CN110837852A - 一种轧机齿轮箱的故障诊断方法、装置及终端设备 - Google Patents
一种轧机齿轮箱的故障诊断方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110837852A CN110837852A CN201911025317.XA CN201911025317A CN110837852A CN 110837852 A CN110837852 A CN 110837852A CN 201911025317 A CN201911025317 A CN 201911025317A CN 110837852 A CN110837852 A CN 110837852A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- fault
- oil
- rolling mill
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000005096 rolling process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 239000007788 liquid Substances 0.000 claims description 21
- 241001123248 Arma Species 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 239000002253 acid Substances 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000002518 antifoaming agent Substances 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005245 sintering Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000004945 emulsification Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轧机齿轮箱的故障诊断方法、装置以及终端设备，包括：获取轧机齿轮箱在各种故障状态下的油液监测数据；根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。通过实施本发明实施例能够通过机器学习的方法对齿轮箱进行故障检测，检测结果不受环境噪音影响，提高了鲁棒性。
Description
技术领域
本发明涉及齿轮箱故障检测技术领域，尤其涉及一种轧机齿轮箱的故障诊断方法、装置及终端设备。
背景技术
目前针对轧机齿轮箱的维修、停机等决策依据主要包含，依靠人为主观判断如观察齿轮箱的噪音油温等情况，或采用振动信号分析方法对齿轮箱的状态进行分析；但是，采用人为主观判断齿轮箱的状态，对人为经验需求较高，且容易存在主观误差。而采用振动信号分析方法，其结果鲁棒性对环境要求较为严格，故障信号易被背景噪音淹没，导致分析结果不准确。
发明内容
为解决上述技术问题，本发明实施例提供一种轧机齿轮箱的故障诊断方法、装置及终端设备，能通过机器学习的方法对齿轮箱进行故障检测，检测结果不受环境噪音影响，提高了鲁棒性。
本发明一实施例提供一种轧机齿轮箱的故障诊断方法，包括：获取轧机齿轮箱在各种故障状态下的油液监测数据；
根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
进一步的，所述油液监测数据包括：污染元素、黏度、酸值、抗乳化性、抗泡沫特性、最大无卡咬负荷、烧结负荷、水分、磨损元素、PQ指数和/或添加剂元素。
进一步的，所述学习器为集成学习器，所述集成学习器包括若干基学习器，所述基学习器包括：神经网络、SVM和/或决策树。
进一步的，在所述根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型之前，还包括：根据主成分分析法对所述油液监测数据进行降维处理。
进一步的，还包括：在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据；
将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。
在上述方法项实施例的基础上对应提供了装置项实施例。
本发明另一实施例提供了一种轧机齿轮箱的故障诊断装置，包括油液监测数据获取模块、训练模块以及故障诊断模块；
所述油液监测数据获取模块，用于获取轧机齿轮箱在各种故障状态下的油液监测数据；
所述训练模块，用于根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
所述故障诊断模块，用于获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
进一步的，还包括油液预测模块；其中，所述油液预测模块，用于在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据，继而将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。
在上述方法项实施例的基础上，对应提供了终端设备项实施例：
本发明另一实施例提供了一种轧机齿轮箱的故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现本发明上述任意一方法项实施例所述的轧机齿轮箱的故障诊断方法。
通过实施本发明实施例具有如下有益效果：
本发明实施例提供了一种轧机齿轮箱的故障诊断方法、装置及终端设备，所述方法首先获取轧机齿轮箱在各个故障状态下的油液监测数据，然后将这些油液监测数据和对应的故障标签作为输入，输入至学习器内进行训练，获得故障分类模块。最后获取待检测齿轮箱的油液检测数据即上述第二油液监测数据，并输入至训练好的故障分类模型中，最终输出待检测齿轮箱的故障类型，即上述故障诊断结果。采用上述方法进行故障诊断避免了背景噪音的干扰，相对于传统的振动信号分析法来说，鲁棒性更高。
附图说明
图1是本发明一实施例提供的、轧机齿轮箱的故障诊断方法的流程示意图。
图2是本发明一实施例提供的轧机齿轮箱的故障诊断装置的结构示意图。
图3是本发明一实施例提供的轧机齿轮箱的故障诊断方法中建立ARMA模型的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
如图1所示，本发明实施例提供了一种轧机齿轮箱的故障诊断方法，包括如下步骤：
步骤S101：获取轧机齿轮箱在各种故障状态下的油液监测数据；
步骤S102：根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
步骤S103：获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
当轧机齿轮箱出现故障时，其损害通常由传动部件的表面组件发生衍变，而后影响到部件的结构和功能，导致齿轮箱的传动过程中出现噪音，振动现象，同时齿轮箱中的油液的成分也有变化。
不同的故障类别会对应使得油液中不同成分的数值发生异常；因此可以将油液中数值异常的成分作为特征项，将其与对应的故障类别进行对应，通过检测特征项的数值变化，对齿轮箱的故障类别进行判断。
以下列举齿轮箱的不同故障类别(或者说在不同故障状态下)所对应的特征项：
当齿轮箱轴承密封失效，进入粉尘时，对应特征项为污染元素A l和Si；
当齿轮箱的油品劣质，氧化时，对应特征项为：黏度、酸值、抗乳化性、抗泡沫特性、最大无卡咬负荷和/或烧结负荷。
当齿轮箱的酸值升高，腐蚀风险增大时，对应特征项为：酸值、磨损元素Fe、Cu含量。
当齿轮箱异常磨损如轴承、齿轮、定位键，对应特征项为：PQ指数、磨损元素Fe、Cu和Cr。
当齿轮箱出现混油时，对应特征项为：添加剂元素Ca、Zn及P。
因此对于步骤S101、在进行油液监测数据获取时，可以根据需要检测的故障类别，调整需要采集的油液检测数据的数据项。
在一个优选的实施例中，获取的每一个油液监测数据包括以下数据项：污染元素、黏度、酸值、抗乳化性、抗泡沫特性、最大无卡咬负荷、烧结负荷、水分、磨损元素、PQ指数和/或添加剂元素。
需要说明的是，上述污染元素包括Al和Si、磨损元素包括Fe、Cu、Cr、添加剂元素包括：Ca、Zn和/或P。
上述油液检测数据的数据项可以全部都采集，也可以只获取其中的一部分，具体的可以根据需要检测的故障类型进行调整。
在一个优选的实施例中，还可获取轧机齿轮箱在正常状态下的油液监测数据。
对于步骤S102、在步骤S101中获取油液检测数据后，对各不同故障状态下的油液监测数据设置对应故障标签，上述故障标签用于标识齿轮箱的不同故障状态(或者说故障类别)，然后将各不同状态下的油液监测数据以及对应的故障标签输入至学习器中进行训练，获得故障分类模型。
在一个优选的实施例中上述学习器为集成学习器，其有若干个基学习器组成，对于基学习器的类型可以采用以下任意一种或多种组合，神经网络、SVM、决策树。可以根据实际情况进行选择，例如所有的基学习器的类型可以都为神经网络，然后组成集成学习器。也可以部分基学习器采用神经网络，部分基学习器采用决策树，然后集成，形成集成学习器。通过集成学习器进行训练，相对与单一模型算法，集成学习方法可以提高分类的准确度。
以下对训练过程进行具体的说明：
首先将获得的所有油液监测数据按一定的比例分为训练数据集DT和验证数据集DA。优选的，训练数据集的比例70％，验证数据集的比例为30％。
假设要构建m个模型M1，M2，……Mm。以模型Mi为例说明：对训练数据集DT进行学习，学习完毕后对验证数据DA的计算结果为DA_Mi。待M个模型全部建立完成后：
对验证数据得到的结果集合为DA_M＝{DA_M1，DA_M2，……，DA_Mm}，其中每个结果序列都可看作一个新的特征，将这些新的特征排列起来看作一个训练数据集的输入，输出就是原始数据集中验证数据集的输出。输出和输入结合起来构成一个完整的训练数据集，最终训练得到最终的故障分类模型。
在一个优选的实施例中，在获取故障分类模型后，还包括以AOC、ROC曲线对上述故障分类模型进行评，并优化。
在一个优选的实施例中，在所述根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型之前，还包括：根据主成分分析法对所述油液监测数据进行降维处理。
对于步骤S103,具体的采集需要进行检测齿轮箱(即待检测齿轮箱)的油液监测数据(即第二油液监测数据)，然后将第二油液监测数据输入至故障分类模型，得到对待检测齿轮箱的故障类型即上述的故障诊断结果。
需要说明的是，为了能够识别出工作状态正常即没有发生故障的齿轮箱，在步骤S101中还可以对正常工作状态下的齿轮箱的油液监测数据进行采集，并一起输入到学习器中进行训练，使得最终得到的故障分类模型能够对没有发生故障的齿轮箱进行分类。
在一个优选的实施例中，还可对齿轮箱的未来的工作状态进行一个预测，具体的还包括：在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据；将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。ARMA根据持续采集到的油液检测数据，对油液检测数据中的各个数据项进行时序预测，推测各数据项随时间变化的数值变化结果，从而确定待检测齿轮后续的工作状态。
优先的，在通过步骤S103,确定待检测齿轮箱的故障类型后，在后续的一段预设的时长内持续采集待检测齿轮箱的油液检测数据，然后将采集到的油液检测数据输入至ARMA模型中，由ARMA模型对待检测齿轮的故障类型所对应的特征项的值进行预测分析，得到待检测齿轮箱对的故障状态随时间变化的程度变化情况。
例如假设由步骤S103中，得出待检测齿轮箱的故障类型为轴承密封失效，进入粉尘，那么此时其对应的特征项由前文可知为污染元素Al和Si。那么ARMA模型对一段时长内，待检测齿轮箱油液监测数据中的污染元素Al和Si进行时间序列分析，可以预测下一时间节点待检测齿轮箱油液监测数据中的污染元素Al和Si的数值变化，从而对待检测齿轮箱的故障程度随时间的变化程度进行预测。
如图3所示，以下对ARMA模型的建立流程进行说明：
(1)对输入的数据(时间序列)进行判断，判断其是否为平稳非纯随机序列，若平稳则直接进入步骤(2)；若不平稳则进行数据处理，处理后才能进入步骤(2)。
(2)通过自相关和偏自相关函数，并结合AIC或BIC准则对建立的模型进行模型识别和定阶。
(3)完成模型识别和定阶后，进入模型的参数估计阶段，求出相应的模型参数。
(4)对拟合的模型进行适应性检验，校验模型参数是否合适。如果拟合模型通过检验，则输出ARMA模型。若模型检验不通过，则修改阶数重复步骤(2)重新选择模型。
需要说明的是在本发明实施例中，步骤(1)中输入的数据或者说时间序列，为齿轮箱在一段预设时间长度内的油液监测数据。
在上述方法项实施例的基础上对应提供了装置项实施例：
本发明另一实施例提供了一种轧机齿轮箱的故障诊断装置，包括油液监测数据获取模块、训练模块以及故障诊断模块；
所述油液监测数据获取模块，用于获取轧机齿轮箱在各种故障状态下的油液监测数据；
所述训练模块，用于根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
所述故障诊断模块，用于获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
进一步的，还包括油液预测模块；其中，所述油液预测模块，用于在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据，继而将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。
可以理解的是，上述装置项实施例是与本发明方法项实施例相对应的，其可以实现本发明上述任意一项方法项实施例提供的轧机齿轮箱的故障诊断方法。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。所述示意图仅仅是轧机齿轮箱的故障诊断装置的示例，并不构成对轧机齿轮箱的故障诊断装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
在上述方法项实施例的基础上对应提供了终端设备项实施例；本发明另一实施例提供了一种轧机齿轮箱的故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现本发明任意一方法项实施例所述的轧机齿轮箱的故障诊断方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
通过实施本发明的实施例能够通过机器学习的方法对齿轮箱进行故障检测，检测结果不受环境噪音影响，提高了鲁棒性并对齿轮箱的故障程度变化进行预测。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种轧机齿轮箱的故障诊断方法，其特征在于，包括：
获取轧机齿轮箱在各种故障状态下的油液监测数据；
根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
2.如权利要求1所述的轧机齿轮箱的故障诊断方法，其特征在于，所述油液监测数据包括：污染元素、黏度、酸值、抗乳化性、抗泡沫特性、最大无卡咬负荷、烧结负荷、水分、磨损元素、PQ指数和/或添加剂元素。
3.如权利要求1所述的轧机齿轮箱的故障诊断方法，其特征在于，所述学习器为集成学习器，所述集成学习器包括若干基学习器，所述基学习器包括：神经网络、SVM和/或决策树。
4.如权利要求1所述的轧机齿轮箱的故障诊断方法，其特征在于，在所述根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型之前，还包括：根据主成分分析法对所述油液监测数据进行降维处理。
5.如权利要求1所述的轧机齿轮箱的故障诊断方法，其特征在于，还包括：
在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据；
将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。
6.一种轧机齿轮箱的故障诊断装置，其特征在于，包括油液监测数据获取模块、训练模块以及故障诊断模块；
所述油液监测数据获取模块，用于获取轧机齿轮箱在各种故障状态下的油液监测数据；
所述训练模块，用于根据所述油液监测数据以及对应的故障标签，通过学习器进行模型训练，获得故障分类模型；
所述故障诊断模块，用于获取待检测齿轮箱的第二油液监测数据并将所述第二油液监测数据输入至所述故障分类模型中，获得所述待检测齿轮箱的故障诊断结果。
7.如权利要求6所述的轧机齿轮箱的故障诊断装置，其特征在于，还包括油液预测模块；其中，所述油液预测模块，用于在预设时长内持续采集待检测齿轮箱的油液监测数据，获得第三油液监测数据，继而将所述第三油液监测数据输入至预设的ARMA模型，以使所述ARMA模型根据所述第三油液监测数据对所述待检测齿轮箱的油液数据的变化趋势进行预测。
8.一种轧机齿轮箱的故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的轧机齿轮箱的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911025317.XA CN110837852A (zh) | 2019-10-25 | 2019-10-25 | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911025317.XA CN110837852A (zh) | 2019-10-25 | 2019-10-25 | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110837852A true CN110837852A (zh) | 2020-02-25 |
Family
ID=69575675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911025317.XA Pending CN110837852A (zh) | 2019-10-25 | 2019-10-25 | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837852A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562111A (zh) * | 2020-06-05 | 2020-08-21 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
| CN112115575A (zh) * | 2020-07-29 | 2020-12-22 | 北京奔驰汽车有限公司 | 一种设备润滑油状态评价系统和方法 |
| CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
| CN113433856A (zh) * | 2021-06-17 | 2021-09-24 | 浙江齐安信息科技有限公司 | 设备状态监测方法、装置、系统及存储介质 |
| CN113759882A (zh) * | 2021-10-09 | 2021-12-07 | 中国人民解放军国防科技大学 | 一种悬浮系统的部件故障检测方法、装置及悬浮系统 |
| CN115541228A (zh) * | 2022-10-10 | 2022-12-30 | 重庆邮电大学 | 一种风电机组齿轮箱的故障诊断方法 |
| CN115931344A (zh) * | 2023-01-03 | 2023-04-07 | 南京高精齿轮集团有限公司 | 基于mfcc特征提取的声信号故障诊断技术 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
-
2019
- 2019-10-25 CN CN201911025317.XA patent/CN110837852A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
Non-Patent Citations (5)
| Title |
|---|
| 卢小辉 等: "《润滑油液分析实验》", 31 August 2018, pages: 2 - 11 * |
| 孙志伟 等: "时序分析方法在润滑油铁谱定量分析中的应用研究", 《广东化工》 * |
| 孙志伟 等: "时序分析方法在润滑油铁谱定量分析中的应用研究", 《广东化工》, 30 July 2014 (2014-07-30), pages 1 - 3 * |
| 马俊杰: "机械设备油液检测与故障诊断网络服务平台设计", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
| 马俊杰: "机械设备油液检测与故障诊断网络服务平台设计", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》, 15 October 2018 (2018-10-15), pages 23 - 66 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562111A (zh) * | 2020-06-05 | 2020-08-21 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
| CN112115575A (zh) * | 2020-07-29 | 2020-12-22 | 北京奔驰汽车有限公司 | 一种设备润滑油状态评价系统和方法 |
| CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
| CN113433856A (zh) * | 2021-06-17 | 2021-09-24 | 浙江齐安信息科技有限公司 | 设备状态监测方法、装置、系统及存储介质 |
| CN113759882A (zh) * | 2021-10-09 | 2021-12-07 | 中国人民解放军国防科技大学 | 一种悬浮系统的部件故障检测方法、装置及悬浮系统 |
| CN115541228A (zh) * | 2022-10-10 | 2022-12-30 | 重庆邮电大学 | 一种风电机组齿轮箱的故障诊断方法 |
| CN115541228B (zh) * | 2022-10-10 | 2025-05-02 | 重庆邮电大学 | 一种风电机组齿轮箱的故障诊断方法 |
| CN115931344A (zh) * | 2023-01-03 | 2023-04-07 | 南京高精齿轮集团有限公司 | 基于mfcc特征提取的声信号故障诊断技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| Tsui et al. | Prognostics and health management: A review on data driven approaches | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN108363952A (zh) | 诊断装置 | |
| CN108681496A (zh) | 磁盘故障的预测方法、装置及电子设备 | |
| EP2541358B1 (en) | Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory | |
| CN103617110A (zh) | 服务器设备状态检修系统 | |
| CN112632179B (zh) | 模型构建方法、装置、存储介质及设备 | |
| CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| US10430269B2 (en) | Methods and systems for root cause analysis for assembly lines using path tracking | |
| CN111931334B (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
| CN111971545A (zh) | 用于处理机动车辆的数据的诊断系统和方法 | |
| CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
| WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
| CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
| CN111078456A (zh) | 设备故障诊断方法、装置、计算机可读存储介质和电子设备 | |
| CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
| Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
| CN115964943A (zh) | 离线设备剩余寿命预测方法、装置和计算机设备 | |
| CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
| CN116384680A (zh) | 研发质量的可视化监测方法、装置、设备及可读存储介质 | |
| CN107480703B (zh) | 交易故障检测方法及装置 | |
| CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |
|
| RJ01 | Rejection of invention patent application after publication |