CN104502099A - 齿轮箱瞬变工况特征分量循频提取方法 - Google Patents
齿轮箱瞬变工况特征分量循频提取方法 Download PDFInfo
- Publication number
- CN104502099A CN104502099A CN201510026664.XA CN201510026664A CN104502099A CN 104502099 A CN104502099 A CN 104502099A CN 201510026664 A CN201510026664 A CN 201510026664A CN 104502099 A CN104502099 A CN 104502099A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- interval
- multiple dimensioned
- frft
- 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.)
- Granted
Links
Abstract
本发明公开了一种齿轮箱瞬变工况特征分量循频提取方法。本发明以原始采样间隔对特征分量频率曲线插值,在多尺度区间内对插值后频率曲线进行拟合确定线性调频基函数,计算各区间内振动信号对该基函数的投影系数,逐尺度搜索投影系数确定线性分段路径,按照该路径将频率呈曲线任意变化的振动信号自适应分段成若干尺度不同的频率近线性变化的信号段;对各段频率曲线进行最小二乘拟合,确定计算FRFT滤波阶次和滤波中心参数,根据该参数对各段信号依次进行FRFT单阶滤波,再顺序连接滤波信号,从而循频提取出频率呈曲线变化的特征分量。本发明方法能自适应地循频提取出特征分量,提取过程能有效剥离其他分量和噪声干扰,对提取后特征分量进行细致分析,能更准确诊断出齿轮箱早期微弱故障。
Description
技术领域
本发明涉及齿轮箱状态监测与诊断领域,更具体的说,是涉及一种瞬变工况下频率呈曲线变化的特征分量提取方法。
背景技术
齿轮箱在工程传动领域被广泛应用,其状态的好坏直接影响机械设备的正常运转,甚至造成更大的经济损失,采用有效方法对齿轮箱进行状态监测,并及时诊断出早期微弱故障,对减少经济损失,维持设备高效运行,具有十分重要的现实意义,也是研究的热点和难点问题。
齿轮箱早期故障之所以难以诊断,一是特征微弱,稳态运行时不易暴露;二是在加速、减速和加减速等瞬变工况下,更容易暴露微弱特征,但此时振动信号频率呈曲线变化,其他干扰也更强,需要有效的方法将包含故障信息的特征分量从干扰中剥离出来,尽量减少其他干扰的影响,才更有希望提取到暴露出的早期故障微弱特征。
由于瞬变工况下信号频率呈曲线变化,经典滤波器不能处理此类非平稳信号,自适应滤波器需要输入参考信号进行滤波,基于稀疏信号分解的自适应时变滤波器能有效滤波,但根据振动信号估计中心频率时计算量过大,需要选择合适的滤波器并设计其参数。基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)的单阶自适应滤波,计算速度快,不需要选择和设置复杂滤波器,对多分量线性调频(LFM)信号有很好的滤波效果,对频率呈曲线变化的信号,需要进行多阶FRFT自适应滤波,即在不同的分数阶域对频率呈曲线信号进行多次单阶FRFT滤波,就能完成对频率呈曲线变化信号的准确滤波,但需要准确确定多个分数阶域滤波阶次和滤波中心参数。FRFT滤波原理及存在的问题:
1.FRFT滤波原理
分数阶傅里叶变换可以解释为信号在时频平面内绕原点旋转一定角度后所构成的分数阶域上的表示,设两分量LFM信号的时频分布如图1所示,其中一个LFM分量的时频分布与时间轴的夹角为β,只要分数阶傅里叶变换的旋转角度α与β正交,则该LFM分量在分数阶傅里叶域上就应该聚集在u0一点上,以分数阶域聚集点u0为中心做窄带滤波,再进行-α角度旋转,就实现了LFM分量的单阶FRFT滤波,此时的α为FRFT变换最佳角度,p=2α/π为最佳阶次。该过程相当于一个开环的自适应窄带通时频滤波器,其中心频率跟随LFM信号的瞬时频率做线性变化,实现了对信号的自适应滤波。不需要选择和设置复杂的滤波器及参数,对多分量LFM信号分离非常有效。
实际上,需要处理的信号往往不会是理想的纯线性调频信号,只要瞬时频率值在时频面上的某一线段(将该线段作为基准轴线)方向上变化缓慢,就可以找到信号相对集中的分数阶域,就能实现单阶FRFT自适应滤波。
图2中两个分量的频率都呈曲线变化,只旋转一个角度的单阶FRFT自适应滤波失效。多阶FRFT自适应滤波,通过依次旋转多个角度α1,α2,…,α4,在多个分数阶域u1,u2,…,u4上以u01,u02,…,u04为中心滤波,理论上可以分离图2所示信号,但确定合适的α1,α2,…,α4和u01,u02,…,u04参数是关键。
2.多阶FRFT滤波存在问题
(1)多阶FRFT滤波要求进行不同阶次的单阶FRFT滤波时,各段信号频率要近似线性变化,因此,对频率呈曲线任意变化的信号,需要有效的方法能自适应地将信号分成若干近似线性调频信号段,而且分段数尽量少;
(2)要准确确定各段单阶FRFT滤波的参数(p0,u0),只有p0准确,才能保证目标分量在该阶次的分数阶域上具有最好的聚集性,只有u0准确,才能准确滤波分离目标分量,隔离其他分量。
目前,常用的FRFT滤波参数确定方法是通过搜索振动信号的FRFT幅值谱峰值确定(p0,u0),如图3所示,根据该参数对图1中的分量能进行有效的滤波。但如图4所示的信号频率呈曲线变化,信号会在多个分数阶域呈现聚集性,从而在FRFT幅值谱中形成多个峰值,如图5所示,很难确定哪个峰值是哪段信号聚集形成的,当信号中存在多个频率呈曲线变化分量时,如图6所示,FRFT幅值谱中峰值会更加复杂,如图7所示,因此难以根据峰值搜索确定频率呈曲线变化信号的各段信号FRFT滤波阶次和滤波中心。
从上述分析可以看出,与传统滤波相比,FRFT滤波具有许多令人青睐的优点,理论上对频率呈曲线变化分量的滤波提取具有独特的优势。但目前,在曲线自适应分段和FRFT滤波参数确定上,需要有效、准确的方法才能实现。
发明内容
本发明的目的在于克服上述技术的不足,提供一种齿轮箱瞬变工况特征分量循频提取方法,对任一频率呈曲线变化信号,都能根据特征分量频率曲线变化特征,自适应循频提取包含故障信息的特征分量,剥离其他分量和噪声干扰,对提取后的信号进行细致分析,更能准确识别齿轮箱早期微弱故障。
本发明为实现上述目的,采用以下技术方案:
根据信号点数划分多尺度区间,以原始采样间隔对特征分量频率曲线插值,在多尺度区间内对插值后频率曲线进行拟合确定线性调频基函数,计算各多尺度区间内振动信号对该基函数的投影系数,逐尺度搜索投影系数确定线性多尺度分段路径,按照该路径将频率呈曲线任意变化的振动信号自适应分段成若干尺度不同的频率近线性变化的信号段;对各段频率曲线进行最小二乘拟合,确定FRFT滤波阶次和滤波中心参数,根据该参数对各段信号依次进行FRFT单阶滤波,再顺序连接滤波信号,循频提取出频率呈曲线变化的特征分量;具体步骤如下:
(1)在齿轮箱与输入轴相邻安装转速传感器,在输出轴轴承座径向壳体上安装振动传感器,同步采集齿轮箱加速、减速或加减速过程转速脉冲R(t)和振动信号X(t),采用频率为Fs,数据长度为N;
(2)根据转速脉冲信号R(t),计算特征分量的频率曲线;
(3)划分多尺度区间I,I=[kN2-j~(k+1)N2-j],其中j:为分析尺度系数,j=0,1,…,log2N-n;N为信号采样点数,要求N为2的整数次方,n为尺度调整参数,为了使尺度不能过小,应该适当调整参数n,k=1,…,2j,表示某个尺度系数下区间序号;
(4)以原始采样间隔Δt=1/Fs对特征分量频率曲线数据进行插值,插值后特征分量频率曲线长度为N;
(5)在某个多尺度区间Ii(i=1,2,…,NI,NI为多尺度区间总数)内的特征分量频率曲线进行最小二乘拟合,得到频率函数a、2b为频偏和斜率,定义该频率函数对应线性调频基函数 其中为归一化系数,使得 多尺度区间Ii内的振动信号为计算对的投影系数全部多尺度区间的投影系数集合为βI;
(6)采用逐尺度搜索方法,从βI内搜索出一条多尺度路径,使得该路径下的投影系数之和为最大,即: ∏覆盖整个信号时间范围且不重叠;
(7)按照搜索出的多尺度路径,对振动信号X(t)进行多尺度分段,分段信号为Xi(t),i=1,2,…Ns,Ns为多尺度路径下尺度区间总数;
(8)根据各个分段内确定投影系数时的拟合频率函数计算各分段的FRFT滤波阶次计算各分段FRFT滤波中心 S为离散尺度归一化因子;
(9)根据Xi(t)的滤波参数对Xi(t)进行FRFT滤波,滤波后信号Xi′(t);
(10)顺序连接分段内的滤波后信号Xi′(t),提取到齿轮箱瞬变工况下频率呈曲线变化的特征分量。
说明:此方法中的特征分量是指包含故障信息的分量。根据齿轮箱故障诊断理论,当分析齿轮故障时,故障信息包含在对应的啮合频率分量中;当分析轴承故障时,故障信息包含在对应的特征频率分量中;如果需要提取某个特征分量,只需提供该分量对应的频率变化曲线,本方法就能循频提取该特征分量。
有益效果:齿轮箱早期故障特征微弱,在加速、减速和加减速瞬变工况下更容易暴露微弱故障特征,但信号频率呈曲线变化,其他分量和噪声干扰更强,难以提取被暴露出的微弱特征。本发明提出的齿轮箱瞬变工况特征分量循频提取方法,对瞬变工况下频率呈曲线任意变化信号,根据目标特征分量的频率曲线,都能自适应地循频提取出特征分量,并很好地保持信号的频率特征和幅值特征;提取过程能有效剥离其他分量和噪声干扰,对提取后特征分量进行细致分析,能更准确诊断出齿轮箱早期微弱故障;该方法计算速度快、精度高,不需要人工反复设置参数,不受振源和多分量数量影响,对齿轮箱瞬变工况下早期故障诊断具有重要意义,为其他设备频率呈曲线变化分量提取提供了一种新的有效途径。
当现场没有同步采集转速信号时,采用其他方法估计出目标分量的瞬时频率曲线,采用本方法同样能提取目标特征分量。因此,只要有目标分量的频率曲线,本方法就能实现特征分量循频提取。
附图说明
图1多分量LFM信号;
图2频率呈曲线变化的多分量信号;
图3峰值搜索确定p和u;
图4频率呈曲线变化的单分量信号;
图5频率呈曲线变化的单分量信号FRFT幅值谱;
图6频率呈曲线变化的多分量信号;
图7频率呈曲线变化的多分量信号FRFT幅值谱;
图8多尺度区间划分;
图9原采样间隔插值转频曲线;
图10多尺度区间投影系数矩阵集合βI;
图11搜索标示集合CI;
图12搜索标示集合CI;
图13多尺度路径搜素结果示意图;
图14分数阶域聚集位置计算;
图15实验装置;
图16转频及各档位啮合频率曲线;
图17振动信号时频图;
图18线性多尺度分段;
图19提取分量时频图;
图20原始信号阶次包络谱;
图21提取分量阶次包络谱。
具体实施方式
下面结合较佳实例详细说明本发明的具体实施方式,详见附图。
首先研究线性多尺度划分方法,将频率呈曲线任意变化信号自适应分段成若干尺度不同的频率近线性变化的信号段,且分段数较少;然后,研究根据频率曲线拟合计算FRFT滤波参数方法,快速、准确确定各段信号的FRFT滤波阶次和滤波中心参数,根据该参数对各段信号依次进行FRFT单阶滤波,再顺序连接滤波信号,从而提取出频率呈曲线变化的特征分量。
本算法包括两个关键技术:线性多尺度分段和FRFT滤波参数计算,下面详细介绍两方法原理:
1.线性多尺度分段
(1)多尺度区间划分
设为I为多尺度区间,I=[kN2-j~(k+1)N2-j],其中j:为分析尺度系数,j=0,1,…,log2N-n;N为信号采样点数,要求N为2的整数次方,n为尺度调整参数,为了使尺度不能过小,应该适当调整参数n,k=1,…,2j,表示某个尺度系数下区间序号,多尺度区间划分示意图如图8所示。
(2)原始采样间隔插值频率曲线
齿轮箱同步采集的振动信号、转速脉冲信号及根据脉冲信号计算的转频曲线如图9所示。振动信号、转速脉冲信号数据点数为N,采样频率为Fs,输入轴每一转对应一个脉冲,转频曲线数据点数为N′,与N不同,无法将转频曲线与振动信号同步进行多尺度区间划分;当多尺度区间的长度小于脉冲间隔时,无法满足步骤(3)的最小二乘拟合条件。为此,本专利提出以原始采样间隔Δt=1/Fs对转频曲线数据进行插值,插值后转频曲线长度为N,并且在小尺度区间内有足够的数据点数供步骤(3)进行精确拟合。
(3)频率拟合确定投影系数
在某个多尺度区间Ii(i=1,2,…,NI,NI为多尺度区间总数)内的转频曲线进行最小二乘拟合,得到频率函数a、2b为频偏和斜率,定义该频率函数对应线性调频基函数其中为归一化系数,使得多尺度区间Ii内的振动信号为根据信号处理理论,对基函数的投影系数为:
反应了振动信号与基函数的相似程度。多尺度区间内振动信号越近似线性调频信号,投影系数的值越大,反之越小。按照公式(1)计算全部多尺度区间内的投影系数βI。
(4)逐尺度搜索确定线性多尺度分段
为了找到与信号频率曲线变化最为贴近的多尺度分段方案,需要从全部的投影系数βI内搜索出一条多尺度路径,使得该路径下的投影系数之和为最大,即:
∏覆盖整个信号时间范围且不重叠。
本专利研究一种逐尺度搜索方法,实现上述路径搜索。具体原理如下:多尺度区间投影系数矩阵集合βI如图10所示,构建路径搜索标识集合CI,将CI最底层初始化为2,如图11所示。从βI最底层尺度开始,令βL=βI,j,k+βI,j,k+1,βH=βI,j-1,(k+1)/2,βI,j,k表示j尺度下的第k个区间的投影系数;如果βH<βL,则βI,j-1,(k+1)/2=βL;如果βH>βL,令CI,j-1,(k+1)/2=2,并令βI,j-1,(k+1)/2对应的时间范围内所有下层尺度的CI,j,k=1,CI,j,k表示j尺度下的第k个区间的搜索标识,如图12所示;根据此方法按照尺度由小到大进行搜索;搜索中j=[log2N-n,:-1:1],k=[1:2:2j-1],表达式d=[d1:Δd:d2]表示变量d从d1按照间隔Δd变化到d2,最后所有CI,j,k=2的多尺度区间组合就是与信号最贴近的多尺度路径;按照该多尺度路径对振动信号进行分段,即完成了频率呈曲线变化信号的线性多尺度分段。
采用逐尺度搜索方法,对某一频率呈曲线变化信号进行线性多尺度分段,结果如图13所示,可以看出本分段方法能很好贴近频率曲线变化特征进行多尺度分段,频率变化复杂时采用小尺度区间分段,频率变化缓慢时采用大尺度区间分段,既使各分段内的信号频率近似线性调频信号,又使分段数量较少,而且对于任一频率呈曲线变化信号,本分段方法不需要重新调整参数,都能自适应地完成多尺度分段,具有很好的工程实用性和较高的现场分析效率,完全满足多阶FRFT滤波要求。
2.频率拟合确定FRFT滤波参数
(1)FRFT滤波阶次计算
基于搜索思想确定FRFT阶次,计算量大,精度受其他分量和噪声影响,尤其在分析多分量频率呈曲线变化信号时,难以准确确定多阶FRFT滤波的各个阶次。
从图1可以看出,采用FRFT滤波分离线性调频信号分量,关键在于准确确定最佳阶次和分数阶域聚集位置两个参数。图1中最佳角度α、FRFT最佳阶次p与调频率μ0有如下关系:
β=arctan(μ0)
针对搜索方法确定阶次存在的问题,结合公式(3),本专利采用一种根据频率曲线准确计算FRFT阶次的方法。原理是:按照线性多尺度分段结果,根据各个分段内确定投影系数时的拟合频率函数计算各分段的FRFT滤波阶次由于转速信号不受任何振源和噪声干扰,通过拟合频率计算FRFT最佳阶次精度高、速度快、鲁棒性好。
(2)FRFT滤波中心计算
分数阶域滤波中心为信号在分数阶域上的聚集位置u0,通常需要人为观察信号在FRFT幅值谱中的能量聚集情况来确定,缺乏理论参考,加上噪声和其他分量的影响,容易错判滤波中心,导致滤波结果不正确或不准确。本专利从理论上推导了u0的计算方法:
设某个尺度区间的频率分量fi在离散尺度归一化坐标下的频偏为f0i,在其最佳分数阶域ui上的聚集位置为u0i',如图14所示,则
u0i'=f0i cos(β)
(4)
β=arctan(μ0i)
式(4)中的u0i'是以o'=t/2为坐标原点的归一化后的结果,需要进行反归一化,得到以o为坐标原点的聚集位置u0i
u0i=t/2-u0i'S (5)
其中S为离散尺度归一化因子。
理论计算的分数阶域聚集位置,能准确定位FRFT滤波中心,无论分量在FRFT幅值谱中能量强弱,都能根据该中心实现准确的带通滤波,是实现多分量频率呈曲线变化信号多阶FRFT滤波的关键。
根据以上方法确定FRFT滤波阶次和滤波中心,对线性多尺度分段后的各个振动信号段进行FRFT滤波,再顺序连接滤波结果,就实现了频率呈曲线变化信号的多阶FRFT滤波。
综上所述,齿轮箱瞬变工况特征分量循频提取方法的具体实现步骤如下:
(1)在齿轮箱在输入轴附近安装霍尔传感器,在输出轴轴承座径向壳体上安装压电式加速度振动传感器,同步采集齿轮箱加速、减速或加减速过程转速脉冲R(t)和振动信号X(t),采用频率为Fs,数据长度为N;
(2)根据转速脉冲信号R(t),计算特征分量的频率曲线;
(3)划分多尺度区间I,I=[kN2-j~(k+1)N2-j],其中j:为分析尺度系数,j=0,1,…,log2N-n;N为信号采样点数,要求N为2的整数次方,n为尺度调整参数,为了使尺度不能过小,应该适当调整参数n,k=1,…,2j,表示某个尺度系数下区间序号;
(4)以原始采样间隔Δt=1/Fs对特征分量频率曲线数据进行插值,插值后特征分量频率曲线长度为N;
(5)在某个多尺度区间Ii(i=1,2,…,NI,NI为多尺度区间总数)内的特征分量频率曲线进行最小二乘拟合,得到频率函数a、2b为频偏和斜率,定义该频率函数对应线性调频基函数 其中为归一化系数,使得 多尺度区间Ii内的振动信号为计算对的投影系数全部多尺度区间的投影系数集合为βI;
(6)采用逐尺度搜索方法,从βI内搜索出一条多尺度路径,使得该路径下的投影系数之和为最大,即: ∏覆盖整个信号时间范围且不重叠;
(7)按照搜索出的多尺度路径,对振动信号X(t)进行多尺度分段,分段信号为Xi(t),i=1,2,…Ns,Ns为多尺度路径下尺度区间总数;
(8)根据各个分段内确定投影系数时的拟合频率函数计算各分段的FRFT滤波阶次计算各分段FRFT滤波中心 S为离散尺度归一化因子;
(9)根据Xi(t)的滤波参数对Xi(t)进行FRFT滤波,滤波后信号Xi′(t);
(10)顺序连接分段内的滤波后信号Xi′(t),提取到齿轮箱瞬变工况下频率呈曲线变化的特征分量。
实施例:变速器是齿轮箱的一种典型应用,以BJ2020S变速器加减速过程下二档啮合频率分量提取与早期故障诊断为例说明具体实现方式。实验对象为BJ2020S变速器二档齿轮,试验装置构成如图15所示。电动机模拟发动机驱动变速器,发电机模拟负载。采用电火花在输出轴二档齿轮上加工坑点模拟早期剥落故障,以输入轴为参考轴,该齿轮故障特征阶次为0.43。同步采集加减速瞬变工况的转速信号和振动信号,采样频率40kHz,采样时间3.2876s。
转频及1-4档的啮合频率fh,h=0,1,2,3,4如图16所示,各频率呈曲线变化,传统的时域或频域滤波都不能提取某个档位的啮合频率分量;振动信号的Gabor时频图如图17所示,时频图中峰值突出的是二档啮合频率分量,同时还包含了其他分量和噪声。采用本发明方法进行分析,二档啮合频率分量的线性多尺度分段结果如图18所示,可以看出该方法根据频率曲线变化特征划分多尺度区间,在频率变化复杂部分采用小尺度区间,在频率变化简单部分采用大尺度区间,各分段内频率都近似线性变化;按照线性多尺度分段结果,采用频率拟合确定FRFT滤波参数方法,确定各段信号的滤波参数,并进行FRFT滤波,提取出二档啮合频率分量,其Gabor时频图如图19所示,提取出的二档啮合频率分量很好地保持了信号的频率特征和幅值特征,证明本方法准确、有效地提取出了变速器瞬变工况下的特征分量。
对原始振动信号进行阶次包络分析,结果如图20所示,在故障特征阶次0.43处,没有出现明显峰值,无法判断二档输出轴齿轮存在早期剥落故障,说明早期剥落微弱故障特征被其他分量和噪声淹没,难以提取;对本方法提取出的二档啮合频率分量进行阶次包络解调分析,结果如图21所示,在0.4286处有突出峰值,与理论故障特征阶次0.43一致,有效诊断出二档输出轴齿轮的早期剥落故障,说明本发明的特征分量提取方法有效剥离了其他分量和噪声干扰,对提取后的分量进行细致分量,更能准确诊断变速器早期微弱故障。
本发明对齿轮箱早期故障准确诊断具有重要意义,为其他设备的频率呈曲线变化分量提取提供了一种新的有效途径。
以上所述,仅是本发明的较佳实施例而已,并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明的技术方案的范围内。
Claims (2)
1.一种齿轮箱瞬变工况特征分量循频提取方法,其特征是:根据信号点数划分多尺度区间,以原始采样间隔对特征分量频率曲线插值,在多尺度区间内对插值后频率曲线进行拟合确定线性调频基函数,计算各多尺度区间内振动信号对该基函数的投影系数,逐尺度搜索投影系数确定线性多尺度分段路径,按照该路径将频率呈曲线任意变化的振动信号自适应分段成若干尺度不同的频率近线性变化的信号段;对各段频率曲线进行最小二乘拟合,确定计算FRFT滤波阶次和滤波中心参数,根据该参数对各段信号依次进行FRFT单阶滤波,再顺序连接滤波信号,循频提取出频率呈曲线变化的特征分量;具体步骤如下:
(1)在齿轮箱与输入轴相邻安装转速传感器,在输出轴轴承座径向壳体上安装振动传感器,同步采集齿轮箱加速、减速或加减速过程转速脉冲R(t)和振动信号X(t),采用频率为Fs,数据长度为N;
(2)根据转速脉冲信号R(t),计算特征分量的频率曲线;
(3)划分多尺度区间I,I=[kN2-j~(k+1)N2-j],其中j:为分析尺度系数,j=0,1,…,log2N-n;N为信号采样点数,要求N为2的整数次方,n为尺度调整参数,为了使尺度不能过小,应该适当调整参数n,k=1,…,2j,表示某个尺度系数下区间序号;
(4)以原始采样间隔Δt=1/Fs对特征分量频率曲线数据进行插值,插值后特征分量频率曲线长度为N;
(5)在某个多尺度区间Ii(i=1,2,…,NI,NI为多尺度区间总数)内的特征分量频率曲线进行最小二乘拟合,得到频率函数a、2b为频偏和斜率,定义该频率函数对应线性调频基函数其中为归一化系数,使得多尺度区间Ii内的振动信号为计算对的投影系数全部多尺度区间的投影系数集合为βI;
(6)采用逐尺度搜索方法,从βI内搜索出一条多尺度路径,使得该路径下的投影系数之和为最大,即:∏={I1,I2,…}∈{I},∏覆盖整个信号时间范围且不重叠;
(7)按照搜索出的多尺度路径,对振动信号X(t)进行多尺度分段,分段信号为Xi(t),i=1,2,…Ns,Ns为多尺度路径下尺度区间总数;
(8)根据各个分段内确定投影系数时的拟合频率函数计算各分段的FRFT滤波阶次计算各分段FRFT滤波中心 S为离散尺度归一化因子;
(9)根据Xi(t)的滤波参数对Xi(t)进行FRFT滤波,滤波后信号Xi′(t);
(10)顺序连接分段内的滤波后信号Xi′(t),提取到齿轮箱瞬变工况下频率呈曲线变化的特征分量。
2.根据权利要求1所述的齿轮箱瞬变工况特征分量循频提取方法,其特征是:所述转速传感器为霍尔传感器;振动传感器为压电式加速度传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510026664.XA CN104502099B (zh) | 2015-01-20 | 2015-01-20 | 齿轮箱瞬变工况特征分量循频提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510026664.XA CN104502099B (zh) | 2015-01-20 | 2015-01-20 | 齿轮箱瞬变工况特征分量循频提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104502099A true CN104502099A (zh) | 2015-04-08 |
CN104502099B CN104502099B (zh) | 2017-05-17 |
Family
ID=52943519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510026664.XA Active CN104502099B (zh) | 2015-01-20 | 2015-01-20 | 齿轮箱瞬变工况特征分量循频提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104502099B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398362A (zh) * | 2018-04-19 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种机器人rv减速器故障诊断和定位方法 |
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 |
CN112179638A (zh) * | 2020-09-28 | 2021-01-05 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
CN112345238A (zh) * | 2020-10-29 | 2021-02-09 | 上海电气风电集团股份有限公司 | 齿轮箱振动监控方法及其系统及计算机可读存储介质 |
CN112345250A (zh) * | 2020-10-29 | 2021-02-09 | 上海电气风电集团股份有限公司 | 轴承振动监控方法及其系统及计算机可读存储介质 |
CN112362343A (zh) * | 2020-10-28 | 2021-02-12 | 华南理工大学 | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 |
CN112485028A (zh) * | 2019-09-12 | 2021-03-12 | 上海三菱电梯有限公司 | 振动信号的特征频谱提取方法及机械故障诊断分析方法 |
CN112629850A (zh) * | 2020-12-06 | 2021-04-09 | 北京工业大学 | 一种变转速行星齿轮箱故障诊断方法 |
CN112633044A (zh) * | 2019-10-09 | 2021-04-09 | 株式会社理光 | 一种信号处理方法、装置及介质 |
CN114060509A (zh) * | 2020-08-04 | 2022-02-18 | 丰田自动车株式会社 | 异常判定装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10119209A1 (de) * | 2000-04-20 | 2001-10-25 | Rion Co | Fehlerdiagnoseverfahren und -vorrichtung |
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
KR20120011474A (ko) * | 2010-07-29 | 2012-02-08 | 현대 파워텍 주식회사 | 기어 결함 검출 장치 |
CN102607845A (zh) * | 2012-03-05 | 2012-07-25 | 北京工业大学 | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 |
CN103837345A (zh) * | 2014-03-25 | 2014-06-04 | 上海电机学院 | 齿轮箱故障诊断方法及装置 |
-
2015
- 2015-01-20 CN CN201510026664.XA patent/CN104502099B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10119209A1 (de) * | 2000-04-20 | 2001-10-25 | Rion Co | Fehlerdiagnoseverfahren und -vorrichtung |
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
KR20120011474A (ko) * | 2010-07-29 | 2012-02-08 | 현대 파워텍 주식회사 | 기어 결함 검출 장치 |
CN102607845A (zh) * | 2012-03-05 | 2012-07-25 | 北京工业大学 | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 |
CN103837345A (zh) * | 2014-03-25 | 2014-06-04 | 上海电机学院 | 齿轮箱故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨青乐 等: ""基于FRFT滤波的轴承微弱故障特征提取"", 《军事交通学院学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398362A (zh) * | 2018-04-19 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种机器人rv减速器故障诊断和定位方法 |
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 |
CN112485028A (zh) * | 2019-09-12 | 2021-03-12 | 上海三菱电梯有限公司 | 振动信号的特征频谱提取方法及机械故障诊断分析方法 |
CN112485028B (zh) * | 2019-09-12 | 2023-06-02 | 上海三菱电梯有限公司 | 振动信号的特征频谱提取方法及机械故障诊断分析方法 |
CN112633044A (zh) * | 2019-10-09 | 2021-04-09 | 株式会社理光 | 一种信号处理方法、装置及介质 |
CN114060509A (zh) * | 2020-08-04 | 2022-02-18 | 丰田自动车株式会社 | 异常判定装置 |
CN112179638A (zh) * | 2020-09-28 | 2021-01-05 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
CN112179638B (zh) * | 2020-09-28 | 2021-09-17 | 大连圣力来监测技术有限公司 | 一种用于旋转设备同步采样的多频率分辨率分析方法 |
CN112362343A (zh) * | 2020-10-28 | 2021-02-12 | 华南理工大学 | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 |
CN112345250A (zh) * | 2020-10-29 | 2021-02-09 | 上海电气风电集团股份有限公司 | 轴承振动监控方法及其系统及计算机可读存储介质 |
CN112345238A (zh) * | 2020-10-29 | 2021-02-09 | 上海电气风电集团股份有限公司 | 齿轮箱振动监控方法及其系统及计算机可读存储介质 |
CN112629850A (zh) * | 2020-12-06 | 2021-04-09 | 北京工业大学 | 一种变转速行星齿轮箱故障诊断方法 |
CN112629850B (zh) * | 2020-12-06 | 2022-04-22 | 北京工业大学 | 一种变转速行星齿轮箱故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104502099B (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104502099A (zh) | 齿轮箱瞬变工况特征分量循频提取方法 | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
CN106769033B (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
CN103499443B (zh) | 一种齿轮故障无键相角域平均计算阶次分析方法 | |
CN105547698A (zh) | 滚动轴承的故障诊断方法及装置 | |
CN105699072B (zh) | 一种基于级联经验模态分解齿轮故障诊断方法 | |
CN103424183B (zh) | 机械振动信号检测异常干扰消除方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN108844733B (zh) | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 | |
CN102109554B (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
CN104375111A (zh) | 对密集频谱进行快速高精度细化校正的方法 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
CN109738056A (zh) | 一种有载分接开关机械状态信号特征提取方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN103116032A (zh) | 用于获取风力发电机组的转速的方法和设备 | |
CN112781709A (zh) | 变速工况下设备振动信号早期故障分析和特征提取方法 | |
CN103353344A (zh) | 基于自适应stft的旋转机械阶次跟踪方法 | |
Randall et al. | Gear diagnostics under widely varying speed conditions | |
CN114509159A (zh) | 阶比跟踪分析方法、系统及计算机可读存储介质 | |
CN104964822A (zh) | 一种用于主减速器齿轮箱的无转速信号时域同步平均方法 | |
CN112782421A (zh) | 一种基于音频的转速识别方法 | |
Zhang et al. | Wind turbine planetary gearbox fault diagnosis via proportion-extracting synchrosqueezing chirplet transform | |
CN104459186A (zh) | 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法 | |
CN114383718B (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
CN116256158A (zh) | 一种基于深度信号分离的旋转机械瞬时相位自适应提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |