国家知识产权局近日公布的信息显示，由呼伦贝尔学院、中国特种设备检测研究院、内蒙古大雁矿业集团有限责任公司第三煤矿联合申请的专利"一种行星齿轮箱的故障类型检测方法、系统、设备及介质"已获受理，公开号为CN121678182A，申请日期为2026年1月。这项创新成果代表了国内大型机械装备故障诊断领域的最新探索。 行星齿轮箱是油气钻井等大型装备中的关键传动部件，其运行状态直接关系到设备的安全性和生产效率。传统的故障诊断方法主要依靠人工经验和基础的信号处理技术，在复杂工况下容易受到背景噪声和动态干扰的影响，诊断精度难以保证。随着油气工业对安全生产要求的不断提高，开发更加精准、稳定的故障诊断技术成为行业的迫切需求。 该专利的创新之处在于采用了多层次、多模块的综合诊断框架。首先，通过采集行星齿轮箱的振动信号，利用最优广义S变换技术对原始信号进行处理，获取高质量的时频特征图。这个步骤能够将复杂的动态信号转化为易于分析的时频域表示，为后续特征提取奠定基础。 在此基础上，该方法引入时频增强模块，对时频特征图进行继续优化，突出故障的特征信息，削弱噪声干扰。增强后的时频特征图被输入卷积神经网络进行深度特征提取，卷积层逐级学习和提炼不同尺度的故障特征，形成多层次的特征表示。这种基于深度学习的特征提取方式相比传统手工特征设计具有更强的自适应能力。 特别值得关注的是，该专利在卷积特征图内构造样本对集合，通过特征度量模块计算一致性分数及度量损失，优化特征在高维空间中的分布。这一创新设计使得相同故障类型的样本在特征空间中聚集，不同故障类型的样本相互分离，为后续的故障分类创造了有利条件。 在故障分类阶段，将优化后的卷积特征图输入故障分类模块，获得各类故障的分类概率。系统计算分类交叉熵损失，并将其与度量损失融合为总损失函数，通过反向传播算法提升各个模块的参数，使整个诊断网络逐步趋向最优状态。这种端到端的训练方式确保了各模块之间的协调配合。 从应用价值看，该诊断方法具有显著的实用意义。一上，通过时频增强和特征度量的联合作用，有效抑制了复杂工况下的动态干扰，大幅提升了故障诊断的精准度。另一方面，基于深度学习框架的诊断系统具有更好的稳定性，能够在不同的运行工况和环境条件下保持一致的诊断性能。这对于油气行业的大型装备运维至关重要。 钻井安全生产是油气工业的首要任务。行星齿轮箱的突发故障可能导致钻井作业中断，甚至引发安全事故。及时、准确地诊断设备故障，有利于提前采取维护措施，避免计划外停机，降低生产成本。该专利技术的推广应用，将进一步强化油气装备的故障预防能力，为安全生产提供有力支撑。 有一点是，这项专利的申请涉及高校、科研机构和行业企业的三方合作。呼伦贝尔学院提供学科基础和人才支撑，中国特种设备检测研究院贡献专业技术知识，内蒙古大雁矿业集团第三煤矿提供实际应用场景和工程经验。这种产学研结合的模式，使得创新成果更加贴近实际需求，更具有转化潜力。
高端装备的安全运行离不开可靠的制造与维护体系，也需要面向复杂工况的诊断技术持续迭代。围绕行星齿轮箱等关键部件提升故障识别的精度与稳定性，有助于将风险识别前移、让维护决策更可落地。随着协同创新深入深化，贴近现场的技术验证与标准化应用将成为成果走向规模化落地的关键环节。