一种齿轮寿命预测方法及装置与流程

1.本发明涉及设备故障诊断技术领域，具体涉及一种齿轮寿命预测方法及装置，


背景技术：

2.随着机械设备的复杂性和维护成本的增加，对设备元件的故障诊断和状态监测技术受到越来越受到重视，齿轮是机械设备中最为常用且容易损坏的部件之一，如果齿轮的使用寿命到期将很容易发生故障，会影响机械设备的正常工作状态，造成机械设备故障等。
3.因此，如何对齿轮的寿命进行精准的预测，对机械设备的安全运行，保障机械设备的工作效率等具有重要意义。然而在现有技术中，齿轮寿命预测主要还是依赖人为观察齿轮的啮合情况及齿轮形态来进行实现，预测结果受人工经验影响较大，预测结果的准确性难以保证。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种齿轮寿命预测方法及装置以解决现有技术中利用人工对齿轮的寿命进行预测的方式难以保证预测结果准确性的问题。
5.根据第一方面，本发明实施例提供了一种齿轮寿命预测方法，包括：
6.获取目标齿轮的历史振动采集信号及当前时刻；
7.基于所述历史振动采集信号计算所述目标齿轮的特征信号，所述特征信号包括不同采样时刻的啮合频率及其谐波的边频带能量信号；
8.将所述特征信号输入至预设时间与特征信号关系模型，进行模型训练，确定所述预设时间与特征信号关系模型的模型参数；
9.基于预设齿轮失效时对应的失效特征信号、训练好的预设时间与特征信号关系模型及所述当前时刻，生成所述目标齿轮的齿轮寿命预测结果。
10.可选地，所述基于所述历史振动采集信号计算所述目标齿轮的特征信号，包括：
11.从所述历史振动的采集信号中按照采样时间依次提取当前振动信号及其对应的当前采样时刻；
12.对所述当前振动信号进行傅里叶变换，得到对应的频域信号；
13.基于所述频域信号计算所述当前振动信号对应的当前特征信号；
14.为所述当前特征信号添加当前采样时刻的标注，得到带有当前采样时刻的当前特征信号。
15.可选地，所述基于所述频域信号计算所述当前振动信号对应的当前特征信号，包括：
16.获取所述目标齿轮的啮合频率和边频带；
17.基于所述频域信号、所述目标齿轮的啮合频率和边频带，计算所述当前振动信号对应的啮合频率及其谐波的边频带能量信号。
18.可选地，所述预设时间与特征信号关系模型为线性回归模型，所述预设时间与特
征信号关系模型通过如下公式表示：
19.y^＝wx b，
20.其中，y^表示预测的的啮合频率及其谐波的边频带能量信号，x表示当前时刻，w和b表示所述预设时间与特征信号关系模型的两个模型参数。
21.可选地，所述方法还包括：
22.获取目标齿轮的实时振动采集信号对应当前采样时刻的当前啮合频率及其谐波的边频带能量信号；
23.将所述当前采样时刻的当前啮合频率及其谐波的边频带能量信号输入至训练好的预设时间与特征信号关系模型进行模型参数的优化。
24.可选地，所述当前振动信号对应的啮合频率及其谐波的边频带能量信号通过如下公式计算：
[0025][0026]
其中，energy_side表示当前振动信号对应的啮合频率及其谐波的边频带能量信号，f表示所述目标齿轮的啮合频率，d为所述目标齿轮的边频带，acc_f(n)表示当前振动信号对应的频域信号。
[0027]
根据第二方面，本发明实施例提供了一种齿轮寿命预测装置，包括：
[0028]
获取模块，用于获取目标齿轮的历史振动采集信号及当前时刻；
[0029]
第一处理模块，用于基于所述历史振动采集信号计算所述目标齿轮的特征信号，所述特征信号包括不同采样时刻的啮合频率及其谐波的边频带能量信号；
[0030]
第二处理模块，用于将所述特征信号输入至预设时间与特征信号关系模型，进行模型训练，确定所述预设时间与特征信号关系模型的模型参数；
[0031]
第三处理模块，用于基于预设齿轮失效时对应的失效特征信号、训练好的预设时间与特征信号关系模型及所述当前时刻，生成所述目标齿轮的齿轮寿命预测结果。
[0032]
根据第三方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本发明第一方面及其任意一种可选方式所述的方法。
[0033]
根据第四方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面及其任意一种可选方式所述的方法。
[0034]
本发明技术方案，具有如下优点：
[0035]
本发明实施例提供了一种齿轮寿命预测方法及装置，通过获取目标齿轮的历史振动采集信号及当前时刻；基于历史振动采集信号计算目标齿轮的特征信号，特征信号包括不同采样时刻的啮合频率及其谐波的边频带能量信号；将特征信号输入至预设时间与特征信号关系模型，进行模型训练，确定预设时间与特征信号关系模型的模型参数；基于预设齿轮失效时对应的失效特征信号、训练好的预设时间与特征信号关系模型及当前时刻，生成目标齿轮的齿轮寿命预测结果。从而通过利用目标齿轮在使用过程中的振动采集信号，提取可反映齿轮健康状态的特征信号，然后利用该特征信号与采样时刻的关系训练预设时间与特征信号关系模型，并利用齿轮失效时对应的失效特征信号以及当前时刻来实时预测齿
轮的寿命情况，从而无需依赖人工经验，实现了齿轮寿命的自动化精准预测，节约了时间，提高了齿轮寿命预测的效率，为齿轮的检修与更换提供精确的数据基础，进而保障了安装有齿轮的机械设备安全运行。
附图说明
[0036]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明实施例中齿轮寿命预测方法的流程图；
[0038]
图2为本发明实施例中正常圆柱齿轮的啮合频谱图；
[0039]
图3为本发明实施例中存在点蚀失效的圆柱齿轮的啮合频谱图；
[0040]
图4为本发明实施例中齿轮寿命预测装置的结构示意图；
[0041]
图5为本发明实施例中的电子设备的结构示意图。
具体实施方式
[0042]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0044]
近年来，旋转机械正逐步向大型化、精密化和智能化方向发展，旋转机械的健康状态评分和剩余寿命预测也受到越来越多地关注。齿轮作为旋转机械的重要组成部件，其工作在高转速或重载荷情况下，容易发生疲劳损伤退化失效，将导致旋转机械严重故障或功能失效，因此带来生产停滞，企业效益损失。
[0045]
因此，如何对齿轮的寿命进行精准的预测，对机械设备的安全运行，保障机械设备的工作效率等具有重要意义。然而在现有技术中，齿轮寿命预测主要还是依赖人为观察齿轮的啮合情况及齿轮形态来进行实现，预测结果受人工经验影响较大，预测结果的准确性难以保证。
[0046]
基于上述问题，本发明实施例提供了一种齿轮寿命预测方法，如图1所示，该齿轮寿命预测方法具体包括如下步骤：
[0047]
步骤s101：获取目标齿轮的历史振动采集信号及当前时刻。
[0048]
其中，历史振动采集信号可以通过利用振动传感器采集目标齿轮的振动信号，并提取各个振动信号的采样时刻。
[0049]
步骤s102：基于历史振动采集信号计算目标齿轮的特征信号。
[0050]
其中，特征信号包括不同采样时刻的啮合频率及其谐波的边频带能量信号。
[0051]
步骤s103：将特征信号输入至预设时间与特征信号关系模型，进行模型训练，确定预设时间与特征信号关系模型的模型参数。
[0052]
具体地，该预设时间与特征信号关系模型为线性回归模型，预设时间与特征信号
关系模型通过如下公式(1)表示：
[0053]
y^＝wx b
ꢀꢀꢀ
(1)
[0054]
其中，y^表示预测的的啮合频率及其谐波的边频带能量信号，x表示当前时刻，w和b表示预设时间与特征信号关系模型的两个模型参数。
[0055]
步骤s104：基于预设齿轮失效时对应的失效特征信号、训练好的预设时间与特征信号关系模型及当前时刻，生成目标齿轮的齿轮寿命预测结果。
[0056]
其中，该失效特征信号可根据目标齿轮发生失效的经验值来设定，该齿轮寿命预测结果为该目标齿轮在当前时刻预测的剩余寿命值，如：齿轮寿命预测结果为1个月，表示该齿轮预计将在1个月后失效。
[0057]
通过执行上述步骤，本发明实施例提供的齿轮寿命预测方法，通过利用目标齿轮在使用过程中的振动采集信号，提取可反映齿轮健康状态的特征信号，然后利用该特征信号与采样时刻的关系训练预设时间与特征信号关系模型，并利用齿轮失效时对应的失效特征信号以及当前时刻来实时预测齿轮的寿命情况，从而无需依赖人工经验，实现了齿轮寿命的自动化精准预测，节约了时间，提高了齿轮寿命预测的效率，为齿轮的检修与更换提供精确的数据基础，进而保障了安装有齿轮的机械设备安全运行。
[0058]
具体地，在一实施例中，上述步骤s102具体包括如下步骤：
[0059]
步骤s201：从历史振动的采集信号中按照采样时间依次提取当前振动信号及其对应的当前采样时刻。
[0060]
步骤s202：对当前振动信号进行傅里叶变换，得到对应的频域信号。
[0061]
步骤s203：基于频域信号计算当前振动信号对应的当前特征信号。
[0062]
具体地，上述步骤s203具体通过获取目标齿轮的啮合频率和边频带；基于频域信号、目标齿轮的啮合频率和边频带，计算当前振动信号对应的啮合频率及其谐波的边频带能量信号。
[0063]
其中，当前振动信号对应的啮合频率及其谐波的边频带能量信号通过如下公式(2)计算：
[0064][0065]
其中，energy_side表示当前振动信号对应的啮合频率及其谐波的边频带能量信号，f表示目标齿轮的啮合频率，d为目标齿轮的边频带，acc_f(n)表示当前振动信号对应的频域信号。
[0066]
步骤s204：为当前特征信号添加当前采样时刻的标注，得到带有当前采样时刻的当前特征信号。
[0067]
然后将带有采用时刻标注的特征信号以此输入上述公式(1)中得到预测时刻，通过损失函数比较预测时刻和标注的真实采样时刻的差异，并对模型参数进行调整，直至损失函数的函数值达到预设要求不再发生变化为止，此时对应的模型参数即为最优模型参数。
[0068]
具体地，上述的步骤s103中采用的预设时间与特征信号关系模型为线性回归模型，在实际应用中，也可以采用其他神经网络模型来实现，本发明并不以此为限。
[0069]
回归分析是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)
之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。通常使用曲线/线来拟合数据点，目标是使曲线到数据点的距离差异最小。线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。
[0070]
其中，为预测值，自变量x为时间戳，因变量y为健康指标，都是已知的。这里想要实现的是预测新增一个x，其对应的y是多少；或者新增一个y，预测出对应的x。因此，为了建立这个模型关系，目标是通过已知的数据点，求解上述模型中w和b两个参数。
[0071]
求解最佳参数，本发明实施例采样最小二乘法，对损失函数求w和b求偏导，仅当偏导为0的解就是最优解，计算方式如公式(3)和(4)所示：
[0072][0073][0074]
具体地，在一实施例中，上述步骤s104具体包括如下步骤：
[0075]
步骤s401：将失效特征信号输入至训练好的预设时间与特征信号关系模型中，得到对应的预测失效时刻。
[0076]
具体地，通过将失效特征信号输入至上述公式(1)中，即可得到对应的预测失效时刻，如：xx年xx月xx日等。
[0077]
步骤s402：基于预测失效时刻与当前时刻的时间差，确定目标齿轮的齿轮寿命预测结果。
[0078]
示例性地，假设预测失效时刻为2025年1月1日，当前时刻为2024年1月1日，则对应的齿轮寿命预测结果为预测齿轮剩余寿命为1年。
[0079]
具体地，在一实施例中，上述齿轮寿命预测方法具体还包括如下步骤：
[0080]
步骤s105：获取目标齿轮的实时振动采集信号对应当前采样时刻的当前啮合频率及其谐波的边频带能量信号。
[0081]
步骤s106：将当前采样时刻的当前啮合频率及其谐波的边频带能量信号输入至训练好的预设时间与特征信号关系模型进行模型参数的优化。
[0082]
具体地，由于轴承和齿轮的剩余寿命主要由负荷、转速、温度和润滑等因素决定的，所以滚动轴承和齿轮即使型号一样，其特征信号与使用时间的变化规律都不一样。特征信号计算中包含对每次数据采集器上报数据的时间戳。在实际应用中，为了实时更新线性回归和缩减存储量和计算量，每次计算的数据集最多有1000个样本数据，另外每次上报的振动数据时都会参与线性回归的计算，更新模型参数。从而通过实时对模型参数进行优化，进一步提高齿轮寿命预测结果的准确性。
[0083]
下面将结合具体应用示例，对本发明实施例提供的齿轮寿命预测方法进行详细的说明。
[0084]
示例性地，齿轮箱由于齿轮之间的啮合功能产生高频振动，任何时刻参与啮合的齿数越多，齿轮箱的性能越平滑。因此，无论齿轮是否存在故障或失效，采集的振动信号频域上在啮合频率及其谐波成分上都会有幅值。图2和图3分别为正常圆柱齿轮的啮合频谱图和存在点蚀失效的圆柱齿轮的啮合频谱图。由图2和图3的对比可知齿轮存在点蚀失效，啮
合频率处的幅值基本变化不大，比较明显的是圆柱齿轮啮合频率及其谐波的边频带能量增强，因此，在本发明实施例中将啮合频率及其谐波的边频带能量作为齿轮的寿命预测指标，具体计算过程如下：
[0085]
1加速度传感器采集到等时间隔时域信号acc(n)(即齿轮的振动信号)，间隔时间为采样时间的倒数，采样时长为5s；
[0086]
2对时域信号进行傅里叶变换(fft)，求得频域上信息acc_f(n)
[0087]
3对步骤2的acc_f(n)求边频带能量energy_side，并记录每次数据采集器上报采样信号的时间戳，计算公式(5)如下：
[0088][0089]
其中，energy_side表示当前振动信号对应的啮合频率及其谐波的边频带能量信号，f表示目标齿轮的啮合频率，d为目标齿轮的边频带，acc_f(n)表示当前振动信号对应的频域信号。
[0090]
将计算得到的啮合频率及其谐波的边频带能量输入预设时间与特征信号关系模型进行模型训练，确定预设时间与特征信号关系模型的模型参数，具体过程参数上述实施例的相关描述，在此不再重复赘述。最终确定上述线性模型的两个模型参数的最优参数值w和b。
[0091]
然后依据齿轮正常运行的当前值和经验值，设置齿轮失效的情况下对应的啮合频率及其谐波的边频带能量threshold，然后利用如下公式(6)计算齿轮的剩余寿命：
[0092][0093]
其中，rul表示齿轮的当前剩余寿命，表示t0表示当前时刻，w和b表示线性模型的两个模型参数。需要特别注意的是，如果在齿轮进行了保养、维修或更换后，需要对已经采集的振动信号清除，并重新执行上述过程，以保证齿轮的寿命预测结果与真实应用场景的一致性。
[0094]
齿轮的啮合类故障(磨损、裂纹、损伤等)的振动信号会存在啮合频率的边频带能量。针对齿轮的健康状态，本发明实施例通过将边频带能量作为齿轮的健康指标。由于每一对齿轮的负荷、转速等工作条件不同，须对每一对齿轮的啮合频率边频带进行实时地进行线性回归。通过设置好边频带能量的失效阈值，可通过时间-指标之间的线性关系求出剩余寿命。从而实现齿轮全生命周期剩余寿命的实时预测，使得预测结果更加贴合真实使用情况。
[0095]
通过执行上述步骤，本发明实施例提供的齿轮寿命预测方法，通过利用目标齿轮在使用过程中的振动采集信号，提取可反映齿轮健康状态的特征信号，然后利用该特征信号与采样时刻的关系训练预设时间与特征信号关系模型，并利用齿轮失效时对应的失效特征信号以及当前时刻来实时预测齿轮的寿命情况，从而无需依赖人工经验，实现了齿轮寿命的自动化精准预测，节约了时间，提高了齿轮寿命预测的效率，为齿轮的检修与更换提供精确的数据基础，进而保障了安装有齿轮的机械设备安全运行。
[0096]
本发明实施例还提供了一种齿轮寿命预测装置，如图4所示，该齿轮寿命预测装置具体包括：
[0097]
获取模块101，用于获取目标齿轮的历史振动采集信号及当前时刻。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
[0098]
第一处理模块102，用于基于历史振动采集信号计算目标齿轮的特征信号，特征信号包括不同采样时刻的啮合频率及其谐波的边频带能量信号。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0099]
第二处理模块103，用于将特征信号输入至预设时间与特征信号关系模型，进行模型训练，确定预设时间与特征信号关系模型的模型参数。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
[0100]
第三处理模块104，用于基于预设齿轮失效时对应的失效特征信号、训练好的预设时间与特征信号关系模型及当前时刻，生成目标齿轮的齿轮寿命预测结果。详细内容参见上述方法实施例中步骤s104的相关描述，在此不再进行赘述。
[0101]
上述各个模块的更进一步的功能描述与上述对应方法实施例相同，在此不再赘述。
[0102]
通过上述各个组成部分的协同合作，本发明实施例提供的齿轮寿命预测装置，通过利用目标齿轮在使用过程中的振动采集信号，提取可反映齿轮健康状态的特征信号，然后利用该特征信号与采样时刻的关系训练预设时间与特征信号关系模型，并利用齿轮失效时对应的失效特征信号以及当前时刻来实时预测齿轮的寿命情况，从而无需依赖人工经验，实现了齿轮寿命的自动化精准预测，节约了时间，提高了齿轮寿命预测的效率，为齿轮的检修与更换提供精确的数据基础，进而保障了安装有齿轮的机械设备安全运行。
[0103]
本发明实施例还提供了一种电子设备，如图5所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图5中以通过总线连接为例。
[0104]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0105]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法。
[0106]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0107]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法。
[0108]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果
进行理解，此处不再赘述。
[0109]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0110]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。