法律状态公告日
法律状态信息
法律状态
2019-10-15
授权
授权
2018-11-27
实质审查的生效 IPC(主分类):E02F9/26 申请日:20180622
实质审查的生效
2018-11-02
公开
公开
技术领域
本发明涉及变速箱检测诊断领域,特别是涉及基于油液监测的推土机变速箱服役期内磨损故障诊断方法。
背景技术
推土机是应用较为广泛的工程机械设备之一,常用于工地、野外施工,由于工作环境恶劣,多尘土,工作负载较大且载荷变化无规律,导致其故障发生频繁。变速箱是推土机的核心传动部件,其结构较为复杂,在长期的高载荷、变载荷的工况下极易发生磨损故障。变速箱的磨损情况直接影响到推土机工作的可靠性,变速箱发生严重磨损可能导致推土机设备失效,造成严重的经济损失。据统计,变速箱中大约80%的损坏零件是由于磨损而报废的,约35%的运行故障和38.5%的齿轮失效同样是由严重磨损引起的。
油液监测技术对磨损故障的识别具有较强的敏感性而被广泛应用于变速箱磨损状态分析,主要是运用铁谱分析、光谱分析、污染度分析等技术手段对变速箱润滑油中携带的磨损磨粒和污染物进行检测以实现变速箱无拆卸状态下的磨损故障诊断。因此,开展基于油液监测的推土机变速箱服役期内磨损故障诊断,实现磨损故障的早期识别与设备的主动维护,符合工程机械安全健康发展的需求。然而,在实际工程应用中变速箱要经历多次的换油和补油,而在更换润滑油时会引起油液中磨粒数量的急剧减少,使得基于磨粒浓度及磨损速率特征的变速箱磨损趋势研究中断,即换油干扰问题是变速箱服役期内磨损故障诊断的研究难点。
针对基于油液监测技术的变速箱磨损故障诊断,目前国内外的研究现状按磨损周期的长短主要分为以下三种情况:
1.针对短周期的变速箱磨损故障诊断,即在一个换油周期内通过铁谱、光谱等油液分析技术,对润滑油中的磨损磨粒、磨损元素的浓度进行监测,通过已有的故障评估和故障预测方法实现变速箱的磨损故障诊断。
2.采用数学算法消除换油干扰对磨损趋势研究的影响,实现两个及以上换油周期内的变速箱磨损故障诊断。目前国内外常用的几种消除换油干扰的方法主要包括直接测量法、线性回归法、hermite插值法和灰度法。考虑到变速箱的整个磨损周期内要经历多次换油,会导致变速箱服役期内的磨损故障诊断准确性不高。
3.采用油液监测技术获得润滑油中金属磨粒浓度变化率,并与理想的磨损率浴盆曲线进行对比分析,通过拟合其重合程度实现机械设备整个服役期的磨损状态评估。更换润滑油后,油液中的磨损磨粒大幅度减少,其磨损速率相较于换油前明显减小,随着换油次数的增加,也会增加监测结果的不准确性。
综上所述,变速箱在整个服役期内需要多次换油,现有技术不能有效地解决换油干扰对变速箱磨损状态映射关系的不良影响,导致磨损故障诊断准确性较低,而且多次换油干扰的处理问题会导致整个诊断过程效率较低。
发明内容
为了克服现有技术的不足,本发明提供了基于油液监测的推土机变速箱服役期内磨损故障诊断方法,判断变速箱磨损状态,解决油液监测中的换油干扰问题,开展推土机变速箱服役期内磨损故障诊断的研究,具有重要意义;对实现推土机变速箱磨损状态的准确识别及确定最佳再制造时机具有重要的研究及应用价值。
基于油液监测的推土机变速箱服役期内磨损故障诊断方法的具体方案如下:
基于油液监测的推土机变速箱服役期内磨损故障诊断方法,包括如下步骤:
1)通过获得的润滑油分析样本确定变速箱磨损故障诊断的磨粒粒径比例特征和磨粒类型比例特征;
2)建立带标签的磨粒粒径比例特征和磨粒类型比例特征数据库;
3)建立基于深度学习的磨损状态评估模型;
4)将步骤1)确定的变速箱磨损故障诊断的磨粒粒径比例特征和磨粒类型比例特征输入步骤3)获得的磨损状态评估模型,诊断变速箱所处磨损状态。
进一步地,由于各类型磨损发生的工况条件不同,随着磨损状态的改变,不同类型的磨损所占的主次不同,即不同类型的磨粒所占的比例不同,所述步骤1)中变速箱磨损故障诊断的磨粒粒径比例特征确定方法如下:
1-1)在推土机变速箱的整个服役期内跟踪取样,获得润滑油分析样本;
1-2)对润滑油中的磨粒粒径进行分析,将磨损磨粒粒径划分为0~10μm、10~30μm、30~50μm、50~100μm、﹥100μm 5个范围;
1-3)将各粒径范围的磨粒数量占总磨粒数量的比例作为变速箱磨损故障诊断的粒径比例特征A,A={ai},i=1,2,…,5,其中ai代表各粒径范围磨粒的占比。
处于某种磨损状态下的变速箱在更换润滑油后,油液中磨损磨粒的浓度和速率会急剧下降,但各类型磨粒及各粒径范围磨粒的比例变化相对稳定,以磨粒粒径比例特征和磨粒类型比例特征作为变速箱磨损故障特征指标,能有效的解决换油干扰对变速箱磨损状态映射关系的不良影响,并通过所建立的磨粒特征数据库及基于深度学习的磨损状态评估模型,实现推土机变速箱磨损状态的智能、高效、准确性评估。
进一步地,所述步骤1)中磨粒类型比例特征的确定方法如下:
利用铁谱分析技术对润滑油中的磨粒类型进行分析,根据磨粒类型的不同,确定各类型磨粒数量占总磨粒数量的比例作为变速箱磨损故障诊断的磨粒类型比例特征B,B={bj},j=1,2,…5,其中bj代表各类型磨粒的占比。
进一步地,所述步骤2)中数据库的建立方法如下:
为了提高评估结果的准确性,根据专家经验法建立推土机变速箱服役期内的磨损状态标签,通过大量磨损试验进行磨粒粒径及磨粒类型特征数据采集,并建立带标签的磨粒粒径比例特征和磨粒类型比例特征数据库。
进一步地,所述步骤3)中磨损状态评估模型建立方法如下:
3-1)采用深度学习网络实现基于油液监测技术的变速箱磨损状态识别,选取数据库中的磨粒粒径及磨粒类型特征数据作为训练样本集
3-2)利用层叠稀疏自动编码器对特征样本进行预训练,通过编码网络对输入样本进行编码,将每一个样本xm降维变换成低维空间的编码矢量W,后通过解码网络将编码矢量W重构得到样本Xm,自动编码器通过最小化样本xm与重构样本Xm的误差δ完成一个网络的训练,N层稀疏自动编码器层叠完成样本的预训练;
3-3)利用误差反向传播算法,构建油液磨粒特征指标和推土机变速箱磨损状态的非线性映射关系,根据训练样本对应的实际磨损状态,不断调整层叠稀疏自动编码器的权值和阈值,完成深度学习模型的构建。
上述建立方法基于深度学习在模式识别方面的优势,通过非监督训练及监督调整的方式建立深度学习磨损评估模型,准确性较高。
进一步地,在所述步骤3)完成后,利用测试样本集
进一步地,所述步骤4)的具体步骤如下:
将待检测样本的磨粒特征数据输入到磨损状态评估模型中实现对推土机变速箱磨损状态的评估,诊断推土机变速箱是否处于正常磨损、轻微磨损、较严重磨损或严重磨损状态。
进一步地,所述步骤1-2)中通过激光粒度分析方法对润滑油中磨损磨粒进行分析,保证分析的准确性和快速。
进一步地,所述磨粒类型包括正常磨损磨粒、严重滑动磨损磨粒、疲劳磨损磨粒、切削磨粒、氧化物磨粒。
与现有技术相比,本发明的有益效果是:
1)本发明提供的诊断方法,能够用于判断变速箱整个服役期内的磨损状态,解决油液检测中换油干扰问题,对开展推土机变速箱服役期内磨损故障诊断的研究,具有重要意义。
2)本发明通过油液监测的铁谱分析技术及污染度分析技术确定两个比例特征,使在更换润滑油时,依然符合推土机变速箱的磨损变化情况。
3)本发明通过磨损状态评估模型的确定,能够有效地表征大量数据(特征数量及样本数量)下的磨损特征与磨损状态的映射关系,确定推土机变速箱的磨损状态,操作简单方便。
4)本发明提供的诊断方法,能够减少换油和补油对油液中的磨损磨粒与变速箱实际磨损状态映射关系的不良影响,提高评估结果准确性和评估效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为基于油液监测的推土机变速箱服役期内磨损故障诊断方法流程图
图2(a)为推土机变速箱工作4236h磨损磨粒粒径比例变化饼图
图2(b)为推土机变速箱工作4315h磨损磨粒粒径比例变化饼图
图2(c)为推土机变速箱工作4401h磨损磨粒粒径比例变化饼图
图2(d)为推土机变速箱工作4522h磨损磨粒粒径比例变化饼图
图3为稀疏自动编码器的网络结构图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在的不足,为了解决如上的技术问题,本申请提出了基于油液监测的推土机变速箱服役期内磨损故障诊断方法。
本申请的一种典型的实施方式中,如图1所示,基于油液监测的推土机变速箱服役期内磨损故障诊断方法,将能减小换油干扰影响的磨粒类型比例特征和磨粒粒径比例特征作为变速箱服役期内磨损故障诊断的特征指标;通过对正常磨损、轻微磨损、较严重磨损及严重磨损状态的变速箱润滑油进行监测,建立带标签的磨损磨粒特征数据库,为磨损评估提供训练样本集和测试样本集;并基于深度学习在模式识别方面的优势,通过非监督训练及监督调整的方式建立深度学习磨损评估模型,实现推土机变速箱服役期内的磨损故障诊断。
通过对变速箱磨损机理的研究,新变速箱在经过磨合期后,会进入正常磨损阶段,此阶段的磨损量与磨损时间近似为正比例关系,其磨损率基本保持不变,剥落的磨损磨粒粒径较小。随着磨损时间的增加和摩擦副磨损状态的改变,摩擦副表面的平衡状态被打破,进入加速磨损阶段,此时剥落的磨损磨粒粒径较大。由上述磨损机理可知,在变速箱的不同磨损状态(正常磨损、轻微磨损、较严重磨损和严重磨损)下,即变速箱的不同损伤程度下,不同粒径的磨粒所占的比例不同。
图2(a)-图2(d)所示为推土机变速箱在轻微磨损状态下更换润滑油后不同粒径的磨粒比例变化饼图,随着磨损时间的增加,大粒径磨粒的比例不断增加,小粒径磨粒的比例不断减少,但其共同的特点是,磨损磨粒的粒径主要集中在0~30μm、10~30μm两个粒径范围内,证明该特征指标的可靠性。
同样,根据不同的磨损机理,可以将磨损分为粘着磨损、磨粒磨损、疲劳磨损和腐蚀磨损,不同类型的磨损产生的磨粒不同,如下表1所示。在实际磨损情况下,往往是几种类型的磨损同时存在,且相互影响。由于各类型磨损发生的工况条件不同,随着磨损状态的改变,不同类型的磨损所占的主次不同,即不同类型的磨粒所占的比例不同。
表1磨损磨粒类型
由上述研究可知,处于不同磨损状态下的变速箱在更换润滑油时磨粒浓度会急剧下降,但不同类型和粒径的磨粒仍会按照特定比例关系进入油液中。如处于轻微磨损状态下的变速箱更换润滑油前后,0~10μm及10~30μm粒径范围的磨粒占比较大,正常磨损磨粒及疲劳磨损磨粒占比较大。以磨粒粒径比例特征和磨粒类型比例特征为变速箱磨损故障特征指标,能有效的解决换油干扰对变速箱磨损状态映射关系的不良影响,并通过所建立的磨粒特征数据库及基于深度学习的磨损状态评估模型,实现推土机变速箱磨损状态的智能、高效、准确性评估。
具体步骤如下:
(1)在推土机变速箱的整个服役期内跟踪取样,获得润滑油分析样本利用激光粒度分析仪对润滑油中的磨粒粒径进行分析,将磨损磨粒粒径划分为0~10μm、10~30μm、30~50μm、50~100μm、﹥100μm 5个范围,将各粒径范围的磨粒数量占总磨粒数量的比例作为变速箱磨损故障诊断的粒径比例特征A,A={ai},i=1,2,…,5,其中ai代表各粒径范围磨粒的占比。
(2)利用铁谱分析技术对润滑油中的磨粒类型进行分析,根据磨粒类型的不同,选择正常磨损磨粒、严重滑动磨损磨粒、疲劳磨损磨粒、切削磨粒、氧化物磨粒各类型磨粒数量占总磨粒数量的比例作为变速箱磨损故障诊断的磨粒类型比例特征B,B={bj},j=1,2,…5,其中bj代表各类型磨粒的占比。
(3)根据专家经验法建立推土机变速箱服役期内的磨损状态标签(正常磨损、轻微磨损、较严重磨损和严重磨损),通过大量磨损试验进行磨粒粒径及磨粒类型特征数据采集,并建立带标签的磨粒粒径比例特征和磨粒类型比例特征数据库。
(4)结合工程机械大数据的特点与深度学习在模式识别方面的优势,采用深度学习网络实现基于油液监测技术的变速箱磨损状态识别,选取数据库中的磨粒粒径及磨粒类型特征数据作为训练样本集
(5)利用层叠稀疏自动编码器对特征样本进行预训练,图3为稀疏自动编码器的网络结构,通过编码网络对输入样本进行编码,将每一个样本xm降维变换成低维空间的编码矢量W,后通过解码网络将编码矢量W重构得到样本Xm,自动编码器通过最小化样本xm与重构样本Xm的误差δ完成一个网络的训练,N层稀疏自动编码器层叠完成样本的预训练。
(6)利用误差反向传播算法,构建油液磨粒特征指标和推土机变速箱磨损状态的非线性映射关系,根据训练样本对应的实际磨损状态,不断调整层叠稀疏自动编码器的权值和阈值,完成深度学习模型的构建。
(7)利用测试样本集对所建深度学习模型进行可靠性测试及优化。
(8)将待检测样本的磨粒特征数据输入到深度学习模型中实现对推土机变速箱磨损状态的评估,通过对磨粒的粒径及类型比例特征指标进行分析,诊断变速箱是否处于正常磨损、轻微磨损、较严重磨损或严重磨损状态。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
机译: 燃油液位传感器的故障诊断装置和燃油液位传感器的故障诊断方法
机译: 燃油液位传感器的故障诊断装置及燃油液位传感器的故障诊断方法
机译: 变速箱的故障诊断装置和变速箱的故障诊断方法