减速机智能化故障诊断与自学习方法及系统与流程

本发明涉及故障诊断领域，尤其涉及一种减速机智能化故障诊断与自学习方法及系统。

背景技术：

1、随着工业自动化的不断发展，减速机在生产过程中扮演着至关重要的角色，用于控制机械设备的转速和输出扭矩。然而，由于长时间的运行和各种工作环境的影响，减速机在使用过程中容易受到各种故障的影响，这导致设备损坏、生产中断以及维护成本的增加。

2、传统的故障诊断方法往往依赖于人工经验或定期维护，无法实现实时监测和智能化诊断，导致故障往往在发生后才被发现，即现有方案的准确率低。

技术实现思路

1、本发明提供了一种减速机智能化故障诊断与自学习方法及系统，用于实现减速机的智能化故障诊断并提高减速机故障诊断的准确率。

2、本发明第一方面提供了一种减速机智能化故障诊断与自学习方法，所述减速机智能化故障诊断与自学习方法包括：对待检测的目标减速机进行外部影响参数采集，得到初始温度数据以及初始振动数据，并分别对所述初始温度数据以及所述初始振动数据进行傅里叶变换和频域降采样，得到目标温度数据以及目标振动数据；对所述目标减速机进行运行状态参数采集，得到初始转速数据以及初始扭矩数据，并对所述初始转速数据进行转速分类，得到输入转速数据以及输出转速数据；对所述初始扭矩数据进行异常值处理，得到目标扭矩数据，并根据所述目标扭矩数据、所述输入转速数据以及所述输出转速数据计算所述目标减速机的传动效率数据；分别对所述传动效率数据、所述目标温度数据以及所述目标振动数据进行特征提取，得到多个传动效率特征、多个目标温度特征以及多个目标振动特征；对所述多个传动效率特征和多个目标温度特征进行特征编码和向量转换，得到温度传动关系向量，并对所述多个传动效率特征和所述多个目标振动特征进行特征编码和向量转换，得到振动传动关系向量；将所述温度传动关系向量和所述振动传动关系向量输入预置的减速机故障诊断模型进行减速机智能化故障诊断，得到减速机故障诊断结果；通过预置的粒子群算法根据所述减速机故障诊断结果对所述目标减速机进行控制补偿参数计算，得到最优减速机控制补偿参数组合。

3、结合第一方面，在本发明第一方面的第一种实现方式中，所述对待检测的目标减速机进行外部影响参数采集，得到初始温度数据以及初始振动数据，并分别对所述初始温度数据以及所述初始振动数据进行傅里叶变换和频域降采样，得到目标温度数据以及目标振动数据，包括：分别通过多个温度传感器对待检测的目标减速机进行环境温度影响参数采集，得到每个温度传感器的温度传感信号数据，并分别通过多个振动传感器对所述目标减速机进行振动影响参数采集，得到每个振动传感器的振动传感信号数据；对每个温度传感器的温度传感信号数据进行传感信号融合和平均加权处理，得到初始温度数据，并对每个振动传感器的振动传感信号数据进行传感信号融合和平均加权处理，得到初始振动数据；分别对所述初始温度数据以及所述初始振动数据进行傅里叶变换，得到温度频域数据以及振动频域数据；分别对所述温度频域数据以及所述振动频域数据进行频域降采样，得到目标温度数据以及目标振动数据。

4、结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述初始扭矩数据进行异常值处理，得到目标扭矩数据，并根据所述目标扭矩数据、所述输入转速数据以及所述输出转速数据计算所述目标减速机的传动效率数据，包括：通过预置的dbscan算法，确定所述初始扭矩数据的目标阈值，并根据所述目标阈值对所述初始扭矩数据进行离群值检测，得到至少一个离群值；对所述初始扭矩数据中的至少一个离群值进行校正，得到目标扭矩数据；计算所述目标扭矩数据与所述输入转速数据的乘积，得到输入功率数据，并计算所述目标扭矩数据与所述输出转速数据的乘积，得到输出功率数据；对所述输出功率数据和所述输入功率数据进行比值计算，得到所述目标减速机的传动效率数据。

5、结合第一方面，在本发明第一方面的第三种实现方式中，所述分别对所述传动效率数据、所述目标温度数据以及所述目标振动数据进行特征提取，得到多个传动效率特征、多个目标温度特征以及多个目标振动特征，包括：获取所述传动效率数据的第一时间戳数据，并获取所述目标温度数据的第二时间戳数据，以及获取所述目标振动数据的第三时间戳数据；根据所述第一时间戳数据对所述传动效率数据进行曲线拟合，得到传动效率曲线，并根据所述第二时间戳数据对所述目标温度数据进行曲线拟合，得到目标温度曲线，以及根据所述第三时间戳数据对所述目标振动数据进行曲线拟合，得到目标振动曲线；对所述传动效率曲线进行曲线特征点提取，得到多个候选效率特征点，并对所述目标温度曲线进行曲线特征点提取，得到多个候选温度特征点，以及对所述目标振动曲线进行曲线特征点提取，得到多个候选振动特征点；对所述多个候选效率特征点进行特征点筛选和特征映射，生成多个传动效率特征，并对所述多个候选温度特征点进行特征点筛选和特征映射，生成多个目标温度特征，并对所述多个候选振动特征点进行特征点筛选和特征映射，生成多个目标振动特征。

6、结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述多个传动效率特征和多个目标温度特征进行特征编码和向量转换，得到温度传动关系向量，并对所述多个传动效率特征和所述多个目标振动特征进行特征编码和向量转换，得到振动传动关系向量，包括：根据预设的第一特征编码规则对所述多个传动效率特征和多个目标温度特征进行特征编码，得到多个第一效率特征编码值以及多个温度特征编码值；对所述多个第一效率特征编码值以及所述多个温度特征编码值进行特征归一化和向量转换，得到温度传动关系向量；根据第二特征编码规则对所述多个传动效率特征和所述多个目标振动特征进行特征编码，得到多个第二效率特征编码值以及多个温度特征编码值；对所述多个第二效率特征编码值以及所述多个温度特征编码值进行特征归一化和向量转换，得到振动传动关系向量。

7、结合第一方面，在本发明第一方面的第五种实现方式中，所述将所述温度传动关系向量和所述振动传动关系向量输入预置的减速机故障诊断模型进行减速机智能化故障诊断，得到减速机故障诊断结果，包括：将所述温度传动关系向量和所述振动传动关系向量输入预置的减速机故障诊断模型，所述减速机故障诊断模型包括第一cnn网络、第二cnn网络以及权重输出层；通过所述第一cnn网络对所述温度传动关系向量进行减速机故障预测，得到第一减速机故障预测结果，所述第一cnn网络包括三卷积池化层以及一层全连接层；通过所述第二cnn网络对所述振动传动关系向量进行减速机故障预测，得到第二减速机故障预测结果，所述第二cnn网络包括三卷积池化层以及一层全连接层；对所述目标减速机进行温度影响权重分析，得到温度影响权重，并对所述目标减速机进行振动影响权重分析，得到振动影响权重；通过所述权重输出层对所述温度影响权重和所述第一减速机故障预测结果进行预测结果加权，得到第一加权故障预测结果，并对所述振动影响权重和所述第二减速机故障预测结果进行预测结果加权，得到第二加权故障预测结果；对所述第一加权故障预测结果和所述第二加权故障预测结果进行结果融合，得到减速机故障诊断结果。

8、结合第一方面，在本发明第一方面的第六种实现方式中，所述通过预置的粒子群算法根据所述减速机故障诊断结果对所述目标减速机进行控制补偿参数计算，得到最优减速机控制补偿参数组合，包括：根据所述减速机故障诊断结果对所述目标减速机进行补偿参数控制范围标定，得到补偿参数控制范围；对所述补偿参数控制范围进行函数参数定义，得到对应的目标函数参数，并通过所述目标函数参数对预置的初始随机生成函数进行函数参数设置，得到目标随机生成函数；通过所述目标随机生成函数对所述目标减速机进行补偿参数初始值随机生成，得到对应的随机初始值集合；通过所述补偿参数控制范围对所述随机初始值集合进行粒子关联生成，得到粒子种群，并对所述粒子种群进行种群分割，得到多个子粒子种群；分别对每个所述子粒子种群进行适应度计算函数匹配，得到每个所述子粒子种群对应的适应度计算函数；通过每个所述子粒子种群对应的适应度计算函数，分别对每个所述子粒子种群进行适应度计算，得到所述粒子种群对应的粒子适应度集合；对所述粒子适应度集合进行迭代计算，直至满足预设条件时，生成所述目标减速机的最优减速机控制补偿参数组合。

9、本发明第二方面提供了一种减速机智能化故障诊断与自学习系统，所述减速机智能化故障诊断与自学习系统包括：采集模块，用于对待检测的目标减速机进行外部影响参数采集，得到初始温度数据以及初始振动数据，并分别对所述初始温度数据以及所述初始振动数据进行傅里叶变换和频域降采样，得到目标温度数据以及目标振动数据；分类模块，用于对所述目标减速机进行运行状态参数采集，得到初始转速数据以及初始扭矩数据，并对所述初始转速数据进行转速分类，得到输入转速数据以及输出转速数据；计算模块，用于对所述初始扭矩数据进行异常值处理，得到目标扭矩数据，并根据所述目标扭矩数据、所述输入转速数据以及所述输出转速数据计算所述目标减速机的传动效率数据；提取模块，用于分别对所述传动效率数据、所述目标温度数据以及所述目标振动数据进行特征提取，得到多个传动效率特征、多个目标温度特征以及多个目标振动特征；转换模块，用于对所述多个传动效率特征和多个目标温度特征进行特征编码和向量转换，得到温度传动关系向量，并对所述多个传动效率特征和所述多个目标振动特征进行特征编码和向量转换，得到振动传动关系向量；诊断模块，用于将所述温度传动关系向量和所述振动传动关系向量输入预置的减速机故障诊断模型进行减速机智能化故障诊断，得到减速机故障诊断结果；补偿模块，用于通过预置的粒子群算法根据所述减速机故障诊断结果对所述目标减速机进行控制补偿参数计算，得到最优减速机控制补偿参数组合。

10、本发明第三方面提供了一种减速机智能化故障诊断与自学习设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述减速机智能化故障诊断与自学习设备执行上述的减速机智能化故障诊断与自学习方法。

11、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的减速机智能化故障诊断与自学习方法。

12、本发明提供的技术方案中，对目标减速机进行外部影响参数采集和频域降采样，得到目标温度数据以及目标振动数据；进行运行状态参数采集，得到输入转速数据以及输出转速数据；进行异常值处理，得到目标扭矩数据并计算传动效率数据；进行特征提取、特征编码和向量转换，得到温度传动关系向量和振动传动关系向量；将温度传动关系向量和振动传动关系向量输入减速机故障诊断模型进行减速机智能化故障诊断，得到减速机故障诊断结果；进行控制补偿参数计算，得到最优减速机控制补偿参数组合，本发明通过外部影响参数的全面采集，结合运行状态参数，该方法能够实现对减速机多方面数据的监测，包括温度、振动、转速、扭矩等。这有助于形成更为全面的减速机运行状态评估。利用深度学习技术，特别是卷积神经网络（cnn），对温度和振动数据进行智能化故障诊断。通过模型学习数据中的复杂模式，能够更准确地识别潜在的减速机故障。采用粒子群算法，通过自学习的方式对故障诊断结果进行分析，并计算最优的减速机控制补偿参数组合。这样的自适应性能够根据实际运行情况不断优化系统，提高了整个系统的鲁棒性和性能。通过多个温度传感器和振动传感器的融合，以及对数据的傅里叶变换和频域降采样处理，使得得到的数据更具代表性和稳定性，为后续的分析提供了更为可靠的输入。通过曲线拟合、特征点提取、编码和向量转换等手段，能够高效地从原始数据中提取有代表性的特征，形成了温度传动关系向量和振动传动关系向量，这有助于减小数据维度，提高了处理效率，进而实现了减速机的智能化故障诊断，并提高了减速机故障诊断的准确率。