CN103344430A - 齿轮箱的故障诊断方法 - Google Patents
齿轮箱的故障诊断方法 Download PDFInfo
- Publication number
- CN103344430A CN103344430A CN2013102856905A CN201310285690A CN103344430A CN 103344430 A CN103344430 A CN 103344430A CN 2013102856905 A CN2013102856905 A CN 2013102856905A CN 201310285690 A CN201310285690 A CN 201310285690A CN 103344430 A CN103344430 A CN 103344430A
- Authority
- CN
- China
- Prior art keywords
- neural network
- gear case
- energy
- frequency bands
- kinds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机械故障检测技术领域,公开了一种齿轮箱的故障诊断方法,包括如下步骤:采集振动信号;分别对信号进行频谱分析,得到四种工作状态下采样信号的频谱图;计算多个频带的能量;将发明多个频带的能量作为神经网络的输入,得出神经网络的理想输出,发明理想输出与发明四种工作状态对应;将发明多个频带的数据在matlab中进行编程输出,当得到的目标输出与发明理想输出的结果一致时,确定诊断神经网络;采集待测齿轮箱的振动信号,输入至发明神经网络,得到发明齿轮箱信号采集时刻的工作状态。本发明利用BP神经网络对齿轮4种典型工作状况进行了训练学习并进行仿真分析,分析结果能正确分辨齿轮箱的故障。
Description
技术领域
本发明涉及机械故障检测技术领域,特别是一种齿轮箱的故障诊断方法。
背景技术
齿轮传动具有传动平稳、可靠、高效、高寿命、传动比精确、功率范围大等优点,但因结构较复杂,工作环境恶劣等,齿轮较易出现故障,从而导致整个系统出现故障。据有关文献统计,传动机械和旋转机械的故障中分别有80%和10%的故障是齿轮箱故障,随着设备系统的自动化、复杂化、大型化。齿轮的失效给整个工业生产和社会生活造成越来越大的损失,如对齿轮箱进行状态检测及故障诊断,可以从根本上改变齿轮箱事后维修和定期维修的现状,实现视情维修,从而降低事故发生率,减少人员伤亡及不必要的经济损失,创造更多的经济效益和社会效益。目前对齿轮箱故障诊断的方法有很多,如温度测量、油样分析、振动分析、声学测量分析等,温度测量法通过监测箱体处的温度来判断齿轮箱是否工作正常,对于润滑不良而引起的过热现象较敏感,但该方法不适用于齿轮点烛、断齿、裂纹等局部故障。油样分析是通过从齿轮箱润滑油中提取出油样,通过收集和分析油样中金属颗粒的大小和形状来判断齿轮工况和故障的方法,但这种方法易受其它非齿轮损坏下的颗粒的影响。
发明内容
本发明的目的是为了解决上述技术问题,提供一种齿轮箱的故障诊断方法,以期通过振动分析以及神经网络的学习原理,实现对齿轮箱的故障进行仿真分析。
本发明采取的技术方案是:
一种齿轮箱的故障诊断方法,其特征是,包括如下步骤:
第一步:采集齿轮箱正常、磨损、点蚀、断齿四种工作状态下的振动信号;
第二步:分别对所述四种振动信号进行频谱分析,通过傅里叶分解得到四种工作状态下采样信号的频谱图;
第三步:计算所述四种工作状态下采样信号在频谱图中多个频带的能量;
第四步:将所述多个频带的能量作为神经网络的输入,根据Kolmogorv定理得出神经网络的理想输出,所述理想输出与所述四种工作状态对应;
第五步:将所述多个频带的数据在matlab中进行编程输出,当得到的目标输出与所述理想输出的结果一致时,保存神经网络的权值和阈值,确定诊断神经网络;
第六步:采集待测齿轮箱的振动信号,输入至所述神经网络,根据所述神经网络的输出得到所述齿轮箱信号采集时刻的工作状态。
进一步,所述第三步中,将0HZ-2500HZ分为10个频带,每250HZ分成一段,分别计算各频带的能量,将各频带的能量进行归一化,将归一化的量作为第四步中的输入量,归一化的公式如下式所示:
本发明的有益效果是:
将频谱分析、神经网络融入齿轮故障诊断之中,设计齿轮箱故障的神经网络,并利用BP神经网络对齿轮4种典型工作状况(正常、磨损、点蚀、断齿)进行了训练学习并进行仿真分析,分析结果能正确分辨齿轮箱的故障。
附图说明
附图1为本发明的流程图。
具体实施方式
下面结合附图对本发明齿轮箱的故障诊断方法的具体实施方式作详细说明。
振动分析是通过安装在齿轮箱体适当位置的振动传感器采集齿轮箱的振动信号,通过分析该振动信号得到齿轮箱的工况。从适用性、实用性、准确性的角度来看,目前没有比振动分析法更好的齿轮箱故障诊断方法,因而这里对齿轮箱的振动信号进行分析,判断齿轮箱的运行状态正常与否,如果齿轮箱工作在故障状态,并判断出故障类型。BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别,因而对齿轮故障诊断是一种非常实用有效的方法。
参见附图1,齿轮箱的故障诊断方法,包括如下方法:
第一步:采集齿轮箱正常、磨损、点蚀、断齿四种工作状态下的振动信号(图中步骤S01)。
模拟齿轮箱的四种工作状态,并采集各种状态的振动信号作为参照信号。
第二步:分别对所述四种振动信号进行频谱分析,通过傅里叶分解得到四种工作状态下采样信号的频谱图(图中步骤S02)。
通过傅里叶分解得到信号的频率在0-3000HZ上的四中工作状态下采样信号的频谱图。
第三步:计算所述四种工作状态下采样信号在频谱图中多个频带的能量(图中步骤S03)。
将0HZ-2500HZ分为10个频带,每250HZ分成一段,分别计算各频带的能量,将各频带的能量进行归一化,将归一化的量作为第四步中的输入量,归一化的公式如下式所示:
第四步:将所述多个频带的能量作为神经网络的输入,根据Kolmogorv定理得出神经网络的理想输出,所述理想输出与所述四种工作状态对应(图中步骤S04)。
这里将十个频带的能量数据作为神经网络的输入,来确定齿轮箱的四中工作状态,由Kolmogorv定理可知隐层数。确定BP网络采用10-7-4三层结构。网络的输出要求能判断齿轮箱的工作状态。
第五步:将所述多个频带的数据在matlab中进行编程输出,当得到的目标输出与所述理想输出的结果一致时,保存神经网络的权值和阈值,确定诊断神经网络(图中步骤S05)。
第六步:采集待测齿轮箱的振动信号,输入至所述神经网络,根据所述神经网络的输出得到所述齿轮箱信号采集时刻的工作状态(图中步骤S06)。
下面通过一个实例数据进行说明,这里对某一齿轮箱的振动信号进行采集分析,均以采样点为4096,模拟齿轮箱四种工作状态,然后分别采集对应工作状态下的振动信号,经过相应的处理得到如下的数据,即神经网络的输入数据。
神经网络的输入数据如下表所示:
BP神经网络采用10-7-4三层网络。
在Matlab中进行编程仿真实现诊断,最终的诊断输出如下式所示。
实际诊断输出
可以看到网络输出的诊断结果与实际的运行状态完全一致。上述训练得到神经网络各层神经元的权值和阀值将其保存。该诊断网络即形成,以后只需采集齿轮箱的振动信号,然后按照上述的方法进行处理后得到的数据输入该神经网络,输出结果即可告知工作人员齿轮箱信号采集时刻的运行状态。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种齿轮箱的故障诊断方法,其特征在于:包括如下步骤:
第一步:采集齿轮箱正常、磨损、点蚀、断齿四种工作状态下的振动信号;
第二步:分别对所述四种振动信号进行频谱分析,通过傅里叶分解得到四种工作状态下采样信号的频谱图;
第三步:计算所述四种工作状态下采样信号在频谱图中多个频带的能量;
第四步:将所述多个频带的能量作为神经网络的输入,根据Kolmogorv定理得出神经网络的理想输出,所述理想输出与所述四种工作状态对应;
第五步:将所述多个频带的数据在matlab中进行编程输出,当得到的目标输出与所述理想输出的结果一致时,保存神经网络的权值和阈值,确定诊断神经网络;
第六步:采集待测齿轮箱的振动信号,输入至所述神经网络,根据所述神经网络的输出得到所述齿轮箱信号采集时刻的工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102856905A CN103344430A (zh) | 2013-07-09 | 2013-07-09 | 齿轮箱的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102856905A CN103344430A (zh) | 2013-07-09 | 2013-07-09 | 齿轮箱的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103344430A true CN103344430A (zh) | 2013-10-09 |
Family
ID=49279244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102856905A Pending CN103344430A (zh) | 2013-07-09 | 2013-07-09 | 齿轮箱的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103344430A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994199A (zh) * | 2014-05-27 | 2014-08-20 | 中能电力科技开发有限公司 | 基于状态监测的齿轮箱维护时间确定方法 |
CN104568433A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 一种齿轮间隙磨损判别方法 |
CN104820756A (zh) * | 2015-05-18 | 2015-08-05 | 东北大学 | 一种考虑延长啮合的裂纹齿轮转子系统动力参数确定方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109102001A (zh) * | 2018-07-16 | 2018-12-28 | 东南大学 | 一种遗传基因改进神经网络的转子在线故障诊断方法 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
WO2022036689A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Method for fault diagnosis using a fault diagnosis model trained by virtual data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN102425661A (zh) * | 2011-11-04 | 2012-04-25 | 上海电机学院 | 一种齿轮箱状态监测与故障分析方法及装置 |
-
2013
- 2013-07-09 CN CN2013102856905A patent/CN103344430A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN102425661A (zh) * | 2011-11-04 | 2012-04-25 | 上海电机学院 | 一种齿轮箱状态监测与故障分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
卢卫萍: "基于小波神经网络的齿轮箱故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》, no. 07, 15 July 2010 (2010-07-15) * |
门吉芳: "基于粒子滤波降噪技术的齿轮箱故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 05, 15 May 2011 (2011-05-15) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994199B (zh) * | 2014-05-27 | 2016-06-01 | 中能电力科技开发有限公司 | 基于状态监测的齿轮箱维护时间确定方法 |
CN103994199A (zh) * | 2014-05-27 | 2014-08-20 | 中能电力科技开发有限公司 | 基于状态监测的齿轮箱维护时间确定方法 |
CN104568433A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 一种齿轮间隙磨损判别方法 |
CN104568433B (zh) * | 2015-01-19 | 2017-06-09 | 上海交通大学 | 一种齿轮间隙磨损判别方法 |
CN104820756B (zh) * | 2015-05-18 | 2017-12-05 | 东北大学 | 一种考虑延长啮合的裂纹齿轮转子系统动力参数确定方法 |
CN104820756A (zh) * | 2015-05-18 | 2015-08-05 | 东北大学 | 一种考虑延长啮合的裂纹齿轮转子系统动力参数确定方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN105787561B (zh) * | 2016-03-22 | 2019-04-30 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN110646202B (zh) * | 2018-06-08 | 2021-09-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN109102001A (zh) * | 2018-07-16 | 2018-12-28 | 东南大学 | 一种遗传基因改进神经网络的转子在线故障诊断方法 |
WO2022036689A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Method for fault diagnosis using a fault diagnosis model trained by virtual data |
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103344430A (zh) | 齿轮箱的故障诊断方法 | |
Crabtree et al. | Detecting incipient wind turbine gearbox failure: a signal analysis method for on-line condition monitoring | |
CN104048825B (zh) | 一种多传感器融合的风电机组齿轮箱故障定位方法 | |
CN103439109B (zh) | 一种风力发电机组传动系统故障预警的方法 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
US8380447B2 (en) | Quantification of condition indicators in the presence of synchronous noise | |
CN102519726B (zh) | 一种针对滚动轴承复合故障的声学诊断方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及系统 | |
CN105716857A (zh) | 一种行星齿轮箱健康状态评估方法 | |
CN107576488A (zh) | 一种采用振动算法对设备运行状态进行监测诊断的方法 | |
CN103454113A (zh) | 一种适用于工况变化情况下的旋转机械健康监测方法 | |
CN103411774A (zh) | 波动工况下的风电机组在线预警方法 | |
CN103940608A (zh) | 一种提高风电机组齿轮箱故障等级判断精度的方法 | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
CN103969069A (zh) | 机械设备工况监测与故障诊断方法 | |
CN104296714A (zh) | 一种涡轮凹腔叶片叶尖间隙测量方法 | |
CN106845049A (zh) | 一种旋转机械设备故障诊断中故障程度计算方法 | |
CN103940611A (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
US20240053225A1 (en) | Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN203337654U (zh) | 海上风电机组齿轮箱油液状态的在线监测装置 | |
CN202947989U (zh) | 螺旋电极电容传感器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131009 |