一种行星减速器轴承磨损故障诊断系统的制作方法

发明属于行星减速器，具体为一种行星减速器轴承磨损故障诊断系统。

背景技术：

1、行星减速器凭借其结构紧凑、传动比大、承载能力强等优异特性，被广泛应用于工业机器人、风力发电、航空航天及工程机械等关键领域。作为行星减速器的核心支撑部件，轴承长期处于高速、重载、变转速及强冲击的恶劣工况下运行，其内圈、外圈、滚动体或保持架极易发生疲劳点蚀、剥落乃至胶合等磨损故障，轴承的异常磨损不仅会引发减速器振动加剧、噪声升高、温升异常，严重时更会导致齿轮断齿、行星架卡死等灾难性事故，造成巨大的经济损失甚至安全事故， 目前，针对行星减速器轴承的故障诊断主要依赖于振动信号分析技术，然而，传统的故障诊断系统及方法在实际应用中，信号采集维度单一，难以应对复杂工况，信号预处理手段有限，抗干扰能力不足，特征提取依赖人工经验，判别力不足，诊断模型单一，泛化性与可解释性难以兼顾，为此，我们提出一种行星减速器轴承磨损故障诊断系统。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，发明提供一种行星减速器轴承磨损故障诊断系统，有效的解决了上述问题。

2、为实现上述目的，发明提供如下技术方案：一种行星减速器轴承磨损故障诊断系统，包括信号采集层、信号预处理层、特征提取层、故障诊断与分类层、结果输出与决策层；

3、所述信号采集层包括多源传感模块、转速/转频采集模块、辅助传感模块、温度监测模块、工况参数采集模块；

4、多源传感模块：由布置于行星减速器箱体轴承座及行星架端盖关键位置的宽频带加速度传感器组成，用于实时采集各轴承元件在运行过程中因局部缺陷引起的冲击振动加速度信号，捕捉故障特征频率的高次谐波成分，为后续故障诊断提供核心振动激励输入；

5、转速/转频采集模块：通过安装于输入轴和行星架的编码器或键相传感器，实时采集各轴系的转速脉冲信号，用于精确计算转频、啮合频率及行星架转频，为阶次分析和故障特征频率解算提供基准时序参考；

6、辅助传感模块：由布置于减速器壳体附近的麦克风阵列组成，用于采集运行噪声信号，辅助识别轴承异常啸叫或齿轮敲击声，作为振动信号的补充验证；

7、温度监测模块：在轴承座附近布置温度传感器，实时监测轴承运行温度，用于辅助判断润滑失效、过载或严重磨损导致的异常温升；

8、工况参数采集模块：同步采集负载扭矩、油温、输入转速等工况参数，用于对振动信号进行工况归一化处理，消除变载荷、变转速对故障特征的干扰；

9、所述信号预处理层包括滤波模块、阶次分析模块、降噪模块；

10、滤波模块：采用带通滤波提取包含轴承故障信息的共振频带，抑制低频轴转和齿轮啮合频率干扰，以及高频电子噪声，确保故障冲击成分集中在目标频带内，为后续特征提取提供干净的频域基础；

11、阶次分析模块：针对转速波动工况，将时域信号重采样为等角度间隔信号，消除转速波动对频谱分析的影响，使故障特征频率在阶次谱上保持恒定，便于准确识别行星轮系复杂的调制特征与边频带结构；

12、降噪模块：采用小波阈值去噪、经验模态分解（emd）或变分模态分解（vmd）抑制背景噪声，增强轴承元件局部缺陷引起的冲击成分，提升信号的信噪比，凸显微弱的故障特征；

13、所述特征提取层包括时域特征提取模块、频域特征提取模块/计算包络谱、时频域特征提取模块；

14、时域特征提取模块：从预处理后的振动信号中提取均值、均方根（rms）、峰值、峭度（kurtosis）、波形因子、峰值因子、脉冲因子等时域统计指标,轴承出现点蚀或剥落时，振动信号中会出现周期性冲击，峭度和峰值因子对冲击极为敏感，是早期磨损的有效指标,该模块直接反映信号的幅值分布和冲击特性，为初步筛查轴承磨损提供直观的量化依据；

15、频域特征提取模块：计算快速傅里叶变换（fft）频谱，识别轴承故障特征频率（内圈故障频率fi、外圈故障频率fo、滚动体故障频率fb、保持架故障频率fc），这些频率与转频和轴承几何参数相关；针对行星轮系的特殊性，故障特征频率会受到行星架转频的调制，在频谱上表现为以啮合频率为中心、边频带间隔为行星架转频的族谱结构；

16、计算包络谱：对共振频带信号进行希尔伯特变换，提取包络信号并做频谱分析，可清晰呈现被调制掩盖的轴承故障特征频率，该模块将时域信号映射到频域，揭示隐藏在复杂调制中的周期性故障成分；

17、时频域特征提取模块：采用小波变换、短时傅里叶变换或wigner-ville分布，生成时频图，捕捉非平稳工况下故障冲击的时变特性，适用于变转速或启停过程，该模块弥补了时域和频域分析对平稳信号的局限，提供时间和频率的联合分布特征，全面刻画故障的动态演化过程；

18、所述故障诊断与分类层包括物理模型/阈值诊断模块、机器学习分类模块、深度学习端到端诊断模块、数据驱动与物理模型融合模块；

19、物理模型/阈值诊断模块：预先计算各轴承的理论故障特征频率，在包络谱或阶次谱上搜索对应峰值，当峰值超过预设阈值（如信噪比>3db）时判定为故障，并根据频率成分定位故障元件（内圈/外圈/滚动体）；该模块依托轴承动力学与运动学原理，提供可解释、可追溯的确定性诊断结果，适用于已知结构参数的稳态工况下的快速故障筛查与定位；

20、机器学习分类模块：将提取的时域、频域、时频域特征组成高维特征向量，输入支持向量机、随机森林或k近邻等分类器，区分正常状态、轻微磨损、中度磨损、严重磨损及不同元件的故障模式；该模块通过数据驱动方式挖掘特征与故障模式间的非线性映射关系，适应复杂工况下的多分类需求，具备较强的泛化能力和较低的计算开销；

21、深度学习端到端诊断模块：直接将原始振动信号或时频图输入一维卷积神经网络、长短时记忆网络或自动编码器，实现端到端的故障诊断，避免人工特征提取的主观性；该模块能够自动学习多层次抽象特征，具备强大的非线性拟合能力和特征自适应性，适用于大数据量下的高精度诊断及变工况迁移；

22、数据驱动与物理模型融合模块：利用数字孪生或剩余使用寿命预测模型，结合当前磨损特征和历史退化数据，评估轴承健康状态并预测剩余寿命；该模块将物理机理与数据驱动优势互补，既保证了诊断的可解释性，又提升了预测的前瞻性和准确性，为预测性维护提供决策支持；

23、所述结果输出与决策层包括显示与报警模块、维护决策模块、数据记录与溯源模块；

24、显示与报警模块：在人机界面上显示故障位置、磨损等级、置信度，并根据等级触发声光报警或停机指令；该模块将诊断层的抽象判定结果转化为直观的可视化信息和紧急控制指令，是连接系统与现场操作人员的关键交互通道，确保故障信息及时传达并触发相应的安全保护动作，防止故障进一步恶化；

25、维护决策模块：根据磨损程度给出维护策略：轻微磨损时提示“计划维修”，严重磨损时强制“立即停机”；该模块将诊断结果转化为具体的行动指南，实现从故障识别到维修执行的闭环，优化设备维护周期，避免过度维修造成的资源浪费或维修不足导致的突发停机，提升设备综合利用率；

26、数据记录与溯源模块：存储诊断时刻的信号波形、特征向量、诊断结果及工况参数，形成设备健康档案，用于后续趋势分析和模型优化；该模块为系统的长期运行提供数据支撑，支持故障回溯、寿命预测模型校准及诊断算法性能评估，是构建预测性维护体系的基础，确保每一次诊断都有据可查。

27、优选的，所述信号采集层还包括油液磨粒监测模块、电机电流采集模块、高频声发射模块；

28、油液磨粒监测模块：通过在润滑油路或油箱中布置油液颗粒计数器或磨粒传感器，实时监测润滑油中金属磨粒的浓度、尺寸分布及形貌特征，辅助判断轴承内圈、外圈或滚动体的磨损程度及磨损类型，为磨损故障提供直接的物理证据；

29、电机电流采集模块：通过在驱动电机输出端布置电流互感器，同步采集三相电流信号，利用电机电流特征分析技术提取负载转矩波动特征，间接反映减速器轴承因磨损导致的机械阻力异常或偏心现象；

30、高频声发射模块：在箱体轴承座附近布置声发射传感器，采集轴承元件表面微观裂纹扩展或早期点蚀产生的高频弹性波信号（通常频率在20khz以上），用于捕捉早期故障的瞬态能量释放，弥补传统振动传感器在高频段灵敏度不足的缺陷。

31、优选的，所述信号预处理层还包括去趋势与去直流模块、截断与加窗模块、信号重采样模块、幅值归一化模块、稳态噪声消除模块

32、去趋势与去直流模块：消除传感器零点漂移和信号中的线性/非线性趋势项，避免趋势项在频谱分析中产生低频干扰，防止能量泄漏至低频段掩盖早期故障信息；

33、截断与加窗模块：对信号进行分帧处理，并加汉宁窗等窗函数以减少频谱泄漏，提高频谱估计的精度，适用于非平稳信号的短时傅里叶变换等时频分析；

34、信号重采样模块：对多通道采集的原始信号进行等间隔重采样，统一各传感器的时基，消除因采样时钟异步导致的相位偏差，保证多源信号在时间轴上的对齐精度；

35、幅值归一化模块：将不同量纲或不同灵敏度的传感器信号归一化到统一幅值区间，避免后续特征提取时因传感器增益差异引入的幅值偏差，提升跨工况模型的泛化能力；

36、稳态噪声消除模块：通过采集减速器空载运行时的背景噪声频谱，从实际工况信号频谱中减去背景成分，进一步抑制环境稳态噪声对故障特征的掩盖，增强系统对弱故障的敏感性。

37、优选的，所述特征提取层还包括（高阶统计）高阶统计量特征模块、（信息熵）熵值特征提取模块、（自适应解调）共振频带选择模块、（阶次特征）阶次特征提取模块、（形态学）形态学特征模块；

38、高阶统计量特征模块：提取偏度、四阶累积量等高阶统计量，用于量化信号偏离高斯分布的程度，增强对非线性、非高斯冲击特征的辨识能力，作为时域基础统计量的补充，提升对早期微弱故障的敏感性；

39、熵值特征提取模块：计算近似熵、样本熵或排列熵，量化信号的复杂度和规则性，轴承磨损程度加剧时信号熵值通常呈现下降趋势，可用于磨损程度的定量评估及健康状态的退化趋势分析；

40、共振频带选择模块：基于快速谱峭度图或protrugram方法自动选取最优的共振频带和带宽，为包络分析提供自适应的滤波参数，减少人工经验依赖，提升系统在变工况下的自适应能力和诊断一致性；

41、阶次特征提取模块：在阶次分析基础上提取故障阶次分量，将转速波动下的频率特征转化为恒定的阶次特征，便于与理论故障阶次进行比对，提高变转速工况下诊断的鲁棒性；

42、形态学特征模块：采用数学形态学算子（如腐蚀、膨胀、开闭运算）提取信号中的冲击波形特征，通过形态差分谱增强周期性冲击，适用于强噪声背景下的微弱故障特征提取，作为时频分析的辅助手段。

43、优选的，所述故障诊断与分类层还包括基于规则推理的专家诊断模块、模糊综合评价模块、跨工况迁移诊断模块、多模型集成决策模块、不确定性推理模块；

44、基于规则推理的专家诊断模块：通过构建轴承故障诊断知识库和推理机，将领域专家的经验转化为if-then规则，结合置信度推理实现故障定位和类型判断，为模型诊断结果提供可解释性补充和决策支持；

45、模糊综合评价模块：针对故障特征的模糊性和不确定性，采用模糊隶属度函数对特征进行模糊化，通过模糊推理合成输出故障等级，有效处理诊断过程中的不确定信息和边界模糊问题；

46、跨工况迁移诊断模块：利用源工况下训练好的诊断模型，通过特征迁移或参数迁移方法适配目标工况，解决新工况下标注数据稀缺导致的模型泛化能力下降问题，提升系统在变转速、变负载下的适应性；

47、多模型集成决策模块：将多个基分类器（如svm、随机森林、神经网络）的预测结果通过投票法、bagging或boosting策略进行集成，综合各模型的优势，降低单一模型的过拟合风险，提高诊断的稳定性和鲁棒性；

48、不确定性推理模块：构建故障特征与故障类型间的贝叶斯网络模型，利用概率推理处理缺失数据和噪声干扰，输出故障类型的后验概率分布，为维修决策提供风险量化依据。

49、优选的，所述结果输出与决策层还包括模型自学习更新模块、远程数据交互模块、自动报告生成模块、用户权限管理模块、三维故障定位模块；

50、模型自学习更新模块：利用已确认的故障案例，通过迁移学习或在线学习更新分类模型参数，提升系统对特定设备的诊断准确率；该模块使系统具备持续进化的能力，能够适应设备老化、工况变化等动态环境，保持诊断模型的长期有效性和适应性；

51、远程数据交互模块：通过工业以太网、opc ua或5g网络将诊断结果、报警信息及设备健康档案上传至云端服务器或工厂mes系统，实现远程监控与多终端访问，便于管理人员实时掌握设备状态并进行跨地域协同维护，打破信息孤岛；

52、自动报告生成模块：根据存储的健康档案数据，定期或按需自动生成包含故障统计、磨损趋势曲线、维修记录及剩余寿命预测的设备健康诊断报告，支持pdf或excel格式导出，为设备资产管理、备件采购计划提供文档化依据；

53、用户权限管理模块：设置操作员、维修工程师、系统管理员等多级用户权限，限制不同角色对诊断参数、模型更新及停机指令的操作范围，防止误操作或未经授权的系统更改，保障系统运行的安全性与稳定性；

54、三维故障定位模块：在人机界面中集成行星减速器的三维爆炸图或装配模型，根据诊断结果高亮显示故障轴承的具体安装位置，并提供拆装指导动画，辅助维修人员快速定位故障点并制定维修方案，降低对人员经验的依赖。

55、与现有技术相比，发明的有益效果是：

56、1、 本发明不仅通过多源传感模块和转速/转频采集模块采集核心的振动与转速信号，还集成了麦克风阵列、温度传感器、油液磨粒监测模块、电机电流采集模块及高频声发射模块，这种多物理场、多维度的同步采集策略，从声学、热力学、油液磨粒、电机电流及高频弹性波等多个维度为轴承磨损提供了直接的物理证据和交叉验证，有效弥补了单一传感器的不足，大幅提高了系统在强噪声、变工况下的诊断鲁棒性和对早期微观裂纹的敏感性；

57、2、 本发明以滤波模块、阶次分析模块和降噪模块为核心处理通道，结合去趋势与去直流模块、截断与加窗模块、信号重采样模块、幅值归一化模块及稳态噪声消除模块，有效消除了环境噪声、传递路径衰减、转速波动、传感器零点漂移及多通道时基异步等干扰，特别是阶次分析将时域信号重采样为等角度间隔信号，使故障特征频率在阶次谱上保持恒定，为后续特征提取提供了干净、稳定且标准化的输入，直接决定了诊断的准确性；

58、3、 本发明通过时域特征提取模块、频域特征提取模块和时频域特征提取模块提取核心的幅值统计、故障特征频率及包络谱、时频图特征，并辅以高阶统计量特征模块、熵值特征提取模块、共振频带选择模块、阶次特征提取模块及形态学特征模块，从多个物理维度全面刻画轴承从早期点蚀到严重剥落的动态演化过程，解决了传统人工特征提取主观性强、泛化能力差的问题，为复杂磨损模式和不同元件的故障分类提供了丰富且具判别力的数据支撑；

59、4、 本发明融合基于物理模型/阈值诊断模块、基于机器学习分类模块、基于深度学习端到端诊断模块和数据驱动与物理模型融合模块四大核心引擎，并引入基于规则推理的专家诊断模块、模糊综合评价模块、跨工况迁移诊断模块、多模型集成决策模块及不确定性推理模块，物理模型提供可追溯的确定性定位，深度学习自动学习抽象特征，融合模型实现剩余寿命预测，多模型集成有效降低了单一模型的过拟合风险，解决了变转速、变负载下标注数据稀缺的难题，使诊断结果兼具高精度、强泛化能力和决策可解释性；

60、5、 本发明通过显示与报警模块、维护决策模块和数据记录与溯源模块，系统将抽象判定转化为直观的故障位置、磨损等级、置信度显示及“计划维修”或“立即停机”的维护策略，并形成设备健康档案，同时，利用模型自学习更新模块持续迭代模型参数，结合远程数据交互模块、自动报告生成模块及三维故障定位模块，实现了从“感知-诊断-决策-执行”到“远程协同-三维维修指导-模型自进化”的完整闭环，大幅降低了非计划停机时间与运维成本，真正满足了工业现场对预测性维护的迫切需求。