CN110530630B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110530630B CN110530630B CN201910077186.3A CN201910077186A CN110530630B CN 110530630 B CN110530630 B CN 110530630B CN 201910077186 A CN201910077186 A CN 201910077186A CN 110530630 B CN110530630 B CN 110530630B
- Authority
- CN
- China
- Prior art keywords
- dynamic time
- planetary gear
- gear box
- time warping
- warping
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了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,包括以下步骤:通过基于改进动态时间规整的特征提取方法获得残差向量信号、通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断。
Description
技术领域
本发明涉及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。
背景技术
随着现代工业的快速发展,机械设备正朝着大规模,高速度,高精度和系统集成的方向发展。由于恶劣的工作条件,机械零部件的故障可能会随机发生,如果不能及时发现,将导致经济损失。行星齿轮箱的存在极为重要,其运行失效可能导致灾难性的后果,如资产损失和生命危险。机械故障诊断是一项综合性的跨学科研究课题,因为它结合了监测,诊断和预测。旋转机械故障诊断主要包含三个步骤:振动信号采集,故障特征提取,故障模式识别,其中故障特征提取是旋转机械故障诊断中最重要的一部分。故障特征提取方法的目的是通过采取某种手段或者方法对采集的振动信号进行处理,提取出最能代表信号中存在的故障信息,即去除故障特征信息干扰部分。特征提取方法分为时域、频域和时频域特征提取,其中频域和时频域特征提取方法需要将时间变化的振动信号转化为随频率变化,转化过程存在频率泄漏和频率混淆等问题;直接使用时域故障特征提取方法可以避免频域和时频域故障特征提取方法的诸多缺点,而且相对于它们来说简单而且直接,常用的方法为时域同步平均方法,但是需要加装编码器,导致成本上升而且需要使用复杂内插算法进行重采样,在实际应用中很少使用;将语音识别领域中应用广泛的动态时间规整方法移植到故障特征中,可以避免以上问题。
发明内容
本发明的目的是为了解决上述问题,设计了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。
实现上述目的本发明的技术方案为,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,包括以下步骤:通过基于改进动态时间规整的特征提取方法获得残差向量信号、通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断。
所述通过基于改进动态时间规整的特征提取方法获得残差向量信号,其具体为:
(1)输入行星齿轮箱的齿轮正常信号和故障信号;
(2)构建改进动态时间规整特征提取方法;
(3)应用重采样方法获得残差向量信号。
所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断,其具体为:
(1)估算行星齿轮箱齿轮故障特征频率;
(2)包络谱特征分析获得特征频率。
所述构建改进动态时间规整特征提取方法,其具体为:
(1)构建基于估计导数和互相关系数的累积距离公式;
(2)构建提高算法效率的快速动态时间规整。
所述构建通过基于改进动态时间规整的特征提取方法获得残差向量信号的步骤(1)中,行星齿轮箱的齿轮正常信号和故障信号是由安装在行星齿轮箱箱体上的加速度传感器采集获得,将正常信号设为参考信号,故障信号设为测试信号。
所述构建改进动态时间规整特征提取方法的步骤(1),构建基于估计导数和互相关系数的累积距离公式。
估计导数目的是规整时间轴上局部加速和局部减速部分的两个序列,因为时间序列具有相同值的两个数据点ri和tj,ri可能在上升部分,tj可能在下降部分,所以会导致规整不正确,信号特性发生改变估计导数计算方法如下:
其中,Dx[ri]表示参考序列估计导数,Dy[tj]表示测试序列估计导数,Dist(i,j)表示时间序列估计导数之差的平方,ri点与左邻点之间的斜率与ri点左邻点和右邻点之间斜率求平均值,这样做的目的是提高算法鲁棒性。该动态时间规整的距离度量不是欧几里得距离,而是信号的估计导数之差的平方。
互相关系数的目的是根据两个时间序列的相似程度对欧几里得距离施加权重,以防止规整之后的时间序列出现奇异性问题。关键的思想就是,如果相似程度高,就会施加更高的权重;反之,如果相似程度低,就会施加更低的权重,互相关系数估计公式如下:
其中,为了算法简单,假设两个时间序列的长度均为n,以样本点rl和tl为中心取左右m个等间距样本点,求得2m+1个样本点的平均值分别为和/> 和/>不同时为0,由许瓦兹不等式,有/>当/>时,/>这时/>取得最大值,当和/>完全无关时,/>当/>和/>有某种程度相似时,/>的取值在0和1之间。
通过估计导数和互相关系数修正累积距离公式,得
所述构建改进动态时间规整特征提取方法的步骤(2),构建提高算法效率的快速动态时间规整,快速动态时间规整是动态规整算法的窗口函数和数据二分法的结合体。快速动态时间规整采用基于约束动态时间规整算法和数据抽象的概念,并计算线性时间和空间复杂度的时间序列之间的近似累积距离。快速动态时间规整算法包括以下三个主要阶段:首先粗化处理时间序列,获得低分辨率下的时间序列;然后计算低分辨率下的规整路径,并投影规整路径以获得高分辨率下的搜索窗口;最终在搜索窗口约束下细化规整路径。粗化处理也即数据降维,它是将时间序列缩小为更小的时间序列,以较少的数据点尽可能准确地表示相同的曲线。在投影映射阶段,针对低分辨率时间序列使用约束动态时间规整计算规整路径,并将规整路径映射到更高分辨率的时间序列中。路径细化是快速动态时间规整算法的最后阶段,它需要一个搜索窗口作为输入,由投影映射阶段获得。
所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(1)中,根据实验设备中的行星齿轮箱特征参数,计算行星齿轮箱齿轮故障特征频率。
所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(2)中,对残差向量信号进行包络谱特征分析获得特征频率,与所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(1)中计算获得的齿轮故障特征频率作对比,进行故障诊断,判断故障发生类型。
利用本发明的技术方案的基于改进动态时间规整的行星齿轮箱故障诊断方法,通过实验设备采集齿轮正常信号和故障信号,将正常信号设定为参考信号,故障信号设定为测试信号;通过估计导数和相关系数修正累积距离公式,改善奇异性和时间序列无法自然对齐的问题;通过快速动态时间规整方法提高算法效率,将两种方法进行结合,得到改进动态时间规整方法;然后通过改进动态时间规整方法对两个时域信号进行处理,得到残差向量信号;最后通过包络谱分析,得到故障特征频谱,与先前计算的齿轮故障频率作对比,完成故障诊断。动态时间规整方法作为一种校准匹配算法,可以检测出一组时域信号之间的差异性,分离出故障特征信息。因此,该发明具有实用价值,可为维修人员提供可靠的行星齿轮箱工作状态信息,减少因故障而带来的经济损失,满足故障检测与诊断的需求。
附图说明
图1是本发明所述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的流程图;
图2是本发明所述基于改进动态时间规整的故障特征提取方法流程图。
具体实施方式
下面结合附图对本发明进行具体描述,如图1所示,一种基于改进动态时间规整的行星齿轮箱齿轮局部故障故障诊断方法,包括以下步骤:通过基于改进动态时间规整的特征提取方法获得残差向量信号、通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断。
所述基于改进动态时间规整的特征提取方法获得残差向量信号,其具体为:
(1)行星齿轮箱的齿轮正常信号和故障信号是由安装在行星齿轮箱箱体上的加速度传感器采集获得,将正常信号设为参考信号,故障信号设为测试信号。
(2)构建基于估计导数和互相关系数的累积距离公式。估计导数目的是规整时间轴上局部加速和局部减速部分的两个序列,该动态时间规整的距离度量不是欧几里得距离,而是信号的估计导数之差的平方。互相关系数的目的是是根据两个时间序列的相似程度对欧几里得距离施加权重,以防止规整之后的时间序列出现奇异性问题。
估计导数计算公式:
估计导数之差的平方:
互相关系数计算公式:
修正累积距离公式:
(3)构建提高算法效率的快速动态时间规整,快速动态时间规整是动态规整算法的窗口函数和数据二分法的结合体。快速动态时间规整采用基于约束动态时间规整算法和数据抽象的概念,并计算线性时间和空间复杂度的时间序列之间的近似累积距离。快速动态时间规整算法包括以下三个主要阶段:首先粗化处理时间序列,获得低分辨率下的时间序列;然后计算低分辨率下的规整路径,并投影规整路径以获得高分辨率下的搜索窗口;最终在搜索窗口约束下细化规整路径。
(4)应用重采样方法对规整对齐之后的时域信号处理,恢复原始信号长度,获得残差向量信号。
所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断,其具体为:
(1)根据实验设备中的行星齿轮箱特征参数,计算行星齿轮箱齿轮故障特征频率。
(2)对残差向量信号进行包络谱特征分析获得特征频率,与估计齿轮故障特征频率作对比,进行故障诊断,判断故障发生类型。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (6)
1.一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,其特征在于,包括以下步骤:
(1)通过基于改进动态时间规整的特征提取方法获得残差向量信号,
(2)通过包络谱特征分析方法进行行星齿轮箱故障诊断;
所述通过基于改进动态时间规整的特征提取方法获得残差向量信号,其具体为:
(1)输入行星齿轮箱的齿轮正常信号和故障信号,
(2)构建改进动态时间规整特征提取方法,
(3)应用重采样方法获得残差向量信号;
所述通过基于改进动态时间规整的特征提取方法获得残差向量信号的步骤(2)中,所述构建改进动态时间规整特征提取方法具体为:
(1)构建基于估计导数和互相关系数的累积距离公式,
(2)构建提高算法效率的快速动态时间规整;
所述构建改进动态时间规整特征提取方法的步骤(1)中,所述构建基于估计导数和互相关系数的累积距离公式具体步骤如下:
估计导数目的是规整时间轴上局部加速和局部减速部分的两个序列,因为时间序列具有相同值的两个数据点ri和tj,ri可能在上升部分,tj可能在下降部分,所以会导致规整不正确,信号特性发生改变,估计导数计算方法如下:
其中,Dx[ri]表示参考序列估计导数,Dy[tj]表示测试序列估计导数,Dist(i,j)表示时间序列估计导数之差的平方,ri点与左邻点之间的斜率与ri点左邻点和右邻点之间斜率求平均值,这样做的目的是提高算法鲁棒性,该动态时间规整的距离度量不是欧几里得距离,而是信号的估计导数之差的平方;
互相关系数的目的是根据两个时间序列的相似程度对欧几里得距离施加权重,以防止规整之后的时间序列出现奇异性问题,关键的思想就是,如果相似程度高,就会施加更高的权重,反之,如果相似程度低,就会施加更低的权重,互相关系数估计公式如下:
其中,为了算法简单,假设两个时间序列的长度均为n,以样本点rl和rl为中心取左右m个等间距样本点,求得2m+1个样本点的平均值分别为和/>和/>不同时为0,由许瓦兹不等式,有/>当/>时,/>这时/>取得最大值,当和/>完全无关时,/>当/>和/>有某种程度相似时,/>的取值在0和1之间;
通过估计导数和互相关系数修正获得新的累积距离公式如下:
所述构建改进动态时间规整特征提取方法的步骤(2)中,所述构建提高算法效率的快速动态时间规整具体为:
快速动态时间规整是动态规整算法的窗口函数和数据二分法的结合体,快速动态时间规整采用基于约束动态时间规整算法和数据抽象的概念,并计算线性时间和空间复杂度的时间序列之间的近似累积距离,快速动态时间规整算法包括以下三个主要阶段:首先粗化处理时间序列,获得低分辨率下的时间序列,然后计算低分辨率下的规整路径,并投影规整路径以获得高分辨率下的搜索窗口,最终在搜索窗口约束下细化规整路径,粗化处理也即数据降维,它是将时间序列缩小为更小的时间序列,以较少的数据点尽可能准确地表示相同的曲线,在投影映射阶段,针对低分辨率时间序列使用约束动态时间规整计算规整路径,并将规整路径映射到更高分辨率的时间序列中,路径细化是快速动态时间规整算法的最后阶段,它需要一个搜索窗口作为输入,由投影映射阶段获得。
2.根据权利要求1所述的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,其特征在于,所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断,其具体为:
(1)估算行星齿轮箱齿轮故障特征频率;
(2)包络谱特征分析获得特征频率。
3.根据权利要求1所述的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,其特征在于,所述构建通过基于改进动态时间规整的特征提取方法获得残差向量信号的步骤(1)中,行星齿轮箱的齿轮正常信号和故障信号是由安装在行星齿轮箱箱体上的加速度传感器采集获得,将正常信号设为参考信号,故障信号设为测试信号。
4.根据权利要求1所述的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,其特征在于,所述构建通过基于改进动态时间规整的特征提取方法获得残差向量信号的步骤(3)中,应用重采样方法对规整对齐之后的时域信号处理,恢复原始信号长度,获得残差向量信号。
5.根据权利要求2所述的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,其特征在于,所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(1)中,根据实验设备中的行星齿轮箱特征参数,计算行星齿轮箱齿轮故障特征频率。
6.根据权利要求2所述的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,其特征在于,所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(2)中,对残差向量信号进行包络谱特征分析获得特征频率,与所述通过包络谱特征分析方法进行行星齿轮箱齿轮局部故障诊断的步骤(1)获得的齿轮故障特征频率作对比,进行故障诊断,判断故障发生类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077186.3A CN110530630B (zh) | 2019-01-21 | 2019-01-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077186.3A CN110530630B (zh) | 2019-01-21 | 2019-01-21 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110530630A CN110530630A (zh) | 2019-12-03 |
CN110530630B true CN110530630B (zh) | 2023-08-29 |
Family
ID=68659166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077186.3A Active CN110530630B (zh) | 2019-01-21 | 2019-01-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530630B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233420B (zh) * | 2020-10-14 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 一种智能交通控制系统的故障诊断的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005009924A (ja) * | 2003-06-17 | 2005-01-13 | Honda Motor Co Ltd | 温度センサ回路の故障診断装置 |
CN103323770A (zh) * | 2013-05-23 | 2013-09-25 | 国家电网公司 | 高压断路器机械特性检测与故障诊断装置 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 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 |
CN108303250A (zh) * | 2017-01-12 | 2018-07-20 | 天津工业大学 | 一种通过电信号残差向量信号识别齿轮箱故障的方法 |
CN108303249A (zh) * | 2017-01-12 | 2018-07-20 | 天津工业大学 | 一种用于齿轮箱电信号残差信号的提取方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10289478B2 (en) * | 2016-04-26 | 2019-05-14 | Nec Corporation | System fault diagnosis via efficient temporal and dynamic historical fingerprint retrieval |
-
2019
- 2019-01-21 CN CN201910077186.3A patent/CN110530630B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005009924A (ja) * | 2003-06-17 | 2005-01-13 | Honda Motor Co Ltd | 温度センサ回路の故障診断装置 |
CN103323770A (zh) * | 2013-05-23 | 2013-09-25 | 国家电网公司 | 高压断路器机械特性检测与故障诊断装置 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 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 |
CN108303250A (zh) * | 2017-01-12 | 2018-07-20 | 天津工业大学 | 一种通过电信号残差向量信号识别齿轮箱故障的方法 |
CN108303249A (zh) * | 2017-01-12 | 2018-07-20 | 天津工业大学 | 一种用于齿轮箱电信号残差信号的提取方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于改进动态时间规整算法的断路器故障诊断;蒋志浩等;《工矿自动化》;20160803(第08期);第52-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110530630A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mishra et al. | Rolling element bearing defect diagnosis under variable speed operation through angle synchronous averaging of wavelet de-noised estimate | |
CN108644618B (zh) | 基于vmd分量相对熵分析的管道泄漏定位方法 | |
Gao et al. | Total variation on horizontal visibility graph and its application to rolling bearing fault diagnosis | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Ma et al. | Early fault diagnosis of rotating machinery based on composite zoom permutation entropy | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
CN106599920A (zh) | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 | |
CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN108181059B (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN109117450B (zh) | 振动测试数据最佳分析长度的确定方法 | |
CN110530630B (zh) | 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 | |
Wang et al. | A new blind fault component separation algorithm for a single-channel mechanical signal mixture | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN105259410A (zh) | 一种强噪声干扰下的欠采样波形的频率估计方法及其装置 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN103852525B (zh) | 基于ar-hmm的声发射信号识别方法 | |
CN116933059A (zh) | 一种融合方差与1d-lbp的故障识别方法 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
TWI390862B (zh) | 虛擬雜訊碼追蹤電路與虛擬雜訊碼追蹤方法 | |
CN107704825A (zh) | 基于自适应集成多小波的机械设备故障特征提取方法 | |
CN114297579A (zh) | 一种基于循环平稳测度的盲源分离方法 | |
CN115186692A (zh) | 基于经验模态分解和图像转换的智能故障诊断方法 | |
CN113591248A (zh) | 一种矿井提升机传动部件中轴承故障诊断方法 | |
CN109272054B (zh) | 一种基于独立性的振动信号去噪方法及系统 |
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 |