WO2024146490A1 - 齿轮故障检测、判定方法、控制器以及作业机械 - Google Patents

齿轮故障检测、判定方法、控制器以及作业机械 Download PDF

Info

Publication number
WO2024146490A1
WO2024146490A1 PCT/CN2024/070016 CN2024070016W WO2024146490A1 WO 2024146490 A1 WO2024146490 A1 WO 2024146490A1 CN 2024070016 W CN2024070016 W CN 2024070016W WO 2024146490 A1 WO2024146490 A1 WO 2024146490A1
Authority
WO
WIPO (PCT)
Prior art keywords
fault
gear
fault detection
value
target gear
Prior art date
Application number
PCT/CN2024/070016
Other languages
English (en)
French (fr)
Inventor
胡亮红
谭科
Original Assignee
三一汽车制造有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三一汽车制造有限公司 filed Critical 三一汽车制造有限公司
Publication of WO2024146490A1 publication Critical patent/WO2024146490A1/zh

Links

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
    • G06F18/10—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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

Definitions

  • the process of extracting the multi-order characteristic value of the spectrum includes:
  • the gear fault detection method provided in the first aspect of the present application further includes: updating the fault detection model according to the detection sample and the actual state of the target gear.
  • the fourth statistical value is the number of fault detection results of which the results are faults among the multiple fault detection results
  • the fifth statistical value is the number of consecutive occurrences of fault detection results of which the results are faults among the multiple fault detection results
  • Whether the target gear is faulty is determined according to the fourth statistical value and the fifth statistical value.
  • determining whether the target gear is faulty according to the fourth statistical value and the fifth statistical value includes:
  • the multiple fault detection results are stored in a preset stack, and the method further includes:
  • the fault detection results in the preset stack are updated according to the first-in-first-out principle.
  • the present application provides a controller comprising: a memory and a processor; the memory stores a program suitable for execution by the processor to implement the gear fault detection method described in any one of the first aspect of the present application, or the gear fault judgment method described in any one of the second aspect of the present application.
  • the present application provides a working machine, comprising: a working component and the controller described in the third aspect of the present application, wherein:
  • the controller is connected to the working component, and the working component is provided with a gear.
  • the gear fault detection method provided by the present application after obtaining the vibration signal and speed signal of the target gear, constructs a detection sample based on the vibration signal and the speed signal and extracts the fault detection characteristic value of the target gear based on the detection sample, and finally inputs the fault detection characteristic value of the target gear into the pre-trained fault detection model to obtain the fault detection result of the target gear.
  • the fault detection of the gear can be completed, providing a reference basis for timely repair of the gear, thereby effectively reducing the harm of the faulty gear and improving the operating safety of the operating machinery.
  • FIG1 is a flow chart of a gear fault detection method provided in an embodiment of the present application.
  • FIG. 2 is a schematic diagram of the sampling effect of sampling a vibration signal at equal time intervals.
  • FIG. 3 is a schematic diagram of the sampling effect of sampling a vibration signal at equal angle intervals.
  • FIG. 4 is a schematic diagram of a waveform of a vibration signal triggered by a gear fault.
  • FIG. 5 is a schematic diagram of a frequency spectrum of a vibration signal triggered by a gear fault.
  • FIG6 is a flow chart of a gear fault determination method provided in an embodiment of the present application.
  • FIG. 7 is a structural block diagram of a gear fault detection device provided in an embodiment of the present application.
  • FIG8 is a structural block diagram of a gear fault determination device provided in an embodiment of the present application.
  • gears are an indispensable component of most construction machinery. Whether the gears are faulty has a direct impact on ensuring the normal operation of the construction machinery. In practical applications, it is necessary to perform gear fault detection. To this end, the present application provides a gear fault detection method, which completes gear fault detection based on the vibration signal and speed signal of the gear, provides a reference basis for timely maintenance of the gear, and thus effectively reduces the hazards of faulty gears and improves the operating safety of the operating machinery.
  • the gear fault detection method provided in the present application can be applied to a controller, which can be any controller in the operating machine to which the gear that needs to perform fault detection belongs. Of course, it can also be applied to other controllers independent of the operating machine, such as a server on the network side.
  • the target gear refers to a gear that needs to be detected for faults.
  • the target gear can be any gear in the operating machinery.
  • the target gear During the operation of the target gear, it will rotate at a certain speed under the action of the corresponding driving mechanism or power mechanism.
  • the gear fails mainly refers to two types of faults, cracks and broken teeth in this embodiment
  • the vibration signal generated by the gear failure is directly related to the rotation process of the gear. Therefore, this step first collects the vibration signal and speed signal of the target gear. It can be understood that in order to effectively retain the temporal correlation between the vibration signal and the speed signal, the vibration signal and the speed signal should be collected synchronously so that the two correspond to the same timestamp.
  • S110 construct a detection sample based on the vibration signal and the rotation speed signal.
  • the operating environment of the operating machinery is usually harsh and the environmental noise is very loud.
  • the vibration signal collected by the vibration sensor often includes a lot of noise, which is useless for fault detection of the target gear and needs to be eliminated.
  • the frequency of the vibration signal generated in the fault state can often be predetermined.
  • the frequency of the vibration signal generated in the fault state of most target gears is usually between 12K ⁇ 2KHz.
  • the vibration signal corresponding to the target frequency in the obtained vibration signal can be first extracted, and the vibration signal corresponding to the target frequency can be envelope processed to obtain the processed vibration signal.
  • the target frequency corresponds to the frequency of the vibration signal generated under the fault state of the target gear. In practical applications, it can be determined based on the design parameters and structural characteristics of the target gear. The present application does not limit the specific selection of the target frequency.
  • the process of extracting the vibration signal of the target frequency can be implemented based on bandpass filtering technology, and the process of envelope processing of the vibration signal corresponding to the target frequency can be implemented based on Hilbert or low-pass filtering technology, which is also not limited in the present application.
  • Figure 2 is a schematic diagram of the sampling effect after equal-time interval sampling of the vibration signal
  • Figure 3 is a schematic diagram of the sampling effect after equal-angle interval sampling of the vibration signal.
  • a detection sample is obtained, which includes multiple detection sub-samples. It can be understood that one detection sub-sample corresponds to the period of one rotation of the target gear, and any detection sub-sample includes multiple vibration signal amplitudes arranged in time sequence.
  • the vibration signal generated during operation usually has the following characteristics:
  • the size of the gear speed is related to the amplitude of the impact vibration caused by gear cracks or broken teeth. Since the broken teeth destroy the normal meshing of the gears, the driving gear hits the driven gear teeth, causing impact vibration. When the gear speed is high, although the broken teeth cannot mesh normally, the impact intensity is alleviated to a certain extent due to the large inertia.
  • the waveform of the vibration signal generated by each vibration of the faulty gear is relatively sharp, and its waveform can be seen in Figure 4.
  • the gear fault spectrum lines are multi-order prominent, that is, there are multiple spectrum lines with high amplitude values, and the spectrum lines are equidistant, that is, multi-order prominent.
  • the gear fault detection method extracts the fault detection characteristic value of the target gear based on the detection sample, including at least one of the rotation speed characteristic value, amplitude characteristic value, sharp impact characteristic value, spectrum protrusion characteristic value and spectrum multi-order characteristic value.
  • the extraction process of each fault detection characteristic value will be specifically expanded in the subsequent content and will not be described in detail here.
  • the present application embodiment provides a fault detection model, which is obtained by training a neural network with the fault detection feature value of the gear as input and the fault detection result of the gear as output.
  • the fault detection model can also be trained based on other machine learning models such as random forests, which will not be expanded here.
  • the fault detection characteristic value of the target gear is input into the fault detection model to directly obtain the fault detection result of the target gear.
  • the fault detection result may include two situations: the target gear is normal and the target gear is faulty.
  • more specific fault detection results can be further output, for example, outputting whether the target gear is a crack fault or a broken tooth fault.
  • information such as the fault level of the target gear can also be output. This is also optional and does not exceed the scope of this application. Under the premise of the core idea scope, it also falls within the scope of protection of this application.
  • the gear fault detection method provided by the present application, after obtaining the vibration signal and speed signal of the target gear, constructs a detection sample based on the vibration signal and the speed signal and extracts the fault detection characteristic value of the target gear based on the detection sample, and finally inputs the fault detection characteristic value of the target gear into the pre-trained fault detection model to obtain the fault detection result of the target gear.
  • the fault detection of the gear can be completed, providing a reference basis for timely repair of the gear, thereby effectively reducing the harm of the faulty gear and improving the operating safety of the operating machinery.
  • the fourth statistical value is the number of fault detection results that are faults among the multiple fault detection results
  • the fifth statistical value is the number of consecutive occurrences of fault detection results that are faults among the multiple fault detection results.
  • the fourth statistical value may reflect the cumulative characteristics of the target gear failure point, and correspondingly, the fifth statistical value may reflect the continuity characteristics of the target gear failure point.
  • the second statistical value is the total number of clefs whose corresponding amplitudes are greater than or equal to a preset amplitude threshold value among the fault characteristic clef and clefs that are integer multiples of the fault characteristic clef.
  • a statistical unit 60 configured to collect a fourth statistical value and a fifth statistical value based on the plurality of fault detection results
  • the fourth statistical value is the number of fault detection results that are faults among the multiple fault detection results
  • the fifth statistical value is the number of consecutive occurrences of fault detection results that are faults among the multiple fault detection results
  • the determination unit 70 is used to determine whether the target gear is faulty according to the fourth statistical value and the fifth statistical value.
  • the determination unit 70 is used to determine whether the target gear is faulty according to the fourth statistical value and the fifth statistical value, including:
  • the fourth statistical value is greater than a preset cumulative threshold, or the fifth statistical value is greater than a preset continuity threshold, it is determined that the target gear is faulty;
  • an embodiment of the present application also provides a controller, comprising: a memory and a processor; the memory stores a program suitable for execution by the processor to implement the gear fault detection method provided by the aforementioned embodiment, or the gear fault determination method provided by any of the aforementioned embodiments.
  • an embodiment of the present application further provides an operating machine, comprising: an operating component and the controller provided in the above embodiment, wherein:
  • the controller is connected to the working component, and the working component is provided with a gear.
  • the present disclosure uses a flowchart to illustrate the steps of the method according to the embodiment of the present disclosure. It should be understood that The preceding or succeeding steps do not necessarily have to be performed in exact order. Instead, various steps may be processed in reverse order or simultaneously. Also, other operations may be added to these processes.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供一种齿轮故障检测、判定方法、控制器以及作业机械，应用于作业机械技术领域，该方法在获取目标齿轮的振动信号和转速信号之后，基于振动信号和转速信号构建检测样本并基于检测样本提取目标齿轮的故障检测特征值，最后将目标齿轮的故障检测特征值输入预训练的故障检测模型，得到目标齿轮的故障检测结果。通过本申请提供的方法，能够完成对齿轮的故障检测，为及时检修齿轮提供参考依据，进而有效降低故障齿轮的危害，提高作业机械的运行安全性。

Description

齿轮故障检测、判定方法、控制器以及作业机械
本申请要求于2023年1月3日提交到中国国家知识产权局、申请号为“202310004181.4”，发明名称为“齿轮故障检测、判定方法、装置、控制器以及作业机械”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及作业机械技术领域，具体涉及一种齿轮故障检测、判定方法、控制器以及作业机械。
背景技术
齿轮属于工程领域中最为常见的机械结构，通过齿轮可以实现动力传递、改变运动方向以及变换转动速度以调整扭矩等多种功能，因此，齿轮是绝大部分作业机械中不可或缺的构成部件。
在齿轮的运行过程中，容易出现点蚀、磨损、裂纹以及断齿等多种典型的失效形式，其中，裂纹和断齿故障，对作业机械的危害较大。一方面，裂纹或断齿故障破坏了齿轮正常啮合过程，容易引发临近齿轮破坏；另一方面，断齿会影响机械正常作业，同时断齿部分甩出，对机械造成直接机械损伤。
因此，如何准确的对齿轮进行故障检测及故障判定，降低故障齿轮的危害，提高作业机械的运行安全性，成为本领域技术人员亟待解决的问题之一。
申请内容
有鉴于此，本申请致力于提供一种齿轮故障检测、判定方法、控制器及作业机械，基于齿轮的振动信号和转速信号完成对齿轮的故障检测，为及时检修齿轮提供参考依据，进而有效降低故障齿轮的危害，提高作业机械的运行安全性。
第一方面，本申请提供一种齿轮故障检测方法，包括：
获取目标齿轮的振动信号和转速信号；
基于所述振动信号和所述转速信号构建检测样本；
基于所述检测样本提取所述目标齿轮的故障检测特征值；
将所述目标齿轮的故障检测特征值输入预训练的故障检测模型，得到所述目标齿轮的故障检测结果；
其中，所述故障检测模型以齿轮的故障检测特征值为输入，以齿轮的故障检测结果为输出，训练神经网路得到。
可选的，基于所述振动信号和所述转速信号构建检测样本，包括：
提取所述振动信号中目标频率对应的振动信号，并对所述目标频率对应的振动信号进行包络处理，得到处理后振动信号；
基于所述转速信号以及预设采样频率对所述处理后振动信号进行等角度间隔采样，得到检测样本；
其中，所述检测样本包括多个检测子样本，任一所述检测子样本包括多个按时序排列的振动信号幅值。
可选的，所述故障检测特征值包括转速特征值、幅度特征值、尖锐冲击特征值、频谱突出特征值以及频谱多阶性特征值中的至少一种。
可选的，提取所述频谱突出特征值的过程，包括：
对所述检测样本的频谱进行归一化处理，得到归一化频谱；
基于所述检测样本确定所述目标齿轮的故障特征谱号，并提取目标幅值；
其中，所述目标幅值为所述归一化频谱中所述故障特征谱号以及所述故障特征谱号的整数倍的谱号所对应的幅值；
确定各所述目标幅值中最大的目标幅值为频谱突出特征值。
可选的，提取所述频谱多阶性特征值的过程，包括：
对所述检测样本的频谱进行归一化处理，得到归一化频谱，并基于所述检测样本确定所述目标齿轮的故障特征谱号；
统计所述归一化频谱中所述故障特征谱号以及所述故障特征谱号整数倍的谱号的总数量，得到第一统计值；
确定第二统计值与所述第一统计值的比值为所述频谱多阶性特征值；
其中，所述第二统计值为所述故障特征谱号以及所述故障特征谱号整数倍的谱号中，对应幅值大于等于预设幅值阈值的谱号的总数量。
可选的，提取所述目标齿轮的幅度特征值的过程，包括：
基于所述检测样本构造逆变换样本；
将所述逆变换样本划分为多个逆变换子样本；
分别提取各所述逆变换子样本中振动信号幅值的最大值；
确定各所述最大值的平均值为所述目标齿轮的幅度特征值。
可选的，提取所述目标齿轮的尖锐冲击特征值的过程，包括：
基于所述检测样本构造逆变换样本；
将所述逆变换样本划分为多个逆变换子样本；
分别计算各所述逆变换子样本的峭度指标；
统计各所述峭度指标中小于等于预设峭度指标阈值的峭度指标的个数，得到第三统计值；
确定所述第三统计值与各所述逆变换子样本的总数的比值，为所述目标齿轮的尖锐冲击特征值。
可选的，基于所述检测样本构造逆变换样本，包括：
基于所述检测样本确定所述目标齿轮的故障特征谱号；
提取所述检测样本中所述故障特征谱号以及所述故障特征谱号的整数倍的频谱对应的振动信号幅值，得到构造样本；
对所述构造样本进行逆傅里叶变换，得到逆变换样本。
可选的，本申请第一方面提供的齿轮故障检测方法，还包括：根据所述检测样本以及所述目标齿轮的实际状态更新所述故障检测模型。
第二方面，本申请提供一种齿轮故障判定方法，包括：
按照本申请第一方面任一项所述的齿轮故障检测方法，获取目标齿轮的多个故障检测结果；
基于所述多个故障检测结果统计第四统计值和第五统计值；
其中，所述第四统计值为所述多个故障检测结果中结果为故障的故障检测结果的数量，所述第五统计值为所述多个故障检测结果中结果为故障的故障检测结果连续出现的数量；
根据所述第四统计值以及所述第五统计值确定所述目标齿轮是否故障。
可选的，根据所述第四统计值以及所述第五统计值确定所述目标齿轮是否故障，包括：
若所述第四统计值大于预设累积性阈值，或者，所述第五统计值大于预设连续性阈 值，判定所述目标齿轮故障；
若所述第四统计值小于等于所述预设累积性阈值，且所述第五统计值小于等于所述预设连续性阈值，判定所述目标齿轮正常。
可选的，所述多个故障检测结果存储于预设堆栈中，所述方法还包括：
按照先进先出原则更新所述预设堆栈中的故障检测结果。
第三方面，本申请提供一种控制器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现本申请第一方面任一项所述的齿轮故障检测方法，或者，本申请第二方面任一项所述的齿轮故障判定方法。
第四方面，本申请提供一种作业机械，包括：作业部件和本申请第三方面所述的控制器，其中，
所述控制器与所述作业部件相连，且所述作业部件设置有齿轮。
基于上述内容，本申请提供的齿轮故障检测方法，在获取目标齿轮的振动信号和转速信号之后，基于振动信号和转速信号构建检测样本并基于检测样本提取目标齿轮的故障检测特征值，最后将目标齿轮的故障检测特征值输入预训练的故障检测模型，得到目标齿轮的故障检测结果。通过本申请提供的方法，能够完成对齿轮的故障检测，为及时检修齿轮提供参考依据，进而有效降低故障齿轮的危害，提高作业机械的运行安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1是本申请实施例提供的一种齿轮故障检测方法的流程图。
图2是对振动信号进行等时间间隔采样的采样效果示意图。
图3是对振动信号进行等角度间隔采样的采样效果示意图。
图4是一种由齿轮故障触发的振动信号的波形示意图。
图5是一种由齿轮故障触发的振动信号的频谱示意图。
图6是本申请实施例提供的一种齿轮故障判定方法的流程图。
图7是本申请实施例提供的一种齿轮故障检测装置的结构框图。
图8是本申请实施例提供的一种齿轮故障判定装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如前所述，齿轮是绝大部分工程机械不可或缺的构成部件，齿轮是否故障对于确保工程机械正常运行有着直接影响，在实际应用中有必要对齿轮进行故障检测，为此，本申请提供一种齿轮故障检测方法，基于齿轮的振动信号和转速信号完成对齿轮的故障检测，为及时检修齿轮提供参考依据，进而有效降低故障齿轮的危害，提高作业机械的运行安全性。
本申请提供的齿轮故障检测方法，可以应用于控制器，该控制器可以是需要进行故障检测的齿轮所属的作业机械中的任一控制器，当然，也可以应用于独立于作业机械以外的其他控制器，比如，网络侧的服务器。
参见图1，本申请实施例提供的齿轮故障检测方法的流程，可以包括：
S100、获取目标齿轮的振动信号和转速信号。
在本实施例以及后续各个实施例中，目标齿轮均指需要进行故障检测的齿轮，在实际应用中，目标齿轮可以是作业机械中的任一齿轮。
在目标齿轮工作过程中，会在相应的驱动机构或动力机构的作用下按照一定的转速转动，相应的，如果齿轮出现故障(在本实施例中主要指裂纹和断齿两种故障类型)，会在转动过程中重复的经过故障点，并产生振动信号。由此可见，由于齿轮故障而产生的振动信号与齿轮的转动过程具有直接的联系，因此，本步骤首先采集目标齿轮的振动信号和转速信号。可以理解的是，为有效保留振动信号与转速信号在时间上的关联性，应同步采集振动信号和转速信号，使二者对应相同的时间戳。
在实际应用中，振动信号可以通过振动传感器采集得到，转速信号可以通过转速传感器采集得到，当然，上述信息还可以通过其他方式采集获取，此处不再一一列举，本申请对此不做具体限定。
S110、基于振动信号和转速信号构建检测样本。
可以理解的是，作业机械的运行环境通常比较恶劣，环境噪声非常大，振动传感器采集的振动信号中往往包括很多噪声，这些噪声在对目标齿轮进行故障检测是没有用的，需要剔除。并且，对于确定的目标齿轮而言，其在故障状态下产生的振动信号的频率往往是可以预先确定的，比如，大部分目标齿轮故障状态下产生的振动信号的频率通常在12K±2KHz之间。
基于上述内容，在获取振动信号之后，可以首先提取所得振动信号中目标频率对应的振动信号，并对目标频率对应的振动信号进行包络处理，得到处理后振动信号。其中，如前所述，目标频率对应于目标齿轮故障状态下产生的振动信号的频率，在实际应用中可以基于目标齿轮的设计参数以及结构特点确定，本申请对于目标频率的具体选取不做限定。进一步的，提取目标频率的振动信号的过程，可以基于带通滤波技术实现，对目标频率对应的振动信号进行包络处理的过程则可以基于希尔伯特或低通滤波技术实现，本申请对此同样不做限定。
在实际应用中，如果目标齿轮出现断齿故障，即某个齿片断裂丢失，将破坏其他正常齿片的正常啮合，从而导致目标齿轮旋转过程中产生振动信号，并且目标齿轮每旋转一周引发一次冲击振动，使得振动信号的特征频率与目标齿轮的转频是一致的，而目标齿轮的转频是变化的，如果采用等时间间隔采样，将会出现多频率成分，不利于振动分析，因此，本实施例对振动信号采用等角度间隔采样。
在得到处理后振动信号之后，基于转速信号以及预设采样频率对处理后振动信号进行等角度间隔采样，得到检测样本，可以理解的是，进行等角度间隔采样的目标是目标齿轮旋转一周的采样点数一致。具体的，在利用转速信号完成等角度间隔采样的过程中，首先根据预设采样频率，例如200倍转频生成模拟脉冲，完成振动信号等角度间隔采样。
需要说明的是，上述内容仅仅是对基于转速信号对处理后振动信号进行等角度间隔采样过程的大致介绍，其具体实现过程可参照相关技术实现，本申请对于振动信号等角度间隔采样的具体实现过程不做限定。
对比图2和图3所示，其中，图2所示为对振动信号进行等时间间隔采样后的采样效果示意图，图3所示为对振动信号进行等角度间隔采样后的采样效果示意图，通过对比可以看出，进行等时间间隔采样后所得振动信号的频谱成分更为复杂，不利于后续数据分析，相反的，进行等角度间隔采样后所得振动信号的频谱成分更为单一，能够有效降低后续故障检测的数据量。
在按照上述内容对处理后振动信号进行等角度间隔采样后，便得到检测样本，该检测样本包括多个检测子样本，可以理解的是，一个检测子样本对应目标齿轮旋转一周的周期，并且，任意一个检测子样本内包括多个按时序排列的振动信号幅值。
S120、基于检测样本提取目标齿轮的故障检测特征值。
结合齿轮自己结构以及运行特点，在齿轮存在裂纹或断齿故障的情况下，运行过程中产生的振动信号通常具备如下特征：
首先，在通常情况下，齿轮转速的大小和齿轮裂纹或断齿类故障引发的冲击振动幅值大小是有关联的，由于断齿破坏了齿轮正常啮合，主动齿轮撞击从动齿轮齿片，引发冲击振动，当齿轮转速高，虽然断齿处未能正常啮合传动，但因惯性大一定程度缓解了冲击强度。
其次，故障齿轮每次振动产生的振动信号的波形都较为尖锐，其波形可以参见图4所示，并且，如果齿轮存在多处裂纹或断齿故障，在一个旋转周期内还会存在多次尖锐冲击。
再次，在对振动信号进行傅里叶变换后，所得频谱图可以如图5所示，频谱图中齿轮故障谱线多阶突出，即有多根谱线振幅值高，并且谱线之间是等间距的，即多阶突出。
基于上述内容，本申请实施例提供的齿轮故障检测方法，基于检测样本提取目标齿轮的故障检测特征值包括转速特征值、幅度特征值、尖锐冲击特征值、频谱突出特征值以及频谱多阶性特征值中的至少一种。对于各故障检测特征值的提取过程，将在后续内容中具体展开，此处暂不详述。
S130、将目标齿轮的故障检测特征值输入预训练的故障检测模型，得到目标齿轮的故障检测结果。
作为一种优选的实施方式，本申请实施例提供一种故障检测模型，该故障检测模型以齿轮的故障检测特征值为输入，以齿轮的故障检测结果为输出，训练神经网路得到。当然，故障检测模型还可以基于随机森林等其他机器学习模型训练得到，此处不再展开。
基于此，在经过前述步骤得到目标齿轮的故障检测特征值之后，将目标齿轮的故障检测特征值输入故障检测模型，即可直接得到目标齿轮的故障检测结果。作为一种可选的实现方式，故障检测结果可以包括目标齿轮正常以及目标齿轮故障两种情况。当然，还可以进一步输出更为具体的故障检测结果，比如，输出目标齿轮属于裂纹故障还是属于断齿故障，又比如，还可以输出目标齿轮的故障等级等信息，这同样是可选的，在不超出本申请 核心思想范围的前提下，同样属于本申请保护的范围内。
需要说明的是，在故障检测模型的训练前，需要准备训练样本，训练样本可以包括历史积累样本和破坏性实验采集样本两种方式获取，在两种获取方式中，都需要包括故障样本和非故障样本两类，并且，在训练前还需要通过人工的方式对样本进行标定，即标定样本具体属于故障样本还是属于非故障样本，在完成训练样本的标定之后，即可对故障检测模型训练，直至得到满足使用要求的故障检测模型。至于故障检测模型的具体训练过程可以基于相关技术实现，本申请对此不做限定。
进一步的，在故障检测模型的实际使用过程中，还可以基于使用过程中获取的检测样本以及目标齿轮的实际状态对故障检测模型进行更新，即将机器学习与定期增量学习相结合，从而使得故障检测模型不断完善，检测结果的准确率不断提高。可以理解的是，目标齿轮的实际状态，可以通过拆解目标齿轮所属作业机械，对目标齿轮进行实际查验确定。
综上所述，本申请提供的齿轮故障检测方法，在获取目标齿轮的振动信号和转速信号之后，基于振动信号和转速信号构建检测样本并基于检测样本提取目标齿轮的故障检测特征值，最后将目标齿轮的故障检测特征值输入预训练的故障检测模型，得到目标齿轮的故障检测结果。通过本申请提供的方法，能够完成对齿轮的故障检测，为及时检修齿轮提供参考依据，进而有效降低故障齿轮的危害，提高作业机械的运行安全性。
进一步的，由于在齿轮存在多处裂纹或断齿故障的情况下，振动信号会包含多次尖锐冲击，前述故障检测特征值可以很好的体现这一特征，因此，通过本申请提供的方法，还可以实现齿轮存在多处故障情况的识别。
下面对S120中涉及的各个故障检测特征值的提取过程进行介绍，假设检测样本为Xsam，样本长度为M(即包括M个振动信号幅值)，对检测样本进行傅里叶变换后所得频谱为Fsam。
转速特征值：
前述步骤中采集得到目标齿轮的转速信号，通常，目标齿轮的运转速度是平稳的，因此，可以将转速信号中携带的转速值的平均值作为目标齿轮的当前转速，并将当前转速与目标齿轮对应的最大允许转速的比值，作为转速特征值。当然，这一过程也可以看作是对目标齿轮的当前转速的归一化处理，所得转速特征值为[0，1]范围内的任意值。
幅度特征值：
首先，基于检测样本确定目标齿轮的故障特征谱号，具体的，可以按照如下公式计算 目标齿轮的故障特征谱号。
Np＝(M/Nc)×(f1/f2)    (1)
其中，Np表示目标齿轮的故障特征谱号；
Nc表示每个采样周期的采样点数；
f1表示目标齿轮的故障特征频率；
f2表示目标齿轮的转频。
需要说明的是，对于确定的齿轮而言，其自身的故障特征频率是可以明确计算得到的，具体可参照相关技术实现，本申请对于目标齿轮的故障特征频率的具体计算过程不做限定，在将本方法应用于确定的作业机械时，可以将目标齿轮的故障特征频率预先存储于存储器中，在运行至此步骤时，直接调用该故障特征频率即可。
其次，提取检测样本中故障特征谱号以及故障特征谱号的整数倍的频谱对应的振动信号幅值，所得结果作为构造样本。具体的，首先对检测样本进行傅里叶变换，所得频谱为Fsam，Fsam中故障特征谱号以及故障特征谱号的整数倍的频谱对应的振动信号幅值，其余处全部置零，得到构造样本，标记为Fc。需要说明的是，前述内容中述及的整数倍包括零倍，即构造样本中包括0号频谱对应的振动信号幅值。
再次，对构造样本进行逆傅里叶变换，得到逆变换样本Xc。可以理解的是，前述步骤的目标是剔除样本Xsam中非齿轮类故障冲击信息，而且，所得逆变换样本Xc的样本长度也是M。作为一种可选的实施方式，可以分别用Xc中的各个振动信号幅值除以振动传感器最大量程，完成归一化处理。
进一步的，基于所得逆变换样本提取目标齿轮的幅度特征值。具体的，首先将逆变换样本划分为多个逆变换子样本。作为一种可选的实施方式，依据目标齿轮每个旋转周期内的采样点数Nc，将逆变换样本划分成Q＝M/N个逆变换子样本。比如，目标齿轮每个旋转周期的采样点数为200，样本长度为2000，则Q＝2000/200＝10。其次，分别提取各逆变换子样本中振动信号幅值的最大值，并确定各最大值的平均值为目标齿轮的幅度特征值。比如，Q＝5个逆变换子样本中振动信号幅值的最大值分别为[0.15,0.2,0.17,0.16,0.18]，则幅度特征值A＝(0.15+0.2+0.17+0.16+0.18)/5＝0.172。
尖锐冲击特征值：
在将逆变换样本划分为多个逆变换子样本的基础上，分别计算各逆变换子样本的峭度 指标，其中，对于任一逆变换子样本的峭度指标的计算，均可以参照相关技术实现，本申请对此不做具体限定。进一步的，统计各峭度指标中小于等于预设峭度指标阈值的峭度指标的个数，得到第三统计值，并最终确定第三统计值与各逆变换子样本的总数的比值，为目标齿轮的尖锐冲击特征值。
比如，逆变换子样本的总数为5，各逆变换子样本的峭度指标分别是[0.2,0.25,0.3,0.26,0.21]，预设峭度指标阈值为0.26，相应的，第三统计值为4，则尖锐冲击特征值I＝4/5＝0.8。
需要说明的是，在实际应用中，预设峭度指标阈值可以根据实际的检测需求以及齿轮特点灵活选取，本申请对此不做具体限定。
频谱突出特征值：
首先，将对检测样本进行傅里叶变换后所得频谱为Fsam中的各个谱线的振动信号幅值分别除以Fsam中最大的振动信号幅值，完成频谱Fsam的归一化处理，所得结果标记为Fo。进一步的，在Fo中取目标齿轮的故障特征谱号及其倍数所对应谱号的幅值，得到目标幅值，并将所得各个目标幅值中的最大值作为频谱突出特征值。
例如：Fsam＝[0,0.01,0.03,0.06,1.5,0.07,0.04,0.02,1.1,0.03,0.06,0.01,0.07]，归一化得到Fo＝[0,0.0067,0.02,0.04,1,0.0467,0.0267,0.0133,0.7333,0.02,0.04,0.0067,0.0467]，故障特征谱号Pgear＝4，则Pgear及倍数所对应的目标幅值为1、0.7333和0.0467，则频谱突出特征值Peig＝1。
需要说明的是，频谱突出特征值的主要作用为确保常规样本或者其它部件故障不会识别为齿轮故障。
频谱多阶性特征值：
在经过前述内容，得到统计归一化频谱Fo之后，统计Fo中故障特征谱号Pgear及其倍数所对应频谱的总数量K，然后，统计归一化频谱Fo中故障特征谱号Pgear及其倍数所对应频谱的幅值中，不低于预设幅值阈值的谱线的个数S，将S与K的比值作为目标齿轮的频谱多阶性特征值。
沿用前例，故障特征谱号Pgear及倍数所对应的频谱分别是4、8和12号，共3根，则K＝3，这些频谱对应的幅值分别为1、0.7333和0.0467，若阈值设定为0.155，S＝2，则目标齿轮的频谱多阶性特征值＝2/3＝0.667。
需要说明的是，频谱多阶性特征值的主要作用为确保齿轮的常规故障不会识别为裂纹 或者断齿类故障。
进一步的，在前述实施例的基础上，本申请还提供一种齿轮故障判定方法，本方法主要用于根据前述实施例提供的故障检测方法的检测结果，最终判定目标齿轮是否故障。与前述实施例提供的齿轮故障检测方法类似，本实施例提供的齿轮故障判定方法，应用于控制器，该控制器可以是需要进行故障检测的齿轮所属的作业机械中的任一控制器，当然，也可以应用于独立于作业机械以外的其他控制器，比如，网络侧的服务器。
参见图6，本申请实施例提供的齿轮故障判定方法的流程，可以包括：
S200、按照齿轮故障检测方法，获取目标齿轮的多个故障检测结果。
在本步骤中述及的齿轮故障检测方法，可以是前述任一实施例提供的齿轮故障检测方法，通过该齿轮故障检测方法多次对目标齿轮进行检测，从而得到多个故障检测结果。
作为一种可选的实施方式，可以提供一个预设堆栈，在该预设堆栈中存储各故障检测结果。基于堆栈的数据存储原理可知，堆栈按照先进先出的原则存储数据，因此，在实际应用中，需要按照先进先出原则更新预设堆栈中的故障检测结果。
S210、基于多个故障检测结果统计第四统计值和第五统计值。
在本实施例中，第四统计值为多个故障检测结果中结果为故障的故障检测结果的数量，第五统计值为多个故障检测结果中结果为故障的故障检测结果连续出现的数量。
其中，通过第四统计值可以体现目标齿轮故障点的累积性特征，相应的，通过第五统计值可以体现目标齿轮的故障点的连续性特征。
S220、根据第四统计值以及第五统计值确定目标齿轮是否故障。
具体的，如果所得第四统计值大于预设累积性阈值，或者，第五统计值大于预设连续性阈值，则判定目标齿轮故障；相反的，如果第四统计值小于等于预设累积性阈值，且第五统计值小于等于预设连续性阈值，则判定目标齿轮正常。
需要说明的是，在实际应用中，对于预设累积性阈值以及预设连续性阈值的设置，具体需要结合检测精度要求、控制器硬件算力以及目标齿轮的结构特点等因素综合考虑，本申请对于二者的具体取值不做限定。
可以理解的是，为了提供判定结果的准确度，特别是在采用预设堆栈存储检测结果的情况下，可以在预设堆栈中存储满预设个数的故障检测结果之后再按照S210以及S220步骤最终确定目标齿轮是否故障，相应的，在预设堆栈为存储满的情况下，可以继续按照先进先出的原则积累故障检测结果。
综上所述，通过本申请实施例提供的齿轮故障判定方法，基于前述前述实施例提供的故障检测方法，获取目标齿轮的多个故障检测结果，最终确定目标齿轮是否故障，可以为运维人员提供检修依据，有助于其实对齿轮进行维修更换，能够有效降低事故发生的几率，提高作业机械的运行安全性。
下面对本申请提供的齿轮故障检测装置进行介绍，本申请提供的齿轮故障检测装置，与本申请实施例所提供的齿轮故障检测方法属于同一申请构思，可执行本申请任意实施例所提供的齿轮故障检测方法，具备执行齿轮故障检测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的齿轮故障检测方法，此处不再加以赘述。
参见图7，图7是本申请实施例提供的一种齿轮故障检测装置的结构框图，本申请实施例提供的检测装置，包括：
第一获取单元10，用于获取目标齿轮的振动信号和转速信号；
构建单元20，用于基于振动信号和转速信号构建检测样本；
提取单元30，用于基于检测样本提取目标齿轮的故障检测特征值；
检测单元40，用于将目标齿轮的故障检测特征值输入预训练的故障检测模型，得到目标齿轮的故障检测结果；
其中，故障检测模型以齿轮的故障检测特征值为输入，以齿轮的故障检测结果为输出，训练神经网路得到。
可选的，构建单元20，用于基于振动信号和转速信号构建检测样本，包括：
提取振动信号中目标频率对应的振动信号，并对目标频率对应的振动信号进行包络处理，得到处理后振动信号；
基于转速信号以及预设采样频率对处理后振动信号进行等角度间隔采样，得到检测样本；
其中，检测样本包括多个检测子样本，任一检测子样本包括多个按时序排列的振动信号幅值。
可选的，提取单元30，用于提取所述频谱突出特征值的过程，包括：
对所述检测样本的频谱进行归一化处理，得到归一化频谱；
基于所述检测样本确定所述目标齿轮的故障特征谱号，并提取目标幅值；
其中，所述目标幅值为所述归一化频谱中所述故障特征谱号以及所述故障特征谱号的 整数倍的谱号所对应的幅值；
确定各所述目标幅值中最大的目标幅值为频谱突出特征值。
可选的，提取单元30，用于提取所述频谱多阶性特征值的过程，包括：
对所述检测样本的频谱进行归一化处理，得到归一化频谱，并基于所述检测样本确定所述目标齿轮的故障特征谱号；
统计所述归一化频谱中所述故障特征谱号以及所述故障特征谱号整数倍的谱号的总数量，得到第一统计值；
确定第二统计值与所述第一统计值的比值为所述频谱多阶性特征值；
其中，所述第二统计值为所述故障特征谱号以及所述故障特征谱号整数倍的谱号中，对应幅值大于等于预设幅值阈值的谱号的总数量。
可选的，提取单元30，用于提取目标齿轮的幅度特征值的过程，包括：
基于所述检测样本构造逆变换样本；
将逆变换样本划分为多个逆变换子样本；
分别提取各逆变换子样本中振动信号幅值的最大值；
确定各最大值的平均值为目标齿轮的幅度特征值。
可选的，提取单元30，用于提取目标齿轮的尖锐冲击特征值的过程，包括：
基于所述检测样本构造逆变换样本；
将所述逆变换样本划分为多个逆变换子样本；
分别计算各逆变换子样本的峭度指标；
统计各峭度指标中小于等于预设峭度指标阈值的峭度指标的个数，得到第三统计值；
确定第三统计值与各逆变换子样本的总数的比值，为目标齿轮的尖锐冲击特征值。
可选的，提取单元30，用于基于所述检测样本构造逆变换样本，包括：
基于所述检测样本确定所述目标齿轮的故障特征谱号；
提取所述检测样本中所述故障特征谱号以及所述故障特征谱号的整数倍的频谱对应的振动信号幅值，得到构造样本；
对所述构造样本进行逆傅里叶变换，得到逆变换样本。
下面对本申请提供的齿轮故障判定装置进行介绍，本申请提供的齿轮故障判定装置，与本申请实施例所提供的齿轮故障判定方法属于同一申请构思，可执行本申请任意实施例所提供的齿轮故障判定方法，具备执行齿轮故障判定方法相应的功能模块和有益效果。未 在本实施例中详尽描述的技术细节，可参见本申请实施例提供的齿轮故障判定方法，此处不再加以赘述。
参见图8，图8所示为本申请实施例提供的一种齿轮故障判定装置的结构框图，本实施例提供的判定装置可以包括：
第二获取单元50，用于按照权利要求1-7任一项的齿轮故障检测方法，获取目标齿轮的多个故障检测结果；
统计单元60，用于基于多个故障检测结果统计第四统计值和第五统计值；
其中，第四统计值为多个故障检测结果中结果为故障的故障检测结果的数量，第五统计值为多个故障检测结果中结果为故障的故障检测结果连续出现的数量；
确定单元70，用于根据第四统计值以及第五统计值确定目标齿轮是否故障。
可选的，确定单元70，用于根据第四统计值以及第五统计值确定目标齿轮是否故障，包括：
若第四统计值大于预设累积性阈值，或者，第五统计值大于预设连续性阈值，判定目标齿轮故障；
若第四统计值小于等于预设累积性阈值，且第五统计值小于等于预设连续性阈值，判定目标齿轮正常。
可选的，本申请实施例还提供一种控制器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现前述实施例提供的齿轮故障检测方法，或者，前述任一项实施例提供的齿轮故障判定方法。
可选的，本申请实施例还提供一种作业机械，包括：作业部件和前述实施例提供的控制器，其中，
所述控制器与所述作业部件相连，且所述作业部件设置有齿轮。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
此外，虽然本公开对根据本公开的实施例的系统中的某些单元做出了各种引用，然而，任何数量的不同单元可以被使用并运行在客户端和/或服务器上。单元仅是说明性的，并且系统和方法的不同方面可以使用不同单元。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是， 前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。

Claims (14)

  1. 一种齿轮故障检测方法，其中，包括：
    获取目标齿轮的振动信号和转速信号；
    基于所述振动信号和所述转速信号构建检测样本；
    基于所述检测样本提取所述目标齿轮的故障检测特征值；
    将所述目标齿轮的故障检测特征值输入预训练的故障检测模型，得到所述目标齿轮的故障检测结果；
    其中，所述故障检测模型以齿轮的故障检测特征值为输入，以齿轮的故障检测结果为输出，训练神经网路得到。
  2. 根据权利要求1所述的方法，其中，基于所述振动信号和所述转速信号构建检测样本，包括：
    提取所述振动信号中目标频率对应的振动信号，并对所述目标频率对应的振动信号进行包络处理，得到处理后振动信号；
    基于所述转速信号以及预设采样频率对所述处理后振动信号进行等角度间隔采样，得到检测样本；
    其中，所述检测样本包括多个检测子样本，任一所述检测子样本包括多个按时序排列的振动信号幅值。
  3. 根据权利要求1所述的方法，其中，所述故障检测特征值包括转速特征值、幅度特征值、尖锐冲击特征值、频谱突出特征值以及频谱多阶性特征值中的至少一种。
  4. 根据权利要求3所述的方法，其中，提取所述频谱突出特征值的过程，包括：
    对所述检测样本的频谱进行归一化处理，得到归一化频谱；
    基于所述检测样本确定所述目标齿轮的故障特征谱号，并提取目标幅值；
    其中，所述目标幅值为所述归一化频谱中所述故障特征谱号以及所述故障特征谱号的整数倍的谱号所对应的幅值；
    确定各所述目标幅值中最大的目标幅值为频谱突出特征值。
  5. 根据权利要求3所述的方法，其中，提取所述频谱多阶性特征值的过程，包括：
    对所述检测样本的频谱进行归一化处理，得到归一化频谱，并基于所述检测样本确定所述目标齿轮的故障特征谱号；
    统计所述归一化频谱中所述故障特征谱号以及所述故障特征谱号整数倍的谱号的总数 量，得到第一统计值；
    确定第二统计值与所述第一统计值的比值为所述频谱多阶性特征值；
    其中，所述第二统计值为所述故障特征谱号以及所述故障特征谱号整数倍的谱号中，对应幅值大于等于预设幅值阈值的谱号的总数量。
  6. 根据权利要求3所述的方法，其中，提取所述目标齿轮的幅度特征值的过程，包括：
    基于所述检测样本构造逆变换样本；
    将所述逆变换样本划分为多个逆变换子样本；
    分别提取各所述逆变换子样本中振动信号幅值的最大值；
    确定各所述最大值的平均值为所述目标齿轮的幅度特征值。
  7. 根据权利要求3所述的方法，其中，提取所述目标齿轮的尖锐冲击特征值的过程，包括：
    基于所述检测样本构造逆变换样本；
    将所述逆变换样本划分为多个逆变换子样本；
    分别计算各所述逆变换子样本的峭度指标；
    统计各所述峭度指标中小于等于预设峭度指标阈值的峭度指标的个数，得到第三统计值；
    确定所述第三统计值与各所述逆变换子样本的总数的比值，为所述目标齿轮的尖锐冲击特征值。
  8. 根据权利要求6或7所述的方法，其中，基于所述检测样本构造逆变换样本，包括：
    基于所述检测样本确定所述目标齿轮的故障特征谱号；
    提取所述检测样本中所述故障特征谱号以及所述故障特征谱号的整数倍的频谱对应的振动信号幅值，得到构造样本；
    对所述构造样本进行逆傅里叶变换，得到逆变换样本。
  9. 根据权利要求1-7任一项所述的方法，其中，还包括：根据所述检测样本以及所述目标齿轮的实际状态更新所述故障检测模型。
  10. 一种齿轮故障判定方法，其中，包括：
    按照权利要求1-9任一项所述的齿轮故障检测方法，获取目标齿轮的多个故障检测结 果；
    基于所述多个故障检测结果统计第四统计值和第五统计值；
    其中，所述第四统计值为所述多个故障检测结果中结果为故障的故障检测结果的数量，所述第五统计值为所述多个故障检测结果中结果为故障的故障检测结果连续出现的数量；
    根据所述第四统计值以及所述第五统计值确定所述目标齿轮是否故障。
  11. 根据权利要求10所述的方法，其中，根据所述第四统计值以及所述第五统计值确定所述目标齿轮是否故障，包括：
    若所述第四统计值大于预设累积性阈值，或者，所述第五统计值大于预设连续性阈值，判定所述目标齿轮故障；
    若所述第四统计值小于等于所述预设累积性阈值，且所述第五统计值小于等于所述预设连续性阈值，判定所述目标齿轮正常。
  12. 根据权利要求10所述的方法，其中，所述多个故障检测结果存储于预设堆栈中，所述方法还包括：
    按照先进先出原则更新所述预设堆栈中的故障检测结果。
  13. 一种控制器，其中，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现权利要求1至9任一项所述的齿轮故障检测方法，或者，权利要求10至12任一项所述的齿轮故障判定方法。
  14. 一种作业机械，其中，包括：作业部件和权利要求13所述的控制器，其中，
    所述控制器与所述作业部件相连，且所述作业部件设置有齿轮。
PCT/CN2024/070016 2023-01-03 2024-01-02 齿轮故障检测、判定方法、控制器以及作业机械 WO2024146490A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202310004181.4 2023-01-03
CN202310004181.4A CN116007934A (zh) 2023-01-03 2023-01-03 齿轮故障检测、判定方法、装置、控制器以及作业机械

Publications (1)

Publication Number Publication Date
WO2024146490A1 true WO2024146490A1 (zh) 2024-07-11

Family

ID=86033362

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/070016 WO2024146490A1 (zh) 2023-01-03 2024-01-02 齿轮故障检测、判定方法、控制器以及作业机械

Country Status (2)

Country Link
CN (1) CN116007934A (zh)
WO (1) WO2024146490A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116007934A (zh) * 2023-01-03 2023-04-25 三一汽车制造有限公司 齿轮故障检测、判定方法、装置、控制器以及作业机械

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4872337A (en) * 1988-01-29 1989-10-10 Watts Robert J Nondestructive testing of gears
US20030028332A1 (en) * 2001-06-19 2003-02-06 The Aerospace Corporation Rocket engine gear defect monitoring method
US20130096848A1 (en) * 2011-10-13 2013-04-18 Charles Terrance Hatch Methods and systems for automatic rolling-element bearing fault detection
US20150330867A1 (en) * 2014-05-16 2015-11-19 RMCI, Inc. Diagnosis of gear condition by comparing data from coupled gears
CN105092241A (zh) * 2015-08-10 2015-11-25 昆明理工大学 一种齿轮局部故障诊断方法及系统
CN108225762A (zh) * 2016-12-15 2018-06-29 唐智科技湖南发展有限公司 一种齿轮单齿裂纹断齿故障识别诊断方法
CN109029987A (zh) * 2018-09-10 2018-12-18 北航（天津武清）智能制造研究院有限公司 行星齿轮箱齿轮故障检测方法及系统
CN209372414U (zh) * 2018-12-07 2019-09-10 上海睿深电子科技有限公司 一种行星齿轮故障诊断系统
CN111076927A (zh) * 2019-12-19 2020-04-28 佛山科学技术学院 基于深度神经网络的齿轮故障诊断方法、装置及系统
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN114838936A (zh) * 2022-04-13 2022-08-02 北京交通大学 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN115524150A (zh) * 2022-09-13 2022-12-27 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法
CN116007934A (zh) * 2023-01-03 2023-04-25 三一汽车制造有限公司 齿轮故障检测、判定方法、装置、控制器以及作业机械

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4872337A (en) * 1988-01-29 1989-10-10 Watts Robert J Nondestructive testing of gears
US20030028332A1 (en) * 2001-06-19 2003-02-06 The Aerospace Corporation Rocket engine gear defect monitoring method
US20130096848A1 (en) * 2011-10-13 2013-04-18 Charles Terrance Hatch Methods and systems for automatic rolling-element bearing fault detection
US20150330867A1 (en) * 2014-05-16 2015-11-19 RMCI, Inc. Diagnosis of gear condition by comparing data from coupled gears
CN105092241A (zh) * 2015-08-10 2015-11-25 昆明理工大学 一种齿轮局部故障诊断方法及系统
CN108225762A (zh) * 2016-12-15 2018-06-29 唐智科技湖南发展有限公司 一种齿轮单齿裂纹断齿故障识别诊断方法
CN109029987A (zh) * 2018-09-10 2018-12-18 北航（天津武清）智能制造研究院有限公司 行星齿轮箱齿轮故障检测方法及系统
CN209372414U (zh) * 2018-12-07 2019-09-10 上海睿深电子科技有限公司 一种行星齿轮故障诊断系统
CN111076927A (zh) * 2019-12-19 2020-04-28 佛山科学技术学院 基于深度神经网络的齿轮故障诊断方法、装置及系统
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN114838936A (zh) * 2022-04-13 2022-08-02 北京交通大学 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN115524150A (zh) * 2022-09-13 2022-12-27 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法
CN116007934A (zh) * 2023-01-03 2023-04-25 三一汽车制造有限公司 齿轮故障检测、判定方法、装置、控制器以及作业机械

Also Published As

Publication number Publication date
CN116007934A (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
WO2024146490A1 (zh) 齿轮故障检测、判定方法、控制器以及作业机械
Yan et al. Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
WO2021179574A1 (zh) 根因定位方法、装置、计算机设备和存储介质
CN110501631B (zh) 一种在线间歇故障检测与诊断方法
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
CN102269655B (zh) 一种轴承故障的诊断方法
Li et al. Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network
CN103954450A (zh) 基于主成分分析的轴承寿命退化性能评估指标构建方法
CN110823576A (zh) 基于生成对抗网络的机械异常检测方法
CN110060368B (zh) 基于潜在特征编码的机械异常检测方法
CN108731921B (zh) 一种设备连接件故障监测方法及系统
CN112326213B (zh) 异常数据检测方法及装置、机械故障检测方法及装置
CN103983452B (zh) 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法
CN109238455B (zh) 一种基于图论的旋转机械振动信号监测方法及系统
CN105277362B (zh) 基于编码器多位转角信号的齿轮故障检测方法
CN109708872A (zh) 一种列车齿轮箱联轴节故障诊断方法、装置及系统
DE10249644A1 (de) Softwareabsturzereignisanalyseverfahren und -system
CN104949840A (zh) 一种基于振动分析的柴油机故障诊断方法
CN106769053A (zh) 一种基于声发射信号的水轮机故障诊断系统及方法
JP2011247695A (ja) パターンライブラリを用いた異常診断方法および異常診断システム
CN115186701A (zh) 轴承寿命预测方法、装置、电子设备及存储介质
CN107607342A (zh) 空调机房设备群的健康能效检测方法
Jiang et al. 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering
CN113516023B (zh) 设备振动异常诊断方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24738423

Country of ref document: EP

Kind code of ref document: A1