CN105606360A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105606360A CN105606360A CN201510831550.2A CN201510831550A CN105606360A CN 105606360 A CN105606360 A CN 105606360A CN 201510831550 A CN201510831550 A CN 201510831550A CN 105606360 A CN105606360 A CN 105606360A
- Authority
- CN
- China
- Prior art keywords
- fault
- gear
- vibration
- index
- epicyclic gearbox
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于旋转机械故障诊断技术领域,尤其涉及一种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,特别适用于变工况复杂风电行星齿轮箱的故障诊断方法。包括以下步骤:(1)根据行星齿轮箱结构特点及诊断难度,选取合适的振动测点布置位置和传感器类型,制定采集方案;(2)根据阶比重构技术,将振动信号进行预处理,将非线性、非平稳的时域信号转化为具有平稳性的角域信号;将等时间间隔采样的非平稳振动时域信号转化为具有平稳特性的角域振动信号;(3)多传感器信息的融合;(4)将行星齿轮箱的故障按分布故障和局部故障进行划分;(5)故障模式识别的方法;(6)进行验证。本发明诊断效果准确率高,实用性强。
Description
技术领域
本发明属于旋转机械故障诊断技术领域,尤其涉及一种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,特别适用于变工况复杂风电行星齿轮箱的故障诊断方法。
背景技术
行星齿轮箱传动比大、承载能力强、传动效率高等特点,被广泛应用于风力发电、直升机等大型复杂机械设备中。恶劣的工作环境,容易引发太阳轮、行星轮和内齿圈等关键部件的故障发生。但行星齿轮箱不同于固定中心轴旋转的传统齿轮箱,行星齿轮箱中的齿轮运动是典型的复合运动,其振动响应比传统的齿轮箱更为复杂,故障的诊断与识别难度更大,针对传统齿轮箱的故障诊断方法很难直接照搬应用于行星齿轮箱的故障诊断。同时,行星齿轮箱上的传感器所测得的振动信号是多个啮合振动的耦合,不同的传感器测点会提供不同敏感度或者互补的信息,利用单一传感器信息对行星齿轮箱进行故障诊断的难度很大。齿轮箱的故障诊断主要基于振动信号进行分析,时域信号有量纲指标能很好地刻画机械振动的故障信息,对故障特征敏感,但其数值会随着故障的发展而增大,也会因工作条件(如负载、转速等)的变化而变化,容易受到环境的干扰,表现不够稳定的。
发明内容
针对现有技术中存在的不足,本发明提供一种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,主要针对变工况行星齿轮箱的故障诊断分析。具体是一种以多个传感器融合的信息为特征参数,以遗传优化神经网络为算法的行星齿轮箱故障诊断分析方法。目的是提供一种可以有效识别复杂结构行星齿轮箱不同位置、不同类型的故障的故障诊断方法。本方法诊断效果好,准确率更高。
本发明的技术方案是这样实现的:
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,包括以下步骤:
(1)行星齿轮箱不同于传统定轴齿轮箱,根据其结构的特点及诊断的难度,选取合适的振动测点布置位置和传感器类型,制定出合理的行星齿轮箱振动信号采集方案;
(2)根据阶比重构技术,将处于变工况的风电行星齿轮箱传感器所采集的振动信号进行预处理,将非线性、非平稳的时域信号转化为具有平稳性的角域信号,避免使用硬件方式实现等角度采样的昂贵成本;采用线性插值方法的非平稳振动时域信号的阶比重构技术,将等时间间隔采样的非平稳振动时域信号转化为具有平稳特性的角域振动信号,保证行星齿轮箱振动角域信号的整周期性;
(3)多传感器信息的融合;传感器振动信号中含有重要的故障诊断信息,而无量纲指标可以标征行星齿轮箱的运行状态,不会受工况变化的影响,在步骤(2)的基础上,对传感器所采集的振动信号经阶比重构后的角域信号提取出传统无量纲指标和新无量纲指标,作为故障诊断的特征参数;
(4)根据行星齿轮箱的结构特点,将行星齿轮箱的故障按分布故障和局部故障进行划分,通过行星齿轮箱的结构和故障机理分析,推出不同故障模式的故障特征频率,对行星齿轮箱处于正常、一级行星轮系太阳轮局部故障、一级行星轮系太阳轮分布故障三个状态下的振动信号进行简单介绍;
(5)故障模式识别的方法;由于行星齿轮箱的结构复杂,简单的故障诊断方法难以进行精确诊断;传统的BP神经网络广泛的应用于齿轮的故障诊断中,但在输入信息不精确或不确定时,神经网络的精确性大大降低,因此采用遗传算法优化BP神经网络作为行星齿轮箱故障诊断方法;
(6)在步骤(2)、(3)、(4)、(5)的基础上,以华锐SL1500风电行星齿轮箱为研究对象,进行验证,表明:不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。
步骤(1)所述的行星齿轮箱振动信号采集方案:
行星齿轮箱一般由太阳轮、行星轮、齿圈和行星架组成;一般情况下,齿圈固定不动,太阳轮绕自身的中心轴线旋转,行星轮不仅自转,还围绕太阳轮公转;行星轮既和太阳轮啮合,又和齿圈啮合;行星齿轮箱中多个齿轮的复合运动造成了振动信号的复杂性;在振动的监测中,传感器一般安装在齿圈或与之相连的箱体上采集振动信号,太阳轮-行星轮以及行星轮-齿圈啮合副的啮合点对传感器的位置随行星架旋转变化,使得啮合点至传感器之间的振动传递路径发生变化,这种时变的传递路径对振动测试信号产生调幅调制效应;
以华锐SL1500行星齿轮箱为研究对象,为了测得行星齿轮箱运作状态的全部信息,在行星齿轮箱布置了四处传感器测点,分别为一级行星轮大齿圈处、二级行星轮大齿圈处以及输出低速端轴承座处、输出高速端轴承座处,4个传感器测点所测得的径向振动信号包含齿轮箱的全部振动信息,其中传感器所测振动信号的长度为齿轮箱输入轴转一圈时所测得的振动信号。
步骤(2)所述的振动信号进行预处理:
行星齿轮箱处于变转速、变工况的工作环境下,其采集的振动信号为非平稳信号,这对齿轮箱的故障诊断产生很大的困难,采用阶比重采样的方法对振动信号进行角域重采样,将非平稳的时域振动信号转化为平稳或准平稳特性的角域信号,便于对振动信号的分析;阶次分析技术的核心在于获得相对参考轴的恒定角增量采样数据,因此需要能准确获得阶次采样的时刻及相应的基准转速,即实现阶次跟踪;常见的阶次跟踪方法有硬件阶次跟踪法、计算阶次跟踪法和基于瞬时频率估计的阶次跟踪法;这里采用计算阶次跟踪法实现振动信号的重采样计算;实际的齿轮箱振动信号一般情况下都含有多种干扰成分,这就使得其故障特征的提取变得比较困难;EMD分解方法可以根据信号的局部时变特性,自适应的将任意一个复杂信号分解为一系列分量,通过相关系数法则对信号进行重构,剔除原始信号中的干扰成分;采用阶比分析与EMD分解方法可以有效的对振动信号进行预处理,对下一步的分析做好了准备。
步骤(3)所述的提取出传统无量纲指标和新无量纲指标,作为故障诊断的特征参数:
无量纲诊断是一种将无量纲参数用于设备故障诊断的技术方法,与有量纲幅域诊断参数(如方根幅值、平均幅值)不同,无量纲幅域诊断参数对故障有一定的敏感,而对信号的幅值和频率的变化不敏感,即和监测对象的工况关系不大;这里从预处理过的振动信号中提取以下时域无量纲指标;
无量纲指标定义如下:
式(1)中,x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;l、m为常数,不同无量纲指标值会有所不同;目前,最常用的无量纲指标有波形指标、脉冲指标、裕度指标、峰值指标和峭度指标;根据上式有:
若l=2,m=1,则有波形指标:
式(2)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;
若l=∞,m=1,则有脉冲指标:
式(3)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,为平均幅值;
若l=∞,m=1/2,则有裕度指标:
式(4)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;lim表示极限符号,Xmax为最大值;Xr为方根幅值;
若l=∞,m=2,则有峰值指标:
式(5)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,Xmax为最大值;
若l=4,m=2,则有定义峭度指标:
式(6)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,β为峭度;
计算信号y=ax的无量纲指标:
其中:d(ax)=ad(x);
式(7)中:x表示振动幅值,a为常数,随机变化,y表示信号幅值变化;p(y)表示振动幅值的概率密度函数,dy为微分符号,为积分符号,l、m为常数,不同无量纲指标值会有所不同;
也就是说,无量纲指标不随随机过程的幅值变化,即不会受工作状况变化的影响,它只对概率密度函数p(x)的形状变化敏感;无量纲指标的优点具体归纳为:1)完全具有反应故障特征的能力;2)几乎与振动信号绝对水平无关;3)对不同类型故障存在不同敏感度;4)基本不受工况、载荷、转速等变化的影响;
上述传统无量纲特征参数在一定程度上仍受能量和工况变化的影响,为了克服该影响,基于整周期采样新的无量纲特征参数被提出,主要包括重复性因子、相似性因子以及跳跃性因子;对于整周期采样n×m则可得数据为:
{x11,x12,…x1m;…xn1,xn2,…xnm}(8);
式(8)中:x表示振动幅值,{xn1,xn2,…xnm}表示第n段长度为m的数据,其中n=1,2,3,…,m为常数,随具体周期采样而定;
计算上述数据的各段差分为:
{Δx11,…Δx1m-1;…;Δxn1,…Δxnm-1}(9);
式(9)中:{Δxn1,Δxn2,…Δxnm-1}表示各段整周期采样数据的差分序列;n=1,2,3,…,m为常数;
计算一段平均重复波形:
式(10)中:表示m个整周期采样数据相同序列号所对应数据的平均值,共有m个;
再计算重复性波形平均差分:
式(11)中:Δxm表示每列数据的平均值与平均重复波形之间的差值,m=1,2,3,…;
为了表示出波形的趋势,规定下降为0,不变为1,上升为2,则k表示与平均重复波形不同的点,则重复性因子为:
式(12)中:k表示与平均重复波形不同的点的个数;m表示整周期采样数据的个数;
相似性因子是由分形维度得到的,为了降低幅值变化的敏感性,首先将数据标准化在这里,k是一个大于1的整数;计算分形锥度—盒维数,盒维数要求覆盖单元具有自相似性,并要求曲线具有严格的自相似性,基于这些原理该方法已经在振动中得到应用;设F是Rn中任意一非空有限子集,记N(F,δ)表示最大直径δ为且能覆盖F集合最小数,则F的盒维数定义为的盒维数定义:
式(13)中:N(F,δ)表示最大直径δ为且能覆盖F集合最小数,In表示对数,δ表示最大直径;
最常用N(F,δ)的取法是将F划分网格,取相交于F的边长为δ的网络块数;可以在In(1/δ)~InN(F,δ)关系图中,确定线性好的一段直线,拟合该段直线的斜率就是对应的分形盒维数;相似性因子为
Ff=dimBF(14);
式(14)中:F表示Rn中任意一非空有限子集,dimB表示直线的斜率;
与相似性因子一样,对所得数据进行标准化,对获取的标准化后的分段波形数据求方差,取跳跃性因子为方差值:
式(15)中:x表示振动幅值;xip标准化后的分段波形数据;表示振动数据的平均值,n为振动数据的长度。
步骤(4)所述的将行星齿轮箱的故障按分布故障和局部故障进行划分,通过行星齿轮箱的结构和故障机理分析:
风电行星齿轮箱一般分为行星轮系、平行级齿轮,对于行星轮系和平行级齿轮,其故障可分为局部故障和分布式故障;在单级行星齿轮箱中,太阳轮–行星轮和行星轮–齿圈两种啮合副的啮合频率相同;通常齿圈固定不动,太阳轮、行星轮和行星架旋转,在这种情况下,啮合频率:
式(16)中:Zr和Zs分别为齿圈和太阳轮的齿数;fm为啮合频率;fc为行星架的旋转频率;为太阳轮的绝对旋转频率;
太阳轮局部故障特征频率为:
式(17)中:fm为啮合频率;Zs为太阳轮齿数;fs为太阳轮局部故障特征频率;N为行星轮数量;
行星轮局部故障特征频率为:
式(18)中:fm为啮合频率;Zp为行星轮齿数,fp为行星轮局部故障特征频率;齿圈局部故障特征频率为:
式(19)中:fm为啮合频率;fr为齿圈局部故障特征频率;N为行星轮数量,Zr为齿圈齿数;
行星齿轮箱中各种齿轮的分布式故障特征频率等于齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率;已知行星齿轮箱的啮合频率fm和某个齿轮的齿数Zg,则该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率:
fg=fm/Zg(20);
式(20)中:fg该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率,Zg为某个齿轮的齿数;
则太阳轮、行星轮和齿圈分布式故障的特征频率分别为:
fs'=fm/Zs(21);
fp'=fm/Zp(22);
fr'=fm/Zr(23);
式(21)-(23)中:fm为啮合频率;fs'、fp'、fr'太阳轮、行星轮和齿圈分布式故障的特征频率;Zs为太阳轮齿数;Zp为行星轮的齿数;Zr为齿圈齿数;fm为啮合频率;
以与主轴相连接的一级行星轮系的行星架为参考转速,对行星齿轮箱中各级的各个齿轮的局部故障和分布故障的特征阶比进行计算;
这里的信号为matlab仿真信号,信号中忽略齿轮箱中轴承以及各齿轮之间的影响,假设各齿轮箱传动级之间的振动影响不存在,对该方法进行仿真验证针对行星轮系处于正常、分布故障、局部故障时的振动信号模型参考文献,这里就不再赘述;
由此,可以仿真行星齿轮箱各级处于正常工况时,其振动信号模型为:
x1(t)=A·[1-cos(2π·3fc1·t)]cos(2π·fm1·t+θ1)+B·[1-cos(2π·3fc2·t)]·cos(2π·fm2·t+θ2)+C·cos(2π·fm3·t+θ3)(24);
行星齿轮箱一级行星轮系太阳轮发生局部故障时,其振动信号模型为:
行星齿轮箱一级行星轮系太阳轮发生分布故障时,其振动信号模型为:
式(24)~(26)中:x1(t)、x2(t)、x3(t)为行星齿轮箱处于正常一级行星轮系太阳轮发生局部故障、分布故障时的振动信号序列;t为时间序列;θ1、θ2、θ3、φ、为初始相位;fm1、fm2、fm3为各级啮合频率;fc1、fc2为一、二级行星架的旋转频率;为一级太阳轮的绝对旋转频率;fs1、fs1'为一级太阳轮发生局部故障和分布故障时的特征频率;A、B、C为无量纲常数,行星齿轮箱各个状态时值会有所不同,这里就不再详述:各个振动信号采用频率为8192HZ。
步骤(5)所述的故障模式识别的方法:
BP神经网络广泛的应用于齿轮的故障诊断中,具有自学习和数处理能力,但在输入信息不精确或不确定时,神经网络的精确性大大降低,针对这一问题,这里采用遗传算法优化的BP神经网络齿轮故障诊断方法;在BP神经网络的拓扑结构确定的情况下,用遗传算法训练BP神经网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值,再将它们赋值给BP神经网络,加快网络收敛速度,克服易陷入局部极小的问题,改善故障诊断的精度和速度;
遗传算法,从数学上看是一种概率性搜索算法;从工程学角度上看,是一种自适应的迭代寻优过程;遗传算法从某一随机产生的或是特定的初始群体出发(作为父本),按照一定的操作规则,如选择、复制、交叉、变异等不断的迭代计算,并根据每一个个体的适应度值,保留优良品种,淘汰次品,引导搜索过程向最优解逼近;遗传算法的主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和和较好的全局搜索能力;采用概率化的寻优方法,能自动获取搜索过程中的有关知识并用于指导优化,自适应的调整搜索方向,不需要确定的规则;
传统遗传算法的实现步骤如下:
(1)随机产生一定数目的初始个体(染色体);些随机产生的染色体组成一个种群,种群中染色体数目称为种群的规模或大小;
(2)用评价函数来评价每个染色体的优劣;染色体对环境的适应程度(称为适应度),用作以后遗传操作的依据;
(3)基于适应值的选择策略;从当前种群中选取一定的染色体作为新一代的染色体,染色体适应度越高,其被选择的机会越大;
(4)对于新生成的种群进行交叉、变异操作;变异操作的目的是使种群中的个体具有多样性,防止陷入局部最优解,这样产生的染色体群称为后代;
(5)对新生的种群重复进行选择、交叉、变异操作过程,经过给定次数的迭代后,把最好的染色体作为优化问题的最优解;
遗传算法用于神经网络的训练,利用遗传算法全局搜索的特性,缩小搜索范围,得到一个初始的权值矩阵和初始的阈值向量,将初步得到的权值矩阵和阈值向量赋给尚未开始训练的BP网络,再利用BP算法进行精确求解;这种GA和BP网络相结合的方法,能显著地提高BP神经网络的性能,可以达到全局寻找和快速高效的目的;
以3层BP网络为例,用遗传算法学习BP网络的过程如下:
(1)初始化种群P,包括交叉规模、交叉概率Pc,突变概率己以及对任一wih、who初始化;在编码中,采用实数进行编码,初始种群取n(视实际应用选择数值大小);
(2)计算每一个个体评价函数,并将其排序,按下式概率值选择网络个体:
式(27)中,f为个体的适配值,N表示个体评价函数的个数,fi为个体i的适配值,可用误差平方和E来衡量,即:
式(29)中:i—染色体数,i=1,2,…,n;
o—输出层结点数,D=1,2,…,g;
k—学习样本数,k=1,2,…,m;
yo—网络的实际输出;
d—期望输出;
m—网络的实际输出的个数;
q—期望输出;
(3)交叉概率pc对个体Gi和Gi+1,进行交叉操作,产生新个体Gi'和Gi'+1,没有进行交叉操作的个体直接进行复制;
(4)利用变异概率pm突变个体Gj产生新的个体G'j;
(5)将产生新个体插入到种群p中,并计算新个体的评价函数;
(6)判断算法是否结束;如果找到了满意的个体,则结束,否则转3进入下一轮运算;
算法结束,如达到预先设定的性能指标后,将最终最优个体解码即可得到优化后的网络连接权值系数,阈值的优化过程类似;
步骤(6)所述的进行验证,包括:
按结构把行星齿轮箱分为三级,按照齿轮故障分为局部故障和分布式故障划分,总结归为15类故障;对这四个测点的振动信号进行阶比重采样以及EMD分解重构后的平稳角域信号进行无量纲指标的计算;
故障诊断模型的遗传优化的BP神经网络由输入层、隐含层及输出层组成,第一层是输入层,输入层节点由齿轮的故障特征参数组成,分别为峰值指标、峭度指标、脉冲指标、裕度指标、波形指标、重复性因子、相似性因子、跳跃性因子;第二层是隐含层,隐含层节点用于提取信号中的相关特征量;第三层为输出层,输出层节点对应着齿轮箱的故障类型;
选择三层网络进行故障识别,即包含输入层、隐含层、输出层;网络的每一个输入节点对应样本一个特征,选择四个测点的径向振动的时域指标中的重复性因子、相似性因子、跳跃性因子、峭度指标、裕度指标、波形指标、脉冲指标、峰值指标,共32个特征值作为网络的输入参数;网络的输出层节点数等于类别数,一个输出节点对应一个类别,输出层节点数为16,分别对应故障类型为正常、一级太阳轮局部故障、一级行星轮局部故障、一级齿圈局部故障、一级太阳轮分布式故障、一级行星轮分布式故障、一级齿圈分布式故障、二级太阳轮局部故障、二级行星轮局部故障、二级齿圈局部故障、二级太阳轮分布式故障、二级行星轮分布式故障、二级齿圈分布式故障、高速级小齿轮局部故障、高速级大齿轮局部故障、高速级分布式故障;对于隐含层数的确定参考经验公式nH、nI、l分别为隐含层、输入层和输出层神经元数目,为1-10之间的整数;采用“1-0”编码模式对网络的输出类型进行编码;在识别阶段,当一个未知类别的样本作用到输入端时,考察各输出节点的输出;
matlab神经网络工具箱提供了多种神经网络改进算法,BP网络选择‘trainrp’函数作为遗传网络的训练函数;传递函数是BP网络的重要组成部分,BP网络经常采用‘tansig’、‘logsig’及‘pureline’函数;输出层的传递函数一般选择‘pureline’函数,选择‘tansig’函数作为隐含层传递函数;另外取net.trainParam.epochs=10000,LP.1r=0.05,net.trainParam.goal=0.001;种群规模popu=50,遗传代数gen=100;其它参数选择默认;根据经过BP神经网络训练后进行测试的结果,看出,有两组测试数据(14、16)难以识别,准确率为87.5%,测试集的均方误差为1.0251,训练集的均方误差为0.772376;
与BP网络相同的训练函数、传递函数及相同的参数设计建立的遗传优化BP网络,以提取四个传感器测点的振动信号无量纲指标为遗传优化BP网络的输入量,进行故障模式的识别,能够看出,行星齿轮箱全部故障模式都可识别出来,准确率为100%,测试集的均方误差为0.16624,训练集的均方误差为0.27746;
将在无量纲指标作为网络输入量在不同神经网络模型下的测试结果列出,进行分析比较BP网络的测试结果与遗传BP网络的测试结果,发现遗传BP网络的测试准确率及网络测试速度明显优于BP网络,并且具有更高的网络稳定性;
以单一传感器测点振动信号的特征参数为输入量的测试结果与多传感器测点振动信号的特征参数为输入量的的测试结果进行对比,能够得出,不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。
本发明的优点及有益效果如下:
本发明提供一种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,主要针对变工况行星齿轮箱的故障诊断分析。本发明采用阶比分析与EMD经验模态分解算法对各个不同传感器测点所测振动信号进行预处理,将非平稳的时域振动信号转化为平稳或准平稳特性的角域信号,提取各不同传感器测点角域信号的无量纲指标,无量纲指标基本不受风电机组工况的影响,以此作为遗传优化神经网络的输入量,实现对行星齿轮箱故障的有效识别。通过改进的遗传BP神经网络将多传感器测得的振动信号的无量纲指标相融合的故障诊断方法可以有效的识别行星齿轮箱不同位置、不同类型的故障,作为诊断效果明显优于利用单一振动信号时的诊断结果。多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。通过行星齿轮箱不同故障的模拟,对比利用单一传感器的故障诊断方法,验证了本方法的实用性。基于遗传BP神经网络的行星齿轮箱故障诊断测试准确率优于基于BP神经网络的行星齿轮箱故障诊断。此故障诊断方法对风电场风力发电机行星齿轮箱齿轮箱的故障诊断具有一定的参考价值。
附图说明
图1为本发明行星齿轮箱传感器测点布置;
图2为本发明遗传算法的优化步骤;
图3为本发明遗传神经网络算法步骤;
图4为本发明不同传感器测点、不同神经网络的故障诊断准确率;
图5为本发明基于多传感器信息融合的行星齿轮箱故障诊断方法流程。
具体实施方式
本发明提供一种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,主要针对变工况行星齿轮箱的故障诊断分析。其步骤包括以下:
(1)行星齿轮箱不同于传统定轴齿轮箱,根据其结构的特点及诊断的难度,选取合适的振动测点布置位置和传感器类型,制定出合理的行星齿轮箱振动信号采集方案;
(2)根据阶比重构技术,将处于变工况的风电行星齿轮箱传感器所采集的振动信号进行预处理,将非线性、非平稳的时域信号转化为具有平稳性的角域信号,避免了使用硬件方式实现等角度采样的昂贵成本。采用线性插值方法的非平稳振动时域信号的阶比重构技术,将等时间间隔采样的非平稳振动时域信号转化为具有平稳特性的角域振动信号,保证了行星齿轮箱振动角域信号的整周期性。
(3)多传感器信息的融合。传感器振动信号中含有重要的故障诊断信息,而无量纲指标可以标征行星齿轮箱的运行状态,不会受工况变化的影响,在步骤(2)的基础上,本发明对传感器所采集的振动信号经阶比重构后的角域信号提取出传统无量纲指标和新无量纲指标,作为故障诊断的特征参数。
(4)根据行星齿轮箱的结构特点,将行星齿轮箱的故障按分布故障和局部故障进行划分,通过行星齿轮箱的结构和故障机理分析,推出不同故障模式的故障特征频率,对行星齿轮箱处于正常、一级行星轮系太阳轮局部故障、一级行星轮系太阳轮分布故障三个状态下的振动信号进行简单介绍。
(5)故障模式识别的方法。由于行星齿轮箱的结构复杂,简单的故障诊断方法难以进行精确诊断。传统的BP神经网络广泛的应用于齿轮的故障诊断中,但在输入信息不精确或不确定时,神经网络的精确性大大降低,针对这一问题,本发明采用遗传算法优化BP神经网络作为行星齿轮箱故障诊断方法。
(6)在步骤(2)、(3)、(4)、(5)的基础上,以华锐SL1500风电行星齿轮箱为研究对象,对本发明进行了验证,表明:不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。
下面针对本发明方法的具体操作步骤做一详细的分析和解释说明如下,:
步骤1,行星齿轮箱振动信号的采集。行星齿轮箱一般由太阳轮、行星轮、齿圈和行星架组成。一般情况下,齿圈固定不动,太阳轮绕自身的中心轴线旋转,行星轮不仅自转,还围绕太阳轮公转。行星轮既和太阳轮啮合,又和齿圈啮合。行星齿轮箱中多个齿轮的复合运动造成了振动信号的复杂性。在振动的监测中,传感器一般安装在齿圈或与之相连的箱体上采集振动信号,太阳轮-行星轮以及行星轮-齿圈啮合副的啮合点对传感器的位置随行星架旋转变化,使得啮合点至传感器之间的振动传递路径发生变化,这种时变的传递路径对振动测试信号产生调幅调制效应。
本发明以华锐SL1500行星齿轮箱为研究对象,其结构参数如表1所示。为了测得行星齿轮箱运作状态的全部信息,在行星齿轮箱布置了四处传感器测点,分别为一级行星轮大齿圈处、二级行星轮大齿圈处以及输出低速端轴承座处、输出高速端轴承座处,4个传感器测点所测得的径向振动信号包含齿轮箱的全部振动信息,传感器测点的具体布置如图1所示,传感器的类型如表2所示,其中传感器所测振动信号的长度为齿轮箱输入轴转一圈时所测得的振动信号。
步骤2,振动信号预处理。行星齿轮箱处于变转速、变工况的工作环境下,其采集的振动信号为非平稳信号,这对齿轮箱的故障诊断产生很大的困难,采用阶比重采样的方法对振动信号进行角域重采样,将非平稳的时域振动信号转化为平稳或准平稳特性的角域信号,便于对振动信号的分析。阶次分析技术的核心在于获得相对参考轴的恒定角增量采样数据,因此需要能准确获得阶次采样的时刻及相应的基准转速,即实现阶次跟踪。常见的阶次跟踪方法有硬件阶次跟踪法、计算阶次跟踪法和基于瞬时频率估计的阶次跟踪法等。本发明采用计算阶次跟踪法实现振动信号的重采样计算。实际的齿轮箱振动信号一般情况下都含有多种干扰成分,这就使得其故障特征的提取变得比较困难。EMD分解方法可以根据信号的局部时变特性,自适应的将任意一个复杂信号分解为一系列分量,通过相关系数法则对信号进行重构,剔除原始信号中的干扰成分。采用阶比分析与EMD分解方法可以有效的对振动信号进行预处理,对下一步的分析做好了准备。
步骤3,行星齿轮箱故障特征量的提取。无量纲诊断是一种将无量纲参数用于设备故障诊断的技术方法,与有量纲幅域诊断参数(如方根幅值、平均幅值)不同,无量纲幅域诊断参数对故障有一定的敏感,而对信号的幅值和频率的变化不敏感,即和监测对象的工况关系不大。本发明从预处理过的振动信号中提取以下时域无量纲指标。
无量纲指标定义如下:
式(1)中,x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;l、m为常数,不同无量纲指标值会有所不同。目前,最常用的无量纲指标有波形指标、脉冲指标、裕度指标、峰值指标和峭度指标。根据上式有:
若l=2,m=1,则有波形指标:
式(2)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;
若l=∞,m=1,则有脉冲指标:
式(3)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,为平均幅值。
若l=∞,m=1/2,则有裕度指标:
式(4)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;lim表示极限符号,Xmax为最大值;Xr为方根幅值。
若l=∞,m=2,则有峰值指标:
式(5)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,Xmax为最大值;
若l=4,m=2,则有定义峭度指标:
式(6)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,β为峭度;
计算信号y=ax的无量纲指标:
其中:d(ax)=ad(x)。
式(7)中:x表示振动幅值,a为常数,随机变化,y表示信号幅值变化;p(y)表示振动幅值的概率密度函数,dy为微分符号,为积分符号,l、m为常数,不同无量纲指标值会有所不同。
也就是说,无量纲指标不随随机过程的幅值变化,即不会受工作状况变化的影响,它只对概率密度函数p(x)的形状变化敏感。无量纲指标的优点具体归纳为:1)完全具有反应故障特征的能力;2)几乎与振动信号绝对水平无关;3)对不同类型故障存在不同敏感度;4)基本不受工况、载荷、转速等变化的影响。如表3所示。
上述传统无量纲特征参数在一定程度上仍受能量和工况变化的影响,为了克服该影响,基于整周期采样新的无量纲特征参数被提出,主要包括重复性因子、相似性因子以及跳跃性因子。对于整周期采样n×m则可得数据为:
{x11,x12,…x1m;…xn1,xn2,…xnm}(8);
式(8)中:x表示振动幅值,{xn1,xn2,…xnm}表示第n段长度为m的数据,其中n=1,2,3,…,m为常数,随具体周期采样而定。
计算上述数据的各段差分为:
{Δx11,…Δx1m-1;…;Δxn1,…Δxnm-1}(9);
式(9)中:{Δxn1,Δxn2,…Δxnm-1}表示各段整周期采样数据的差分序列;n=1,2,3,…,m为常数。
计算一段平均重复波形:
式(10)中:表示m个整周期采样数据相同序列号所对应数据的平均值,共有m个。
再计算重复性波形平均差分:
式(11)中:Δxm表示每列数据的平均值与平均重复波形之间的差值,m=1,2,3,…。
为了表示出波形的趋势,规定下降为0,不变为1,上升为2,则k表示与平均重复波形不同的点,则重复性因子为:
式(12)中:k表示与平均重复波形不同的点的个数;m表示整周期采样数据的个数。
相似性因子是由分形维度得到的,为了降低幅值变化的敏感性,首先将数据标准化在这里,k是一个大于1的整数。计算分形锥度—盒维数,盒维数要求覆盖单元具有自相似性,并要求曲线具有严格的自相似性,基于这些原理该方法已经在振动中得到应用。设F是Rn中任意一非空有限子集,记N(F,δ)表示最大直径δ为且能覆盖F集合最小数,则F的盒维数定义为的盒维数定义:
式(13)中:N(F,δ)表示最大直径δ为且能覆盖F集合最小数,In表示对数,δ表示最大直径。
最常用N(F,δ)的取法是将F划分网格,取相交于F的边长为δ的网络块数。可以在In(1/δ)~InN(F,δ)关系图中,确定线性好的一段直线,拟合该段直线的斜率就是对应的分形盒维数。相似性因子为
Ff=dimBF(14);
式(14)中:F表示Rn中任意一非空有限子集,dimB表示直线的斜率。
与相似性因子一样,对所得数据进行标准化,对获取的标准化后的分段波形数据求方差,取跳跃性因子为方差值
式(15)中:x表示振动幅值;xip标准化后的分段波形数据;表示振动数据的平均值,n为振动数据的长度。
步骤4,故障分析。
风电行星齿轮箱一般分为行星轮系、平行级齿轮,对于行星轮系和平行级齿轮,其故障可分为局部故障和分布式故障。在单级行星齿轮箱中,太阳轮–行星轮和行星轮–齿圈两种啮合副的啮合频率相同。通常齿圈固定不动,太阳轮、行星轮和行星架旋转,在这种情况下,啮合频率:
式(16)中:Zr和Zs分别为齿圈和太阳轮的齿数;fm为啮合频率;fc为行星架的旋转频率;为太阳轮的绝对旋转频率。
太阳轮局部故障特征频率为:
式(17)中:fm为啮合频率;Zs为太阳轮齿数;fs为太阳轮局部故障特征频率;N为行星轮数量。
行星轮局部故障特征频率为:
式(18)中:fm为啮合频率;Zp为行星轮齿数,fp为行星轮局部故障特征频率;。齿圈局部故障特征频率为:
式(19)中:fm为啮合频率;fr为齿圈局部故障特征频率;N为行星轮数量,Zr为齿圈齿数。
行星齿轮箱中各种齿轮的分布式故障特征频率等于齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率。已知行星齿轮箱的啮合频率fm和某个齿轮的齿数Zg,则该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率:
fg=fm/Zg(20);
式(20)中:fg该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率,Zg为某个齿轮的齿数;
则太阳轮、行星轮和齿圈分布式故障的特征频率分别为:
fs'=fm/Zs(21);
fp'=fm/Zp(22);
fr'=fm/Zr(23);
式(21)-(23)中:fm为啮合频率;fs'、fp'、fr'太阳轮、行星轮和齿圈分布式故障的特征频率;Zs为太阳轮齿数;Zp为行星轮的齿数;Zr为齿圈齿数。
以与主轴相连接的一级行星轮系的行星架为参考转速,对行星齿轮箱中各级的各个齿轮的局部故障和分布故障的特征阶比进行计算,如表4所示:
本发明的信号为matlab仿真信号,信号中忽略齿轮箱中轴承以及各齿轮之间的影响,假设各齿轮箱传动级之间的振动影响不存在,对本发明的方法进行仿真验证针对行星轮系处于正常、分布故障、局部故障时的振动信号模型参考文献,这里就不再赘述。
由此,可以仿真行星齿轮箱各级处于正常工况时,其振动信号模型为:
x1(t)=A·[1-cos(2π·3fc1·t)]cos(2π·fm1·t+θ1)+B·[1-cos(2π·3fc2·t)]·cos(2π·fm2·t+θ2)+C·cos(2π·fm3·t+θ3)(24);
行星齿轮箱一级行星轮系太阳轮发生局部故障时,其振动信号模型为:
行星齿轮箱一级行星轮系太阳轮发生分布故障时,其振动信号模型为:
式(24)~(26)中:x1(t)、x2(t)、x3(t)为行星齿轮箱处于正常一级行星轮系太阳轮发生局部故障、分布故障时的振动信号序列;t为时间序列;θ1、θ2、θ3、φ、为初始相位;fm1、fm2、fm3为各级啮合频率;fc1、fc2为一、二级行星架的旋转频率;为一级太阳轮的绝对旋转频率;fs1、fs1'为一级太阳轮发生局部故障和分布故障时的特征频率;A、B、C为无量纲常数,行星齿轮箱各个状态时值会有所不同,这里就不再详述。各个振动信号采用频率为8192HZ。
步骤5,故障模式识别方法。BP神经网络广泛的应用于齿轮的故障诊断中,具有自学习和数处理能力,但在输入信息不精确或不确定时,神经网络的精确性大大降低,针对这一问题,本发明采用遗传算法优化的BP神经网络齿轮故障诊断方法。在BP神经网络的拓扑结构确定的情况下,用遗传算法训练BP神经网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值,再将它们赋值给BP神经网络,加快网络收敛速度,克服易陷入局部极小的问题,改善故障诊断的精度和速度。遗传算法的优化步骤如图2所示。
遗传算法,从数学上看是一种概率性搜索算法;从工程学角度上看,是一种自适应的迭代寻优过程。遗传算法从某一随机产生的或是特定的初始群体出发(作为父本),按照一定的操作规则,如选择、复制、交叉、变异等不断的迭代计算,并根据每一个个体的适应度值,保留优良品种,淘汰次品,引导搜索过程向最优解逼近。遗传算法的主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和和较好的全局搜索能力;采用概率化的寻优方法,能自动获取搜索过程中的有关知识并用于指导优化,自适应的调整搜索方向,不需要确定的规则。
传统遗传算法的实现步骤如下:
1、随机产生一定数目的初始个体(染色体)。些随机产生的染色体组成一个种群,种群中染色体数目称为种群的规模或大小。
2、用评价函数来评价每个染色体的优劣。染色体对环境的适应程度(称为适应度),用作以后遗传操作的依据。
3、基于适应值的选择策略。从当前种群中选取一定的染色体作为新一代的染色体,染色体适应度越高,其被选择的机会越大。
4、对于新生成的种群进行交叉、变异操作。变异操作的目的是使种群中的个体具有多样性,防止陷入局部最优解,这样产生的染色体群称为后代。
5、对新生的种群重复进行选择、交叉、变异操作过程,经过给定次数的迭代后,把最好的染色体作为优化问题的最优解。
遗传算法用于神经网络的训练,利用遗传算法全局搜索的特性,缩小搜索范围,得到一个初始的权值矩阵和初始的阈值向量,将初步得到的权值矩阵和阈值向量赋给尚未开始训练的BP网络,再利用BP算法进行精确求解。这种GA和BP网络相结合的方法,能显著地提高BP神经网络的性能,可以达到全局寻找和快速高效的目的。遗传优化神经网络的步骤如图3所示。
以3层BP网络为例,用遗传算法学习BP网络的过程如下:
1、初始化种群p,包括交叉规模、交叉概率pc,突变概率己以及对任一wih、who初始化;在编码中,采用实数进行编码,初始种群取n(视实际应用选择数值大小)。
2、计算每一个个体评价函数,并将其排序,按下式概率值选择网络个体:
式(27)中,f为个体的适配值,N表示个体评价函数的个数,fi为个体i的适配值,可用误差平方和E来衡量,即
式(29)中:i—染色体数,i=1,2,…,n;
o—输出层结点数,D=1,2,…,g;
k—学习样本数,k=1,2,…,m;
yo—网络的实际输出;
d—期望输出;
m—网络的实际输出的个数;
q—期望输出。
3、交叉概率pc对个体Gi和Gi+1,进行交叉操作,产生新个体Gi'和Gi'+1,没有进行交叉操作的个体直接进行复制。
4、利用变异概率pm突变个体Gj产生新的个体G'j。
5、将产生新个体插入到种群p中,并计算新个体的评价函数。
6、判断算法是否结束。如果找到了满意的个体,则结束,否则转3进入下一轮运算。
算法结束,如达到预先设定的性能指标后,将最终最优个体解码即可得到优化后的网络连接权值系数。阈值的优化过程类似。
步骤6,本发明按结构把行星齿轮箱分为三级,按照齿轮故障分为局部故障和分布式故障划分,大体总结归为15类故障。我们对这四个测点的振动信号进行阶比重采样以及EMD分解重构后的平稳角域信号进行无量纲指标的计算。表5为华锐SL1500风电机组行星齿轮箱处于正常以及各故障状态下的四个传感器所测振动信号的无量纲指标,限于篇幅,只列出一组用于BP神经网络和遗传神经网络进行训练的集合,其他训练集、测试集不再展示。
故障诊断模型的遗传优化的BP神经网络由输入层、隐含层及输出层组成,第一层是输入层,输入层节点由齿轮的故障特征参数组成,分别为峰值指标、峭度指标、脉冲指标、裕度指标、波形指标、重复性因子、相似性因子、跳跃性因子。第二层是隐含层,隐含层节点用于提取信号中的相关特征量;第三层为输出层,输出层节点对应着齿轮箱的故障类型。
选择三层网络进行故障识别,即包含输入层、隐含层、输出层。网络的每一个输入节点对应样本一个特征,选择四个测点的径向振动的时域指标中的重复性因子、相似性因子、跳跃性因子、峭度指标、裕度指标、波形指标、脉冲指标、峰值指标,共32个特征值作为网络的输入参数。网络的输出层节点数等于类别数,一个输出节点对应一个类别,输出层节点数为16,分别对应故障类型为正常、一级太阳轮局部故障、一级行星轮局部故障、一级齿圈局部故障、一级太阳轮分布式故障、一级行星轮分布式故障、一级齿圈分布式故障、二级太阳轮局部故障、二级行星轮局部故障、二级齿圈局部故障、二级太阳轮分布式故障、二级行星轮分布式故障、二级齿圈分布式故障、高速级小齿轮局部故障、高速级大齿轮局部故障、高速级分布式故障。对于隐含层数的确定参考经验公式nH、nI、l分别为隐含层、输入层和输出层神经元数目,为1-10之间的整数。采用“1-0”编码模式对网络的输出类型进行编码,。在识别阶段,当一个未知类别的样本作用到输入端时,考察各输出节点的输出。
matlab神经网络工具箱提供了多种神经网络改进算法,BP网络选择‘trainrp’函数作为遗传网络的训练函数。传递函数是BP网络的重要组成部分,BP网络经常采用‘tansig’、‘logsig’及‘pureline’函数。输出层的传递函数一般选择‘pureline’函数,选择‘tansig’函数作为隐含层传递函数。另外取net.trainParam.epochs=10000,LP.1r=0.05,net.trainParam.goal=0.001。种群规模popu=50,遗传代数gen=100。其它参数选择默认。表6为经过BP神经网络训练后进行测试的结果,可以看出,有两组测试数据(14、16)难以识别,准确率为87.5%,测试集的均方误差为1.0251,训练集的均方误差为0.772376。
表7为与BP网络相同的训练函数、传递函数及相同的参数设计建立的遗传优化BP网络,以提取四个传感器测点的振动信号无量纲指标为遗传优化BP网络的输入量,进行故障模式的识别,可以看出,行星齿轮箱全部故障模式都可识别出来,准确率为100%,测试集的均方误差为0.16624,训练集的均方误差为0.27746。
将在无量纲指标作为网络输入量在不同神经网络模型下的测试结果列于表8,分析两个表格,比较BP网络的测试结果与遗传BP网络的测试结果,可以发现遗传BP网络的测试准确率及网络测试速度明显优于BP网络,并且具有更高的网络稳定性。
以单一传感器测点振动信号的特征参数为输入量的测试结果与多传感器测点振动信号的特征参数为输入量的的测试结果进行对比,如图4所示,可以看出,不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。基于多传感器信息融合的行星齿轮箱故障诊断方法流程如图5所示。
表1风电行星齿轮箱结构参数。
表2传感器测点位置及类型。
测点位置 | 传感器选择 |
一级行星轮大齿圈1个测点(径向) | 低频型加速度传感器 |
二级行星轮大齿圈1个测点(径向) | 低频型加速度传感器 |
齿轮箱输出低速端轴承座部位配置1个测点 | 通用型加速度传感器 |
齿轮箱输出高速端轴承座配置2个测点(径向/轴向) | 通用型加速度传感器 |
表3幅域参数各指标稳定性和敏感性的比较。
幅域参数 | 敏感性 | 稳定性 |
波形指标 | 差 | 好 |
峰值指标 | 一般 | 一般18 --> |
脉冲指标 | 较好 | 一般 |
裕度指标 | 好 | 一般 |
峭度指标 | 好 | 差 |
表4行星齿轮箱故障特征频率计算。
表5训练样本数据。
表6BP神经网络算法状态识别结果。
表7遗传优化神经网络算法状态识别结果。
表8神经网络模型对比。
网络模型 | 网络输入量 | 测试样本误差 | 训练样本误差 | 准确率 |
BP网络 | 无量纲 | 1.0251 | 0.77237 | 87.5% |
遗传BP网络 | 无量纲 | 0.16624 | 0.27746 | 100% |
Claims (7)
1.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,其特征在于:包括以下步骤:
(1)行星齿轮箱不同于传统定轴齿轮箱,根据其结构的特点及诊断的难度,选取合适的振动测点布置位置和传感器类型,制定出合理的行星齿轮箱振动信号采集方案;
(2)根据阶比重构技术,将处于变工况的风电行星齿轮箱传感器所采集的振动信号进行预处理,将非线性、非平稳的时域信号转化为具有平稳性的角域信号,避免使用硬件方式实现等角度采样的昂贵成本;采用线性插值方法的非平稳振动时域信号的阶比重构技术,将等时间间隔采样的非平稳振动时域信号转化为具有平稳特性的角域振动信号,保证行星齿轮箱振动角域信号的整周期性;
(3)多传感器信息的融合;传感器振动信号中含有重要的故障诊断信息,而无量纲指标可以标征行星齿轮箱的运行状态,不会受工况变化的影响,在步骤(2)的基础上,对传感器所采集的振动信号经阶比重构后的角域信号提取出传统无量纲指标和新无量纲指标,作为故障诊断的特征参数;
(4)根据行星齿轮箱的结构特点,将行星齿轮箱的故障按分布故障和局部故障进行划分,通过行星齿轮箱的结构和故障机理分析,推出不同故障模式的故障特征频率,对行星齿轮箱处于正常、一级行星轮系太阳轮局部故障、一级行星轮系太阳轮分布故障三个状态下的振动信号进行简单介绍;
(5)故障模式识别的方法;由于行星齿轮箱的结构复杂,简单的故障诊断方法难以进行精确诊断;传统的BP神经网络广泛的应用于齿轮的故障诊断中,但在输入信息不精确或不确定时,神经网络的精确性大大降低,因此采用遗传算法优化BP神经网络作为行星齿轮箱故障诊断方法;
(6)在步骤(2)、(3)、(4)、(5)的基础上,以华锐SL1500风电行星齿轮箱为研究对象,进行验证,表明:不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。
2.根据权利要求1所述的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,其特征在于:步骤(1)所述的行星齿轮箱振动信号采集方案:
行星齿轮箱一般由太阳轮、行星轮、齿圈和行星架组成;一般情况下,齿圈固定不动,太阳轮绕自身的中心轴线旋转,行星轮不仅自转,还围绕太阳轮公转;行星轮既和太阳轮啮合,又和齿圈啮合;行星齿轮箱中多个齿轮的复合运动造成了振动信号的复杂性;在振动的监测中,传感器一般安装在齿圈或与之相连的箱体上采集振动信号,太阳轮-行星轮以及行星轮-齿圈啮合副的啮合点对传感器的位置随行星架旋转变化,使得啮合点至传感器之间的振动传递路径发生变化,这种时变的传递路径对振动测试信号产生调幅调制效应;
以华锐SL1500行星齿轮箱为研究对象,为了测得行星齿轮箱运作状态的全部信息,在行星齿轮箱布置了四处传感器测点,分别为一级行星轮大齿圈处、二级行星轮大齿圈处以及输出低速端轴承座处、输出高速端轴承座处,4个传感器测点所测得的径向振动信号包含齿轮箱的全部振动信息,其中传感器所测振动信号的长度为齿轮箱输入轴转一圈时所测得的振动信号。
3.根据权利要求1所述的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,其特征在于:步骤(2)所述的振动信号进行预处理:
行星齿轮箱处于变转速、变工况的工作环境下,其采集的振动信号为非平稳信号,这对齿轮箱的故障诊断产生很大的困难,采用阶比重采样的方法对振动信号进行角域重采样,将非平稳的时域振动信号转化为平稳或准平稳特性的角域信号,便于对振动信号的分析;阶次分析技术的核心在于获得相对参考轴的恒定角增量采样数据,因此需要能准确获得阶次采样的时刻及相应的基准转速,即实现阶次跟踪;常见的阶次跟踪方法有硬件阶次跟踪法、计算阶次跟踪法和基于瞬时频率估计的阶次跟踪法;这里采用计算阶次跟踪法实现振动信号的重采样计算;实际的齿轮箱振动信号一般情况下都含有多种干扰成分,这就使得其故障特征的提取变得比较困难;EMD分解方法可以根据信号的局部时变特性,自适应的将任意一个复杂信号分解为一系列分量,通过相关系数法则对信号进行重构,剔除原始信号中的干扰成分;采用阶比分析与EMD分解方法可以有效的对振动信号进行预处理,对下一步的分析做好了准备。
4.根据权利要求1所述的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,其特征在于:步骤(3)所述的提取出传统无量纲指标和新无量纲指标,作为故障诊断的特征参数:
无量纲诊断是一种将无量纲参数用于设备故障诊断的技术方法,与有量纲幅域诊断参数(如方根幅值、平均幅值)不同,无量纲幅域诊断参数对故障有一定的敏感,而对信号的幅值和频率的变化不敏感,即和监测对象的工况关系不大;这里从预处理过的振动信号中提取以下时域无量纲指标;
无量纲指标定义如下:
式(1)中,x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;l、m为常数,不同无量纲指标值会有所不同;目前,最常用的无量纲指标有波形指标、脉冲指标、裕度指标、峰值指标和峭度指标;根据上式有:
若l=2,m=1,则有波形指标:
式(2)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;
若l=∞,m=1,则有脉冲指标:
式(3)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,为平均幅值;
若l=∞,m=1/2,则有裕度指标:
式(4)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;lim表示极限符号,Xmax为最大值;Xr为方根幅值;
若l=∞,m=2,则有峰值指标:
式(5)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,lim表示极限符号,Xmax为最大值;
若l=4,m=2,则有定义峭度指标:
式(6)中:x表示振动幅值,p(x)表示振动幅值的概率密度函数;为积分符号,dx为微分符号;Xrms表示均方根平均值,β为峭度;
计算信号y=ax的无量纲指标:
其中:d(ax)=ad(x);
式(7)中:x表示振动幅值,a为常数,随机变化,y表示信号幅值变化;p(y)表示振动幅值的概率密度函数,dy为微分符号,为积分符号,l、m为常数,不同无量纲指标值会有所不同;
也就是说,无量纲指标不随随机过程的幅值变化,即不会受工作状况变化的影响,它只对概率密度函数p(x)的形状变化敏感;无量纲指标的优点具体归纳为:1)完全具有反应故障特征的能力;2)几乎与振动信号绝对水平无关;3)对不同类型故障存在不同敏感度;4)基本不受工况、载荷、转速等变化的影响;
上述传统无量纲特征参数在一定程度上仍受能量和工况变化的影响,为了克服该影响,基于整周期采样新的无量纲特征参数被提出,主要包括重复性因子、相似性因子以及跳跃性因子;对于整周期采样n×m则可得数据为:
{x11,x12,…x1m;…xn1,xn2,…xnm}(8);
式(8)中:x表示振动幅值,{xn1,xn2,…xnm}表示第n段长度为m的数据,其中n=1,2,3,…,m为常数,随具体周期采样而定;
计算上述数据的各段差分为:
{Δx11,…Δx1m-1;…;Δxn1,…Δxnm-1}(9);
式(9)中:{Δxn1,Δxn2,…Δxnm-1}表示各段整周期采样数据的差分序列;n=1,2,3,…,m为常数;
计算一段平均重复波形:
式(10)中:表示m个整周期采样数据相同序列号所对应数据的平均值,共有m个;
再计算重复性波形平均差分:
式(11)中:Δxm表示每列数据的平均值与平均重复波形之间的差值,m=1,2,3,…;
为了表示出波形的趋势,规定下降为0,不变为1,上升为2,则k表示与平均重复波形不同的点,则重复性因子为:
式(12)中:k表示与平均重复波形不同的点的个数;m表示整周期采样数据的个数;
相似性因子是由分形维度得到的,为了降低幅值变化的敏感性,首先将数据标准化在这里,k是一个大于1的整数;计算分形锥度—盒维数,盒维数要求覆盖单元具有自相似性,并要求曲线具有严格的自相似性,基于这些原理该方法已经在振动中得到应用;设F是Rn中任意一非空有限子集,记N(F,δ)表示最大直径δ为且能覆盖F集合最小数,则F的盒维数定义为的盒维数定义:
式(13)中:N(F,δ)表示最大直径δ为且能覆盖F集合最小数,In表示对数,δ表示最大直径;
最常用N(F,δ)的取法是将F划分网格,取相交于F的边长为δ的网络块数;可以在In(1/δ)~InN(F,δ)关系图中,确定线性好的一段直线,拟合该段直线的斜率就是对应的分形盒维数;相似性因子为
Ff=dimBF(14);
式(14)中:F表示Rn中任意一非空有限子集,dimB表示直线的斜率;
与相似性因子一样,对所得数据进行标准化,对获取的标准化后的分段波形数据求方差,取跳跃性因子为方差值:
式(15)中:x表示振动幅值;xip标准化后的分段波形数据;表示振动数据的平均值,n为振动数据的长度。
5.根据权利要求1所述的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,其特征在于:步骤(4)所述的将行星齿轮箱的故障按分布故障和局部故障进行划分,通过行星齿轮箱的结构和故障机理分析:
风电行星齿轮箱一般分为行星轮系、平行级齿轮,对于行星轮系和平行级齿轮,其故障可分为局部故障和分布式故障;在单级行星齿轮箱中,太阳轮–行星轮和行星轮–齿圈两种啮合副的啮合频率相同;通常齿圈固定不动,太阳轮、行星轮和行星架旋转,在这种情况下,啮合频率:
式(16)中:Zr和Zs分别为齿圈和太阳轮的齿数;fm为啮合频率;fc为行星架的旋转频率;为太阳轮的绝对旋转频率;
太阳轮局部故障特征频率为:
式(17)中:fm为啮合频率;Zs为太阳轮齿数;fs为太阳轮局部故障特征频率;N为行星轮数量;
行星轮局部故障特征频率为:
式(18)中:fm为啮合频率;Zp为行星轮齿数,fp为行星轮局部故障特征频率;齿圈局部故障特征频率为:
式(19)中:fm为啮合频率;fr为齿圈局部故障特征频率;N为行星轮数量,Zr为齿圈齿数;
行星齿轮箱中各种齿轮的分布式故障特征频率等于齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率;已知行星齿轮箱的啮合频率fm和某个齿轮的齿数Zg,则该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率:
fg=fm/Zg(20);
式(20)中:fg该齿轮相对行星架(太阳轮和齿圈故障)或齿圈(行星轮故障)的旋转频率,Zg为某个齿轮的齿数;
则太阳轮、行星轮和齿圈分布式故障的特征频率分别为:
fs'=fm/Zs(21);
fp'=fm/Zp(22);
fr'=fm/Zr(23);
式(21)-(23)中:fm为啮合频率;fs'、fp'、fr'太阳轮、行星轮和齿圈分布式故障的特征频率;Zs为太阳轮齿数;Zp为行星轮的齿数;Zr为齿圈齿数;fm为啮合频率;
以与主轴相连接的一级行星轮系的行星架为参考转速,对行星齿轮箱中各级的各个齿轮的局部故障和分布故障的特征阶比进行计算;
这里的信号为matlab仿真信号,信号中忽略齿轮箱中轴承以及各齿轮之间的影响,假设各齿轮箱传动级之间的振动影响不存在,对该方法进行仿真验证针对行星轮系处于正常、分布故障、局部故障时的振动信号模型参考文献,这里就不再赘述;
由此,可以仿真行星齿轮箱各级处于正常工况时,其振动信号模型为:
行星齿轮箱一级行星轮系太阳轮发生局部故障时,其振动信号模型为:
行星齿轮箱一级行星轮系太阳轮发生分布故障时,其振动信号模型为:
式(24)~(26)中:x1(t)、x2(t)、x3(t)为行星齿轮箱处于正常一级行星轮系太阳轮发生局部故障、分布故障时的振动信号序列;t为时间序列;θ1、θ2、θ3、φ、为初始相位;fm1、fm2、fm3为各级啮合频率;fc1、fc2为一、二级行星架的旋转频率;为一级太阳轮的绝对旋转频率;fs1、fs1'为一级太阳轮发生局部故障和分布故障时的特征频率;A、B、C为无量纲常数,行星齿轮箱各个状态时值会有所不同,这里就不再详述:各个振动信号采用频率为8192HZ。
6.根据权利要求1所述的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,其特征在于:步骤(5)所述的故障模式识别的方法:
BP神经网络广泛的应用于齿轮的故障诊断中,具有自学习和数处理能力,但在输入信息不精确或不确定时,神经网络的精确性大大降低,针对这一问题,这里采用遗传算法优化的BP神经网络齿轮故障诊断方法;在BP神经网络的拓扑结构确定的情况下,用遗传算法训练BP神经网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值,再将它们赋值给BP神经网络,加快网络收敛速度,克服易陷入局部极小的问题,改善故障诊断的精度和速度;
遗传算法,从数学上看是一种概率性搜索算法;从工程学角度上看,是一种自适应的迭代寻优过程;遗传算法从某一随机产生的或是特定的初始群体出发(作为父本),按照一定的操作规则,如选择、复制、交叉、变异等不断的迭代计算,并根据每一个个体的适应度值,保留优良品种,淘汰次品,引导搜索过程向最优解逼近;遗传算法的主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和和较好的全局搜索能力;采用概率化的寻优方法,能自动获取搜索过程中的有关知识并用于指导优化,自适应的调整搜索方向,不需要确定的规则;
传统遗传算法的实现步骤如下:
(1)随机产生一定数目的初始个体(染色体);些随机产生的染色体组成一个种群,种群中染色体数目称为种群的规模或大小;
(2)用评价函数来评价每个染色体的优劣;染色体对环境的适应程度(称为适应度),用作以后遗传操作的依据;
(3)基于适应值的选择策略;从当前种群中选取一定的染色体作为新一代的染色体,染色体适应度越高,其被选择的机会越大;
(4)对于新生成的种群进行交叉、变异操作;变异操作的目的是使种群中的个体具有多样性,防止陷入局部最优解,这样产生的染色体群称为后代;
(5)对新生的种群重复进行选择、交叉、变异操作过程,经过给定次数的迭代后,把最好的染色体作为优化问题的最优解;
遗传算法用于神经网络的训练,利用遗传算法全局搜索的特性,缩小搜索范围,得到一个初始的权值矩阵和初始的阈值向量,将初步得到的权值矩阵和阈值向量赋给尚未开始训练的BP网络,再利用BP算法进行精确求解;这种GA和BP网络相结合的方法,能显著地提高BP神经网络的性能,可以达到全局寻找和快速高效的目的;
以3层BP网络为例,用遗传算法学习BP网络的过程如下:
(1)初始化种群P,包括交叉规模、交叉概率Pc,突变概率己以及对任一wih、who初始化;在编码中,采用实数进行编码,初始种群取n(视实际应用选择数值大小);
(2)计算每一个个体评价函数,并将其排序,按下式概率值选择网络个体:
式(27)中,f为个体的适配值,N表示个体评价函数的个数,fi为个体i的适配值,可用误差平方和E来衡量,即:
式(29)中:i—染色体数,i=1,2,…,n;
o—输出层结点数,D=1,2,…,g;
k—学习样本数,k=1,2,…,m;
yo—网络的实际输出;
d—期望输出;
m—网络的实际输出的个数;
q—期望输出;
(3)交叉概率pc对个体Gi和Gi+1,进行交叉操作,产生新个体G′i和G′i+1,没有进行交叉操作的个体直接进行复制;
(4)利用变异概率pm突变个体Gj产生新的个体G'j;
(5)将产生新个体插入到种群p中,并计算新个体的评价函数;
(6)判断算法是否结束;如果找到了满意的个体,则结束,否则转3进入下一轮运算;
算法结束,如达到预先设定的性能指标后,将最终最优个体解码即可得到优化后的网络连接权值系数,阈值的优化过程类似。
7.根据权利要求1所述的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,其特征在于:步骤(6)所述的进行验证,包括:
按结构把行星齿轮箱分为三级,按照齿轮故障分为局部故障和分布式故障划分,总结归为15类故障;对这四个测点的振动信号进行阶比重采样以及EMD分解重构后的平稳角域信号进行无量纲指标的计算;
故障诊断模型的遗传优化的BP神经网络由输入层、隐含层及输出层组成,第一层是输入层,输入层节点由齿轮的故障特征参数组成,分别为峰值指标、峭度指标、脉冲指标、裕度指标、波形指标、重复性因子、相似性因子、跳跃性因子;第二层是隐含层,隐含层节点用于提取信号中的相关特征量;第三层为输出层,输出层节点对应着齿轮箱的故障类型;
选择三层网络进行故障识别,即包含输入层、隐含层、输出层;网络的每一个输入节点对应样本一个特征,选择四个测点的径向振动的时域指标中的重复性因子、相似性因子、跳跃性因子、峭度指标、裕度指标、波形指标、脉冲指标、峰值指标,共32个特征值作为网络的输入参数;网络的输出层节点数等于类别数,一个输出节点对应一个类别,输出层节点数为16,分别对应故障类型为正常、一级太阳轮局部故障、一级行星轮局部故障、一级齿圈局部故障、一级太阳轮分布式故障、一级行星轮分布式故障、一级齿圈分布式故障、二级太阳轮局部故障、二级行星轮局部故障、二级齿圈局部故障、二级太阳轮分布式故障、二级行星轮分布式故障、二级齿圈分布式故障、高速级小齿轮局部故障、高速级大齿轮局部故障、高速级分布式故障;对于隐含层数的确定参考经验公式nH、nI、l分别为隐含层、输入层和输出层神经元数目,为1-10之间的整数;采用“1-0”编码模式对网络的输出类型进行编码;在识别阶段,当一个未知类别的样本作用到输入端时,考察各输出节点的输出;
matlab神经网络工具箱提供了多种神经网络改进算法,BP网络选择‘trainrp’函数作为遗传网络的训练函数;传递函数是BP网络的重要组成部分,BP网络经常采用‘tansig’、‘logsig’及‘pureline’函数;输出层的传递函数一般选择‘pureline’函数,选择‘tansig’函数作为隐含层传递函数;另外取net.trainParam.epochs=10000,LP.1r=0.05,net.trainParam.goal=0.001;种群规模popu=50,遗传代数gen=100;其它参数选择默认;根据经过BP神经网络训练后进行测试的结果,看出,有两组测试数据(14、16)难以识别,准确率为87.5%,测试集的均方误差为1.0251,训练集的均方误差为0.772376;
与BP网络相同的训练函数、传递函数及相同的参数设计建立的遗传优化BP网络,以提取四个传感器测点的振动信号无量纲指标为遗传优化BP网络的输入量,进行故障模式的识别,能够看出,行星齿轮箱全部故障模式都可识别出来,准确率为100%,测试集的均方误差为0.16624,训练集的均方误差为0.27746;
将在无量纲指标作为网络输入量在不同神经网络模型下的测试结果列出,进行分析比较BP网络的测试结果与遗传BP网络的测试结果,发现遗传BP网络的测试准确率及网络测试速度明显优于BP网络,并且具有更高的网络稳定性;
以单一传感器测点振动信号的特征参数为输入量的测试结果与多传感器测点振动信号的特征参数为输入量的的测试结果进行对比,能够得出,不同传感器测点包含的故障信息不够完全,很难以单一传感器测点的故障信息进行行星齿轮箱的故障诊断,多传感器信息融合的方法较单一传感器的方法的诊断效果更好,准确率更高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510831550.2A CN105606360A (zh) | 2015-11-24 | 2015-11-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510831550.2A CN105606360A (zh) | 2015-11-24 | 2015-11-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105606360A true CN105606360A (zh) | 2016-05-25 |
Family
ID=55986472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510831550.2A Pending CN105606360A (zh) | 2015-11-24 | 2015-11-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606360A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144426A (zh) * | 2017-04-28 | 2017-09-08 | 哈尔滨理工大学 | 一种利用灰色关联分析法检测风电机组齿轮故障的诊断方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN108917916A (zh) * | 2018-07-25 | 2018-11-30 | 北京振测智控科技有限公司 | 一种转轴绝对振动的测量方法 |
CN109084889A (zh) * | 2018-08-30 | 2018-12-25 | 华南农业大学 | 一种振动信号检测方法 |
CN109540441A (zh) * | 2019-01-08 | 2019-03-29 | 重庆青山工业有限责任公司 | 汽车变速箱在预载荷下内部振动传递函数测试系统及方法 |
CN110320038A (zh) * | 2018-03-30 | 2019-10-11 | 大隈株式会社 | 滚动轴承的异常诊断方法以及异常诊断装置 |
CN110530630A (zh) * | 2019-01-21 | 2019-12-03 | 天津工业大学 | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 |
CN110907031A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于数据统计分析的调相机振动异动可视化监测方法 |
CN111366360A (zh) * | 2020-01-07 | 2020-07-03 | 中国人民解放军国防科技大学 | 利用转速信号对行星齿轮箱进行早期故障检测的方法 |
CN112115802A (zh) * | 2020-08-26 | 2020-12-22 | 武汉理工大学 | 一种起重机回转机构齿轮故障诊断方法、系统及存储介质 |
CN112729817A (zh) * | 2021-02-04 | 2021-04-30 | 西南交通大学 | 基于多源数据融合的齿轮箱故障诊断方法、系统及试验台 |
CN113339208A (zh) * | 2021-07-21 | 2021-09-03 | 申能新能源(青海)有限公司 | 风电机组振动异常片段的选取方法 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断系统 |
CN113609933A (zh) * | 2021-07-21 | 2021-11-05 | 广州大学 | 一种基于后缀树的故障检测方法、系统、装置及存储介质 |
CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
CN114593908A (zh) * | 2022-03-01 | 2022-06-07 | 西人马(深圳)科技有限责任公司 | 一种齿轮故障分析方法及装置 |
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
CN116929753A (zh) * | 2023-09-18 | 2023-10-24 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
WO2024088267A1 (zh) * | 2022-10-26 | 2024-05-02 | 中车山东风电有限公司 | 一种风力发电机组齿轮箱远程振动测试系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN102788696A (zh) * | 2012-07-21 | 2012-11-21 | 辽宁大学 | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 |
CN103344430A (zh) * | 2013-07-09 | 2013-10-09 | 上海电机学院 | 齿轮箱的故障诊断方法 |
CN104048825A (zh) * | 2014-05-28 | 2014-09-17 | 北京航空航天大学 | 一种多传感器融合的风电机组齿轮箱故障定位方法 |
CN104122086A (zh) * | 2014-08-11 | 2014-10-29 | 长沙理工大学 | 基于Kriging模型的风力机齿轮箱故障诊断方法 |
-
2015
- 2015-11-24 CN CN201510831550.2A patent/CN105606360A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN102788696A (zh) * | 2012-07-21 | 2012-11-21 | 辽宁大学 | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 |
CN103344430A (zh) * | 2013-07-09 | 2013-10-09 | 上海电机学院 | 齿轮箱的故障诊断方法 |
CN104048825A (zh) * | 2014-05-28 | 2014-09-17 | 北京航空航天大学 | 一种多传感器融合的风电机组齿轮箱故障定位方法 |
CN104122086A (zh) * | 2014-08-11 | 2014-10-29 | 长沙理工大学 | 基于Kriging模型的风力机齿轮箱故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
乔晶晶: "基于遗传算法优化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Ⅱ辑》 * |
吴冠宇 等: "基于阶比分析和散度指标的风电机组行星齿轮箱分级故障诊断分析方法", 《风力发电》 * |
薛金亮: "基于振动噪声信息融合的齿轮箱齿轮故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
顾煜炯 等: "基于多元角域指标离群检测的风电齿轮箱故障预警方法", 《振动与冲击》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144426A (zh) * | 2017-04-28 | 2017-09-08 | 哈尔滨理工大学 | 一种利用灰色关联分析法检测风电机组齿轮故障的诊断方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN110320038B (zh) * | 2018-03-30 | 2022-11-11 | 大隈株式会社 | 滚动轴承的异常诊断方法以及异常诊断装置 |
CN110320038A (zh) * | 2018-03-30 | 2019-10-11 | 大隈株式会社 | 滚动轴承的异常诊断方法以及异常诊断装置 |
CN108917916A (zh) * | 2018-07-25 | 2018-11-30 | 北京振测智控科技有限公司 | 一种转轴绝对振动的测量方法 |
CN109084889A (zh) * | 2018-08-30 | 2018-12-25 | 华南农业大学 | 一种振动信号检测方法 |
CN109540441A (zh) * | 2019-01-08 | 2019-03-29 | 重庆青山工业有限责任公司 | 汽车变速箱在预载荷下内部振动传递函数测试系统及方法 |
CN110530630A (zh) * | 2019-01-21 | 2019-12-03 | 天津工业大学 | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 |
CN110530630B (zh) * | 2019-01-21 | 2023-08-29 | 天津工业大学 | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 |
CN110907031A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于数据统计分析的调相机振动异动可视化监测方法 |
CN111366360A (zh) * | 2020-01-07 | 2020-07-03 | 中国人民解放军国防科技大学 | 利用转速信号对行星齿轮箱进行早期故障检测的方法 |
CN112115802A (zh) * | 2020-08-26 | 2020-12-22 | 武汉理工大学 | 一种起重机回转机构齿轮故障诊断方法、系统及存储介质 |
CN112729817A (zh) * | 2021-02-04 | 2021-04-30 | 西南交通大学 | 基于多源数据融合的齿轮箱故障诊断方法、系统及试验台 |
CN112729817B (zh) * | 2021-02-04 | 2022-11-29 | 西南交通大学 | 基于多源数据融合的齿轮箱故障诊断方法、系统及试验台 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断系统 |
CN113609933B (zh) * | 2021-07-21 | 2022-09-16 | 广州大学 | 一种基于后缀树的故障检测方法、系统、装置及存储介质 |
CN113609933A (zh) * | 2021-07-21 | 2021-11-05 | 广州大学 | 一种基于后缀树的故障检测方法、系统、装置及存储介质 |
CN113339208B (zh) * | 2021-07-21 | 2023-08-22 | 申能新能源(青海)有限公司 | 风电机组振动异常片段的选取方法 |
CN113339208A (zh) * | 2021-07-21 | 2021-09-03 | 申能新能源(青海)有限公司 | 风电机组振动异常片段的选取方法 |
CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
CN114593908A (zh) * | 2022-03-01 | 2022-06-07 | 西人马(深圳)科技有限责任公司 | 一种齿轮故障分析方法及装置 |
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114894468B (zh) * | 2022-04-07 | 2023-01-03 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
WO2024088267A1 (zh) * | 2022-10-26 | 2024-05-02 | 中车山东风电有限公司 | 一种风力发电机组齿轮箱远程振动测试系统 |
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
CN116929753A (zh) * | 2023-09-18 | 2023-10-24 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
CN116929753B (zh) * | 2023-09-18 | 2024-01-09 | 杭州景业智能科技股份有限公司 | 传动齿轮状态检测方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606360A (zh) | 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 | |
Chen et al. | Vibration fault diagnosis of wind turbines based on variational mode decomposition and energy entropy | |
Yang et al. | Diagnostics of gear deterioration using EEMD approach and PCA process | |
CN101634605B (zh) | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN109029977A (zh) | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 | |
CN106441888A (zh) | 一种高速列车滚动轴承故障诊断方法 | |
CN106408088A (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN107526853A (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
CN106934126B (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN105445022B (zh) | 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动系统故障智能诊断方法 | |
CN104729853A (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN103558042A (zh) | 一种基于全状态信息的机组故障快速诊断方法 | |
CN108090427A (zh) | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
Wu et al. | Establishment of a deep learning network based on feature extraction and its application in gearbox fault diagnosis | |
CN109670459A (zh) | 直升机主减速器故障样本生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |
|
RJ01 | Rejection of invention patent application after publication |