CN116929753A - 传动齿轮状态检测方法、装置、计算机设备以及存储介质 - Google Patents
传动齿轮状态检测方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN116929753A CN116929753A CN202311199272.4A CN202311199272A CN116929753A CN 116929753 A CN116929753 A CN 116929753A CN 202311199272 A CN202311199272 A CN 202311199272A CN 116929753 A CN116929753 A CN 116929753A
- Authority
- CN
- China
- Prior art keywords
- gear
- sample
- determining
- evaluation index
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 230000005540 biological transmission Effects 0.000 title claims abstract description 131
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 215
- 230000002159 abnormal effect Effects 0.000 claims abstract description 190
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000012795 verification Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008054 signal transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种传动齿轮状态检测方法、装置、计算机设备以及存储介质。所述方法包括:根据样本齿轮的齿轮运行数据确定样本特征数据;将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。上述方法提高了传动齿轮状态检测的精确度,同时提高了传动齿轮状态检测效率。
Description
技术领域
本申请涉及传动齿轮技术领域,特别是涉及一种传动齿轮状态检测方法、装置、计算机设备以及存储介质。
背景技术
在核工业辐射环境的生产过程中,可以通过驱动端电机的输出轴带动平行级传动齿轮将动力传递至执行端,实现相关生产操作,因此传动齿轮的工作状态直接影响生产的稳定与安全。与一般工业生产场景不同,核工业辐射环境下的振动传感器、拾音器和力传感器等生产器件均无法保持长期有效工作。因此,需要对核工业辐射环境下的传动齿轮的工作状态进行有效检测,以在传动齿轮工作异常的情况下及时对传动齿轮进行维护。
现阶段,在核工业辐射的作业环境中,往往通过外置振动等传感器直接监测齿轮状态,而辐射环境下需通过监测设备动力驱动端来间接监测执行端齿轮状态,信号传递路径长,干扰部件多,且信号中关联齿轮状态信息微弱,导致齿轮状态检测难度较大,传动齿轮状态检测效率低。同时,核工业设备生产过程通常需要采用多种操作模式,致使传动齿轮处于多模式状态下运行,目前基于统计模型的多模态齿轮状态监测方法的有效性取决于模型训练数据集中齿轮运行状态遍历程度,基于单一模式建立的齿轮状态监测模型难以完全覆盖传动齿轮的所有正常运行模式,因此在对传动齿轮的运行状态进行检测时,可能出现高误报率,在实际工业生产环境中可用性较低。因此,如何提高传动齿轮状态检测的精确度,以及提高传动齿轮状态检测效率,是需要解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高传动齿轮状态检测的精确度,并且提高传动齿轮状态检测效率的传动齿轮状态检测方法、装置、计算机设备以及存储介质。
第一方面,本申请提供了一种传动齿轮状态检测方法,所述方法包括:
根据样本齿轮的齿轮运行数据确定样本特征数据;
将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
在其中一个实施例中,根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态,包括:
根据所述样本异常状态评价指标确定异常状态评判阈值,并根据所述目标异常评价指标确定目标状态评判数值;
根据所述目标状态评判数值和所述异常状态评判阈值,确定传动齿轮状态。
在其中一个实施例中,根据所述样本异常状态评价指标确定异常状态评判阈值,包括:
通过核密度估计法确定所述样本异常状态评价指标的样本评价指标置信度;
根据所述样本评价指标置信度从所述样本异常状态评价指标中确定样本有效评价指标;
根据所述样本有效评价指标确定异常状态评判阈值。
在其中一个实施例中,根据样本齿轮的齿轮运行数据确定样本特征数据,包括:
获取样本齿轮的齿轮运行数据;所述齿轮运行数据包括样本两相电流信号、样本扭矩信号和样本转速信号;
根据所述样本转速信号、所述样本两相电流信号和所述样本扭矩信号确定所述样本齿轮的样本阶次信号;
根据所述阶次信号确定样本阶次谱,并根据所述样本阶次谱确定阶次谱幅值,且将所述阶次谱幅值作为样本特征数据。
在其中一个实施例中,通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,包括:
对所述训练数据集进行局部自适应标准处理,确定训练滑动窗数据;
通过所述训练滑动窗数据对神经网络模型进行训练,确定齿轮状态检测模型。
在其中一个实施例中,根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标,包括:
对所述验证数据集进行局部自适应标准处理,确定验证滑动窗数据;
将所述验证滑动窗数据输入所述齿轮状态检测模型,确定模型输出数据;
通过异常评价函数,根据所述模型输出数据和所述验证滑动窗数据确定样本异常评价指标。
在其中一个实施例中,根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标,包括:
获取待检测齿轮的目标齿轮运行数据,并对所述目标齿轮运行数据进行特征提取,确定目标特征数据;
对所述目标特征数据进行局部自适应标准处理,确定目标滑动窗数据;
将所述目标滑动窗数据输入所述齿轮状态检测模型,确定所述待检测齿轮的目标异常评价指标。
第二方面,本申请还提供了一种传动齿轮状态检测装置,所述装置包括:
样本特征数据确定模块,用于根据样本齿轮的齿轮运行数据确定样本特征数据;
模型训练模块,用于将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
样本评价指标确定模块,用于根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
目标评价指标确定模块,用于根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
传动齿轮状态确定模块,用于根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据样本齿轮的齿轮运行数据确定样本特征数据;
将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据样本齿轮的齿轮运行数据确定样本特征数据;
将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
上述传动齿轮状态检测方法、装置、计算机设备以及存储介质,根据样本齿轮的齿轮运行数据确定训练数据集和验证数据集,采用训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,将验证数据集输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据和验证数据集,确定样本齿轮的样本异常评价指标。在等于待检测齿轮的传动齿轮状态进行检测时,根据待检测齿轮的目标齿轮运行数据和齿轮状态检测模型确定待检测齿轮的目标异常评价指标,根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态。解决了辐射环境下通过监测设备动力驱动端来间接监测执行端齿轮状态时,由于信号传递路径长,干扰部件多,信号中关联齿轮状态信息微弱,且核工业设备生产过程的操作模式较为复杂,导致齿轮状态检测难度较大,传动齿轮状态检测效率低,且传动齿轮检测结果误差较大的问题。上述方法,在确定齿轮状态检测模型时,将样本齿轮的样本特征数据分为训练数据集和验证数据集,可以通过训练数据集训练神经网络模型,通过验证数据集和训练后的神经网络模型确定样本异常评价指标,提高样本异常评价指标的精确度,通过齿轮状态检测模型确定待检测齿轮的目标异常评价指标,并根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态,可以提高获取的待检测齿轮的传动齿轮状态的精确度,同时提高了传动齿轮状态的检测效率。
附图说明
图1为一个实施例中传动齿轮状态检测方法的应用环境图;
图2为一个实施例中传动齿轮状态检测方法的流程示意图;
图3为另一个实施例中传动齿轮状态检测方法的流程示意图;
图4为另一个实施例中传动齿轮状态检测方法的流程示意图;
图5为另一个实施例中传动齿轮状态检测方法的流程示意图;
图6为另一个实施例中传动齿轮状态检测方法的流程示意图;
图7为另一个实施例中传动齿轮状态检测方法的流程示意图;
图8为一个实施例中传动齿轮状态检测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的传动齿轮状态检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104根据样本齿轮的齿轮运行数据确定样本特征数据;将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标;根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标;根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态,并通过通信网络将传动齿轮状态发送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种传动齿轮状态检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S210、根据样本齿轮的齿轮运行数据确定样本特征数据。
其中,样本齿轮是指交付初期的可以正常运行的传动齿轮,即刚出厂的传动齿轮。齿轮运行数据是指通过电机驱动器获取的样本齿轮的运行数据。信号采样频率、采样时长和存储间隔根据生产现场硬件及工况条件确定。样本特征数据是指对齿轮运行数据进行特征提取所确定的数据。
具体的,选取交付初期的可以正常运行的传动齿轮为样本齿轮,并通过电机驱动器采集样本齿轮的齿轮运行数据。对样本齿轮的齿轮运行数据进行特征提取,确定样本特征数据。
S220、将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型。
其中,齿轮状态检测模型是指可以对传动齿轮的运行状态进行评估的神经网络模型。
具体的,将样本特征数据分成两部分,一部分样本特征数据作为训练数据集,另一部分样本特征数据作为验证数据集。对训练数据集进行标准化处理,剔除训练数据集中的无效数据,将标准化处理后的训练数据集输入神经网络模型,以通过标准化处理后的训练数据集对神经网络模型进行训练,将训练完成后的神经网络模型作为齿轮状态检测模型。
S230、根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标。
其中,样本异常评价指标是指可以衡量样本传动齿轮异常情况的数据。由于样本传动齿轮均为可以正常运行的传动齿轮,因此样本异常评价指标是指可以正常运行的传动齿轮所对应的异常评价指标。
具体的,对验证数据集进行标准化处理,剔除验证数据集中的无效数据,将标准化处理后的验证数据集输入齿轮状态检测模型,齿轮状态检测模型基于验证数据集确定验证数据集对应的样本齿轮的状态评估数据,通过异常评价函数,根据样本齿轮的状态评估数据和验证数据集对应的齿轮状态数据,确定样本齿轮的样本异常评价指标。异常评价函数是指执行异常值检验的函数计算方式。
S240、根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标。
其中,待检测齿轮是指需要确定运行状态是否异常的传动齿轮。目标齿轮运行数据是指待检测齿轮的运行数据。目标异常评价指标是指可以衡量待检测传动齿轮异常情况的数据。
具体的,通过电机驱动器实时采集待检测齿轮的目标齿轮运行数据,根据目标齿轮运行数据确定齿轮状态检测模型的模型输入数据,将模型输入数据输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据确定待检测齿轮的目标异常评价指标。
S250、根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态。
其中,待检测齿轮的传动齿轮状态可以是正常状态或故障状态。由于样本异常评价指标是指可以正常运行的传动齿轮所对应的异常评价指标,因此可以根据样本异常评价指标和目标异常评价指标之间的比较结果,确定待检测齿轮的传动齿轮状态。
具体的,根据样本异常评价指标和目标异常评价指标的对比结果,确定待检测齿轮的传动齿轮状态。例如,若目标异常评价指标对应的指标数值大于或等于样本异常评价指标对应的指标数值,则确定待检测齿轮的传动齿轮状态为正常状态;若目标异常评价指标对应的指标数值小于样本异常评价指标对应的指标数值,则确定待检测齿轮的传动齿轮状态为故障状态。
上述传动齿轮状态检测方法中,根据样本齿轮的齿轮运行数据确定训练数据集和验证数据集,采用训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,将验证数据集输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据和验证数据集,确定样本齿轮的样本异常评价指标。在等于待检测齿轮的传动齿轮状态进行检测时,根据待检测齿轮的目标齿轮运行数据和齿轮状态检测模型确定待检测齿轮的目标异常评价指标,根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态。解决了辐射环境下通过监测设备动力驱动端来间接监测执行端齿轮状态时,由于信号传递路径长,干扰部件多,信号中关联齿轮状态信息微弱,且核工业设备生产过程的操作模式较为复杂,导致齿轮状态检测难度较大,传动齿轮状态检测效率低,且传动齿轮检测结果误差较大的问题。上述方法,在确定齿轮状态检测模型时,将样本齿轮的样本特征数据分为训练数据集和验证数据集,可以通过训练数据集训练神经网络模型,通过验证数据集和训练后的神经网络模型确定样本异常评价指标,提高样本异常评价指标的精确度,通过齿轮状态检测模型确定待检测齿轮的目标异常评价指标,并根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态,可以提高获取的待检测齿轮的传动齿轮状态的精确度,同时提高了传动齿轮状态的检测效率。
在一个实施例中,如图3所示,根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态,包括:
S310、根据样本异常状态评价指标确定异常状态评判阈值,并根据目标异常评价指标确定目标状态评判数值。
其中,异常状态评判阈值是指传动齿轮处于正常状态时的异常状态评价指标对应的阈值。目标状态评判数值是指可以对待检测齿轮的传动齿轮状态进程评估的数据。
具体的,根据样本异常状态评价指标和预先设定的异常状态数据计算函数,确定异常状态评判阈值,可以将目标异常评价指标对应的指标数值作为目标状态评判数值。
示例性的,确定异常状态评判阈值的方法还可以是:通过核密度估计法确定样本异常状态评价指标的样本评价指标置信度;根据样本评价指标置信度从样本异常状态评价指标中确定样本有效评价指标;根据样本有效评价指标确定异常状态评判阈值。
其中,核密度估计法是一种用于估计概率密度函数的非参数方法。
具体的,通过核密度估计法确定样本异常状态评价指标的样本评价指标置信度,确定大于置信度阈值的目标评价指标置信度所对应的样本异常状态评价指标为样本有效评价指标,根据样本有效评价指标的指标数据确定异常状态评判阈值。
可以理解的是,根据样本评价指标置信度对样本异常状态评价指标进行筛选,确定样本有效评价指标,根据样本有效评价指标确定异常状态评判阈值,可以提高异常状态评判阈值的可靠性。
S320、根据目标状态评判数值和异常状态评判阈值,确定传动齿轮状态。
具体的,将目标状态评判数值和异常状态评判阈值进行比较,若目标状态评判数值小于异常状态评判阈值,则确定传动齿轮状态为故障状态;若目标状态评判数值大于或等于异常状态评判阈值,则确定传动齿轮状态为正常状态。
本实施例中,根据样本异常状态评价指标确定异常状态评判阈值,根据目标异常评价指标确定目标状态评判数值,并根据目标状态评判数值和异常状态评判阈值的比较结果确定待检测齿轮的传动齿轮状态,在确定待检测齿轮的传动齿轮状态时,充分考虑到了各异常状态评价指标对传动齿轮状态的影响,进一步提高了传动齿轮状态的检测效率,以及传动齿轮状态检测精度。
在一个实施例中,如图4所示,根据样本齿轮的齿轮运行数据确定样本特征数据,包括:
S410、获取样本齿轮的齿轮运行数据。
齿轮运行数据包括样本两相电流信号、样本扭矩信号和样本转速信号。
具体的,根据生产现场硬件及工况条件确定信号采样频率、采样时长和存储间隔,通过电机驱动器,根据信号采样频率、采样时长和存储间隔采集样本齿轮的样本两相电流信号、样本扭矩信号和样本转速信号,并将样本齿轮的样本两相电流信号、样本扭矩信号和样本转速信号作为样本齿轮的齿轮运行数据。
S420、根据样本转速信号、样本两相电流信号和样本扭矩信号确定样本齿轮的样本阶次信号。
其中,样本阶次信号可用于描述样本齿轮的振动频率。通过阶次分析可以将非稳定振动信号转为稳定振动信号。
具体的,基于样本转速信号对样本两相电流信号和样本扭矩信号进行阶次分析,确定样本两相电流信号和样本扭矩信号的阶次信号,并将样本两相电流信号和样本扭矩信号的阶次信号作为样本阶次信号。
S430、根据阶次信号确定样本阶次谱,并根据样本阶次谱确定阶次谱幅值,且将阶次谱幅值作为样本特征数据。
其中,阶次谱是对于旋转机械的一种分析方法,能够将机械振动信号分解成不同阶次的成分,并在不同阶次上计算振动能量的大小,阶次谱能够准确地反映机械的振动情况,提供有效的故障诊断手段。阶次谱幅值是指计算出的震动能量的最大值。
具体的,将阶次信号进行快速傅里叶变换,确定样本阶次谱,从样本阶次谱中提取出阶次谱幅值,将提取出的阶次谱幅值作为样本特征数据,每秒可提取一次样本特征数据。
上述方案,对样本齿轮的齿轮运行数据进行阶次谱特征提取,将提取的阶次谱幅值作为样本特征数据,使得提取出的样本特征数据可以表征样本转速信号、样本两相电流信号和样本扭矩信号的信号特征,根据样本特征数据确定齿轮状态检测模型和样本异常评价指标,可以提高齿轮状态检测模型的模型精度,以及样本异常评价指标的精确度。
在一个实施例中,如图5所示,通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,包括:
S510、对训练数据集进行局部自适应标准处理,确定训练滑动窗数据。
其中,局部自适应标准处理即LAS(Local context-aware Active Selection,局部自适应标准)处理,对样本特征数据进行局部自适应标准处理,可以获取特征数据的上下文数据,并通过样本特征数据的上下文数据丰富训练数据集。滑动窗数据是指包含有样本特征数据以及样本特征数据的上下文数据的数据集。
具体的,对训练数据集进行局部自适应标准处理,以对训练数据集中的样本特征数据进行局部上下文感知,确定训练数据集中的样本特征数据的上下文数据,并根据训练数据集和训练数据集对应的上下文数据确定训练滑动窗数据。
示例性的,若训练数据集为,局部滑动窗在t时刻的样本特征数据定义为:/>,其中,l表示滑动窗长度,n表示训练集变量的个数。对局部滑动窗在t时刻的样本特征数据进行标准化处理,确定标准化处理后的数据为训练滑动窗数据。对局部滑动窗在t时刻的样本特征数据进行标准化处理的公式如公式(1)所示:
(1)
其中,,/>表示计算均值操作,/>表示训练数据集的全局平均标准差。
训练数据集的全局平均标准差的计算公式如公式(2)所示:
(2)
其中,表示模态j下的训练数据集的样本数,Xj表示模态j下的训练数据集,/>表示计算标准差操作。标准化后的滑窗数据大致服从高斯正态分布,当系统出现异常时,滑窗数据中的单个或多个变量将呈现上升或下降趋势。
S520、通过训练滑动窗数据对神经网络模型进行训练,确定齿轮状态检测模型。
具体的,将训练滑动窗数据输入神经网络模型,以对神经网络模型进行训练,将训练完成后的神经网络模型作为齿轮状态检测模型。
优选的,神经网络模型可以是AANN-GRU模型。AANN(Auto Associative NeuralNetwork, 自联想神经网络)模型具有输入层、映射层、瓶颈层、解映射层和输出层共五层网络,在AANN模型的编码-解码过程增加GRU(Gate Recurrent Unit,循环神经网络)层,可以增强AANN网络对输入数据时序变化信息的表达能力。结合AANN模型潜在变量特征空间的学习能力及GRU模型捕获时序上下文信息依赖性,构建传动齿轮状态检测模型,通过检测局部滑动窗中的不稳定偏差作为异常监测指标,能够适应设备多模态运行条件下的齿轮运行状态监测。
将训练滑动窗数据输入AANN-GRU模型,通过AANN-GRU模型对训练滑动窗数据进行编码操作,以将训练滑动窗数据映射至信息密度高的特征空间。再通过AANN-GRU模型对密度高的特征空间中的训练滑动窗数据进行解码操作,将特征空间数据映射至原始空间,获得重构特征。确定AANN模型的损失函数为AANN-GRU模型的重构误差,重构误差的计算公式如公式(3)所示:
(3)
其中,为重构误差,/>为重构特征,且/>,/>,,/>为AANN模型的输入层、映射层和瓶颈层组成的编码操作,负责将输入的标准化滑窗数据映射至信息密度高的特征空间,/>为利用网络瓶颈层、解映射层和输出层构成的解码操作,主要将特征空间数据映射至原始空间,获得重构特征/>。通过再在AANN模型的编码-解码过程增加GRU层,可以增加AANN网络对输入数据时序变化信息的表达。
上述方案,对训练数据集进行局部自适应标准处理,获取训练滑动窗数据,解决了模型训练数据更新不及时的问题,同时解决了通过传感器实时获取的传动齿轮运行数据提取出的特征数据对传动齿轮状态检测时,缺乏对时序数据上下文信息的提取,导致无法准确的检测传动齿轮在不同运行模态下的运行状态是否存在异常,实现了对训练数据集的数据扩充,可以丰富对神经网络模型进行训练时的训练样本,通过训练滑动窗数据对神经网络模型进行训练,可以提高训练出的齿轮状态检测模型的可靠性。
在一个实施例中,如图6所示,根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标,包括:
S610、对验证数据集进行局部自适应标准处理,确定验证滑动窗数据。
具体的,对验证数据集进行局部自适应标准处理,以对验证数据集中的样本特征数据进行局部上下文感知,确定验证数据集中的样本特征数据的上下文数据,并根据验证数据集和验证数据集对应的上下文数据确定验证滑动窗数据。
S620、将验证滑动窗数据输入齿轮状态检测模型,确定模型输出数据。
S630、通过异常评价函数,根据模型输出数据和验证滑动窗数据确定样本异常评价指标。
其中,异常评价函数是根据经验预先设定的异常检验函数。
上述方案,对验证数据集进行局部自适应标准处理,获取训练滑动窗数据,实现了对验证数据集的数据扩充,通过验证滑动窗数据和齿轮状态检测模型确定模型输出数据,可以提高模型输出数据的有效性,通过模型输出数据和验证滑动窗数据确定样本异常评价指标,可以提高样本异常评价指标的可靠性。
在一个实施例中,如图7所示,根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标,包括:
S710、获取待检测齿轮的目标齿轮运行数据,并对目标齿轮运行数据进行特征提取,确定目标特征数据。
其中,目标齿轮运行数据包括待检测齿轮在运行过程中的目标两相电流信号、目标扭矩信号和目标转速信号。
具体的,通过电机驱动器实时获取待检测齿轮的目标两相电流信号、目标扭矩信号和目标转速信号,基于目标转速信号对目标两相电流信号和目标扭矩信号进行阶次分析,确定目标两相电流信号和目标扭矩信号的阶次信号,并将目标两相电流信号和目标扭矩信号的阶次信号作为目标阶次信号,根据目标阶次信号确定目标阶次谱,并根据目标阶次谱确定阶次谱幅值,且将目标阶次谱确定的阶次谱幅值作为目标特征数据。
S720、对目标特征数据进行局部自适应标准处理,确定目标滑动窗数据。
具体的,对目标特征数据进行局部自适应标准处理,以对目标特征数据进行局部上下文感知,确定目标特征数据的上下文数据,并根据目标特征数据和目标特征数据的上下文数据确定目标滑动窗数据。
S730、将目标滑动窗数据输入齿轮状态检测模型,确定待检测齿轮的目标异常评价指标。
具体的,将目标滑动窗数据输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据确定待检测齿轮的目标异常评价指标。
上述方案,对目标齿轮运行数据进行特征提取,确定目标特征数据,根据目标特征数据确定目标滑动窗数据,根据目标滑动窗数据和齿轮状态检测模型,确定待检测齿轮的目标异常评价指标,通过表征待检测齿轮的时序运行数据的目标滑动窗数据确定待检测齿轮的目标异常评价指标,可以提高确定的待检测齿轮的目标异常评价指标的精确度。
示例性的,在上述实施例的基础上,传动齿轮状态检测方法包括:
选取交付初期的可以正常运行的传动齿轮为样本齿轮,根据生产现场硬件及工况条件确定信号采样频率、采样时长和存储间隔,并通过电机驱动器,根据信号采样频率、采样时长和存储间隔采集样本齿轮的齿轮运行数据。
基于样本转速信号对样本两相电流信号和样本扭矩信号进行阶次分析,确定样本两相电流信号和样本扭矩信号的阶次信号,并将样本两相电流信号和样本扭矩信号的阶次信号作为样本阶次信号,将阶次信号进行快速傅里叶变换,确定样本阶次谱,从样本阶次谱中提取出阶次谱幅值,将提取出的阶次谱幅值作为样本特征数据。
将样本特征数据分为训练数据集和验证数据集,并对训练数据集进行局部自适应标准处理,以对训练数据集中的样本特征数据进行局部上下文感知,确定训练数据集中的样本特征数据的上下文数据,并根据训练数据集和训练数据集对应的上下文数据确定训练滑动窗数据。将训练滑动窗数据输入AANN-GRU模型,以对AANN-GRU模型进行训练,将训练完成后的AANN-GRU模型作为齿轮状态检测模型。
对验证数据集进行局部自适应标准处理,以对验证数据集中的样本特征数据进行局部上下文感知,确定验证数据集中的样本特征数据的上下文数据,并根据验证数据集和验证数据集对应的上下文数据确定验证滑动窗数据,将验证滑动窗数据输入齿轮状态检测模型,确定模型输出数据,通过异常评价函数,根据模型输出数据和验证滑动窗数据确定样本异常评价指标。
通过电机驱动器实时获取待检测齿轮的目标两相电流信号、目标扭矩信号和目标转速信号,基于目标转速信号对目标两相电流信号和目标扭矩信号进行阶次分析,确定目标两相电流信号和目标扭矩信号的阶次信号,并将目标两相电流信号和目标扭矩信号的阶次信号作为目标阶次信号,根据目标阶次信号确定目标阶次谱,并根据目标阶次谱确定阶次谱幅值,且将目标阶次谱确定的阶次谱幅值作为目标特征数据。对目标特征数据进行局部自适应标准处理,以对目标特征数据进行局部上下文感知,确定目标特征数据的上下文数据,并根据目标特征数据和目标特征数据的上下文数据确定目标滑动窗数据,将目标滑动窗数据输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据确定待检测齿轮的目标异常评价指标。
通过核密度估计法确定样本异常状态评价指标的样本评价指标置信度;根据样本评价指标置信度从样本异常状态评价指标中确定样本有效评价指标;根据样本有效评价指标确定异常状态评判阈值。将目标状态评判数值和异常状态评判阈值进行比较,若目标状态评判数值小于异常状态评判阈值,则确定传动齿轮状态为故障状态;若目标状态评判数值大于或等于异常状态评判阈值,则确定传动齿轮状态为正常状态。
上述传动齿轮状态检测方法中,根据样本齿轮的齿轮运行数据确定训练数据集和验证数据集,采用训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,将验证数据集输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据和验证数据集,确定样本齿轮的样本异常评价指标。在等于待检测齿轮的传动齿轮状态进行检测时,根据待检测齿轮的目标齿轮运行数据和齿轮状态检测模型确定待检测齿轮的目标异常评价指标,根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态。解决了辐射环境下通过监测设备动力驱动端来间接监测执行端齿轮状态时,由于信号传递路径长,干扰部件多,信号中关联齿轮状态信息微弱,且核工业设备生产过程的操作模式较为复杂,导致齿轮状态检测难度较大,传动齿轮状态检测效率低,且传动齿轮检测结果误差较大的问题。上述方法,在确定齿轮状态检测模型时,将样本齿轮的样本特征数据分为训练数据集和验证数据集,可以通过训练数据集训练神经网络模型,通过验证数据集和训练后的神经网络模型确定样本异常评价指标,提高样本异常评价指标的精确度,通过齿轮状态检测模型确定待检测齿轮的目标异常评价指标,并根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态,可以提高获取的待检测齿轮的传动齿轮状态的精确度,同时提高了传动齿轮状态的检测效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的传动齿轮状态检测方法的传动齿轮状态检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个传动齿轮状态检测装置实施例中的具体限定可以参见上文中对于传动齿轮状态检测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种传动齿轮状态检测装置,包括:样本特征数据确定模块801、模型训练模块802、样本评价指标确定模块803、目标评价指标确定模块804和传动齿轮状态确定模块805,其中:
样本特征数据确定模块801,用于根据样本齿轮的齿轮运行数据确定样本特征数据;
模型训练模块802,用于将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
样本评价指标确定模块803,用于根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标;
目标评价指标确定模块804,用于根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标;
传动齿轮状态确定模块805,用于根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态。
上述传动齿轮状态检测装置,根据样本齿轮的齿轮运行数据确定训练数据集和验证数据集,采用训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,将验证数据集输入齿轮状态检测模型,根据齿轮状态检测模型的输出数据和验证数据集,确定样本齿轮的样本异常评价指标。在等于待检测齿轮的传动齿轮状态进行检测时,根据待检测齿轮的目标齿轮运行数据和齿轮状态检测模型确定待检测齿轮的目标异常评价指标,根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态。解决了辐射环境下通过监测设备动力驱动端来间接监测执行端齿轮状态时,由于信号传递路径长,干扰部件多,信号中关联齿轮状态信息微弱,且核工业设备生产过程的操作模式较为复杂,导致齿轮状态检测难度较大,传动齿轮状态检测效率低,且传动齿轮检测结果误差较大的问题。上述方法,在确定齿轮状态检测模型时,将样本齿轮的样本特征数据分为训练数据集和验证数据集,可以通过训练数据集训练神经网络模型,通过验证数据集和训练后的神经网络模型确定样本异常评价指标,提高样本异常评价指标的精确度,通过齿轮状态检测模型确定待检测齿轮的目标异常评价指标,并根据样本异常评价指标和目标异常评价指标确定待检测齿轮的传动齿轮状态,可以提高获取的待检测齿轮的传动齿轮状态的精确度,同时提高了传动齿轮状态的检测效率。
示例性的,传动齿轮状态确定模块805具体用于:
根据样本异常状态评价指标确定异常状态评判阈值,并根据目标异常评价指标确定目标状态评判数值;
根据目标状态评判数值和异常状态评判阈值,确定传动齿轮状态。
进一步的,传动齿轮状态确定模块805还具体用于:
通过核密度估计法确定样本异常状态评价指标的样本评价指标置信度;
根据样本评价指标置信度从样本异常状态评价指标中确定样本有效评价指标;
根据样本有效评价指标确定异常状态评判阈值。
示例性的,样本特征数据确定模块801具体用于:
获取样本齿轮的齿轮运行数据;齿轮运行数据包括样本两相电流信号、样本扭矩信号和样本转速信号;
根据样本转速信号、样本两相电流信号和样本扭矩信号确定样本齿轮的样本阶次信号;
根据阶次信号确定样本阶次谱,并根据样本阶次谱确定阶次谱幅值,且将阶次谱幅值作为样本特征数据。
示例性的,模型训练模块802具体用于:
对训练数据集进行局部自适应标准处理,确定训练滑动窗数据;
通过训练滑动窗数据对神经网络模型进行训练,确定齿轮状态检测模型。
示例性的,样本评价指标确定模块803具体用于:
对验证数据集进行局部自适应标准处理,确定验证滑动窗数据;
将验证滑动窗数据输入齿轮状态检测模型,确定模型输出数据;
通过异常评价函数,根据模型输出数据和验证滑动窗数据确定样本异常评价指标。
示例性的,目标评价指标确定模块804具体用于:
获取待检测齿轮的目标齿轮运行数据,并对目标齿轮运行数据进行特征提取,确定目标特征数据;
对目标特征数据进行局部自适应标准处理,确定目标滑动窗数据;
将目标滑动窗数据输入齿轮状态检测模型,确定待检测齿轮的目标异常评价指标。
上述传动齿轮状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种传动齿轮状态检测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤一、根据样本齿轮的齿轮运行数据确定样本特征数据;
步骤二、将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
步骤三、根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标;
步骤四、根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标;
步骤五、根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤一、根据样本齿轮的齿轮运行数据确定样本特征数据;
步骤二、将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
步骤三、根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标;
步骤四、根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标;
步骤五、根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
步骤一、根据样本齿轮的齿轮运行数据确定样本特征数据;
步骤二、将样本特征数据分为训练数据集和验证数据集,并通过训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
步骤三、根据齿轮状态检测模型和验证数据集确定样本齿轮的样本异常评价指标;
步骤四、根据齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定待检测齿轮的目标异常评价指标;
步骤五、根据样本异常评价指标和目标异常评价指标,确定待检测齿轮的传动齿轮状态。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandom AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种传动齿轮状态检测方法,其特征在于,包括:
根据样本齿轮的齿轮运行数据确定样本特征数据;
将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
2.根据权利要求1所述的方法,其特征在于,根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态,包括:
根据所述样本异常状态评价指标确定异常状态评判阈值,并根据所述目标异常评价指标确定目标状态评判数值;
根据所述目标状态评判数值和所述异常状态评判阈值,确定传动齿轮状态。
3.根据权利要求2所述的方法,其特征在于,根据所述样本异常状态评价指标确定异常状态评判阈值,包括:
通过核密度估计法确定所述样本异常状态评价指标的样本评价指标置信度;
根据所述样本评价指标置信度从所述样本异常状态评价指标中确定样本有效评价指标;
根据所述样本有效评价指标确定异常状态评判阈值。
4.根据权利要求1所述的方法,其特征在于,根据样本齿轮的齿轮运行数据确定样本特征数据,包括:
获取样本齿轮的齿轮运行数据;所述齿轮运行数据包括样本两相电流信号、样本扭矩信号和样本转速信号;
根据所述样本转速信号、所述样本两相电流信号和所述样本扭矩信号确定所述样本齿轮的样本阶次信号;
根据所述阶次信号确定样本阶次谱,并根据所述样本阶次谱确定阶次谱幅值,且将所述阶次谱幅值作为样本特征数据。
5.根据权利要求1所述的方法,其特征在于,通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型,包括:
对所述训练数据集进行局部自适应标准处理,确定训练滑动窗数据;
通过所述训练滑动窗数据对神经网络模型进行训练,确定齿轮状态检测模型。
6.根据权利要求1所述的方法,其特征在于,根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标,包括:
对所述验证数据集进行局部自适应标准处理,确定验证滑动窗数据;
将所述验证滑动窗数据输入所述齿轮状态检测模型,确定模型输出数据;
通过异常评价函数,根据所述模型输出数据和所述验证滑动窗数据确定样本异常评价指标。
7.根据权利要求1所述的方法,其特征在于,根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标,包括:
获取待检测齿轮的目标齿轮运行数据,并对所述目标齿轮运行数据进行特征提取,确定目标特征数据;
对所述目标特征数据进行局部自适应标准处理,确定目标滑动窗数据;
将所述目标滑动窗数据输入所述齿轮状态检测模型,确定所述待检测齿轮的目标异常评价指标。
8.一种传动齿轮状态检测装置,其特征在于,所述传动齿轮状态检测装置包括:
样本特征数据确定模块,用于根据样本齿轮的齿轮运行数据确定样本特征数据;
模型训练模块,用于将所述样本特征数据分为训练数据集和验证数据集,并通过所述训练数据集对神经网络模型进行训练,确定齿轮状态检测模型;
样本评价指标确定模块,用于根据所述齿轮状态检测模型和所述验证数据集确定所述样本齿轮的样本异常评价指标;
目标评价指标确定模块,用于根据所述齿轮状态检测模型和待检测齿轮的目标齿轮运行数据,确定所述待检测齿轮的目标异常评价指标;
传动齿轮状态确定模块,用于根据所述样本异常评价指标和所述目标异常评价指标,确定所述待检测齿轮的传动齿轮状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199272.4A CN116929753B (zh) | 2023-09-18 | 2023-09-18 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199272.4A CN116929753B (zh) | 2023-09-18 | 2023-09-18 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116929753A true CN116929753A (zh) | 2023-10-24 |
CN116929753B CN116929753B (zh) | 2024-01-09 |
Family
ID=88390933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311199272.4A Active CN116929753B (zh) | 2023-09-18 | 2023-09-18 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116929753B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
WO2013111686A1 (ja) * | 2012-01-24 | 2013-08-01 | 株式会社明電舎 | Atf切替機構を備えた自動変速機試験装置及び自動変速機試験方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN104931255A (zh) * | 2015-06-04 | 2015-09-23 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于评价齿轮箱故障特征参数优劣的方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN113803201A (zh) * | 2021-07-29 | 2021-12-17 | 湖南五凌电力科技有限公司 | 水电机组机械振动状态样本提取及构建方法、装置及设备 |
CN114036656A (zh) * | 2021-10-18 | 2022-02-11 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
CN114112390A (zh) * | 2021-11-23 | 2022-03-01 | 哈尔滨工程大学 | 一种非线性复杂系统早期故障诊断方法 |
CN115130499A (zh) * | 2022-06-09 | 2022-09-30 | 南京航空航天大学 | 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法 |
CN115876471A (zh) * | 2022-11-24 | 2023-03-31 | 宝武装备智能科技有限公司 | 基于自适应阶次分析的轧机齿轮箱故障特征提取方法 |
CN116524426A (zh) * | 2023-03-22 | 2023-08-01 | 淮阴工学院 | 智能化的火灾监测与消防装置远程监控方法及系统 |
-
2023
- 2023-09-18 CN CN202311199272.4A patent/CN116929753B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013111686A1 (ja) * | 2012-01-24 | 2013-08-01 | 株式会社明電舎 | Atf切替機構を備えた自動変速機試験装置及び自動変速機試験方法 |
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN104931255A (zh) * | 2015-06-04 | 2015-09-23 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于评价齿轮箱故障特征参数优劣的方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN113803201A (zh) * | 2021-07-29 | 2021-12-17 | 湖南五凌电力科技有限公司 | 水电机组机械振动状态样本提取及构建方法、装置及设备 |
CN114036656A (zh) * | 2021-10-18 | 2022-02-11 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
CN114112390A (zh) * | 2021-11-23 | 2022-03-01 | 哈尔滨工程大学 | 一种非线性复杂系统早期故障诊断方法 |
CN115130499A (zh) * | 2022-06-09 | 2022-09-30 | 南京航空航天大学 | 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法 |
CN115876471A (zh) * | 2022-11-24 | 2023-03-31 | 宝武装备智能科技有限公司 | 基于自适应阶次分析的轧机齿轮箱故障特征提取方法 |
CN116524426A (zh) * | 2023-03-22 | 2023-08-01 | 淮阴工学院 | 智能化的火灾监测与消防装置远程监控方法及系统 |
Non-Patent Citations (1)
Title |
---|
王博磊;崔彦平;鲁朝静;: "基于传动误差检测法的齿轮故障测试系统设计", 机械传动, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116929753B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112655004B (zh) | 用于异常检测和/或预测性维护的计算机实现的方法 | |
JP6422617B2 (ja) | ネットワークアクセス動作識別プログラム、サーバ及び記憶媒体 | |
US20160245686A1 (en) | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data | |
US10558207B1 (en) | Event monitoring system | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US11579588B2 (en) | Multivariate nonlinear autoregression for outlier detection | |
EP4053718A1 (en) | Watermark information embedding method and apparatus | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
US20200192872A1 (en) | Device message framework | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN110991504A (zh) | 基于motcn-ae的多维时间序列异常值检测方法及系统 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
WO2020162069A1 (ja) | 異常検知装置 | |
CN114726581A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN116929753B (zh) | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 | |
CN113379469A (zh) | 一种异常流量检测方法、装置、设备及存储介质 | |
CN115952446B (zh) | 一种火箭发动机稳态振动响应预测方法、装置及设备 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN116108645A (zh) | 基于元宇宙的工程数字孪生方法 | |
CN114928496A (zh) | 异常行为检测方法及装置 | |
CN113515684A (zh) | 一种异常数据检测方法及装置 | |
CN117345680B (zh) | 通风机检测方法、装置、计算机设备以及存储介质 | |
JP7359206B2 (ja) | 学習装置、学習方法、及びプログラム | |
CN115683631B (zh) | 轴承故障检测方法及装置 |
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 |