【技术实现步骤摘要】
起重机械故障诊断方法和系统
本专利技术涉及计算机及起重机测量
，特别涉及一种起重机械故障诊断方法和系统。
技术介绍
起重机是一种常见的运载工具，在实际运行过程中，往往因故障而引发事故，其中，起重机的机械故障是难以发现的，例如，减速箱内齿轮的磨损、胶合或点蚀，以及起重机滚轮的磨损等。这些机械磨损通常需要检查起重机内部结构才能及时发现，效率低、成本高，隐患识别依赖于人工判断，主观因素大、隐患发现率低。为了提高起重机械故障诊断的自动化，现有技术通过机器学习算法和时频分析法结合。其中，起重机中待测部件(例如齿轮、滚轮)产生的原始振动信号往往是非平稳、非线性的时变信号，通过时频分析法将原始振动信号分解为若干有物理意义的信号进行分析。常用的时频分析法有经验模态分解(empiricalmodedecomposition，EMD)和局部特征尺度分解(LocalCharacteristic-scaleDecomposition，LCD)，但是这两种分解算法存在频率混淆和端点效应、由于调解而引起信号突变、计算量大等问题。而机器学习...
【技术保护点】
1.一种起重机械故障诊断方法，其特征在于，包括以下步骤：/n初始化，将多个加速度传感器分别与待检测位置相互关联；/n数据获取，获取来自所述加速度传感器的时域信号，并从所述时域信号中提取时域特征；/n数据处理，对所述时域信号进行LMD分解以获得若干个峭度最大的PF分量，并将若干个所述PF分量进行排序后获得数据集；/n训练深度卷积神经网络，将所述数据集按比例分为训练集和测试集，将所述训练集输入到预设的深度卷积神经网络中进行调参训练，将所述测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证；/n故障诊断，完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号...
【技术特征摘要】
1.一种起重机械故障诊断方法，其特征在于，包括以下步骤：
初始化，将多个加速度传感器分别与待检测位置相互关联；
数据获取，获取来自所述加速度传感器的时域信号，并从所述时域信号中提取时域特征；
数据处理，对所述时域信号进行LMD分解以获得若干个峭度最大的PF分量，并将若干个所述PF分量进行排序后获得数据集；
训练深度卷积神经网络，将所述数据集按比例分为训练集和测试集，将所述训练集输入到预设的深度卷积神经网络中进行调参训练，将所述测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证；
故障诊断，完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号进行运算，输出对应的机械故障类型。
2.根据权利要求1所述的起重机械故障诊断方法，其特征在于，所述数据处理包括：
将所述时域信号均分为若干个片段，每个片段包括m个数据点；
将每个片段的所述时域信号进行LMD分解，以获得若干个PF分量；
求取峭度最大的n个PF分量，并经过排序后构成所述数据集，所述数据集的维数为1×m×n，其中，m>0，n≥1。
3.根据权利要求1或2所述的起重机械故障诊断方法，其特征在于，所述LMD分解包括：
S310，将所述时域信号赋值给初始序列y(t)，并将赋值后的序列y(t)赋值给剩余信号序列r(t)；
S320，确定序列y(t)的所有局部极值点(ti,yi)，i＝1，2，3，....，M，求出所有相邻局部极值点的平均值为
将所有平均值点mi用直线连起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；
S330，计算所有包络估计值，
将所有相邻的两个包络估计值ai用直线相连，然后采用滑动平均法进行平滑处理，得到包络估计函数a11(t)；
S340，将局部均值m11(t)从原始信号y(t)中分离出来，得到剩余信号h11(t)，其中h11(t)＝y(t)-m11(t)；
S350，使用包络估计函数a11(t)对剩余信号进行解调，得到调频信号s11(t)，其中
S360，对s11(t)作为原始信号重复进行S320至S350步骤j次，直至得到纯调频信号s1j(t)，将迭代过程中产生的所有包络估计函数相乘，便可以得到PF分量的包络信号a1(t)，即PF分量的瞬时幅值函数
S370求包络信号a1(t)与纯包络信号s1j(t)的乘积，得到原始信号的一个PF分量PF1＝a1(t)s1j(t)；
S380，计算信号差序列r1(t)＝y(t)-PF1，将r1(t)作为新...
【专利技术属性】
技术研发人员：梁敏健，戚政武，杨宁祥，林少杰，王璐，苏宇航，林晓明，刘德阳，
申请(专利权)人：广东省特种设备检测研究院珠海检测院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。