CN115235762A - 冶金传动机构局域损伤振动包络信号获取及评估方法 - Google Patents
冶金传动机构局域损伤振动包络信号获取及评估方法 Download PDFInfo
- Publication number
- CN115235762A CN115235762A CN202211169217.6A CN202211169217A CN115235762A CN 115235762 A CN115235762 A CN 115235762A CN 202211169217 A CN202211169217 A CN 202211169217A CN 115235762 A CN115235762 A CN 115235762A
- Authority
- CN
- China
- Prior art keywords
- vibration
- sequence
- gearbox
- envelope
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 230000007246 mechanism Effects 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000009749 continuous casting Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005381 potential energy Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010310 metallurgical process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及结构部件的振动测试及评估技术领域,具体涉及一种冶金传动机构局域损伤振动包络信号获取及评估方法。该方法获取齿轮箱振动信号的包络信息,在时序上分析齿轮箱的包络信息、音频信息和温度信息的波动特征,构建特征矩阵。基于特征矩阵对齿轮箱进行分组,获得多个齿轮箱组。根据每个齿轮箱组内的振动特征变化序列训练对应的CEEMD‑GRU信息预测网络,进而获得待评估齿轮箱的未来振动特征变化序列。根据未来振动特征变化序列中的元素评估待评估齿轮箱的异常。本发明通过对传动机构齿轮箱振动数据的获取及分析,通过预测手段及时评估出异常齿轮箱,实现对传动结构局域损伤的评估。
Description
技术领域
本发明涉及结构部件的振动测试及评估技术领域,具体涉及一种冶金传动机构局域损伤振动包络信号获取及评估方法。
背景技术
在冶金领域中完成一系列连续铸钢工艺的设备叫做连铸成套设备,由浇钢设备、连铸机本体设备、切割区域设备、引锭杆收集及输送设备的机电液一体化构成了连铸成套设备的核心部位设备。连铸成套设备为多种设备组合的成套设备,因此在连续铸钢工艺中存在数量较多规模较大的传动机构。传动机构由多个机械结构组成,因为存在大量机械结构,因此随着传动机构的运行,很容易在运行过程中因为机械振动引起机械故障,尤其是传动机构中的多种齿轮箱,机械振动很难人工发觉,如果不及时对振动信号进行获取并评估,就会导致忽略振动引发的问题,导致齿轮箱中的齿轮发生不可逆的磨损,即传动机构产生局域损伤,进而影响整体工艺。
因为冶金的传动机构规模较大,齿轮箱的种类较多,每种齿轮箱的振动信号的变化趋势不同,同种齿轮箱不同工况下的振动信号变化趋势也不同,如果直接对每个齿轮箱的实时振动信号进行包络分析无法及时评估出异常齿轮箱,若不及时对异常齿轮箱进行维护更换,则会造成工艺成本增加,影响工艺效率。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种冶金传动机构局域损伤振动包络信号获取及评估方法,所采用的技术方案具体如下:
本发明提出一种冶金传动机构局域损伤振动包络信号获取及评估方法,所述方法包括:
采集冶金传动机构每个齿轮箱的振动信号、音频信息和温度信息;对所述振动信号包络处理,获得多种包络信息;
根据预设采样频率获得每种包络信息的包络信息序列;根据所述包络信息序列中相邻元素之间的差异和元素均值获得波动频率因子;根据所述包络信息序列中的元素极差和元素均值获得波动幅度因子;根据所述采样频率获得音频信息序列和温度信息序列,根据所述音频信息序列的波动幅度和波动频率获得第一波动性因子,获得所述温度信息序列的第二波动性因子;
结合相同采样时间段内的多种所述波动频率因子、多种所述波动频率因子、所述第一波动性因子和所述第二波动性因子,获得特征向量;连续采样时间段内的所述特征向量构成特征矩阵;
根据所述特征矩阵对多个齿轮箱进行分组,获得多个齿轮箱组;提取所述特征矩阵的振动特征,获得所述齿轮箱组内每个齿轮箱时序上的振动特征变化序列;将每个所述齿轮箱组中的所述振动特征变化序列作为训练数据,根据所述训练数据获得CEEMD-GRU信息预测网络;
根据对应的所述CEEMD-GRU信息预测网络预测待评估齿轮箱的未来振动特征变化序列,根据所述未来振动特征变化序列中元素的大小和元素位置判断所述待评估齿轮箱是否存在异常。
进一步地,所述对所述振动信号包络处理,获得多种包络信息包括:
对所述振动信号进行模数转换、频谱转换、带通滤波和加速度包络处理后获得所述包络信息,所述包络信息包括振动加速度、振动速度和加速度包络值。
进一步地,所述根据所述包络信息序列中相邻元素之间的差异和元素均值获得波动频率因子包括:
根据波动频率因子公式获得所述波动频率因子,所述波动频率因子公式包括:
进一步地,所述根据所述包络信息序列中的元素极差和元素均值获得波动幅度因子包括:
获得所述包络信息序列中最大元素值与元素均值的元素值差异,以所述包络信息序列的元素极差与所述元素值差异的比值作为所述波动幅度因子。
进一步地,所述根据所述音频信息序列的波动幅度和波动频率获得第一波动性因子包括:
根据第一波动性因子公式获得所述第一波动性因子,所述第一波动性因子公式包括:
进一步地,所述根据所述特征矩阵对多个齿轮箱进行分组,获得多个齿轮箱组包括:
以所述特征矩阵作为研究样本,利用量子聚类算法对所述研究样本进行聚类,获得多个聚类簇,每个所述聚类簇对应一个所述齿轮箱组。
进一步地,所述提取所述特征矩阵的振动特征,获得所述齿轮箱组内每个齿轮箱时序上的振动特征变化序列包括:
将所述特征矩阵根据时序分割为多个相同尺寸的行列式;获得所述行列式的行列值,以所述行列值的绝对值作为所述振动特征,将所述振动特征根据时序排列,获得所述振动特征变化序列。
进一步地,所述根据对应的所述CEEMD-GRU信息预测网络预测待评估齿轮箱的未来振动特征变化序列包括:
获得所述待评估齿轮箱的实时特征矩阵与实时振动特征变化序列,将所述实时特征矩阵与每个所述齿轮箱组的中心样本的所述特征矩阵匹配,获得所述待评估齿轮箱对应的最匹配齿轮箱组;将所述待评估齿轮箱的所述实时振动特征变化序列输入所述最匹配齿轮箱组对应的所述CEEMD-GRU信息预测网络中,获得所述未来振动特征变化序列。
进一步地,所述根据所述未来振动特征变化序列中元素的大小和元素位置判断所述待评估齿轮箱是否存在异常包括:
若所述未来振动特征变化序列中存在某个元素大于预设特征阈值,则获得该元素的时序位置,根据所述时序位置获得异常时间点,若所述异常时间点到实时时间点之间的时间段小于预设时间长度阈值,则认为所述待评估齿轮箱存在异常。
本发明具有如下有益效果:
本发明实施例对齿轮箱的振动信号进行包络处理获得多种包络信息,同时根据音频信息和温度信息用于表现齿轮箱受到振动影响当前的状态。通过对信息数据在时序上的处理,获得每个齿轮箱随着时间变化的特征,构建参考性强的特征矩阵并对齿轮箱进行分组,获得多个齿轮箱组。将齿轮箱进行分组分析能够提高齿轮箱的评估效率,并且利用每个齿轮箱组内振动特征变化信息训练CEEMD-GRU信息预测网络,保证了训练数据的丰富度。通过CEEMD-GRU信息预测网络能够预测出未来时刻待评估齿轮箱的未来振动特征变化序列,进而根据未来振动特征变化序列中的元素值和时序位置评估待评估齿轮箱是否存在异常。本发明实施例通过信息预测手段,能够根据振动特征变化的趋势,及时判断出异常齿轮箱,方便了对异常齿轮箱的维护与更换,实现了对传动机构中局域损伤的检测与维护预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种冶金传动机构局域损伤振动包络信号获取及评估方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种冶金传动机构局域损伤振动包络信号获取及评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种冶金传动机构局域损伤振动包络信号获取及评估方法流程图,该方法包括:
步骤S1:采集冶金传动机构每个齿轮箱的振动信号、音频信息和温度信息;对振动信号包络处理,获得多种包络信息。
振动信号能够直接反馈出当前齿轮箱的振动信息。音频信息和温度信息能够反映出当前振动对齿轮箱影响的状态。异常振动越强烈,振动信号的分布越不规律且变化剧烈;异常振动越强烈,产生的异常音频信息和异常温度信息越多。进一步对振动信号进行包络处理,产生的包络信息能够更加直观的表现当前的振动信息。包络信息的具体获取方法包括:
对振动信号进行模数转换、频谱转换、带通滤波和加速度包络处理后获得包络信息,包络信息包括振动加速度、振动速度和加速度包络值。
需要说明的是,加速度包络技术为本领域技术人员数值的技术手段,在此仅简述其处理过程:
加速度包络技术主要是用来提取振动信号中一些小幅度、重复性的冲击信号,这些小幅度重复性的冲击型号在测量过程中常常被一些高能量的低频信号所掩盖。加速度包络方法采用一个带通滤波器滤掉低频的同步振动信号,滤波器的选取取决于实际情况,从一个错综复杂的振动***中分离出重复冲击信号,原始振动信号通过滤波器之后,剩下一些高频的冲击信号,这些高频的冲击信号经过包络处理,包络处理就是通过一个电路,改电路的作用就是把输入的信号予以平方,根据三角函数的积,先假设一个振动信号通过滤波器后,只有高于缺陷频率倍频50倍以上的频率才能通过,这样,当一系列的倍频和它自身相乘之后,在相乘的过程当中,根据积化和差公式,便可得到相加、相减两部分的频率,由于相加的那部分已经超出分析测量范围,所以只分析相减的部分进一步重复计算过程,可得到加速度包络值频谱图。根据包络值频谱图即可获得振动加速度、振动速度和加速度包络值的信息。
针对本发明实施例所采集到的每种信息的获取方法进行具体说明:
(1)针对振动信号而言:在本发明实施例中,在齿轮箱内旋转轴的轴承座径向上安装压电式振动加速度传感器,传感器输出模拟信号类型的振动信号,经过双屏蔽信号电缆传输至包络处理单元,进行包络处理,进而获得多种包络信息。
(2)针对音频信息和温度信息而言:因为齿轮箱的振动来源是多样化的,振动信号所反应的振动信息可能是设备多个振动来源的混合信号,这些混合信号至少包括三个部分:1.周边振动传导;2.设备结构关系不平衡、不对中、松动等原因产生的振动;3.轴承、齿轮等传动部件自身的缺陷导致的振动。因此为了提高采集数据的准确率和参考性,进一步采集音频信息和温度信息表征当前齿轮箱受振动影响的状态。将音频传感器放置在轴承座底部,根据音频传感器能够采集齿轮箱内部的声音频率。将温度传感器放置在齿轮箱内,由于齿轮自身缺陷会导致齿轮啮合出现问题,产生异常摩擦,进而导致齿轮箱内温度异常,进而根据温度传感器获得齿轮箱的温度信息。
需要说明的是,因为所有信息的采集方式都在较为复杂的环境中,因此获取的信息会包含一定的噪声,影响后续判断的结果,因此需要对所采集到的信息进行降噪与平滑处理,在本发明实施例中,利用中值滤波器处理时序上的信息序列,减少噪声对最终结果的影响。
步骤S2:根据预设采样频率获得每种包络信息的包络信息序列;根据包络信息序列中相邻元素之间的差异和元素均值获得波动频率因子;根据包络信息序列中的元素极差和元素均值获得波动幅度因子;根据采样频率获得音频信息序列和温度信息序列,根据音频信息序列的波动幅度和波动频率获得第一波动性因子,获得温度信息序列的第二波动性因子。
在本发明实施例中,在整合包络信息序列、音频信息序列和温度信息序列时,采样频率均设置为5分钟一次,并且数据序列的长度均设置为12,即一个序列包含12个元素。
包络信息序列是时序上的序列,因此序列的数据变化能够反应齿轮箱的振动变化情况,因此根据包络信息序列中相邻元素之间的差异和元素均值获得波动频率因子,具体包括:
根据波动频率因子公式获得波动频率因子,波动频率因子公式包括:
异常振动所带来的影响在包络信息值上体现为数值的增益,因此波动频率因子公
式中,如果在某个时刻的下个时刻出现异常振动的影响,则较大。因此当累加
值越大时,说明该序列中出现波动的情况较多,波动较为频繁,即波动频率因子较大。
进一步根据包络信息序列中的元素极差和元素均值获得波动幅度因子,具体包括:获得包络信息序列中最大元素值与元素均值的元素值差异,以包络信息序列的元素极差与元素值差异的比值作为波动幅度因子,即波动幅度因子的表达式为:
即序列的极差越大,说明该序列中波动的越剧烈;最大元素值与元素均值的元素值差异越小,说明序列中存在大量数值较高的元素值分布,该序列中的波段越剧烈。极差越大,元素值差异越小,说明序列的波段幅度越大,则波动幅度因子越大。
进一步分析音频信息序列和温度信息序列的波段特征,根据音频信息序列的波段幅度和波动频率获得第一波动因子,具体包括:
根据第一波动性因子公式获得第一波动性因子,第一波动性因子公式包括:
步骤S3:结合相同采样时间段内的多种所述波动频率因子、多种所述波动频率因子、所述第一波动性因子和第二波动性因子,获得特征向量;连续采样时间段内的所述特征向量构成特征矩阵。
经过步骤S2对信息数据的处理,在本发明实施例中,一个采样时间段内即可获得八个波动特征,因此结合多种波动频率因子、多种波动频率因子、第一波动性因子和第二波动性因子,获得每个采样时间段的特征向量,即特征向量的长度为8。
进一步为了分析振动在时序上造成的变化趋势,将连续的采样时间段内的特征相邻构成特征矩阵。在本发明实施例中,将每个特征相邻作为特征矩阵的一列,根据时序信息将特征向量进行排列,获得特征矩阵。
特征矩阵中包含了振动信息、音频信息和温度信息,信息更丰富,代表性更强。
步骤S4:根据特征矩阵对多个齿轮箱进行分组,获得多个齿轮箱组;提取特征矩阵的振动特征,获得齿轮箱组内每个齿轮箱时序上的振动特征变化序列;将每个齿轮箱组中的振动特征变化序列作为训练数据,根据训练数据获得CEEMD-GRU信息预测网络。
因为传动结构包含大量且种类丰富的齿轮箱,不同种类的齿轮箱具有不同的振动特征,并且相同种类的齿轮箱处于不同的工况也会产生不同的振动特征。因此为了方便振动信息的分析及扩充后续网络训练的数据集,需要将传动结构中的所有齿轮箱进行分类,因为特征矩阵具有丰富的振动特征,因此可根据特征矩阵对齿轮箱进行分组,获得多个齿轮箱组,每个齿轮箱组中的齿轮箱具有相同的振动特征和时序上的振动变化特征。
优选的,以特征矩阵作为研究样本,利用量子聚类算法对研究样本进行聚类,获得多个聚类簇,每个聚类簇对应一个齿轮箱组。量子聚类算法是一种基于划分的聚类算法,并且是一种无监督聚类算法,此算法不需要预先设定聚类中心和聚类个数,此算法的基本思想是:基于量子理论,研究样本的分布规律,基于迭代梯度下降算法和不显含时间的薛定谔方程求解每个研究样本的势能,势能为零或最小的研究样本周围会分布着其他研究样本,因此,势能为零或最小的研究样本为该类的聚类中心,聚类中心周围分布的其他研究样本则分到该类。需要说明的是,量子聚类算法为本领域技术人员熟知的技术手段,在此不再赘述,仅简要介绍在本发明实施例中所采用的薛定谔方程:
薛定谔方程被用来求解具有势场约束的波函数,波函数被用来描述被用来描述微观粒子的量子态。在本发明实施例中采用不显时间的薛定谔方程,即假设势场不随时间的变化而变化,不显含时间的薛定谔方程如下:
每个齿轮箱组中的齿轮箱都对应一个特征矩阵,为了方便在时序上分析每种振动特点的齿轮箱的振动变化的趋势,提取特征矩阵的振动特征,获得齿轮箱组内每个齿轮箱时序上的振动特征变化序列,具体包括:
将特征矩阵根据时序分割为多个相同尺寸的行列式。获得行列式的行列值,以行列值作为振动特征,将行列值根据时序排列,获得振动特征变化序列。
在本发明实施例中,考虑到特征向量的长度为8,因此设置每个行列式的列数也为8,即每个行列式的尺寸均为8*8,即每个行列式为对应齿轮箱在8个采样频率下各个振动特征因子的变化情况。
需要说明的是,计算行列式的行列值为本领域技术人员熟知的技术手段,简要过程概括为:行列值是行列式中的右斜乘积之和减去左斜乘积之和的结果。
因为每个齿轮箱组中的振动特征和振动变化特征均相似,因此每个齿轮箱组内的振动特征变化序列均可作为网络的训练数据,整合组内所有的序列数据,扩充了网络的训练数据集,使得训练出的网络准确率更强,通过训练数据集的训练,获得每个齿轮箱组对应的CEEMD-GRU信息预测网络。
CEEMD-GRU信息预测网络是一种基于CEEMD(互补经验模态分解)与GRU(门控循环单元)组合的预测模型。在网络中,首先基于CEEMD算法将输入的振动特征变化序列分解为多个本征模态函数分量和一个残差分量,以深度挖掘数据隐含的波动信息,然后在GRU的网络结构下完成训练,输出未来时刻的未来振动特征变化序列。需要说明的是,CEEMD-GRU的网络结构与具体训练方法为本领域技术人员熟知的技术手段,在此仅简述本发明实施例中的简要训练过程:
(1)选取多个振动特征变化序列作为训练数据集,为了便于训练,在训练数据输入网络后首先经过归一化操作。
(2)通过网络中的CEEMD算法将训练数据集进行平稳化处理,以深度挖掘数据隐含的波动信息,得到多个本征模态函数分量,以及残差分量。
(3)将多个子分量重组为GRU神经网络输入的数据,并划分为训练集与测试集,二者比例为20:1。
(4)以上述重组的数据作为GRU神经网络输入,以振动特征变化序列作为GRU神经网络输出,进行多输入单输出的GRU神经网络训练。
(5)当网络满足收敛条件后,获得训练完毕的CEEMD-GRU信息预测网络。
步骤S5:根据对应的CEEMD-GRU信息预测网络预测待评估齿轮箱的未来振动特征变化序列,根据未来振动特征变化序列中元素的大小和元素位置判断待评估齿轮箱是否存在异常。
通过对传动机构结构部件的振动测试及数据采集,可存储至历史数据库中,基于历史数据库中的历史数据获得能够预测振动特征变化趋势的CEEMD-GRU信息预测网络,在实际需要评估待评估齿轮箱时,采集待评估齿轮箱的数据,获得实时振动特征变化序列,根据对应的CEEMD-GRU信息预测网络即可预测待评估齿轮箱的未来振动特征变化序列,具体包括:
获得待评估齿轮箱的实时特征矩阵与实时振动特征变化序列,将实时特征矩阵与每个齿轮箱组的中心样本的特征矩阵匹配,获得待评估齿轮箱对应的最匹配齿轮箱组。将待评估齿轮箱的所述实时振动特征变化序列输入最匹配齿轮箱组对应的CEEMD-GRU信息预测网络中,获得未来振动特征变化序列。
需要说明的是,匹配方法为本领域技术人员熟知的现有技术,在具体实施时可选用距离匹配、相似度匹配等多种匹配方法,可根据具体实施情况具体设置,在此不做限定。
未来振动特征变化序列反应了未来时刻待评估齿轮箱的振动特征的变化趋势,因为异常振动会导致获取的振动特征的数值变大,因此可根据未来振动特征变化序列中元素的大小和元素位置判断待评估齿轮箱是否存在异常,具体包括:
若未来振动特征变化序列中存在某个元素大于预设特征阈值,则获得该元素的时序位置,根据时序位置获得异常时间点,若异常时间点到实时时间点之间的时间段小于预设时间长度阈值,则说明待评估齿轮箱因为多种因素产生的异常振动即将对齿轮箱造成较大的影响,即认为待评估齿轮箱存在异常。因为是通过预测数据判断的异常,因此工作人员拥有足够的时间对异常齿轮箱进行更换或者维护,避免了因为异常齿轮箱发现不及时导致传动机构运行异常,影响连铸工艺的效率。需要说明的是,特征阈值可根据具体实时场景中传动机构对各种齿轮箱的要求进行具体设置,在此不做限定。
综上所述,本发明实施例获取齿轮箱振动信号的包络信息,在时序上分析齿轮箱的包络信息、音频信息和温度信息的波动特征,构建特征矩阵。基于特征矩阵对齿轮箱进行分组,获得多个齿轮箱组。提取特征矩阵中的振动特征,获得振动特征变化序列,根据每个齿轮箱组内的振动特征变化序列训练对应的CEEMD-GRU信息预测网络。通过CEEMD-GRU信息预测网络获得待评估齿轮箱的未来振动特征变化序列。根据未来振动特征变化序列中的元素评估待评估齿轮箱的异常。本发明实施例通过对传动机构齿轮箱振动数据的获取及分析,通过预测手段及时评估出异常齿轮箱,保证了冶金工艺的效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述方法包括:
采集冶金传动机构每个齿轮箱的振动信号、音频信息和温度信息;对所述振动信号包络处理,获得多种包络信息;
根据预设采样频率获得每种包络信息的包络信息序列;根据所述包络信息序列中相邻元素之间的差异和元素均值获得波动频率因子;根据所述包络信息序列中的元素极差和元素均值获得波动幅度因子;根据所述采样频率获得音频信息序列和温度信息序列,根据所述音频信息序列的波动幅度和波动频率获得第一波动性因子,获得所述温度信息序列的第二波动性因子;
结合相同采样时间段内的多种所述波动频率因子、多种所述波动频率因子、所述第一波动性因子和所述第二波动性因子,获得特征向量;连续采样时间段内的所述特征向量构成特征矩阵;
根据所述特征矩阵对多个齿轮箱进行分组,获得多个齿轮箱组;提取所述特征矩阵的振动特征,获得所述齿轮箱组内每个齿轮箱时序上的振动特征变化序列;将每个所述齿轮箱组中的所述振动特征变化序列作为训练数据,根据所述训练数据获得CEEMD-GRU信息预测网络;
根据对应的所述CEEMD-GRU信息预测网络预测待评估齿轮箱的未来振动特征变化序列,根据所述未来振动特征变化序列中元素的大小和元素位置判断所述待评估齿轮箱是否存在异常。
2.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述对所述振动信号包络处理,获得多种包络信息包括:
对所述振动信号进行模数转换、频谱转换、带通滤波和加速度包络处理后获得所述包络信息,所述包络信息包括振动加速度、振动速度和加速度包络值。
4.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述根据所述包络信息序列中的元素极差和元素均值获得波动幅度因子包括:
获得所述包络信息序列中最大元素值与元素均值的元素值差异,以所述包络信息序列的元素极差与所述元素值差异的比值作为所述波动幅度因子。
6.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述根据所述特征矩阵对多个齿轮箱进行分组,获得多个齿轮箱组包括:
以所述特征矩阵作为研究样本,利用量子聚类算法对所述研究样本进行聚类,获得多个聚类簇,每个所述聚类簇对应一个所述齿轮箱组。
7.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述提取所述特征矩阵的振动特征,获得所述齿轮箱组内每个齿轮箱时序上的振动特征变化序列包括:
将所述特征矩阵根据时序分割为多个相同尺寸的行列式;获得所述行列式的行列值,以所述行列值的绝对值作为所述振动特征,将所述振动特征根据时序排列,获得所述振动特征变化序列。
8.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述根据对应的所述CEEMD-GRU信息预测网络预测待评估齿轮箱的未来振动特征变化序列包括:
获得所述待评估齿轮箱的实时特征矩阵与实时振动特征变化序列,将所述实时特征矩阵与每个所述齿轮箱组的中心样本的所述特征矩阵匹配,获得所述待评估齿轮箱对应的最匹配齿轮箱组;将所述待评估齿轮箱的所述实时振动特征变化序列输入所述最匹配齿轮箱组对应的所述CEEMD-GRU信息预测网络中,获得所述未来振动特征变化序列。
9.根据权利要求1所述的一种冶金传动机构局域损伤振动包络信号获取及评估方法,其特征在于,所述根据所述未来振动特征变化序列中元素的大小和元素位置判断所述待评估齿轮箱是否存在异常包括:
若所述未来振动特征变化序列中存在某个元素大于预设特征阈值,则获得该元素的时序位置,根据所述时序位置获得异常时间点,若所述异常时间点到实时时间点之间的时间段小于预设时间长度阈值,则认为所述待评估齿轮箱存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169217.6A CN115235762A (zh) | 2022-09-26 | 2022-09-26 | 冶金传动机构局域损伤振动包络信号获取及评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169217.6A CN115235762A (zh) | 2022-09-26 | 2022-09-26 | 冶金传动机构局域损伤振动包络信号获取及评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115235762A true CN115235762A (zh) | 2022-10-25 |
Family
ID=83667124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169217.6A Pending CN115235762A (zh) | 2022-09-26 | 2022-09-26 | 冶金传动机构局域损伤振动包络信号获取及评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115235762A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN109708907A (zh) * | 2018-11-30 | 2019-05-03 | 浙江胄天科技股份有限公司 | 一种基于包络信息的设备故障特征提取方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和*** |
CN113255848A (zh) * | 2021-07-08 | 2021-08-13 | 浙江大学 | 基于大数据学习的水轮机空化声信号辨识方法 |
CN113339204A (zh) * | 2021-05-01 | 2021-09-03 | 北京工业大学 | 一种基于混合神经网络的风力发电机故障识别方法 |
-
2022
- 2022-09-26 CN CN202211169217.6A patent/CN115235762A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN109708907A (zh) * | 2018-11-30 | 2019-05-03 | 浙江胄天科技股份有限公司 | 一种基于包络信息的设备故障特征提取方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和*** |
CN113339204A (zh) * | 2021-05-01 | 2021-09-03 | 北京工业大学 | 一种基于混合神经网络的风力发电机故障识别方法 |
CN113255848A (zh) * | 2021-07-08 | 2021-08-13 | 浙江大学 | 基于大数据学习的水轮机空化声信号辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
Lu et al. | Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition | |
Wang et al. | A new tool wear monitoring method based on multi-scale PCA | |
CN105971901B (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN103842922A (zh) | 通过模式序列使用内核回归建模的监控*** | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
Qu et al. | Feature selection for damage degree classification of planetary gearboxes using support vector machine | |
CN109299727A (zh) | 信息重构的改进极限学习机故障诊断方法 | |
CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN104863840A (zh) | 一种基于emd-pca的往复压缩机智能诊断方法 | |
Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
Yang et al. | Gearbox fault diagnosis based on artificial neural network and genetic algorithms | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
CN115753067A (zh) | 一种基于数字孪生的强噪声下旋转机械故障诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
Isham et al. | Iterative variational mode decomposition and extreme learning machine for gearbox diagnosis based on vibration signals | |
Tang et al. | Experimental analysis of wet mill load parameter based on multiple channel mechanical signals under multiple grinding conditions | |
CN115235762A (zh) | 冶金传动机构局域损伤振动包络信号获取及评估方法 | |
CN113743010A (zh) | 基于eemd能量熵的滚动轴承运行状态评估方法 | |
CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 | |
Ding et al. | A fault feature extraction method of motor bearing using improved LCD | |
CN111693279A (zh) | 基于mpga参数化共振稀疏分解的机械故障诊断方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
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 |