生产效率和质量。
本发明通过对wav噪声音频文件的模型学习,能在柴油机生产时实现在线产品合格情况的实时排查,数据采集和处理高效、准确,识别结果准确性高,确保柴油机的生产节拍不受影响。
附图说明
图1是本发明基于wav文件的柴油机齿轮异响识别方法的流程图;
图2是本发明基于wav文件的柴油机齿轮异响识别方法采用的硬件结构图。
图中,1计算机,2信号记录仪,3柴油机,4噪声传感器,5信号线,6LAN数据传输线。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
请参见附图1,一种基于wav文件的柴油机齿轮异响识别方法,包括以下步骤:
步骤1:请参见附图2,在柴油机3的上方设置噪声传感器4,噪声传感器4采集柴油机3的噪声信号并生成wav噪声音频文件。优选的,噪声传感器4的采样频率为2KHz,噪声传感器4的采样时长由柴油机试验台架的控制程序确定。
所述的噪声传感器4设置在柴油机3的自由端的上方,优选的,噪声传感器4距离柴油机3的自由端顶面20cm。由于柴油机3不同部位的噪声信号不同,柴油机3自由端处的噪声信号主要来自柴油机发电机组的齿轮,有利于对齿轮啮合异响进行故障的精确诊断。
步骤2:噪声传感器4将wav噪声音频文件通过信号线5传输至信号记录仪2,信号记录仪2将wav噪声音频文件通过LAN数据传输线6传输至计算机1。信号记录仪2用于识别并记录wav格式的文件,确保传输至计算机1的文件均为wav噪声音频文件,避免其他格式信号的干扰。
步骤3:采集N个柴油机样品的wav噪声音频文件,并记录N个wav噪声音频文件对应的齿轮异响故障状态。柴油机样品的数量N≥28;N个wav噪声音频文件的音频长度均为30s左右,确保建立的模型具有较高的准确性,且兼顾了数据处理量。
步骤4:基于N个wav噪声音频文件建立齿轮异响识别模型,齿轮异响识别模型的输入为wav噪声音频文件,齿轮异响识别模型的输出为判断值Y。
步骤4.1:分别对每一个wav噪声音频文件进行快速傅里叶变换(FFT),得到模型参数xi1、xi5、xi6,快速傅里叶变换公式为:
其中,k=0,1,…,N-1,i∈[1,N]。
其中,xi1为FFT变换后的频率峰度值,i∈[1,N]。峰度值用于研究数据分布陡峭或者平滑的统计量,峰度值是噪声运行点的主要特征之一,频率峰度值不同说明噪声频率的平滑程度不同。
xi5为FFT变换后正态分布的频域偏度值,i∈[1,N]。偏度值用于衡量统计数据的不对称性,频域偏度值是噪声运行点的主要特征之一,相同情况下频域偏度值不同说明噪声不对称性不同。
xi6为FFT变换后正态分布的频域峰度值,i∈[1,N]。峰度值用于研究数据分布陡峭或者平滑的统计量,频域峰度值是噪声运行点的主要特征之一,相同情况下频域峰度值不同说明噪声频率分布的平滑程度不同。
步骤4.2:分别对每一个wav噪声音频文件进行归一化处理,得到模型参数:xi2、xi3、xi4。归一化转换函数为:X*=(x-min)/(max-min),用于对wav噪声音频文件进行线性变换,使其映射到[0,1]区间。
其中,xi2为信号归一化后正态分布的时域偏度值,i∈[1,N]。偏度用于衡量统计数据的不对称性,时域偏度值是噪声运行点的主要特征之一,相同情况下时域偏度值不同说明噪声不对称性状态不同。
xi3为信号归一化后正态分布的时域峰度值,i∈[1,N]。峰度值用于研究数据分布陡峭或者平滑的统计量,时域峰度值是噪声运行点的主要特征之一,相同情况下时域峰度值不同说明噪声随转速变化的平滑影响不同。
xi4为信号归一化后柯西分布的cdf(Cumulative Distribution Function,累计分布函数),i∈[1,N]。柯西分布是一个数学期望不存在的连续型概率分布,方差和高阶矩均不存在,可以描述受迫共振的微分方程的解,用于表征噪声的变化率。
快速傅里叶变换和归一化处理是信号处理的常用处理方式,此处不再赘述。
X1=xi1,X2=xi2,X3=xi3,X4=xi4,X5=xi5,X6=xi6,i∈[1,N] 方程(1)
1与β0相乘还是β0,表示线性方程组中的常数部分。
步骤4.3:建立参数方程。
Y=Xβ+ε 方程(2)
柴油机合格对应的yi=1,柴油机不合格对应的yi=0,i∈[1,N] 方程(4)。
通过近似算法拟合,得到:
xi7=xi1^2,xi8=xi1*xi2,xi9=xi1*xi3,…,xi12=xi1*xi6,xi13=xi2*xi2,…,xi17=xi2*xi6,xi18=xi3*xi3,…,xi27=xi6*xi6 方程(5)。
步骤4.4:将方程(1)、(5)和(4)带入方程(3)中,计算β和ε的值,并根据方程(2)得到模型关系式:
Y=(1937786915459869*X1)/9007199254740992+(3676422554321869*X2)/17592186044416+(301004670484087*X3)/35184372088832+(5453649764968379*X4)/70368744177664-(4810986767505429*X5)/1125899906842624+(7599815182024087*X6)/18014398509481984+(267752683928105*X1*X2)/70368744177664-(5436930222024705*X1*X3)/576460752303423488-(2406166496145273*X1*X4)/4503599627370496-(8620055050281217*X2*X3)/562949953421312+(4149610817155857*X1*X5)/72057594037927936-(5061598959295695*X2*X4)/35184372088832+(872003768366459*X1*X6)/36028797018963968-(7373407150549555*X2*X5)/140737488355328-(5016021620551169*X3*X4)/1125899906842624-(3674189446593231*X2*X6)/562949953421312-(5036524658204117*X3*X5)/4503599627370496-(6101276554733531*X3*X6)/72057594037927936-(1257559061559625*X4*X5)/70368744177664+(349969757861721*X4*X6)/562949953421312-(7914723802440157*X5*X6)/18014398509481984-(8150881690082041*X1*X1)/1152921504606846976+(5330672480157831*X2*X2)/140737488355328-(6840852579128251*X3*X3)/18014398509481984-(2315181900228411*X4*X4)/281474976710656+(4109815306072147*X5*X5)/562949953421312-(7168538800631285*X6*X6)/1152921504606846976-3080342811025019/70368744177664。步骤5:将柴油机3的任意wav噪声音频文件输入齿轮异响识别模型,根据判断值Y判断柴油机是否合格。
所述的柴油机是否合格的判断方法是:当-0.582≤Y≤0.513时,柴油机合格;当Y<-0.582或Y>0.513时,柴油机不合格。
所述的柴油机合格是指柴油机齿轮啮合异响故障概率小于50%,柴油机不合格是指柴油机齿轮啮合异响故障概率大于等于50%。
在计算机1的软件上设置红色灯和绿色灯,当判定为柴油机合格时,绿色灯亮,当判定为柴油机不合格时,红色灯亮。
本发明以xi1、xi2、xi3、xi4、xi5、xi6为模型参数,基于28个柴油机样品建立模型关系式,该模型参数对柴油机齿轮异响识别的在线排查准确率能达到89%以上。可通过增加柴油机样品的数量进一步修正模型关系式,提高模型关系式的适应性和准确性,从而提高柴油机齿轮异响识别的在线排查准确率。
实施例1:
对型号为D20的柴油机是否合格进行在线识别,本实施例中采用的噪声传感器4型号为BK 1/2”Microphone Type 4189(Serial No:3023196),噪声传感器4安装在柴油机3的自由端顶面上方20cm处,信号记录仪2的型号为ZSY2048。
通过噪声传感器4分别采集N=28个柴油机3(标记为1#-28#)的wav噪声音频文件,并分别记录该28个柴油机3是否合格。
对28个wav噪声音频文件分别进行FFT变换,得到模型参数xi1、xi5、xi6,对快速傅里叶变换后的信号进行归一化处理,得到模型参数xi2、xi3、xi4,i∈[1,28]。
根据方程(1)至(5)计算得到:
X1=43.4219155160640,X2=0.0372748012972,X3=4.8225703199080,X4=0.5265644078846,X5=1.491275626,X6=15.83873625。
β0=-3080342811025019/70368744177664=-43.7743041604935。
β1=1937786915459869/9007199254740992=0.215137565036091。
β2=3676422554321869/17592186044416=208.98042716464。
……
β27=-7168538800631285/1152921504606846976=-0.00621771627295286。
ε=0.02937962032596890。
从而得到模型关系式:
Y=(1937786915459869*X1)/9007199254740992+(3676422554321869*X2)/17592186044416+(301004670484087*X3)/35184372088832+(5453649764968379*X4)/70368744177664-(4810986767505429*X5)/1125899906842624+(7599815182024087*X6)/18014398509481984+(267752683928105*X1*X2)/70368744177664-(5436930222024705*X1*X3)/576460752303423488-(2406166496145273*X1*X4)/4503599627370496-(8620055050281217*X2*X3)/562949953421312+(4149610817155857*X1*X5)/72057594037927936-(5061598959295695*X2*X4)/35184372088832+(872003768366459*X1*X6)/36028797018963968-(7373407150549555*X2*X5)/140737488355328-(5016021620551169*X3*X4)/1125899906842624-(3674189446593231*X2*X6)/562949953421312-(5036524658204117*X3*X5)/4503599627370496-(6101276554733531*X3*X6)/72057594037927936-(1257559061559625*X4*X5)/70368744177664+(349969757861721*X4*X6)/562949953421312-(7914723802440157*X5*X6)/18014398509481984-(8150881690082041*X1*X1)/1152921504606846976+(5330672480157831*X2*X2)/140737488355328-(6840852579128251*X3*X3)/18014398509481984-(2315181900228411*X4*X4)/281474976710656+(4109815306072147*X5*X5)/562949953421312-(7168538800631285*X6*X6)/1152921504606846976-3080342811025019/70368744177664。
在线生产时,将29#柴油机3的wav噪声音频文件输入齿轮异响识别模型,齿轮异响识别模型输出判断值Y=0.970621>0.513,29#柴油机3判定为不合格,即29#柴油机3存在齿轮异响故障。采用本发明的柴油机齿轮异响识别方法对后续生产的柴油机进行在线故障识别,故障排查准确率达到89%。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,因此,凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于wav文件的柴油机齿轮异响识别方法,其特征是:包括以下步骤:
步骤1:在柴油机(3)的上方设置噪声传感器(4),噪声传感器(4)采集柴油机(3)的噪声信号并生成wav噪声音频文件;
步骤2:噪声传感器(4)将wav噪声音频文件传输至信号记录仪(2),信号记录仪(2)将wav噪声音频文件传输至计算机(1);
步骤3:采集N个柴油机样品的wav噪声音频文件,并记录N个wav噪声音频文件对应的齿轮异响故障状态;
步骤4:基于N个wav噪声音频文件建立齿轮异响识别模型,齿轮异响识别模型的输入为wav噪声音频文件,齿轮异响识别模型的输出为判断值Y;
步骤5:将柴油机(3)的任意wav噪声音频文件输入齿轮异响识别模型,根据判断值Y判断柴油机是否合格;
所述的步骤4包括:
步骤4.1:分别对每一个wav噪声音频文件进行快速傅里叶变换,得到模型参数xi1、xi5、xi6;
其中,xi1为FFT变换后的频率峰度值,i∈[1,N];
xi5为FFT变换后正态分布的频域偏度值,i∈[1,N];
xi6为FFT变换后正态分布的频域峰度值,i∈[1,N];
步骤4.2:对快速傅里叶变换后的信号进行归一化处理,得到模型参数xi2、xi3、xi4;
其中,xi2为信号归一化后正态分布的时域偏度值,i∈[1,N];
xi3为信号归一化后正态分布的时域峰度值,i∈[1,N];
xi4为信号归一化后柯西分布的cdf,i∈[1,N];
X1=xi1,X2=xi2,X3=xi3,X4=xi4,X5=xi5,X6=xi6,i∈[1,N]方程(1)
其中,N是柴油机样品的wav噪声音频文件个数;
步骤4.3:建立参数方程:
Y=Xβ+ε方程(2)
柴油机合格对应的yi=1,柴油机不合格对应的yi=0,i∈[1,N]方程(4)
xi7=xi1^2,xi8=xi1*xi2,xi9=xi1*xi3,…,xi12=xi1*xi6,xi13=xi2*xi2,…,xi17=xi2*xi6,xi18=xi3*xi3,…,xi27=xi6*xi6方程(5);
步骤4.4:将方程(1)、方程(5)和方程(4)带入方程(3)中,计算β和ε的值,并根据方程(2)得到模型关系式:
Y=(1937786915459869*X1)/9007199254740992+(3676422554321869*X2)/17592186044416+(301004670484087*X3)/35184372088832+(5453649764968379*X4)/70368744177664-(4810986767505429*X5)/1125899906842624+(7599815182024087*X6)/18014398509481984+(267752683928105*X1*X2)/70368744177664-(5436930222024705*X1*X3)/576460752303423488-(2406166496145273*X1*X4)/4503599627370496-(8620055050281217*X2*X3)/562949953421312+(4149610817155857*X1*X5)/72057594037927936-(5061598959295695*X2*X4)/35184372088832+(872003768366459*X1*X6)/36028797018963968-(7373407150549555*X2*X5)/140737488355328-(5016021620551169*X3*X4)/1125899906842624-(3674189446593231*X2*X6)/562949953421312-(5036524658204117*X3*X5)/4503599627370496-(6101276554733531*X3*X6)/72057594037927936-(1257559061559625*X4*X5)/70368744177664+(349969757861721*X4*X6)/562949953421312-(7914723802440157*X5*X6)/18014398509481984-(8150881690082041*X1*X1)/1152921504606846976+(5330672480157831*X2*X2)/140737488355328-(6840852579128251*X3*X3)/18014398509481984-(2315181900228411*X4*X4)/281474976710656+(4109815306072147*X5*X5)/562949953421312-(7168538800631285*X6*X6)/1152921504606846976-3080342811025019/70368744177664。
2.根据权利要求1所述的基于wav文件的柴油机齿轮异响识别方法,其特征是:所述的噪声传感器(4)设置在柴油机(3)的自由端的上方,噪声传感器(4)距离柴油机(3)的自由端顶面20cm。
3.根据权利要求1所述的基于wav文件的柴油机齿轮异响识别方法,其特征是:所述的步骤5中,柴油机是否合格的判断方法是:当-0.582≤Y≤0.513时,柴油机合格;当Y<-0.582或Y>0.513时,柴油机不合格。
4.根据权利要求3所述的基于wav文件的柴油机齿轮异响识别方法,其特征是:所述的柴油机合格是指柴油机齿轮啮合异响故障概率小于50%,柴油机不合格是指柴油机齿轮啮合异响故障概率大于等于50%。
5.根据权利要求3或4所述的基于wav文件的柴油机齿轮异响识别方法,其特征是:在计算机(1)的软件上设置红色灯和绿色灯,当判定为所述的柴油机合格时,绿色灯亮,当判定为所述的柴油机不合格时,红色灯亮。
6.根据权利要求1所述的基于wav文件的柴油机齿轮异响识别方法,其特征是:所述的步骤3中,柴油机样品的数量N≥28,且N个wav噪声音频文件的长度均为30s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919499.6A CN113609692B (zh) | 2021-08-11 | 2021-08-11 | 基于wav文件的柴油机齿轮异响识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919499.6A CN113609692B (zh) | 2021-08-11 | 2021-08-11 | 基于wav文件的柴油机齿轮异响识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609692A CN113609692A (zh) | 2021-11-05 |
CN113609692B true CN113609692B (zh) | 2023-10-03 |
Family
ID=78308191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110919499.6A Active CN113609692B (zh) | 2021-08-11 | 2021-08-11 | 基于wav文件的柴油机齿轮异响识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609692B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174293B2 (en) * | 1999-09-21 | 2007-02-06 | Iceberg Industries Llc | Audio identification system and method |
-
2021
- 2021-08-11 CN CN202110919499.6A patent/CN113609692B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测系统 |
Non-Patent Citations (1)
Title |
---|
基于频谱分析的发动机断缸异响检测;梁春艳;李志雄;;轻工科技(第09期);第107-108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609692A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manhertz et al. | STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis | |
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
CN112964476B (zh) | 一种重型柴油车实际道路颗粒物排放在线预测方法 | |
CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
CN109710955B (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
Perez-Sanjines et al. | Fleet-based early fault detection of wind turbine gearboxes using physics-informed deep learning based on cyclic spectral coherence | |
CN112098128A (zh) | 基于噪声和振动的动力机械设备故障和能耗分析方法 | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
Marugán et al. | Multivariable analysis for advanced analytics of wind turbine management | |
CN116596503A (zh) | 一种基于重要度的船舶装备智能健康监测系统及方法 | |
CN113609692B (zh) | 基于wav文件的柴油机齿轮异响识别方法 | |
CN114444222A (zh) | 相似度计算模型、跨类别数据诊断模型、方法和系统 | |
CN113884837A (zh) | 一种电缆局部放电在线监测分析系统及分析方法 | |
CN116378912A (zh) | 风力发电机早期复合故障诊断方法、装置和可读存储介质 | |
CN115824636A (zh) | 一种自适应能量增长稀疏性度量的汽车变速箱状态监测方法 | |
CN115962100A (zh) | 一种风电机组状态监测系统 | |
CN116110203A (zh) | 一种基于智能监测技术的天然气发电预警管理方法及系统 | |
CN112232414B (zh) | 一种基于x,y双测点频谱数据的三重并发故障分析方法 | |
CN114417941A (zh) | 一种曲轴故障检测方法及系统 | |
CN114383718A (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
CN113156278A (zh) | 一种基于cnn网络的gis局部放电定位方法 | |
CN115795292B (zh) | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 | |
Yin et al. | Fault Diagnosis of Planetary Gearbox Using Modal Multiscale Spectral Features and 1-D CNN |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 2636 Jungong Road, Yangpu District, Shanghai 200438 Applicant after: Shanghai New Power Automotive Technology Co.,Ltd. Address before: 2636 Jungong Road, Yangpu District, Shanghai 200438 Applicant before: SHANGHAI DIESEL ENGINE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |