CN117309378A - 减速机齿轮的故障程度识别方法及装置、电子设备、介质 - Google Patents
减速机齿轮的故障程度识别方法及装置、电子设备、介质 Download PDFInfo
- Publication number
- CN117309378A CN117309378A CN202311256648.0A CN202311256648A CN117309378A CN 117309378 A CN117309378 A CN 117309378A CN 202311256648 A CN202311256648 A CN 202311256648A CN 117309378 A CN117309378 A CN 117309378A
- Authority
- CN
- China
- Prior art keywords
- rotational speed
- fault
- motor
- speed reducer
- rotating speed
- 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.)
- Pending
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 43
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001131 transforming 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
- G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/09—Supervised learning
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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本公开涉及故障检测的技术领域,公开一种减速机齿轮的故障程度识别方法:控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号;获取每个运转时段的转速信号的时域特征和频域特征;基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征;将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。上述方法可以较准确识别出减速机的齿轮故障程度。本公开还提供一种减速机齿轮的故障程度识别方法装置、电子设备、存储介质。
Description
技术领域
本公开涉及设备故障检测的技术领域,例如涉及一种减速机齿轮的故障程度识别方法及装置、电子设备、介质。
背景技术
RV减速机主要应用于工业机器人的底座、手臂、肩部等重载场合。RV减速机在实际工况中往往需要应对各种复杂恶劣的环境,如大扭矩、负载工况突变等。同时,RV减速机的制造工艺十分复杂,对装配精度要求较高。这些因素使得RV减速机容易出现各种故障。
相关技术可以使用噪声分析、振动分析、温度监测等方法来检测RV减速机齿轮的故障。然而,上述检测减速机齿轮的故障的方法容易受RV减速机工作环境的制约,无法较准确地检测出RV减速机的故障程度。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种减速机齿轮的故障程度识别方法及装置、电子设备、介质,可以提高获取答案的效率和答案的准确性。
根据本公开的第一方面,提供了一种减速机齿轮的故障程度识别方法,减速机齿轮的故障程度识别方法包括:
控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,其中,每个运转时段的转速信号对应一种齿轮故障程度,N为大于1的整数;
获取每个运转时段的转速信号的时域特征和频域特征;
基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;
获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征;
将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
在一些实施例中,控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,包括:
控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,其中,正转周期的时长与反转的时长相等,每个运转时段包含的正转周期的数量和反转周期的数量相等。
在一些实施例中,控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,包括:
控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号;
确定出每个运转时段中的加速子时段和减速子时段;
从每个运转时段的转速信号中,剔除加速子时段包含的转速信号和减速子时段包含的转速信号。
在一些实施例中,各个运转时段的时长相等,相邻的运转时段之间间隔第一预设时长,第一预设时长是运转时段的M倍,M为大于2的整数。
在一些实施例中,转速信号为电机的转速值;
每个运转时段的转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
在一些实施例中,转速信号为电机的转速值;
每个运转时段的转速信号的频域特征,是对该运转时段的转速信号进行傅里叶变换后得到的;
每个运转时段的转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
在一些实施例中,基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型,包括:
基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个运转时段对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数;
将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。
根据本公开的第二方面,提供了一种减速机齿轮的故障程度识别装置,减速机齿轮的故障程度识别装置包括数据获取模块、特征获取模块、模型训练模块和故障识别模块;
数据获取模块被配置为控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,其中,每个运转时段的转速信号对应一种齿轮故障程度,N为大于1的整数;
特征获取模块被配置为获取每个运转时段的转速信号的时域特征和频域特征;
模型训练模块被配置为基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;
故障识别模块被配置为获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征,将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
根据本公开的第三方面,提供了一种电子设备,电子设备包括处理器和存储有程序指令的存储器,处理器被配置为在运行程序指令时,执行第一方面提供的减速机齿轮的故障程度识别方法。
根据本公开的第四方面,提供了一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行第一方面提供的减速机齿轮的故障程度识别方法。
本公开实施例提供的减速机齿轮的故障程度识别方法及装置、电子设备、介质,可以实现以下技术效果:
当减速机齿轮的运行状态发生变化时,在时域中表现为对电机的转速信号的幅值和频率调制,在频域内会表现为引起转频和啮合频率等相关频率的幅值调制。因此,可以使用电机驱动减速机运转过程中的转速信号作为识别减速机的齿轮故障程度的依据。以电机驱动减速机运转过程中的转速信号为识别减速机齿轮的故障程度的依据。通过获取对应不同齿轮故障程度的电机的转速信号的时域特征和频域特征,并利用这些时域特征和频域特征来训练初始故障识别模型,得到具有识别减速机齿轮的故障程度的目标故障识别模型。如此一来,将电机驱动减速机在运转过程中的实际转速信号的时域特征和频域特征输入到目标故障识别模型,即可通过目标故障识别模型准确地识别出减速机的齿轮故障程度。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本公开。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一种减速机齿轮的故障程度识别系统的示意图;
图2是本公开实施例提供的另一种减速机齿轮的故障程度识别系统的示意图;
图3是本公开实施例提供的一种减速机齿轮的故障程度识别方法的示意图;
图4是本公开实施例提供的另一种减速机齿轮的故障程度识别方法的示意图;
图5是本公开实施例提供的另一种减速机齿轮的故障程度识别方法的示意图;
图6是本公开实施例提供的一种减速机齿轮的故障程度识别装置的示意图;
图7是本公开实施例提供的一种电子设备的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
RV减速机主要应用于工业机器人的底座、手臂、肩部等重载场合。RV减速机在实际工况中往往需要应对各种复杂恶劣的环境,如大扭矩、负载工况突变等。同时,RV减速机的制造工艺十分复杂,对装配精度要求较高。这些因素使得RV减速机容易出现各种故障。
相关技术可以使用噪声分析、振动分析、温度监测等方法来检测RV减速机齿轮的故障。然而,上述检测减速机齿轮的故障的方法容易受RV减速机工作环境的制约。具体地,RV减速机的工作环境中通常充斥着工业噪声,且声音信号为非平稳信号,信噪比极低,对于噪声分析法,声音传感器的安装位置及其与其他噪声源的距离会影响诊断效果。振动分析法需要安装额外的振动传感器,振动传感器的检测效果也受到安装环境和成本的制约。温度监测需要安装额外的温度传感器,温度传感器的检测效果同样会受到安装环境和成本的制约。因此,相关技术的用于检测减速机的故障的方法均无法较准确地检测出RV减速机齿轮的故障程度。
如图1所示,本公开实施例提供了一种减速机齿轮的故障程度识别系统100,减速机齿轮的故障程度识别系统100包括电子设备101、电机102和第一减速机103。电子设备101与电机102电连接,电子设备101可以接收到电机102的转速信号。电机102与第一减速机103传动连接,电机102可以驱动第一减速机103。
如图2所示,本公开实施例提供了另一种减速机齿轮的故障程度识别系统100,减速机齿轮的故障程度识别系统100包括电子设备101、电机102和第二减速机104。电子设备101与电机102电连接,电子设备101可以接收到电机102的转速信号。电机102与第二减速机104传动连接,电机102可以驱动第二减速机104。
在此需要说明的是,图1所示的减速机齿轮的故障程度识别系统100应用于模型的训练阶段,该系统100中的电子设备101部署有初始故障识别模型。图2所示的减速机齿轮的故障程度识别系统100应用于模型的应用阶段,该系统100中的电子设备101部署有目标故障识别模型,其中,目标故障识别模型是通过对初始故障识别模型训练后得到的。图1和图2中的电子设备101可以是同一个设备。初始故障识别模型可以是循环神经网络(RecurrentNeural Network,RNN)模型,第一减速机103是用于提供训练数据的减速机,第二减速机104是待识别其齿轮故障程度的减速机。
具体来说,在图1所示的减速机齿轮的故障程度识别系统100中,电子设备101可以获取电机102驱动第一减速机103运转过程中的转速信号,基于转速信号对初始故障识别模型进行训练,得到目标故障识别模型,目标故障识别模型用于基于转速信号识别出减速机的齿轮故障程度。在得到目标故障识别模型的情况下,在图2所示的减速机的齿轮故障程度检测系统100中,电子设备101可以获取电机102驱动第二减速机104运转过程中的转速信号,将转速信号输入到目标故障识别模型,利用目标故障识别模型识别出第二减速机104的齿轮故障程度。
在此需要说明的是,针对上述循环神经网络模型,为防止模型线性化,每层网络采用relu函数作为激活函数,输出层采用具有分类功能的softmax函数作为激活函数,输出层有N个神经元,分别输出于减速机的N种故障程度对应的预测概率。
结合本公开实施例的减速机齿轮的故障程度识别系统,本公开实施例提供了一种减速机齿轮的故障程度识别方法,如图3所示,减速机齿轮的故障程度识别方法包括以下步骤:
S301,电子设备控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号。
在此需要说明的是,处理器需要在每个运转时段需要获取多个转速信号,即处理器获取电机在N个间隔的运转时段的多个转速信号,在每个运转时段获取的转速信号的数量可以根据实际的设计需要而定。
可以为每个运转时段的转速信号定义一种对应的齿轮故障程度,N为大于1的整数。例如,N可以是9,那么可以获取电机在9个间隔的运转时段的转速信号,每个运转时段的转速信号对应一种齿轮故障程度,共计9种齿轮故障程度。运转时段的时间长度、相邻的运转时段之间的间隔的时间长度,可以根据实际的设计需要而定。
可选地,各个运转时段的时长相等,相邻的运转时段之间间隔第一预设时长,第一预设时长是运转时段的M倍,M为大于2的整数。以M是99,运转时段的时间长度是1小时为例,电机驱动第一减速机运转900个小时,将第100小时、第200小时、第300小时、第400小时、第500小时、第600小时、第700小时、第800小时和第900小时作为9个运转时段。可以理解的是,第一预设时长是99小时。
S302,电子设备获取每个运转时段的转速信号的时域特征和频域特征。
转速信号为电机的转速值,每个运转时段的转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
本公开实施例通过获取转速信号的多种类型的时域特征,可以更加全面准确地反映运转时段内的转速信号的特征,有助于模型能够更加准确地区别出不同运转时段的转速信号。
每个运转时段的转速信号的频域特征,是对该运转时段的转速信号进行傅里叶变换后得到的。每个运转时段的转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
本公开实施例通过获取转速信号的多种类型的频域特征,可以更加全面准确地反映运转时段内的转速信号的特征,有助于模型能够更加准确地区别出不同运转时段的转速信号。
S303,电子设备基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型。
在一些实施例中,可以基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个运转时段对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数。
可以理解的是,每得到一次损失函数值,可以确定损失函数值是否符合预设条件。如果损失函数值不符合预设条件,则继续执行下一次训练流程。如果损失函数值符合预设条件,将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。这里,损失函数值可以基于交叉熵损失函数计算得到。
S304,电子设备获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征。
可以理解的是,处理器获取电机在驱动第二减速机运转过程中的多个实际转速信号,获取的实际转速信号的数量可以根据实际的设计需要而定。
实际转速信号为电机的转速值,实际转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
实际转速信号的频域特征,是对实际转速信号进行傅里叶变换后得到的。实际转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
S305,电子设备将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
当减速机齿轮的运行状态发生变化时,在时域中表现为对电机的转速信号的幅值和频率调制,在频域内会表现为引起转频和啮合频率等相关频率的幅值调制。因此,可以使用电机驱动减速机运转过程中的转速信号作为识别减速机的齿轮故障程度的依据。以电机驱动减速机运转过程中的转速信号为识别减速机齿轮的故障程度的依据。通过获取对应不同齿轮故障程度的电机的转速信号的时域特征和频域特征,并利用这些时域特征和频域特征来训练初始故障识别模型,得到具有识别减速机齿轮的故障程度的目标故障识别模型。如此一来,将电机驱动减速机在运转过程中的实际转速信号的时域特征和频域特征输入到目标故障识别模型,即可通过目标故障识别模型准确地识别出减速机的齿轮故障程度。
在一些实施例中,控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,包括:控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号。其中,正转周期的时长与反转的时长相等,每个运转时段包含的正转周期的数量和反转周期的数量相等。
本公开实施例通过电机驱动第一减速机周期性地正转和反转,可以使减速机旋转充分,加快减速机齿轮的磨损老化速度,有助于减速机齿轮较快地进入到不同的故障程度,缩短获取到对应不同的齿轮故障程度的转速信号的时间。
本公开实施例提供了另一种减速机齿轮的故障程度识别方法,如图4所示,减速机齿轮的故障程度识别方法包括以下步骤:
S401,电子设备控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号。
这里,正转周期的时长与反转周期的时长相等,每个运转时段包含的正转周期的数量和反转周期的数量相等。
假设电机900r/min(转/分钟)的速度周期性地正转和反转进行正反转,正转周期的时长和反转周期的时长为20s,转速信号的采样频率为4kHz(千赫兹),每个正转周期和反转周期均可以采集80000个转速信号。
S402,电子设备获取每个运转时段的转速信号的时域特征和频域特征。
这里,每个运转时段的转速信号,包括运转时段中的每个正转周期的转速信号的时域特征和频域特征,每个反转周期的转速信号的时域特征和频域特征。
转速信号为电机的转速值,每个运转时段中正转周期(或反转周期)的转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
每个运转时段每个运转时段中正转周期(或反转周期)的转速信号的频域特征,是对该运转时段的转速信号进行傅里叶变换后得到的。每个运转时段的转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
S403,电子设备基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型。
在一些实施例中,可以基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个正转周期或反转周期对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数。
可以理解的是,每得到一次损失函数值,可以确定损失函数值是否符合预设条件。如果损失函数值不符合预设条件,则继续执行下一次训练流程。如果损失函数值符合预设条件,将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。
S404,电子设备获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征。
S405,电子设备将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
在一些实施例中,控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,包括:控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号;确定出每个运转时段中的加速子时段和减速子时段;从每个运转时段的转速信号中,剔除加速子时段包含的转速信号和减速子时段包含的转速信号。通过提出运转时段中加速和减速阶段不稳定的转速信号,保留平稳运行阶段的转速信号,使得运转时段的转速信号可以更加准确地反映减速机齿轮的故障状况。
本公开实施例提供了另一种减速机齿轮的故障程度识别方法,如图5所示,减速机齿轮的故障程度识别方法包括以下步骤:
S501,电子设备控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号。
S502,电子设备确定出每个运转时段中的加速子时段和减速子时段。
可以理解的是,由于第一减速机需要周期性地正转和反转,因此运转时段包括多个加速子时段和减速子时段。具体来说,每个正转周期具有一个加速子时段和一个减速子时段,每个反转周期具有一个加速子时段和一个减速子时段。
可选地,加速子时段和减速子时段的具体值,可以是基于电机的设定转速和电机特性而计算出。例如,电机的设定转速为20r/s(转每秒),加速子时段和减速子时段的时长均为0.1秒。假设正转周期的时长和反转周期的时长为20s,在每个正转周期的时长和反转周期中,第0.1秒为加速子时段,最后的0.1秒为减速子时段。
S503,电子设备从每个运转时段的转速信号中,剔除加速子时段包含的转速信号和减速子时段包含的转速信号。
假设在每个正转周期的时长和反转周期中,第0.1秒为加速子时段,最后的0.1秒为减速子时段。可以将每个正转周期的时长和反转周期的第0.1秒和最后的0.1秒采集的转速信号剔除。
S504,电子设备获取每个运转时段的转速信号的时域特征和频域特征。
这里,每个运转时段的转速信号,包括运转时段中的每个正转周期的转速信号的时域特征和频域特征,每个反转周期的转速信号的时域特征和频域特征。
S505,电子设备基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型。
在一些实施例中,可以基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个正转周期或反转周期对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数。
可以理解的是,每得到一次损失函数值,可以确定损失函数值是否符合预设条件。如果损失函数值不符合预设条件,则继续执行下一次训练流程。如果损失函数值符合预设条件,将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。
S506,电子设备获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征。
S507,电子设备将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
本公开实施例提供了一种减速机齿轮的故障程度识别装置600,如图6所示,减速机齿轮的故障程度识别装置600包括数据获取模块601、特征获取模块602、模型训练模块603和故障识别模块604。
数据获取模块601被配置为控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,其中,每个运转时段的转速信号对应一种齿轮故障程度,N为大于1的整数。
特征获取模块602被配置为获取每个运转时段的转速信号的时域特征和频域特征。
模型训练模块603被配置为基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;
故障识别模块604被配置为获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征,将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
当减速机齿轮的运行状态发生变化时,在时域中表现为对电机的转速信号的幅值和频率调制,在频域内会表现为引起转频和啮合频率等相关频率的幅值调制。因此,可以使用电机驱动减速机运转过程中的转速信号作为识别减速机的齿轮故障程度的依据。以电机驱动减速机运转过程中的转速信号为识别减速机齿轮的故障程度的依据。通过获取对应不同齿轮故障程度的电机的转速信号的时域特征和频域特征,并利用这些时域特征和频域特征来训练初始故障识别模型,得到具有识别减速机齿轮的故障程度的目标故障识别模型。如此一来,将电机驱动减速机在运转过程中的实际转速信号的时域特征和频域特征输入到目标故障识别模型,即可通过目标故障识别模型准确地识别出减速机的齿轮故障程度。
在一些实施例中,数据获取模块601被配置为:G控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,其中,正转周期的时长与反转的时长相等,每个运转时段包含的正转周期的数量和反转周期的数量相等。
在一些实施例中,数据获取模块601被配置为:
控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号;
确定出每个运转时段中的加速子时段和减速子时段;
从每个运转时段的转速信号中,剔除加速子时段包含的转速信号和减速子时段包含的转速信号。
在一些实施例中,各个运转时段的时长相等,相邻的运转时段之间间隔第一预设时长,第一预设时长是运转时段的M倍,M为大于2的整数。
在一些实施例中,转速信号为电机的转速值;每个运转时段的转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
在一些实施例中,转速信号为电机的转速值;每个运转时段的转速信号的频域特征,是对该运转时段的转速信号进行傅里叶变换后得到的;
每个运转时段的转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
在一些实施例中,模型训练模块603被配置为:
基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个运转时段对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数;
将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。
结合图7所示,本公开实施例提供了一种电子设备101,电子设备101包括处理器(processor)1011和存储器(memory)1012。可选地,该装置还可以包括通信接口(Communication Interface)1013和总线1014。其中,处理器1011、通信接口1013、存储器1012可以通过总线1014完成相互间的通信。通信接口1013可以用于信息传输。处理器1011可以调用存储器1012中的逻辑指令,以执行上述相应实施例的减速机齿轮的故障程度识别方法。
此外,上述的存储器1012中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器1012作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器1011通过运行存储在存储器1012中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述相应实施例的减速机齿轮的故障程度识别方法。
存储器1012可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器1012可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述减速机齿轮的故障程度识别方法。上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本公开中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本公开中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本公开中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。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、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种减速机齿轮的故障程度识别方法,其特征在于,包括:
控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,其中,每个运转时段的转速信号对应一种齿轮故障程度,N为大于1的整数;
获取每个运转时段的转速信号的时域特征和频域特征;
基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;
获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征;
将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
2.根据权利要求1所述的方法,其特征在于,控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,包括:
控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,其中,正转周期的时长与反转的时长相等,每个运转时段包含的正转周期的数量和反转周期的数量相等。
3.根据权利要求2所述的方法,其特征在于,控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号,包括:
控制电机驱动第一减速机周期性地正转和反转,获取电机在N个间隔的运转时段的转速信号;
确定出每个运转时段中的加速子时段和减速子时段;
从每个运转时段的转速信号中,剔除加速子时段包含的转速信号和减速子时段包含的转速信号。
4.根据权利要求1所述的方法,其特征在于,各个运转时段的时长相等,相邻的运转时段之间间隔第一预设时长,第一预设时长是运转时段的M倍,M为大于2的整数。
5.根据权利要求1所述的方法,其特征在于,转速信号为电机的转速值,每个运转时段的转速信号的时域特征包括以下至少一项:最大转速值、最大转速绝对值、最小转速值、转速绝对平均值、转速均方根值、转速方差、转速标准差、转速峭度、转速偏度、转速裕度指标、转速波形指标、转速脉冲指标和转速峰值指标。
6.根据权利要求1所述的方法,其特征在于,转速信号为电机的转速值;每个运转时段的转速信号的频域特征,是对该运转时段的转速信号进行傅里叶变换后得到的;
每个运转时段的转速信号的频域特征包括以下至少一项:信号幅值、功率谱、重心频率、平均频率、均方根频率和频率差。
7.根据权利要求1所述的方法,其特征在于,基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型,包括:
基于N个运转时段对应的故障程度、时域特征和频域特征,迭代执行多次以下训练流程:选取一个运转时段对应的时域特征和频域特征输入至初始故障识别模型;利用初始故障识别模型输出N种故障程度对应的预测概率;基于N种故障程度对应的预测概率确定出损失函数值,基于损失函数值调整初始故障识别模型的参数;
将损失函数值符合预设条件时的初始故障识别模型,确定为目标故障识别模型。
8.一种减速机齿轮的故障程度识别装置,其特征在于,包括:
数据获取模块,被配置为控制电机驱动第一减速机运转,获取电机在N个间隔的运转时段的转速信号,其中,每个运转时段的转速信号对应一种齿轮故障程度,N为大于1的整数;
特征获取模块,被配置为获取每个运转时段的转速信号的时域特征和频域特征;
模型训练模块,被配置为基于N个运转时段对应的故障程度、时域特征和频域特征,对初始故障识别模型进行训练,得到目标故障识别模型;
故障识别模块,被配置为获取电机在驱动第二减速机运转过程中的实际转速信号,获取实际转速信号的时域特征和频域特征,将实际转速信号的时域特征和频域特征输入到目标故障识别模型,利用目标故障识别模型识别第二减速机的齿轮故障程度。
9.一种电子设备,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至7任一项所述的减速机齿轮的故障程度识别方法。
10.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行如权利要求1至7中任一项所述的减速机齿轮的故障程度识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256648.0A CN117309378A (zh) | 2023-09-26 | 2023-09-26 | 减速机齿轮的故障程度识别方法及装置、电子设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256648.0A CN117309378A (zh) | 2023-09-26 | 2023-09-26 | 减速机齿轮的故障程度识别方法及装置、电子设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117309378A true CN117309378A (zh) | 2023-12-29 |
Family
ID=89287874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256648.0A Pending CN117309378A (zh) | 2023-09-26 | 2023-09-26 | 减速机齿轮的故障程度识别方法及装置、电子设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309378A (zh) |
-
2023
- 2023-09-26 CN CN202311256648.0A patent/CN117309378A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
Zanardelli et al. | Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis | |
US11842575B2 (en) | Method and system for vehicle analysis | |
CN112798280B (zh) | 一种滚动轴承故障诊断方法及系统 | |
Heyns et al. | Combining synchronous averaging with a Gaussian mixture model novelty detection scheme for vibration-based condition monitoring of a gearbox | |
CN112431750B (zh) | 系统状态检测方法、装置、设备、系统及存储介质 | |
CN105099321B (zh) | 电机控制装置 | |
CN102445920B (zh) | 用于驱动单元用的碰撞识别的方法 | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CA2875071A1 (en) | Method and system for testing operational integrity of a drilling rig | |
US8346385B2 (en) | Early-warning apparatus for health detection of servo motor and method for operating the same | |
Rehorn et al. | Fault diagnosis in machine tools using selective regional correlation | |
CN108549911A (zh) | 基于神经网络的驾驶员转向介入识别方法 | |
CN108932581A (zh) | 多物理域信息融合的自主感知方法及系统 | |
CN113469300A (zh) | 设备状态检测方法及相关装置 | |
JP2007108107A (ja) | 設備診断装置 | |
CN117309378A (zh) | 减速机齿轮的故障程度识别方法及装置、电子设备、介质 | |
US20210044228A1 (en) | Method and device for determining the rotational speed and the angle of rotation of a motor shaft of a mechanically commutated dc motor | |
Strangas | Response of electrical drives to gear and bearing faults—diagnosis under transient and steady state conditions | |
CN113574398A (zh) | 用于监视铁路轨道设备的道岔的方法 | |
JP4188890B2 (ja) | エレベータシステム診断方法およびエレベータシステム診断装置 | |
Fahimi et al. | Feature set evaluation and fusion for motor fault diagnosis | |
JPH0518813A (ja) | 機械振動検出装置 | |
WO2022029873A1 (ja) | 同期装置、同期方法及びそのプログラム | |
US11353343B2 (en) | Detection of coupling slippage in rotary encoder systems |
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 |