买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宝武装备智能科技有限公司

摘要：本发明公开了一种基于MTF‑CNN技术的齿轮箱在线运行状态异常识别方法，本方法采集齿轮箱的一维振动时域信号和一维声音时域信号，对采集数据进行归一化和数据增强处理;将归一化后的一维振动时域信号和一维声音时域信号计算马尔可夫转移矩阵,计算振动和声音信号任意两点的多跨度转移概率,得到马尔可夫概率转移矩阵，得到MTF2D图像；构建齿轮箱运行状态MTF‑CNN分类器，将MTF2D图像、一维振动时域信号和一维声音时域信号输入到MTF‑CNN分类器的五个卷积组实现降维和多元特征融合，进行齿轮箱运行状态七种典型故障的分类识别。本方法通过构建齿轮箱运行状态MTF‑CNN分类器，实现齿轮箱运行状态典型故障的分类识别，满足齿轮箱智能运维的要求。

主权项：1.一种基于MTF-CNN技术的齿轮箱在线运行状态异常识别方法，其特征在于包括如下步骤：步骤一、采集齿轮箱的一维振动时域信号和一维声音时域信号；步骤二、通过一维振动时域信号和一维声音时域信号分别构建原始振动数据集X和原始声音数据集Z，采用滑动窗口分别对原始振动数据集X和原始声音数据集Z进行数据增强，即对有序信号进行采样时每一个增强数据集向前滑动m个数据点，其中m≥8；对原始振动数据集X和原始声音数据集Z中的振动信号X和声音信号Z进行数据归一化处理，将其映射到[0,1]范围内； （1） （2）其中，X´为振动数据集归一化以后的信号,Z´为声音数据集归一化以后的信号；Xmax和Xmin分别为原始振动数据集X中的最大值和最小值；Zmax和Zmin分别为原始声音数据集中的最大值以及最小值；步骤三、将原始振动数据集X生成对应的振动二维图像数据，构建齿轮箱轴系不对中，齿面啮合不良、断齿、滚动轴承故障、滑动轴承故障和螺栓松动故障的振动训练样本集；将原始声音数据集Z生成对应的声音二维图像数据，构建齿轮箱齿接手磨损的声音训练样本集；步骤四、采用振动训练样本集和声音训练样本集经编码构建马尔科夫迁移矩阵，分别计算振动和声音信号任意两点的多跨度转移概率,得到马尔可夫概率转移矩阵；马尔可夫概率转移矩阵M是一个N×N的矩阵，其中Mi,j表示从状态i转移到状态j并且在任何时候都保持不变的概率，Mi,j=Pi,jsumPi,:（3）其中，Pi,j表示从状态i转移到状态j的概率，Pi,:表示从状态i转移到其他所有状态的概率分布，sumPi,:表示从状态i转移到其他所有状态的总概率；步骤五、由马尔可夫概率转移矩阵得到MTF二维特征图像，构建齿轮箱运行状态MTF-CNN分类器，其中卷积神经网络包含五个卷积组，每个卷积组中至少包含一个基本卷积计算过程和一次下采样操作，使MTF二维特征图大小减半；步骤六、将MTF二维特征图像、一维振动时域信号和一维声音时域信号进行全局空间信息压缩,通道信息经扩展后的全局池化层后依次经过一维卷积、激活函数进行信息交互,得到不同通道的依赖关系,对特征信息赋值,得到训练好的CNN网络模型，将256×256的MTF二维特征图像经裁剪变成224×224二维标准图像，将二维标准图像、一维振动时域信号和一维声音时域信号分别输入到CNN网络模型，二维标准图像进行conv二维卷积计算，一维振动时域信号和一维声音时域信号进行conv一维卷积计算；步骤七、MTF二维特征图像、一维振动时域信号和一维声音时域信号经过MTF-CNN分类器的五个卷积组后，再进行平均池化Avgpool，使用Flaten层降维，分别得到长度为2048、1024和1024的一维特征信息，一维特征信息融合至全连接层为4096的一维特征信息中，经Softmax输出齿轮箱运行状态的七种典型状态异常种类；步骤八、在MTF-CNN分类器保存齿轮箱七种典型状态异常权重，输入齿轮箱实时数据，经MTF-CNN分类器输出齿轮箱对应的运行状态异常种类MTF图像。

全文数据：

权利要求：

百度查询： 宝武装备智能科技有限公司 基于MTF-CNN技术的齿轮箱在线运行状态异常识别方法