基于磁记忆技术的齿轮缺陷智能检测方法及系统与流程

本发明涉及无损检测，尤其涉及基于磁记忆技术的齿轮缺陷智能检测方法及系统。

背景技术：

1、磁记忆缺陷检测技术是一种基于铁磁材料在应力和应变作用下的磁记忆效应的无损检测方法，指铁磁材料在制造、使用或外部应力作用下，会在应力集中的区域产生稳定的磁化状态。而当材料在磁场中被拉伸或压缩时，局部磁化强度会发生变化，这种变化可以在无外加磁场的情况下被检测出来。因此，可通过检测磁化后齿轮材料表面泄漏的磁场信号识别出应力集中区域和潜在的缺陷。但现有磁记忆技术检测齿轮材料缺陷的检测方法较为低效，一方面难以快速高效的依据磁通信号特征判定齿轮的服役正常与否，运算量大，过程繁琐且速率慢，降低了磁记忆技术对于齿轮缺陷检测的效率，同时另一方面难以通过磁化强度与磁畴结构方面的变化表达捕捉齿轮的潜在缺陷和种类，使得检测结果存在较大误差，影响齿轮缺陷检测的质量和可靠程度。因此，需研发一种能够基于磁记忆技术的高效精准的齿轮缺陷智能检测方法解决上述问题。

技术实现思路

1、本发明克服了现有技术的不足，提供了基于磁记忆技术的齿轮缺陷智能检测方法及系统。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了基于磁记忆技术的齿轮缺陷智能检测方法，包括以下步骤：

4、s102：获取服役齿轮连续的磁通信号以及不同应力系数下对应的可疑磁通基准特征，基于所述可疑磁通基准特征将所述服役齿轮连续的磁通信号进行希尔伯特变换，得到实际磁通特征谱；

5、s104：根据所述实际磁通特征谱提取出概率值大于预设概率值的实际可疑磁通特征点，并在高位空间领域与低维空间领域对实际可疑磁通特征点进行概率分布计算，得到高维空间相似度分布以及低维空间相似度分布；

6、s106：基于所述高维空间相似度分布与低维空间相似度分布之间的kl散度在梯度下降法逐步调整每个实际可疑磁通特征点的位置参数，输出点位坐标值，通过所述点位坐标值分析服役齿轮是否存在异常服役现象；

7、s108：若服役齿轮为异常服役齿轮，则通过移动滑动窗口计算准漏磁磁通特征点相较于正常磁通特征点存在准漏磁的若干突变磁通信号，生成磁通线趋势分布图，识别分析所述磁通线趋势分布图，得到每个准漏磁磁通特征点在磁化过程中的实际磁畴结构；

8、s110：分析所述实际磁畴结构获取每个准漏磁磁通特征点的多个磁矩矢量变化量，基于强磁场的磁化强度对于正常服役齿轮的磁矩矢量的改变幅值与多个磁矩矢量变化量对服役齿轮的缺陷特征进行剖析，最终输出准确缺陷种类。

9、更具体地，所述s102步骤，具体包括以下步骤：

10、获取服役齿轮，将所述服役齿轮放入强磁场中进行磁化，通过霍尔传感器沿着齿轮表面磁化后的服役齿轮扫描检测，得到服役齿轮连续的磁通信号；

11、获取服役齿轮的材质信息以及服役场景，基于所述材质信息和服役场景在大数据网络中检索获取实际应用中极易导致服役齿轮产生缺陷的应力指数，并获取各应力指数下对应的可疑磁通基准特征；

12、基于各应力系数下对应的可疑磁通基准特征预设可疑磁通信号基准值域，提取所述服役齿轮连续的磁通信号中处于可疑磁通信号基准值域的局部极大值与局部极小值；

13、通过三次样条插值法拟合出所有局部极大值的上包络线和所有局部极小值的下包络线，并结合计算上包络线与下包络线，得到上包络线-下包络线平均值，基于上包络线-下包络线平均值将所述服役齿轮连续的磁通信号分解为一系列本征模态函数分量和一个残差项；

14、引入希尔伯特-黄变换算法对每个所述本征模态函数分量与残差项之间进行希尔伯特变换，生成实际磁通特征谱。

15、更具体地，所述s104步骤，具体包括以下步骤：

16、获取服役齿轮的标准模型图，基于所述标准模型图以及连续的磁通信号构建服役齿轮的磁通信号分布图，根据实际磁通特征谱将所述磁通信号分布图分割为多个子分布图块，并标定为可疑磁通子分布图块；

17、获取服役齿轮的运维日志，通过所述运维日志提取出服役齿轮中每个可疑磁通子分布图块位于预设时间段内的实际工况数据包；

18、构建贝叶斯推断模型，将每个可疑磁通子分布图块的所述实际工况数据包以及实际磁通特征谱导入贝叶斯推断模型中进行概率推算，得到各个可疑磁通子分布图块导致实际磁通特征产生的概率值；

19、在实际磁通特征谱中只提取出概率值大于预设概率值的可疑磁通子分布图对应的实际磁通特征点，标记为实际可疑磁通特征点；

20、构建高维空间领域，在所述高维空间领域中计算当前的实际可疑磁通特征点与相邻的实际可疑磁通特征点之间的高斯分布概率并作对称化处理，得到对称化概率矩阵，根据所述对称化概率矩阵确定高维空间领域中每个实际可疑磁通特征点之间的相似度，得到高维空间相似度分布；

21、构建低维空间领域，将高维空间领域中所有对称化处理的实际可疑磁通特征点映射至低维空间领域并计算映射出的t分布，根据所述t分布确定低维空间领域中每个实际可疑磁通特征点之间的相似度，得到低维空间相似度分布。

22、更具体地，所述s106步骤，具体包括以下步骤：

23、引入梯度下降法，计算所述高维空间相似度分布与低维空间相似度分布之间的kl散度，利用梯度下降法逐步调整低维空间领域中每个实际可疑磁通特征点的位置参数；

24、调整过程中，不断更新迭代低维空间领域中实际可疑磁通特征点的位置坐标，并检查更新迭代后的当前kl散度是否最小化达到预设kl散度；

25、若未最小化达到，则继续更新迭代直至当前kl散度最小化达到预设kl散度为止，最终输出每个实际可疑磁通特征点位于服役齿轮的低维空间领域中的点位坐标值；

26、基于大数据网络获取服役齿轮未出现任意预设应力缺陷时正常磁通特征点处于低维空间领域的基准点位坐标图，并根据实际磁通特征谱获取各个实际可疑磁通特征点的瞬时磁通频率以及瞬时磁通幅值；

27、基于所述瞬时磁通频率以及瞬时磁通幅值预设各个实际磁通特征点的潜在可疑磁通区间阈值，通过所述基准点位坐标图截取出低维空间领域中各点位坐标值对应的基准点位坐标段，直至到达潜在可疑磁通区间阈值后停止截取；

28、截取完成后，生成每个实际可疑磁通特征点位于低维空间领域中的基准点位坐标区间段，逐一判断各个点位坐标值是否位于对应的基准点位坐标区间段内；

29、若不存在至少一个点位坐标值未处于对应的基准点位坐标区间段内，则标定该服役齿轮为正常服役齿轮；若至少存在一个及以上的点位坐标值未处于对应的基准点位坐标区间段内，则标定该服役齿轮为异常服役齿轮。

30、更具体地，所述s108步骤，具体包括以下步骤：

31、若服役齿轮为异常服役齿轮，则提取出点位坐标值未处于对应的基准点位坐标区间段内的一个或者多个实际可疑磁通特征点，标定为准漏磁磁通特征点；

32、获取基准点位坐标区间段的下限值，引入哈希算法计算各准漏磁磁通特征点的点位坐标值在低维空间领域中与对应所述下限值之间的哈希状态函数，根据所述哈希状态函数剥离出处于既定时序上准漏磁磁通特征点相较于正常磁通特征点存在准漏磁的若干磁通信号，定义为突变磁通信号；

33、基于既定时序预设滑动窗口的规格参数，对于每个所述突变磁通信号，计算该突变磁通信号与前一个相邻的突变磁通信号以及后一个相邻的突变磁通信号之间的平均值，得到若干当前滑动平均值；

34、基于所述规格参数沿着既定时序上的若干磁通信号移动滑动窗口，得到每个新的突变磁通信号，移动过程中重新计算每个新的突变磁通信号对应的当前滑动平均值，得到若干最终滑动平均值；

35、以磁通信号分布图的图框架为边界基准，通过若干所述最终滑动平均值在图框架中绘制各个准漏磁磁通特征点的磁通线趋势分布图，并通过磁通线趋势分布图获取磁通线趋于所述边界基准分布的漏磁频率；

36、若所述漏磁频率大于预设漏磁频率，则基于大数据网络获取磁场全面知识图谱，通过所述磁场全面知识图谱对磁通线趋势分布图进行识别，得到每个准漏磁磁通特征点在磁化过程中的实际磁畴结构。

37、更具体地，所述s110步骤，具体包括以下步骤：

38、分析每个准漏磁磁通特征点在磁化过程中的所述实际磁畴结构，以获取每个准漏磁磁通特征点的实际磁矩矢量；其中，所述实际磁矩矢量包括实际磁矩的排列方向、实际磁矩的扩展数量或者收缩数量以及实际磁矩的翻转角度；

39、基于大数据网络获取服役齿轮在磁化过程中出现正常磁通特征点的标准磁畴结构，通过所述标准磁畴结构提取出标准磁矩矢量；

40、引入磁矩机制方程，通过所述磁矩机制方程计算每个所述实际磁矩矢量相较于标准磁矩矢量的磁矩矢量变化，得到多个磁矩矢量变化量；

41、通过服役齿轮的运维日志提取强磁场处于既定时序上的若干历史磁化强度变化数据以及正常服役齿轮在强磁场中处于既定时序的若干历史磁矩矢量变化数据，引入岭回归算法构建岭回归损失函数方程；

42、根据所述若干历史磁化强度变化数据与若干历史磁矩矢量变化数据构建变量矩阵，通过变量矩阵的协方差矩阵求解所述岭回归损失函数方程的解析解，得到岭回归系数，根据所述岭回归系数确定出强磁场的磁化强度对于正常服役齿轮的磁矩矢量的改变幅值；

43、基于所述强磁场的磁化强度对于正常服役齿轮的磁矩矢量的改变幅值计算导致所述磁矩矢量变化量产生的局部磁化强度变化，得到每个准漏磁磁通特征点的局部磁化强度变化量；

44、获取服役齿轮出现每一种不同应力缺陷种类时的局部磁化强度既定变化量并构建缺陷鉴别库，基于所述缺陷鉴别库对局部磁化强度变化量进行比较分析，最终输出准确应力缺陷种类。

45、更具体地，所述s110步骤中的获取服役齿轮出现每一种不同缺陷种类时的局部磁化强度既定变化量并构建缺陷鉴别库，基于所述缺陷鉴别库对局部磁化强度变化量进行比较分析，最终输出准确缺陷种类，具体包括以下步骤：

46、通过大数据网络获取服役齿轮出现每一种不同应力缺陷种类时的局部磁化强度既定变化量，基于每一种所述局部磁化强度既定变化量构建缺陷鉴别库；

47、在缺陷鉴别库中逐一计算所述局部磁场强度变化量与每一种局部磁化强度既定变化量之间的吻合度，得到多个吻合度；

48、若吻合度小于预设吻合度，则排除该吻合度的局部磁化强度既定变化量对应的应力缺陷种类进入下一个局部磁化强度既定变化量的比较；

49、若吻合度大于预设吻合度，则保留该吻合度的局部磁化强度既定变化量对应的应力缺陷种类，标定为预备应力缺陷种类，最终获取所有预备应力缺陷种类；

50、创建降序排序表，根据吻合度在降序排序表中对所述所有预备应力缺陷种类进行降序排序，并提取出最大吻合度对应的预备应力缺陷种类，标定为准确应力缺陷种类，并将所述准确应力缺陷种类上传至齿轮检测维护终端。

51、本发明第二方面提供了基于磁记忆技术的齿轮缺陷智能检测系统，所述基于磁记忆技术的齿轮缺陷智能检测系统包括存储器与处理器，所述存储器中储存有基于磁记忆技术的齿轮缺陷智能检测方法程序，当所述基于磁记忆技术的齿轮缺陷智能检测方法程序被所述处理器执行时，实现任一项所述的基于磁记忆技术的齿轮缺陷智能检测方法步骤。

52、本发明解决了背景技术中存在的技术缺陷，本发明的有益技术效果在于：

53、根据实际磁通特征谱提取出概率值大于预设概率值的实际可疑磁通特征点，并在高位空间领域与低维空间领域对实际可疑磁通特征点进行概率分布计算，得到高维空间相似度分布以及低维空间相似度分布；基于所述高维空间相似度分布与低维空间相似度分布之间的kl散度在梯度下降法逐步调整每个实际可疑磁通特征点的位置参数，输出点位坐标值，通过所述点位坐标值分析服役齿轮是否存在异常服役；若服役齿轮为异常服役齿轮，则通过移动滑动窗口计算若干突变磁通信号，以绘制磁通线趋势分布图，识别分析所述磁通线趋势分布图，得到每个准漏磁磁通特征点在磁化过程中的实际磁畴结构；分析所述实际磁畴结构获取每个准漏磁磁通特征点的多个磁矩矢量变化量，基于强磁场的磁化强度对于正常服役齿轮的磁矩矢量的改变幅值与多个磁矩矢量变化量对服役齿轮的缺陷特征进行剖析，最终输出准确缺陷种类。本发明能够对基于磁记忆技术对齿轮的应力缺陷进行检测定位与识别，从而为齿轮的维护检修提供可靠的故障检测依据，提高齿轮使用与维护的精准性和可持续性。