CN117782588B - 一种减速机的智能故障检测方法 - Google Patents
一种减速机的智能故障检测方法 Download PDFInfo
- Publication number
- CN117782588B CN117782588B CN202410217071.0A CN202410217071A CN117782588B CN 117782588 B CN117782588 B CN 117782588B CN 202410217071 A CN202410217071 A CN 202410217071A CN 117782588 B CN117782588 B CN 117782588B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- sound
- frequency
- signals
- 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
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000005236 sound signal Effects 0.000 claims abstract description 59
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims abstract description 4
- 238000005314 correlation function Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000005237 high-frequency sound signal Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种减速机的智能故障检测方法，本发明设计的技术方案步骤包括：S10：采集减速机易损部件的振动信号和声音信号；S20：对所述振动信号和声音信号进行过滤；S30：将过滤后的振动信号和声音信号依次输入卷积神经网络和长短期记忆网络进行训练，获取振动信号特征和声音信号特征；S40：将所述振动信号特征与声音信号特征与减速机历史的工作特征进行比较，获取故障信息；本申请通过对信号进行过滤并依次输入卷积神经网络和长短期记忆网络，减少计算量并补全信号特征，提高检测结果。
Description
技术领域
本发明属于减速机故障检测领域，尤其涉及一种减速机的智能故障检测方法。
背景技术
减速机是一种由封闭在刚性壳体内的齿轮传动、蜗杆传动、齿轮-蜗杆传动所组成的独立部件，常用作原动件与工作机之间的减速传动装置。
传统减速机的故障识别中，对于故障特征的识别提取往往只关注特征的时序特征或者空间特征，忽略了信号本身的多维特征，影响故障识别结果的准确性。
另外，减速机在作业中，产生的噪声和振动均包含着丰富的故障特征信息，且二者存在联系，例如当减速机的轴承磨损或齿轮磨损严重时，产生高异常振动和异常噪声，而现有对于多特征分析的减速机故障检测，往往是分别进行特征识别提取，并不会考虑特征间的联系和紧密性，导致分析结果并不完整且识别提取的计算量较大。
发明内容
有鉴于现有技术的上述缺陷，本发明提出一种减速机的智能故障检测方法，本发明设计的技术方案步骤包括：
S10：采集减速机易损部件的振动信号和声音信号；
S20：对所述振动信号和声音信号进行过滤；
S30：将过滤后的振动信号和声音信号依次输入卷积神经网络和长短期记忆网络进行训练，获取振动信号特征和声音信号特征；
S40：将所述振动信号特征与声音信号特征与减速机历史的工作特征进行比较，获取故障信息；
所述步骤S20包括获取振动信号和声音信号的关联函数，对关联函数小于等于预设关联阈值的振动信号和声音信号进行剔除。
优选地，所述步骤S10包括：
在减速机易损部件周边同时安装振动传感器和声音传感器，用于同步采集同一易损部件的振动信号和声音信号。
优选地，所述振动传感器和声音传感器包括：
所述振动传感器为IMI Sensors 608A11和/或PCB Piezotronics 356A03；
所述声音传感器为Knowles SPM0408LE5H和/或PUI Audio ASV-1540-24。
优选地，所述步骤S30包括：
S301：基于关联函数将所述过滤后的振动信号和声音信号转换为统一格式；
S302：在卷积神经网络的卷积层设置高频卷积滤波器，并将统一格式后的振动信号和声音信号输入至卷积神经网络的卷积层，转化为高频振动信号和高频声音信号继续进行卷积神经网络的训练；
S303：将所述高频振动信号和高频声音信号输入至长短期记忆网络进行训练。
优选地，所述步骤S301包括：将所述过滤后的振动信号和声音信号按照关联函数的线性关系映射于构建的二维网格中，转化为可被卷积神经网络卷积的二维格式。
优选地，执行所述步骤S302中，还包括：
获取所述高频振动信号后对其进行频谱转换，输出高频振动信号的频谱图，构建频谱图的峭度函数，以峭度函数内的特征作为卷积神经网络和长短期记忆网络需要识别提取振动信号的特征。
优选地，所述频谱转换包括：
对所述高频振动信号添加滑动时间窗，并对窗内高频振动信号做短时傅里叶变换，将时域信号分解为频谱，得到不同频率和不同幅值的正弦波和余弦波组合，输出高频振动信号的频谱图。
优选地，所述关联函数公式如下：
式中为振动信号与声音信号的关联函数，/>为振动信号与声音信号的协方差，/>为振动信号的标准差，/>为声音信号的标准差。
有益效果：本发明提出一种减速机的智能故障检测方法，对减速机易损部件的振动信号和声音信号进行故障分析，其中对振动信号和声音信号进行过滤减少了后续故障分析的计算量，另外依次输入卷积神经网络和长短期记忆网络进行训练，补全数据的时间特征和空间特征，并通过关联函数构建故障特征的关联性，使识别结果更精确，提高对减速机的智能识别故障的效率和准确性。
附图说明
图1是本发明一个较佳实施例的流程示意图；
图2是本发明一个较佳实施例的训练流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，下述的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明设计了一种减速机的智能故障检测方法，技术方案包含以下步骤，如图1所示，具体包括：
S10：采集减速机易损部件的振动信号和声音信号；
S20：对振动信号和声音信号进行过滤；
S30：将过滤后的振动信号和声音信号依次输入卷积神经网络和长短期记忆网络进行训练，获取振动信号特征和声音信号特征；
S40：将振动信号特征与声音信号特征与减速机历史的工作特征进行比较，获取故障信息；
步骤S20包括获取振动信号和声音信号的关联函数，对关联函数小于等于预设关联阈值的振动信号和声音信号进行剔除。
优选地，步骤S10包括：
在减速机易损部件周边同时安装振动传感器和声音传感器，用于同步采集同一易损部件的振动信号和声音信号。
优选地，振动传感器和声音传感器包括：
振动传感器为IMI Sensors 608A11和/或PCB Piezotronics 356A03；
声音传感器为Knowles SPM0408LE5H和/或PUI Audio ASV-1540-24。
优选地，如图2所示，步骤S30包括：
S301：基于关联函数将过滤后的振动信号和声音信号转换为统一格式；
S302：在卷积神经网络的卷积层设置高频卷积滤波器，并将统一格式后的振动信号和声音信号输入至卷积神经网络的卷积层，转化为高频振动信号和高频声音信号继续进行卷积神经网络的训练；
S303：将高频振动信号和高频声音信号输入至长短期记忆网络进行训练。
具体的，传统对于减速机信号的训练无法在提取信号的空间序列的同时提取时间序列，本发明采用卷积神经网络处理空间序列数据和长短期记忆网络处理时间序列数据，捕捉信号在时间和频域上的变化，提高了振动信号和声音信号的识别准确性和鲁棒性，并且契合信号的高纬度和复杂的时空关系。
优选地，步骤S301包括：将过滤后的振动信号和声音信号按照关联函数的线性关系映射于构建的二维网格中，转化为可被卷积神经网络卷积的二维格式。
优选地，执行步骤S302中，还包括：
获取高频振动信号后对其进行频谱转换，输出高频振动信号的频谱图，构建频谱图的峭度函数，以峭度函数内的特征作为卷积神经网络和长短期记忆网络需要识别提取振动信号的特征。
具体的，峭度函数的计算公式如下：
式中，/>为高频信号的峭度值，N为信号的采样点数（即发送的数据量包含的点数），L为设置滑动时间窗沿时间轴移动的步长，/>为第x个高频信号中的第y个包络信号，/>为第x个高频信号的第y个最低特征值，/>为/>与/>的标准差。
本发明以单个周期为标准，对高频信号的频率分量进行包络谱处理，即输出的包络信号对应高频信号中的频率分量，固对应高频信号中的最低频率分量。针对分析过滤后的高频信号判断减速机的故障信息，减少多余的冗余信号，减少数据计算量；另外，过滤后的高频信号相比未过滤的信号能更好显示信号的峭度情况，并在峭度计算中通过分析包络信号与最低特征值的关系，输出高频信号的峭度值表示减速机的故障情况。而对于传统峭度计算，往往基于信号的特征平均值进行计算，然而本发明的输入信号为已过滤的高频信号，峭度显示能力增强但特征值未变，因此采用最低特征值与包络信号进行分析，进一步提高高频信号的峭度显示能力，更好判别减速机故障。
另外，还可以设置峭度阈值，当峭度大于峭度阈值判定为故障情况发生，其余判定为故障情况未发生。
优选地，频谱转换包括：
对高频振动信号添加滑动时间窗，并对窗内高频振动信号做短时傅里叶变换，将时域信号分解为频谱，得到不同频率和不同幅值的正弦波和余弦波组合，输出高频振动信号的频谱图。
具体的，将振动信息数据添加滑动时间窗，并对窗内信息数据做短时傅里叶变换，将时域信号分解为频谱，能有效反映冲击响应的作用时间及振动频带，由于振动信号的时间域到频率域的变换会丢失时间信息，因此无法确定频率在时间上的出现和消失，固本发明添加滑动时间窗，补充时间信息，并进行短时傅里叶变换，补充频率对应的时间，得到频谱图。
优选地，关联函数公式如下：
式中为振动信号与声音信号的关联函数，/>为振动信号与声音信号的协方差，/>为振动信号的标准差，/>为声音信号的标准差。
具体的，对于振动信号和声音信号，当减速机的传动结构发生故障时，伴随着强烈的振动信号和声音信号，具有正相关关系，因此通过构建两者的关联函数，以线性关系表征振动信号和声音信号的关联性；关联函数的数值范围从0到1，数值越高，表明两者信号间的正相关越强。由于声音信号容易存在噪声，因此基于关联函数，仅保留关联性函数大于0的振动信号和声音信号，有效过滤冗余数据，提高监测结果和效率。
另外，利用关联函数的线性关系，将声音和振动信号按照线性关系映射于二维网格，解决神经网络对于原始声音信号和振动信号的数据无法进行处理的问题。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种减速机的智能故障检测方法，其特征在于，包括：
S10：采集减速机易损部件的振动信号和声音信号；
S20：对所述振动信号和声音信号进行过滤；
S30：将过滤后的振动信号和声音信号依次输入卷积神经网络和长短期记忆网络进行训练，获取振动信号特征和声音信号特征；
S40：将所述振动信号特征与声音信号特征与减速机历史的工作特征进行比较，获取故障信息；
所述步骤S20包括获取振动信号和声音信号的关联函数，对关联函数小于等于预设关联阈值的振动信号和声音信号进行剔除；
所述步骤S30包括：
S301：基于关联函数将所述过滤后的振动信号和声音信号转换为统一格式；
S302：在卷积神经网络的卷积层设置高频卷积滤波器，并将统一格式后的振动信号和声音信号输入至卷积神经网络的卷积层，转化为高频振动信号和高频声音信号继续进行卷积神经网络的训练；
S303：将所述高频振动信号和高频声音信号输入至长短期记忆网络进行训练；
执行所述步骤S302中，还包括：
获取所述高频振动信号后对其进行频谱转换，输出高频振动信号的频谱图，构建频谱图的峭度函数，以峭度函数内的特征作为卷积神经网络和长短期记忆网络需要识别提取振动信号的特征；
所述峭度函数的计算公式如下：
式中，/>为高频信号的峭度值，N为信号的采样点数（即发送的数据量包含的点数），L为设置滑动时间窗沿时间轴移动的步长，/>为第x个高频信号中的第y个包络信号，/>为第x个高频信号的第y个最低特征值，/>为/>与/>的标准差。
2.根据权利要求1所述的一种减速机的智能故障检测方法，其特征在于，所述步骤S10包括：在减速机易损部件周边同时安装振动传感器和声音传感器，用于同步采集同一易损部件的振动信号和声音信号。
3.根据权利要求2所述的一种减速机的智能故障检测方法，其特征在于，所述振动传感器和声音传感器包括：所述振动传感器为IMI Sensors 608A11和/或PCB Piezotronics356A03；所述声音传感器为Knowles SPM0408LE5H和/或PUI Audio ASV-1540-24。
4.根据权利要求1所述的一种减速机的智能故障检测方法，其特征在于，所述步骤S301包括：将所述过滤后的振动信号和声音信号按照关联函数的线性关系映射于构建的二维网格中，转化为可被卷积神经网络卷积的二维格式。
5.根据权利要求1所述的一种减速机的智能故障检测方法，其特征在于，所述频谱转换包括：对所述高频振动信号添加滑动时间窗，并对窗内高频振动信号做短时傅里叶变换，将时域信号分解为频谱，得到不同频率和不同幅值的正弦波和余弦波组合，输出高频振动信号的频谱图。
6.根据权利要求1所述的一种减速机的智能故障检测方法，其特征在于，所述关联函数公式如下：
式中为振动信号与声音信号的关联函数，/>为振动信号与声音信号的协方差，/>为振动信号的标准差，/>为声音信号的标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217071.0A CN117782588B (zh) | 2024-02-28 | 2024-02-28 | 一种减速机的智能故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217071.0A CN117782588B (zh) | 2024-02-28 | 2024-02-28 | 一种减速机的智能故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117782588A CN117782588A (zh) | 2024-03-29 |
| CN117782588B true CN117782588B (zh) | 2024-05-24 |
Family
ID=90383729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410217071.0A Active CN117782588B (zh) | 2024-02-28 | 2024-02-28 | 一种减速机的智能故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782588B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111219942A (zh) * | 2018-11-26 | 2020-06-02 | 珠海格力电器股份有限公司 | 冰箱故障预测方法和装置 |
| KR20200080380A (ko) * | 2018-12-17 | 2020-07-07 | 주식회사 포스코 | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 |
| CN112669829A (zh) * | 2016-04-01 | 2021-04-16 | 日本电信电话株式会社 | 异常音检测装置、异常音采样装置以及程序 |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN114462480A (zh) * | 2021-12-24 | 2022-05-10 | 燕山大学 | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 |
| CN115453158A (zh) * | 2022-09-13 | 2022-12-09 | 国网吉林省电力有限公司超高压公司 | 一种自适应调节监测位置的声纹监测装置及调节方法 |
| CN115827888A (zh) * | 2022-11-17 | 2023-03-21 | 成都航天科工大数据研究院有限公司 | 一种复杂设备的故障预测方法 |
| CN116907029A (zh) * | 2023-06-30 | 2023-10-20 | 青岛海尔空调器有限总公司 | 检测室外机内风扇异常的方法、控制装置以及空调室外机 |
| CN117077025A (zh) * | 2023-07-06 | 2023-11-17 | 国网浙江省电力有限公司台州供电公司 | 基于时域特征峭度和神经网络的电能质量扰动识别方法 |
-
2024
- 2024-02-28 CN CN202410217071.0A patent/CN117782588B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669829A (zh) * | 2016-04-01 | 2021-04-16 | 日本电信电话株式会社 | 异常音检测装置、异常音采样装置以及程序 |
| CN111219942A (zh) * | 2018-11-26 | 2020-06-02 | 珠海格力电器股份有限公司 | 冰箱故障预测方法和装置 |
| KR20200080380A (ko) * | 2018-12-17 | 2020-07-07 | 주식회사 포스코 | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN114462480A (zh) * | 2021-12-24 | 2022-05-10 | 燕山大学 | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 |
| CN115453158A (zh) * | 2022-09-13 | 2022-12-09 | 国网吉林省电力有限公司超高压公司 | 一种自适应调节监测位置的声纹监测装置及调节方法 |
| CN115827888A (zh) * | 2022-11-17 | 2023-03-21 | 成都航天科工大数据研究院有限公司 | 一种复杂设备的故障预测方法 |
| CN116907029A (zh) * | 2023-06-30 | 2023-10-20 | 青岛海尔空调器有限总公司 | 检测室外机内风扇异常的方法、控制装置以及空调室外机 |
| CN117077025A (zh) * | 2023-07-06 | 2023-11-17 | 国网浙江省电力有限公司台州供电公司 | 基于时域特征峭度和神经网络的电能质量扰动识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| MCKD最佳故障周期搜索的齿轮箱故障特征提取;冷军发;荆双喜;王志阳;华伟;;机械科学与技术;20171106(01);全文 * |
| 减速机故障诊断与解决方法;胡军;;科技经济导刊;20170505(13);全文 * |
| 无线信道统计复用中一种信号解混的快速算法;苏巧;沈越泓;袁志钢;徐鹏程;;军事通信技术;20131225(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117782588A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635334A (zh) | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 | |
| CN104251934B (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
| CN112101245A (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
| CN1935084A (zh) | 一种基于提升小波的脉搏信号处理方法 | |
| CN111507221A (zh) | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 | |
| CN101655834A (zh) | 一种基于分数阶小波变换的信号分离方法 | |
| CN117782588B (zh) | 一种减速机的智能故障检测方法 | |
| CN117928951B (zh) | 基于改进经验小波变换和包络谱能量比的故障诊断方法 | |
| CN110767248B (zh) | 一种抗变调干扰的音频指纹提取方法 | |
| CN111678691A (zh) | 基于改进的稀疏分解算法的齿轮故障检测方法 | |
| CN111623968A (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
| CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
| Zhuang et al. | Rolling bearing fault diagnosis by aperiodic stochastic resonance under variable speed conditions | |
| CN113948088A (zh) | 基于波形模拟的语音识别方法及装置 | |
| CN112197964B (zh) | 一种基于谱pq-mean的局部冲击信号定位方法 | |
| CN115266094A (zh) | 基于tvd和med的滚动轴承故障诊断方法 | |
| CN117349661B (zh) | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 | |
| CN112836583A (zh) | 一种风力机故障诊断方法 | |
| Matz et al. | Time-frequency methods for signal detection with application to the detection of knock in car engines | |
| CN112464855A (zh) | 基于eemd的随钻泥浆正脉冲信号处理方法及装置 | |
| CN111638501A (zh) | 一种自适应匹配随机共振的谱线增强方法 | |
| CN116032310B (zh) | 一种基于信道化滤波的信号自适应检测重构方法 | |
| CN118277912B (zh) | Fpga实现改进谱峭度算法的滚动轴承故障诊断方法及系统 | |
| CN118410366B (zh) | 一种深远海渔业养殖平台运动的非线性分析方法 | |
| CN117874433B (zh) | 一种水处理用深度脱氮生物过滤装备监测系统 |
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 |