齿轮状态诊断方法及装置与流程

1.本发明涉及机械异常诊断技术领域，尤其涉及一种齿轮状态诊断方法、装置、电子设备及存储介质。


背景技术：

2.振动监测是齿轮异常诊断最有效的工具之一，当齿轮发生局部损坏时，根据受异常影响的表面，齿轮可以产生不同的异常特征频率，人们通过分析振动信号提取异常特征频率来诊断异常，然而在齿轮的早期异常期间，特别是微弱的异常诊断中，齿轮的局部缺陷和损伤很小，所引起的冲击振动非常微弱，再加上周围环境的干扰(统称为噪声)使振动信号变得十分复杂，相关技术中，齿轮状态诊断是基于深度学习的诊断方法，通过大量的有标注的故障数据进行训练，而获取标注数据比仅仅记录它们要花费更多的人力和物力，且对于齿轮的早期异常期间冲击振动非常微弱且复杂的振动信号无法诊断，导致在早期的微弱异常诊断中难以取得理想的效果，故亟需一种更可靠的齿轮状态诊断方法。


技术实现要素：

3.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本发明的第一个目的在于提出一种齿轮状态诊断方法，基于残差u型网络对待预测振动信号集进行降噪得到的降噪振动信号，准确确定齿轮状态，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断，保障齿轮运行的安全性。
5.本发明的第二个目的在于提出一种齿轮状态诊断装置。
6.本发明的第三个目的在于提出一种电子设备。
7.本发明的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
8.为达上述目的，本发明第一方面实施例提出了一种齿轮状态诊断方法，所述方法包括：
9.基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，所述目标域数据集包括待预测振动信号集；
10.基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；
11.基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态。
12.为达上述目的，本发明第二方面实施例提出了一种齿轮状态诊断装置，所述装置包括：
13.制作模块，用于基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪
振动信号集，所述目标域数据集包括待预测振动信号集；
14.生成模块，用于基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；
15.确定模块，用于基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态。
16.为达上述目的，本发明第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
17.为了实现上述目的，本发明第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行第一方面所述的方法。
18.本发明实施例提供的齿轮状态诊断方法、装置、电子设备和存储介质，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集；基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；基于残差u型网络，对待预测振动信号集进行降噪，以根据得到的降噪振动信号，确定齿轮状态，由此，基于残差u型网络对待预测振动信号集进行降噪得到的降噪振动信号，准确确定齿轮状态，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断，保障齿轮运行的安全性。
19.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
20.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
21.图1为本发明实施例所提供的一种齿轮状态诊断方法的流程示意图；
22.图2为本发明实施例所提供的另一种齿轮状态诊断方法的流程示意图；
23.图3为本发明实施例所提供的另一种齿轮状态诊断方法的流程示意图；
24.图4为本发明实施例提供的一种齿轮状态诊断装置的结构示意图。
具体实施方式
25.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
26.其中，需要说明的是，本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
27.下面参考附图描述本发明实施例的齿轮状态诊断方法、装置、电子设备及存储介质。
28.图1为本发明实施例所提供的一种齿轮状态诊断方法的流程示意图。
29.如图1所示，该方法包括以下步骤：
30.步骤101，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，其中，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集。
31.可选地，齿轮可以是一种行星齿轮箱中的齿轮，但不仅限于此，该实施例对此不做具体限定。
32.可选地，齿轮的振动监测数据中的振动信号可以是信号采集设备中收集各类行星齿轮箱状态信号，其中该状态信号包括多种类型的异常状态信号和正常信号。
33.其中，信号采集设备可以是信号传感器，但不仅限于此。
34.可选地，振动信号的分析带宽应能够覆盖最高异常信号频率，为满足该条件，采样频率不低于最大齿轮啮合频率的2.56倍，信号采集设备支持压电传感器的恒流源调理，并且对振动信号的量化精度为24位。
35.在一些实施例中，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集的一种实施方式可以为获取齿轮的振动监测数据中的振动信号，并对振动信号进行加噪，以得到加噪振动信号，基于预设的采样规则，对振动信号和加噪振动信号进行采样，以得到采样信号和采样加噪信号，其中，采样规则是基于信号的采样滑窗长度确定，将采样信号和采样加噪信号转换为灰度矩阵，并基于灰度矩阵构建齿轮对应源域数据集和目标域数据集，由此，实现对齿轮对应源域数据集和目标域数据集的精确制作，提高齿轮对应源域数据集和目标域数据集的可靠性。
36.其中，将采样信号和采样加噪信号转换为灰度矩阵，并基于灰度矩阵构建齿轮对应源域数据集和目标域数据集的一种实施方式可以为，将采样信号和采样加噪信号转换为灰度矩阵，并基于灰度矩阵确定出振动信号集的加噪振动信号集，基于预设的比例阈值对振动信号集进行数量划分，以得到第一振动信号集和第二振动信号集，并将第二振动信号集作为目标域数据集，对第一振动信号集进行齿轮状态标注，以得到有齿轮状态标签的振动信号集，并将有齿轮状态标签的振动信号集和加噪振动信号集作为源域数据集。
37.其中，可以理解的是，为更好地理解齿轮对应源域数据集和目标域数据集，可以以齿轮的振动监测数据中的齿轮振动信号x为例，对振动信号x添加加性高斯白噪声，以得到加噪振动信号xn，再对上述振动信号x、加噪振动信号xn滑窗采样，将得到的采样信号、采样加噪信号转为灰度矩阵后分别构造有齿轮状态标签的振动信号集、加噪振动信号集、预测振动信号集，进而得到上述源域数据集目标域数据集
38.其中，滑窗采样的滑窗长度为a,采样长度为n2，d
x
＝{x1,x2,...,xi}，
39.步骤102，基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络。
40.在一些实施例中，基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络的一种实施方式可以为，通过源域数据
集中的有齿轮状态标签振动信号集的加噪振动信号集训练u型网络，对u型网络的去噪参数进行优化，直至对u型网络提取加噪振动信号集中各加噪振动信号的状态信号时停止，以实现u型网络去噪参数的精确优化，进而得到优化后的残差u型网络。
41.此外，在得到优化后的残差u型网络之后，还可以获取齿轮的振动监测数据对应的历史振动信号，并基于历史振动信号，制作齿轮对应验证源域数据集和测试源域数据集，以通过验证源域数据集和测试源域数据集对残差u型网络的验证、测试，提高残差u型网络的可靠性。
42.步骤103，基于残差u型网络，对待预测振动信号集进行降噪，以得到降噪振动信号，并基于降噪振动信号，确定齿轮状态。
43.在一些实施例中，基于残差u型网络，对待预测振动信号集进行降噪，以得到降噪振动信号，并基于降噪振动信号，确定齿轮状态的一种实施方式可以为，在基于残差u型网络，对目标域数据集的振动信号集进行降噪，以得到降噪振动信号之后，对降噪振动信号进行状态信号提取，以得到特征状态信号，并根据特征状态信号，确定齿轮状态，由此，实现齿轮状态的精确诊断。
44.其中，可以通过希尔伯特变换对降噪振动信号进行状态信号提取，但不仅限于此，该实施例对此不做具体限定。
45.本发明实施例的齿轮状态诊断方法，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集；基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；基于残差u型网络，对待预测振动信号集进行降噪，以根据得到的降噪振动信号，确定齿轮状态，由此，基于残差u型网络对待预测振动信号集进行降噪得到的降噪振动信号，准确确定齿轮状态，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断，保障齿轮运行的安全性。
46.为了清楚说明上一实施例，图2为本发明实施例所提供的另一种齿轮状态诊断方法的流程示意图。
47.步骤201，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，其中，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集。
48.其中，需要说明的是，关于步骤201的具体实现方式，可参见上述实施例中的相关描述。
49.步骤202，将加噪振动信号集输入到u型网络中进行不同信号强度阈值的降噪处理，以得到加噪振动信号集中各加噪振动信号的状态信号，基于状态信号，判断齿轮状态。
50.在一些实施例中，不同状态信号表征不同的齿轮状态，例如，状态信号与齿轮异常对应的信号匹配时，判断状态信号对应的异常类型，并记录，在状态信号与齿轮正常运行对应的信号匹配时，该齿轮运行正常。
51.步骤203，根据候选齿轮状态与振动信号集的齿轮状态标签的差异，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络。
52.在一些实施例中，残差u型网络主要由编码器，解码器，和跳连三部分组成，编码
器、解码器可以分别由4个下采样模块和4个上采样模块级联组成，但不仅限于此。
53.可选地，残差u型网络的下采样模块和上采样模块：各下采样模块分别对应18层残差网络(resnet18)的四个残差块(res-block)结合自适应阈值获取层(tl)，上采样模块和u型网络一致。
54.可选地，下采样模块工作的步骤可以为：下采样特征图(振动信号在可显示平台的信号图)先通过一个预训练的残差块使下采样特征图的通道翻倍，尺寸减半；然后通过j个通道空间阈值获取层来降低下采样特征图中噪声的干扰。
55.可选地，上采样模块工作的步骤可以为：上采样特征图通过上采样(bilinear interpolation，bi)层使其尺寸翻倍，并且考虑到浅层网络的细节信息保存较好，为了提高数据还原的精度，使用跳连融合相对应的相同分辨率的下采样特征图；然后通过双卷积层使通道减半。每通过一个上采样模块，上采样特征图尺寸翻倍，同时通道数减半。
56.其中，阈值获取层用于残差u型网络对数据下采样时自适应学习一组阈值，降低特征图中噪声的干扰，提高特征提取(去噪)的性能，阈值获取层获得自适应阈值的步骤可以为：下采样特征图输入阈值获取层，在通道阈值获取分支上，通过全局平均池化(global average pooling，gap)作用在下采样特征图的绝对值上，通过压缩下采样特征图的空间信息获得一个包含通道信息的1-d向量；然后，1-d向量经过两层全连接(fully connected，fc)网络得到通道尺度参数σ(c)，并且通过sigmoid函数将其缩放到(0，1)，最后，通道尺度参数σ(c)与1-d向量相乘获得包含下采样特征图通道信息的通道阈值，在空间阈值获取分支上，提取出一组包含空间信息的2-d向量。2-d向量传入两层卷积网络来获得空间尺度参数σ(s)，同样使用sigmoid函数将其值缩放到(0，1)；最后，空间尺度参数σ(s)与2-d向量相乘得到包含下采样特征图空间信息的阈值，通道阈值和空间阈值融合获得下采样特征图的阈值，再用软阈值函数降噪，得到降噪下采样特征图。
57.其中，4个残差块分别结合阈值获取层的个数为1，2，2，1。
58.步骤204，基于残差u型网络，对待预测振动信号集进行降噪，以得到降噪振动信号，并基于降噪振动信号，确定齿轮状态。
59.本发明实施例的齿轮状态诊断方法，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集；将加噪振动信号集输入到u型网络中进行不同信号强度阈值的降噪处理，以得到加噪振动信号集中各加噪振动信号的状态信号，基于状态信号，判断齿轮状态；根据候选齿轮状态与振动信号集的齿轮状态标签的差异，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；基于残差u型网络，对待预测振动信号集进行降噪，以根据得到的降噪振动信号，确定齿轮状态，由此，基于源域数据集对u型网络进行优化的残差u型网络对待预测振动信号集进行降噪，准确确定降噪振动信号，实现对残差u型网络精确建立，以及齿轮状态的准确诊断。
60.综上，本发明还提出一种齿轮状态诊断方法，如图3所示，该齿轮状态诊断方法包括数据集制作、信号降噪和故障诊断，其中，数据集制作包括获取齿轮的振动监测数据中的振动信号，并对振动信号进行添加加性高斯白噪声，以得到加噪振动信号；在基于预设的采样滑窗长度，对振动信号和加噪振动信号进行采样，以得到采样信号和采样加噪信号；并将采样信号和采样加噪信号转换为灰度矩阵，并基于灰度矩阵，确定振动信号集的加噪振动
信号集，进而构建齿轮对应源域数据集和目标域数据集。信号降噪包括基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，直至实现u型网络对加噪振动信号集的状态标签的提取，以得到优化后的残差u型网络，基于残差u型网络，对待预测振动信号集进行降噪，以得到降噪振动信号。故障诊断包括对降噪振动信号进行希尔伯特变换，诊断出齿轮状态，以判断是否故障，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断。
61.为了实现上述实施例，本发明还提出一种齿轮状态诊断装置。
62.图4为本发明实施例提供的一种齿轮状态诊断装置的结构示意图。
63.如图4所示，该齿轮状态诊断装置40包括：制作模块41，生成模块42以及确定模块43。
64.制作模块41，用于基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，所述目标域数据集包括待预测振动信号集；
65.生成模块42，用于基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；
66.确定模块43，用于基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态。
67.进一步地，在本发明实施例的一种可能的实现方式中，所述制作模块41，包括：
68.获取单元，用于获取齿轮的振动监测数据中的振动信号，并对所述振动信号进行加噪，以得到加噪振动信号；
69.采样单元，用于基于预设的采样规则，对所述振动信号和所述加噪振动信号进行采样，以得到采样信号和采样加噪信号，其中，所述采样规则是基于信号的采样滑窗长度确定；
70.构建单元，用于将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵构建所述齿轮对应源域数据集和目标域数据集。
71.进一步地，在本发明实施例的一种可能的实现方式中，所述所述构建单元，具体用于：
72.将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵确定出振动信号集的加噪振动信号集；
73.基于预设的比例阈值对振动信号集进行数量划分，以得到第一振动信号集和第二振动信号集，并将所述第二振动信号集作为目标域数据集；
74.对第一振动信号集进行齿轮状态标注，以得到有齿轮状态标签的振动信号集，并将所述有齿轮状态标签的振动信号集和所述加噪振动信号集作为源域数据集。
75.进一步地，在本发明实施例的一种可能的实现方式中，所述生成模块42，具体用于：
76.将所述加噪振动信号集输入到所述u型网络中进行不同信号强度阈值的降噪处理，以得到所述加噪振动信号集中各加噪振动信号的状态信号，基于所述状态信号，判断所述齿轮状态；
77.根据所述候选齿轮状态与所述振动信号集的齿轮状态标签的差异，对u型网络的
去噪参数进行优化，以得到优化后的残差u型网络。
78.进一步地，在本发明实施例的一种可能的实现方式中，所述确定模块43，具体以用于：
79.在基于所述残差u型网络，对所述目标域数据集的振动信号集进行降噪，以得到降噪振动信号之后，对所述降噪振动信号进行状态信号提取，以得到特征状态信号；
80.根据所述特征状态信号，确定齿轮状态。
81.需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
82.本发明实施例的齿轮状态诊断装置，基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集；基于有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；基于残差u型网络，对待预测振动信号集进行降噪，以根据得到的降噪振动信号，确定齿轮状态，由此，基于残差u型网络对待预测振动信号集进行降噪得到的降噪振动信号，准确确定齿轮状态，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断，保障齿轮运行的安全性。
83.为了实现上述实施例，本发明还提出一种电子设备，包括：
84.至少一个处理器；以及
85.与所述至少一个处理器通信连接的存储器；其中，
86.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的方法。
87.为了实现上述实施例，本发明还提出一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行前述的方法。
88.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
89.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
90.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
91.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
92.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
93.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
94.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形似实现，也可以采用软件功能模块的形似实现。所述集成的模块如果以软件功能模块的形似实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
95.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种齿轮状态诊断方法，其特征在于，所述方法包括：基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，所述目标域数据集包括待预测振动信号集；基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态。2.根据权利要求1所述的方法，其特征在于，所述基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，所述目标域数据集包括待预测振动信号集，包括：获取齿轮的振动监测数据中的振动信号，并对所述振动信号进行加噪，以得到加噪振动信号；基于预设的采样规则，对所述振动信号和所述加噪振动信号进行采样，以得到采样信号和采样加噪信号，其中，所述采样规则是基于信号的采样滑窗长度确定；将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵构建所述齿轮对应源域数据集和目标域数据集。3.根据权利要求2所述的方法，其特征在于，所述将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵构建所述齿轮对应源域数据集和目标域数据集，包括：将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵确定出振动信号集的加噪振动信号集；基于预设的比例阈值对振动信号集进行数量划分，以得到第一振动信号集和第二振动信号集，并将所述第二振动信号集作为目标域数据集；对第一振动信号集进行齿轮状态标注，以得到有齿轮状态标签的振动信号集，并将所述有齿轮状态标签的振动信号集和所述加噪振动信号集作为源域数据集。4.根据权利要求1所述的方法，其特征在于，所述基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络，包括：将所述加噪振动信号集输入到所述u型网络中进行不同信号强度阈值的降噪处理，以得到所述加噪振动信号集中各加噪振动信号的状态信号，基于所述状态信号，判断所述齿轮状态；根据所述候选齿轮状态与所述振动信号集的齿轮状态标签的差异，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络。5.根据权利要求1所述的方法，其特征在于，所述基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态，包括：在基于所述残差u型网络，对所述目标域数据集的振动信号集进行降噪，以得到降噪振动信号之后，对所述降噪振动信号进行状态信号提取，以得到特征状态信号；根据所述特征状态信号，确定齿轮状态。6.一种齿轮状态诊断装置，其特征在于，所述装置包括：
制作模块，用于基于齿轮的振动监测数据中的振动信号，制作所述齿轮对应源域数据集和目标域数据集，其中，所述源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，所述目标域数据集包括待预测振动信号集；生成模块，用于基于所述有齿轮状态标签振动信号集的加噪振动信号集，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络；确定模块，用于基于所述残差u型网络，对所述待预测振动信号集进行降噪，以得到降噪振动信号，并基于所述降噪振动信号，确定齿轮状态。7.根据权利要求1所述的装置，其特征在于，所述制作模块，包括：获取单元，用于获取齿轮的振动监测数据中的振动信号，并对所述振动信号进行加噪，以得到加噪振动信号；采样单元，用于基于预设的采样规则，对所述振动信号和所述加噪振动信号进行采样，以得到采样信号和采样加噪信号，其中，所述采样规则是基于信号的采样滑窗长度确定；构建单元，用于将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵构建所述齿轮对应源域数据集和目标域数据集。8.根据权利要求7所述的装置，其特征在于，所述构建单元，具体用于：将所述采样信号和采样加噪信号转换为灰度矩阵，并基于所述灰度矩阵确定出振动信号集的加噪振动信号集；基于预设的比例阈值对振动信号集进行数量划分，以得到第一振动信号集和第二振动信号集，并将所述第二振动信号集作为目标域数据集；对第一振动信号集进行齿轮状态标注，以得到有齿轮状态标签的振动信号集，并将所述有齿轮状态标签的振动信号集和所述加噪振动信号集作为源域数据集。9.根据权利要求6所述的装置，其特征在于，所述生成模块，具体用于：将所述加噪振动信号集输入到所述u型网络中进行不同信号强度阈值的降噪处理，以得到所述加噪振动信号集中各加噪振动信号的状态信号，基于所述状态信号，判断所述齿轮状态；根据所述候选齿轮状态与所述振动信号集的齿轮状态标签的差异，对u型网络的去噪参数进行优化，以得到优化后的残差u型网络。10.根据权利要求6所述的装置，其特征在于，所述确定模块，具体以用于：在基于所述残差u型网络，对所述目标域数据集的振动信号集进行降噪，以得到降噪振动信号之后，对所述降噪振动信号进行状态信号提取，以得到特征状态信号；根据所述特征状态信号，确定齿轮状态。11.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。

技术总结
本发明提出一种齿轮状态诊断方法及装置，涉及机械异常诊断技术领域，方法包括：基于齿轮的振动监测数据中的振动信号，制作齿轮对应源域数据集和目标域数据集，源域数据集包括有齿轮状态标签的振动信号集和加噪振动信号集，目标域数据集包括待预测振动信号集；基于有齿轮状态标签振动信号集的加噪振动信号集，对U型网络的去噪参数进行优化，以得到优化后的残差U型网络；基于残差U型网络，对待预测振动信号集进行降噪，以根据得到的降噪振动信号，确定齿轮状态，由此，基于残差U型网络对待预测振动信号集进行降噪得到的降噪振动信号，准确确定齿轮状态，实现对齿轮的早期异常期间振动监测数据中振动信号的精确诊断，保障齿轮运行的安全性。安全性。安全性。


技术研发人员：魏昂昂 赵鹏程 任鑫 童彤 王恩民 杨雪
受保护的技术使用者：中国华能集团清洁能源技术研究院有限公司
技术研发日：2023.05.12
技术公布日：2023/8/14