一种齿轮减速箱的故障混合预测分析方法及系统技术方案

本发明专利技术涉及一种齿轮减速箱的故障混合预测分析方法及系统，其方法包括：获取搅拌机的齿轮减速箱的振动数据，并从所述振动数据中提取多个频域特征和基于变分模态分解的多个倍频幅值特征；将所述多个频域特征和基于变分模态分解的多个倍频幅值特征进行时间融合；根据齿轮减速箱的运行状态，将时间融合后的多个特征数据划分为多个数据集；利用所述多个数据集，训练自注意力网络至其误差低于阈值，得到训练完成的自注意力网络；基于训练完成的自注意力网络和齿轮减速箱的实时振动数据，对所述齿轮减速箱进行故障预测。本发明专利技术结合了齿轮减速箱的故障机理、频域特征和时域特征并构建注意力网络，从而提高故障预测的准确率和泛化性。性。性。

【技术实现步骤摘要】
一种齿轮减速箱的故障混合预测分析方法及系统


[0001]本专利技术属于齿轮减速线故障检测与深度学习
，具体涉及一种齿轮减速箱的故障混合预测分析方法及系统。

技术介绍

[0002]在某制药生产线中，搅拌器作为主反应器的主要组件，体积最大并且结构也是相对最复杂，而且与其他设备是串联关系。如果发生故障，一方面需要停掉整个生产线对其进行故障诊断与维修，从而造成非计划停机的设备闲置损失；另一方面，突发性的非计划停机，也会造成设备中的化学材料反应物质由于反应不充分，而造成原材料浪费。
[0003]搅拌器的标准齿轮减速箱作为搅拌器的重要组成部分，是该仪器的故障易发和常发部件，现已通过传感技术，对该减速箱的壳体，齿轴，输入输出轴，油箱采集了温度，震动，包络，噪声等信息，并提取了减速箱运行过程中的输入轴扭矩和输出轴扭矩运行参数，期望通过该设备的运行参数和工况环境参数从而对即将发生的故障进行预测。
[0004]故障预测现在是工业互联网应用的核心内容，而传统的SVM，RF，GBDT等机器学习算法，对高维非线性的模型处理效果不是很理想；CNN网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种齿轮减速箱的故障混合预测分析方法，其特征在于，包括：获取搅拌机的齿轮减速箱的振动数据，并从所述振动数据中提取多个频域特征和基于变分模态分解的多个倍频幅值特征；所述频域特征包括振动波形的裕度、峰峰值、歪度和期望；将所述多个频域特征和基于变分模态分解的多个倍频幅值特征进行时间融合；根据齿轮减速箱的运行状态，将时间融合后的多个特征数据划分为多个数据集；利用所述多个数据集，训练自注意力网络至其误差低于阈值，得到训练完成的自注意力网络；基于训练完成的自注意力网络和齿轮减速箱的实时振动数据，对所述齿轮减速箱进行故障预测。2.根据权利要求1所述的齿轮减速箱的故障混合预测分析方法，其特征在于，所述将所述多个频域特征和基于变分模态分解的多个倍频幅值特征进行时间融合包括：将所述多个频域特征和基于变分模态分解的多个倍频幅值特征按照时间序列融合。3.根据权利要求2所述的齿轮减速箱的故障混合预测分析方法，其特征在于，所述根据齿轮减速箱的运行状态，将时间融合后的多个特征数据划分为多个数据集包括：根据齿轮减速箱的运行状态，将时间融合后的多个特征数据划分为故障数据集、带故障运行数据集和正常运行数据集。4.根据权利要求1所述的齿轮减速箱的故障混合预测分析方法，其特征在于，所述自注意力网络包括：自注意力机制模块，用于从多个数据集中提取一个或多个表征特征；批量归一化模块，用于将多个表征特征进行归一化；前馈神经网络，用于通过激活函数从归一化后的多个表征特征提取每个数据集的特征矩阵。5.根据权利要求4所述的齿轮减速箱的故障混合预测分析方法，其特征在于，所述自注意力机制模块，用于从多个数据集和其对应的位置信息中提取一个或多个表征特征。6.根据权利要求1至5任一项所述的...

【专利技术属性】
技术研发人员：秦敏，陈雪军，梁川，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：