CN108871761B - 一种齿轮早期故障特征提取方法 - Google Patents

一种齿轮早期故障特征提取方法 Download PDF

Info

Publication number
CN108871761B
CN108871761B CN201810576822.2A CN201810576822A CN108871761B CN 108871761 B CN108871761 B CN 108871761B CN 201810576822 A CN201810576822 A CN 201810576822A CN 108871761 B CN108871761 B CN 108871761B
Authority
CN
China
Prior art keywords
gear
gears
load
vulnerability
formula
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.)
Expired - Fee Related
Application number
CN201810576822.2A
Other languages
English (en)
Other versions
CN108871761A (zh
Inventor
莫才颂
王大成
吕运容
吕志宏
李石栋
陈华豪
李月明
张小勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201810576822.2A priority Critical patent/CN108871761B/zh
Publication of CN108871761A publication Critical patent/CN108871761A/zh
Application granted granted Critical
Publication of CN108871761B publication Critical patent/CN108871761B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种齿轮早期故障特征提取方法，包括以下步骤：包括以下步骤：（1）根据运行可靠性理论，计算齿轮的动态故障概率；（2）基于齿轮振动信号方差和齿轮振动信号熵的脆弱性指标，衡量齿轮箱中齿轮的状态脆弱性；（3）在齿轮排序方面，采取分类排序的方式：为了平衡计算时间和计算精度的要求，仅对涉及正常和停止后的大故障概率齿轮(如重过载和恶劣环境下的齿轮)，搜索由这些齿轮停止运行造成的故障率，对故障率进行排序，然后对于较小故障概率的齿轮，使用状态和结构脆弱性指标加权得到的综合脆弱性指标进行快速排序，实现齿轮早期故障特征提取。

Description

一种齿轮早期故障特征提取方法
技术领域
本发明涉及齿轮故障诊断技术领域，特别是一种齿轮早期故障特征提取方法。
背景技术
齿轮是机械装备普遍采用的一种机械传动形式，由于工作过程中受脉动循环应力作用，齿轮极易受到损害而出现故障，造成机械传动系统失效，进而影响整个机械装备的安全可靠运行。齿轮早期故障振动信号特征微弱，且随着齿轮箱转速和负载的变化而表现出非稳态特征，影响了故障诊断的可靠性和精确性。
发明内容
本发明技术提出一种齿轮早期的故障特征提取方法，能够有效提取齿轮传动非线性早期微弱故障特征，精确实现齿轮传动早期故障诊断。
本发明可以通过以下技术方案来实现：
本发明公开了一种齿轮早期故障特征提取方法，包括以下步骤：
(1)根据运行可靠性理论，考虑齿轮所处齿轮箱、环境噪声和自身振动信号，采用计入峭度统计因素和负载率的齿轮运行可靠性模型，由此计算齿轮的动态故障概率；
(2)基于齿轮振动信号方差和齿轮振动信号熵的脆弱性指标，衡量齿轮箱中齿轮的状态脆弱性；
(3)在齿轮排序方面，采取分类排序的方式：为了平衡计算时间和计算精度的要求，仅对涉及正常和停止后的大故障概率齿轮(如重过载和恶劣环境下的齿轮)，搜索由这些齿轮停止运行造成的故障率，对故障率进行排序，然后对于较小故障概率的齿轮，使用状态和结构脆弱性指标加权得到的综合脆弱性指标进行快速排序，实现齿轮早期故障特征提取。
进一步的，在第(1)步中，综合考虑齿轮所处齿轮箱、环境噪声和自身振动信号后，齿轮的可靠性模型下式所示：
Figure BDA0001687459960000021
进一步的，在第(2)步中，所述脆弱性指标包括基于负载率方差的齿轮脆弱性指标、基于负载率熵的齿轮脆弱性指标和齿轮的磨损系数指标。
进一步的，所述基于负载率方差的齿轮脆弱性指标中，齿轮箱正常运行各齿轮负载率方差可表示为：
Figure BDA0001687459960000022
式中，n和ηi0分别为正常运行时齿轮箱齿轮总数和齿轮i的负载率，
齿轮k退出运行后，齿轮箱的振动信号方差
Figure BDA0001687459960000023
可表示为：
Figure BDA0001687459960000024
Figure BDA0001687459960000025
式中，ηk,i为齿轮k停止运行后，齿轮i的负载率，
综上所述，定义齿轮k关于负载率方差的脆弱性指标如下式所示：
Figure BDA0001687459960000026
Figure BDA0001687459960000031
进一步的，所述基于负载率熵的齿轮脆弱性指标中，定义齿轮箱正常运行时各齿轮的负载率熵H0如下式所示：
Figure BDA0001687459960000032
Figure BDA0001687459960000033
式中，ηi0(或ηj0)分别为正常运行时齿轮箱齿轮总数和齿轮i(或j)的负载率，
齿轮k停止运行后，齿轮箱齿轮的负载率熵Hk定义如下式所示：
Figure BDA0001687459960000034
Figure BDA0001687459960000035
式中，ηk,i(或ηk,j)为齿轮k退出运行后，齿轮i(或j)的负载率；
定义齿轮k基于负载率熵的脆弱性指标如下式所示：
Figure BDA0001687459960000036
同理，可对下式的指标进行归一化，可得基于负载率熵的归一化指标如下式所示。
Figure BDA0001687459960000037
式中，
Figure BDA0001687459960000038
进一步的，所述齿轮的磨损系数指标中，齿轮k的磨损系数Bk(m,n)定义为：
Figure BDA0001687459960000039
式中，I(ij)(m,n)为在“电机—负荷”节点对(i,j)间加入单位驱动后，在齿轮k上引起的压力；Wi为电机节点权重，可以取相应电机组的实时输出应力；Wj为负荷权重，取相应负荷的实时负载；G和L分别为电机和负荷集合；
对磨损系数进行归一化，得到归一化的磨损系数指标为：
Figure BDA00016874599600000310
Figure BDA0001687459960000041
本发明齿轮早期故障特征提取方法具有如下有益的技术效果：
采用计及峭度统计因素和齿轮振动信号的齿轮运行可靠性模型，可计算下动态变化的齿轮故障概率，能够有效提取齿轮传动非线性早期微弱故障特征，精确实现齿轮传动早期故障诊断。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合实施例及对本发明产品作进一步详细的说明。
本发明公开了一种齿轮早期故障特征提取方法，包括以下步骤：
(1)根据运行可靠性理论，考虑齿轮所处齿轮箱、环境噪声和自身振动信号，采用计入峭度统计因素和负载率的齿轮运行可靠性模型，由此计算齿轮的动态故障概率；
(2)基于齿轮振动信号方差和齿轮振动信号熵的脆弱性指标，衡量齿轮箱中齿轮的状态脆弱性；
(3)在齿轮排序方面，采取分类排序的方式：为了平衡计算时间和计算精度的要求，仅对涉及正常和停止后的大故障概率齿轮(如重过载和恶劣环境下的齿轮)，搜索由这些齿轮停止运行造成的故障率，对故障率进行排序，然后对于较小故障概率的齿轮，使用状态和结构脆弱性指标加权得到的综合脆弱性指标进行快速排序，实现齿轮早期故障特征提取。
进一步的，在第(1)步中，综合考虑齿轮所处齿轮箱、环境噪声和自身振动信号后，齿轮的可靠性模型下式所示：
Figure BDA0001687459960000051
进一步的，在第(2)步中，所述脆弱性指标包括基于负载率方差的齿轮脆弱性指标、基于负载率熵的齿轮脆弱性指标和齿轮的磨损系数指标。
进一步的，所述基于负载率方差的齿轮脆弱性指标中，齿轮箱正常运行各齿轮负载率方差可表示为：
Figure BDA0001687459960000052
式中，n和ηi0分别为正常运行时齿轮箱齿轮总数和齿轮i的负载率，
齿轮k退出运行后，齿轮箱的振动信号方差
Figure BDA0001687459960000057
可表示为：
Figure BDA0001687459960000053
Figure BDA0001687459960000054
式中，ηk,i为齿轮k停止运行后，齿轮i的负载率，
综上所述，定义齿轮k关于负载率方差的脆弱性指标如下式所示：
Figure BDA0001687459960000055
进一步的，所述基于负载率熵的齿轮脆弱性指标中，定义齿轮箱正常运行时各齿轮的负载率熵H0如下式所示：
Figure BDA0001687459960000056
Figure BDA0001687459960000061
式中，ηi0(或ηj0)分别为正常运行时齿轮箱齿轮总数和齿轮i(或j)的负载率，
齿轮k停止运行后，齿轮箱齿轮的负载率熵Hk定义如下式所示：
Figure BDA0001687459960000062
Figure BDA0001687459960000063
式中，ηk,i(或ηk,j)为齿轮k退出运行后，齿轮i(或j)的负载率；
定义齿轮k基于负载率熵的脆弱性指标如下式所示：
Figure BDA0001687459960000064
同理，可对下式的指标进行归一化，可得基于负载率熵的归一化指标如下式所示。
Figure BDA0001687459960000065
式中，
Figure BDA0001687459960000066
进一步的，所述齿轮的磨损系数指标中，齿轮k的磨损系数Bk(m,n)定义为：
Figure BDA0001687459960000067
式中，I(ij)(m,n)为在“电机—负荷”节点对(i,j)间加入单位驱动后，在齿轮k上引起的压力；Wi为电机节点权重，可以取相应电机组的实时输出应力；Wj为负荷权重，取相应负荷的实时负载；G和L分别为电机和负荷集合；
对磨损系数进行归一化，得到归一化的磨损系数指标为：
Figure BDA0001687459960000068
以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书所示和以上所述而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，可利用以上所揭示的技术内容而作出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (3)

1.一种齿轮早期故障特征提取方法，其特征在于包括以下步骤：
（1）根据运行可靠性理论，考虑齿轮所处齿轮箱、环境噪声和自身振动信号，采用计入峭度统计因素和负载率的齿轮运行可靠性模型，由此计算齿轮的动态故障概率；
（2）基于齿轮振动信号方差和齿轮振动信号熵的脆弱性指标，衡量齿轮箱中齿轮的状态脆弱性；
（3）在齿轮排序方面，采取分类排序的方式：为了平衡计算时间和计算精度的要求，仅对涉及正常和停止后的大故障概率齿轮搜索由这些齿轮停止运行造成的故障率，大故障概率齿轮为重过载和恶劣环境下的齿轮；对故障率进行排序，然后对于较小故障概率的齿轮，使用状态和结构脆弱性指标加权得到的综合脆弱性指标进行快速排序，实现齿轮早期故障特征提取；
在第（1）步中，综合考虑齿轮所处齿轮箱、环境噪声和自身振动信号后，齿轮的可靠性模型下式所示：
Figure 558342DEST_PATH_IMAGE001
；
在第（2）步中，所述脆弱性指标包括基于负载率方差的齿轮脆弱性指标、基于负载率熵的齿轮脆弱性指标和齿轮的磨损系数指标；
所述基于负载率方差的齿轮脆弱性指标中，齿轮箱正常运行各齿轮负载率方差可表示为：
Figure 440847DEST_PATH_IMAGE002
式中，n和η i0 分别为正常运行时齿轮箱齿轮总数和齿轮i的负载率，
齿轮k退出运行后，齿轮箱的振动信号方差σ k 2 可表示为：
Figure 855648DEST_PATH_IMAGE003
式中，η k,i 为齿轮k停止运行后，齿轮i的负载率，
综上所述，定义齿轮k关于负载率方差的脆弱性指标如下式所示：
Figure 798196DEST_PATH_IMAGE004
。
2.根据权利要求1所述的齿轮早期故障特征提取方法，其特征在于：所述基于负载率熵的齿轮脆弱性指标中，定义齿轮箱正常运行时各齿轮的负载率熵H 0 如下式所示：
Figure 547715DEST_PATH_IMAGE005
；
Figure 968332DEST_PATH_IMAGE006
；
式中，η i0 和η j0 分别为正常运行时齿轮箱齿轮总数和齿轮i和j的负载率，
齿轮k停止运行后，齿轮箱齿轮的负载率熵H k 定义如下式所示：
Figure 440902DEST_PATH_IMAGE007
；
Figure 616668DEST_PATH_IMAGE008
；
式中，η k,i 和η k,j 为齿轮k退出运行后，齿轮i和j的负载率；
定义齿轮k基于负载率熵的脆弱性指标如下式所示：
Figure 541899DEST_PATH_IMAGE009
同理，可对上式的指标进行归一化，可得基于负载率熵的归一化指标如下式所示；
Figure 579256DEST_PATH_IMAGE010
；
式中，
Figure 640753DEST_PATH_IMAGE011
，
Figure 987421DEST_PATH_IMAGE012
。
3.根据权利要求2所述的齿轮早期故障特征提取方法，其特征在于：所述齿轮的磨损系数指标中，齿轮k的磨损系数B k (m,n)定义为：
Figure 399947DEST_PATH_IMAGE014
式中，I (ij) (m,n)为在“电机—负荷”节点对(i,j)间加入单位驱动后，在齿轮k上引起的压力；W j 为电机节点权重，取相应电机组的实时输出应力；W j 为负荷权重，取相应负荷的实时负载；G和L分别为电机和负荷集合；
对磨损系数进行归一化，得到归一化的磨损系数指标为：
Figure DEST_PATH_IMAGE015
。
CN201810576822.2A 2018-06-07 2018-06-07 一种齿轮早期故障特征提取方法 Expired - Fee Related CN108871761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810576822.2A CN108871761B (zh) 2018-06-07 2018-06-07 一种齿轮早期故障特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810576822.2A CN108871761B (zh) 2018-06-07 2018-06-07 一种齿轮早期故障特征提取方法

Publications (2)

Publication Number Publication Date
CN108871761A CN108871761A (zh) 2018-11-23
CN108871761B true CN108871761B (zh) 2020-03-06

Family

ID=64337095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810576822.2A Expired - Fee Related CN108871761B (zh) 2018-06-07 2018-06-07 一种齿轮早期故障特征提取方法

Country Status (1)

Country Link
CN (1) CN108871761B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109739197A (zh) * 2019-01-15 2019-05-10 广东石油化工学院 一种化工废料处理设备的多工况故障预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101660969B (zh) * 2009-09-25 2011-07-27 北京工业大学 一种用于齿轮箱故障智能诊断的方法
CN104268516A (zh) * 2014-09-19 2015-01-07 陕西启源科技发展有限责任公司 滚动轴承早期故障识别方法
CN104298593B (zh) * 2014-09-23 2017-04-26 北京航空航天大学 一种基于复杂网络理论的soa系统可靠性评价方法
CN105181019B (zh) * 2015-09-15 2018-12-18 安徽精科检测技术有限公司 旋转类机械早期故障预警分析方法
CN105403407B (zh) * 2015-10-13 2017-09-22 北京印刷学院 一种基于正常域估计的列车滚动轴承隐患辨识方法
CN106295692B (zh) * 2016-08-05 2019-07-12 北京航空航天大学 基于降维与支持向量机的产品早期故障根原因识别方法
CN107958094A (zh) * 2016-10-18 2018-04-24 武汉理工大学 一种基于复杂网络理论的水域航路脆弱性研究方法
CN107239587A (zh) * 2016-11-11 2017-10-10 中国人民解放军海军工程大学 基于船舶电力与信息一体化网络的脆弱性评估方法
CN107742008A (zh) * 2017-09-20 2018-02-27 上海电机学院 一种风电机组齿轮箱的故障预警方法
CN107679744B (zh) * 2017-09-29 2021-07-13 国网湖南省电力公司 基于线路脆弱性指标的大电网战略通道动态辨识方法

Also Published As

Publication number Publication date
CN108871761A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN110298455B (zh) 一种基于多变量估计预测的机械设备故障智能预警方法
CN107941537B (zh) 一种机械设备健康状态评估方法
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
CN107329083B (zh) 针对高速列车牵引电机非线性系统传感器的故障诊断方法
CN104267668B (zh) 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法
CN104976139B (zh) 一种基于高斯模型的机械设备状态诊断方法
CN109858104A (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN107153929A (zh) 基于深度神经网络的风电机组齿轮箱故障监测方法及系统
CN103279123A (zh) 对间歇控制系统进行分段故障监视的方法
CN109726411B (zh) 风力机机舱结构疲劳强度的计算方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN104343709B (zh) 一种检测风机故障的装置及方法
CN108871761B (zh) 一种齿轮早期故障特征提取方法
CN106372330A (zh) 动态型贝叶斯网络在机械设备故障智能诊断中的应用
CN102722636B (zh) 一种针对航空电子系统面临电磁环境复杂度的量化评估方法
CN114638384A (zh) 一种基于机器学习的故障诊断方法及系统
CN110987396B (zh) 一种用于采煤机摇臂的智能故障诊断及寿命预测方法
CN111766513A (zh) 一种基于胶囊网络的三相感应电机变工况多故障诊断方法
CN107607342B (zh) 空调机房设备群的健康能效检测方法
CN107036808A (zh) 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
CN110196165B (zh) 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法
CN109255199B (zh) 基于受扰轨迹断面振荡能量的电力系统振荡特性分析方法
CN113390654B (zh) 一种基于多源信息融合的列车制动故障诊断方法
CN116702591A (zh) 一种风电机组在线寿命预测方法及系统
CN113312758B (zh) 风力发电机组的健康状态评估方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200306

CF01 Termination of patent right due to non-payment of annual fee