【技术实现步骤摘要】
本专利技术涉及工程机械、大数据以及人工智能等领域，特别涉及一种基于典型工况的装载机齿轮箱故障诊断方法。
技术介绍
1、工程机械广泛应用于建筑、水利、电力、交通及矿山等工程建筑领域。工程机械作为装备工业的重要组成部分，其发展水平能够衡量一个国家的工业化程度。我国作为较为成熟的工程机械市场，产品种类非常齐全，多类产品产量居全球领先地位，并在多地形成了规模化产业集群。截止2022年底，我国工程机械保有量已经突破900万台，同时全行业营收超过8000亿元。
2、齿轮箱作为装载机关键动力传递部件，由于其传动比大、承载力强，故很容易在关键部位发生断齿、磨损和点蚀等故障，继而引起局部失效，影响装备可靠性与安全性。因此对工程机械齿轮箱实现有效的故障预警，能显著提高设备运行效率，降低因停机带来的损失。
3、但是，由于工程机械齿轮箱长期处于高转速、变载荷的复杂工况下，且内部结构复杂，耦合特性强，故障复合多发，采用传统的方法难以保证故障诊断的可靠性及准确性。
技术实现思路
1、本专利技术的目的在于提供一种基于典型工况的装载机齿轮箱故障诊断方法，该方法能够实现对工程机械齿轮箱的实时监控，以精准实现齿轮箱非平稳工况下的故障诊断，精确定位故障类型，实现工程机械的预测性维护。
2、为实现上述目的，本专利技术提供一种基于典型工况的装载机齿轮箱故障诊断方法，所述装载机齿轮箱故障诊断方法包括以下几个步骤：
3、s1：获取齿轮箱运行过程中的运转信号和振动信号；所述运转信号
4、s2：通过数据预处理得到优化后的运转信号和优化后的振动信号；
5、s3：对优化后的所述运转信号进行工况筛选，得到典型工况下的运转信号；对优化后的所述振动信号进行工况筛选，得到典型工况下的振动信号；
6、s4：对典型工况下的所述运转信号进行特征提取，获取第一特征集；对典型工况下的所述振动信号进行特征提取，获取第二特征集；
7、s5：将所述第一特征集和所述第二特征集重构形成特征参数集；
8、s6：将所述特征参数集输入宽度学习模型中，获取所述齿轮箱的故障类型。
9、可选的，在齿轮箱表面设置多个传感器，通过所述传感器获取齿轮箱运行过程中的所述运转信号和所述振动信号。
10、可选的，所述运转信号还包括压力信号和温度信号中的至少一个。
11、可选的，在s1中，获取装载机齿轮箱运行过程中的运转信号和振动信号的步骤包括：
12、分别获取每个所述运转信号的缓变时序信号，并将所有的缓变时序信号构造形成第一数组；获取所述振动信号，并将所有所述振动信号构造形成第二数组。
13、可选的，在s2中，通过数据预处理得到优化后的运转信号的步骤包括：
14、将所有所述缓变时序信号分别进行低通滤波，并分别采用归一化处理得到归一化后的所述缓变时序信号；
15、在s2中，通过数据预处理中得到优化后的振动信号的步骤包括：
16、将所述振动信号进行vmd分解得到多个模态分量；计算每个所述模态分量的中心频率；将所有所述中心频率所对应的所述模态分量进行重构得到去噪后的所述振动信号。
17、可选的，在s2中，通过数据预处理得到优化后的运转信号和优化后的振动信号的步骤还包括：
18、将归一化后的所述缓变时序信号和去噪后的所述振动信号进行时间戳对齐，并将归一化后的所述缓变时序信号和去噪后的所述振动信号进行短时序等间隔切割得到片段化的所述运转信号和片段化的所述振动信号。
19、可选的，在s3中，对优化后的所述运转信号和优化后的所述振动信号分别进行工况筛选，得到典型工况下的运转信号和/或典型工况下的振动信号的步骤包括：
20、对片段化的所述运转信号提取运转时序特征；将所述运转时序特征与对齐时间戳的档位信息融合，得到不同档位下的运转特征信息；人工标记每个所述运转特征信息所属的工况类型；将所有所述运转特征信息和每个所述运转特征信息所属的工况类型代入贝叶斯模型进行筛选，得到典型工况下的所述运转信号；
21、和/或，对片段化的所述振动信号提取振动时序特征；将所述振动时序特征与对齐时间戳的档位信息融合，得到不同档位下的振动特征信息；人工标记每个所述振动特征信息所属的工况类型；将所有所述振动特征信息和每个所述振动特征信息所属的工况类型代入贝叶斯模型进行筛选，得到典型工况下的所述振动信号；
22、所述运转时序特征和/或所述振动时序特征包括均值、峰峰值、有效值、方差和峭度值中的一种或多种。
23、可选的，在s4中，对所述典型工况下的运转信号进行特征提取，获取所述第一特征集的步骤包括：
24、将典型工况下的所述运转信号输入到稀疏自编码器中进行特征提取，得到所述第一特征集；
25、在s4中，对典型工况下的所述振动信号进行特征提取，获取所述第二特征集的步骤包括：
26、对典型工况下的所述振动信号进行傅里叶变换，得到所述振动信号的时频图谱；将所述时频图谱输入到卷积神经网络中进行特征提取，得到所述第二特征集。
27、可选的，通过所述卷积神经网络进行特征提取的步骤包括：
28、将所述卷积神经网络设置为深度残差网络；将所述时频图谱进行拆分，并将拆分后的所述时频图谱输入到所述深度残差网络中进行特征提取，得到所述第二特征集。
29、可选的，在s6中，将所述特征参数集输入宽度学习模型中，获取所述齿轮箱的故障类型的步骤包括：
30、通过多组带标记的特征参数集对宽度学习模型进行训练，得到训练后的所述宽度学习模型，训练后的所述宽度学习模型包括所述齿轮箱的多种故障类型：获取所述齿轮箱运行过程中的所述特征参数集，将所述特征参数集输入到训练后的所述宽度学习模型中，获取所述齿轮箱的故障类型。
31、本专利技术在充分考虑工程机械齿轮箱的内部复杂结构、耦合特性强、故障复合多发、且长期处于高转速、变载荷复杂工况下，提出一种基于典型工况的装载机齿轮箱故障诊断方法。该方法首先从工程机械非平稳过程中获取多源异构数据，该多源异构数据能够全方面反应齿轮箱的运行状态。而后对多源异构数据进行典型工况筛选与分类，进而得到齿轮箱的典型工况数据集(包括扭矩信号、转速信号和振动信号)。而后针对典型工况数据，引入多模态数据融合算法，实现典型工况数据集的特征融合，并利用宽度学习算法，快速准确的对齿轮箱进行精确故障诊断。
32、该方法可在工程机械运转过程中，实现有效的故障诊断，并可精准定位齿轮箱的故障类型，实现工程机械的预测性维护，降低运营维护成本，提高运营维护效率，避免因齿轮箱停机带来的损失。由于该方法充分考虑了工程机械的真实运行特性，因而在工程机械的实际应用中具有重要的研究意义与进一步探索的价值。
本文档来自技高网...【技术保护点】
1.一种基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，所述装载机齿轮箱故障诊断方法包括以下几个步骤：
2.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在齿轮箱表面设置多种传感器，通过所述传感器获取齿轮箱运行过程中的所述运转信号和所述振动信号。
3.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，所述运转信号还包括压力信号和温度信号中的至少一个。
4.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S1中，获取装载机齿轮箱运行过程中的运转信号和振动信号的步骤包括：
5.如权利要求4所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S2中，通过数据预处理得到优化后的运转信号的步骤包括：
6.如权利要求5所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S2中，通过数据预处理得到优化后的运转信号和优化后的振动信号的步骤还包括：
7.如权利要求6所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S3中，对优化后
8.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S4中，对所述典型工况下的运转信号进行特征提取，获取所述第一特征集的步骤包括：
9.如权利要求8所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，通过所述卷积神经网络进行特征提取的步骤包括：
10.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在S6中，将所述特征参数集输入宽度学习模型中，获取所述齿轮箱的故障类型的步骤包括：
...【技术特征摘要】
1.一种基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，所述装载机齿轮箱故障诊断方法包括以下几个步骤：
2.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在齿轮箱表面设置多种传感器，通过所述传感器获取齿轮箱运行过程中的所述运转信号和所述振动信号。
3.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，所述运转信号还包括压力信号和温度信号中的至少一个。
4.如权利要求1所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在s1中，获取装载机齿轮箱运行过程中的运转信号和振动信号的步骤包括：
5.如权利要求4所述的基于典型工况的装载机齿轮箱故障诊断方法，其特征在于，在s2中，通过数据预处理得到优化后的运转信号的步骤包括：
6.如权利要求5所述的基于典型工况的装载机齿轮箱故障...
【专利技术属性】
技术研发人员：曹伟伟，邓波，张善睿，张琳，
申请(专利权)人：北谷电子股份有限公司，
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。