CN114117682B - 齿轮箱的故障识别方法、装置、设备及存储介质 - Google Patents
齿轮箱的故障识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114117682B CN114117682B CN202111470690.3A CN202111470690A CN114117682B CN 114117682 B CN114117682 B CN 114117682B CN 202111470690 A CN202111470690 A CN 202111470690A CN 114117682 B CN114117682 B CN 114117682B
- Authority
- CN
- China
- Prior art keywords
- value
- fault
- amplitude
- samples
- 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.)
- Active
Links
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
-
- 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
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (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识别方法,包括采集齿轮箱的振动数据,并由此获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;利用预先通过加入SE注意力模块的Siamese‑CNN网络学习训练获得滤波形态识别模型对滤波波形数据获得波形形态类型;还获得速度有效值以及冲击量平均值的振幅超阈值程度、频谱特征值对应的频谱异常类型,根据波形形态类型、振幅超阈值程度以及频谱异常类型形成的组合形态,确定齿轮箱对应的故障类型。本申请保证了齿轮箱故障类型判断的准确性和及时性,提升齿轮箱的安全性并延长使用寿命。本申请还提供了一种齿轮箱的故障识别装置、设备以及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本发明涉及齿轮箱故障分析技术领域,特别是涉及一种齿轮箱的故障识别方法、装置、设备以及计算机可读存储介质。
背景技术
齿轮箱是工业生产以及其他各种驱动机械中较为常见而又至关重要的设备,因此保证其稳定正常的运行对工业生产以及各种驱动设备的正常工作具有重要意义。但齿轮箱在实际运行中,一般是封装于设备内部,无法直观查看,即便是对其定期检查,也是在其不工作状态下进行的,但并非齿轮箱的所有故障在其不工作的状态下均能够检测出来,为此,这对齿轮箱的故障检测带来一定的难度,而存在故障而又未被检测出来的齿轮箱,在长时间不间断的运行过程中,不进会加大设备的损耗,还可能会使设备出现中袋事故,给工厂造成巨大的经济损失,甚至人员伤亡。
因此,如何实现齿轮箱故障的及时检测,是工业领域中需要解决的重要问题之一。
发明内容
本发明的目的是提供一种齿轮箱的故障识别方法、装置、设备以及计算机可读存储介质,能够保证齿轮箱故障识别的准确性和及时性,保证齿轮箱的工作安全,提升齿轮箱的使用寿命。
为解决上述技术问题,本发明提供一种齿轮箱的故障识别方法,包括:
采集齿轮箱的振动数据,并对所述振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;
将所述滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;
对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;
将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;
根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型。
可选地,所述滤波形态识别模型的创建过程,包括;
将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本;
在两种类型样本中选取三个异常数据样本,并通过Siamese-CNN神经网络进行特征提取获得图像特征;
将所述图像特征通过SE注意力模块进行特征权重分配,并利用所述Siamese-CNN神经网络对加权后的所述图像特征进行距离运算训练;
重复在两种类型样本中选取三个异常数据样本的操作步骤,直到每个所述滤波波形数据样本的所有选取方式均训练完成,获得所述滤波形态识别模型。
可选地,对所述振动数据进行特征处理,获得所述滤波波形数据的过程,包括:
通过巴特沃斯带通滤波器对所述振动数据进行滤波,获得所述滤波波形数据。
可选地,对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度,包括:
对所述速度有效值和所述冲击量平均值均进行中位数滤波和dbscan密度聚类算法滤波,并对滤波后的所述速度有效值和滤波后的所述冲击量平均值进行线性拟合,获得速度有效值拟合曲线和冲击量平均值拟合曲线;
对比获得速度有效值拟合曲线中速度有效值振幅大于速度有效值振幅阈值的速度有效值的第一比例,以及获得冲击量平均值拟合曲线中冲击量平均值振幅大于冲击量平均值振幅阈值的冲击量平均值的第二比例;
根据所述第一比例和所述第二比例分别所属的比例阈值范围,确定所述振幅超阈值程度;其中,所述比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。
可选地,在获得速度有效值拟合曲线和冲击量平均值拟合曲线之后,还包括:
以所述速度有效值拟合曲线对应的速度有效值斜率值、所述冲击量平均值拟合曲线对应的冲击量平均值斜率值分别对所属的斜率阈值范围,结合确定所述齿轮箱的最晚维修时间;其中,s为速度有效值斜率值,c为冲击量平均值斜率值,x1为第一斜率阈值,x2为第二斜率阈值。
可选地,所述频谱形态识别模型的创建过程,包括:
将频谱特征值样本按照形态标签划分为至少包括正常频谱样本、不对中频谱异常样本、不平衡频谱异常样本、润滑油不足样本、轴承内圈故障样本、轴承外圈故障样本以及支撑架或螺栓松动样本;
将每种类型的所述频谱特征值样本输入DNN神经网络进行神经网络训练,获得所述频谱形态识别模型。
可选地,根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型,包括:
利用预先基于天牛须优化算法训练获得的故障识别模型,对所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态进行故障类型识别,获得所述齿轮箱的故障类型。
一种齿轮箱的故障识别装置,包括:
数据采集模块,用于采集齿轮箱的振动数据,并对所述振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;
第一识别模块,用于将所述滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;
第二识别模块,用于对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;
第三识别模块,用于将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;
故障识别模块,用于根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型。
一种齿轮箱的故障识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如上任一项所述的齿轮箱的故障识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行以实现如上任一项所述的齿轮箱的故障识别方法的步骤。
本发明所提供的一种齿轮箱的故障识别方法,包括采集齿轮箱的振动数据,并对振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;将滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;对比速度有效值和冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;将频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;根据波形形态类型、振幅超阈值程度以及频谱异常类型形成的组合形态,确定齿轮箱对应的故障类型。
本申请中所提供的齿轮箱的故障识别方法,能够在齿轮箱工作过程中通过采集齿轮箱的振动数据,并对振动数据进行处理后分别获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值,从而获得不同方面表征齿轮箱振动情况的数据,并利用预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得滤波形态识别模型对滤波波形数据进行识别分析,获得滤波波形数据的波形形态类型;并对速度有效值、冲击量平均值的振幅进行对应的振幅阈值对比,获得振幅超阈值程度;还利用预先通过DNN神经网络训练获得的频谱形态识别模型对频谱特征值进行识别,获得频谱异常类型;最终基于波形形态类型、振幅超阈值程度以及频谱异常类型形成的组合形态,确定齿轮箱对应的故障类型,也即是齿轮箱存在哪些方面数据的异常不存在哪些方面数据的异常的组合的故障类型,能够在一定程度上保证齿轮箱故障类型判断的准确性和及时性,避免齿轮箱故障过于严重时才被发现的问题,在很大程度上提升齿轮箱使用的安全性和延长使用寿命。
本申请还提供了一种齿轮箱的故障识别装置、设备以及计算机可读存储介质,具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中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为本申请实施例提供的齿轮箱的故障识别方法的流程示意图;
图2为本发明实施例提供的齿轮箱的故障识别装置的结构框图。
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,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
如图1所示,图1为本申请实施例提供的齿轮箱的故障识别方法的流程示意图,该方法可以包括:
S11:采集齿轮箱的振动数据,并对振动数据进行信号处理获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值。
本实施例中的振动数据主要来源于齿轮箱工作过程中,设于齿轮箱的输入侧和输出侧的振动传感器所采集到的振动数据,一般情况下,需要在齿轮箱的输入侧和输出侧各设置三个振动传感器,分别采集输入侧和输出侧在垂直、水平、轴向三个方向的振动数据。
通过振动数据可以提取齿轮箱工作过程中振动的核心特征,即:滤波波形数据、速度有效值、冲击量平均值以及频谱特征值。
将滤波波形数据作为核心特征,是因为滤波波形数据可以有效的将混杂在被测信号上的随机干扰信号进行滤除,从而将时域信号中有用的信号尽可能的保留下来。
滤波波形数据可以采用巴特沃斯滤波器对振动数据进行带通滤波获得。为了检验滤波效果,对滤波后的滤波波形数据进行过零点检测,如果滤波波形数据中过零点个数过多或过少时,则滤波效果不理想,此时应通过优化整滤波器的上限截止频率和下限截止频率以及滤波器阶数来对数据进行重新滤波,获得更为理想的滤波波形数据。
速度有效值是对截取的某一段时间内的振动数据先计算平方和的平均值,再对其开根号获得;冲击量平均值是对截取某一段时间内的振动数据取平均值计算获得。速度有效值是分析数据标准差的变化趋势,冲击量平均值是分析算术平均值的变化趋势。
此外,振动数据中包含的频谱数据跟某些类别的故障(不对中、不平衡等)具有明确的机理关联关系。
对频谱值提取1-10次的转频谐波以及非转频谐波的前5次频谱最高值即可获得频谱特征值;计算1-10次转频谐波时,为消除因有限采样数据导致的频率计算误差,可以引入谐波分量寻优算法:在整数倍频前后一定范围内去找谐波分量最大值,找到的最大值为整次谐波分量,公式为:Fi(x)=max([F(xi-x),F(xi+x)]),i=1,2,3,...,10;其中,Fi(x)为谐波分量,xi为整倍频率,x为频率浮动范围大小。
S12:将滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的。
Siamese-CNN神经网络加入SE模块的神经网络也可以简称为SS-CNN神经网络,Siamese网络主要用于人脸识别领域,把Siamese网络引入故障识别领域,为了可以更好的适应故障识别,特加入SE模块。
需要说明的是,本实施例中的滤波形态识别模型识别的波形形态类型主要包括正常形态、齿轮断裂、传感器异常、抛钢咬钢等多种不同的波形形态类型结果。其中,为提高分类故障诊断准确度,需要将一些引起数据异常的现场工况跟故障作差异识别,例如:
抛钢咬钢:钢坯进入辊道与离开辊道时都会产生冲击,若在此时采集数据,则抛钢咬钢产生的振动数据也会被传感器采集进去,从而导致齿轮箱的振动数据发生较大的波动而误认为是齿轮箱发生故障。
传感器异常:采集数据的传感器出现异常,导致采集到的振动数据发生较大偏差。
需要说明的是Siamese-CNN神经网络是基于图像进行识别,为此,在实际获得滤波数据之后,需要将滤波数据绘制成波形图。
S13:对比速度有效值和冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度。
在齿轮箱正常情况下,其振动的速度有效值和冲击量平均值的振幅一般趋于在正常振幅上下轻微波动,一旦其振幅发生突变而增大至过大,显然说明齿轮箱的振动异常剧烈,为此,将速度有效值和冲击量平均值的振幅值和对应的振幅阈值进行对比。该对比过程可以包括:
对比获得大于速度有效值振幅阈值的速度有效值的第一比例,以及获得大于冲击量平均值振幅阈值的冲击量平均值的第二比例;
根据第一比例和第二比例分别所属的比例阈值范围,确定振幅超阈值程度;其中,比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。例如:
当第一比例落入速度有效值正常阈值范围,则对应的速度有效值振幅形态为正常形态;
当第一比例落入速度有效值注意阈值范围,则对应的速度有效值振幅形态为注意形态;
当第一比例落入速度有效值异常阈值范围,则对应的速度有效值振幅形态为异常形态;
当第一比例落入速度有效值故障阈值范围,则对应的速度有效值振幅形态为故障形态。
同理,对于冲击量平均值的振幅形态也基于第二比例所落入的比例范围按照类似的方式进行振幅形态划分,对此,本实施例中不再详细论述。
S14:将频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型。
对于频谱特征值而言,其通过频谱形态识别模型进行识别获得的频谱异常类型的结果可以包括正常频谱、不对中频谱异常、不平衡频谱异常、润滑油不足、轴承内圈故障、轴承外圈故障、支撑架或螺栓松动等等形态类型。
其中,润滑油不足、轴承内圈故障、轴承外圈故障、支撑架或螺栓松动的形态类型,是指频谱特征值的形态体现为存在润滑油不足、轴承内圈故障、轴承外圈故障、支撑架或螺栓松动等故障时的频谱特征值相同的形态。
并且,针对上述各种故障主要是指:
齿轮断裂故障:齿牙发生折断的现象。
不对中故障:轴系虽平行但不对中,造成轴上的齿轮产生分布类型的齿形误差。
不平衡故障:齿轮的质心和回转中心不重合,从而导致齿轮副的不稳定运行和振动。
轴承冲击故障:滚珠与轴承内外圈发生碰撞。
轴承内圈故障:轴承的内圈出现磨损、损坏现象。
轴承外圈故障:轴承的外圈出现磨损、损坏现象。
润滑油不足故障:轴承润滑油不足,导致滚动轴承表面之间的磨损。
支撑架或螺栓松动故障:轴承内的滚珠不能被均匀隔开,从而不能在正确的轨道上运行。
在实际应用中,可以仅仅以其中一种或几种或者上述全部的频谱特征值的形态类型进行识别,对此本实施例中不做具体限制。
S15:根据波形形态类型、振幅超阈值程度以及频谱异常类型形成的组合形态,确定齿轮箱对应的故障类型。
当齿轮箱出现故障时,并不是其滤波波形数据、速度有效值、冲击量平均值以及频谱特征值均能有所体现,可能仅仅某一部分数据体现明显,而另一部分数据则表现正常。
另外,当齿轮箱对应的滤波波形数据、速度有效值、冲击量平均值以及频谱特征值中仅有一项数据存在异常形态,和多项数据存在异常形态,也能够在一定程度上体现齿轮箱实际存在故障的可能性或者故障存在的严重程度。如下表1所示,表1为基于不同数据特征识别确定的故障类型的部分列表。
表1:
基于上述论述,可以确定正常、注意、异常、故障在一定程度上表征的故障严重程度,也表征的故障存在的概率。
由此可以确定,当齿轮箱存在某一种类型的故障时,对应的其各个方面的数据也就会相应地显现出对应的异常形态,由此,本申请中以此为依据,基于对齿轮箱的滤波波形数据、速度有效值、冲击量平均值以及频谱特征值的异常形态进行识别判断后,基于各种数据显现出的异常形态组合结果,即可判断对应的故障类型。且可以理解的是,本申请中所指的故障类型,不仅仅包括齿轮箱可能存在哪种故障,还包括齿轮箱存在这一故障的可能性或者是概率。
在实际应用中,对于上述表1中列举的每种识别结果组成的组合形态对应的故障类型,可以预先基于大量历史数据,基于统计学原理,确定分析出齿轮箱存在每种故障类型时,其滤波波形数据、速度有效值、冲击量平均值以及频谱特征值所显现出的数据特征形态的组合;也就相当于预先确定滤波波形数据、速度有效值、冲击量平均值以及频谱特征值所显现出的特征形态组合与齿轮箱的各种类型故障之间的对应关系,由此即可直接将以该对应关系为依据,以及波形形态类型、振幅超阈值程度以及频谱异常类型形成的组合形态结果即可确定出齿轮箱的故障类型。
当然除此之外,还可以基于寻优算法,对大量历史数据所表现的组合形态进行寻优运算最终获得上述表1的内容,例如,可以采用天牛须优化算法,设定齿轮断裂注意这一故障类型对应的滤波波形数据、速度有效值、冲击量平均值以及频谱特征值所显现出的组合形态为波形形态类型为齿轮断裂、速度有效值对应的振幅超阈值程度为正常、冲击量平均值对应的振幅超阈值程度为注意、频谱异常类型为不对中;以此为依据对所有历史数据进行齿轮断裂注意这一故障类型的判断,确定判断结果的正确率;再更换一组组合形态,并重复上述过程,也获得对应的正确率,直到获得正确率最高的一组组合形态,则说明该组合形态为齿轮断裂注意这一故障类型最优的组合形态,由此即可获得各种不同故障类型对应的最优组合形态,从而获得上述表1中的内容。
综上所述,本申请中对齿轮箱运行过程中的振动数据,并基于振动数据分别获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值,在分别对上述四种不同数据进行异常形态识别,从而实现从多个不同方面实现对齿轮箱振动异常情况进行分析识别,进而最终基于异常形态分析识别的组合结果确定齿轮箱的故障类型,从而在一定程度上保证齿轮箱故障识别的准确性和及时性,有利于保证齿轮箱工作的安全性以及提升齿轮箱的使用寿命。
基于上述任意实施例,在本申请的另一可选的实施例中,对于上述第一异常识别模型中识别滤波波形数据的异常形态的滤波识别模型的创建过程可以包括:
S21:将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本。
该滤波波形数据样本可以是振动数据样本经过巴特沃斯带通滤波后获得的。该振动数据样本携带有形态标签,该形态标签可以是基于振动数据样本属于哪种齿轮箱故障情况下采集的,或者是工作人员依据经验标定各个滤波波形数据样本属于哪种异常数据样本而确定的。
在对滤波波形数据样本按照形态划分时,即可基于对应的振动数据样本所携带的形态标签进行划分,即携带有正常形态、齿轮断裂、传感器异常、抛钢咬钢等多种不同的波形形态标签的滤波波形数据样本。当然,可以理解的是,在实际应用中,同一个滤波波形数据样本,可能同时属于两种异常数据样本,也即是说存在某些滤波波形数据样本同时存在多种异常形态。
另外,如前所述,本申请中的Siamese-CNN神经网络是对图像数据进行识别的神经网络。在进行神经网络训练时,需要将滤波形态数据样板转换为图像数据样本,可以将滤波波形数据样本所呈现的曲线形状直接转换为图像数据。
S22:在两种类型样本中选取三个异常数据样本,并通过Siamese-CNN神经网络进行特征提取获得图像特征。
在两种异常数据样本中选取三个异常数据样本,显然其中一种异常数据样本中选取一个异常数据样本,而另一种异常数据样本中选取两个异常数据样本,进行神经网络训练。通过该神经网络训练,可以学习获得滤波波形数据样本中,数据的不同异常形态之间的联系紧密程度,并最终由此获得的神经网络模型,在实际对滤波波形数据的异常形态进行识别时,可以基于其表现出的各种异常形态之间的联系确定是否存在异常形态以及具体存在哪几种异常形态。
S23:将图像特征通过SE注意力模块进行特征权重分配,并利用Siamese-CNN神经网络对加权后的图像特征进行距离运算训练。
S24:判断是否所有的每个异常数据样本的所有选取方式均训练完成,若是,则获得滤波形态识别模型,若否,则返回S22。
本申请中的神经网络训练需要进行大量的迭代运算,每次迭代运算只选取三个异常数据样本进行神经网络训练,显然,对于所有异常数据样本存在大量的选取方式。为此,在实际进行神经网络训练时应当将所有选取异常数据样本的所有选取方式对应选取出的样本均进行神经网络训练,最终获得更准确的识别模型。
CNN神经网络在处理图像方面有着较强的能力,依靠自身一系列的卷积和池化操作,能够自己完成对图像的特征提取。Siamese网络主要用于人脸识别领域,把Siamese-CNN神经网络引入故障识别领域,为了可以更好的适应故障识别,加入SE模块。
本实施例中所采用的Siamese-CNN神经网络为三输入神经网络,在滤波波形数据样本中,随机从一种异常形态数据并从中选取一张图像作为N,再从其余各种异常形态数据中再随机选取一种异常形态数据,并从中随机选取两张图像A以及P作为对照图像,这三张图像则分别是A(Anchor)、P(Postive)、N(Negative),其中A是Anchor,是一种类型的故障,P是Postive,是与A同种类型的故障,N是Negatve,是与A、P不同类型的故障。将选取的三张图像同时分别投入到三个同样的CNN神经网络进行训练,对各个输入的图像进行卷积操作,随后输出提取到的图像特征,即对于相邻的图像特征,只提取图像中特征比较明显的部分作为新的图像特征,不仅仅减少了图像中效果不明显的特征,更保留了图像中有效的特征。
SE模块能够通过评价每个图像的特征信息量,自适应地重新校准每个特征的响应。SE模块主要有压缩(Squeeze)和激活(Excitation)操作。压缩操作是用全局平均池化(global average pooling)的方法对图像的特征向量进行压缩;激活操作则是把这一列特征通道向量输入全连接层和激活函数,建模出特征通道间的相关性,得到的输出其实就是每个异常形态通道对应的权重,把这些权重通过Scale乘法通道加权到原来的特征上,最后对每个通道里面的每个特征向量进行全连接。通过SE模块,进行压缩和激活操作,可以有效的对图像进一步的实现特征提取。对每个通道里面的每个特征向量进行全连接,即将图像拆分成数据的形式,然后将数据进行连接。SE模块对CNN神经网络中提取到的图像特征进行的权重分配,从而进一步的增强有用信息,削弱无用信息。
在通过SE模块确定每个通道对应的权重之后,通过距离计算模块,计算出图像之间的距离以及loss值,将图像特征代入距离公式:d(A,P)=(A-P)2,d(A,N)=(A-N)2,其中公式中的A、P、N分别表示图像A、图像P以及图像N的图像特征。当d越大时,代表着两张图像的距离越大,则属于不同类型故障的几率越大;当d越小时,代表着两张图像的距离越小,则属于不同类型故障的几率越小。
将运算距离结果代入loss函数公式:loss=max(d(A,P)-d(A,N)+m,0),为了神经网络的训练效果更好,加入d(A,P)与d(A,N)的间隔距离m,这样可以使d(A,P)和d(A,N)接近,训练效果达到最好。当d(A,P)-d(A,N)+m<0时,代表着训练效果良好,不需要反向传播进行loss值的迭代,反之,代表训练效果不好,需要加大损失,由此,根据loss值进行反向传播更新网络权重,直到网络训练结束。
训练结束后,随机选取同一形态类型的两张随机图像计算其距离,共随机选取60000次,之后将60000次求得的距离求取平均值,所得到的平均值即当作两张图像属于同一类型的最小距离。
将测试集中的一张图像投入到训练好的神经网络中与验证集中的图像进行距离比较,输出验证集中与测试集中输入图像相距最小的图像以及距离,如果一旦这个距离小于前面所求的最小距离,则说明这两张图像属于同种形态异常类型,输出这两张图像的标签进行比较是否一致,如果一致则说明神经网络判断准确。
训练完成后,滤波形态识别模型可判断出滤波波形数据中的正常形态、齿轮断裂、传感器异常以及抛钢咬钢等各种不同的形态。
基于上述论述,在对速度有效值和冲击量平均值进行振幅超阈值程度识别时,需要将速度有效值和冲击量平均值分别和对应的振幅阈值进行对比;该振幅阈值可以是基于工作人员的经验设定,也可以是基于大数据统计获得,还可以是基于神经网络训练获得。
在本申请的一种可选地实施例中,获得振幅阈值的训练过程可以包括:
S31:预先获得速度有效值样本和冲击量平均值样本,其中,每种样本均携带有正常、注意、异常、故障四种标签中的一种形态类型标签。
S32:按照第一窗口长度对速度有效值样本和冲击量平均值样本采用滑动窗口划分,获得滑动后的多组第一样本数据。
需要说明的是,对于振动数据为时序数据,由此通过该振动数据即可获得也同样为时序数据的速度有效值和冲击量平均值。对应的速度有效值样本和冲击量平均值样本也为时序数据。在按照滑动窗口划分之后,即可得到多组第一样本数据,每组第一样本数据为一段时长时间内采样的振动数据样本对应的样本数据,该段时长和滑动窗口的大小一致。
S33:对每组第一数据样本对应的振幅值进行方差运算,以方差最小的一组数据样本的振幅平均值作为振幅基准。
S34:将同一种形态类型标签的速度有效值样本和冲击量平均值样本,按照第二窗口长度分别采用滑动窗口划分,获得滑动后的多组第二样本数据。
对于步骤S34中对速度有效值样本和冲击量平均值样本划分的方式相同,不同的是划分样本数据的滑动窗口的长度进行了调整。
S35:将同一种形态类型标签对应每组第二数据样本的振幅平均值分别和振幅基准进行对比,获得振幅比值。
S36:根据同一种形态类型标签对应的各个振幅比值在每个振幅比值阈值范围内的比例大小,确定第二数据样本所属的形态类型,并确定第二数据样本所属的形态类型和对应的标签类型一致的正确率。
对于振幅比值阈值包括:小于等于a1、大于a1小于等于a2、大于a2小于等于a3、以及大于a3,等四个振幅比值阈值范围;其中,a1、a2、a3依次减小。而大于a1小于等于a2、大于a2小于等于a3、以及大于a3等3个振幅比值阈值范围还分别对应有一个比例阈值分别为y1、y2、y3。
当同一种形态类型标签对应的各组第二数据样本的振幅比值中大于a1小于等于a2的样本组数所占比例大于y1,则认为同一种形态类型标签的各组第二数据样本为形态类型为注意;而若是该各组第二数据样本对应的形态类型标签恰好为注意,则认为判断正确;以此类推,即可确定各个形态样本标签的各组第二数据样本的形态类型判断是否正确,最终根据所有数据样本的形态类型判断正确情况,确定最终形态类型判断的正确率。
S37:判断正确率是否为最高正确率,若是,则进入S39,若否,则进入S38。
S38:利用天牛须算法,对第一窗口长度、第二窗口长度、振幅比值阈值、比例阈值进行优化,获得新的一组第一窗口长度、第二窗口长度、振幅比值阈值、比例阈值,并重新进入S32。
S39:以正确率最高是对应的第一窗口长度、第二窗口长度、振幅比值阈值、比例阈值作为最优参数,并将基于第一窗口长度确定的振幅基准作为振幅阈值。
振幅比值阈值即为上述a1、a2、a3;比例阈值即为上述y1、y2、y3。
需要说明的是,上述第一数据样本和第二样本数据均可以是速度有效值样本对应的窗口数据样本,或者冲击量有效值样本对应的数据样本中的任意一种;因为对速度有效值样本对应的振幅阈值训练过程完全相同且相互独立,本实施例中以第一数据样本,第二数据样本进行统一说明,但是可以理解的是,当对速度有效值样本对应的振幅阈值训练时,该第一数据样本即为速度有效值样本对应的数据样本;当对冲击量有效值样本对应的振幅阈值训练时该第一数据样本即为冲击量有效值样本对应的数据样本;第二数据样本也是类似原理,在此不再赘述。
相应地,获得振幅阈值之后,基于采集的振动数据获得速度有效值和冲击量平均值时,可以是以一段时长时间内采集的速度有效值和冲击量平均值中的振幅分别与对应振幅阈值进行比较;该段时长可以和上述训练过程中获得的形态类型标签和形态类型一致的正确率最高时,对应的第二窗口长度的时长相同。
以100组速度有效值样本(冲击量平均值样本等同)为例,每组速度有效值样本分别为不同齿轮箱在一段工作时间内采集获得的样本数据;对每组速度有效值样本设定对应的形态类型标签。假设100组样本中,正常、注意、异常、故障四种形态类型的标签分别为25组。
按照第一窗口长度对每组速度有效值样本进行划分,假设每组速度有效值样本划分形成10组第一数据样本,则最终即可划分获得1000组第一数据样本。在1000组第一数据样本中选出振幅方差最小的一组第一数据样本的振幅平均值作为振幅基准。再重新按照第二窗口长度对每组速度有效值样本进行划分,假设每组速度有效值样本划分形成20组第二数据样本;则对每组速度有效值样本划分后形成的20组第二数据样本按照预先设定振幅比值阈值、比例阈值确定每组速度有效值样本划分后形成的20组第二数据样本对应的形态类型,并将同一组速度有效值样本对应的形态类型和形态类型标签进行对比确认二者是否一致,从而确定各组携带有每种形态类型标签的各组速度有效值样本判断的正确率。再基于天牛须算法对第一窗口长度、第二窗口长度、振幅比值阈值、比例阈值进行调整,并重复上述步骤,最终确定正确率最高对应的一组第一窗口长度、第二窗口长度、振幅比值阈值、比例阈值。
此外,在获得速度有效值和冲击量平均值之后,基于振幅阈值确定振幅超阈值程度还可以进一步地包括:
对速度有效值和冲击量平均值均进行中位数滤波和dbscan密度聚类算法滤波,并对滤波后的速度有效值和滤波后的冲击量平均值进行线性拟合,获得速度有效值拟合曲线和冲击量平均值拟合曲线;
对比获得速度有效值拟合曲线中速度有效值振幅大于速度有效值振幅阈值的速度有效值的第一比例,以及获得冲击量平均值拟合曲线中冲击量平均值振幅大于冲击量平均值振幅阈值的冲击量平均值的第二比例;
根据第一比例和第二比例分别所属的比例阈值范围,确定振幅超阈值程度;其中,比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。
计算得到的冲击量平均值以及速度有效值往往会有大量离群数据,离群数据有零散分布和聚集分布两种类型,零散分布类型其数据比较分散,聚集分布类型则比较集中;离群数据会影响劣化分析时整体数据的拟合趋势。因此我们在对冲击量平均值以及速度有效值进行形态类型分析之前,可以先对做离群数据的去除。
例如,对于零散分布类型的离群数据的去除可以采用m-r算法(即中位数滤波算法的一种);先对冲击量平均值和速度有效值,以100个值为单位,提取其中位数,然后截取这100个值中小于中位数1.2倍(可以基于实际应用采用其他倍数),大于中位数0.8倍(可以基于实际应用采用其他倍数)的值作为新的冲击量平均值或速度有效值。公式为:xnew={x[0.8*median(x),1.2*median(x)]};其中,xnew为去离群数据后的冲击量平均值或速度有效值,x为初始的冲击量平均值或速度有效值,median(x)为冲击量平均值或速度有效值的中位数。
而对于聚集分布类型的离群数据,则可以采用dbscan密度聚类算法进行离群数据去除。
在对速度有效值拟合曲线中速度有效值振幅和速度有效值的振幅阈值进行对比时,以每个速度有效值的采样点在速度有效值拟合曲线上的振幅取值和振幅阈值进行对比。
可选地,在对速度有效值和冲击量平均值分别进行线性拟合之后,还可以进一步地包括:
以速度有效值拟合曲线对应的速度有效值斜率值、冲击量平均值拟合曲线对应的冲击量平均值斜率值分别对所属的斜率阈值范围,结合确定齿轮箱的最晚维修时间;其中,s为速度有效值斜率值,c为冲击量平均值斜率值,x1为第一斜率阈值,x2为第二斜率阈值。
如前所述,速度有效值和冲击量平均值在的形态类型在一定程度上表征了齿轮箱故障严重程度。为此,可以以此为依据,进一步确定齿轮箱的最晚维修时间,以便为工作人员对齿轮箱的维护提供数据依据。
在本实施例中,速度有效值的拟合曲线和冲击量平均值拟合曲线均可以是拟合获得的拟合直段,显然此时的速度有效值的拟合直线斜率也即是对应的速度有效值斜率值,冲击量平均值的拟合直线斜率也即是对应的冲击量平均值斜率值。
在确定出速度有效值斜率值、冲击量平均值斜率值分别所属的斜率阈值范围之后,即可确定齿轮箱故障的严重程度,基于不同的故障严重程度,即可确定对应的最晚维修时间。例如:
其中,s代表速度有效值斜率值,c代表冲击量平均值的斜率值,x1、x2分别为第一斜率阈值和第二斜率阈值,其中x1小于x2。
需要说明的是,在振幅超阈值判断中,滑动时间窗口的大小、斜率阈值x1,x2可以作为优化的目标进行优化获得;具体的优化过程可以和上述获得振幅阈值的优化训练方式类似。
以100组样本为例,每组样本中包含速度有效值样本和冲击量平均值样本,每组样本中的速度有效值样本和冲击量平均值样本均为不同齿轮箱在一段工作时间内采集获得的两种样本数据;对每组样本中的速度有效值样本和冲击量平均值样本设定对应的维修标签。假设100组样本中,不需要维修、预计6-9天维修、预计2-4天维修、立即维修四种维修标签均为25组样本数据。
按照设定的窗口长度对每组速度有效值样本和冲击量平均值样本进行划分,假设每组速度有效值样本和冲击量平均值样本均划分形成20组数据样本;根据所测的每组数据样本中速度有效值对应的斜率s和冲击量平均值对应的斜率值c以及预先设定的第一斜率阈值x1、第二斜率阈值x2,对每组速度有效值样本和冲击量平均值样本划分形成20组数据样本对应的最短维修时间进行判断,并将同一组速度有效值样本和冲击量平均值样本对应的最短维修时间和维修标签进行对比确认二者是否一致,从而确定各组携带有每种维修标签的各组速度有效值样本和冲击量平均值样本的最短维修时间判断的正确率。再基于天牛须算法对窗口长度、第一斜率阈值x1、第二斜率阈值x2调整,并重复上述步骤,最终确定正确率最高对应的一组窗口长度、第一斜率阈值x1、第二斜率阈值x2调整。
基于上述实施例,在本申请的另一可选地实施例中,频谱形态识别模型的训练创建过程可以如下:
S41:将频谱特征值样本按照形态标签划分为至少包括正常频谱样本、不对中频谱异常样本、不平衡频谱异常样本、润滑油不足样本、轴承内圈故障样本、轴承外圈故障样本以及支撑架或螺栓松动样本。
S42:将每种类型的频谱特征值样本输入DNN神经网络进行神经网络训练,获得所述频谱形态识别模型。
可以提取滤波波形数据样本的频谱值中1-10次谐波分量以及前5次频谱冲高值作为频谱特征值样本,并根据频谱特征值样本所对应的振动数据采集时,齿轮箱所存在的故障,或者是基于工作人员依据自身的工作经验判断该频谱特征值样本具体存在哪种数据异常形态,对频谱特征值样本进行异常形态的划分,具体可以划分为不对中频谱异常样本、不平衡频谱异常样本、轴承冲击频谱异常样本、传感器频谱异常样本、抛钢咬钢频谱异常样本;当然对于不存在异常形态情况的频谱特征值样本在划分为正常频谱样本。
DNN神经网络总共有三层,分别是输入层、隐含层以及输出层。将提取到的15个频谱特征值输入到DNN神经网络的输入层中,经过对其进行线性变换而得到隐含层数据,再对隐含层进行线性变换得到输出层数据。
在DNN神经网络输出层采用的是softmax函数,以对频谱形态进行差异识别并输出各个形态出现的概率,选取其中概率最大的并作为DNN异常识别结果。softmax函数表达式为p(yx)为对应样本所预测的概率,x为全连接层的输出,先对x的每个分量做了一个非线性变换,再将变换后的结果归一化到区间[0,1]。损失函数采用的是交叉熵函数,其公式为:n是形态类别数量,ti是某个类别的真实值,pi为该类别的预测概率。
下面对本发明实施例提供的齿轮箱的故障识别装置进行介绍,下文描述的齿轮箱的故障识别装置与上文描述的齿轮箱的故障识别方法可相互对应参照。
图2为本发明实施例提供的齿轮箱的故障识别装置的结构框图,参照图2的齿轮箱的故障识别装置可以包括:
数据采集模块100,用于采集齿轮箱的振动数据,并对所述振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;
第一识别模块200,用于将所述滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;
第二识别模块300,用于对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;
第三识别模块400,用于将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;
故障识别模块500,用于根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型。
在本申请的一种可选地实施例中,还包括第一创建模块,用于将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本;在两种类型样本中选取三个异常数据样本,并通过Siamese-CNN神经网络进行特征提取获得图像特征;将所述图像特征通过SE注意力模块进行特征权重分配,并利用所述Siamese-CNN神经网络对加权后的所述图像特征进行距离运算训练;重复在两种类型样本中选取三个异常数据样本的操作步骤,直到每个所述滤波波形数据样本的所有选取方式均训练完成,获得所述滤波形态识别模型。
在本申请的一种可选地实施例中,数据采集模块100具体用于通过巴特沃斯带通滤波器对所述振动数据进行滤波,获得所述滤波波形数据。
在本申请的一种可选地实施例中,第二识别模块300具体用于对所述速度有效值和所述冲击量平均值均进行中位数滤波和dbscan密度聚类算法滤波,并对滤波后的所述速度有效值和滤波后的所述冲击量平均值进行线性拟合,获得速度有效值拟合曲线和冲击量平均值拟合曲线;对比获得速度有效值拟合曲线中速度有效值振幅大于速度有效值振幅阈值的速度有效值的第一比例,以及获得冲击量平均值拟合曲线中冲击量平均值振幅大于冲击量平均值振幅阈值的冲击量平均值的第二比例;根据所述第一比例和所述第二比例分别所属的比例阈值范围,确定所述振幅超阈值程度;其中,所述比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。
在本申请的一种可选地实施例中,还包括维修报警模块,用于在获得速度有效值拟合曲线和冲击量平均值拟合曲线之后,以所述速度有效值拟合曲线对应的速度有效值斜率值,以及所述对应的冲击量平均值斜率值分别对所属的斜率阈值范围,确定所述齿轮箱的最晚维修时间。
在本申请的一种可选地实施例中,还包括第二创建模块,用于将频谱特征值样本按照形态标签划分为至少包括正常频谱样本、不对中频谱异常样本、不平衡频谱异常样本、润滑油不足样本、轴承内圈故障样本、轴承外圈故障样本以及支撑架或螺栓松动样本;将每种类型的所述频谱特征值样本输入DNN神经网络进行神经网络训练,获得所述频谱形态识别模型。
在本申请的一种可选地实施例中,故障识别模块500具体用于利用预先基于天牛须优化算法训练获得的故障识别模型,对所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态进行故障类型识别,获得所述齿轮箱的故障类型。
本实施例的齿轮箱的故障识别装置用于实现前述的齿轮箱的故障识别方法,因此齿轮箱的故障识别装置中的具体实施方式可见前文中的齿轮箱的故障识别方法的实施例部分,在此不再赘述。
本申请还提供了一种齿轮箱的故障识别设备,该设备可以包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如任一项所述的齿轮箱的故障识别方法的步骤。
本实施例中所提供的齿轮箱的故障识别设备能够基于齿轮箱工作过程中振动传感器采集齿轮箱的振动数据,及时的对齿轮箱的故障进行识别分类,能够再齿轮箱故障造成重大损失之前获得该齿轮箱的故障类型,保证了齿轮箱故障分析的准确性和及时性,提升了齿轮箱运行的安全性,并延长了齿轮箱的工作寿命。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,计算机程序被处理器执行以实现如上任一项所述的齿轮箱的故障识别方法的步骤。
该计算机可读存储介质可以包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种齿轮箱的故障识别方法,其特征在于,包括:
采集齿轮箱的振动数据,并对所述振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;
将所述滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;
对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;
将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;
根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型;
所述滤波形态识别模型的创建过程,包括;
将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本;
在两种类型样本中选取三个异常数据样本,并通过Siamese-CNN神经网络进行特征提取获得图像特征;
将所述图像特征通过SE注意力模块进行特征权重分配,并利用所述Siamese-CNN神经网络对加权后的所述图像特征进行距离运算训练;
重复在两种类型样本中选取三个异常数据样本的操作步骤,直到每个所述滤波波形数据样本的所有选取方式均训练完成,获得所述滤波形态识别模型。
2.如权利要求1所述的齿轮箱的故障识别方法,其特征在于,对所述振动数据进行特征处理,获得所述滤波波形数据的过程,包括:
通过巴特沃斯带通滤波器对所述振动数据进行滤波,获得所述滤波波形数据。
3.如权利要求1所述的齿轮箱的故障识别方法,其特征在于,对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度,包括:
对所述速度有效值和所述冲击量平均值均进行中位数滤波和dbscan密度聚类算法滤波,并对滤波后的所述速度有效值和滤波后的所述冲击量平均值进行线性拟合,获得速度有效值拟合曲线和冲击量平均值拟合曲线;
对比获得速度有效值拟合曲线中速度有效值振幅大于速度有效值振幅阈值的速度有效值的第一比例,以及获得冲击量平均值拟合曲线中冲击量平均值振幅大于冲击量平均值振幅阈值的冲击量平均值的第二比例;
根据所述第一比例和所述第二比例分别所属的比例阈值范围,确定所述振幅超阈值程度;其中,所述比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。
5.如权利要求1所述的齿轮箱的故障识别方法,其特征在于,所述频谱形态识别模型的创建过程,包括:
将频谱特征值样本按照形态标签划分为至少包括正常频谱样本、不对中频谱异常样本、不平衡频谱异常样本、润滑油不足样本、轴承内圈故障样本、轴承外圈故障样本以及支撑架或螺栓松动样本;
将每种类型的所述频谱特征值样本输入DNN神经网络进行神经网络训练,获得所述频谱形态识别模型。
6.如权利要求1所述的齿轮箱的故障识别方法,其特征在于,根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型,包括:
利用预先基于天牛须优化算法训练获得的故障识别模型,对所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态进行故障类型识别,获得所述齿轮箱的故障类型。
7.一种齿轮箱的故障识别装置,其特征在于,包括:
数据采集模块,用于采集齿轮箱的振动数据,并对所述振动数据进行特征处理,获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值;
第一识别模块,用于将所述滤波波形数据输入滤波形态识别模型,识别获得波形形态类型,其中,所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese-CNN网络学习训练获得的;
第二识别模块,用于对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值,确定振幅超阈值程度;
第三识别模块,用于将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别,获得频谱异常类型;
故障识别模块,用于根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态,确定所述齿轮箱对应的故障类型;
还包括第一创建模块,用于将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本;在两种类型样本中选取三个异常数据样本,并通过Siamese-CNN神经网络进行特征提取获得图像特征;将所述图像特征通过SE注意力模块进行特征权重分配,并利用所述Siamese-CNN神经网络对加权后的所述图像特征进行距离运算训练;重复在两种类型样本中选取三个异常数据样本的操作步骤,直到每个所述滤波波形数据样本的所有选取方式均训练完成,获得所述滤波形态识别模型。
8.一种齿轮箱的故障识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至6任一项所述的齿轮箱的故障识别方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行以实现如权利要求1至6任一项所述的齿轮箱的故障识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470690.3A CN114117682B (zh) | 2021-12-03 | 2021-12-03 | 齿轮箱的故障识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470690.3A CN114117682B (zh) | 2021-12-03 | 2021-12-03 | 齿轮箱的故障识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114117682A CN114117682A (zh) | 2022-03-01 |
CN114117682B true CN114117682B (zh) | 2022-06-03 |
Family
ID=80366681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470690.3A Active CN114117682B (zh) | 2021-12-03 | 2021-12-03 | 齿轮箱的故障识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117682B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861313B (zh) * | 2023-07-07 | 2024-03-01 | 昆明理工大学 | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
CN113203500A (zh) * | 2021-04-29 | 2021-08-03 | 天津大学 | 基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3452793A1 (en) * | 2016-05-04 | 2019-03-13 | Vestas Wind Systems A/S | Method of identifying a fault in a system of gears in a wind turbine |
CN109685116B (zh) * | 2018-11-30 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
CN111323220B (zh) * | 2020-03-02 | 2021-08-10 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
-
2021
- 2021-12-03 CN CN202111470690.3A patent/CN114117682B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
CN113203500A (zh) * | 2021-04-29 | 2021-08-03 | 天津大学 | 基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
He Zhiyi等.Ensemble transfer CNNs driven by multi-channel signals for fault diagnosis of rotating machinery cross working conditions.《Knowledge-Based Systems》.2020,1-14. * |
时建峰等.小波包与改进BP神经网络相结合的齿轮箱故障识别.《振动、测试与诊断》.2009,(第03期),321-324. * |
李大中等.一种利用混合算法选择变量的天牛须优化神经网络风速预测方法.《电力科学与工程》.2019,(第12期),28-33. * |
龚敬群等.基于CNN电流数据形态识别的电动机故障诊断研究.《宝钢技术》.2021,27-33. * |
Also Published As
Publication number | Publication date |
---|---|
CN114117682A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
Juuso et al. | Intelligent scaling of features in fault diagnosis | |
CN102155988B (zh) | 设备监诊方法 | |
Elforjani | Diagnosis and prognosis of real world wind turbine gears | |
CN101532920A (zh) | 一种基于混沌的低速重载设备微弱信号检测方法 | |
CN114117682B (zh) | 齿轮箱的故障识别方法、装置、设备及存储介质 | |
CN108573193A (zh) | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
Shao et al. | Gearbox vibration monitoring using extended Kalman filters and hypothesis tests | |
CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
Madhusudana et al. | Use of discrete wavelet features and support vector machine for fault diagnosis of face milling tool | |
Clifton et al. | Novelty detection in jet engine vibration spectra | |
CN108844612A (zh) | 一种基于数理统计概率模型的变压器内部故障识别方法 | |
US20230130765A1 (en) | Method for Detecting the Load Mass of Commercial Vehicle | |
CN114294183A (zh) | 一种风机叶片故障监测方法、装置及风机 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Qin et al. | Performance degradation assessment of train rolling bearings based on SVM and segmented vote method | |
Tajiani et al. | RUL prediction of bearings using empirical wavelet transform and Bayesian approach |
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 |