一种变速箱壳体状态智能监测方法及系统与流程

本发明涉及变速箱监测，具体涉及一种变速箱壳体状态智能监测方法及系统。

背景技术：

1、变速箱壳体作为动力传输系统的核心承载部件，其工作状态直接影响变速箱的运行稳定性与使用寿命。当前变速箱壳体状态监测技术存在诸多亟待解决的问题：

2、传统监测方法多依赖人工巡检或定期拆解检测，人工巡检效率低、主观性强，难以发现早期轻微故障，如微小裂纹和微量变形等，定期拆解检测则存在停机时间长、维护成本高的缺陷，易导致故障扩大；

3、现有基于单一信号的监测方法，如仅监测振动或温度，特征信息片面，受工况干扰大，对壳体裂纹萌生、轻微磨损等渐变式故障的识别能力不足，误判率与漏判率较高；

4、故障定位精度低，多数方法仅能判定是否存在故障，无法精准定位故障位置，也难以评估故障程度及预判发展趋势，导致维护工作缺乏针对性，延长维修周期；

5、监测模型适应性差，一旦训练完成后参数固定，难以适应变速箱不同运行工况及新型故障模式，如不同转速和扭矩，长期使用后监测精度会逐渐下降。

6、因此，亟需一种能够实现多源信息融合、早期故障识别、精准定位评估及模型自适应优化的变速箱壳体状态智能监测方案，以解决现有技术中的上述缺陷。

技术实现思路

1、本发明针对上述存在的技术不足，提供了一种变速箱壳体状态智能监测方法及系统，通过多源信号采集、全维度特征提取、深度学习识别和交叉验证算法的协同设计，实现变速箱壳体状态的实时感知、精准诊断和趋势预判。

2、本发明通过以下技术方案实现：

3、提供了一种变速箱壳体状态智能监测方法，所述方法包括以下步骤：

4、步骤s10：在变速箱壳体关键部位部署多类型传感器，实时采集振动信号、温度信号、应变信号及声学信号，形成多源信号，同步记录采集时间戳与变速箱运行工况参数，传输至信号处理单元；

5、步骤s20：信号处理单元对多源信号进行降噪、同步校准及特征提取处理，构建标准化多维度特征向量库，传输至状态识别单元；

6、步骤s30：基于深度学习模型对特征向量进行训练，建立变速箱壳体状态识别模型，状态识别单元加载训练完成的变速箱壳体状态识别模型，结合预设阈值进行初步判定，包括壳体正常、裂纹萌生、变形、磨损四类状态的初步判定；

7、步骤s40：采用多源数据交叉验证算法对初步判定结果进行验证，结合变速箱运行工况参数与历史监测数据，对故障位置进行精准定位并评估故障程度和预判故障发展趋势；

8、步骤s50：生成包含状态类型、故障详情、发展趋势及处理建议的监测报告，触发分级预警机制，同时将监测数据、判定结果及验证信息反馈至模型优化单元，对变速箱壳体状态识别模型进行持续迭代优化。

9、优选地，所述步骤s10中在变速箱壳体关键部位部署多类型传感器，包括在壳体轴承座、法兰连接面、箱体焊缝和受力集中区域部署，多类型传感器包括三轴加速度传感器、红外温度传感器、应变片和麦克风阵列，变速箱运行工况参数包括输入转速、输出扭矩、工作时长和润滑油温度。

10、优选地，所述步骤s20中信号处理单元对多源信号进行降噪、同步校准及特征提取处理的步骤包括：

11、信号降噪：振动信号采用小波包降噪算法去除机械干扰噪声，选取db6小波基，分解层数4层，温度信号采用滑动平均滤波平滑测量波动，窗口大小5个采样周期，应变信号采用卡尔曼滤波修正传感器漂移，声学信号采用谱减法抑制环境噪声；

12、同步校准：基于时间戳对齐多源信号，采用线性插值法修正不同传感器的采样延迟，建立振动-温度-应变-声学的时空关联映射，确保同一时刻、同一位置的多源数据精准匹配；

13、特征提取：提取各信号的时域、频域及非线性特征参数，时域特征包括振动信号峰值、有效值、峭度和脉冲指标，温度信号的均值、变化率和温差值，应变信号的最大应变、应变幅和残余应变，频域特征通过快速傅里叶变换fft提取振动信号基频、谐波幅值和频带能量占比，声学信号的特征频率峰值和频谱平坦度，非线性特征包括振动信号的关联维数和近似熵，应变信号的混沌特征值；

14、特征标准化：采用min-max标准化方法将提取的多维特征参数映射至[0,1]区间，消除量纲差异，构建维度为48维的标准化特征向量库。

15、优选地，所述步骤s30中基于深度学习模型对特征向量进行训练，建立变速箱壳体状态识别模型的步骤包括：

16、数据集构建：采集变速箱壳体正常状态和裂纹萌生、变形和磨损三类故障状态下的多源信号得到样本数据，每种状态采集不少于1500组样本数据，按8:1:1的比例划分为训练集、验证集和测试集，在样本数据中加入随机噪声提升模型抗干扰能力随机噪声信噪比≥35db；

17、模型训练：采用cnn-gru混合模型，由4层cnn卷积层、2层gru循环层和2层全连接层组成，cnn层用于提取特征向量的局部关键特征，gru层用于捕捉特征参数的时序演变规律，全连接层输出四类状态的概率值，通过adam优化器最小化交叉熵损失函数，设置迭代训练次数和批量大小，学习率采用余弦退火策略动态调整，当验证集的准确率≥98.5%时停止训练；

18、预设故障阈值：基于验证集数据统计分析，为核心特征参数设定阈值范围，当特征参数超出阈值且模型预测状态概率≥95%时，触发初步判定。

19、优选地，所述步骤s40中采用多源数据交叉验证算法对初步判定结果进行验证的步骤包括：

20、数据一致性验证：计算振动信号峭度和应变信号最大应变的相关系数、温度变化率与声学信号特征频率峰值的匹配度，当相关系数≥0.7且匹配度≥85%时，判定初步结果有效；

21、工况关联性分析：结合输入转速和输出扭矩等工况参数，修正不同工况下的故障判定标准；

22、历史数据比对：调取相同工况下的历史正常数据与故障数据，采用余弦相似度算法计算当前特征向量与历史数据的相似度，当相似度≤70%且匹配故障数据特征时，确认变速箱壳体故障状态；

23、故障定位与评估：基于传感器部署位置的信号差异，通过加权平均算法定位故障位置，根据特征参数超出阈值的幅度评估故障程度，结合故障发展速率预判未来100小时内的故障演变趋势。

24、优选地，所述步骤s50中分级预警机制包括：

25、一级预警：表示正常状态，监测数据处于正常阈值范围内，系统显示绿色指示灯，仅记录监测数据；

26、二级预警：表示轻微故障，裂纹萌生初期、轻微变形/磨损，触发黄色指示灯与语音提示，推送维护提醒至工作人员，要求72小时内进行专项检查；

27、三级预警：表示中度故障，裂纹长度1-3mm、变形量0.2-0.5mm或磨损深度0.1-0.3mm，触发橙色指示灯和声光报警，限制变速箱输出扭矩至额定值的70%，要求24小时内停机检修；

28、四级预警：表示严重故障，裂纹长度≥3mm、变形量≥0.5mm或磨损深度≥0.3mm，触发红色指示灯、持续报警，立即切断变速箱动力输入，同步发送紧急故障信息至监控中心。

29、优选地，所述步骤s50中对变速箱壳体状态识别模型进行持续迭代优化的步骤包括：

30、数据积累：建立全生命周期监测数据库，记录每次监测的多源信号、处理后的特征向量、判定结果、实际故障验证情况和预警效果；

31、模型更新：采用在线增量学习算法，每积累100组有效数据对cnn-gru混合模型进行参数更新，固定卷积层与gru层权重，仅优化全连接层参数，提升模型对新型故障模式的适应性；

32、阈值校准：基于新增故障数据与工况变化，采用3σ准则重新计算各特征参数的阈值范围，每积累200组数据完成一次阈值校准，确保阈值的准确性与时效性。

33、此外，为实现上述目的，本发明还提出一种变速箱壳体状态智能监测系统，所述一种变速箱壳体状态智能监测系统包括：

34、多源信号采集模块：用于在变速箱壳体关键部位部署多类型传感器，实时采集振动信号、温度信号、应变信号及声学信号，形成多源信号，同步记录采集时间戳与变速箱运行工况参数，传输至信号处理单元；

35、信号处理模块：用于信号处理单元对多源信号进行降噪、同步校准及特征提取处理，构建标准化多维度特征向量库，传输至状态识别单元；

36、变速箱壳体状态初步判定模块：用于基于深度学习模型对特征向量进行训练，建立变速箱壳体状态识别模型，状态识别单元加载训练完成的变速箱壳体状态识别模型，结合预设阈值进行初步判定，包括壳体正常、裂纹萌生、变形、磨损四类状态的初步判定；

37、交叉验证与故障评估模块：用于采用多源数据交叉验证算法对初步判定结果进行验证，结合变速箱运行工况参数与历史监测数据，对故障位置进行精准定位并评估故障程度和预判故障发展趋势；

38、监测报告与优化模块：用于生成包含状态类型、故障详情、发展趋势及处理建议的监测报告，触发分级预警机制，同时将监测数据、判定结果及验证信息反馈至模型优化单元，对变速箱壳体状态识别模型进行持续迭代优化。

39、此外，为实现上述目的，本发明还提出一种变速箱壳体状态智能监测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变速箱壳体状态智能监测等程序，所述变速箱壳体状态智能监测等程序为实现如上文所述的一种变速箱壳体状态智能监测方法的步骤。

40、此外，为实现上述目的，本发明还提供一种计算机程序产品，所述计算机程序产品包括变速箱壳体状态智能监测等程序，所述变速箱壳体状态智能监测等程序被处理器执行时实现如上文所述的一种变速箱壳体状态智能监测方法。

41、本发明的优点与效果是：

42、本发明提出的一种变速箱壳体状态智能监测方法及系统，通过多源信号融合、全维度特征提取、深度学习识别和交叉验证的协同设计，突破单一信号监测的局限，整合振动、温度、应变和声学多源信息，实现对变速箱壳体状态的全面监测；同时，采用cnn-gru混合模型与多源数据交叉验证的双重保障，实现对变速箱壳体状态的精准识别；并且，通过历史数据比对与特征变化速率分析，当变速箱壳体状态存在故障时，实现故障发展趋势的量化预判，提前预警潜在严重故障；此外，通过在线增量学习与阈值校准机制，使模型能够持续适应变速箱运行工况变化与新型故障模式，提高了变速箱壳体状态的监测时效。