CN110132578A - 一种齿轮系统复合故障特征提取方法及故障试验装置 - Google Patents
一种齿轮系统复合故障特征提取方法及故障试验装置 Download PDFInfo
- Publication number
- CN110132578A CN110132578A CN201910479022.3A CN201910479022A CN110132578A CN 110132578 A CN110132578 A CN 110132578A CN 201910479022 A CN201910479022 A CN 201910479022A CN 110132578 A CN110132578 A CN 110132578A
- Authority
- CN
- China
- Prior art keywords
- axis
- gear
- gear train
- mode
- value
- 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
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
本发明涉及一种齿轮系统复合故障特征提取方法及故障试验装置,属于机械设备故障诊断领域。通过布置在齿轮箱体表面的加速度传感器,采集得到时域上的齿轮系统振动信号f,应用自适应优化的变分模态分解方法对采集的齿轮系统振动信号f进行分解;对分解后得到的所有子信号进行包络功率谱分析,将所有子信号从时域转换到频域,得到所有子信号在包络功率谱上的频率分布情况,从而实现故障特征的提取。本发明克服了现行VMD方法难以确定最佳参数的不足,可更为有效地提取齿轮系统复合故障特征,能够极大地节省试验的经济成本和时间成本,实现在不便于进行工业现场实测的情况下,为齿轮系统故障诊断提供替代试验条件。
Description
技术领域
本发明属于机械设备故障诊断领域,尤其涉及一种齿轮系统复合故障特征提取方法及故障试验装置。
背景技术
机械设备故障诊断是保障设备运行可靠性、安全性和可维护性的重要前提之一,一直以来都是国内外研究的热点问题。齿轮系统是机械设备的重要组成部分,由于其 内部零件繁多、装配精度要求高、运行环境复杂,因而在实际工作中极易出现故障。 一旦出现故障,轻则造成设备停机,重则造成重大经济损失,甚至出现人员伤亡。因 此,研究齿轮系统故障诊断方法及其故障产生和恶化的机理具有重要意义。
齿轮是齿轮系统中出现故障频率最高的一类零部件之一。实际工况下,齿轮系统的故障形式通常并不单一,往往表现为复合故障。由于齿轮系统复合故障的振动信号 成分复杂、具有非平稳和非线性的特性,因此,传统的频域分析方法已无法有效地处 理故障信号。针对含有多种频率成分的复杂信号,一种有效的方法是将复合信号分解 成若干个子信号,再应用已有的信号处理方法进行进一步分析。经验模态分解 (Empirical ModeDecomposition,EMD)是一种自适应时频分析方法,其具有正交性、 自适应性等优良特性,能够处理非线性、非平稳信号,已广泛应用于机械系统故障诊 断领域中。不同于小波分析需要根据信号特征设定小波基,EMD可在不知晓信号特征 的前提下,将信号自适应分解成若干个近似单频率成分的本征模态函数(Intrinsic Mode Function,IMF),再针对这些IMF进行包络分析,进而实现故障特征提取。但是,由于 EMD是递归分解,前一次分解的误差会累积并影响后一次分解,使得其存在端点效应 和模态混叠问题,无法将复合故障进行有效分离,依然存在较大的改进空间。
变分模态分解(Variational Mode Decomposition,VMD)是近年来提出的一种非递 归式自适应信号处理方法,其具有完备的理论基础和良好的噪声鲁棒性,能够克服 EMD的缺陷,将复杂信号分解成一系列的模态,即本征模态函数(Band-limited IntrinsicMode Function,BLIMF),在复合故障特征提取方面有极大的应用潜力。然而,VMD的 分解效果主要取决于其预设的模态数量K和平衡系数α,参数选取不当会极大影响 VMD的信号分解性能。目前普遍的参数选取方法是中心频率观察法,即选取不同的K 值进行多次试验,通过观察每次试验得到的K个模态所对应的中心频率是否出现重合, 选取中心频率在不重合情况下所对应的最大模态数作为最终的K值。然而,该方法需 要手动进行多次尝试实验并根据人为经验判断选取参数,容易造成参数选取不当。此 外,该方法将平衡系数设为默认值,仅考虑了模态数量的选取,并未考虑平衡系数对 分解性能的影响。因此,需要对VMD的参数进行最优选取,从而最大程度发挥其信 号分解性能。
VMD方法的基本工作原理为:将输入信号分解成一系列模态,每个模态在频域上都是围绕一个中心频率的有限带宽本征模态函数(BLIMF)。VMD的求解目的是使得 所有分解得到的模态在频域上带宽之和最小,且在时域上所有模态之和等于输入信号。 VMD的求解是一个约束优化问题,通过引入拉格朗日算子λ和平衡系数α,可将其转 化成一个无约束优化问题,再利用乘子交替方向法(ADMM),实现VMD的最终求解。
人工蜂群算法(Artificial Bee Colony algorithm,ABC)是一种群智能全局优化算法, ABC算法的主要组成元素为食物源、雇佣蜂、跟随蜂和侦察蜂。每一个食物源代表该优化问题的一个可能解,食物源的花蜜量代表每个解的质量即适应度值fit(由目标函 数objf进行构造),适应度值越大,解的质量越高,越趋向于最优解。食物源的个数与 雇佣蜂的个数相等,雇佣蜂和跟随蜂的个数也相等,是种群数量(NP)的一半。侦察 蜂在每一次迭代中只出现一次,由雇佣蜂转变而来,完成其任务后,在下一次迭代中, 重新变为雇佣蜂,保证在迭代开始时,种群中雇佣蜂和跟随蜂各占一半。雇佣蜂的作 用是维持优良解,跟随蜂的作用是保持收敛速度,侦察蜂的目的是增强摆脱局部最优 的能力,三种蜂通过相互配合,通过不断地迭代,更新并记录最优解,最终实现优化 问题的求解。
在实际工业设备运行过程中,考虑到设备运行的安全和生产效益最大化,在设备发生故障的初期,就会进行系统维修和设备零部件更换,且设备出现的故障形式不可 预知,往往无法对故障的产生和恶化机理以及故障诊断方法的有效性进行更深入地试 验研究。因此,需要通过故障试验装置来满足齿轮故障诊断理论研究的试验验证需求。
中国发明专利公开号CN 105928700A公开了一种后驱汽车变速箱传动误差检测试验台,该发明采用U型布局,大大减小了试验场地空间,并提出了一种传动误差综合 检测装置实现对被试变速箱的检测。但是该发明目的是通过检测健康变速箱的传动误 差,为变速箱的优化设计提供合理化建议,无法直接用于齿轮系统复合故障试验。
发明内容
本发明提供一种齿轮系统复合故障特征提取方法及故障试验装置,基于融合冲击指数(Syncretic Impact Index,SII)和人工蜂群算法(ABC)的自适应优化变分模态分 解(VMD)方法,克服了传统VMD方法需要根据人为经验判断进行手动参数选取、 难以确定最佳参数的不足,能更为有效地提取齿轮系统复合故障特征;同时,提出一 种齿轮系统故障试验装置,能够在不进行拆装的情况下实现多种类型的齿轮单一或复 合故障试验,节省试验的经济成本和时间成本,在不便于进行工业现场实测的情况下, 为齿轮系统故障诊断理论的深入研究提供替代试验条件,满足理论研究的试验需求。
本发明采用的技术方案是:
一种齿轮系统复合故障特征提取方法,其特征在于,包括下列步骤:
步骤1:通过布置在齿轮箱体表面的加速度传感器,采集得到时域上的齿轮系统振动信号f,即f为振幅关于时间的函数;
步骤2:应用自适应优化的变分模态分解(VMD)方法对采集的齿轮系统振动信 号f进行分解;
步骤2.1:初始化人工蜂群算法(ABC)中的参数:种群数量NP,最大迭代次数 MCN,跳出局部循环阈值limit;初始化VMD方法中的模态数量K和平衡系数α的搜 索范围区间;
步骤2.2:应用ABC算法对VMD的参数组合[K,α]进行自适应优化选取;
步骤2.3:应用带有最优参数组合[Kbest,αbest]的VMD对齿轮系统振动信号f进行分解,得到Kbest个模态
步骤3:对分解后得到的所有子信号、即模态进行包络功率谱分析,将所有子信号从时域转换到频域,得到所有子信号在包络功率谱上的频率分布 情况,从而实现故障特征的提取。
本发明所述的步骤1中,加速度传感器通常布置在齿轮系统轴承处或靠近轴承处的箱体表面。
本发明所述的步骤2中,ABC算法对VMD的参数组合[K,α]进行最优选取的步骤 是:在ABC算法中,先根据模态数量K和平衡系数α的搜索范围区间,初始随机选择 一组参数组合值,数量为NP/2,然后将该组NP/2个参数组合值中的每一个参数组合 值都带入到VMD中,对齿轮系统振动信号f进行分解,共分解NP/2次,每一次分解 得到一系列的模态,共得到了NP/2个系列的模态;根据公式(7)计算该组所有参数组合 值所对应的NP/2个适应度值:
其中,abs表示求绝对值,下角标i代表ABC算法的第i次循环;评估并记录其中最优的适应度值以及与其相对应的参数组合值,然后进入下一次循环并不断的迭代,更新 记录每一次迭代后的最优适应度值及其所对应的最优参数组合值,即最优解,满足迭 代条件、即迭代次数为最大迭代次数MCN后,所输出的最优解即为最优参数组合 [Kbest,αbest];然后,应用带有最优参数组合[Kbest,αbest]的VMD对齿轮系统振动信号f 进行最终分解。
本发明所述的步骤2中,ABC算法中的适应度值fit是根据优化目标函数objf构造的,该优化目标函数objf是基于融合冲击指数(SII)进行构造的,SII是子信号、即模 态uk的包络功率谱峭度(KEPS)与模态uk和齿轮系统振动信号f的相关系数(CC)之 间的乘积;所述的ABC算法中的优化目标函数objf和适应度值fit,其具体计算过程为:
(1)计算任意模态uk的包络功率谱峭度KEPS:
任意模态uk的包络信号uk,E、包络功率谱EPS和包络功率谱峭度KEPS分别为:
EPS=PSD{uk,E} (2)
KEPS=m4{EPS}/(m2{EPS})2 (3)
其中,Hilbert{·}表示求希尔伯特变换,PSD{·}表示求功率谱,m4{·}和m2{·}分别 表示求四阶中心矩和二阶中心矩;
(2)计算任意模态uk与齿轮系统振动信号f的相关系数(CC)为:
其中,E[·]表示求期望值,上标表示求均值;
(3)计算融合冲击指数SII:
SII=KEPS×CC (5)
(4)计算优化目标函数objf:
其中,SIIk表示第k个模态uk的SII值,模态数量K和平衡系数α的搜索范围区间 均为正整数区间,可根据不同实际需要进行设置;
(5)计算适应度值fit:
其中,abs表示求绝对值,下角标i代表ABC算法的第i次循环;
所述的步骤2中,ABC算法中的种群数量NP,最大迭代次数MCN,跳出局部循 环阈值limit均为正整数,可根据不同实际需要进行设置。
本发明所述的步骤3中,首先通过齿轮系统输入轴的转速和齿轮传动比计算得到的齿轮系统故障特征频率的理论计算值,然后在分解后得到的所有子信号、即模态的包络功率谱图中,找到与齿轮系统故障特征频率的理论计算值相 等的频率成分,该频率成分即为所提取出的故障特征频率。
一种齿轮系统复合故障试验装置,故障模拟齿轮箱专用夹具安装在T型槽安装平台上方,交流驱动电机的输出端与一轴传动误差综合检测装置通过输入端弹性联轴器 连接,一轴传动误差综合检测装置与故障模拟齿轮箱的输入轴通过输入端刚性联轴器 连接;故障模拟齿轮箱专用夹具将故障模拟齿轮箱定位夹紧,故障模拟齿轮箱的三轴 与三轴传动误差综合检测装置通过输出端刚性联轴器连接,三轴传动误差综合检测装 置与两挡减速箱输入端通过输出端弹性联轴器连接,第一套轴的一端与两挡减速箱的 输出轴连接,第一套轴的另一端通过第一套轴轴承座与输出端球笼式同步万向联轴器 的一端连接,第二套轴的一端通过第二套轴轴承座与输出端球笼式同步万向联轴器的 另一端连接,第二套轴的另一端与交流加载电机相连,故障模拟齿轮箱的二轴与二轴 传动误差综合检测装置相连,加速度传感器布置在故障模拟齿轮箱的箱体表面。
所述的故障模拟齿轮箱的结构是:一轴滑移齿轮组通过花键安装在一轴上,三轴滑移齿轮组通过花键安装在三轴上,二轴第一小齿轮、二轴第二小齿轮和二轴第三小 齿轮均通过平键安装在二轴上,并且二轴三个小齿轮之间通过二轴第一套筒和二轴第 二套筒定位,两个套筒长度相等并均大于三轴滑移齿轮的大齿轮的齿宽,二轴第一大 齿轮、二轴第二大齿轮和二轴第三大齿轮均通过平键安装在二轴上,并且二轴三个大 齿轮之间通过二轴第三套筒和二轴第四套筒定位,两个套筒长度相等并均大于一轴滑 移齿轮组的齿轮轴向距离,二轴第一大齿轮与二轴第一小齿轮的轴向间距大于三轴滑 移齿轮的轴向距离,一轴第一套筒的长度大于二轴三个大齿轮的齿宽,第一拨叉和第 二拨叉分别安装在一轴滑移齿轮组和三轴滑移齿轮组的中间凹槽处,并分别通过第一 导向杆和第二导向杆完成轴向滑动导向。
所述一轴滑移齿轮组的结构是,一轴第二齿轮通过平键安装在一轴第一齿轮轴上, 一轴第二齿轮的一端设置用于定位的一轴第一套筒,一轴第二齿轮的另一端设置圆螺母,通过圆螺母与一轴第一齿轮轴轴端的螺纹进行配合实现一轴第二齿轮的轴向定位。
本发明的有益效果在于:
1、通过本发明所提出的融合冲击指数(SII)进行构造优化目标函数的基础上,采用人工蜂群算法(ABC)实现对变分模态分解(VMD)中参数的自适应选取,应用自 适应优化的VMD方法对齿轮系统振动信号进行分解,并对分解后得到的模态进行包 络功率谱分析,克服了传统VMD方法需要根据人为经验判断进行手动参数选取、难 以确定最佳参数的不足,能够实现齿轮系统复合故障特征的有效提取;
2、本发明所提出的融合冲击指数(SII),既考虑了故障信号的冲击性和周期性,同时保证了分解后的模态与齿轮系统振动信号的相关性,能够有效地检测出信号中的 故障成分,克服了传统的峭度类故障检测指标对随机冲击成分敏感的缺点,有利于更 好地实现复合故障信号的分离;此外,本发明采用包络功率谱分析代替传统的包络谱 分析,能够更好地排除噪声等干扰项,实现齿轮系统故障特征的提取;
3、本发明所采用的ABC算法是一种群智能全局优化算法,与遗传算法(GA)、 粒子群算法(PSO)和差分进化算法(DE)等优化算法相比,ABC算法的初始参数少, 在多维度、多目标优化上具有更好的求解性能,有助于提高VMD参数自适应选取的 准确性;
4、本发明所采用的齿轮系统复合故障试验装置,其故障齿轮箱一轴上的滑移齿轮组、二轴上的齿轮之间均采用套筒定位,与传统的双联和三联齿轮对于其上的每个齿 轮轮齿位置要求必须一致相比,根据本发明所提出的滑移齿轮组与齿轮间定位套筒的 相对位置关系,所采用的技术方案完全不必考虑轮齿位置的一致性,易于实现,能够 极大地减小齿轮系统的加工成本和装配成本;同时,本发明能够在不进行拆装的情况 下,进行多种类型的齿轮单一或复合故障试验,减小反复拆装所引入的影响因素,极 大地节省了试验的时间成本,实现在不便于进行工业现场实测的情况下,为齿轮系统 故障诊断理论的深入研究提供替代试验条件,满足理论研究的试验需求。
附图说明
图1是本发明实施例中齿轮复合故障信号时域图;
图2是本发明实施例中齿轮复合故障信号经过自适应优化的VMD分解后所得模 态的时域图;
图3是为本发明实施例中齿轮复合故障信号经过自适应优化的VMD分解后所得 模态的包络功率谱图;
图4是本发明齿轮系统复合故障试验装置的结构示意图;
图5是本发明故障模拟齿轮箱的结构示意图;
图6是本发明故障模拟齿轮箱中齿轮的相对位置关系一的示意图;
图7是本发明故障模拟齿轮箱中齿轮的相对位置关系二的示意图;
图8是本发明故障模拟齿轮箱中一轴滑移齿轮组的结构示意图;
图中:交流驱动电机1、输入端弹性联轴器2、一轴传动误差综合检测装置3、输 入端球笼式同步万向联轴器4、T型槽安装平台5、故障模拟齿轮箱底座专用夹具6、 故障模拟齿轮箱7、第一拨叉701、一轴滑移齿轮组702、一轴第一齿轮轴7021、一 轴第一套筒7022、一轴第二齿轮7023、圆螺母7024、二轴第一小齿轮703、二轴第 一套筒704、二轴第二小齿轮705、二轴第二套筒706、二轴第三小齿轮707、第一导 向杆708、故障模拟齿轮箱上箱体709、三轴滑移齿轮组710、三轴滑移齿轮的小齿轮 7101、三轴滑移齿轮的大齿轮7102、第二拨叉711、第二导向杆712、二轴第一大齿 轮713、二轴第三套筒714、二轴第二大齿轮715、二轴第四套筒716、二轴第三大齿 轮717、三轴718、二轴719、故障模拟齿轮箱下箱体720、一轴721、二轴传动误差 综合检测装置8、输出端刚性联轴器一9、三轴传动误差综合检测装置10、输出端弹 性联轴器11、两挡减速箱12、输出端球笼式同步万向联轴器13、交流加载电机14、第一套轴15、第一套轴轴承座16、第二套轴轴承座17、第二套轴18、加速度传感器 19。
具体实施方式
本发明实施例所采用的齿轮系统振动信号由布置在故障摸拟齿轮箱7箱体表面的加速度传感器19获得(如图5所示),故障齿轮箱7中的齿轮啮合情况为:一轴第二 齿轮7023(齿面剥落)与二轴第一大齿轮713(断齿)啮合,二轴第三小齿轮707(正 常)与三轴滑移齿轮的大齿轮7102(正常)啮合;其中,一轴第二齿轮7023(以下简 称齿轮#1)的一个轮齿出现齿面剥落,二轴第一大齿轮713(以下简称齿轮#2)的一个 轮齿出现断齿;故障齿轮箱一轴输入转速1800rpm,因此,齿轮#1的转频fr1=30Hz(与 其故障特征频率fg1相等,即fr1=fg1=30Hz),齿轮#2的转频fr2=19Hz(与其故障特征 频率fg2相等,即fr2=fg2=19Hz),信号采样点数为10240,采样频率为10240Hz。
一种齿轮系统复合故障特征提取方法,包括如下步骤:
步骤1:通过布置在齿轮箱体表面的加速度传感器,采集得到时域上的齿轮系统振动信号f,即f为振幅关于时间的函数,如图1所示;
步骤2:应用自适应优化的变分模态分解(VMD)方法对采集的齿轮系统振动信 号f进行分解;
步骤2.1:初始化人工蜂群算法(ABC)中的参数:种群数量NP=40,最大迭代次 数MCN=10,跳出局部循环阈值limit=20;初始化VMD方法中的模态数量K和平衡系 数α的搜索范围区间:K=[2,5],α=[100,9000];
步骤2.2:应用ABC算法对VMD的参数组合[K,α]进行自适应优化选取;
步骤2.2.1:首先,在ABC算法中,根据模态数量K和平衡系数α的搜索范围区间, 初始随机选择一组参数组合值(数量为NP/2);
步骤2.2.2:将步骤2.2.1中的该组NP/2个参数组合值中的每一个参数组合值都带入到VMD中,对齿轮系统振动信号f进行分解,共分解NP/2次,每一次分解得到一 系列的模态,共得到了NP/2个系列的模态;
步骤2.2.3:根据步骤2.2.2中所得到的NP/2个系列的模态,计算NP/2个参数组 合值所对应的全部适应度值,以一个系列的模态为例,具体实现步骤如下:
(1)计算任意模态uk的包络功率谱峭度KEPS:
任意模态uk的包络信号(记为uk,E)、包络功率谱EPS和包络功率谱峭度KEPS分别为:
EPS=PSD{uk,E} (2)
KEPS=m4{EPS}/(m2{EPS})2 (3)
其中,Hilbert{·}表示求希尔伯特变换,PSD{·}表示求功率谱,m4{·}和m2{·}分别 表示求四阶中心矩和二阶中心矩。
(2)计算任意模态uk与齿轮系统振动信号f的相关系数(CC)为:
其中,E[·]表示求期望值,上标表示求均值。
(3)计算融合冲击指数SII:
SII=KEPS×CC (5)
(4)计算优化目标函数objf:
其中,SIIk表示第k个模态uk的SII值,模态数量K和平衡系数α的搜索范围区间 均为正整数区间,可根据不同实际需要进行设置;
(5)计算适应度值fit:
其中,abs表示求绝对值,下角标i代表ABC算法的第i次循环;
重复步骤(1)-(5),计算全部NP/2个适应度值。
步骤2.2.4:评估并记录步骤2.2.3中最优的适应度值以及与其相对应的参数组合值。进行下一次循环并不断的迭代,更新记录每一次迭代后的最优适应度值及其所对 应的最优参数组合值(即最优解),满足迭代条件(即迭代次数为最大迭代次数MCN) 后,所输出的最优解即为最优参数组合[Kbest,αbest],本实施例中,最优解为 Kbest=2,αbest=9000;
步骤2.3:应用带有最优参数组合[Kbest,αbest]的VMD对齿轮系统振动信号f进行分解,得到Kbest个模态本实施例中,共得到2个模态,其时域波形 如图2所示;
步骤3:对分解后得到的所有子信号(本实例中为模态u1和u2)进行包络功率谱分析,图3为2个模态的包络功率谱图,其中,齿轮#1的故障特征频率fr1及其倍频清晰 地显示在BLIMF#1中,而齿轮#2的故障特征频率fg1及其倍频清晰地显示在BLIMF#2 中,说明本发明所提出的方法能够实现故障特征有效分离和提取。
基于中国发明专利公开号CN 105928700A公开的一种后驱汽车变速箱传动误差检测试验台(如该发明图2所示),本发明所提出的一种齿轮系统复合故障试验装置如 图4所示,其中:故障模拟齿轮箱专用夹具6安装在T型槽安装平台5上方,交流驱 动电机1的输出端与一轴传动误差综合检测装置3通过输入端弹性联轴器2连接,一 轴传动误差综合检测装置3与故障模拟齿轮箱7的输入轴通过输入端刚性联轴器4连 接;故障模拟齿轮箱专用夹具6将故障模拟齿轮箱7定位夹紧,故障模拟齿轮箱7的 三轴与三轴传动误差综合检测装置10通过输出端刚性联轴器9连接,三轴传动误差综 合检测装置10与两挡减速箱12输入端通过输出端弹性联轴器11连接,第一套轴15 的一端与两挡减速箱12的输出轴连接,第一套轴15的另一端通过第一套轴轴承座16 与输出端球笼式同步万向联轴器13的一端连接,第二套轴18的一端通过第二套轴轴 承座17与输出端球笼式同步万向联轴器13的另一端连接,第二套轴18的另一端与交 流加载电机14相连,故障模拟齿轮箱7的二轴719与二轴传动误差综合检测装置8相 连,加速度传感器19布置在故障模拟齿轮箱7的箱体表面。
所述的二轴传动误差综合检测装置8与中国发明专利公开号CN 105928700A中的输入端传动误差综合检测装置3和输出端传动误差综合检测装置10构造相同,所述的 传动误差综合检测装置在本发明中,主要用于检测故障模拟齿轮箱7的转速和扭矩信 息。
如图5-7所示,所述的故障模拟齿轮箱7的结构是,一轴滑移齿轮组702通过花 键安装在一轴721上,三轴滑移齿轮组710通过花键安装在三轴718上,二轴第一小 齿轮703、二轴第二小齿轮705和二轴第三小齿轮707均通过平键安装在二轴719上, 并且二轴三个小齿轮之间通过二轴第一套筒704和二轴第二套筒706定位,两个套筒 长度相等并均大于三轴滑移齿轮的大齿轮7102的齿宽(如图7所示),二轴第一大齿 轮713、二轴第二大齿轮715和二轴第三大齿轮717均通过平键安装在二轴719上,并 且二轴三个大齿轮之间通过二轴第三套筒714和二轴第四套筒716定位,两个套筒长 度相等并均大于一轴滑移齿轮组702的齿轮轴向距离(如图6所示),二轴第一大齿轮 713与二轴第一小齿轮703的轴向间距大于三轴滑移齿轮710的轴向距离(如图6所 示),一轴第一套筒7022的长度大于二轴三个大齿轮的齿宽(如图7所示),第一拨叉 701和第二拨叉711分别安装在一轴滑移齿轮组702和三轴滑移齿轮组710的中间凹槽 处,并分别通过第一导向杆708和第二导向杆712完成轴向滑动导向。
如图8所示,所述的一轴滑移齿轮组702的结构是,一轴第二齿轮7023通过平键 安装在一轴第一齿轮轴7021上,一轴第二齿轮7023的一端设置用于定位的一轴第一 套筒7022,一轴第二齿轮7023的另一端设置圆螺母7024,通过圆螺母7024与一轴第 一齿轮轴7021轴端的螺纹进行配合实现一轴第二齿轮7023的轴向定位。
如图5示,所述三轴滑移齿轮组710包括三轴滑移齿轮的小齿轮7101和三轴滑移齿轮的大齿轮7102。
如图5-7所示,所述的故障模拟齿轮箱7可在不拆装的情况下,通过第一拨叉701和第二拨叉711分别拨动一轴滑移齿轮组702和三轴滑移齿轮710,实现多种类型的齿 轮单一或复合故障试验;本发明可进行试验的齿轮故障类型有:偏心、齿根裂纹、断 齿、齿面磨损、齿面剥落、点蚀。本实施例中,一轴第二齿轮7023(齿面剥落)与二 轴第一大齿轮713(断齿)啮合,二轴第三小齿轮707(正常)与三轴滑移齿轮的大齿 轮7102(正常)啮合,通过加速度传感器19所采集的齿轮系统振动信号为含有齿面剥 落和断齿的齿轮系统复合故障信号。
Claims (7)
1.一种齿轮系统复合故障特征提取方法,其特征在于,包括下列步骤:
步骤1:通过布置在齿轮箱体表面的加速度传感器,采集得到时域上的齿轮系统振动信号f,即f为振幅关于时间的函数;
步骤2:应用自适应优化的变分模态分解(VMD)方法对采集的齿轮系统振动信号f进行分解;
步骤2.1:初始化人工蜂群算法(ABC)中的参数:种群数量NP,最大迭代次数MCN,跳出局部循环阈值limit;初始化VMD方法中的模态数量K和平衡系数α的搜索范围区间;
步骤2.2:应用ABC算法对VMD的参数组合[K,α]进行自适应优化选取;
步骤2.3:应用带有最优参数组合[Kbest,αbest]的VMD对齿轮系统振动信号f进行分解,得到Kbest个模态
步骤3:对分解后得到的所有子信号、即模态进行包络功率谱分析,将所有子信号从时域转换到频域,得到所有子信号在包络功率谱上的频率分布情况,从而实现故障特征的提取。
2.根据权利要求1所述一种齿轮系统复合故障特征提取方法,其特征在于:所述的步骤2中,ABC算法对VMD的参数组合[K,α]进行最优选取的步骤是:在ABC算法中,先根据模态数量K和平衡系数α的搜索范围区间,初始随机选择一组参数组合值,数量为NP/2,然后将该组NP/2个参数组合值中的每一个参数组合值都带入到VMD中,对齿轮系统振动信号f进行分解,共分解NP/2次,每一次分解得到一系列的模态,共得到了NP/2个系列的模态;根据公式(7)计算该组所有参数组合值所对应的NP/2个适应度值:
其中,abs表示求绝对值,下角标i代表ABC算法的第i次循环;评估并记录其中最优的适应度值以及与其相对应的参数组合值,然后进入下一次循环并不断的迭代,更新记录每一次迭代后的最优适应度值及其所对应的最优参数组合值,即最优解,满足迭代条件、即迭代次数为最大迭代次数MCN后,所输出的最优解即为最优参数组合[Kbest,αbest];然后,应用带有最优参数组合[Kbest,αbest]的VMD对齿轮系统振动信号f进行最终分解。
3.根据权利要求2所述一种齿轮系统复合故障特征提取方法,其特征在于:所述的步骤2中,ABC算法中的适应度值fit是根据优化目标函数objf构造的,该优化目标函数objf是基于融合冲击指数(SII)进行构造的,SII是子信号、即模态uk的包络功率谱峭度(KEPS)与模态uk和齿轮系统振动信号f的相关系数(CC)之间的乘积;所述的ABC算法中的优化目标函数objf和适应度值fit,其具体计算过程为:
(1)计算任意模态uk的包络功率谱峭度KEPS:
任意模态uk的包络信号uk,E、包络功率谱EPS和包络功率谱峭度KEPS分别为:
EPS=PSD{uk,E} (2)
KEPS=m4{EPS}/(m2{EPS})2 (3)
其中,Hilbert{·}表示求希尔伯特变换,PSD{·}表示求功率谱,m4{·}和m2{·}分别表示求四阶中心矩和二阶中心矩;
(2)计算任意模态uk与齿轮系统振动信号f的相关系数(CC)为:
其中,E[·]表示求期望值,上标表示求均值;
(3)计算融合冲击指数SII:
SII=KEPS×CC (5)
(4)计算优化目标函数objf:
其中,SIIk表示第k个模态uk的SII值,模态数量K和平衡系数α的搜索范围区间均为正整数区间,可根据不同实际需要进行设置;
(5)计算适应度值fit:
其中,abs表示求绝对值,下角标i代表ABC算法的第i次循环;
所述的步骤2中,ABC算法中的种群数量NP,最大迭代次数MCN,跳出局部循环阈值limit均为正整数,可根据不同实际需要进行设置。
4.根据权利要求1所述一种齿轮系统复合故障特征提取方法,其特征在于:所述的步骤3中,首先通过齿轮系统输入轴的转速和齿轮传动比计算得到的齿轮系统故障特征频率的理论计算值,然后在分解后得到的所有子信号、即模态的包络功率谱图中,找到与齿轮系统故障特征频率的理论计算值相等的频率成分,该频率成分即为所提取出的故障特征频率。
5.一种齿轮系统复合故障试验装置,其特征在于:故障模拟齿轮箱专用夹具安装在T型槽安装平台上方,交流驱动电机的输出端与一轴传动误差综合检测装置通过输入端弹性联轴器连接,一轴传动误差综合检测装置与故障模拟齿轮箱的输入轴通过输入端刚性联轴器连接;故障模拟齿轮箱专用夹具将故障模拟齿轮箱定位夹紧,故障模拟齿轮箱的三轴与三轴传动误差综合检测装置通过输出端刚性联轴器连接,三轴传动误差综合检测装置与两挡减速箱输入端通过输出端弹性联轴器连接,第一套轴的一端与两挡减速箱的输出轴连接,第一套轴的另一端通过第一套轴轴承座与输出端球笼式同步万向联轴器的一端连接,第二套轴的一端通过第二套轴轴承座与输出端球笼式同步万向联轴器的另一端连接,第二套轴的另一端与交流加载电机相连,其特征在于:故障模拟齿轮箱的二轴与二轴传动误差综合检测装置相连,加速度传感器布置在故障模拟齿轮箱的箱体表面。
6.根据权利要求5所述的一种齿轮系统复合故障试验装置,其特征在于:所述的故障模拟齿轮箱的结构是:一轴滑移齿轮组通过花键安装在一轴上,三轴滑移齿轮组通过花键安装在三轴上,二轴第一小齿轮、二轴第二小齿轮和二轴第三小齿轮均通过平键安装在二轴上,并且二轴三个小齿轮之间通过二轴第一套筒和二轴第二套筒定位,两个套筒长度相等并均大于三轴滑移齿轮的大齿轮的齿宽,二轴第一大齿轮、二轴第二大齿轮和二轴第三大齿轮均通过平键安装在二轴上,并且二轴三个大齿轮之间通过二轴第三套筒和二轴第四套筒定位,两个套筒长度相等并均大于一轴滑移齿轮组的齿轮轴向距离,二轴第一大齿轮与二轴第一小齿轮的轴向间距大于三轴滑移齿轮的轴向距离,一轴第一套筒的长度大于二轴三个大齿轮的齿宽,第一拨叉和第二拨叉分别安装在一轴滑移齿轮组和三轴滑移齿轮组的中间凹槽处,并分别通过第一导向杆和第二导向杆完成轴向滑动导向。
7.根据权利要求6所述的一种齿轮系统复合故障试验装置,其特征在于:所述一轴滑移齿轮组的结构是,一轴第二齿轮通过平键安装在一轴第一齿轮轴上,一轴第二齿轮的一端设置用于定位的一轴第一套筒,一轴第二齿轮的另一端设置圆螺母,通过圆螺母与一轴第一齿轮轴轴端的螺纹进行配合实现一轴第二齿轮的轴向定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910479022.3A CN110132578B (zh) | 2019-06-01 | 2019-06-01 | 一种齿轮系统复合故障特征提取方法及故障试验装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910479022.3A CN110132578B (zh) | 2019-06-01 | 2019-06-01 | 一种齿轮系统复合故障特征提取方法及故障试验装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132578A true CN110132578A (zh) | 2019-08-16 |
CN110132578B CN110132578B (zh) | 2019-12-24 |
Family
ID=67580019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910479022.3A Expired - Fee Related CN110132578B (zh) | 2019-06-01 | 2019-06-01 | 一种齿轮系统复合故障特征提取方法及故障试验装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132578B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569478A (zh) * | 2019-09-12 | 2019-12-13 | 北京航空航天大学 | 用于编码器信号分析的改进变分模态分解方法 |
CN110657091A (zh) * | 2019-09-20 | 2020-01-07 | 中国农业大学 | 一种循环泵轴承故障诊断方法及系统 |
CN110895198A (zh) * | 2019-12-04 | 2020-03-20 | 中国直升机设计研究所 | 一种超临界传动轴动力失稳的识别方法 |
CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
WO2022032529A1 (en) * | 2020-08-12 | 2022-02-17 | Abb Schweiz Ag | Method, electronic device and computer readable storage medium for fault diagnosis |
CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697787A (zh) * | 2015-03-20 | 2015-06-10 | 山东大学 | 一种基于多信息融合的变速箱试验台架及其检测方法 |
CN105378445A (zh) * | 2013-05-21 | 2016-03-02 | 科恩起重机环球公司 | 用于监测齿轮状态的技术 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
WO2017211744A1 (en) * | 2016-06-09 | 2017-12-14 | Ge Avio S.R.L. | Testing apparatus for gears |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109029977A (zh) * | 2018-07-12 | 2018-12-18 | 福州大学 | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 |
-
2019
- 2019-06-01 CN CN201910479022.3A patent/CN110132578B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378445A (zh) * | 2013-05-21 | 2016-03-02 | 科恩起重机环球公司 | 用于监测齿轮状态的技术 |
CN104697787A (zh) * | 2015-03-20 | 2015-06-10 | 山东大学 | 一种基于多信息融合的变速箱试验台架及其检测方法 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
WO2017211744A1 (en) * | 2016-06-09 | 2017-12-14 | Ge Avio S.R.L. | Testing apparatus for gears |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109029977A (zh) * | 2018-07-12 | 2018-12-18 | 福州大学 | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569478A (zh) * | 2019-09-12 | 2019-12-13 | 北京航空航天大学 | 用于编码器信号分析的改进变分模态分解方法 |
CN110657091A (zh) * | 2019-09-20 | 2020-01-07 | 中国农业大学 | 一种循环泵轴承故障诊断方法及系统 |
CN110895198A (zh) * | 2019-12-04 | 2020-03-20 | 中国直升机设计研究所 | 一种超临界传动轴动力失稳的识别方法 |
CN110895198B (zh) * | 2019-12-04 | 2021-09-17 | 中国直升机设计研究所 | 一种超临界传动轴动力失稳的识别方法 |
WO2022032529A1 (en) * | 2020-08-12 | 2022-02-17 | Abb Schweiz Ag | Method, electronic device and computer readable storage medium for fault diagnosis |
CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
CN112199996B (zh) * | 2020-09-04 | 2022-10-25 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110132578B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132578A (zh) | 一种齿轮系统复合故障特征提取方法及故障试验装置 | |
Jing et al. | A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox | |
He et al. | Multifractal entropy based adaptive multiwavelet construction and its application for mechanical compound-fault diagnosis | |
Wang et al. | Early fault diagnosis for planetary gearbox based on adaptive parameter optimized VMD and singular kurtosis difference spectrum | |
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 | |
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN110231166A (zh) | 一种变转速工况下三级传动齿轮箱的智能诊断方法 | |
CN109596349A (zh) | 一种基于vmd和pct的减速器故障诊断方法 | |
CN107229269A (zh) | 一种深度信念网络的风力发电机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 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
Mączak | Local meshing plane analysis as a source of information about the gear quality | |
Dai et al. | Complex scale feature extraction for gearbox via adaptive multi-mode manifold learning | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
CN107490477B (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 | |
CN114001961B (zh) | 一种滚动轴承故障特征靶向定位及提取方法 | |
An et al. | Retrogressive analysis of industrial robot rotate vector reducer using acoustic emission techniques | |
CN115130508A (zh) | 一种基于时间幅频积熵的旋转机械故障诊断方法 | |
CN115048960A (zh) | 一种设备状态检测方法 | |
CN207114175U (zh) | 双机并车齿轮传动系统故障模拟与监测实验装置 | |
CN106126924B (zh) | 一种装甲车动力舱的综合性能评价方法 | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 | |
Moumene et al. | Gears and bearings combined faults detection using hilbert transform and wavelet multiresolution analysis | |
CN110044608A (zh) | 基于mckd的振动信号压缩感知方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191224 Termination date: 20210601 |
|
CF01 | Termination of patent right due to non-payment of annual fee |