CN111709383B - 变速箱的齿轮故障检测方法、装置及存储介质 - Google Patents
变速箱的齿轮故障检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111709383B CN111709383B CN202010568626.8A CN202010568626A CN111709383B CN 111709383 B CN111709383 B CN 111709383B CN 202010568626 A CN202010568626 A CN 202010568626A CN 111709383 B CN111709383 B CN 111709383B
- Authority
- CN
- China
- Prior art keywords
- state
- gear
- signal
- sample entropy
- vibration signal
- 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 68
- 239000000523 sample Substances 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 85
- 239000013074 reference sample Substances 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 206010044048 Tooth missing Diseases 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Transmission Device (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请实施例公开了一种变速箱的齿轮故障检测方法、装置及存储介质,属于车辆工程技术领域。该方法包括:获取变速箱中齿轮当前所处状态的状态振动信号;对状态振动信号按照ITD方法进行分解处理,得到状态振动信号的多个状态分量信号;对多个状态分量信号按照样本熵方法进行特征提取处理,得到状态振动信号的目标样本熵值;根据目标样本熵值和参考样本熵,确定齿轮的当前所处状态,以完成对变速箱的齿轮故障检测,参考样本熵包括齿轮处于不同状态时所对应的样本熵。本申请实施例通过ITD方法和样本熵方法确定齿轮是否发生故障以及具体故障信息,从而在不拆机的情况下确定变速箱齿轮的运行状态,提高了故障检测效率,进而提高了汽车的安全性。
Description
技术领域
本申请实施例涉及车辆工程技术领域,特别涉及一种变速箱的齿轮故障检测方法、装置及存储介质。
背景技术
随着社会的发展,汽车数量越来越多,且随着汽车数量的增加,汽车各个部件的安全性也越来越受到重视。其中,变速箱是汽车的重要部件,变速箱能够通过液压传动的方式来改变汽车的行驶速度和方向,变速箱的工作状况是否正常对汽车的整车性能有直接联系。因此,为了保证汽车的性能,通常需要对变速箱进行故障检测。而由于在变速箱中通常是齿轮易发生故障,因此,对变速箱故障的检测通常是指对变速箱中齿轮故障的检测。
目前,在对齿轮进行故障检测时,通常需要获取齿轮的振动信号,通过对振动信号进行EMD(empirical mode decomposition,经验模态分解)分解,来确定齿轮是否发生故障。但是,由于EDM分解方式的复杂度较高,缺乏实时性,导致无法及时确定齿轮是否发生故障,从而降低了齿轮故障检测效率。
发明内容
本申请实施例提供了一种变速箱的齿轮故障检测方法、装置及存储介质,可以解决相关技术中齿轮故障检测效率低的问题。所述技术方案如下:
一方面,提供了一种变速箱的齿轮故障检测方法,所述方法包括:
获取变速箱中齿轮当前所处状态的状态振动信号;
对所述状态振动信号按照ITD(Intrinsic time-scale decomposition,时间固有尺度)方法进行分解处理,得到所述状态振动信号的多个状态分量信号;
对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值;
根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,以完成对所述变速箱的齿轮故障检测,所述参考样本熵包括所述齿轮处于不同状态时所对应的样本熵。
在一些实施例中,所述对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值,包括:
从所述多个状态分量信号中选择第一分量信号,所述第一分量信号为所述多个状态分量信号中第一个分解出的信号;
对所述多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到所述第一分量信号的第一样本熵;
将所述第一样本熵值确定所述目标样本熵值。
在一些实施例中,所述根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,包括:
当所述目标样本熵值位于所述参考样本熵包括的第一熵值范围内时,确定所述齿轮当前所处状态为未故障状态;
当所述目标样本熵值位于所述参考样本熵包括的第二熵值范围内时,确定所述齿轮当前所处状态为齿根裂纹状态;
当所述目标样本熵值位于所述参考样本熵包括的第三熵值范围内时,确定所述齿轮当前所处状态为断齿状态;
当所述目标样本熵值位于所述参考样本熵包括的第四熵值范围内时,确定所述齿轮当前所处状态为缺齿状态。
在一些实施例中,所述根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态之前,还包括:
获取所述齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,所述第一状态信号为所述齿轮处于未故障状态时的振动信号、所述第二状态信号为所述齿轮处于齿根裂纹状态时的振动信号,所述第三状态信号为所述齿轮处于断齿状态时的振动信号,所述第四状态信号为所述齿轮处于缺齿状态时的振动信号;
将所述第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
对所述参考振动信号按照所述ITD方法进行分解处理,得到所述状态振动信号的多个参考分量信号;
对所述多个参考分量信号按照样本熵方法进行特征提取处理,得到所述参考振动信号的参考样本熵。
在一些实施例中,所述根据所述第一样本熵值、所述第二样本熵和参考样本熵,确定所述变速箱中齿轮的故障状态之后,还包括:
通过提示信息提示所述齿轮的故障检测结果。
另一方面,提供了一种变速箱的齿轮故障检测装置,所述装置包括:
第一获取模块,用于获取变速箱中齿轮当前所处状态的状态振动信号;
第一分解模块,用于对所述状态振动信号按照时间固有尺度ITD方法进行分解处理,得到所述状态振动信号的多个状态分量信号;
第一提取模块,用于对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值;
确定模块,用于根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,以完成对所述变速箱的齿轮故障检测,所述参考样本熵包括所述齿轮处于不同状态时所对应的样本熵。
在一些实施例中,所述第一提取模块包括:
选择子模块,用于从所述多个状态分量信号中选择第一分量信号,所述第一分量信号为所述多个状态分量信号中第一个分解出的信号;
提取子模块,用于对所述多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到所述第一分量信号的第一样本熵;
第一确定子模块,用于将所述第一样本熵值确定所述目标样本熵值。
在一些实施例中,所述确定模块用于:
当所述目标样本熵值位于所述参考样本熵包括的第一熵值范围内时,确定所述齿轮当前所处状态为未故障状态;
当所述目标样本熵值位于所述参考样本熵包括的第二熵值范围内时,确定所述齿轮当前所处状态为齿根裂纹状态;
当所述目标样本熵值位于所述参考样本熵包括的第三熵值范围内时,确定所述齿轮当前所处状态为断齿状态;
当所述目标样本熵值位于所述参考样本熵包括的第四熵值范围内时,确定所述齿轮当前所处状态为缺齿状态。
在一些实施例中,所述装置还包括:
第二获取模块,用于获取所述齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,所述第一状态信号为所述齿轮处于未故障状态时的振动信号、所述第二状态信号为所述齿轮处于齿根裂纹状态时的振动信号,所述第三状态信号为所述齿轮处于断齿状态时的振动信号,所述第四状态信号为所述齿轮处于缺齿状态时的振动信号;
合并模块,用于将所述第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
第二分解模块,用于对所述参考振动信号按照所述ITD方法进行分解处理,得到所述状态振动信号的多个参考分量信号;
第二提取模块,用于对所述多个参考分量信号按照样本熵方法进行特征提取处理,得到所述参考振动信号的参考样本熵。
在一些实施例中,所述装置还包括:
提示模块,用于通过提示信息提示所述齿轮的故障检测结果。
另一方面,提供了一种汽车,所述汽车包括存储器和处理器,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的计算机程序,以实现上述所述的变速箱的故障检测方法的步骤。
另一方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述所述变速箱的故障检测方法的步骤。
另一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的变速箱的故障检测方法的步骤。
本申请实施例提供的技术方案至少可以带来以下有益效果:
在本申请实施例中,在获取到齿轮的状态振动信号后,能够通过ITD方法和样本熵方法确定齿轮当前所处的状态,以完成对齿轮的故障检测,从而实现了在不拆机的情况下,确定变速箱齿轮的状态,提高了故障检测效率,进而提高了汽车的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例的一些实施例,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变速箱的故障检测方法的流程图;
图2是本申请实施例提供的另一种变速箱的故障检测方法的流程图;
图3是本申请实施例提供的一种齿轮的状态振动信号的示意图;
图4是本申请实施例提供的一种极点位置的示意图;
图5是本申请实施例提供的一种齿轮的多个参考分量信号的示意图;
图6是本申请实施例提供的一种齿轮的参考样本熵的示意图;
图7是本申请实施例提供的一种变速箱的故障检测装置的结构示意图;
图8是本申请实施例提供的一种第一提取模块的结构示意图;
图9是本申请实施例提供的另一种变速箱的故障检测装置的结构示意图;
图10是本申请实施例提供的另一种变速箱的故障检测装置的结构示意图;
图11是本申请实施例提供的一种汽车的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例实施方式作进一步地详细描述。
在对本申请实施例提供的变速箱的故障检测方法进行详细的解释说明之前,先对本申请实施例提供的应用场景进行介绍。
目前,汽车的变速箱担负着传递发动机扭矩的作用,工作强度大,工况复杂,较易发生故障,且变速箱的工作状况是否正常对汽车的整车性能有直接联系。因此,为了保证汽车的性能,提高汽车的安全性和维护效率,通常需要对变速箱进行故障检测。而由于齿轮作为变速箱最重要的传动装置,在变速箱的故障检测中,齿轮的故障检测是至关重要的。
目前,由于齿轮在发生故障时,齿轮结构的改变和齿轮的振动信号在传播时发生干扰和衰减,齿轮的振动信号往往具有强烈的非平稳特性。因此,在对齿轮进行故障检测时,能够通过EMD分解方法将齿轮的振动信号进行EMD分解,EMD可自适应的将信号分解为多个分量,能较好的分析非线性和非平稳信号,但是,由于EDM分解方式存在模态混叠和端点效应,计算复杂度较高,计算缺乏实时性等缺点,导致无法及时确定齿轮是否发生故障,从而降低了齿轮故障检测效率,进而降低了变速箱的故障检测效率。
基于这样的应用场景,本申请实施例提供了一种提高故障检测效率的变速箱的故障检测方法。
接下来将结合附图对本申请实施例提供的变速箱的故障检测方法进行详细的解释说明。
图1是本申请实施例提供的一种变速箱的故障检测方法的流程图,该方法应用于汽车。请参考图1,该方法包括如下步骤。
步骤101:获取变速箱中齿轮当前所处状态的状态振动信号。
步骤102:对该状态振动信号按照时间固有尺度ITD方法进行分解处理,得到该状态振动信号的多个状态分量信号。
步骤103:对该多个状态分量信号按照样本熵方法进行特征提取处理,得到该状态振动信号的目标样本熵值。
步骤104:根据该目标样本熵值和参考样本熵,确定该齿轮的当前所处状态,以完成对该变速箱的齿轮故障检测,该参考样本熵包括该齿轮处于不同状态时所对应的样本熵。
在本申请实施例中,在获取到齿轮的状态振动信号后,能够通过ITD方法和样本熵方法确定齿轮当前所处的状态,以完成对齿轮的故障检测,从而实现了在不拆机的情况下,确定变速箱齿轮的状态,提高了故障检测效率,进而提高了汽车的安全性。
在一些实施例中,对该多个状态分量信号按照样本熵方法进行特征提取处理,得到该状态振动信号的目标样本熵值,包括:
从该多个状态分量信号中选择第一分量信号,该第一分量信号为该多个状态分量信号中第一个分解出的信号;
对该多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到该第一分量信号的第一样本熵;
将该第一样本熵值确定该目标样本熵值。
在一些实施例中,根据该目标样本熵值和参考样本熵,确定该齿轮的当前所处状态,包括:
当该目标样本熵值位于该参考样本熵包括的第一熵值范围内时,确定该齿轮当前所处状态为未故障状态;
当该目标样本熵值位于该参考样本熵包括的第二熵值范围内时,确定该齿轮当前所处状态为齿根裂纹状态;
当该目标样本熵值位于该参考样本熵包括的第三熵值范围内时,确定该齿轮当前所处状态为断齿状态;
当该目标样本熵值位于该参考样本熵包括的第四熵值范围内时,确定该齿轮当前所处状态为缺齿状态。
在一些实施例中,根据该目标样本熵值和参考样本熵,确定该齿轮的当前所处状态之前,还包括:
获取该齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,该第一状态信号为该齿轮处于未故障状态时的振动信号、该第二状态信号为该齿轮处于齿根裂纹状态时的振动信号,该第三状态信号为该齿轮处于断齿状态时的振动信号,该第四状态信号为该齿轮处于缺齿状态时的振动信号;
将该第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
对该参考振动信号按照该ITD方法进行分解处理,得到该状态振动信号的多个参考分量信号;
对该多个参考分量信号按照样本熵方法进行特征提取处理,得到该参考振动信号的参考样本熵。
在一些实施例中,根据该第一样本熵值、该第二样本熵和参考样本熵,确定该变速箱中齿轮的故障状态之后,还包括:
通过提示信息提示该齿轮的故障检测结果。
上述所有可选技术方案,均可按照任意结合形成本申请实施例的可选实施例,本申请实施例对此不再一一赘述。
图2为本申请实施例提供的一种变速箱的故障检测方法的流程图,参见图2,该方法包括如下步骤。
步骤201:汽车获取变速箱中齿轮当前所处状态的状态振动信号。
由于汽车在行驶过程中,当汽车中的变速箱的齿轮发生故障时,将会对汽车的性能造成影响,因此,需要对齿轮进行故障检测。而齿轮的状态振动信号能够体现齿轮的状态,因此,汽车能够获取变速箱中齿轮当前所处状态的状态振动信号。比如,汽车能够获取如图3所示的齿轮的状态振动信号。
作为一种示例,汽车能够在接收到汽车点火指令时,获取变速箱中齿轮当前所处状态的状态振动信号,或者,汽车能够在行驶过程中,每隔指定时间间隔获取变速箱中齿轮当前所处状态的状态振动信号,或者,当检测到齿轮转速达到转速阈值时,获取变速箱中齿轮当前所处状态的状态振动信号。
需要说明的是,该指定时间间隔和转速阈值均能够事先进行设置,比如,该指定时间间隔能够为1小时、30分钟等等。该转速阈值能够为1800转、2000 转等等。
步骤202:汽车对状态振动信号按照时间固有尺度ITD方法进行分解处理,得到该状态振动信号的多个状态分量信号。
由于该状态振动信号中可能会存在一些与齿轮状态无关的信号,因此,需要对状态振动信号进行分解处理,比如,汽车能够对状态振动信号按照ITD方法进行分解处理,得到该状态振动信号的多个状态分量信号。
作为一种示例,汽车在按照ITD方法对状态振动信号进行分解处理时,汽车能够将状态振动信号Xt作为输入信号,并获取输入信号中的所有极值点,当输入信号为状态振动信号时,每个极值点能够用X(τκ)表示。其中,τk(k=1,2,...M)为极值点出现的时刻,M为极值点个数,且τ0=0,极值点位置如图4所示。汽车能够在连续极值点区间[τk,τk+1]上可定义该区间内Xt的基线提取因子L,通过提取因子确定基线信号Lt,之后根据公式 Xt=L*Xt+(1-L)Xt=Lt+Ht确定出固有旋转分量Ht。将基线信号Lt作为下一次分解的输入信号,并返回获取输入信号中的所有极值点的操作,直至基线信号满足分解终止条件为止。
需要说明的是,该分解终止条件能够事先进行设置,比如,该分解终止条件能够为基线信号Lt变得单调。
还需要说明的是,经过ITD算法后状态振动信号Xt被分解为多个状态分量信号和一个单调趋势分量信号。
步骤203:汽车对多个状态分量信号按照样本熵方法进行特征提取处理,得到状态振动信号的目标样本熵值。
由于样本熵能够反映了数据新信息发生的可能性,因此,为了确定状态振动信号中存在故障信息的可能性,汽车能够对多个状态分量信号按照样本熵方法进行特征提取处理,得到状态振动信号的目标样本熵值。
作为一种示例,汽车对多个状态分量信号按照样本熵方法进行特征提取处理,得到状态振动信号的目标样本熵值的操作至少包括:从多个状态分量信号中选择第一分量信号,该第一分量信号为多个状态分量信号中第一个分解出的信号;对多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到第一分量信号的第一样本熵;将第一样本熵值确定目标样本熵值。
由于在多个状态分量信号中,分解顺序越靠前的状态分量信号中包含故障信息的可能性越高,因此,汽车能够确定第一分量信号的第一样本熵,并将第一样本熵确定为目标样本熵。
在一些实施例中,汽车在确定第一分量信号的第一样本熵时,汽车能够令第一分量信号为时间序列{x(i)},(i=1,2,...N),将{x(i)}构造为m 维矢量:X(i)=[x(i),x(i+1),...,x(i+m-1)](i=1,2,...N-m+1);之后汽车确定向量X(i)和X(j)(j=1,2,...,N-m;j≠i)之间的距离d(i,j)为两向量相对应元素最大差值,该差值越小表示两向量之间的相似度越高;对于每个i,统计其向量X(i)与其他向量之间的距离d(i,j),并确定距离小于距离阈值的数目,以及该数目与距离总数N-m+1之间的比值/>之后,确定m维对应第一比值Bm(r),其中,/>增加{x(i)}的维数,并返回确定向量X(i)和X(j)之间的距离d(i,j)为两向量相对应元素最大差值的操作,得到B(m+1)(r);根据Bm(r)和B(m+1)(r)确定第一状态分量信号的第一样本熵SampEn(m,r,N),其中,SampEn(m,r,N)=-lnB(m+1)(r)/Bm(r)。
需要说明的是,距离阈值能够事先进行设置,比如,该距离阈值能够为0.2。
步骤204:汽车根据目标样本熵值和参考样本熵,确定齿轮的当前所处状态,以完成对变速箱的故障检测,该参考样本熵包括齿轮处于不同状态时所对应的样本熵。
由于参考样本熵包括齿轮处于不同状态时所对应的样本熵,因此,在确定当前状态振动信号的目标样本熵之后,能够根据目标样本熵值和参考样本熵,确定齿轮的当前所处状态。
作为一种示例,参考样本熵包括第一熵值范围、第二熵值范围、第三熵值范围和第四熵值范围,第一熵值范围为齿轮处于未故障状态时所对应的范围,第二熵值范围为齿轮处于齿根裂纹状态时所对应的范围,第三熵值范围为齿轮处于断齿状态时所对应的范围,第四熵值范围为齿轮处于缺齿状态时对应的范围,四种状态下齿轮的样本熵大小关系呈现为未故障>齿根裂纹>断齿>缺齿。因此,当目标样本熵值位于参考样本熵包括的第一熵值范围内时,确定齿轮当前所处状态为未故障状态;当目标样本熵值位于参考样本熵包括的第二熵值范围内时,确定齿轮当前所处状态为齿根裂纹状态;当目标样本熵值位于参考样本熵包括的第三熵值范围内时,确定齿轮当前所处状态为断齿状态;当目标样本熵值位于参考样本熵包括的第四熵值范围内时,确定齿轮当前所处状态为缺齿状态。
为了验证目标样本熵的准确性,汽车在确定第一分量信号的第一样本熵时,还能够确定第二分量信号的第二样本熵,并确定第二样本熵对应的熵值范围是否与第一样本熵对应的熵值范围相同;当第二样本熵对应的熵值范围与第一样本熵对应的熵值范围相同时,确定目标样本熵确定准确;当第二样本熵对应的熵值范围与第一样本熵对应的熵值范围不相同时,返回上述步骤201的操作,直至第二样本熵对应的熵值范围与第一样本熵对应的熵值范围相同。
由于在齿轮正常工作状态下信号的随机性和复杂度更高,因此齿轮处于未故障状态时的样本熵值最大。
由于齿根裂纹的故障比较轻微,特征不是特别明显,齿轮仍然可以继续工作,周期性冲击较弱,因此,当齿轮处于齿根裂纹状态时,齿轮的样本熵和处于未故障状态下的样本熵相差不大,因此,还能够将第一熵值范围与第二熵值范围合并为第五熵值范围,当目标样本熵位于第五熵值范围内时,确定齿轮当前所处状态为正常工作状态,正常工作状态包括未故障状态和齿根断裂状态。
在一些实施例中,汽车根据目标样本熵值和参考样本熵,确定齿轮的当前所处状态之前,还能够获取汽车的参考样本熵。
作为一种示例,汽车获取参考样本熵的操作至少包括:获取齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,该第一状态信号为齿轮处于未故障状态时的振动信号、第二状态信号为齿轮处于齿根裂纹状态时的振动信号,第三状态信号为齿轮处于断齿状态时的振动信号,第四状态信号为齿轮处于缺齿状态时的振动信号;将第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;对参考振动信号按照ITD方法进行分解处理,得到状态振动信号的多个参考分量信号,该多个参考分量信号的频率依次从高到低进行排列可以如图5所示;对多个参考分量信号按照样本熵方法进行特征提取处理,得到参考振动信号的参考样本熵,该参考样本熵的示意图如图6所示。
需要说明的是,该参考状态顺序能够事先进行设置,比如,该参考状态顺序为未故障状态、齿根断裂状态、断齿状态和缺齿状态等等。
作为一种示例,汽车能够按照参考状态顺序将第一状态信号、第二状态信号、第三状态信号和第四状态信号进行首尾相连,以将第一状态信号、第二状态信号、第三状态信号和第四状态信号进行合并。
需要说明的是,汽车对参考振动信号按照ITD方法进行分解处理的操作能够参考上述汽车对状态振动信号按照ITD方法进行分解处理的操作,汽车对多个参考分量信号按照样本熵方法进行特征提取处理的操作能够操作上述汽车对多个状态分量信号按照样本熵方法进行特征提取处理的操作,本申请实施例对此不再进行一一赘述。
步骤205:汽车通过提示信息提示齿轮的故障检测结果。
为了使驾驶员了解齿轮当前所处状态,汽车能够通过提示信息提示齿轮的故障检测结果。
作为一种示例,汽车能够通过语音方式、图像方式、文字方式、视频方式等提示进行。
在本申请实施例中,汽车在获取到齿轮的状态振动信号后,能够通过ITD 方法和样本熵方法确定齿轮的目标样本熵,通过将目标样本熵与事先确定的齿轮的参考样本熵进行对比能够确定齿轮当前所处的状态,以完成对齿轮的故障检测,从而实现了在不拆机的情况下,确定变速箱齿轮的状态,提高了故障检测效率,进而提高了汽车的安全性。
在对本申请实施例提供的变速箱的齿轮故障检测方法进行解释说明之后,接下来,对本申请实施例提供的变速箱的齿轮故障检测装置进行介绍。
图7是本申请实施例提供的一种变速箱的齿轮故障检测装置的结构示意图,该变速箱的齿轮故障检测装置可以由软件、硬件或者两者的结合实现成为汽车的部分或者全部。请参考图7,该装置包括:第一获取模块701、第一分解模块 702、第一提取模块703和确定模块703。
第一获取模块701,用于获取变速箱中齿轮当前所处状态的状态振动信号;
第一分解模块702,用于对所述状态振动信号按照时间固有尺度ITD方法进行分解处理,得到所述状态振动信号的多个状态分量信号;
第一提取模块703,用于对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值;
确定模块704,用于根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,以完成对所述变速箱的齿轮故障检测,所述参考样本熵包括所述齿轮处于不同状态时所对应的样本熵。
在一些实施例中,参见图8,所述第一提取模块703包括:
选择子模块7031,用于从所述多个状态分量信号中选择第一分量信号,所述第一分量信号为所述多个状态分量信号中第一个分解出的信号;
提取子模块7032,用于对所述多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到所述第一分量信号的第一样本熵;
第一确定子模块7033,用于将所述第一样本熵值确定所述目标样本熵值。
在一些实施例中,所述确定模块704用于:
当所述目标样本熵值位于所述参考样本熵包括的第一熵值范围内时,确定所述齿轮当前所处状态为未故障状态;
当所述目标样本熵值位于所述参考样本熵包括的第二熵值范围内时,确定所述齿轮当前所处状态为齿根裂纹状态;
当所述目标样本熵值位于所述参考样本熵包括的第三熵值范围内时,确定所述齿轮当前所处状态为断齿状态;
当所述目标样本熵值位于所述参考样本熵包括的第四熵值范围内时,确定所述齿轮当前所处状态为缺齿状态。
在一些实施例中,参见图9,所述装置还包括:
第二获取模块705,用于获取所述齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,所述第一状态信号为所述齿轮处于未故障状态时的振动信号、所述第二状态信号为所述齿轮处于齿根裂纹状态时的振动信号,所述第三状态信号为所述齿轮处于断齿状态时的振动信号,所述第四状态信号为所述齿轮处于缺齿状态时的振动信号;
合并模块706,用于将所述第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
第二分解模块707,用于对所述参考振动信号按照所述ITD方法进行分解处理,得到所述状态振动信号的多个参考分量信号;
第二提取模块708,用于对所述多个参考分量信号按照样本熵方法进行特征提取处理,得到所述参考振动信号的参考样本熵。
在一些实施例中,参见图10,所述装置还包括:
提示模块709,用于通过提示信息提示所述齿轮的故障检测结果。
在本申请实施例中,汽车在获取到齿轮的状态振动信号后,能够通过ITD 方法和样本熵方法确定齿轮的目标样本熵,通过将目标样本熵与事先确定的齿轮的参考样本熵进行对比能够确定齿轮当前所处的状态,以完成对齿轮的故障检测,从而实现了在不拆机的情况下,确定变速箱齿轮的状态,提高了故障检测效率,进而提高了汽车的安全性。
需要说明的是:上述实施例提供的变速箱的齿轮故障检测装置在检测变速箱的齿轮故障时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的变速箱的齿轮故障检测装置与变速箱的齿轮故障检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图11是本申请实施例提供的一种汽车1100的结构框图。该汽车1100可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group AudioLayer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。汽车1100还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,汽车1100包括有:处理器1101和存储器1102。
处理器1101可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing,数字信号处理)、 FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA (Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1101可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器 1101还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1101所执行以实现本申请实施例中方法实施例提供的变速箱的齿轮故障检测方法。
在一些实施例中,汽车1100还可选包括有:***设备接口1103和至少一个***设备。处理器1101、存储器1102和***设备接口1103之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1103相连。具体地,***设备包括:射频电路1104、显示屏1105、摄像头组件1106、音频电路1107、定位组件1108和电源1109中的至少一种。
***设备接口1103可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器1101和存储器1102。在一些实施例中,处理器1101、存储器1102和***设备接口1103被集成在同一芯片或电路板上;在一些其他实施例中,处理器1101、存储器1102和***设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1104用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1104包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真) 网络。在一些实施例中,射频电路1104还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请实施例对此不加以限定。
显示屏1105用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时,显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时,显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1105可以为一个,设置汽车1100的前面板;在另一些实施例中,显示屏1105可以为至少两个,分别设置在汽车1100的不同表面或呈折叠设计;在再一些实施例中,显示屏1105可以是柔性显示屏,设置在汽车1100的弯曲表面上或折叠面上。甚至,显示屏1105还可以设置成非矩形的不规则图形,也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display,液晶显示屏)、 OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件1106用于采集图像或视频。可选地,摄像头组件1106包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1101进行处理,或者输入至射频电路 1104以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在汽车1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1107还可以包括耳机插孔。
定位组件1108用于定位汽车1100的当前地理位置,以实现导航或LBS (LocationBased Service,基于位置的服务)。定位组件1108可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源1109用于为汽车1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,汽车1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于:加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
加速度传感器1111可以检测以汽车1100建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号,控制触摸显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1112可以检测汽车1100的机体方向及转动角度,陀螺仪传感器1112可以与加速度传感器1111协同采集用户对汽车1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1113可以设置在汽车1100的侧边框和/或触摸显示屏1105的下层。当压力传感器1113设置在汽车1100的侧边框时,可以检测用户对汽车1100 的握持信号,由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在触摸显示屏1105的下层时,由处理器1101根据用户对触摸显示屏1105的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1114用于采集用户的指纹,由处理器1101根据指纹传感器1114 采集到的指纹识别用户的身份,或者,由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1101授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置汽车1100的正面、背面或侧面。当汽车1100上设置有物理按键或厂商Logo时,指纹传感器1114可以与物理按键或厂商Logo集成在一起。
光学传感器1115用于采集环境光强度。在一个实施例中,处理器1101可以根据光学传感器1115采集的环境光强度,控制触摸显示屏1105的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏1105的显示亮度;当环境光强度较低时,调低触摸显示屏1105的显示亮度。在另一个实施例中,处理器1101 还可以根据光学传感器1115采集的环境光强度,动态调整摄像头组件1106的拍摄参数。
接近传感器1116,也称距离传感器,通常设置在汽车1100的前面板。接近传感器1116用于采集用户与汽车1100的正面之间的距离。在一个实施例中,当接近传感器1116检测到用户与汽车1100的正面之间的距离逐渐变小时,由处理器1101控制触摸显示屏1105从亮屏状态切换为息屏状态;当接近传感器 1116检测到用户与汽车1100的正面之间的距离逐渐变大时,由处理器1101控制触摸显示屏1105从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图11中示出的结构并不构成对汽车1100的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中变速箱的齿轮故障检测方法的步骤。例如,所述计算机可读存储介质可以是ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、 CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。
也即是,在一些实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的变速箱的齿轮故障检测方法的步骤。
以上所述为本申请实施例提供的实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (8)
1.一种变速箱的齿轮故障检测方法,其特征在于,所述方法包括:
获取变速箱中齿轮当前所处状态的状态振动信号;
对所述状态振动信号按照时间固有尺度ITD方法进行分解处理,得到所述状态振动信号的多个状态分量信号;
对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值;
获取所述齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,所述第一状态信号为所述齿轮处于未故障状态时的振动信号、所述第二状态信号为所述齿轮处于齿根裂纹状态时的振动信号,所述第三状态信号为所述齿轮处于断齿状态时的振动信号,所述第四状态信号为所述齿轮处于缺齿状态时的振动信号;
将所述第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
对所述参考振动信号按照所述ITD方法进行分解处理,得到所述状态振动信号的多个参考分量信号;
对所述多个参考分量信号按照样本熵方法进行特征提取处理,得到所述参考振动信号的参考样本熵;
根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,以完成对所述变速箱的齿轮故障检测。
2.如权利要求1所述的方法,其特征在于,所述对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值,包括:
从所述多个状态分量信号中选择第一分量信号,所述第一分量信号为所述多个状态分量信号中第一个分解出的信号;
对所述多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到所述第一分量信号的第一样本熵值;
将所述第一样本熵值确定所述目标样本熵值。
3.如权利要求1所述的方法,其特征在于,所述根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,包括:
当所述目标样本熵值位于所述参考样本熵包括的第一熵值范围内时,确定所述齿轮当前所处状态为未故障状态;
当所述目标样本熵值位于所述参考样本熵包括的第二熵值范围内时,确定所述齿轮当前所处状态为齿根裂纹状态;
当所述目标样本熵值位于所述参考样本熵包括的第三熵值范围内时,确定所述齿轮当前所处状态为断齿状态;
当所述目标样本熵值位于所述参考样本熵包括的第四熵值范围内时,确定所述齿轮当前所处状态为缺齿状态。
4.如权利要求1所述的方法,其特征在于,当完成对所述变速箱的齿轮故障检测之后,所述方法还包括:
通过提示信息提示所述齿轮的故障检测结果。
5.一种变速箱的齿轮故障检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取变速箱中齿轮当前所处状态的状态振动信号;
第一分解模块,用于对所述状态振动信号按照时间固有尺度ITD方法进行分解处理,得到所述状态振动信号的多个状态分量信号;
第一提取模块,用于对所述多个状态分量信号按照样本熵方法进行特征提取处理,得到所述状态振动信号的目标样本熵值;
确定模块,用于根据所述目标样本熵值和参考样本熵,确定所述齿轮的当前所处状态,以完成对所述变速箱的齿轮故障检测;
第二获取模块,用于获取所述齿轮的第一状态信号、第二状态信号、第三状态信号和第四状态信号,所述第一状态信号为所述齿轮处于未故障状态时的振动信号、所述第二状态信号为所述齿轮处于齿根裂纹状态时的振动信号,所述第三状态信号为所述齿轮处于断齿状态时的振动信号,所述第四状态信号为所述齿轮处于缺齿状态时的振动信号;
合并模块,用于将所述第一状态信号、第二状态信号、第三状态信号和第四状态信号按照参考状态顺序进行合并,得到参考振动信号;
第二分解模块,用于对所述参考振动信号按照所述ITD方法进行分解处理,得到所述状态振动信号的多个参考分量信号;
第二提取模块,用于对所述多个参考分量信号按照样本熵方法进行特征提取处理,得到所述参考振动信号的参考样本熵。
6.如权利要求5所述的装置,其特征在于,所述第一提取模块包括:
选择子模块,用于从所述多个状态分量信号中选择第一分量信号,所述第一分量信号为所述多个状态分量信号中第一个分解出的信号;
提取子模块,用于对所述多个状态分量信号中的第一分量信号按照样本熵方法进行特征提取,得到所述第一分量信号的第一样本熵值;
第一确定子模块,用于将所述第一样本熵值确定所述目标样本熵值。
7.如权利要求5所述的装置,其特征在于,所述确定模块用于:
当所述目标样本熵值位于所述参考样本熵包括的第一熵值范围内时,确定所述齿轮当前所处状态为未故障状态;
当所述目标样本熵值位于所述参考样本熵包括的第二熵值范围内时,确定所述齿轮当前所处状态为齿根裂纹状态;
当所述目标样本熵值位于所述参考样本熵包括的第三熵值范围内时,确定所述齿轮当前所处状态为断齿状态;
当所述目标样本熵值位于所述参考样本熵包括的第四熵值范围内时,确定所述齿轮当前所处状态为缺齿状态。
8.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568626.8A CN111709383B (zh) | 2020-06-19 | 2020-06-19 | 变速箱的齿轮故障检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568626.8A CN111709383B (zh) | 2020-06-19 | 2020-06-19 | 变速箱的齿轮故障检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709383A CN111709383A (zh) | 2020-09-25 |
CN111709383B true CN111709383B (zh) | 2023-10-31 |
Family
ID=72541892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568626.8A Active CN111709383B (zh) | 2020-06-19 | 2020-06-19 | 变速箱的齿轮故障检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709383B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10310831A1 (de) * | 2002-04-10 | 2003-11-06 | Luk Lamellen & Kupplungsbau | Antriebsstrang und Verfahren zu dessen Betrieb |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
EP3451102A1 (en) * | 2017-08-28 | 2019-03-06 | ABB Schweiz AG | Method and apparatus for identifying gear tooth numbers in a gearbox |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** |
-
2020
- 2020-06-19 CN CN202010568626.8A patent/CN111709383B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10310831A1 (de) * | 2002-04-10 | 2003-11-06 | Luk Lamellen & Kupplungsbau | Antriebsstrang und Verfahren zu dessen Betrieb |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
EP3451102A1 (en) * | 2017-08-28 | 2019-03-06 | ABB Schweiz AG | Method and apparatus for identifying gear tooth numbers in a gearbox |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** |
Non-Patent Citations (4)
Title |
---|
吴守军 ; 冯辅周 ; 吴春志 ; 李本 ; .基于VMD-DE的坦克行星变速箱故障诊断方法研究.振动与冲击.2020,(10),全文. * |
施莹 ; 林建辉 ; 庄哲 ; 刘泽潮 ; .基于振动信号时频分解-样本熵的受电弓裂纹故障诊断.振动与冲击.2019,(08),全文. * |
杨大为 ; 冯辅周 ; 赵永东 ; 江鹏程 ; 丁闯 ; .VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用.振动与冲击.2018,(16),全文. * |
杨大为 ; 赵永东 ; 冯辅周 ; 江鹏程 ; 丁闯 ; .基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取.兵工学报.2018,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111709383A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723602B (zh) | 驾驶员的行为识别方法、装置、设备及存储介质 | |
CN111553050B (zh) | 汽车转向***的结构校核方法、装置及存储介质 | |
CN109102811B (zh) | 音频指纹的生成方法、装置及存储介质 | |
CN110920631A (zh) | 控制车辆的方法、装置、电子设备及可读存储介质 | |
CN109977570B (zh) | 车身噪声确定方法、装置及存储介质 | |
CN111010537B (zh) | 车辆控制方法、装置、终端及存储介质 | |
CN116871982A (zh) | 一种数控机床主轴检测装置、方法及终端设备 | |
CN113099378B (zh) | 定位方法、装置、设备及存储介质 | |
CN111931712B (zh) | 人脸识别方法、装置、抓拍机及*** | |
CN111061369B (zh) | 交互方法、装置、设备及存储介质 | |
CN109189068B (zh) | 泊车控制方法、装置及存储介质 | |
CN114594751B (zh) | 车辆功能的测试方法、装置、设备及计算机可读存储介质 | |
CN111709383B (zh) | 变速箱的齿轮故障检测方法、装置及存储介质 | |
CN112365088B (zh) | 行程关键点的确定方法、装置、设备及可读存储介质 | |
CN113408989B (zh) | 汽车数据的比对方法、装置及计算机存储介质 | |
CN113432620B (zh) | 误差估计方法、装置、车载终端及存储介质 | |
CN114789734A (zh) | 感知信息补偿方法、装置、车辆、存储介质及程序 | |
CN114550717A (zh) | 语音音区切换方法、装置、设备及存储介质 | |
CN112329909B (zh) | 生成神经网络模型的方法、装置及存储介质 | |
CN115296978B (zh) | 根因定位方法、装置、设备 | |
CN114566064B (zh) | 停车位的位置确定方法、装置、设备及存储介质 | |
CN113539291B (zh) | 音频信号的降噪方法、装置、电子设备及存储介质 | |
CN111651835B (zh) | 电动汽车的输出能力确定方法、装置及存储介质 | |
CN113129221B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN117574594A (zh) | 一种电驱总成工况综合效率计算方法、装置、终端及介质 |
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 |