CN109253244B - 一种多齿轮系统大型机械齿轮箱故障检测方法 - Google Patents

一种多齿轮系统大型机械齿轮箱故障检测方法 Download PDF

Info

Publication number
CN109253244B
CN109253244B CN201811402554.9A CN201811402554A CN109253244B CN 109253244 B CN109253244 B CN 109253244B CN 201811402554 A CN201811402554 A CN 201811402554A CN 109253244 B CN109253244 B CN 109253244B
Authority
CN
China
Prior art keywords
frequency
fault
modulation
signal
sampling
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.)
Active
Application number
CN201811402554.9A
Other languages
English (en)
Other versions
CN109253244A (zh
Inventor
陆人定
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.)
Hefei Longzhi Electromechanical Technology Co ltd
Nanjing Hansen High Speed Gearbox Manufacturing Co ltd
Original Assignee
Changzhou College of Information Technology CCIT
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 Changzhou College of Information Technology CCIT filed Critical Changzhou College of Information Technology CCIT
Priority to CN201811402554.9A priority Critical patent/CN109253244B/zh
Publication of CN109253244A publication Critical patent/CN109253244A/zh
Application granted granted Critical
Publication of CN109253244B publication Critical patent/CN109253244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F16H2061/1208—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures with diagnostic check cycles; Monitoring of failures
    • F16H2061/1216—Display or indication of detected failures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F16H2061/1256—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures characterised by the parts or units where malfunctioning was assumed or detected

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种多齿轮系统大型机械齿轮箱故障检测方法，包括以下步骤：步骤一，通过传感器对多齿轮系统大型机械齿轮箱的振动噪声信号进行高采样频率采样，取得原始采样时域信号；步骤二，取得频域信号和采样时域信号；步骤三，取得处理后的最终时域信号；步骤四，对最终时域信号进行傅里叶变换，取得最终频域图像，并对最终频域图像进行分析，找到代表大型机械齿轮箱故障部位的特征调制频率，最终从成百上千个零件中精确找出故障点进行故障零件的维修和更换。本发明能在生产现场快速地对大型故障齿轮箱振动信号进行分析，快速找到故障部位。

Description

一种多齿轮系统大型机械齿轮箱故障检测方法
技术领域
本发明涉及一种多齿轮系统大型机械齿轮箱故障检测方法，是一种基于大型机械齿轮箱调频调幅振动信号分析的齿轮箱故障检测方法，属于齿轮传动振动噪声测量及故障诊断领域。
背景技术
齿轮箱是生产实践中应用非常广泛的机械设备，小到汽车变速器，大到大型矿山机械、大型工程机械齿轮箱，大型风力发电齿轮箱，齿轮箱结构非常复杂，其齿轮系统可能包含成百上千个齿轮，而齿轮、轴、轴承的磨损损坏是非常常见的，特别是对于大型齿轮系统，要在几百个齿轮、多根轴、多个轴承中找出故障部位，如果靠纯粹机械拆装逐个检查，工作量非常巨大，无论从成本和时间上考虑都不切实际。利用故障齿轮箱振动信号广泛存在的调制现象，即对于齿轮、轴、滚动轴承的分布型或集中型缺陷，如疲劳剥落、断齿、齿形误差、轴不对中、弯曲等故障，当齿轮箱滚动轴承出现故障时，滚动体在滚道内旋转形成有规律的冲击，会激励起轴承外圈固有频率，形成以轴承外圈固有频率为载波频率，以轴承通过频率为调制频率的固有频率调制振动现象；当齿轮或轴出现故障时，在频谱上将出现故障齿轮所在轴或故障轴的旋转频率为调制频率，以复杂多变转速旋转的齿轮啮合频率为载波频率的调制现象(齿轮啮合载波频率要远远高于轴旋转调制频率)。实际往往会出现发生故障的零件部位及损坏程度不同，其调制边频带分布特征亦不同。对这些特征调制信号进行解调分析就可以提取与故障相关的轴的旋转调制频率或故障轴承通过频率，从而找到大型齿轮箱设备中与故障相关的轴，进而通过精准的定位拆检找出故障齿轮、轴或轴承。
近三十年来，调制及解调技术在旋转机械系统的故障诊断中应用十分广泛，有高通绝对值分析的解调方法，有奇偶带通滤波解调的算法，有平方解调算法以解决齿轮调制性故障的诊断问题；有共振解调方法解决滚动轴承的故障诊断问题；有改进型的细化高通绝对值分析方法以提高解调谱的分辨率，大大提高了解调方法的工程应用能力。但是这些传统的解调分析方法还存在很多的不足和缺陷，只能解调简单的调幅信号，而对于调频信号，特别是对于广泛存在复杂度高的大型故障齿轮箱调频调幅现象同时存在的振动信号解调，传统方法基本无能为力。为此，有必要发明一种基于大型机械齿轮箱调频调幅振动信号分析的齿轮箱故障检测方法，来解决复杂故障齿轮箱的故障特征提取问题。
发明内容
本发明的目的是提供一种多齿轮系统大型机械齿轮箱故障检测方法。
实现本发明目的的技术方案是：一种多齿轮系统大型机械齿轮箱故障检测方法，包括以下步骤：
步骤一，通过传感器对多齿轮系统大型机械齿轮箱的振动噪声信号进行高采样频率采样，取得原始采样时域信号；
步骤二，对原始采样时域信号进行傅里叶变换，取得频域信号，并分析高能量故障特征冲击信号所在频带，并采用带通滤波器截取故障特征冲击信号所在频带，尽可能地滤去背景噪声和无关信号，取得低通或带通滤波过后的时域信号；
步骤三，对带通滤波过后的采样时域信号分别进行一阶和二阶微分处理，分别取得一阶微分采样信号与二阶微分采样信号，并用一阶微分采样信号的平方减去滤波后的采样时域信号与二阶微分采样信号的乘积，取得处理后的最终时域信号；
步骤四，对最终时域信号进行傅里叶变换，取得最终频域图像，并对最终频域图像进行分析，找到代表大型机械齿轮箱故障部位的特征调制频率，最终从成百上千个零件中精确找出故障点进行故障零件的维修和更换。
所述步骤一中的传感器采用速度传感器或加速度传感器，采样频率与齿轮箱轴类零件转速相适应，并保证满足奈奎斯特采样定理，采样点数不低于1024点。
所述步骤三中，当轴或齿轮出现故障时，或者当滚动轴承出现故障时，故障信号的数学模型表示为：
z(t)＝A[1+B cos(2πfnt)]cos[2πfzt+βsin(2πfnt)]
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn为轴的转动调制频率或者相关滚动轴承通过调制频率，fz为载波频率；
上述故障信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure GDA0002903839450000031
从上式可以看出，具有单一故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括十二项，其中第一项为常数项；观察这十二项频率成分的幅值系数，其中常数项不考虑，观察故障时的调制频率fn，两倍调制频率2fn，三倍调制频率3fn，四倍调制频率4fn；
因为载波频率fz数值远大于B、β、fn，所以故障时的调制频率一倍频fn和二倍频2fn成分幅值因含有(2πfz)2项，在频谱图上它们的幅值将远大于其他频率成分，极易分辨，不需要做任何滤波处理即可解析出故障时的调制频率fn。
所述步骤三中，当齿轮或轴和相关滚动轴承同时出现故障时故障齿轮所在轴或故障轴的转动调制频率及其相关故障滚动轴承通过调制频率同时出现，载波频率为故障齿轮啮合频率或故障滚动轴承外圈的固有频率，其中载波频率远大于故障时的调制频率。这些更复杂的交错故障信号的数学模型表示为：
z(t)＝A[1+B cos(2πfnt)]cos[2πfzt+βsin(2πfmt)]，
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn和fm分别为轴的转动调制频率和相关滚动轴承通过调制频率，fn≠fm，fz为载波频率；
上述故障信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure GDA0002903839450000051
Figure GDA0002903839450000061
从上式可以看出，同时具有两种故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括二十六项，其中第一项为常数项；观察这二十六项频率成分的幅值系数，其中常数项不考虑，因为载波频率fz数值远大于B、β、fn，所以主要观察幅值系数中含有载波频率fz的几项频率成分：
A2B2πfz2πfmβcos(2π(fm-2fn)t)；
A2B2πfz2πfmβcos(2π(fm+2fn)t)；
A2B4πfz2πfmβcos(2π(fm+fn)t)；
A2B4πfz2πfmβcos(2π(fm-fn)t)；
Figure GDA0002903839450000062
Figure GDA0002903839450000063
Figure GDA0002903839450000064
第一种故障时的调制频率一倍频fn和二倍频2fn成分的幅值系数中因含有(2πfz)2项，它们的频谱幅值系数最高，因此在频谱图上最容易辨认，因为归一化调幅系数0≤B≤1，
因而
Figure GDA0002903839450000071
因此，第二种故障时的调制频率fm成分的幅值在频谱图上排在第三，也比较容易分辨，所以不需要做任何滤波处理即可解析出两种故障时的调制频率fn和fm。
采用了上述技术方案，本发明具有以下的有益效果：(1)本发明能在生产现场快速地对大型故障齿轮箱振动信号进行分析，快速找到故障部位。
(2)本发明的故障诊断精度高、快速便捷、智能高效。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1为信号采集系统生成某型号故障汽车变速器振动冲击信号频域幅值谱图。
图2为单一故障时的调制频率信号的时域图。
图3为单一故障时的调制频率信号的一阶二阶微分处理后的频域图。
图4为两种故障时的调制频率信号的时域图。
图5为两种故障时的调制频率信号的一阶二阶微分处理后的频域图。
图6为某故障实验用重型卡车三轴五档变速器测点位置及内部传动结构图。
图7为故障三轴五档变速器传动实验台与测试系统。
图8为Matlab生成采集并滤波后故障汽车变速器振动速度信号时域图。
图9为Matlab故障汽车变速器振动信号一阶二阶微分处理后频谱分析图。
附图中的标号为：
输入轴1、中间轴2、输出轴3。
具体实施方式
(实施例1)
本实施例的多齿轮系统大型机械齿轮箱故障检测方法，包括以下步骤：
步骤一，通过传感器对多齿轮系统大型机械齿轮箱的振动噪声信号进行高采样频率采样，取得原始采样时域信号；传感器选用速度传感器或加速度传感器(具体型号根据经济成本选择)，采样频率根据具体的齿轮箱轴类零件转速而定，保证满足奈奎斯特采样定理，即保证不发生频谱干涉污染数据即可(一般的数据采集系统都能满足工程要求)，采样点数1024点即可(采样点数越多越精确)，取得原始采样时域信号。
步骤二，对原始采样时域信号进行傅里叶变换，取得频域信号，并分析高能量故障特征冲击信号所在频带，并采用带通滤波器截取故障特征冲击信号所在频带，尽可能地滤去背景噪声和无关信号，取得低通或带通滤波过后的时域信号；如图1所示，采用某数据采集系统采样某型号实验用故障汽车变速器幅值全景频谱图，发现其故障部位产生的强烈冲击能量主要集中在0-500Hz，因此对时域信号进行0-500Hz的低通滤波(通带从0Hz开始的带通滤波)，尽量滤除噪声干扰或其他无关信号。
步骤三，对带通滤波过后的采样时域信号分别进行一阶和二阶微分处理，分别取得一阶微分采样信号与二阶微分采样信号，并用一阶微分采样信号的平方减去滤波后的采样时域信号与二阶微分采样信号的乘积，取得处理后的最终时域信号。
其数学原理解析如下：
任何故障齿轮箱复杂的冲击信号都可以分解为下列两种类型，下面分别讨论这两种类型的故障信号数学模型的一阶和二阶微分处理：
第一种类型为齿轮箱故障部位冲击信号只含有一种故障时的调制频率成分：(1)当轴或者齿轮的故障时，其故障冲击信号为以故障齿轮所在轴或故障轴的转动调制频率为调制频率，故障齿轮啮合频率为载波频率的调频调幅信号；(2)当滚动轴承出现故障时，其故障冲击信号为以故障轴承外圈固有频率为载波频率，以故障轴承通过调制频率为调制频率的固有频率调制振动现象，其中载波频率远大于故障时的调制频率。这两种故障信号的数学模型都可表示为：
z(t)＝A[1+B cos(2πfnt)]cos[2πfzt+βsin(2πfnt)]
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn为轴的转动调制频率或者相关滚动轴承通过调制频率，fz为载波频率；
第一种类型信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure GDA0002903839450000091
从上式可以看出，具有单一故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括十二项，其中第一项为常数项；观察这十二项频率成分的幅值系数，其中常数项不考虑，观察故障时的调制频率fn，两倍调制频率2fn，三倍调制频率3fn，四倍调制频率4fn；
因为载波频率fz数值远大于B、β、fn，所以故障时的调制频率一倍频fn和二倍频2fn成分幅值因含有(2πfz)2项，在频谱图上它们的幅值将远大于其他频率成分，极易分辨，不需要做任何滤波处理即可解析出故障时的调制频率fn。
第二种类型为齿轮箱故障部位冲击信号含有两种故障时的调制频率成分：当齿轮或轴和相关滚动轴承同时出现故障时故障齿轮所在轴或故障轴的转动调制频率及其相关故障滚动轴承通过调制频率同时出现，载波频率为故障齿轮啮合频率或故障滚动轴承外圈的固有频率，其中载波频率远大于故障时的调制频率。这些更复杂的交错故障信号的数学模型表示为：
z(t)＝A[1+B cos(2πfnt)]cos[2πfzt+βsin(2πfmt)]，
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn和fm分别为轴的转动调制频率和相关滚动轴承通过调制频率，fn≠fm，fz为载波频率；
第二种类型信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure GDA0002903839450000111
Figure GDA0002903839450000121
从上式可以看出，同时具有两种故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括二十六项，其中第一项为常数项；观察这二十六项频率成分的幅值系数，其中常数项不考虑，因为载波频率fz数值远大于B、β、fn，所以主要观察幅值系数中含有载波频率fz的几项频率成分：
A2B2πfz2πfmβcos(2π(fm-2fn)t)；
A2B2πfz2πfmβcos(2π(fm+2fn)t)；
A2B4πfz2πfmβcos(2π(fm+fn)t)；
A2B4πfz2πfmβcos(2π(fm-fn)t)；
Figure GDA0002903839450000122
Figure GDA0002903839450000123
Figure GDA0002903839450000124
第一种故障时的调制频率fn，2fn成分的幅值系数中因含有(2πfz)2项，它们的频谱幅值系数最高，因此在频谱图上最容易辨认，因为归一化调幅系数0≤B≤1，
因而
Figure GDA0002903839450000131
因此，第二种故障时的调制频率fm成分的幅值在频谱图上排在第三，也比较容易分辨，所以不需要做任何滤波处理即可解析出两种故障时的调制频率fn和fm。
步骤四，对最终时域信号进行傅里叶变换，取得最终频域图像，并对最终频域图像进行分析，找到代表大型机械齿轮箱故障部位的特征调制频率，最终从成百上千个零件中精确找出故障点进行故障零件的维修和更换。
下面以matlab软件仿真程序来描述频谱的分析过程：
对于只含有一种故障时的调制频率成分的调幅调频信号的第一种故障信号类型：
x(t)＝[1+0.5cos(2π20t)]cos(2π300t+2sin(2π20t))，
令采样频率900Hz，采样点数1024点，故障时的调制频率为20Hz。
图2和图3分别为单一故障时的调制频率信号的时域图与一阶二阶微分处理后的频域图，很明显观察到故障特征频率的一倍频20Hz与二倍频40Hz。
对于含有两种故障时的调制频率成分的调幅调频信号的第二种故障信号类型：
x(t)＝5[1+0.5cos(2π20t)]cos(2π300t+sin(2π70t))
令采样频率900Hz，采样点数1024点，故障时的调制频率分别为20Hz和70Hz。
图4和图5分别为两种故障时的调制频率信号的时域图与一阶二阶微分处理后的频域图，很明显观察到第一种故障时的调制频率的一倍频20Hz与二倍频40Hz以及第二种故障时的调制频率70Hz。
最后，因为作为动力输入的电机输入转速是可调并已知的，齿轮箱各个齿轮齿数、每个挡位的传动比、各滚动轴承各参数(滚珠个数、滚动体直径、轴承节径、滚动体接触角)、以及各个零件的布置位置在出厂资料里都可获得，是已知的，所以在某个特定输入转速条件下的，齿轮箱每根轴转速、每根轴的转动调制频率都可通过查表或计算获得，各滚动轴承的故障特征通过调制频率也可通过计算或查表获得，因此，以上述仿真为例，在特定转速下，只要找到轴转动调制频率或轴承通过调制频率为20Hz和70Hz的相关轴(也有可能是齿轮故障，其故障时的调制频率是所在轴的转动调制频率)或故障轴承(轴承个数相对较少，检查工作量相对较小)，通过简单拆检即可精确确定故障部位进行维修更换。
下面以某大型齿轮箱厂生产的故障实验用重型卡车用三轴五档变速器为试验对象，测点位置及内部传动结构如图6所示。
试验台布置如图7所示，动力由可调式调频拖动电机输入，转速扭矩传感器用于测量输入轴1或输出轴3的转速、扭矩。动力由调频电机输入到待测故障变速器，待测变速器输出轴连接到一个升速变速器，用于输入输出转速、扭矩的匹配，与升速变速器相连的是加载直流电机，其作用是给系统提供负载。加载直流电机在运行过程中可以充当发电机用，用于将系统中的动力输入转化为电能再灌回给调频输入电机，实现动力的电封闭。
信号采集系统基本参数及实验工况：信号采集处理装置主要由振动速度传感器，电荷放大器，便携式笔记本电脑，信号采集处理系统(内部配置A/D卡，可处理12通道数据)构成。
系统各部分的主要性能参数为：
1)A/D卡：12位采集卡，输入最大电压为5伏。
2)丹麦B&K电荷放大器：可对传感进来的速度，加速度，位移信号量进行电荷放大。
3)所用传感器：丹麦B&K 972151速度传感器；振动速度信号经传感器采集后为电荷量，经电荷放大器进行放大后转换为电压信号，并输入到信号采集系统的A/D卡，经A/D卡采集后输入到便携笔记本电脑。
信号以输出轴端1测点x方向的振动速度信号为主，工况统一为：转速为600r/min，载荷75NM。
信号采集参数为：采样频率：5000Hz；采样长度：1024×90点。
第一步：
当变速器档位切换到4档时，噪声信号巨大，变速器箱体震动强烈，重点采集4档振动故障信号，并进行频谱分析，如图1所示其故障部位产生的强烈冲击能量主要集中在0-500Hz，因此对时域信号进行0-500Hz的低通滤波(通带从0Hz开始的带通滤波)，尽量滤除噪声干扰或其他无关信号(该滤波过程可由Matlab软件对原始二进制数据文件编程实现，也可由一般的信号采集系统实现，信号采集系统都附带有此功能)，最后得到如图8所示matlab生成的滤波后的故障汽车变速器振动速度信号时域图。
第二步：用Matlab软件编程工具对该时域信号进行一阶二阶微分编程处理，得到最终处理时域信号。
第三步：用Matlab编程工具对最终处理时域信号进行傅里叶变换，得到如图9所示Matlab故障汽车变速器振动信号一阶二阶微分处理后频谱分析图，从最终处理信号的频谱分析可看出，主要故障时的调制频率为13.09Hz及2倍频26.11Hz。
当输入轴1转速为600r/min时，则：
输入轴1转频：10Hz；
中间轴2转频：(26/38)×输入轴转频＝6.84Hz；
输出轴3转频：((26*42)/(38*22))×输入轴转频＝13.06Hz；
其中26、38、42、22皆为相关齿轮齿数，已在图6齿轮箱结构图中标出。
由此得出结论：当输入轴1转速为600r/min时，只有输出轴3的转动调制频率与13.09Hz非常吻合，而且当变速器档位切换到4档时，噪声信号巨大，变速器箱体震动强烈。因此，故障部位应该在与4档相关的传动齿轮、轴或滚动轴承部位，且故障部位应该和输出轴关联，经简单拆检，此齿轮箱输出轴3上的4档齿轮发生严重齿面剥落故障。
本试验用故障齿轮箱只是三轴五档，只是2级传动，如果将该方法用在传动级数特别多的特大型多级齿轮箱上，则故障检测及定位效果将更加明显。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种多齿轮系统大型机械齿轮箱故障检测方法，其特征在于：包括以下步骤：
步骤一，通过传感器对多齿轮系统大型机械齿轮箱的振动噪声信号进行高采样频率采样，取得原始采样时域信号；
步骤二，对原始采样时域信号进行傅里叶变换，取得频域信号，并分析高能量故障特征冲击信号所在频带，并采用带通滤波器截取故障特征冲击信号所在频带，尽可能地滤去背景噪声和无关信号，取得低通或带通滤波过后的时域信号；
步骤三，对带通滤波过后的采样时域信号分别进行一阶和二阶微分处理，分别取得一阶微分采样信号与二阶微分采样信号，并用一阶微分采样信号的平方减去滤波后的采样时域信号与二阶微分采样信号的乘积，取得处理后的最终时域信号；
当轴或齿轮出现故障时，或者当滚动轴承出现故障时，故障信号的数学模型表示为：
z(t)＝A[1+Bcos(2πfnt)]cos[2πfzt+βsin(2πfnt)]
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn为轴的转动调制频率或者相关滚动轴承通过调制频率，fz为载波频率；
上述故障信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure FDA0002903839440000021
从上式可以看出，具有单一故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括十二项，其中第一项为常数项；观察这十二项频率成分的幅值系数，其中常数项不考虑，观察故障时的调制频率fn，两倍调制频率2fn，三倍调制频率3fn，四倍调制频率4fn；
因为载波频率fz数值远大于B、β、fn，所以故障时的调制频率一倍频fn和二倍频2fn成分幅值因含有(2πfz)2项，在频谱图上它们的幅值将远大于其他频率成分，极易分辨，不需要做任何滤波处理即可解析出故障时的调制频率fn；
当齿轮或轴和相关滚动轴承同时出现故障时，故障齿轮所在轴或故障轴的转动调制频率及其相关故障滚动轴承通过调制频率同时出现，载波频率为故障齿轮啮合频率或故障滚动轴承外圈的固有频率，其中载波频率远大于故障时的调制频率；这些更复杂的交错故障信号的数学模型表示为：
z(t)＝A[1+Bcos(2πfnt)]cos[2πfzt+βsin(2πfmt)]，
其中，A为幅值，B为归一化调幅系数，β为归一化调频系数，fn和fm分别为轴的转动调制频率和相关滚动轴承通过调制频率，fn≠fm，fz为载波频率；
上述故障信号的一阶和二阶微分处理具体为：用滤波后一阶微分采样信号的平方减去滤波后采样时域信号与滤波后二阶微分采样信号的乘积，具体公式为：
Figure FDA0002903839440000041
Figure FDA0002903839440000051
从上式可以看出，同时具有两种故障时的调制频率的调频调幅信号经过一阶二阶微分处理以后，频率成分包括二十六项，其中第一项为常数项；观察这二十六项频率成分的幅值系数，其中常数项不考虑，因为载波频率fz数值远大于B、β、fn，所以主要观察幅值系数中含有载波频率fz的几项频率成分：
A2B2πfz2πfmβcos(2π(fm-2fn)t)；
A2B2πfz2πfmβcos(2π(fm+2fn)t)；
A2B4πfz2πfmβcos(2π(fm+fn)t)；
A2B4πfz2πfmβcos(2π(fm-fn)t)；
Figure FDA0002903839440000052
Figure FDA0002903839440000053
Figure FDA0002903839440000054
第一种故障时的调制频率一倍频fn和二倍频2fn成分的幅值系数中因含有(2πfz)2项，它们的频谱幅值系数最高，因此在频谱图上最容易辨认，因为归一化调幅系数0≤B≤1，
因而
Figure FDA0002903839440000061
因此，第二种故障时的调制频率fm成分的幅值在频谱图上排在第三，也比较容易分辨，所以不需要做任何滤波处理即可解析出两种故障时的调制频率fn和fm；
步骤四，对最终时域信号进行傅里叶变换，取得最终频域图像，并对最终频域图像进行分析，找到代表大型机械齿轮箱故障部位的特征调制频率，最终从成百上千个零件中精确找出故障点进行故障零件的维修和更换。
2.根据权利要求1所述的一种多齿轮系统大型机械齿轮箱故障检测方法，其特征在于：所述步骤一中的传感器采用速度传感器或加速度传感器，采样频率与齿轮箱轴类零件转速相适应，并保证满足奈奎斯特采样定理，采样点数不低于1024点。
CN201811402554.9A 2018-11-22 2018-11-22 一种多齿轮系统大型机械齿轮箱故障检测方法 Active CN109253244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811402554.9A CN109253244B (zh) 2018-11-22 2018-11-22 一种多齿轮系统大型机械齿轮箱故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811402554.9A CN109253244B (zh) 2018-11-22 2018-11-22 一种多齿轮系统大型机械齿轮箱故障检测方法

Publications (2)

Publication Number Publication Date
CN109253244A CN109253244A (zh) 2019-01-22
CN109253244B true CN109253244B (zh) 2021-03-23

Family

ID=65042207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811402554.9A Active CN109253244B (zh) 2018-11-22 2018-11-22 一种多齿轮系统大型机械齿轮箱故障检测方法

Country Status (1)

Country Link
CN (1) CN109253244B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110514437B (zh) * 2019-08-23 2020-08-18 西安交通大学 一种用于故障诊断的行星齿轮箱振动信号分离方法
CN111425584A (zh) * 2020-04-29 2020-07-17 常州机电职业技术学院 适用于分离式减速器的齿轮传动噪声的消噪方法
WO2022032529A1 (en) * 2020-08-12 2022-02-17 Abb Schweiz Ag Method, electronic device and computer readable storage medium for fault diagnosis
CN113049252B (zh) * 2021-03-25 2023-04-14 成都天佑路航轨道交通科技有限公司 一种列车轴承箱的故障检测方法
CN113776838A (zh) * 2021-11-10 2021-12-10 盛瑞传动股份有限公司 一种齿轮调整方法、装置、设备及存储介质
WO2024082103A1 (zh) * 2022-10-17 2024-04-25 舍弗勒技术股份两合公司 用于检测齿轮箱的故障的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9841352B2 (en) * 2014-06-19 2017-12-12 United Technologies Corporation System and method for monitoring gear and bearing health
CN106096198B (zh) * 2016-06-29 2019-02-22 潍坊学院 一种基于变分模式分解和谱峭度的包络分析方法
CN108181107B (zh) * 2018-01-12 2019-08-30 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN108444698B (zh) * 2018-06-15 2019-07-09 福州大学 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法

Also Published As

Publication number Publication date
CN109253244A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109253244B (zh) 一种多齿轮系统大型机械齿轮箱故障检测方法
CN110044610B (zh) 齿轮故障诊断方法
Feng et al. Joint amplitude and frequency demodulation analysis based on intrinsic time-scale decomposition for planetary gearbox fault diagnosis
Zhao et al. Generalized Vold–Kalman filtering for nonstationary compound faults feature extraction of bearing and gear
Meng et al. Rotating machinery fault diagnosis using Wigner distribution
Yoon et al. On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis
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
Ha et al. Toothwise fault identification for a planetary gearbox based on a health data map
CN110514437B (zh) 一种用于故障诊断的行星齿轮箱振动信号分离方法
CN106124197A (zh) 一种行星齿轮箱太阳轮局部故障检测方法及系统
CN107063681B (zh) 一种行星齿轮箱时变振动传递路径下的故障特征包络提取方法
Guo et al. Tooth root crack detection of planet and sun gears based on resonance demodulation and vibration separation
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
Guo et al. Gear fault diagnosis of wind turbine based on discrete wavelet transform
CN112380671B (zh) 一种齿轮故障振动调制信号的通用幅值解调方法
CN111413095A (zh) 基于瞬时角速度的行星轴承分布式故障诊断分析方法
CN109596349A (zh) 一种基于vmd和pct的减速器故障诊断方法
Touti et al. An improved electromechanical spectral signature for monitoring gear-based systems driven by an induction machine
Wang et al. Tacholess order-tracking approach for wind turbine gearbox fault detection
Zeng et al. Planetary gear fault diagnosis based on an instantaneous angular speed measurement system with a dual detector setup
Zhao et al. Vold-Kalman generalized demodulation for multi-faults detection of gear and bearing under variable speeds
CN112597969B (zh) 一种滚动轴承故障诊断方法、系统及介质
CN104215453B (zh) 一种一级行星二级平行轴齿轮箱故障检测方法
Touti et al. An envelope time synchronous averaging for wind turbine gearbox fault diagnosis
CN107490477A (zh) 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230315

Address after: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.

Address before: 213164 No. 2 new middle road, Changzhou City University, Jiangsu

Patentee before: CHANGZHOU College OF INFORMATION TECHNOLOGY

Effective date of registration: 20230315

Address after: 210000 industrial concentration zone, Honglan Town, Lishui District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Hansen high speed gearbox manufacturing Co.,Ltd.

Address before: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee before: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.