CN117249996B - 矿用刮板机齿轮箱轴承的故障诊断方法 - Google Patents
矿用刮板机齿轮箱轴承的故障诊断方法 Download PDFInfo
- Publication number
- CN117249996B CN117249996B CN202311491933.0A CN202311491933A CN117249996B CN 117249996 B CN117249996 B CN 117249996B CN 202311491933 A CN202311491933 A CN 202311491933A CN 117249996 B CN117249996 B CN 117249996B
- Authority
- CN
- China
- Prior art keywords
- time
- fault diagnosis
- gearbox
- frequency
- wavelet
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 78
- 238000005065 mining Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000005070 sampling Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 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
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种矿用刮板机齿轮箱轴承的故障诊断方法，属于设备测试技术领域。包括：获取矿用刮板机运行状态下的齿轮箱振动信号；对齿轮箱振动信号进行降噪处理；对降噪处理后的齿轮箱振动信号进行广义S变换，得到时频图集；计算时频图集中每个时频图的能量集中度，根据结果自适应调整广义S变换的参数；通过每个时频图的最优参数组合再次对齿轮箱振动信号进行广义S变换，得到运行特征最清晰的时频图集；将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断。本发明的诊断效果好，诊断精度及准确性高。
Description
技术领域
本发明涉及设备测试技术领域，尤其涉及一种矿用刮板机齿轮箱轴承的故障诊断方法。
背景技术
随着机械设备的智能化转型，目前机械故障诊断领域，深度学习方法发挥着重要作用，其作为机械设备发生故障时的主要诊断依据，对设备运行状态的监控和维护维修有着至关重要的作用。矿用刮板机有着工作环境嘈杂，噪声影响十分严重，并且通常会存在变转速工况等特点，而深度学习方法对前期信号处理有着很高要求。因此传统深度学习方法在这种复杂工况下的诊断效果较差，存在诊断精度低、智能度低等缺陷，而错误的判断会导致刮板机的停滞，影响实际生产。
发明内容
为解决上述技术问题，本发明提供一种矿用刮板机齿轮箱轴承的故障诊断方法。本发明的技术方案如下：
一种矿用刮板机齿轮箱轴承的故障诊断方法，其包括如下步骤：
S1，获取矿用刮板机运行状态下的齿轮箱振动信号；
S2，对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号；
S3，对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集；
S4，计算时频图集中每个时频图的能量集中度，根据结果自适应调整广义S变换的参数，得到每个时频图的最优参数组合；
S5，通过每个时频图的最优参数组合再次对齿轮箱振动信号进行广义S变换，得到矿用刮板机运行特征最清晰的时频图集；
S6，将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果。
可选地，所述S2在对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号时，包括如下步骤：
S21，对所述齿轮箱振动信号进行分组，得到多组时间序列信号；
S22，对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号；
S23，组合多组降噪后的时间序列信号，得到降噪处理后的齿轮箱振动信号。
可选地，所述S22在对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号时，包括如下步骤：
S221，将每组时间序列信号与小波基函数进行对比，得到每组时间序列信号的小波系数；
S222，计算每组时间序列信号的均方根，并根据每组时间序列信号的均方根选择对应的小波阈值；
S223，进行小波阈值处理：当任一组时间序列信号的小波系数的绝对值小于其对应的小波阈值时，将小波系数确定为零；当任一组时间序列信号的小波系数的绝对值大于其对应的小波阈值时，用小波系数减去小波阈值并保持符号不变来确定小波系数；
S224，小波阈值处理完成后，对小波系数进行小波逆变换，得到多组降噪后的时间序列信号。
可选地，所述S3在对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集时，对于降噪处理后的齿轮箱振动信号中的任一组降噪后的时间序列信号xn(t)，通过如下公式（1）对其进行广义S变换；
（1）；
公式（1）中，GST(t,f)为任一组降噪后的时间序列信号xn(t)的时频图，t和均为广义S变换的时间变量，f表示频率，/>为高斯窗函数；σ为调节高斯窗函数形状的标准差，其计算公式为如下公式（2）；
（2）；
公式（2）中，k和p为可变参数，可根据后续计算自适应调节；N为xn(t)中的数据数量；
（3）；
（4）；
（5）；
公式（5）中，smooth为光滑函数，abs为数据取绝对值，为xn(t)的傅里叶变换。
可选地，所述S4在计算时频图集中每个时频图的能量集中度时，对于时频图集中的任一个时频图，包括如下步骤：
S41，确定参数k的取值范围为[0，3]，参数p的取值范围为[0，1]，参数的变化步长为0.1，将不同的参数组合得到的时频图通过如下公式（6）进行能量标准化：
（6）；
S42，通过如下公式（7）计算能量标准化后各个时频图的能量集中度：
（7）；
S43，通过如下公式（8）确定使能量集中度CM(k,p)值最大的参数组合(k0，p0)：
（8）。
可选地，所述S6在将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果时，将运行特征最清晰的时频图集中的每个运行特征最清晰的时频图输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的多个分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果。
可选地，所述小波基函数为Morlet小波。
上述所有可选技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。
借由上述方案，本发明的有益效果如下：
本发明在使用深度学习方法（故障诊断卷积神经网络）进行故障诊断之前，通过对齿轮箱振动信号进行降噪处理，能够在很大程度减少噪声对诊断结果的影响，从而可以提高诊断结果的准确性。另外，通过对降噪处理后的齿轮箱振动信号进行广义S变换及计算时频图集中每个时频图的能量集中度，来对原始的齿轮箱振动信号进行时频分析处理，可以为深度学习提供高精度的运行数据，因而可以有效用于变转速工况下的故障诊断并提高在变速工况下的矿用刮板机齿轮箱轴承的故障诊断能力。因此，本发明的诊断效果好，诊断精度及准确性高。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明提供的矿用刮板机齿轮箱轴承的故障诊断方法，其包括如下步骤：
S1，获取矿用刮板机运行状态下的齿轮箱振动信号。
具体实施时，可以将本安型无线矿用振动传感器固定在矿用刮板机的齿轮箱上，并设置本安型无线矿用振动传感器的采样频率为20kHz，采样持续3s，采样间隔为5min来采集齿轮箱振动信号。本安型无线矿用振动传感器采集到齿轮箱振动信号后，无线传输至数据基站，再通过无线基站利用工业环网传输至现场工控中心的上位机。具体可以使用Modbus TCP传输协议进行齿轮箱振动信号的传输，以保证数据传输的可靠性。上位机接收齿轮箱振动信号后，即可执行本发明实施例提供的矿用刮板机齿轮箱轴承的故障诊断方法。
S2，对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号。
通过降噪处理，可以减小齿轮箱振动信号中的噪声影响，提高后续诊断结果的准确性。
其中，所述S2在对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号时，包括如下步骤：
S21，对所述齿轮箱振动信号进行分组，得到多组时间序列信号。
例如，根据S1所述，采样频率20kHz，采样持续3s，即一次采样周期内含有60k个数据，通过降采样，将数据每1k个分为一组，标号为sample1_1至sample1_60，即一次采样的齿轮箱振动信号共60组，再将分组结果传输至上位机，这样可以降低传输线路压力和上位机的计算存储开销，还可以防止由于一次传输错误，导致整个数据都发生错误。
S22，对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号。
以上述sample1_1为例，其余数据组也执行相同的后续操作。已知sample1_1为含有1000个数据的时间序列信号，将其记为x1(t)。由于矿用刮板机工作的环境十分恶劣，环境中充斥着各种噪声，因此本发明实施例对x1(t)进行小波阈值降噪，相对于周期性出现的故障，噪声具有随机性，因此，本发明实施例选用高斯白噪声代表噪声，对x1(t)进行小波阈值降噪。
S23，组合多组降噪后的时间序列信号，得到降噪处理后的齿轮箱振动信号。
例如，将多组降噪后的时间序列信号依次排列，形成降噪处理后的齿轮箱振动信号。
具体地，所述S22在对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号时，包括如下步骤：
S221，将每组时间序列信号与小波基函数进行对比，得到每组时间序列信号的小波系数。
根据研究经验，齿轮箱的故障特征频率通常为50Hz-200Hz，因此本发明实施例优选Morlet小波作为小波基函数。
通过将每组时间序列信号与小波基函数进行对比，可得到每组时间序列信号与小波基函数的拟合程度。时间序列信号与小波基函数的拟合程度低，小波系数就小，反之小波系数就大。
S222，计算每组时间序列信号的均方根，并根据每组时间序列信号的均方根选择对应的小波阈值。
具体地，均方根可以评判时间序列信号的混乱程度，如果噪声低，均方根小，则小波阈值可以设置小一点，反之小波阈值就设置大一点。具体选择小波阈值时可以根据经验选择。
S223，进行小波阈值处理：当任一组时间序列信号的小波系数的绝对值小于其对应的小波阈值时，将小波系数确定为零；当任一组时间序列信号的小波系数的绝对值大于其对应的小波阈值时，用小波系数减去小波阈值并保持符号不变来确定小波系数。
S224，小波阈值处理完成后，对小波系数进行小波逆变换，得到多组降噪后的时间序列信号。
本发明实施例通过如此选择小波阈值，使绝对值小于小波阈值的小波系数都为零，即让噪声相关的小波系数都为0。这样再进行小波逆变换之后，时间序列信号中就剩下与运行特征相关的数据了。如此，即可排除噪声对诊断结果的影响，使得诊断结果更准确。
S3，对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集。
降噪处理后的齿轮箱振动信号由多组降噪后的时间序列信号组成，对每组降噪后的时间序列信号均进行广义S变换，分别得到每组降噪后的时间序列信号对应的时频图。多组降噪后的时间序列信号对应的时频图组成齿轮箱振动信号的时频图集。
在上述内容的基础上，所述S3在对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集时，对于降噪处理后的齿轮箱振动信号中的任一组降噪后的时间序列信号xn(t)，通过如下公式（1）对其进行广义S变换；
（1）；
公式（1）中，GST(t,f)为任一组降噪后的时间序列信号xn(t)的时频图，t和均为广义S变换的时间变量，f表示频率，/>为高斯窗函数；σ为调节高斯窗函数形状的标准差，其计算公式为如下公式（2）；
（2）；
公式（2）中，k和p为可变参数，可根据后续计算自适应调节，从而精确控制高斯窗函数的大小；N为xn(t)中的数据数量。从公式（2）中可以看出，标准差σ是一个关于频率f的函数，其在处理运行状态下的齿轮箱振动信号的不同频率成分时都有一个自适应的窗函数大小，从而更好表征出齿轮箱的运行特征频率。
（3）；
（4）；
（5）；
公式（5）中，smooth为光滑函数，abs为数据取绝对值，为xn(t)的傅里叶变换。公式（4）为对xs(f)进行归一化。通过公式（5）可以获得故障信号的频率谱。
S4，计算时频图集中每个时频图的能量集中度，根据结果自适应调整广义S变换的参数，得到每个时频图的最优参数组合。
结合上述内容，所述S4在计算时频图集中每个时频图的能量集中度时，对于时频图集中的任一个时频图，包括如下步骤：
S41，确定参数k的取值范围为[0，3]，参数p的取值范围为[0，1]，参数的变化步长为0.1，将不同的参数组合得到的时频图通过如下公式（6）进行能量标准化：
（6）；
S42，通过如下公式（7）计算能量标准化后各个时频图的能量集中度：
（7）；
S43，通过如下公式（8）确定使能量集中度CM(k,p)值最大的参数组合(k0，p0)：
（8）。
为了减少计算负担，在每个采样时间段内只有第一次计算需要遍历整个k和p的取值范围，之后每次计算的初始值都为上一轮计算的最优参数组合，并基于此参数组合进行进一步选择。
当得到最优参数组合后，将每个时频图标记上其对应的最优参数。
S5，通过每个时频图的最优参数组合（即最优的k和p）再次对齿轮箱振动信号进行广义S变换，得到矿用刮板机运行特征最清晰的时频图集。
其中，再次对齿轮箱振动信号进行广义S变换的方式可以参见上述步骤S3中的内容，此处不再赘述。
S6，将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果。
具体实施方式中，故障诊断卷积神经网络为CNN网络，其共有三层，包括全连接层和Softmax层，三层卷积层和池化层，池化层选择最大池化，卷积层和池化层的参数设置如表1所示。
具体地，所述S6在将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果时，将运行特征最清晰的时频图集中的每个运行特征最清晰的时频图输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的多个分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果。
例如，如果对齿轮箱振动信号进行分组，得到6组时间序列信号，则运行特征最清晰的时频图集中包括6个运行特征最清晰的时频图，将这6个运行特征最清晰的时频图分别输入故障诊断卷积神经网络中，可以获得6个分类结果。根据这6个分类结果对矿用刮板机齿轮箱的轴承进行故障诊断。具体在根据这6个分类结果对矿用刮板机齿轮箱的轴承进行故障诊断时，可以遵循少数服从多数的原则。例如，如果6个分类结果中有5个分类结果指示轴承故障类型为故障A，则确定轴承的故障类型为A。
综上，本发明实施例提供的方法，在使用深度学习方法进行故障诊断之前，通过对齿轮箱振动信号进行降噪处理，能够在很大程度减少噪声对诊断结果的影响，从而可以提高诊断结果的准确性。另外，由于轴承运行存在变转速工况，而速度变化会引起原始齿轮箱振动信号的振幅调制和幅度调制，导致故障本身特征被掩盖，本发明通过对降噪处理后的齿轮箱振动信号进行广义S变换及计算时频图集中每个时频图的能量集中度，来对原始的齿轮箱振动信号进行时频分析处理，可以提高在变速工况下的矿用刮板机齿轮箱轴承的故障诊断能力。因此，相对直接使用深度学习模型进行故障诊断的方法，本发明提供了一种基于时频分析的齿轮箱轴承故障诊断方法，可以提高深度学习模型的故障诊断准确度，且本发明提供的信号处理方法，在处理变速工况下的原始信号更具有优越性。具体地，由于考虑了变速工况，本发明提供了一种新型的窗函数（高斯窗函数），找到了运行特征与转速之间的关系，使其在处理故障信号时更具有针对性，可以更有效地表征出齿轮箱轴承的特征频率。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (4)
1.一种矿用刮板机齿轮箱轴承的故障诊断方法，其特征在于，包括如下步骤：
S1，获取矿用刮板机运行状态下的齿轮箱振动信号；
S2，对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号；
S3，对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集；
S4，计算时频图集中每个时频图的能量集中度，根据结果自适应调整广义S变换的参数，得到每个时频图的最优参数组合；
S5，通过每个时频图的最优参数组合再次对齿轮箱振动信号进行广义S变换，得到矿用刮板机运行特征最清晰的时频图集；
S6，将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果；
所述S2在对所述齿轮箱振动信号进行降噪处理，得到降噪处理后的齿轮箱振动信号时，包括如下步骤：
S21，对所述齿轮箱振动信号进行分组，得到多组时间序列信号；
S22，对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号；
S23，组合多组降噪后的时间序列信号，得到降噪处理后的齿轮箱振动信号；
所述S3在对降噪处理后的齿轮箱振动信号进行广义S变换，得到齿轮箱振动信号的时频图集时，对于降噪处理后的齿轮箱振动信号中的任一组降噪后的时间序列信号xn(t)，通过如下公式（1）对其进行广义S变换；
（1）；
公式（1）中，GST(t,f)为任一组降噪后的时间序列信号xn(t)的时频图，t和均为广义S变换的时间变量，f表示频率，/>为高斯窗函数；σ为调节高斯窗函数形状的标准差，其计算公式为如下公式（2）；
（2）；
公式（2）中，k和p为可变参数，可根据后续计算自适应调节；N为xn(t)中的数据数量；
（3）；
（4）；
（5）；
公式（5）中，smooth为光滑函数，abs为数据取绝对值，为xn(t)的傅里叶变换；
所述S22在对每组时间序列信号进行小波阈值降噪，得到多组降噪后的时间序列信号时，包括如下步骤：
S221，将每组时间序列信号与小波基函数进行对比，得到每组时间序列信号的小波系数；
S222，计算每组时间序列信号的均方根，并根据每组时间序列信号的均方根选择对应的小波阈值；
S223，进行小波阈值处理：当任一组时间序列信号的小波系数的绝对值小于其对应的小波阈值时，将小波系数确定为零；当任一组时间序列信号的小波系数的绝对值大于其对应的小波阈值时，用小波系数减去小波阈值并保持符号不变来确定小波系数；
S224，小波阈值处理完成后，对小波系数进行小波逆变换，得到多组降噪后的时间序列信号。
2.根据权利要求1所述的矿用刮板机齿轮箱轴承的故障诊断方法，其特征在于，所述S4在计算时频图集中每个时频图的能量集中度时，对于时频图集中的任一个时频图，包括如下步骤：
S41，确定参数k的取值范围为[0，3]，参数p的取值范围为[0，1]，参数的变化步长为0.1，将不同的参数组合得到的时频图通过如下公式（6）进行能量标准化：
（6）；
S42，通过如下公式（7）计算能量标准化后各个时频图的能量集中度：
（7）；
S43，通过如下公式（8）确定使能量集中度CM(k,p)值最大的参数组合(k0，p0)：
（8）。
3.根据权利要求1所述的矿用刮板机齿轮箱轴承的故障诊断方法，其特征在于，所述S6在将运行特征最清晰的时频图集输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果时，将运行特征最清晰的时频图集中的每个运行特征最清晰的时频图输入故障诊断卷积神经网络中，根据故障诊断卷积神经网络的多个分类结果对矿用刮板机齿轮箱的轴承进行故障诊断，得到故障诊断结果。
4.根据权利要求1所述的矿用刮板机齿轮箱轴承的故障诊断方法，其特征在于，所述小波基函数为Morlet小波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491933.0A CN117249996B (zh) | 2023-11-10 | 2023-11-10 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491933.0A CN117249996B (zh) | 2023-11-10 | 2023-11-10 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117249996A CN117249996A (zh) | 2023-12-19 |
| CN117249996B true CN117249996B (zh) | 2024-02-13 |
Family
ID=89126635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311491933.0A Active CN117249996B (zh) | 2023-11-10 | 2023-11-10 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117249996B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648611B (zh) * | 2024-01-30 | 2024-04-05 | 太原理工大学 | 机械装备的故障诊断方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485073A (zh) * | 2016-10-12 | 2017-03-08 | 浙江理工大学 | 一种磨床故障诊断方法 |
| CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
| CN108694392A (zh) * | 2018-05-22 | 2018-10-23 | 成都理工大学 | 一种高精度同步提取广义s变换时频分析方法 |
| CN109343020A (zh) * | 2018-11-16 | 2019-02-15 | 南京理工大学 | 一种基于改进窗函数的s变换时频分析方法 |
| KR20200080380A (ko) * | 2018-12-17 | 2020-07-07 | 주식회사 포스코 | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 |
| CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
| CN112304611A (zh) * | 2020-09-14 | 2021-02-02 | 江苏大学 | 一种基于深度学习的轴承故障的诊断方法 |
| CN114739671A (zh) * | 2022-03-16 | 2022-07-12 | 台州守敬应用科技研究院有限公司 | 一种基于改进广义s变换的轴承故障诊断方法 |
| WO2022159794A1 (en) * | 2021-01-22 | 2022-07-28 | Mayo Foundation For Medical Education And Research | Shear wave phase velocity estimation with extended bandwidth using generalized stockwell transform and slant frequency wavenumber analysis |
| CN115030903A (zh) * | 2022-06-16 | 2022-09-09 | 江苏大学镇江流体工程装备技术研究院 | 一种离心泵内滚动轴承早期故障在线诊断方法 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036296B (zh) * | 2020-08-28 | 2022-08-05 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
-
2023
- 2023-11-10 CN CN202311491933.0A patent/CN117249996B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485073A (zh) * | 2016-10-12 | 2017-03-08 | 浙江理工大学 | 一种磨床故障诊断方法 |
| CN108154081A (zh) * | 2016-11-30 | 2018-06-12 | 东北林业大学 | 基于瞬时频率稳定度swt物流设备振动信号降噪方法 |
| CN108694392A (zh) * | 2018-05-22 | 2018-10-23 | 成都理工大学 | 一种高精度同步提取广义s变换时频分析方法 |
| CN109343020A (zh) * | 2018-11-16 | 2019-02-15 | 南京理工大学 | 一种基于改进窗函数的s变换时频分析方法 |
| KR20200080380A (ko) * | 2018-12-17 | 2020-07-07 | 주식회사 포스코 | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 |
| CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
| CN112304611A (zh) * | 2020-09-14 | 2021-02-02 | 江苏大学 | 一种基于深度学习的轴承故障的诊断方法 |
| WO2022159794A1 (en) * | 2021-01-22 | 2022-07-28 | Mayo Foundation For Medical Education And Research | Shear wave phase velocity estimation with extended bandwidth using generalized stockwell transform and slant frequency wavenumber analysis |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| CN114739671A (zh) * | 2022-03-16 | 2022-07-12 | 台州守敬应用科技研究院有限公司 | 一种基于改进广义s变换的轴承故障诊断方法 |
| CN115030903A (zh) * | 2022-06-16 | 2022-09-09 | 江苏大学镇江流体工程装备技术研究院 | 一种离心泵内滚动轴承早期故障在线诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| The S-transform with windows of arbitrary and varying shape;Pinnegar, CR;《GEOPHYSICS》;20030101;第68卷(第1期);第381-385页 * |
| 基于同步压缩广义S 变换的发动机故障诊断;刘敏;《振动、测试与诊断》;20211031;第41卷(第5期);第984-990页 * |
| 基于小波阈值去噪与HHT滚动轴承故障诊断;金志浩;《计算机仿真》;第40卷(第08期);第467-471页 * |
| 基于广义S变换的齿轮箱轴承故障诊断方法;陈换过;易永余;陈文华;陈培;沈建洋;;《中国机械工程》(第01期);第51-56页 * |
| 基于改进同步提取S变换的建筑结构瞬时频率识别研究;王航航;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第03期);第35-38页 * |
| 谢朝曦.《办公电脑网络技术与应用》.福建科学技术出版社,1996,(第1版),第53页. * |
| 阳子婧.《提升小波分析及其在轴承故障检测中的应用》.北京：冶金工业出版社,2021,(第1版),第23-24页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117249996A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117249996B (zh) | 矿用刮板机齿轮箱轴承的故障诊断方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| CN110095179B (zh) | 一种电机振动检测与诊断方法 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| US20230273093A1 (en) | Method and device for fault diagnosis of wind turbine pitch bearing based on neural network | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN114659790A (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
| CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN115655455A (zh) | 一种基于自适应噪声变换和随机共振的机械故障诊断方法 | |
| CN116339253A (zh) | 一种基于物联网的智能化机械生产监测管控系统 | |
| CN117310118B (zh) | 一种地下水污染可视化监测方法 | |
| CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
| CN114298110A (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
| CN107765259B (zh) | 一种基于提升小波改进阈值的输电线路激光测距信号去噪方法 | |
| CN116776937A (zh) | 一种基于神经网络的数据处理方法及装置 | |
| CN115200797B (zh) | 一种用于零泄露阀的泄露检测系统 | |
| CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
| CN113567117B (zh) | 基于psoobp-cs算法的齿轮箱故障诊断方法 | |
| CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
| CN114757226A (zh) | 一种参数自适应分解结构的轴承故障特征增强方法 | |
| CN113642407B (zh) | 一种适用于轴承剩余使用寿命预测的特征提取优化方法 | |
| CN112161807A (zh) | 一种变速齿轮箱的故障诊断方法、装置及存储介质 | |
| CN111523662A (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 |
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 |