【技术实现步骤摘要】
本专利技术涉及机械设备监测与诊断，尤其涉及一种基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法。
技术介绍
1、齿轮箱在现代旋转机械设备中应用广泛，它具有传递运动、扭矩和变速的作用。据有关资料统计，齿轮箱发生故障有40％的原因是由于设计、制造、装配及原材料等因素引起的；另有43％的原因是由于用户维护不及时和操作不当引起的；还有17％的原因是由于相邻条件(如电机、联轴节等)的故障或缺陷引起的。通过对齿轮箱的故障履历统计分析，齿轮箱常见故障有7类典型故障，分别是轴系不对中，齿面啮合不良、断齿、滚动轴承故障、滑动轴承故障、螺栓松动故障和齿接手磨损。
2、目前针对齿轮箱的上述7类典型故障常采用振动分析方法进行状态监测，而齿接手磨损需在停机状态下以周期点检的方式进行磨损量超标检查。在齿轮箱的故障案例分析中发现，有些轴承故障如内圈开裂和保持架故障时振动值不超标，振动频谱未出现轴承特征频率，但点检采用五感检查能甄别出声音异常；另外齿轮箱的齿接手在确保润滑的情况下能保证齿轮箱的稳定运行，如果润滑缺失，会造成齿接手磨损，点检未及时发现异常最终将影响生产。
3、齿轮箱设备目前主要的运维方式是人工日常点检、定期停机检测和更换备件等，由于齿轮箱运行环境、负载冲击、可靠性等因素的影响，齿轮箱故障仍有发生，对生产顺行造成不利影响。
4、因此，研发齿轮箱在线运行状态的异常识别技术，提高报警准确率，对提供齿轮箱智能运维和精准维护决策具有重要意义。
技术实现思路
1、本专利
2、为解决上述技术问题，本专利技术基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法包括如下步骤：
3、步骤一、采集齿轮箱的一维振动时域信号和一维声音时域信号；
4、步骤二、通过一维振动时域信号和一维声音时域信号分别构建原始振动数据集x和原始声音数据集z，采用滑动窗口分别对原始振动数据集x和原始声音数据集z进行数据增强，即对有时信号进行采样时每一个增强数据集向前滑动m个数据点，其中m≥8；
5、对原始振动数据集x和原始声音数据集z中的振动信号x和声音信号z进行数据归一化处理，将其映射到[0,1]范围内；
6、（1）
7、（2）
8、其中，x´为振动数据集归一化以后的信号,z´为声音数据集归一化以后的信号；xmax和xmin分别为原始振动数据集x中的最大值和最小值；zmax和zmin分别为原始声音数据集中的最大值以及最小值；
9、步骤三、将原始振动数据集x生成对应的振动二维图像数据，构建齿轮箱轴系不对中，齿面啮合不良、断齿、滚动轴承故障、滑动轴承故障和螺栓松动故障的振动训练样本集；将原始声音数据集z生成对应的声音二维图像数据，构建齿轮箱齿接手磨损的声音训练样本集；
10、步骤四、采用振动训练样本集和声音训练样本集构建马尔科夫迁移矩阵，分别计算振动和声音信号任意两点的多跨度转移概率,得到马尔可夫概率转移矩阵；
11、马尔可夫概率转移矩阵m是一个n×n的矩阵，其中m(i,j)表示从状态i转移到状态j并且在任何时候都保持不变的概率，
12、m(i,j) = p(i,j) / sum(p(i,:)) （3）
13、其中，p(i,j)表示从状态i转移到状态j的概率，p(i,:)表示从状态i转移到其他所有状态的概率分布，sum(p(i,:))表示从状态i转移到其他所有状态的总概率；
14、步骤五、由马尔可夫概率转移矩阵得到mtf二维特征图像，构建齿轮箱运行状态mtf-cnn分类器，其中卷积神经网络包含五个卷积组，每个卷积组中至少包含一个基本卷积计算过程和一次下采样操作，使mtf特征图大小减半；
15、步骤六、将mtf二维特征图像、一维振动时域信号和一维声音时域信号进行全局空间信息压缩,通道信息经扩展后的全局池化层后依次经过一维卷积、激活函数进行信息交互,得到不同通道的依赖关系,对特征信息赋值,得到训练好的cnn网络模型，将256×256的mtf二维特征图像经裁剪变成224×224二维标准图像，将二维标准图像、一维振动时域信号和一维声音时域信号分别输入到cnn网络模型，二维标准图像进行conv二维卷积计算，一维振动时域信号和一维声音时域信号进行conv一维卷积计算，设定mtf-cnn网络参数训练神经网络；
16、步骤七、mtf二维特征图像、一维振动时域信号和一维声音时域信号经过mtf-cnn分类器的五个卷积组后，再进行平均池化avgpool，使用flaten层降维，分别得到长度为2048、1024和1024的一维特征信息，一维特征信息融合至全连接层为4096的一维特征信息中，经softmax输出齿轮箱运行状态的七种典型状态异常种类；
17、步骤八、在mtf-cnn分类器保存齿轮箱七种典型状态异常权重，输入齿轮箱实时数据，经mtf-cnn分类器输出齿轮箱对应的运行状态异常种类mtf图像。
18、进一步，所述步骤五中基本卷积计算过程包括convolution卷积计算、bottleneck残差计算和relu激活。
19、进一步，所述步骤五中，将mtf二维特征图像压缩成一维特征信息采用五个卷积组，其中每个卷积组中包含1个或多个基本的卷积计算过程，由于利用卷积计算不断提取特征纹理的同时导致运算量指数倍增长，此时采用池化层来对中间的特征向量进行下采样，每个卷积组中包含1次下采样操作，使mtf二维特征图像大小减半，在第二个卷积组中采用3x3的卷积核、步长为2的最大池化方法进行下采样，即在选定3x3卷积核大小的区域，取这个区域中输入变量的最大值；除第二个卷积组之外的其余四卷积组中，第一个卷积组仅包含1次卷积计算操作，卷积核为7x7、步长为2；第三、四、五个卷积组的卷积核为2x2、步长为2。
20、由于本专利技术基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法采用了上述技术方案，即本方法采集齿轮箱的一维振动时域信号和一维声音时域信号，对采集数据进行归一化和数据增强处理; 将归一化后的一维振动时域信号和一维声音时域信号计算马尔可夫转移矩阵, 计算振动和声音信号任意两点的多跨度转移概率,得到马尔可夫概率转移矩阵，得到mtf2d图像；构建齿轮箱运行状态mtf-cnn分类器，将mtf 2d图像、一维振动时域信号和一维声音时域信号输入到mtf-cnn分类器的五个卷积组实现降维和多元特征融合，进行齿轮箱运行状态七种典型故障的分类识别。本方法克服传统齿轮箱设备运维方式的缺陷，构建齿轮箱运行状态mtf-cnn分类器，通过采集振动信号和声音信本文档来自技高网...
【技术保护点】
1.一种基于MTF-CNN技术的齿轮箱在线运行状态异常识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于MTF-CNN技术的齿轮箱在线运行状态异常识别方法，其特征在于：所述步骤五中基本卷积计算过程包括Convolution卷积计算、BottleNeck残差计算和ReLU激活。
3.根据权利要求1所述的基于MTF-CNN技术的齿轮箱在线运行状态异常识别方法，其特征在于：所述步骤五中，将MTF二维特征图像压缩成一维特征信息采用五个卷积组，其中每个卷积组中包含1个或多个基本的卷积计算过程，由于利用卷积计算不断提取特征纹理的同时导致运算量指数倍增长，此时采用池化层来对中间的特征向量进行下采样，每个卷积组中包含1次下采样操作，使MTF二维特征图像大小减半，在第二个卷积组中采用3x3的卷积核、步长为2的最大池化方法进行下采样，即在选定3x3卷积核大小的区域，取这个区域中输入变量的最大值；除第二个卷积组之外的其余四卷积组中，第一个卷积组仅包含1次卷积计算操作，卷积核为7x7、步长为2；第三、四、五个卷积组的卷积核为2x2、步长为2。
【技术特征摘要】
1.一种基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法，其特征在于：所述步骤五中基本卷积计算过程包括convolution卷积计算、bottleneck残差计算和relu激活。
3.根据权利要求1所述的基于mtf-cnn技术的齿轮箱在线运行状态异常识别方法，其特征在于：所述步骤五中，将mtf二维特征图像压缩成一维特征信息采用五个卷积组，其中每个卷...
【专利技术属性】
技术研发人员：蔡正国，周芸薇，程本俊，
申请(专利权)人：宝武装备智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。