CN117516927B - 齿轮箱故障检测方法、系统、设备及存储介质 - Google Patents
齿轮箱故障检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117516927B CN117516927B CN202410016606.8A CN202410016606A CN117516927B CN 117516927 B CN117516927 B CN 117516927B CN 202410016606 A CN202410016606 A CN 202410016606A CN 117516927 B CN117516927 B CN 117516927B
- Authority
- CN
- China
- Prior art keywords
- data
- residual
- model
- gearbox
- gear box
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000005299 abrasion Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013450 outlier detection Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000013107 unsupervised machine learning method 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
- G06F18/20—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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/80—Wireless
- H04L2209/805—Lightweight hardware, e.g. radio-frequency identification [RFID] or sensor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种齿轮箱故障检测方法、系统、设备及存储介质,包括:采集齿轮箱运行数据,将采集的运行数据加密后,采用远程无线5G传输的方式,传输给智能故障监测系统、齿轮箱维保人员;智能故障监测系统对齿轮箱的齿轮磨损故障、齿轮磨损和轴承故障进行检测;智能故障监测系统检测出齿轮箱发生故障后,远程将齿轮箱内部虚拟可视化,以进行实时远程维修指导服务。本发明减小了检测过程中数据的依赖程度,实现对齿轮箱齿轮磨损的检测、对齿轮箱轴承故障的检测,提高了齿轮箱故障检测的准确性。
Description
技术领域
本发明属于故障检测技术领域,具体涉及一种齿轮箱故障检测方法、系统、设备及存储介质。
背景技术
机器的安全可靠运行对于运输、采矿、航空航天和制造业等行业都有着重要的意义。故障检测是机器状态监测的重要环节,决定了是否需要分配更多的资源用于故障诊断/预测,以及及时进行相应的维护活动,以降低维护成本,最大限度地提高生产率和机器的剩余使用寿命。大部分现有的机器状态监测诸如基于振动的、磨损碎屑分析、声发射等技术,通过样本/信号分析,并与预先确定的阈值(即异常状态报警)进行比较,来实现对故障的检测。
目前,基于机器学习的故障预测方法被广泛应用于设备的故障检测中,通过获取设备故障运行数据,利用这些故障运行数据来训练人工智能模型,实现对故障状态的自动识别。但在实际的应用过程中,通常无法获取到足够的用于训练的故障数据,限制了基于机器学习的智能模型在故障检测中的应用。
发明内容
本发明的目的在于提供一种齿轮箱故障检测方法、系统、设备及存储介质,以解决在采用基于机器学习的预测方法对齿轮箱故障进行检测时存在的问题。
本发明通过下述技术方案实现:
齿轮箱故障检测方法,包括以下步骤:
S01、采集齿轮箱运行数据,将采集的运行数据加密后,采用远程无线5G传输的方式,传输给智能故障监测系统、齿轮箱维保人员;
S02、智能故障监测系统对齿轮箱的齿轮磨损故障、齿轮磨损和轴承故障进行检测;
步骤S02中,采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测;采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测;
S03、智能故障监测系统检测出齿轮箱发生故障后,远程将齿轮箱内部虚拟可视化,以进行实时远程维修指导。
在一些实施例中,步骤S02中,采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测,包括以下步骤:
S0211、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列;
S0212、采用预测值序列和实际值序列x(t),计算残差值序列;式中,/>为预测值,x(t)为实际采集的运行数据,r(t)为残差值;
S0213、将残差值序列r(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
S0214、将OCSVM模型仅在由健康数据所对应残差窗口得到的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常。
在一些实施例中,步骤S02中,采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测,包括以下步骤:
S0221、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列;
S0222、采用预测值序列和实际值序列x(t),计算第一阶段的残差值序列;式中,/>为预测值,x(t)为实际采集的运行数据,r1(t)为第一阶段的残差值;
S0223、使用第一阶段的残差值序列r1(t)作为第二阶段的输入,通过LSTM模型自回归从第一阶段的残差值序列r1(t)中去除趋势分量,采用第一阶段的残差值序列对另一个LSTM模型进行训练,再用该训练后的LSTM模型对第一阶段的残差值序列r1(t)进行预测,得到残差预测值序列,并根据第一阶段的残差值序列和残差预测值序列计算第二阶段的残差值序列/>;
S0224、将第二阶段的残差值序列r2(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
S0225、将OCSVM模型仅在由健康数据所对应残差窗口得到第二阶段的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常。
在一些实施例中,当有一个残差值窗口被判断为异常时,则判定齿轮箱出现故障。
在一些实施例中,所述运行数据包括齿轮箱的振动数据。
在一些实施例中,还包括有采集齿轮箱的齿轮磨损数据对智能故障监测系统的检测结果进行验证的步骤。
另一方面,本发明还提供一种齿轮箱故障检测系统,包括:
数据采集模块,被配置为用于采集齿轮箱的运行数据;
数据加密模块,被配置为对采集的运行数据进行加密处理;运行数据经过加密后,确保测试数据不被任何人修改,保证数据的真实性;
5G无线传输模块,被配置为将加密处理后的数据通过5G网络无线传输到智能故障监测系统;
智能故障监测系统,被配置为基于所述的齿轮箱故障检测方法对齿轮磨损故障、齿轮磨损和轴承故障进行检测;检测出故障后,齿轮箱设计人员、生产厂家、齿轮箱维保人员、齿轮箱的现场使用操作人员中,任何被授权的人通过戴上VR装备,远程可视化齿轮箱的内部工作状态,远程开展齿轮箱维修指导。
另一方面,本发明还提供一种电子设备,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的齿轮箱故障检测方法。
另一方面,本发明还提供一种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所述的齿轮箱故障检测方法。
本发明与现有技术相比,具有以下优点及有益效果:
本发明中采用将LSTM模型与一类支持向量机OCSVM模型结合,使用健康数据以半监督方式进行模型的训练,减小了检测过程中数据的依赖程度,使其具有更好的实用性,实现对齿轮箱齿轮磨损的检测;在此基础上,进一步采用残差值对LSTM模型进行训练,并对残差值进行预测,利用第二阶段的残差值对OCSVM模型进行训练,实现对其中可以指示轴承故障的随机分量的分离,从而能够实现同时对齿轮箱齿轮磨损和轴承故障的检测,大大提高了齿轮箱故障检测的准确性。
对传输数据进行加密处理,保证齿轮箱运行数据不会被任何人篡改,从而保证检测过程中数据的真实性。
通过远程可视化齿轮箱的内部工作状态,远程提供实时帮助;齿轮箱设计人员、生产厂家、齿轮箱维保人员、齿轮箱的现场使用操作人员中,远程加入到现场齿轮箱故障的诊断分析和维修,使齿轮箱维修人员可以远程参加齿轮箱的现场维修,并在远程实时提供维修帮助和建议。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测的流程示意图。
图2为本发明采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测的流程示意图。
图3为本发明中齿轮箱故障检测系统检测操作流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在设备监测领域中,基于传感器生成数据的机器学习方法在设备异常检测中应用广泛,监督式机器学习方法被广泛用于设备的状态监测。监督方法在应用中通常需要大量标记数据,而这些数据在实践中往往可能不可用,或不太可能从错误案例中获取足够的数据,来对用于异常检测的模型进行监督训练,而采用半监督或无监督机器学习方法能够解决对数据的特殊需求问题。
在可用数据有限的情况下,单独采用LSTM或者单独采用SVM的方法进行设备的故障检测,往往难以得到很好的效果。
在本发明的一些实施例中,采用将深度神经网络回归器(LSTM)和一类支持向量机OCSVM(离群值检测算法)结合,使用健康数据以半监督方式进行模型的训练,实现对齿轮箱故障的检测,能够很好地解决上述存在的问题。
长短期记忆网络(LSTM)是一种循环神经网络,可以在“自回归”模式下使用,从信号中去除标准的“趋势”成分;在下一个信号样本(输出)和过去的信号样本(输入)之间建立了一种非线性关系,这种非线性关系以两种方式嵌入网络中,一种是输出对输入的直接依赖(之前的样本直接作为输入向量传递),这是一种短时间依赖性,类似于自回归(AR)滤波器;另一种涉及网络的内部反馈回路,能够显著扩展过去输出的依赖性,这类网络模型的关键参数如下:输入特征的大小,它直接与AR滤波器的自回归阶数相比较,定义了在输入-输出的直接关系中考虑多少个过去的样本;隐藏神经元的数量,其作为一个复杂的参数,影响直接输入-输出环节的非线性性质;状态和单元阵列反馈回路的复杂性,引入了非线性,并允许处理信号内部的复杂关系。
针对齿轮箱的故障检测,基于振动信号的特点,处于“自回归模式”的LSTM能够学习时间序列中的复杂时间依赖性,包括主导周期或近周期模式,这些模式被称为信号的“确定性”成分;另一方面,信号的“随机”成分,则不具有任何程度的自相关,如白噪声不能被LSTM模型预测。
支持向量机(SVM)作为一种为属于两个不同类别的数据找到最佳分类器的方法,能够被应用到单类分类,即基于单类训练数据的可用性进行异常检测。通常采用的方法包括将数据从其原始特征空间转换为多维(通常为无限维)空间,在该空间中,数据可以通过超平面(而不是复杂的超曲面)有效地分离,在变换后的特征空间中,两个平行超平面表示两个类的边界。
本发明中的齿轮箱故障检测方法,如图3,包括以下步骤:
S01、采集齿轮箱运行数据,将采集的运行数据加密后,采用远程无线5G传输的方式,传输给智能故障监测系统、齿轮箱维保人员;
S02、智能故障监测系统对齿轮箱的齿轮磨损故障、齿轮磨损和轴承故障进行检测;
步骤S02中,采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测,如图1,包括以下步骤:
S0211、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列;
S0212、采用预测值序列和实际值序列x(t),计算残差值序列;式中,/>为预测值,x(t)为实际采集的运行数据,r(t)为残差值;
S0213、将残差值序列r(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
;其中,n为窗口中样本的数量,i表示第i个样本;
S0214、将OCSVM模型仅在由健康数据所对应残差窗口得到的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常;
步骤S02中,采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测,如图2,包括以下步骤:
S0221、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列;
S0222、采用预测值序列和实际值序列x(t),计算第一阶段的残差值序列;式中,/>为预测值,x(t)为实际采集的运行数据,r1(t)为第一阶段的残差值;
S0223、使用第一阶段的残差值序列r1(t)作为第二阶段的输入,通过LSTM模型自回归从第一阶段的残差值序列r1(t)中去除趋势分量,采用第一阶段的残差值序列对另一个LSTM模型进行训练,再用该训练后的LSTM模型对第一阶段的残差值序列r1(t)进行预测,得到残差预测值序列,并根据第一阶段的残差值序列和残差预测值序列计算第二阶段的残差值序列/>;
S0224、将第二阶段的残差值序列r2(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
S0225、将OCSVM模型仅在由健康数据所对应残差窗口得到第二阶段的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常;
S03、智能故障监测系统检测出齿轮箱发生故障后,远程将齿轮箱内部虚拟可视化,以进行实时远程维修指导。
本发明在某些实施例中采用的方法,参照图1,采用一次LSTM回归与OCSVM模型相结合对齿轮磨损故障进行检测,包括:
L01、获取齿轮箱的运行数据,形成运行数据序列;这里的运行数据为采集的齿轮箱的振动数据,对采集的运行数据进行归一化处理,从原始时间序列中去除趋势分量,得到用于预测分析的运行数据序列,可表示为{x(t-1),x(t-2),…,x(t-n)};其中,x(t-1)为t-1时刻的振动数据,依次类推;
L02、采用运行数据序列中设备正常运行状态下的健康数据对LSTM模型进行训练,得到LSTM预测模型;
L03、利用LSTM预测模型对运行数据序列进行预测,得到预测值序列;采用LSTM预测模型对运行数据序列{x(t-1),x(t-2),…,x(t-n)}进行预测,得到对应的预测值,从而得到预测值序列;
L04、根据运行数据序列和预测值序列,得到对应的残差值序列;
具体地,残差值为:
;
式中,为预测值,x(t)为实际采集的运行数据,r(t)为残差值;
L05、将得到的残差值序列分为多个窗口,并在每个窗口上计算残差值的均方根;
具体地将残差值序列分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS,各窗口对应残差值的均方根表示为:
;
其中,n为窗口中样本的数量,i表示第i个样本。
L06、利用由健康数据所对应残差值窗口得到的残差值均方根对OCSVM模型进行训练,得到OCSVM检测模型;
L07、利用OCSVM检测模型对齿轮箱故障状态进行检测。该步骤采用训练得到的OCSVM检测模型对残差值序列窗口进行判断,是健康(内值)还是异常(离群值);当任一窗口被判断为异常时,则判断齿轮箱出现故障。
这里LSTM模型由三个不同的门组成,包括:遗忘门f、输入门i和输出门o;设LSTM网络算法模型输入为x(t),输出为,记忆信息为c(t);
输出表示为:
;
记忆信息c(t) 为:
;
式中,c(t-1)表示上一次的记忆信息;为上一次的输出;
输出门o为:
;
遗忘门f为:
;
输入门i为:
;
其中,wi,wo,wf,wc分别是输入门、输出门、遗忘门、记忆信息的权重系数,bi,bo,bf,bc分别是输入门、输出门、遗忘门、记忆信息的偏置矢量,这些参数都是通过训练来确定的;
最后得到预测的。
一类支持向量机(OCSVM)是一种用于解决有限数据分类问题的无监督机器学习方法。该模型旨在把样本通过核函数映射到高维特征空间,在高维特征空间中构造线性判别函数来实现样本的分类,同时具有较好的泛化能力。
对于给定的不含标签的k个训练样本,其中有小部分属于孤立点,OCSVM目标是确定正常样本的边界,即最优超平面,也就是要找到函数F(x) ,使得样本中大部分取值为+1,而在孤立点上的取值为-1。分类问题可以看做是,在映射的高维特征空间中寻找最优分类超平面,对应于F(x)决定样本点所属的区域。
OCSVM可以转化为寻求最小化目标函数,表示为:
;
其中: 为样本数据,/> 为训练集数量,/> 为松驰因子,/>为权衡参数,/> 为原始空间到特征空间映射,/> 和/> 分别为特征空间中超平面的法向量和补偿,T为训练样本集,/>为基于训练样本集T在特征空间中超平面的法向量。
引入拉格朗日乘子和径向基函数,可将约束条件下的目标优化问题转化为特征空间的对偶问题,表示为:
;
和/>是拉格朗日乘子,/>为高斯核函数,/>是输入OCSVM的任意两个样本,/>是高斯核参数,/>,/>。
约束条件为:
;
由上式可求出:
;
得到决策函数为:
;
对于训练数据,/>表明它在高维空间位于超平面的正负方向,正的为正常样本,负的为异常样本。
下面结合一个具体的对齿轮箱进行故障检测的实施例,对本发明所采用的检测方法进行说明。
该齿轮箱为一个两级齿轮箱,第一级齿轮是一个斜面齿轮,满载时具备100Hz的驱动速度,第二级齿轮为由一个太阳齿轮、三个行星齿轮和一个环形齿轮组成的行星齿轮系统,齿轮箱的总减速度比为17.79:1,在行星齿轮系统上的转速为5.62Hz。
在满载状态下运行齿轮箱,从环形齿轮上采用加速度传感器测量得到振动数据,采样频率为51.2kHz,记录时间长度为30s。采用内部金属扫描仪测量齿轮箱润滑油中的磨损碎屑。
在经过156.98个小时测试后,由于其中一个行星齿轮轴承的内部滚道和滚动体故障,测试停止。
根据获取的齿轮箱的运行数据,对LSTM模型、OCSVM模型进行训练和测试。
采用上述实施例中的方法,采用在1.92h和11.7h时所采集的运行数据对LSTM模型进行训练,这两个时刻的数据被认为是健康数据,采用训练得到的LSTM预测模型对运行数据序列进行预测;将运行数据序列与预测值序列进行对比,得到两个健康记录(均分布在<46 h的运行数据内)和两个异常记录(均分布在>46 h的运行数据内);其中残差值随机分布在0附近,频谱显示LSTM可以预测信号中包含的主要频率;
然后将残差值序列划分为多个窗口,窗口大小为512,在每个窗口上计算窗口残差值的均方根RMS,将其中由健康数据所对应残差窗口得到的残差值均方根(如1.92h、11.7h时刻所对应的健康数据)对OCSVM模型进行训练,得到OCSVM检测模型;并将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征。
此时,在进行齿轮箱的故障检测时,不是在整个运行数据序列上执行,而是在每个窗口上执行;如果某个时刻的运行数据中至少有一个窗口被判断为异常,则判定齿轮箱出现故障。
从检测所得到的结果来看,残差值的均方根以及异常是发生在100h后,此时均呈现单调增加的趋势,说明此时齿轮箱出现故障。
通过对齿轮箱的磨损情况的监测对上述检测结果进行验证发现,在测试46h后,齿轮箱不再被认为是健康的,预计此时齿轮箱的轴承故障已经开始发生,在该阶段齿轮箱的磨损率在轴承退化过程中明显增加,而残差值的均方根RMS并没有单调增加;在大约110h后,退化过程加速,并在145h左右开始发生失效。
也就是说,基于上述的检测方法在OCSVM检测模型进行分类时,存在错误的分类,导致在46h之后的一段时间内,运行数据被错误分类为健康,从而影响了上述方法检测的准确性。
在仅对齿轮磨损检测的情况下,上述检测方法是适用的,因为采用LSTM回归从运行数据中去除趋势的确定性成分,并且所得到的残差值包含时间序列健康部分中不存在的任何“残差确定性”成分。但在轴承故障的情况下,随机分量可能会作为故障出现在振动信号中;这些“新的”随机分量的振幅通常比“残差确定性”齿轮分量要弱,因此可能不会反映在残差值均方根RMS的增量中,从而影响到检测结果的准确性。
因此,为了实现对这些“新的”随机分量的检测,需要完全去除检测数据中的任何确定性分量。
基于这一技术思路,采用对每个模型拟合一个额外的LSTM回归量来实现残差值,作为一个自回归滤波器,并拟合残差值中留下的任何确定性成分;采用将另一个LSTM模型的预测值减去残差值,得到第二个残差值,从而分离出可以指示轴承故障的“新的”随机分量。在此基础上,得到了另一种齿轮箱故障检测方法,该方法能够适用于检测振动信号中的轴承故障,实现对齿轮箱故障的准确检测。
在一些实施例中的齿轮箱故障检测方法,参照图2,采用两次LSTM回归与OCSVM模型相结合对齿轮磨损和轴承故障进行检测,包括:
T01、获取齿轮箱的运行数据,形成运行数据序列;
T02、采用运行数据序列中设备正常运行状态下的健康数据对第一LSTM模型进行训练,得到第一LSTM预测模型;
T03、利用第一LSTM预测模型对运行数据序列进行预测,得到第一预测值序列;
T04、根据运行数据序列和第一预测值序列,得到对应的第一残差值序列;
从步骤T01到步骤T04,与上一实施例中检测方法的L01-L04基本相同,这里不再赘述;步骤T04中所得到的第一残差值表示为r1(t);实现第一阶段的LSTM回归处理;
T05、使用第一阶段获得的第一残差值r1(t)作为第二阶段的输入,通过LSTM模型自回归从第一残差值r1(t)序列中去除趋势分量,采用第一阶段的残差值对第二LSTM模型进行训练,得到第二LSTM预测模型;在该步骤中,利用第一残差值r1(t)对训练第二LSTM模型进行训练;
T06、利用第二LSTM预测模型对第一残差值序列进行预测,得到第二预测值序列;在该步骤中,将第一残差值r1(t)作为第二LSTM预测模型的输入,得到第一残差值的预测值,作为第二预测值;
T07、根据第一残差值序列和第二预测值序列,得到对应的第二残差值序列;在该步骤计算得到第二残差值r2(t),表示为:
;
此时得到的第二残差值r2(t)将代表“新的”随机分量,用于对轴承故障的检测;
T08、与上一实施例中的方法一样,这里将得到的第二残差值序列分为N个长度为Nw的窗口,并在每个窗口上计算第二残差值的均方根RMS;
T09、利用由健康数据所对应残差值窗口得到的第二残差值均方根对OCSVM模型进行训练,得到OCSVM检测模型;
T010、利用OCSVM检测模型对齿轮箱故障状态进行检测。
同样地上述步骤T09、T010的操作方法与上一实施例中的方法基本相同,这里不再赘述。
下面结合一个具体的对齿轮箱进行故障检测的实施例,对本发明所采用的技术方案进行说明。
在该实施例中,根据获取的齿轮箱的运行数据,对第一LSTM模型、第二LSTM模型、OCSVM模型进行训练和测试。模型训练和测试所采用的数据和方法与上一实施例基本相同,这里不再赘述。
从检测所得到的结果来看,残差值的均方根RMS和异常发生率与轴承磨损率基本一致;分类的最终输出显示,在测试46h后的所有运行数据均被分类为异常,说明此时即为齿轮箱开始出现故障的临界值,这一检测结果相比于上一种检测方法的检测结果更加准确,可实现对齿轮箱中齿轮磨损和轴承故障的检测。
另一方面,本发明的某些实施例中还涉及一种齿轮箱故障检测系统,参照图3,包括:
数据采集模块,被配置为用于采集齿轮箱的运行数据;
数据加密模块,被配置为对采集的运行数据进行加密处理;运行数据经过加密后,确保测试数据不被任何人修改,保证数据的真实性;
5G无线传输模块,被配置为将加密处理后的数据通过5G网络无线传输到智能故障监测系统;
智能故障监测系统,被配置为基于上述的齿轮箱故障检测方法对齿轮磨损故障、齿轮磨损和轴承故障进行检测;检测出故障后,远程可视化齿轮箱的内部工作状态,远程提供实时帮助,齿轮箱设计人员、生产厂家、齿轮箱维保人员、齿轮箱的现场使用操作人员中,任何被授权的人通过戴上VR眼镜、VR手套等装备作为化身,现场加入齿轮箱现场操作、故障诊断和维修。
采用远程无线5G的方式能够实现对采集的大量数据进行远程快速传输。
在系统检测出发生的故障以后,可实现新的可应用于齿轮箱故障维修功能,通过对齿轮箱内部结构和运行状态进行虚拟可视化处理,实现实时远程的现场虚拟维修指导。
具体地,通过远程可视化齿轮箱的内部工作状态,远程提供实时帮助;齿轮箱设计人员、生产厂家、齿轮箱维保人员、齿轮箱的现场使用操作人员中,任何被授权的人都可以通过VR眼镜、VR手套等VR装备,加入到现场齿轮箱故障的诊断分析和维修,使齿轮箱维修人员可以远程参加齿轮箱的现场维修,并在远程实时提供维修帮助和建议。
另一方面,本发明的某些实施例中还涉及一种电子设备,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,处理器配置为经由执行所述可执行指令来执行上述实施例中的齿轮箱故障检测方法。
另一方面,本发明的某些实施例中还涉及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上述实施例中的齿轮箱故障检测方法。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.齿轮箱故障检测方法,其特征在于,包括以下步骤:
S01、采集齿轮箱运行数据,将采集的运行数据加密后,采用远程无线5G传输的方式,传输给智能故障监测系统、齿轮箱维保人员;
S02、智能故障监测系统对齿轮箱的齿轮磨损故障、齿轮磨损和轴承故障进行检测;
步骤S02中,采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测;采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测;
采用一次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损故障进行检测,包括以下步骤:
S0211、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列 ;
S0212、采用预测值序列和实际值序列x(t),计算残差值序列/>;式中,/>为预测值,x(t)为实际采集的运行数据,r(t)为残差值;
S0213、将残差值序列r(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
S0214、将OCSVM模型仅在由健康数据所对应残差窗口得到的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常;当有一个残差值窗口被判断为异常时,则判定齿轮箱出现故障;
S03、智能故障监测系统检测出齿轮箱发生故障后,远程将齿轮箱内部虚拟可视化,以进行实时远程维修指导。
2.根据权利要求1所述的齿轮箱故障检测方法,其特征在于,步骤S02中,采用两次LSTM回归与OCSVM模型相结合对齿轮箱中齿轮磨损和轴承故障进行检测,包括以下步骤:
S0221、通过LSTM模型自回归从运行数据的原始时间序列中去除趋势分量,采用运行数据中的健康数据对LSTM模型进行训练,采用训练后的LSTM模型对运行数据进行预测,预测{x(t-1),x(t-2),…,x(t-n)}对应的预测值序列;
S0222、采用预测值序列和实际值序列x(t),计算第一阶段的残差值序列;式中,/>为预测值,x(t)为实际采集的运行数据,r1(t)为第一阶段的残差值;
S0223、使用第一阶段的残差值序列r1(t)作为第二阶段的输入,通过LSTM模型自回归从第一阶段的残差值序列r1(t)中去除趋势分量,采用第一阶段的残差值序列对另一个LSTM模型进行训练,再用该训练后的LSTM模型对第一阶段的残差值序列r1(t)进行预测,得到残差预测值序列,并根据第一阶段的残差值序列和残差预测值序列计算第二阶段的残差值序列/>;
S0224、将第二阶段的残差值序列r2(t)分为N个窗口,每个窗口的长度为Nw,并在每个窗口上计算该窗口残差值的均方根RMS;
S0225、将OCSVM模型仅在由健康数据所对应残差窗口得到第二阶段的残差值的均方根RMS上进行训练,采用训练后的OCSVM模型将每个窗口所对应的残差值均方根RMS作为OCSVM检测模型离群值检测的特征,将残差值窗口分类为健康或异常;当有一个残差值窗口被判断为异常时,则判定齿轮箱出现故障。
3.根据权利要求1所述的齿轮箱故障检测方法,其特征在于,所述运行数据包括齿轮箱的振动数据。
4.根据权利要求1所述的齿轮箱故障检测方法,其特征在于,还包括有采集齿轮箱的齿轮磨损数据对智能故障监测系统的检测结果进行验证的步骤。
5.齿轮箱故障检测系统,其特征在于,包括:
数据采集模块,被配置为用于采集齿轮箱的运行数据;
数据加密模块,被配置为对采集的运行数据进行加密处理;运行数据经过加密后,确保测试数据不被任何人修改,保证数据的真实性;
5G无线传输模块,被配置为将加密处理后的数据通过5G网络无线传输到智能故障监测系统;
智能故障监测系统,被配置为基于权利要求1-4中任一项所述的齿轮箱故障检测方法对齿轮磨损故障、齿轮磨损和轴承故障进行检测;检测出故障后,齿轮箱设计人员、生产厂家、齿轮箱维保人员、齿轮箱的现场使用操作人员中,任何被授权的人通过戴上VR装备,远程可视化齿轮箱的内部工作状态,远程开展齿轮箱维修指导。
6.电子设备,其特征在于,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-4中任一项所述的齿轮箱故障检测方法。
7.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1-4中任一项所述的齿轮箱故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016606.8A CN117516927B (zh) | 2024-01-05 | 2024-01-05 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016606.8A CN117516927B (zh) | 2024-01-05 | 2024-01-05 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117516927A CN117516927A (zh) | 2024-02-06 |
CN117516927B true CN117516927B (zh) | 2024-04-05 |
Family
ID=89766885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016606.8A Active CN117516927B (zh) | 2024-01-05 | 2024-01-05 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117516927B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118036479B (zh) * | 2024-04-15 | 2024-06-14 | 摩多利智能传动(江苏)有限公司 | 行星齿轮减速装置传动稳定性分析方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566159A (zh) * | 2017-08-06 | 2018-01-09 | 俞秋芳 | 一种基于虚拟现实技术的自动化设备故障定位和展示方法 |
CN109635246A (zh) * | 2018-12-06 | 2019-04-16 | 西南交通大学 | 一种基于深度学习的多属性数据建模方法 |
KR20190061538A (ko) * | 2017-11-28 | 2019-06-05 | 영남대학교 산학협력단 | 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
CN111539381A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CA3145875A1 (en) * | 2019-08-02 | 2021-02-11 | Jacob D. Feala | Machine learning guided polypeptide design |
CN112418306A (zh) * | 2020-11-20 | 2021-02-26 | 上海工业自动化仪表研究院有限公司 | 基于lstm-svm的燃气轮机压气机故障预警方法 |
CN113850161A (zh) * | 2021-09-09 | 2021-12-28 | 南京理工大学 | 基于lstm深度降噪自编码器的飞轮故障识别方法 |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN115374829A (zh) * | 2022-09-20 | 2022-11-22 | 浙江理工大学 | 一种基于深度学习的轴承故障诊断方法及系统 |
CN115567404A (zh) * | 2022-08-16 | 2023-01-03 | 国网天津市电力公司信息通信公司 | 一种电力网络数字潮流流量预测方法 |
CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
CN116305614A (zh) * | 2023-02-07 | 2023-06-23 | 南京航空航天大学 | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 |
CN116484310A (zh) * | 2023-03-17 | 2023-07-25 | 朗坤智慧科技股份有限公司 | 一种基于信息融合的人工智能滚动轴承故障诊断方法 |
CN117332633A (zh) * | 2023-09-14 | 2024-01-02 | 成都飞机工业(集团)有限责任公司 | 一种航空工业元宇宙平台构建系统及方法 |
-
2024
- 2024-01-05 CN CN202410016606.8A patent/CN117516927B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566159A (zh) * | 2017-08-06 | 2018-01-09 | 俞秋芳 | 一种基于虚拟现实技术的自动化设备故障定位和展示方法 |
KR20190061538A (ko) * | 2017-11-28 | 2019-06-05 | 영남대학교 산학협력단 | 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치 |
CN109635246A (zh) * | 2018-12-06 | 2019-04-16 | 西南交通大学 | 一种基于深度学习的多属性数据建模方法 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CA3145875A1 (en) * | 2019-08-02 | 2021-02-11 | Jacob D. Feala | Machine learning guided polypeptide design |
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
CN111539381A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CN112418306A (zh) * | 2020-11-20 | 2021-02-26 | 上海工业自动化仪表研究院有限公司 | 基于lstm-svm的燃气轮机压气机故障预警方法 |
CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
CN113850161A (zh) * | 2021-09-09 | 2021-12-28 | 南京理工大学 | 基于lstm深度降噪自编码器的飞轮故障识别方法 |
CN115567404A (zh) * | 2022-08-16 | 2023-01-03 | 国网天津市电力公司信息通信公司 | 一种电力网络数字潮流流量预测方法 |
CN115374829A (zh) * | 2022-09-20 | 2022-11-22 | 浙江理工大学 | 一种基于深度学习的轴承故障诊断方法及系统 |
CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
CN116305614A (zh) * | 2023-02-07 | 2023-06-23 | 南京航空航天大学 | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 |
CN116484310A (zh) * | 2023-03-17 | 2023-07-25 | 朗坤智慧科技股份有限公司 | 一种基于信息融合的人工智能滚动轴承故障诊断方法 |
CN117332633A (zh) * | 2023-09-14 | 2024-01-02 | 成都飞机工业(集团)有限责任公司 | 一种航空工业元宇宙平台构建系统及方法 |
Non-Patent Citations (10)
Title |
---|
信息科技专辑.2022,(第2022年第05期),全文. * |
周小麟.基于二次分解和机器学习的超短期风电功率预测方法研究.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 * |
基于BI-LSTM的小样本滚动轴承故障诊断方法研究;范宇雪;王江文;梅桂明;邱江洋;刘晓龙;;噪声与振动控制;20200818(04);全文 * |
基于LSTM-SVM的风电机组齿轮箱故障诊断;王璞等;机床与液压;20230828;第51卷(第16期);212-213 * |
基于LSTM的电力通信流量预测;黄国伦;诸葛丽强;杨乐;磨唯;;中国科技信息;20200215(Z1);全文 * |
基于LSTM网络的风机齿轮箱轴承故障预警;王超;李大中;;电力科学与工程;20200928(09);全文 * |
基于支持向量机和长短期记忆网络的暂态功角稳定预测方法;刘俐;李勇;曹一家;汤吉鸿;朱军飞;杨丹;王炜宇;;电力自动化设备;20200122(02);全文 * |
基于长短期记忆网络的齿轮剩余寿命预测研究;石慧;王婉娜;张岩;刘佳媛;;太原科技大学学报;20201013(05);全文 * |
无转速阶次跟踪的滚动轴承故障诊断方法;韩佳霖;高宏力;郭亮等;西南交通大学学报;20220805;第59卷(第01期);全文 * |
王璞等.基于LSTM-SVM的风电机组齿轮箱故障诊断.机床与液压.2023,第51卷(第16期),212-213. * |
Also Published As
Publication number | Publication date |
---|---|
CN117516927A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Atamuradov et al. | Prognostics and health management for maintenance practitioners-Review, implementation and tools evaluation. | |
Wang et al. | Prognostics and health management: A review of vibration based bearing and gear health indicators | |
Bengtsson et al. | Design of condition based maintenance system—A case study using sound analysis and case-based reasoning | |
Kundu et al. | A review on diagnostic and prognostic approaches for gears | |
Engel et al. | Prognostics, the real issues involved with predicting life remaining | |
Lee et al. | Introduction to data-driven methodologies for prognostics and health management | |
CN117516927B (zh) | 齿轮箱故障检测方法、系统、设备及存储介质 | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
WO2012009804A1 (en) | Tool and method for fault detection of devices by condition based maintenance | |
Zhao et al. | Fault prognosis of wind turbine generator using SCADA data | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
Pirasteh et al. | Interactive feature extraction for diagnostic trouble codes in predictive maintenance: A case study from automotive domain | |
von Hahn et al. | Knowledge informed machine learning using a weibull-based loss function | |
Wang | An enhanced diagnostic system for gear system monitoring | |
Li et al. | Rotating machine prognostics using system-level models | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
Byington et al. | False alarm mitigation of vibration diagnostic systems | |
Guerroum et al. | Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
Baqer et al. | Prediction of the belt drive contamination status based on vibration analysis and artificial neural network | |
Ebrahimi | A method based on support vector machine and vibration analysis for fault detection in bevel gears (Case study: Differential) | |
Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
Trilla et al. | Developing a hybrid expert/data-driven health index for railway axleboxes using auto-encoder neural networks | |
Bălănică et al. | A multi-model approach for anomaly detection and diagnosis using vibration signals | |
Pandiyan et al. | Systematic Review on Fault Diagnosis on Rolling-Element Bearing |
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 |