CN110806315B - 一种基于倒位编辑的齿轮箱复合故障诊断方法 - Google Patents
一种基于倒位编辑的齿轮箱复合故障诊断方法 Download PDFInfo
- Publication number
- CN110806315B CN110806315B CN201911143421.9A CN201911143421A CN110806315B CN 110806315 B CN110806315 B CN 110806315B CN 201911143421 A CN201911143421 A CN 201911143421A CN 110806315 B CN110806315 B CN 110806315B
- Authority
- CN
- China
- Prior art keywords
- signal
- amplitude
- fault
- phase
- spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 239000002131 composite material Substances 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 13
- 150000001875 compounds Chemical class 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 4
- SYXACIGWSSQBAJ-UHFFFAOYSA-N 2-amino-6-ethyl-5-pyridin-4-ylpyridine-3-carbonitrile Chemical compound CCC1=NC(N)=C(C#N)C=C1C1=CC=NC=C1 SYXACIGWSSQBAJ-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000276489 Merlangius merlangus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于倒位编辑的齿轮箱复合故障诊断方法，该方法首先依据齿轮故障信号、轴承故障信号与噪声在能量上的差异性和傅里叶变换的共轭对称性，对原始振动信号进行初始相位辨识、编辑、倒位和矢量叠加，实现了信号的有效降噪和对信号中能量不同成分的划分。其次，应用基于最大类间方差的幅值等级分解方法自动地对信号中能量差异特征进行分解，实现了复合故障的有效分离；再次对已分离的故障信号做希尔伯特包络解调分析，可最终实现故障特征的提取与诊断。通过对复合故障信号的仿真分析，验证了所提方法的有效性。实验数据分析结果也表明该方法可以有效的对齿轮箱中的轴承与齿轮复合故障进行分离与诊断。
Description
技术领域
本发明涉及一种齿轮箱中轴承与齿轮复合故障诊断方法，特别涉及一种基于倒位编辑的齿轮箱复合故障诊断方法，属于故障诊断技术领域。
背景技术
轴承和齿轮是机械结构中用于支撑和传递动力的重要部件。由于复杂工况和恶劣环境的影响，齿轮和轴承也是旋转机械中的易受损部件。一旦轴承与齿轮发生故障，很可能引起整个机械结构的破坏，从而造成比较严重的后果。因此对轴承和齿轮等关键零部件进行故障诊断有着重要意义。
信号处理是机器故障诊断的重要步骤，而振动分析则是信号处理中的常用分析方法。基于振动分析的信号处理技术包括：时域分析、频域分析和时频域分析。在三种分析方法中，频域分析是轴承与齿轮故障诊断中应用最广泛的方法。频域分析依赖快速傅里叶变换(FFT)，FFT是一种经典的信号分析方法。FFT方法具有便捷、简单与高效的特点，在信号成分简单且噪声干扰较少时可以较好的实现机器的故障诊断。然而，大多数机械故障信号都含有复杂的分量，并且常常受到噪声和无用信号的干扰。在FFT方法的基础上，谱分析方法可以在受到噪声干扰的复杂的机械故障信号中提取出有用的故障特征信息。Pan等基于能量谱分析的方法，成功的从柴油机的能量谱密度中提取出了故障特征信息。Badaoui等利用倒谱变换顺利完成了齿轮剥落故障的故障识别。谱分析方法除了对信号进行各种谱的变换之外，还常常对信号变换后的结果进行适当的修改或编辑，以便获得故障特征更为突显的信号。Badaoui等在齿轮系统中通过将角采样的信号的功率倒谱进行同步平均，可实现变转速下齿轮啮合对的隔离与故障诊断。Borghesani等提出了一种CPW(cepstrum pre-whitening)的编辑方法，该方法通过将整个实倒谱设定为零的方法对原始振动信号进行了增强。Ompusunggu等提出了ACEP(Automated cepstral editing procedure)的方法，该方法通过倒频谱编辑实现了自动化的从振动信号中去除干扰的离散成分。Peeters等比较了CPW(cepstrum pre-whitening)与ACEP两种技术，结果表明在降低信噪比方面CPW方法比ACEP方法更出色，但同时对于某些故障频率ACEP方法在放大故障峰值方面比CPW方法表现得更好。Barbini等对上述方法做了更为详细的总结，并且提出了一种新的名为相位编辑(PE)的轴承诊断预处理方法。该方法通过对原始信号频域的相位进行编辑并重构，利用轴承信号和之间的能量差异，可以实现轴承故障信号的降噪与故障特征提取。实验结果证明该方法较上述几种方法的损伤检出率更高。在PE的基础上，该团队还在文献中对该方法进行了改进，实现了对于不同故障信号的自适应，并结合阶次分析(OT)使该方法能应用于变转速信号，拓展了该方法的使用范围，仿真与实验结果都证明了该方法有效。由于PE是利用信号中每点的幅值和相位对相应的点进行削弱或增强，因此幅值和相位的大小都影响着最终的结果，在某些情况下，本来对称的调制带会因为左右各点相位的差异而失真。同时由于相位和幅值的共同作用，PE后重构信号各点幅值削弱和增强的结果会显得杂乱无章。并且PE方法只是对不感兴趣的信号成分进行削减，并不能真正的将其消除。
上述诊断方法都围绕某种特定的单故障进行研究，而在实际工况中，轴承和齿轮往往同时发生故障。就危害性而言，轴承与齿轮的复合故障远远大于单一故障。因此对复合故障的诊断也是目前学者研究的重点。在复合故障的诊断中，一种常见的方法是将复合故障信号分解为单故障信号。Miao等提出了一种改进的参数自适应变分模式分解，使得选择的模式数优于传统方法，减少了冗余量的产生，实验结果表明该方法能较好的对复合故障进行分解。Pan等提出了提出了一种新的信号分解算法-辛几何模式分解(SGMD)，其将时间序列分解成一组独立的模式分量，结果表明其对于故障特征的分解效果良好。Otsu提出一种基于灰度直方图的阈值选择方法-最大类间方差法。
将上述图像处理分析方法应用到轴承的故障诊断中，提出了一种名为基于振幅水平的分解方法。该方法可对信号的不同成分进行分解并提取出轴承故障特征频率。但该方法对于信号的要求和参数较为敏感。
发明内容
本发明的目的在于提供了一种基于倒位编辑的齿轮箱复合故障诊断方法，以解决谱编辑方法和幅值等级分解方法在轴承故障诊断中的上述技术问题。
本技术的创新点主要体现在：利用了复合故障信号中齿轮信号、轴承信号与噪声信号的相位和能量差异与傅里叶变换的共轭对称性，经过倒位编辑后可实现降噪和不同成分信号的划分；利用幅值等级分解对已经划分过的信号进行分离，可最终实现将复合故障信号分离为齿轮啮合特征信号、轴承故障特征信号与齿轮故障特征信号。该方法通过对信号相位的归一化处理，使得在信号分离时消除了因相位不同而造成的对信号增强或衰减的随机性；该方法通过对相位的保存与还原，使得信号极大程度的保持了原有信息，即信号不失真；该方法结合了幅值等级分解方法，利用最大类间方差找寻到不同信号成分中的相异之处，使得复合故障信号在时域和频域都能分离为单故障特征的信号，以实现复合故障的诊断。相比与现有技术，该方法的优势体现在：该方法其实只利用到了FFT算法，因此该方法计算过程过程简单，速度较快；现有的成熟的信号处理方法和诊断技术，如小波变换(WT)、固有模态分解(EMD)、稀疏分解(SD)等都难以对复合故障进行分离，而该方法是一种可以有效对复合故障进行分离的方法；利用目前比较先进方法对复合故障进行诊断时，如基于啮合齿轮共振的快速谱峭度图(MRgram)、基于粒子群优化(PSO)、共振稀疏分解(RSD)的解卷积方法等，要么只能对特定的频段进行滤波，所分离出的信号缺乏物理意义。要么只能滤波出轴承的故障成分，会造成齿轮信号成分的丢失。而该方法一方面分离出了具有明显物理意义的单故障特征信号，另一方面极大程度的使得信号的原有信息成分不丢失。上述即为该方法的创新点和优势所在；
为实现上述目的，本发明采用的技术方案为一种基于倒位编辑的齿轮箱复合故障诊断方法，该方法包括采集复合故障振动信号、对复合故障振动信号进行倒位编辑、构建倒位编辑后振动信号的振幅谱、使用幅值等级分解方法对振动信号的振幅谱进行一层分解、对一层分解后的信号做二层分解并分离出故障特征信号、对分离出的故障特征信号求解希尔伯特包络谱，从而得到故障特征；
S1倒位编辑；
设采集到的振动信号的时域表示为x(k)，其傅里叶变换为X(j)，其中k，j分别为时域和频域采样点数，k，j＝{0，1，2，…，N}，N为总采样点数，arctanθ为信号的相角，θ为信号反解的角度。保存X(j)的幅值|X(j)|和相位∠X(j)；用归一化的相角arctanθ替换原始相位重组成新相位信号
，经过增益计算，θ＝30°区分度较好；
X[j]＝|X[j]|ei∠x[j]
其中i为虚数单位；设定阈值向量；在频谱取值范围内定义信号的划分等级l，则阈值函数L(l)(j)的定义为：
λ对于不同信号的频谱值具有自适应性：
式中XM＝max{|X[j]|}，Xm＝min{|X[j]|}；其中XM为信号频谱绝对值的最大值，Xm为信号频谱绝对值的最小值；
将阈值向量与新相位信号叠加并返回幅值得到过程信号
将过程信号倒位翻转并叠加，将相位部分返还为已保存的相位∠X(j)，利用快速傅里叶逆变换得到重构信号s(k)；
式中所有带上三角符号的字母
代表该变量含有新相位信息，没有该符号的字母则代表该变量含有原始相位或不含相位信息。其中
代表信号的被替换相位后的频谱与阈值向量的合成向量，
为
被信号原幅值截取后的过程信号，
为重构信号的频谱；flip代表倒位运算，即信号以点为单位前后颠倒；IFFT为快速傅里叶反变换；
S2幅值等级分解；
设待分析的振动信号的时域表示为s(k)，利用快速傅里叶变换创建复合故障重构信号的振幅谱：
S(j)＝|FFT(s(k))|
对复合故障重构信号的振幅谱进行幅值等级分解；获取到最大类间方差，确定阈值TA；利用快速傅里叶逆变换，将振幅大于TA的信号频谱分量记为高振幅信号分量，将振幅小于或等于TA的信号频谱分量记为低振幅信号分量；利用幅值等级分解方法对低振幅信号分量继续进行二层分解；将低振幅信号分量继续分解为中幅信号分量和低幅信号分量；将信号按特征分类，从而得到齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)；
S3幅值等级分解阈值选择及分解方法；
S3.1设定步长并求解。设定阈值TA变化步长0：0.001：Max(S(j))，求解每个阈值TA所对应的类间方差
S3.2确定阈值。找到所有阈值TA所对应的类间方差
中的最大值-最大类间方差，并找到其所对应的阈值
S3.3一层分解。根据阈值
划分复合故障重构信号的振幅谱，将振幅大于
的记为高振幅信号分量，将振幅小于或等于
的信号频谱分量记为低振幅信号分量；
S3.4二层分解并终止。用上述方法继续对低振幅信号进行分解，获取最大类间方差以确定阈值
将振幅大于
的记为中振幅信号分量，将振幅小于或等于
的信号频谱分量记为低振幅信号分量；将三种信号分量分别做快速傅里叶逆变换。
S4基于倒位编辑的齿轮箱复合故障诊断方法步骤如下：
S4.1复合故障振动信号采集；利用加速度传感器对故障轴承实验台进行测量，获得振动加速度信号作为待分析信号x(k)；
S4.2对复合故障振动信号进行倒位编辑；对复合故障振动信号进行快速傅里叶变换得到X(j)，获取X(j)的幅值|X(j)|和相位∠X(j)并保存；用新相位arctanθ替换原始相位并与幅值重组成新相位信号
设定阈值函数L(l)(j)并与新相位信号叠加，之后以幅值相位的方式重组并将幅值部分返回为已保存的幅值|X(j)|，得到过程信号
将过程信号倒位翻转并与自己叠加，将相位部分返还为已保存的相位∠X(j)，利用快速傅里叶逆变换得到重构信号s(k)；
S4.3利用快速傅里叶变换创建复合故障重构信号的振幅谱；
S4.4对复合故障重构信号的振幅谱进行幅值等级分解；获取到最大类间方差，确定阈值TA；利用快速傅里叶逆变换，将振幅大于TA的信号频谱分量记为高振幅信号分量，将振幅小于或等于TA的信号频谱分量记为低振幅信号分量；
S4.5利用幅值等级分解方法对低振幅信号分量继续进行二层分解；将低振幅信号分量继续分解为中幅信号分量和低幅信号分量；将信号按特征分类，从而得到齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)；
S4.6对上述已分离的齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)求解希尔伯特包络谱。
与现有技术相比，本发明具有如下有益效果。
本发明提出了一种基于倒位编辑和幅值等级分级的轴承与齿轮复合故障诊断方法。倒位编辑通过对信号的初始相位辨识、编辑、倒位和矢量叠加，可以实现了信号的有效降噪和对信号中能量不同成分的初步划分。相比于已有的相位编辑方法，该方法对于信号的划分具有归一性。处理后的信号保存了原信号的完整性和准确性。幅值等级分解方法通过最大类间方差寻找信号的最优化分阈值，实现了复合故障中不同特征成分的分离。该发明将上述方法结合，首次应用于复合故障诊断领域，并与希尔伯特包络解调法进一步结合，形成了一套完整的复合故障诊断方法。
附图说明
图1是本发明中的基于倒位编辑的齿轮箱复合故障诊断方法流程图。
图2是本发明的倒位编辑方法流程图。
图3是本发明中轴承和齿轮复合故障振动加速度信号时域图及其包络谱图。
图4是本发明中应用方法分解后的齿轮啮合特征信号的时域图和频谱图。
图5是本发明中应用方法分解后的轴承故障特征信号的时域图和频谱图。
图6是本发明中应用方法分解后的齿轮故障特征信号的时域图和频谱图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
图1为本发明的基于倒位编辑的齿轮箱复合故障诊断方法流程图。下面结合流程图对基于倒位编辑和幅值等级分级的复合故障诊断方法原理进行详细说明。
(1)利用加速度传感器获得故障轴承振动加速度信号作为待分析信号x(k)，采样长度定为2的整数次方；
(2)对振动信号进行倒位编辑。
(3)用幅值等级分解对复合故障重构信号进行故障分解；利用快速傅里叶变换创建复合故障重构信号的振幅谱；
S(j)＝FFT(s(k))
(4)获取最大类间方差以确定阈值
，根据该阈值利用快速傅里叶逆变换对信号成分进行分解完成第一层划分，方法步骤如下：
4.1设定阈值TA变化步长0：0.001：Max(S(j))，求解每个阈值TA所对应的类间方差
其中N是频谱中信号的点数，Nlow(TA)是频谱中比阈值TA小的谱线数量，Nhigh(TA)是频谱中比阈值TA大的谱线数量，
是比阈值TA小的所有谱线的幅值均值，
是比阈值TA大的所有谱线的幅值均值。
4.2找到所有阈值TA所对应的类间方差
中的最大值-最大类间方差，并找到其所对应的阈值
4.3根据阈值
划分复合故障重构信号的振幅谱，将振幅大于
的记为高振幅信号分量，将振幅小于或等于TA的信号频谱分量记为低振幅信号分量；
(5)用上述方法继续对低振幅信号进行第二层分解，获取最大类间方差以确定阈值
将振幅大于
的记为中振幅信号分量，将振幅小于或等于
的信号频谱分量记为低振幅信号分量；将三种信号分量分别做快速傅里叶逆变换。理论上，高振幅信号分量对应齿轮啮合特征信号M(k)，中振幅信号分量对应轴承故障特征信号B(k)，低振幅信号分量对应齿轮故障特征信号G(k)；
(6)对分离出的三种特征振动信号M(k)，B(k)和G(k)求解希尔伯特包络谱图，继而进行轴承与齿轮复合故障的故障诊断。
图2为本发明的倒位编辑方法流程图。具体流程如下：
(1)对待分析信号x(k)做傅里叶变换得到X(j)；
(2)保存初值并替换相位；求取待分析信号x(k)的快速傅里叶变换X(j)，保存其幅值|X(j)|和相位∠X(j)；用归一化的相角arctanθ替换原始相位，经过增益计算，θ＝30°区分度较好；
X[j]＝|X[j]|ei∠X[j]
(3)设定阈值向量；在频谱取值范围内定义划分等级l，则阈值函数L(l)(j)的定义为：
其中N为总采样点数，λ对于不同信号的频谱值具有自适应性：
式中XM＝max{|X[j]|}，Xm＝min{|X[j]|}；
(4)向量叠加、倒位、矢量求和与相位返回；将阈值向量与新相位信号叠加并返回幅值得到过程信号，将过程信号倒位翻转并与自己叠加，将相位部分返还为已保存的相位，并通过傅里叶逆变换得到复合故障重构信号；
图3为齿轮与轴承复合故障实验振动信号x(k)的时域图及其包络谱图。实验选取轴承型号为NUP311EN；转频为750r·min-1，采样频率24000Hz，轴承故障类型为外圈故障与齿轮轻度断齿故障，齿轮故障特征频率为14Hz，啮合频率378Hz。轴承故障特征频率为72Hz。由于噪声和干扰信号的存在，从时域图不能看出冲击特性，在包络图中也找不到故障特征频率。
图4为使用方法分解出的齿轮啮合特征信号的时域图和频谱图。从时域图中可以清晰看出谐波成分，从包络谱中可以清晰的找到啮合频率及其倍频，并且分离出的成分整洁干净，无其他噪声及干扰频率。
图5为使用方法分解出的轴承故障特征信号的时域图和频谱图。从时域图中可以清晰看出冲击成分，从包络谱中可以清晰的找到轴承故障特征频率及其倍频，并且分离出的成分降噪效果明显。
图6为使用方法分解出的齿轮故障特征信号的时域图和频谱图。从时域图中可以清晰看出冲击成分，从包络谱中可以清晰的找到齿轮故障特征频率及其倍频，并且分离出的成分降噪效果明显。综上，该方法可以对复合进行故障诊断。
Claims (3)
1.一种基于倒位编辑的齿轮箱复合故障诊断方法，其特征在于：该方法包括采集复合故障振动信号、对复合故障振动信号进行倒位编辑、构建倒位编辑后振动信号的振幅谱、使用幅值等级分解方法对振动信号的振幅谱进行一层分解、对一层分解后的信号做二层分解并分离出故障特征信号、对分离出的故障特征信号求解希尔伯特包络谱，从而得到故障特征；
S1倒位编辑；
设采集到的振动信号的时域表示为x(k)，其傅里叶变换为X(j)，其中k，j分别为时域和频域采样点数，k，j＝{0，1，2，…，N}，N为总采样点数，arctanθ为信号的相角，θ为信号反解的角度；保存X(j)的幅值|X(j)|和相位∠X(j)；用归一化的相角arctanθ替换原始相位重组成新相位信号
经过增益计算，θ＝30°区分度较好；
X[j]＝|X[j]|ei∠X[j]
其中i为虚数单位；设定阈值向量；在频谱取值范围内定义信号的划分等级l，则阈值函数L(l)(j)的定义为：
λ对于不同信号的频谱值具有自适应性：
式中XM＝max{|X[j]|}，Xm＝min{|X[j]|}；其中XM为信号频谱绝对值的最大值，Xm为信号频谱绝对值的最小值；
将阈值向量与新相位信号叠加并返回幅值得到过程信号
将过程信号倒位翻转并叠加，将相位部分返还为已保存的相位∠X(j)，利用快速傅里叶逆变换得到重构信号s(k)；
式中所有带上三角符号的字母
代表该变量含有新相位信息，没有该符号的字母则代表该变量含有原始相位或不含相位信息；其中
代表信号的被替换相位后的频谱与阈值向量的合成向量，
为
被信号原幅值截取后的过程信号，
为重构信号的频谱；flip代表倒位运算，即信号以点为单位前后颠倒；IFFT为快速傅里叶反变换；
S2幅值等级分解；
设待分析的振动信号的时域表示为s(k)，利用快速傅里叶变换创建复合故障重构信号的振幅谱：
S(j)＝|FFT(s(k))|
对复合故障重构信号的振幅谱进行幅值等级分解；获取到最大类间方差，确定阈值TA；利用快速傅里叶逆变换，将振幅大于TA的信号频谱分量记为高振幅信号分量，将振幅小于或等于TA的信号频谱分量记为低振幅信号分量；利用幅值等级分解方法对低振幅信号分量继续进行二层分解；将低振幅信号分量继续分解为中幅信号分量和低幅信号分量；将信号按特征分类，从而得到齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)；
S3幅值等级分解阈值选择及分解方法；
S4基于倒位编辑的齿轮箱复合故障诊断方法。
2.根据权利要求1所述的一种基于倒位编辑的齿轮箱复合故障诊断方法，其特征在于：S3的实现步骤如下，S3.1设定步长并求解；设定阈值TA变化步长0：0.001：Max(S(j))，求解每个阈值TA所对应的类间方差
S3.2确定阈值；找到所有阈值TA所对应的类间方差
中的最大值-最大类间方差，并找到其所对应的阈值
S3.3一层分解；根据阈值
划分复合故障重构信号的振幅谱，将振幅大于
的记为高振幅信号分量，将振幅小于或等于
的信号频谱分量记为低振幅信号分量；
S3.4二层分解并终止；用上述方法继续对低振幅信号进行分解，获取最大类间方差以确定阈值
将振幅大于
的记为中振幅信号分量，将振幅小于或等于
的信号频谱分量记为低振幅信号分量；将三种信号分量分别做快速傅里叶逆变换。
3.根据权利要求1所述的一种基于倒位编辑的齿轮箱复合故障诊断方法，其特征在于：S4的实现步骤如下，S4.1复合故障振动信号采集；利用加速度传感器对故障轴承实验台进行测量，获得振动加速度信号作为待分析信号x(k)；
S4.2对复合故障振动信号进行倒位编辑；对复合故障振动信号进行快速傅里叶变换得到X(j)，获取X(j)的幅值|X(j)|和相位∠X(j)并保存；用新相位arctanθ替换原始相位并与幅值重组成新相位信号
设定阈值函数L(l)(j)并与新相位信号叠加，之后以幅值相位的方式重组并将幅值部分返回为已保存的幅值|X(j)|，得到过程信号
将过程信号倒位翻转并与自己叠加，将相位部分返还为已保存的相位∠X(j)，利用快速傅里叶逆变换得到重构信号s(k)；
S4.3利用快速傅里叶变换创建复合故障重构信号的振幅谱；
S4.4对复合故障重构信号的振幅谱进行幅值等级分解；获取到最大类间方差，确定阈值TA；利用快速傅里叶逆变换，将振幅大于TA的信号频谱分量记为高振幅信号分量，将振幅小于或等于TA的信号频谱分量记为低振幅信号分量；
S4.5利用幅值等级分解方法对低振幅信号分量继续进行二层分解；将低振幅信号分量继续分解为中幅信号分量和低幅信号分量；将信号按特征分类，从而得到齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)；
S4.6对已分离的齿轮啮合特征信号M(k)，轴承故障特征信号B(k)，齿轮故障特征信号G(k)求解希尔伯特包络谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911143421.9A CN110806315B (zh) | 2019-11-20 | 2019-11-20 | 一种基于倒位编辑的齿轮箱复合故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911143421.9A CN110806315B (zh) | 2019-11-20 | 2019-11-20 | 一种基于倒位编辑的齿轮箱复合故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110806315A CN110806315A (zh) | 2020-02-18 |
| CN110806315B true CN110806315B (zh) | 2021-04-16 |
Family
ID=69490754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911143421.9A Active CN110806315B (zh) | 2019-11-20 | 2019-11-20 | 一种基于倒位编辑的齿轮箱复合故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110806315B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111692269B (zh) * | 2020-05-15 | 2021-04-27 | 华中农业大学 | 非线性隔振系统的边界辨识方法 |
| CN111693279B (zh) * | 2020-05-22 | 2021-06-01 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
| CN111811819A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于机器学习的轴承故障诊断方法及装置 |
| CN112926014B (zh) * | 2021-01-19 | 2023-08-29 | 北京化工大学 | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 |
| CN114486252B (zh) * | 2022-01-28 | 2023-06-30 | 西北工业大学 | 一种矢量模极大值包络的滚动轴承故障诊断方法 |
| CN116956109B (zh) * | 2023-03-07 | 2024-04-09 | 珠海紫燕无人飞行器有限公司 | 一种基于频谱分析无人飞行器震动问题的方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929837A (zh) * | 2012-09-18 | 2013-02-13 | 西安电子科技大学 | 基于fpga的高速定点fft处理器及其处理方法 |
| KR20130023547A (ko) * | 2011-08-29 | 2013-03-08 | 주식회사 현대케피코 | 자동변속기 출력 축 회전방향 오감지 진단 장치 및 그 방법 |
| CN106096917A (zh) * | 2016-06-20 | 2016-11-09 | 上海赞越软件服务中心 | 应用规则编辑器管理机制 |
| CN109212559A (zh) * | 2018-09-26 | 2019-01-15 | 永州市金蚂蚁新能源机械有限公司 | 一种单频及多频gnss信号窄带干扰抑制装置、系统及其方法 |
| CN109394173A (zh) * | 2017-08-18 | 2019-03-01 | 同济大学 | 一种智能治疗器的控制方法及系统 |
| CN109902142A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 一种基于编辑距离的字符串模糊匹配和查询方法 |
| CN109921823A (zh) * | 2019-03-04 | 2019-06-21 | 中国人民解放军军事科学院国防科技创新研究院 | 扩频信号伪码快速捕获装置及捕获方法 |
| CN110321581A (zh) * | 2019-03-19 | 2019-10-11 | 南京航空航天大学 | 一种基于hls的二维傅里叶变换ip核的设计方法 |
-
2019
- 2019-11-20 CN CN201911143421.9A patent/CN110806315B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130023547A (ko) * | 2011-08-29 | 2013-03-08 | 주식회사 현대케피코 | 자동변속기 출력 축 회전방향 오감지 진단 장치 및 그 방법 |
| CN102929837A (zh) * | 2012-09-18 | 2013-02-13 | 西安电子科技大学 | 基于fpga的高速定点fft处理器及其处理方法 |
| CN106096917A (zh) * | 2016-06-20 | 2016-11-09 | 上海赞越软件服务中心 | 应用规则编辑器管理机制 |
| CN109394173A (zh) * | 2017-08-18 | 2019-03-01 | 同济大学 | 一种智能治疗器的控制方法及系统 |
| CN109212559A (zh) * | 2018-09-26 | 2019-01-15 | 永州市金蚂蚁新能源机械有限公司 | 一种单频及多频gnss信号窄带干扰抑制装置、系统及其方法 |
| CN109902142A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 一种基于编辑距离的字符串模糊匹配和查询方法 |
| CN109921823A (zh) * | 2019-03-04 | 2019-06-21 | 中国人民解放军军事科学院国防科技创新研究院 | 扩频信号伪码快速捕获装置及捕获方法 |
| CN110321581A (zh) * | 2019-03-19 | 2019-10-11 | 南京航空航天大学 | 一种基于hls的二维傅里叶变换ip核的设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Quantitative and Localization Fault Diagnosis Method of Rolling Bearing Based on Quantitative Mapping Model;Wang Jialong等;《ENTROPY》;20180731;第20卷(第7期);第1-27页 * |
| 基于小波分析的旋转机械故障诊断仪的研究与开发;易健雄;《中国优秀硕士学位论文全文数据库》;20090315(第3（2009）期);正文第48-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110806315A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
| Xu et al. | Adaptive Kurtogram and its applications in rolling bearing fault diagnosis | |
| Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
| Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
| Sung et al. | Locating defects of a gear system by the technique of wavelet transform | |
| Zhang et al. | Multi-fault diagnosis of gearbox based on resonance-based signal sparse decomposition and comb filter | |
| CN101644623B (zh) | 基于多尺度形态学分析的齿轮故障诊断方法 | |
| CN108152037A (zh) | 基于itd和改进形态滤波的轴承故障诊断方法 | |
| Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
| CN112083495B (zh) | 基于变分模态分解的同步压缩小波变换提高分辨率方法 | |
| Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
| CN106568589A (zh) | 一种基于经验小波变换碰摩声发射消噪方法 | |
| CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
| CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
| Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
| CN111289232A (zh) | 基于双树复小波包子带平均峭度图的机械故障诊断方法 | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| Li et al. | Development of a morphological convolution operator for bearing fault detection | |
| Yan et al. | A bearing fault feature extraction method based on optimized singular spectrum decomposition and linear predictor | |
| CN111769810A (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| CN108181098A (zh) | 一种门座式起重机低速重载部件故障特征提取方法 | |
| Hou et al. | Weak Signal Detection Based on Lifting Wavelet Threshold Denoising and Multi-Layer Autocorrelation Method. | |
| CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
| Lv et al. | A novel fault diagnosis method for rotating machinery based on EEMD and MCKD |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200218 Assignee: Jiangsu lianyiyou measurement and Control Technology Co.,Ltd. Assignor: Beijing University of Technology Contract record no.: X2024980004753 Denomination of invention: A Composite Fault Diagnosis Method for Gearboxes Based on Inverted Editing Granted publication date: 20210416 License type: Common License Record date: 20240422 |