[發明專利]起重機械故障診斷方法和系統

有效

• 申請號: 202110088959.5
• 申請日: 2021-01-22
• 公開（公告）號: CN112881054B
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 梁敏健;戚政武;楊寧祥;林少杰;王璐;蘇宇航;林曉明;劉德陽
• 申請（專利權）人: 廣東省特種設備檢測研究院珠海檢測院
• 主分類號: G01M99/00
• 分類號: G01M99/00;B66C15/06;G06N3/06;G06F17/15
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 尹凡華

本發明涉及一種起重機械故障診斷方法和系統的技術方案，包括：初始化，將多個加速度傳感器分別與待檢測位置相互關聯；數據獲取，獲取來自加速度傳感器的時域信號，并從時域信號中提取時域特征；數據處理，對時域信號進行LMD分解以獲得若干個峭度最大的PF分量，并將若干個PF分量進行排序后獲得數據集；訓練深度卷積神經網絡，將訓練集輸入到預設的深度卷積神經網絡中進行調參訓練，將測試集輸入到完成調參訓練的深度卷積神經網絡中進行有效性驗證；故障診斷，完成訓練后的深度卷積神經網絡對來自每個待檢測的加速度傳感器的檢測信號進行運算，輸出機械故障類型。本發明的有益效果為：提高起重機械故障診斷的效率，以及提高故障判斷的準確性。

技術領域

本發明涉及計算機及起重機測量技術領域，特別涉及一種起重機械故障診斷方法和系統。

背景技術

起重機是一種常見的運載工具，在實際運行過程中，往往因故障而引發事故，其中，起重機的機械故障是難以發現的，例如，減速箱內齒輪的磨損、膠合或點蝕，以及起重機滾輪的磨損等。這些機械磨損通常需要檢查起重機內部結構才能及時發現，效率低、成本高，隱患識別依賴于人工判斷，主觀因素大、隱患發現率低。

為了提高起重機械故障診斷的自動化，現有技術通過機器學習算法和時頻分析法結合。其中，起重機中待測部件（例如齒輪、滾輪）產生的原始振動信號往往是非平穩、非線性的時變信號，通過時頻分析法將原始振動信號分解為若干有物理意義的信號進行分析。常用的時頻分析法有經驗模態分解（empirical?mode?decomposition，EMD）和局部特征尺度分解（Local?Characteristic-scaleDecomposition，LCD），但是這兩種分解算法存在頻率混淆和端點效應、由于調解而引起信號突變、計算量大等問題。而機器學習算法是基于淺層學習，對信號采集和處理的要求較高，模型的泛化能力差。

發明內容

本發明的目的在于至少解決現有技術中存在的技術問題之一，提供了一種起重機械故障診斷方法和系統，能夠提高起重機械故障診斷的效率。

本發明的技術方案包括一種起重機械故障診斷方法，包括以下步驟：初始化，將多個加速度傳感器分別與待檢測位置相互關聯；數據獲取，獲取來自所述加速度傳感器的時域信號，并從所述時域信號中提取時域特征；數據處理，對所述時域信號進行LMD分解以獲得若干個峭度最大的PF分量，并將若干個所述PF分量進行排序后獲得數據集；訓練深度卷積神經網絡，將所述數據集按比例分為訓練集和測試集，將所述訓練集輸入到預設的深度卷積神經網絡中進行調參訓練，將所述測試集輸入到完成調參訓練的深度卷積神經網絡中進行有效性驗證；故障診斷，完成訓練后的深度卷積神經網絡對來自每個待檢測的加速度傳感器的檢測信號進行運算，輸出對應的機械故障類型。

根據所述的起重機械故障診斷方法，其中的數據處理包括：將所述時域信號均分為若干個片段，每個片段包括m個數據點；將每個片段的所述時域信號進行LMD分解，以獲得若干個PF分量；求取峭度最大的n個PF分量，并經過排序后構成所述數據集，所述數據集的維數為1×m×n，其中，m0，n≥1。

根據所述的起重機械故障診斷方法，其中的LMD分解包括：S310，將所述時域信號賦值給初始序列，并將賦值后的序列賦值給剩余信號序列；S320，確定序列的所有局部極值點，i=1，2，3，…，M，求出所有相鄰局部極值點的平均值為

，

將所有平均值點用直線連起來，然后用滑動平均法進行平滑處理，得到局部均值函數；S330，計算所有包絡估計值，

，

將所有相鄰的兩個包絡估計值用直線相連，然后采用滑動平均法進行平滑處理，得到包絡估計函數；S340，將局部均值從原始信號中分離出來，得到剩余信號，其中；S350，使用包絡估計函數對剩余信號進行解調，得到調頻信號，其中

；