一种蜗轮蜗杆减速机啮合磨损状态识别方法及系统与流程

本发明涉及一种较大范围，具体是一种蜗轮蜗杆减速机啮合磨损状态识别方法及系统。

背景技术：

1、在现有的工业减速机运维体系中，蜗轮蜗杆啮合磨损状态的识别主要依赖于定期拆机巡检和单一振动阈值报警模式，运维人员通常通过离线标定确定一套固定的状态阈值（如振动烈度、油液元素浓度），随后在线监测系统按照固定阈值执行报警，然而，在实际复杂工况下，影响磨损状态识别准确性的因素具有高度的时变性和非线性。

2、首先，蜗轮蜗杆多运行于低速重载工况，齿面以滑动啮合为主，早期微观磨损产生的冲击能量微弱，极易被设备本体振动、环境背景噪声、基础结构传递的外界干扰所淹没，单一振动传感的信噪比不足，难以捕捉微米级早期磨损特征，油液监测虽能量化磨损产物，但磨粒从齿面脱落到随润滑油循环被检测存在显著滞后，无法捕捉齿面胶合等突发性故障，也无法精准定位磨损位置与区分失效类型，其次，设备转速、负载的动态波动会导致振动幅值、啮合频率同步变化，现有固定阈值体系无法区分工况波动引发的特征变化与磨损退化引发的特征变化，在变频调速、变负载输送等场景下，误报、漏报频发，此外，实际运行中蜗轮齿面常出现均匀磨损与点蚀共存、点蚀与轻度胶合叠加的耦合失效形态，传统单标签故障分类模型仅能输出单一故障类型，无法实现多失效模式的解耦识别，且常规时频分析方法对强噪声下的微弱磨损特征提取能力有限，早期故障识别精度不足；

3、传统的定期检修模式只能在故障发生后拆机排查，无法实现早期预警，易造成非计划停机与生产损失，现有的部分多传感监测方案虽引入了多类信号，但多为简单的阈值并联判断，既未实现多源特征的深度融合，也未建立工况自适应的校正机制，仍难以适配变工况下的稳定识别需求，更无法解决耦合故障解耦与长期精度漂移的核心痛点。

4、因此，本领域技术人员提供了一种蜗轮蜗杆减速机啮合磨损状态识别方法及系统，以解决上述背景技术中提出的问题。

技术实现思路

1、本发明的目的在于提供一种蜗轮蜗杆减速机啮合磨损状态识别方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、本发明一方面提供的一种蜗轮蜗杆减速机啮合磨损状态识别方法，所述方法包括以下步骤：

4、s1、多源异构信号同步采集与预处理：搭建声振 - 油液 - 电气 - 工况多维度传感体系，完成多物理量信号的高精度同步采集与针对性降噪预处理，构建磨损识别的多源数据基础；

5、s2、工况感知与特征自适应校正：基于实时转速与负载数据进行工况聚类匹配，对原始特征进行工况归一化校正与转矩补偿，瞬态工况下引入阶次跟踪处理，消除工况波动对磨损特征的干扰；

6、s3、多域敏感特征提取与多源特征级融合：分别提取各传感源的时域、频域、时频域多维特征，通过特征筛选算法得到磨损敏感特征子集，采用主客观耦合的加权融合算法生成多维融合特征向量；

7、s4、分层递进式磨损状态识别与故障解耦：采用早期预警层 - 精准分类层 - 量化预测层三层递进诊断架构，通过改进深度残差收缩网络实现多标签磨损类型与程度分类，结合注意力增强长短期记忆网络完成磨损量化与剩余寿命预测；

8、s5、离线 - 在线闭环的模型自更新：定期融合离线高精度检测数据构建标注样本，通过增量式迁移学习动态更新诊断模型与健康基准，修正长期运行后的模型精度漂移；

9、其中，所述步骤s5需要停机检修时通过齿面视觉检测与油液铁谱分析获取磨损真值标签，按时间戳自动匹配对应时段的在线监测稳态数据，生成带标注的增量训练样本，冻结网络底层特征提取层，通过增量迁移学习微调顶层分类与预测层，结合领域自适应算法降低跨设备数据分布差异，实现模型高效迭代，同步校正各工况簇的健康特征基准与预警阈值，修正长期运行后的特征基准漂移。

10、作为本发明再进一步的方案：所述步骤s1具体包括以下步骤：

11、s101、多源传感测点布置：在蜗杆输入端轴承座端面同轴安装高频压电加速度传感器与宽频声发射传感器，在蜗轮输出端轴承座安装单轴加速度传感器，配套设置三相电流互感器、转速转矩一体化传感器与在线油液传感器；

12、s102、硬件级时间同步：采用 ptp 精确时间协议实现所有采集通道的时钟同步，时间同步误差1ms；

13、s103、分路信号预处理：对振动与声发射信号执行小波阈值降噪、趋势项去除与带通滤波，对电流信号执行工频陷波与低通滤波，对油液信号执行滑动平均滤波。

14、作为本发明再进一步的方案：所述步骤s2具体包括以下步骤：

15、s201、离线工况聚类与基准库构建：以转速、负载转矩为二维工况特征，采用改进k-means++ 算法划分 5~8 个典型工况簇，针对每个工况簇建立对应健康特征基准库；s202、实时工况匹配判定：实时计算当前工况点与各工况簇中心的欧氏距离，匹配得到当前所属工况簇；

16、s203、特征工况归一化校正：按公式 xi=xi/i对原始特征进行归一化校正，其中xi为原始特征值，i为对应工况下特征的健康均值；

17、s204、负载转矩补偿修正：引入转矩补偿因子对校正后特征进行二次修正，降低负载波动对特征的干扰；

18、s205、瞬态工况阶次归一化：判定为启停、加减速瞬态工况时，通过计算阶次跟踪算法将时域信号转换为角域平稳信号。

19、作为本发明再进一步的方案：所述步骤s3具体包括以下步骤：

20、s301、各传感源分域特征提取：从振动信号提取时域、频域、时频域共 18 维特征，从声发射信号提取 5 维冲击特征，从电流信号提取 4 维电气特征，从油液信号提取 3 维磨粒特征；

21、s302、敏感特征筛选：采用最大相关最小冗余算法，以磨损等级为标签筛选出 10~12 维核心敏感特征，构成初始特征向量；

22、s303、主客观耦合加权融合：采用层次分析法确定各传感源的主观权重，采用熵权法计算客观权重，主客观权重按 6:4 比例耦合，生成多维融合特征向量。

23、作为本发明再进一步的方案：所述步骤s4中的所述三层递进诊断架构包括：早期预警层、多标签分类层以及量化预测层，所述早期预警层以声发射撞击计数、振动峭度、磨粒小时增长率为输入特征，采用基于 3准则的自适应阈值法实现毫秒级早期预警，预警阈值随当前工况基准动态更新，所述多标签分类层以融合特征向量为输入，通过内置软阈值化模块的改进深度残差收缩网络进行特征提取与分类，同时输出磨损程度等级与磨损失效类型，支持耦合磨损故障的解耦识别，所述量化预测层采用注意力增强长短期记忆网络，结合分类结果、磨粒累计量与历史退化趋势，输出量化齿面磨损深度、剩余使用寿命及置信区间。

24、作为本发明再进一步的方案：所述多标签分类层中的改进深度残差收缩网络采用二元交叉熵损失函数进行多标签分类训练，损失函数公式为：其中，n 为样本数，m 为标签类别数，为真实标签，为对应预测概率。

25、本发明另一方面提供的一种蜗轮蜗杆减速机啮合磨损状态识别系统，包括多源同步感知模块、工况自适应校正模块、多源特征融合诊断模块、数字孪生磨损演化模块、离线在线闭环迭代模块、分级预警与运维管理模块；

26、所述多源同步感知模块用于同步采集减速机振动、声发射、电流、油液与工况参数，完成信号调理与模数转换；

27、所述工况自适应校正模块用于匹配当前工况类别，完成特征的工况归一化校正、转矩补偿与瞬态阶次归一化；

28、所述多源特征融合诊断模块用于提取多域特征并筛选融合，基于分层递进诊断架构完成早期预警、多标签分类与磨损量化预测；

29、所述数字孪生磨损演化模块用于构建减速机磨损退化数字孪生体，仿真磨损演化过程并输出剩余使用寿命与维护窗口期；

30、所述离线在线闭环迭代模块用于接入离线高精度检测数据生成标注样本，动态更新诊断模型与健康基准；

31、所述分级预警与运维管理模块用于触发三级分级预警，管理全生命周期健康档案并生成运维决策建议。

32、作为本发明再进一步的方案：所述多源同步感知模块集成有高精度同步采集单元，通过 ptp 时钟同步协议实现多通道微秒级时间同步，保障多源信号时序一致性；

33、所述工况自适应校正模块集成有阶次跟踪处理单元，用于启停、加减速瞬态工况下将时域振动信号转换为角域平稳信号，消除转速波动的频谱干扰；

34、所述多源特征融合诊断模块集成有软阈值降噪单元，内置深度残差收缩网络的自适应软阈值模块，可根据信号噪声水平自动学习降噪阈值，提取微弱磨损特征。

35、作为本发明再进一步的方案：所述数字孪生磨损演化模块集成有材料磨损特性库，内置多种蜗轮材料的磨损速率曲线与载荷映射关系，结合负载工况修正寿命预测结果；

36、所述离线在线闭环迭代模块内置增量学习与领域自适应工具链，支持模型的快速微调与远程静默更新，无需停机停产；

37、所述分级预警与运维管理模块集成有双判据预警校验单元，融合振动 - 声发射与油液两类传感源信号共同判定异常，降低单一传感器误报导致的非计划停机风险。

38、与现有技术相比，本发明的有益效果是：

39、本发明通过声振同轴布设形成高低频互补的感知体系，以振动信号捕捉中低频宏观啮合特征、以声发射信号捕捉高频微观磨损应力波，叠加油液磨粒的直接量化表征与电流信号的负载辅助判据，构建了多维度互补的磨损感知网络，从根源上解决了传统单振动方案在低速重载工况下早期磨损信号能量弱、信噪比不足、漏报率高的核心缺陷，多源信息交叉验证也有效降低了单一传感受干扰导致的误判，本方案可在磨损初期阶段实现预警，有效避免磨损发展为胶合、崩齿等恶性失效；

40、本发明通过离线工况聚类建立多工况健康基准库，结合实时工况匹配、特征归一化校正、转矩补偿与瞬态阶次跟踪多重校正手段，将随转速、负载波动的原始特征转化为仅反映磨损退化的工况无关化特征，解决了传统固定阈值方案在变频调速、变负载运行下无法区分工况波动与磨损退化、误报漏报频发的痛点，本方案在转速、负载大范围动态变化的场景下，诊断准确率更加稳定，误报率降低，无需针对不同运行工况单独标定阈值，对复杂工况的适配性显著提升；

41、本发明采用早期预警 - 精准分类 - 量化预测三层递进诊断架构，既通过预警层实现毫秒级异常响应，又通过分类与预测层保障诊断精度，兼顾了预警实时性与诊断精准度，内置自适应软阈值的深度残差收缩网络可根据噪声水平自动学习降噪阈值，在强背景噪声环境下仍能有效提取微弱磨损特征，多标签分类输出模式支持均匀磨损、点蚀、胶合等多失效模式的解耦识别，突破了传统单标签模型无法识别耦合故障的局限，更贴合工业现场多失效叠加的实际场景。