CN109632295A - 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 - Google Patents
基于连续振动分离和最小熵解卷积的行星轮故障检测方法 Download PDFInfo
- Publication number
- CN109632295A CN109632295A CN201910016140.0A CN201910016140A CN109632295A CN 109632295 A CN109632295 A CN 109632295A CN 201910016140 A CN201910016140 A CN 201910016140A CN 109632295 A CN109632295 A CN 109632295A
- Authority
- CN
- China
- Prior art keywords
- planetary gear
- data
- signal
- minimum entropy
- fault detection
- 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
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
Abstract
本发明属于装备的健康监测与故障诊断技术领域,公开了一种基于连续振动分离和最小熵解卷积的行星轮故障检测方法,包括:同步采集行星轮系多个测点的振动信号和转速脉冲信号;从各周期信号中提取出与目标轮齿相关的振动信号,形成数据集;根据轮齿啮合时序关系,从组合集中按照一定的映射重构方法,得到各轮齿部件的振动分离向量;将连续映射得到的信号进行最小熵解卷积滤波,得到增强后的故障特征信号。本发明能够深入行星轮系内部进行信号重构,得到连续的分离分解信号,并通过MED方法增强故障特征,能够承受一定程度的转速波动和载荷波动,能够对行星轮进行故障诊断,具有较强的应用价值。
Description
技术领域
本发明属于装备的健康监测与故障诊断技术领域,尤其涉及一种基于连续振动分离和最小熵解卷积的行星轮故障检测方法。主要适用于在一定工况变化的情况下,从原始振动信号中分离出行星轮的连续振动信号并增强故障特征。
背景技术
目前,业内常用的现有技术是这样的:
行星轮系在直升机主减速器、风机齿轮箱等大型装备的传动系统中有广泛的应用,行星轮系的健康状况对装备的运行性能有很大的影响,一旦传动链中行星轮系发生故障,将造成装备停机,给生产造成极大的影响,为此,行星轮系的状态监测和故障诊断研究成为近年来的热点。目前,国内外的学者们针对行星轮系的故障诊断开展了一系列研究工作,将谱分析法、时频分析法等定轴齿轮故障诊断方法拓展到行星轮系的故障诊断中,在一定程度上解决了行星轮系故障诊断问题。但是行星轮故障诊断仍然面临以下核心问题:首先,行星轮系中通常包含多个行星轮,存在多个轮齿啮合副,故障轮齿啮合引发的冲击现象不明显,故障特征比较微弱;其次,行星轮系中振动信号的传递路径较长,振动信号由振动源传递到传感器的过程中故障特征衰减严重;最后,行星轮系中存在的轴、轴承等其他动部件的正常振动容易将故障,尤其是早期故障的故障特征信号淹没,影响故障诊断结果。
为此,如何克服行星齿轮箱复杂运动和众多部件的不良影响,在噪声影响下的复杂振动信号中分离出行星轮的特征信号,并对故障特征进行增强成为行星轮系故障诊断研究的重点和难点问题。
综上所述,现有技术存在的问题是:
(1)行星齿轮箱中行星轮信号传递的时变路径及信号衰减问题。行星齿轮箱内部运行形式复杂,行星轮振动信号存在独特的时变传递路径问题,以及信号传递路径引起的信号衰减问题。如何克服信号传递路径的不良影响,有效解决信号衰减问题,成为进一步提高行星轮故障检测方法所面临的问题之一。
(2)齿轮故障微弱信号检测问题。齿轮故障在早期特征信号相比正常的振动信号而言比较微弱,故障轮齿啮合引发的冲击现象很难通过常见的方法有效识别和检测。如何有效增强故障相关信号,在故障早期实现对故障的有效检测和隔离,成为进一步提高行星轮故障检测方法实用性和经济性的问题之一。
(3)行星轮故障无法精确定位的问题。行星齿轮箱中往往存在多个行星轮,且行星轮之间的几何特征、运动及动力学特征甚至故障特征完全相同,现有技术往往只能将故障隔离到行星轮,但无法具体确定故障发生在哪个行星轮上。
解决上述技术问题的难度和意义:
解决上述问题,需要结合行星齿轮箱结构特点,深入行星齿轮箱内部;在齿轮运动规律和故障机理分析的基础上,摒弃传统齿轮箱故障诊断方法的研究范式,针对其独特的时变传递路径问题,提出一种新的信号处理手段,从传感器的监测信号中分离出各个行星轮的特征信号;进一步结合信号增强检测方法,从正常的振动以及噪声中检测出相对微弱的故障冲击信号。
上述问题的解决,将有助于提高行星齿轮箱故障诊断的精细化水平,将行星轮故障隔离精度进一步提高;同时,也能够更早的发现故障,给维修作业提供更长的规划时间和决策空间,提高行星齿轮箱状态监测和故障诊断的经济效益。
发明内容
针对现有技术存在的问题,本发明提供了一种基于连续振动分离和最小熵解卷积的行星轮故障检测方法。本发明公开一种基于连续振动分离和最小熵解卷积的行星轮故障增强检测方法,该方法基于轮齿啮合关系求解和行星架回转的幅值调制效应,通过行星架的转速脉冲信号对振动信号进行分割、提取、组合,然后解算轮齿啮合关系,建立分离出的数据和轮齿之间的映射关系,重构出连续的太阳轮故障特征信号,并通过最小熵解卷积方法进行故障特征增强。该方法能够结合行星齿轮箱的结构特点,分离行星轮的动态特征,消除其他部件振动的影响,消除行星架回转的幅值调制效应,能够有效对故障相关的啮合脉冲信号进行增强,包含目标部件更多的故障信息。
本发明是这样实现的,一种基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其步骤为:
①.数据采集和重采样:同步采集行星轮系多个测点的振动信号和转速脉冲信号,根据行星架旋转的转速脉冲信号进行数据分割和重采样。
②.数据提取:从各周期信号中提取出与行星轮相关的振动信号,形成数据集。
③.映射组合平均:根据轮齿啮合时序关系,从组合集中按照一定的映射重构方法,得到各轮齿部件的振动分离向量。
④.最小熵解卷积故障特征增强:将连续映射得到的信号进行最小熵解卷积滤波,得到增强后的故障特征信号。
进一步,所述步骤①的具体流程为:
1.1.数据采集:使用同步采样方法,对多个测点的振动信号以及行星架的转速脉冲信号进行采样;此外,测量并记录加速度传感器和行星轮相对于转速传感器的安装位置,记录齿圈齿数Nr,行星轮齿数Np,太阳轮齿数Ns,行星轮个数NP;
1.2.数据分割:以转速脉冲信号为基准,对各通道振动数据进行分割;
1.3.数据滤波:对数据进行滤波处理,滤除不相干频率成分;
1.4.重采样:对数据进行重采样,消除转速波动造成的各回转周期采样点数不同的影响。
进一步,所述步骤②的具体流程为:
2.1.计算提取索引:根据行星轮编号和振动传感器编号计算数据提取的中心点索引值;
数据提取位置由提取索引表示,的物理意义为传感器Aj与行星轮Pi和对齐时刻,相应数据点对应的下标。该数据点与行星轮Pi和传感器Aj对齐的时刻对应。行星轮Pi的初始角度传感器Ai的安装位置角度为行星轮Pi与传感器Aj的分离角度定义为
式中mod为模函数。分离角度表示行星轮Pi从初始位置运动到传感器Aj过程中,行星架转过的角度。每个行星架周期经过重采样,有个数据点,每两个点之间的间隔为在实际采样过程中,可能未在分离角度处进行采样,数据处理中取与Pi与Ai对准时刻距离最近的点代替,该数据点的索引是:
式中round函数是最近取整函数。与实际对齐时刻的时间误差秒,影响可以忽略。
2.2.确定数据长度:设定数据提取窗长,由数据窗长计算提取数据长度;
确保一个轮齿的全部TMP在一个行星架周期内被提取到的一种方法是,采用和多个TMP相对应的额外的数据点。设Mv为一个奇数,该奇数表示所需要的数据的TMP数目。那么相应的提取数据点数给定为:
lE=MvNTP
Mv为奇数的限制是为了简化后续的分析,因为它处于与相关的波形的中心。
提取的数据段的起始位置给定为:
从而可得到数据点的范围为:
任意传感器Aj和行星轮Pi的组合都可以确定一个数据提取位置,因此,对于有NP个行星轮NA个传感器的行星轮系故障诊断系统,共有NA×NP个数据提取位置。
2.3.构成数据集:数据集是一个四维矩阵,各维度分别表示传感器编号、行星轮编号、行星架回转周期编号、数据点索引值。
进一步,所述步骤③的具体流程为:
3.1.构建AHM:将数据组按照行星轮追逐齿比划分为各个AHM;
根据行星轮追逐齿比定义
针对给定传感器和给定行星轮编号,其对应的数据集为一个2维矩阵,其中每段提取数据占据矩阵的一列,矩阵的列数与重采样信号的圈数相等。对该矩阵进行划分,每PHTR个数据段为一组,另存为AHM,共得到Nset个AHM。
3.2.加窗映射:通过轮齿啮合时序求解,将AHM中数据映射到组合保持矩阵对应列向量中的相应位置,并求和重构行星轮一圈信号;
对各个AHM集中数据匹配索引按照匹配索引对AHM数据加窗处理后映射到组合保持矩阵中的相应位置,并求和得到整圈信号。其中,匹配索引的计算依据是数据提取时刻轮齿啮合关系。
对行星轮而言,匹配索引表示在第k个行星架循环中,当行星轮Pi和传感器Aj对齐时,提取数据在行星轮振动分离向量中对应的位置。分离角度表示行星轮Pi从初始位置运动到传感器Aj过程中,行星架转过的角度。那么在第k个行星架循环中,行星轮Pi和传感器Aj对齐时,行星架的旋转角度为
由行星轮与行星架的传动比关系
θp=(1-Nr/Np)θc
将可得此时行星轮的自转角度
由此可得匹配索引
TSA集合的每一个列向量根据匹配索引映射到组合保持矩阵中。数据映射范围给定为
式中
3.3.组合:对各组AHM得到的整圈行星轮信号进行组合;
3.4时间同步滑动平均:使用卷积平均方法,通过滑动的时间窗口,对组合信号进行平均降噪。
在时间同步滑动平均中,对数据每隔N个点进行平均,其中N等于信号的周期。定义如下
式中x[k]表示原始信号,y[k]表示平均结果,M为平均次数,且M<L,L为角采样率。为了计算方便,时间滑动平均也可定义为
y=x*f(M,L)
式中δ(t)为Dirac脉冲函数。
进一步,所述步骤④的具体流程为:
4.1.构建X:将原始信号序列按照MED算法要求构建矩阵X;
不妨设x=[x0 x1 … xN]T,则
4.2设定初值:将滤波器参数设置为不全为0的初始参数;
设定f=[f1 f2 … fL],其中fi不全为0。
4.3迭代优化:通过迭代不断优化滤波器参数直至达到循环次数或满足性能要求;
通过迭代方式寻找优化问题的较优解,滤波器迭代公式为
4.4利用滤波器参数对信号进行滤波。
计算
y=XTf
即可得到输出信号。
本发明的另一目的在于提供一种实现所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法的计算机程序。
本发明的另一目的在于提供一种终端,所述终端至少搭载实现所述基于连续振动分离和最小熵解卷积的行星轮故障检测方法的处理器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法。
本发明的另一目的在于提供一种实现所述基于连续振动分离和最小熵解卷积的行星轮故障检测方法的基于连续振动分离和最小熵解卷积的行星轮故障检测系统。
本发明的另一目的在于提供一种搭载所述基于连续振动分离和最小熵解卷积的行星轮故障检测系统的直升机等重大装备中行星轮系早期故障诊断设备。
本发明的主要优点有:
(1)充分利用和行星齿轮箱结构参数信息和传感器安装位置信息。传统方法中,齿轮箱结构参数仅仅用于计算各动部件的故障特征阶次等故障特征信息,与信号处理方法的具体实现无关。在本方法中,不仅用到齿轮箱结构参数信息,还利用了传感器安装位置信息,在算法中利用上述参数进行信号提取相关参数的确定,并用于求解信号映射重构;进而从原始信号中分离出刻画各行星轮健康状态的动力学特征。相比传统方法,本方法对故障的定位和隔离更为精准,不仅能够判断是否发生行星轮故障,还能进一步在多个行星轮之间将故障隔离到具体的行星轮。
(2)本方法有效克服了行星齿轮箱信号时变传递路径的影响,相比传统方法,同等故障程度下的故障特征更加明显。行星轮运动为绕自身中心轴线自转和绕太阳轮中心公转的叠加,公转运动引起齿轮啮合振动成分在传感器所采集的信号中强弱周期变化,给故障检测带来一定的困难。本方法通过安装位置参数,提取振动信号中受时变传递路径影响最小的信号成分,克服了信号时变传递路径的影响,使得故障特征更加明显。
下图所示为使用本方法中连续振动分离方法处理前后,信号包络阶比谱的对比图。由图可见,不使用连续振动分离算法时,阶比谱中除了故障特征频率成分(整数阶次)外,还有由于时变信号传递路径调制现象引起的边频带(图10同等故障严重程度下,连续振动分离算法效果对比中所示的非整数阶次),故障特征受到调制效应的影响。使用连续振动分离算法进行处理后,克服了时变信号传递路径引起的调制效应。保留了故障相关的特征成分,使得故障特征更加明显。
(3)有效克服了微弱故障特征检测问题,相比传统方法,能够更早发现故障。齿轮在正常状态下,也会由于单-双齿啮合的时变啮合刚度等因素发生振动,当齿轮发生故障,尤其是在故障早期时,故障冲击相对于正常的振动以及噪声等较为微弱,往往淹没在信号中难以检测。本方法利用故障脉冲峭度相比正常信号峭度更大的特点,结合最小熵解卷积方法,对连续振动分离结果进行故障特征增强,使得故障脉冲信号在正常振动信号和噪声中更加突显,从而实现更早的发现故障。图11严重故障情况下,MED方法效果对比所示为在严重故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。
由图11可见,当故障较为严重时,即使不使用本方法中涉及的最小熵解卷积算法,也能够在信号的时域信号中观察到故障引起的冲击信号;由于故障轮齿每圈参与一次啮合,当故障轮齿参与啮合时,引起故障冲击,故障冲击信号具有丰富的谐波成分,因此,故障冲击信号在阶比谱中表现为轴转频及其倍频。这一现象在阶比谱中也能够观察到。经过最小熵解卷积算法进行故障特征增强之后,从时域信号来看,故障冲击信号更加明显,在阶比谱中,故障特征更加明显。可见,在同等故障严重程度下,使用本方法中的最小熵解卷积算法,可以使故障特征更加明显。
图12早期故障情况下,MED方法效果对比所示为,在早期故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。图12所示为。为在早期故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。
由图可见,在早期故障时,不使用最小熵解卷积算法,在时域和频域均无法有效观察到故障特征。使用最小熵解卷积算法进行故障特征增强后,可以观察到明显的故障特征。可见,在故障早期使用传统方法无法有效检测故障时,本方法能够有效克服微弱故障特征检测问题,相比传统方法,能够更早发现故障。
本发明的优点及积极效果还有:
针对行星轮故障诊断问题中时变信号传递路径引起的调制效应,以及早期微弱故障特征难以检测的问题,充分利用和行星齿轮箱结构参数信息和传感器安装位置信息,提出基于连续振动分离和最小熵解卷积的行星轮故障检测方法。本方法利用连续振动分离方法有效克服了行星齿轮箱信号时变传递路径的影响,消除边频带;在利用最小熵解卷积算法对故障特征进行增强检测,进而能够更早的发现行星轮故障。
本发明提供的方法操作简便、监测精度高、适用范围广、适用于直升机等重大装备中行星轮系早期故障诊断问题。
本发明能够深入行星轮系内部进行信号重构,得到连续的分离分解信号,并通过MED方法增强故障特征,能够承受一定程度的转速波动和载荷波动,能够对行星轮进行故障诊断,具有较强的应用价值。
附图说明
图1是本发明实施例提供的基于连续振动分离和最小熵解卷积的行星轮故障检测方法流程图。
图2是本发明实施例提供的传感器及行星轮安装位置示意图;
图3是本发明实施例提供的数据分割示意图;
图4是本发明实施例提供的转速波动引起的数据长度变化示意图;
图5是本发明实施例提供的数据提取流程示意图;
图6是本发明实施例提供的AHM集构建流程图;
图7是本发明实施例提供的加窗映射流程示意图;
图8是本发明实施例提供的组合保持矩阵中的数据波形图;
图9是本发明实施例提供的行星轮故障增强检测结果图。
图中:(a)原始信号(b)组合信号(c)时间同步滑动平均信号(d)最小熵解卷积信号。
图10是本发明实施例提供的同等故障严重程度下,连续振动分离算法效果对比图。
图11是本发明实施例提供的严重故障情况下,MED方法效果对比图。
图12是本发明实施例提供的早期故障情况下,MED方法效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1,本发明实施例提供的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,步骤为4大步。(1)数据采集和重采样:同步采集行星轮系多个测点的振动信号和转速脉冲信号,根据行星架旋转的转速脉冲信号进行数据分割和重采样,分4小步:①.数据采集:使用同步采样方法,对多个测点的振动信号以及行星架的转速脉冲信号进行采样;②.数据分割:以转速脉冲信号为基准,对各通道振动数据进行分割;③.数据滤波:对数据进行滤波处理,滤除不相干频率成分;④.重采样:对分割、滤波后的数据进行重采样,消除转速波动造成的各回转周期采样点数不同的影响。(2)数据提取:从各周期信号中提取出与目标轮齿相关的振动信号,形成数据集,分3小步:①.计算提取索引:根据行星轮编号和振动传感器编号计算数据提取的中心点索引值;②.确定数据长度:设定数据提取窗长,由数据窗长计算提取数据长度;③.构成数据集:数据集是一个四维矩阵,各维度分别表示传感器编号、行星轮编号、行星架回转周期编号、数据点索引值。(3)映射组合平均:根据轮齿啮合时序关系,从组合集中按照一定的映射重构方法,得到各轮齿部件的振动分离向量,分3小步:①.构建AHM:将数据组按照行星轮追逐齿比划分为各个AHM;②.加窗映射:通过轮齿啮合时序求解,将AHM中数据映射到组合保持矩阵对应列向量中的相应位置,并求和重构行星轮一圈信号;③.组合:对各组AHM得到的整圈行星轮信号进行组合;④.时间同步滑动平均:使用卷积平均方法,通过滑动的时间窗口,对组合信号进行平均降噪。(4)MED故障特征增强:将连续映射得到的信号进行最小熵解卷积滤波,得到增强后的故障特征信号,分4小步:①.构建X:将原始信号序列按照MED算法要求构建矩阵X;②.设定初值:将滤波器参数设置为不全为0的初始参数;③.迭代优化:通过迭代不断优化滤波器参数直至达到循环次数或满足性能要求;④.利用滤波器参数对信号进行滤波。本发明能够深入行星轮系内部进行信号重构,得到连续的分离分解信号,并通过MED方法增强故障特征,能够承受一定程度的转速波动和载荷波动,能够对行星轮进行故障诊断,具有较强的应用价值。本发明的流程图如图1所示。
下面结合具体方案对本发明的应用作详细描述。
本发明实施例提供的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其步骤为:
①.数据采集和重采样:同步采集行星轮系多个测点的振动信号和转速脉冲信号,根据行星架旋转的转速脉冲信号进行数据分割和重采样。
②.数据提取:从各周期信号中提取出与行星轮相关的振动信号,形成数据集。
③.映射组合平均:根据轮齿啮合时序关系,从组合集中按照一定的映射重构方法,得到各轮齿部件的振动分离向量。
④.最小熵解卷积故障特征增强:将连续映射得到的信号进行最小熵解卷积滤波,得到增强后的故障特征信号。
在本发明实施例中,所述步骤①的具体流程为:
1.1.数据采集:使用同步采样方法,对多个测点的振动信号以及行星架的转速脉冲信号进行采样;此外,测量并记录加速度传感器和行星轮相对于转速传感器的安装位置,记录齿圈齿数Nr,行星轮齿数Np,太阳轮齿数Ns,行星轮个数NP;
1.2.数据分割:以转速脉冲信号为基准,对各通道振动数据进行分割;
1.3.数据滤波:对数据进行滤波处理,滤除不相干频率成分;
1.4.重采样:对数据进行重采样,消除转速波动造成的各回转周期采样点数不同的影响。
在本发明实施例中,所述步骤②的具体流程为:
2.1.计算提取索引:根据行星轮编号和振动传感器编号计算数据提取的中心点索引值;
2.2.确定数据长度:设定数据提取窗长,由数据窗长计算提取数据长度;
2.3.构成数据集:数据集是一个四维矩阵,各维度分别表示传感器编号、行星轮编号、行星架回转周期编号、数据点索引值。
在本发明实施例中,所述步骤③的具体流程为:
3.1.构建AHM:将数据组按照行星轮追逐齿比划分为各个AHM;
3.2.加窗映射:通过轮齿啮合时序求解,将AHM中数据映射到组合保持矩阵对应列向量中的相应位置,并求和重构行星轮一圈信号;
3.3.组合:对各组AHM得到的整圈行星轮信号进行组合;
3.4时间同步滑动平均:使用卷积平均方法,通过滑动的时间窗口,对组合信号进行平均降噪。
在本发明实施例中,所述步骤④的具体流程为:
4.1.构建X:将原始信号序列按照MED算法要求构建矩阵X;
4.2设定初值:将滤波器参数设置为不全为0的初始参数;
4.3迭代优化:通过迭代不断优化滤波器参数直至达到循环次数或满足性能要求;
4.4利用滤波器参数对信号进行滤波。
下面结合应用实例对本发明作进一步描述。
下面以直升机传动系统故障诊断与预测试验台中的行星轮系的健康监测为例来说明本发明的具体实施方式。在直升机中,行星齿轮箱通常作为主齿轮箱的输出端与主旋翼直接相连。行星轮系作为传动系统的核心部件之一,长期处于高变扭矩的工作状态下,且随着气流的变化,外部载荷不断发生复杂变化,行星轮系的磨损、点蚀等轻微故障对直升机飞行性能有很大的影响,断齿等严重故障甚至会造成机毁人亡的惨剧。对主齿轮箱,尤其是行星轮系进行状态监测和故障诊断,在故障发生的早期实现故障诊断,对保障直升机的飞行安全具有十分重要的意义。
直升机主减速器的行星轮系零件众多,运动复杂,相比单极定轴齿轮箱信号成分也更加复杂,独特的调制效应也给信号处理增加了很多难度,尤其是行星轮的故障分离、诊断最具挑战性,由于行星轮空间位置相对传感器随时间变化,其故障特征在传感器获取的信号中的表达更加复杂,检测也更加困难,为解决行星轮的故障诊断问题,必须克服复杂结构、复杂运动带来的不良影响,克服调制效应,克服故障特征被其他信号淹没的挑战。
这里以直升机故障诊断与预测试验台行星轮系中的行星轮为对象,在实验室环境下模拟直升机主齿轮箱行星轮系运行工况,在一定变工况条件下对行星轮系中的行星轮进行监测,以此为例,说明采用本发明的实施步骤:
步骤1:数据采集和重采样,具体步骤如下。
步骤1.1:数据采集:使用控制系统设置工作模式及工况参数(行星架转频为0.5Hz)并运行实验设备,使用基于PC的数据采集系统同步采集加速度传感器和转速传感器的信号,采样频率为5.12kHz。此外,测量并记录加速度传感器和行星轮相对于转速传感器的安装位置,如图2所示,记录齿圈齿数Nr=96,行星轮齿数Np=34,太阳轮齿数Ns=28,行星轮个数NP=4。
步骤1.2:数据分割:以转速脉冲信号跳变边沿为基准,对振动数据进行分割,如图3所示为加速度计A1 8s至32s的振动数据分割,图中菱形数据点为数据分割点;
步骤1.3:数据滤波:对分割后的各数据段进行低通滤波,消除不相干频率成分的影响,滤波器截止频率为500Hz;
步骤1.4:重采样:行星轮系运行过程中转速在一定范围内变化,直接反映为每个行星架循环中数据长度不同(如图4所示),采用计算重采样方法,对各数据段进行重采样,重采样点数的选择需满足两个要求:1)接近原始信号中数据点数,2)可以等分为Nr个数据段,每一个数据段都包含NTP个点。选取重采样点数NTP=105。按照上述参数对每一个行星架循环数据进行重采样处理。由NTP可以确定齿圈、行星轮和太阳轮振动分离向量数据长度分别为10080,3570和2940。
步骤2:数据提取,具体步骤如下:
步骤2.1:计算提取索引:根据所记录的传感器和行星轮安装位置,首先计算和Δθc
然后得出提取索引
步骤2.2:确定提取长度:在本案例中提取长度Mv取3;
步骤2.3:构成数据集:将提取出的数据结构话存储在数据集中;
以传感器A1为例,数据提取流程如图5所示。
步骤3:映射组合平均,具体步骤如下:
步骤3.1:构建AHM:对于传感器Aj和行星轮Pi,每个行星架周期中提取长度为lE的数据片段,在原始振动信号中共提取Nextract列数据,将这些数据每隔nreset,p划分为一个集合,得到Nset个集合。
Nset=floor(Nextract/nreset,p)
式中floor为向下取整函数。
AHM示意图如图6所示。
步骤3.2:加窗映射:加窗映射是在得到AHM之后,对每一个列向量分配匹配索引,将AHM中数据加窗映射到行星轮特征向量相应位置,构成组合保持矩阵。匹配索引详细计算方法见说明书中具体实施方式;如图7所示为加窗映射流程示意图,将AHM集中的PHTR列向量映射到组合保持矩阵中匹配索引对应的位置,并求和重构,图8所示为组合保持矩阵中的数据波形。
步骤3.3:组合:各AHM映射重构得到的信号进行组合,即可得到组合信号,如图9(b)所示。
步骤3.4:时间同步滑动平均:对组合信号进行时间同步滑动平均,如图9(c)所示。
步骤4:最小熵解卷积滤波。
步骤4.1:构建矩阵X,按照具体实施中X的表达式进行构建。
步骤4.2:设置滤波器初值,在本例中,滤波器初值为[1,0,…,0]T
步骤4.3:迭代优化,在本例中,循环最大次数为300次,迭代误差为1e-3。
步骤4.4:滤波输出,解卷积后的信号如图9(d)所示。
下面结合具体实验对本发明的应用原理作进一步描述。
(1)实验装置
实验在国防科学技术大学故障诊断与预测实验室的直升机传动装置诊断与预测实验系统上进行。该实验台模拟的是黑鹰直升机主减速器,由驱动电机、锥齿轮副、两级行星轮系、直齿轮箱、负载电机、润滑油泵、控制系统和数据采集系统组成。
直升机传动装置诊断与预测实验系统
驱动交流电机功率40马力,转速在0~4000r/min范围内可调。电机输出轴通过齿轮联轴器与锥齿轮箱的输入轴联接。锥齿轮箱输出轴与一级行星轮系太阳轮共轴。一级行星轮系的保持架所在的输出轴与二级行星轮系的太阳轮共轴,并驱动二级行星轮系。
模拟主旋翼负载的交流电机功率100马力,负载转矩在0~142Nm范围内可调。为匹配负载电机输出转速和转矩,在二级行星轮输出轴与负载电机之间加装了直齿轮箱。直齿轮箱低速端通过齿轮联轴器与二级行星轮系的输出轴相连,高速端通过联轴器与负载电机相连。
实验台原理:
实验台有两种加载模式,分别为稳态模式和工况曲线模式。在稳态模式下,驱动电机转速固定,负载电机转矩固定。在工况曲线模式下,实验台按照预设的速度曲线和载荷曲线运行,能够模拟复杂工况下直升机主减速器的工作状态。
实验台传动系统由专用的润滑系统润滑和冷却。润滑油经过油泵加压,输送到行星齿轮箱体,润滑油的油压和流速可以由喷油嘴调节。润滑油通过箱体底部回流孔自动回流到油箱,起到冷却与热交换的作用。
实验平台控制系统与数据采集系统集成在一台计算机中。控制系统用于设置实验台工作模式及工况参数。数据采集系统能够同步采集8路振动信号、1路转速信号和1路转矩信号,采样频率范围为2.56kHz至51.2kHz。数据采集系统内置截止频率可调的抗混叠滤波器,为后续实验数据处理提供了便利。
实验台能够模拟直升机锥齿轮、主减速器行星轮系和轴承等传动部件的多种故障模式,能够模拟传动部件的损伤累积演化过程,为直升机传动系统损伤动力学分析、损伤信号处理与特征提取、退化状态识别、剩余使用寿命预测等技术的研究工作提供验证环境。
(2)实验装置传动系统参数
实验台传动系统主体是一个总减速比为39.85:1的三级齿轮减速箱。第一级减速箱是锥齿轮箱,相互啮合的两个锥齿轮齿数分别为18和36。每个锥齿轮都由两个滚子轴承支撑,其中18齿的小锥齿轮采用悬臂式安装,36齿的大锥齿轮采用跨越式安装。第二级减速箱是第一级行星轮系,其中,太阳轮齿数为32,3个行星轮的齿数为40,齿圈齿数为112。太阳轮与前端的锥齿轮输出轴共轴,行星轮均由HK2212圆柱滚子轴承支承,齿圈固定在齿轮箱上。第三级减速箱是第二级行星轮系。其中,太阳轮齿数为28,4个行星轮的齿数为34,齿圈齿数为96。太阳轮与前一级行星轮系的行星架共轴,行星轮均由HK3020圆柱滚子轴承支承,齿圈固定在齿轮箱上。第二级行星轮系的输出轴由两个ER-24K轴承支承。
实验台齿轮参数如下所示。
实验台参数表
(3)试验件及实验流程
实验过程中的行星轮的轮齿利用线切割方法制造如图中所示的轮齿缺陷。
为控制实验过程变量,确保安装可靠,实验过程中制定安装具体流程如下:首先安装齿圈到实验台的行星轮系下壳体,确保1号齿对准标记,然后用安装固定螺钉并对齿圈轮齿按照逆时针方向(从行星架一侧观察)编号为1~96;然后安装太阳轮,之后安装行星轮,行星轮P4的1号齿安装在齿圈的17号齿和18号齿之间,行星轮P3的1号齿安装在齿圈的41号齿和42号齿之间,依次类推。为保证行星轮系各部件的安装位置,安装过程中,在锥齿轮箱输入端将输入轴锁紧,从而阻止部件旋转,将各个部件固定在给定位置,装配过程中避免使用蛮力。这种位置下,将输出轴转速计传感器和轴上反光条对齐,从而保证脉冲前沿与行星轮系部件对应。完成安装之后,将输入轴锁紧工具移除,在开机运行之前将输出轴反转半圈左右,确保第一次脉冲成功触发,同时避免脉冲触发时系统还未进入平稳运行状态。
(4)传感器安装位置及数据采集参数
实验使用5个加速度计和转速传感器测量振动和转速信号。5个加速度计中,1个安装在锥齿轮箱输入轴,其余4个分别安装在一级行星轮和二级行星轮,加速度计安装位置如图所示。
转速传感器位于二级行星轮系输出轴(行星架)正上方。这种安装方式利于调校行星轮系初始位置,保证每次试验行星轮初状态相同。转速传感器每个行星架循环输出一个脉冲。
加速度信号经过抗混叠滤波器后输入到基于PC的数据采集系统,信号经过2kHz截止频率的抗混叠滤波器后以5.12kHz的采样频率采集。每组数据采集198.4s。
下面结合效果对本发明的应用原理作进一步描述。
(1)本发明充分利用和行星齿轮箱结构参数信息和传感器安装位置信息。传统方法中,齿轮箱结构参数仅仅用于计算各动部件的故障特征阶次等故障特征信息,与信号处理方法的具体实现无关。在本发明中,不仅用到齿轮箱结构参数信息,还利用了传感器安装位置信息,在算法中利用上述参数进行信号提取相关参数的确定,并用于求解信号映射重构;进而从原始信号中分离出刻画各行星轮健康状态的动力学特征。相比传统方法,本方法对故障的定位和隔离更为精准,不仅能够判断是否发生行星轮故障,还能进一步在多个行星轮之间将故障隔离到具体的行星轮。
(2)本发明方法有效克服了行星齿轮箱信号时变传递路径的影响,相比传统方法,同等故障程度下的故障特征更加明显。行星轮运动为绕自身中心轴线自转和绕太阳轮中心公转的叠加,公转运动引起齿轮啮合振动成分在传感器所采集的信号中强弱周期变化,给故障检测带来一定的困难。本方法通过安装位置参数,提取振动信号中受时变传递路径影响最小的信号成分,克服了信号时变传递路径的影响,使得故障特征更加明显。
使用本发明方法中连续振动分离方法处理前后,信号包络阶比谱的对比图。由图可见,不使用连续振动分离算法时,阶比谱中除了故障特征频率成分(整数阶次)外,还有由于时变信号传递路径调制现象引起的边频带(图10同等故障严重程度下,连续振动分离算法效果对比中所示的非整数阶次),故障特征受到调制效应的影响。使用连续振动分离算法进行处理后,克服了时变信号传递路径引起的调制效应。保留了故障相关的特征成分,使得故障特征更加明显。
(3)有效克服了微弱故障特征检测问题,相比传统方法,能够更早发现故障。齿轮在正常状态下,也会由于单-双齿啮合的时变啮合刚度等因素发生振动,当齿轮发生故障,尤其是在故障早期时,故障冲击相对于正常的振动以及噪声等较为微弱,往往淹没在信号中难以检测。本方法利用故障脉冲峭度相比正常信号峭度更大的特点,结合最小熵解卷积方法,对连续振动分离结果进行故障特征增强,使得故障脉冲信号在正常振动信号和噪声中更加突显,从而实现更早的发现故障。图11严重故障情况下,MED方法效果对比所示为在严重故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。
由图11可见,当故障较为严重时,即使不使用本方法中涉及的最小熵解卷积算法,也能够在信号的时域信号中观察到故障引起的冲击信号;由于故障轮齿每圈参与一次啮合,当故障轮齿参与啮合时,引起故障冲击,故障冲击信号具有丰富的谐波成分,因此,故障冲击信号在阶比谱中表现为轴转频及其倍频。这一现象在阶比谱中也能够观察到。经过最小熵解卷积算法进行故障特征增强之后,从时域信号来看,故障冲击信号更加明显,在阶比谱中,故障特征更加明显。可见,在同等故障严重程度下,使用本方法中的最小熵解卷积算法,可以使故障特征更加明显。
图12早期故障情况下,MED方法效果对比所示为,在早期故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。图12所示为。为在早期故障情况下,不使用最小熵解卷积方法和使用解卷积方法的对比图。
由图可见,在早期故障时,不使用最小熵解卷积算法,在时域和频域均无法有效观察到故障特征。使用最小熵解卷积算法进行故障特征增强后,可以观察到明显的故障特征。可见,在故障早期使用传统方法无法有效检测故障时,本方法能够有效克服微弱故障特征检测问题,相比传统方法,能够更早发现故障。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其特征在于,所述基于连续振动分离和最小熵解卷积的行星轮故障检测方法包括:
步骤一,数据采集和重采样:同步采集行星轮系多个测点的振动信号和转速脉冲信号,根据行星架旋转的转速脉冲信号进行数据分割和重采样;
步骤二,数据提取:从各周期信号中提取出与行星轮相关的振动信号,形成数据集;
步骤三,映射组合平均:根据轮齿啮合时序关系,从组合集中按照一定的映射重构方法,得到各轮齿部件的振动分离向量;
步骤四,最小熵解卷积故障特征增强:将连续映射得到的信号进行最小熵解卷积滤波,得到增强后的故障特征信号。
2.如权利要求1所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其特征在于,步骤一具体包括:
1)数据采集:使用同步采样方法,对多个测点的振动信号以及行星架的转速脉冲信号进行采样;测量并记录加速度传感器和行星轮相对于转速传感器的安装位置,记录齿圈齿数Nr,行星轮齿数Np,太阳轮齿数Ns,行星轮个数NP;
2)数据分割:以转速脉冲信号为基准,对各通道振动数据进行分割;
3)数据滤波:对数据进行滤波处理,滤除不相干频率成分;
4)重采样:对数据进行重采样,消除转速波动造成的各回转周期采样点数不同的影响。
3.如权利要求1所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其特征在于,步骤二具体包括:
i)计算提取索引:根据行星轮编号和振动传感器编号计算数据提取的中心点索引值;
ii)定数据长度:设定数据提取窗长,由数据窗长计算提取数据长度;
iii)构成数据集:数据集是一个四维矩阵,各维度分别表示传感器编号、行星轮编号、行星架回转周期编号、数据点索引值。
4.如权利要求1所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其特征在于,步骤三具体包括:I)构建AHM:将数据组按照行星轮追逐齿比划分为各个AHM;II)加窗映射:通过轮齿啮合时序求解,将AHM中数据映射到组合保持矩阵对应列向量中的相应位置,并求和重构行星轮一圈信号;
III)组合:对各组AHM得到的整圈行星轮信号进行组合;
V)时间同步滑动平均:使用卷积平均方法,通过滑动的时间窗口,对组合信号进行平均降噪;
在时间同步滑动平均中,对数据每隔N个点进行平均,其中N等于信号的周期;定义如下
式中x[k]表示原始信号,y[k]表示平均结果,M为平均次数,且M<L,L为角采样率;时间滑动平均定义为y=x*f(M,L)
式中δ(t)为Dirac脉冲函数。
5.如权利要求1所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法,其特征在于,步骤四具体包括:
a)构建X:将原始信号序列按照MED算法要求构建矩阵X;
设x=[x0 x1 … xN]T,则
b)设定初值:将滤波器参数设置为不全为0的初始参数;
f=[f1 f2 … fL],其中fi不全为0;
c)迭代优化:通过迭代不断优化滤波器参数直至达到循环次数或满足性能要求;
通过迭代方式寻找优化问题的较优解,滤波器迭代公式为
d)利用滤波器参数对信号进行滤波;
计算
y=XTf
得到输出信号。
6.一种实现权利要求1~5任意一项所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法的计算机程序。
7.一种终端,其特征在于,所述终端至少搭载实现权利要求1~5任意一项所述基于连续振动分离和最小熵解卷积的行星轮故障检测方法的处理器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于连续振动分离和最小熵解卷积的行星轮故障检测方法。
9.一种实现权利要求1~5任意一项所述基于连续振动分离和最小熵解卷积的行星轮故障检测方法的基于连续振动分离和最小熵解卷积的行星轮故障检测系统。
10.一种搭载权利要求9所述基于连续振动分离和最小熵解卷积的行星轮故障检测系统的直升机重大装备中行星轮系早期故障诊断设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016140.0A CN109632295A (zh) | 2019-01-08 | 2019-01-08 | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016140.0A CN109632295A (zh) | 2019-01-08 | 2019-01-08 | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109632295A true CN109632295A (zh) | 2019-04-16 |
Family
ID=66060174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016140.0A Pending CN109632295A (zh) | 2019-01-08 | 2019-01-08 | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109632295A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514437A (zh) * | 2019-08-23 | 2019-11-29 | 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及系统 |
CN110530623A (zh) * | 2019-09-12 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种应用于换热机组的故障诊断方法 |
CN110937135A (zh) * | 2019-10-11 | 2020-03-31 | 中国直升机设计研究所 | 一种直升机减速器的振动信号分离方法 |
CN110940517A (zh) * | 2019-10-11 | 2020-03-31 | 中国直升机设计研究所 | 一种直升机传动系统的振动信号分离方法 |
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 |
CN111999189A (zh) * | 2020-08-24 | 2020-11-27 | 磐安斯元智能装备科技有限公司 | 一种可以检测山体是否有滑坡风险的无人机 |
CN112231859A (zh) * | 2020-10-11 | 2021-01-15 | 昆明理工大学 | 一种行星齿轮箱行星轮局部故障振动仿真方法 |
CN113702030A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 |
CN115759408A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
CN108362492A (zh) * | 2018-01-11 | 2018-08-03 | 中国人民解放军国防科技大学 | 一种适用于低转速下行星轮系故障诊断的振动分离方法 |
-
2019
- 2019-01-08 CN CN201910016140.0A patent/CN109632295A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
CN108362492A (zh) * | 2018-01-11 | 2018-08-03 | 中国人民解放军国防科技大学 | 一种适用于低转速下行星轮系故障诊断的振动分离方法 |
Non-Patent Citations (4)
Title |
---|
GEOFF L. MCDONALD等: "Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix:Application to Vibration Fault Detection", 《PREPRINT SUBMITTED TO MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
LIN HE等: "Application of Minimum Entropy Deconvolution on Enhancement of Gear Tooth Fault Detection", 《2017 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE(PHM-HARBIN)》 * |
PAUL D. SAMUEL等: "Vibration separation methodology for planetary gear health monitoring", 《PROCEEDINGS OF SPIE》 * |
张伦: "直升机传动系统行星轮系故障仿真与振动分离方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》 * |
Cited By (13)
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 |
CN110514437A (zh) * | 2019-08-23 | 2019-11-29 | 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及系统 |
CN110530623A (zh) * | 2019-09-12 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种应用于换热机组的故障诊断方法 |
CN110937135A (zh) * | 2019-10-11 | 2020-03-31 | 中国直升机设计研究所 | 一种直升机减速器的振动信号分离方法 |
CN110940517A (zh) * | 2019-10-11 | 2020-03-31 | 中国直升机设计研究所 | 一种直升机传动系统的振动信号分离方法 |
CN111366360B (zh) * | 2020-01-07 | 2022-03-29 | 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 |
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 |
CN111999189A (zh) * | 2020-08-24 | 2020-11-27 | 磐安斯元智能装备科技有限公司 | 一种可以检测山体是否有滑坡风险的无人机 |
CN111999189B (zh) * | 2020-08-24 | 2021-05-28 | 深圳市地籍测绘大队 | 一种可以检测山体是否有滑坡风险的无人机 |
CN112231859A (zh) * | 2020-10-11 | 2021-01-15 | 昆明理工大学 | 一种行星齿轮箱行星轮局部故障振动仿真方法 |
CN113702030A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 |
CN115759408A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
CN115759408B (zh) * | 2022-11-21 | 2024-03-08 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109632295A (zh) | 基于连续振动分离和最小熵解卷积的行星轮故障检测方法 | |
Teng et al. | Multi-fault detection and failure analysis of wind turbine gearbox using complex wavelet transform | |
Peng et al. | Use of mesh phasing to locate faulty planet gears | |
CN101173869B (zh) | 用于诊断机构的方法和设备 | |
CN108362492B (zh) | 一种适用于低转速下行星轮系故障诊断的振动分离方法 | |
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN110469462B (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
Wang et al. | A time–frequency-based maximum correlated kurtosis deconvolution approach for detecting bearing faults under variable speed conditions | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
Xu et al. | Periodicity-based kurtogram for random impulse resistance | |
CN109596349A (zh) | 一种基于vmd和pct的减速器故障诊断方法 | |
Peeters et al. | Multi-harmonic phase demodulation method for instantaneous angular speed estimation using harmonic weighting | |
CN115839846B (zh) | 一种基于无线传感器的设备故障预警诊断方法 | |
EP2345894B1 (en) | Trending of vibration data taking into account torque effect | |
Peng et al. | Speed estimation in planetary gearboxes: A method for reducing impulsive noise | |
CN106777611A (zh) | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 | |
Mączak | Local meshing plane analysis as a source of information about the gear quality | |
Luo et al. | Vibration mechanism and improved phenomenological model of the planetary gearbox with broken ring gear fault | |
Cheng et al. | Incipient fault detection for the planetary gearbox in rotorcraft based on a statistical metric of the analog tachometer signal | |
Yang et al. | Development of crack induced impulse-based condition indicators for early tooth crack severity assessment | |
US6024324A (en) | Method of monitoring an epicyclic assembly of a vehicle equipped with acceleration sensors in particular a helicopter | |
CN109238717A (zh) | 一种基于vmd-omeda的齿轮箱复合故障诊断方法 | |
CN108106838B (zh) | 一种机械故障精密诊断的整周期时域回归及报警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |