CN111323219B - 利用振动信号对行星齿轮箱损伤进行早期检测的方法 - Google Patents
利用振动信号对行星齿轮箱损伤进行早期检测的方法 Download PDFInfo
- Publication number
- CN111323219B CN111323219B CN202010014396.0A CN202010014396A CN111323219B CN 111323219 B CN111323219 B CN 111323219B CN 202010014396 A CN202010014396 A CN 202010014396A CN 111323219 B CN111323219 B CN 111323219B
- Authority
- CN
- China
- Prior art keywords
- coefficient vector
- signal
- sparse representation
- state
- vector delta
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种利用振动信号对行星齿轮箱损伤进行早期检测的方法,包括:步骤S1:通过安装于行星齿轮箱外壳的加速度计获得健康状态下的振动信号s0和待检状态下的振动信号su,得到降噪后健康状态和待检状态下的时域信号x0和xu;步骤S2:构建时域信号的自适应超完备冗余字典Ω0;步骤S3:对时域信号x0进行稀疏表示,得到标准稀疏表示系数向量δ0(j);步骤S4:对时域信号xu进行稀疏表示,得到待检稀疏表示系数向量δu(j);步骤S5:对标准稀疏表示系数向量δ0和待检稀疏表示系数向量δu进行一致性检测,得到一致性检测值Z0u;步骤S6:将一致性检测值Z0u与预先设定的阈值Zth进行比较,得到检测结果。本发明具有原理简单、操作简便、稳定可靠、精度高、适用于强干扰和复杂工况等优点。
Description
技术领域
本发明主要涉及到行星齿轮箱变速箱状态监测与故障诊断技术领域,特指一种利用基于超完备稀疏表示的故障特征对行星齿轮箱进行早期故障检测的方法。
背景技术
现有技术中,一般采用安装于行星齿轮箱外壳体的加速度传感器采集振动信号,使用去均值、去趋势项、滤波、加窗与时域同步平均等方法对原始信号进行预处理,然后采用时域分析、频谱分析或时频分析等方法提取状态特征,利用历史经验数据确定状态特征的阈值,从而实现对行星齿轮箱的状态监测与损伤检测。
通常而言,行星齿轮箱上的加速度传感器需要监测从低速端到高速端诸多旋转部件的运行状态,因此设置较高的采样频率。这样一来,传感器所采集到的原始数据量就会非常巨大,加之工作环境中存在大量噪声及其他工频干扰,采用传统方法仅仅能够实现简单的在线监测功能,初步判断行星齿轮箱的基本状态,并且转速、扭矩等工况条件的变化,也会对传统的在线监测方法带来较高的虚警或误警,影响装备的正常运行。
因此,如何在严重的噪声背景下,从大量的原始数据中有效、稳定、可靠地检测出行星齿轮箱的微弱损伤,实现实时在线的损伤早期检测与故障精确诊断,便成为行星齿轮箱状态监测与故障诊断的关键问题之一。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种稳定可靠、精度高、适用范围广、抗干扰能力强的利用振动信号对行星齿轮箱损伤进行早期检测的方法。
为解决上述技术问题,本发明采用以下技术方案:
一种利用振动信号对行星齿轮箱损伤进行早期检测的方法,其包括:
步骤S1:通过安装于行星齿轮箱外壳的加速度计获得健康状态下的振动信号s0和待检状态下的振动信号su,得到降噪后健康状态和待检状态下的时域信号x0和xu;
步骤S2:针对降噪后的健康时域信号x0,利用K-奇异值分解法构建时域信号的自适应超完备冗余字典Ω0;
步骤S3:使用所述超完备冗余字典Ω0对时域信号x0进行稀疏表示,得到标准稀疏表示系数向量δ0(j);
步骤S4:使用所述超完备冗余字典Ω0对时域信号xu进行稀疏表示,得到待检稀疏表示系数向量δu(j);
步骤S5:对标准稀疏表示系数向量δ0和待检稀疏表示系数向量δu进行一致性检测,得到一致性检测值Z0u;
步骤S6:将一致性检测值Z0u与预先设定的阈值Zth进行比较,得到检测结果。
作为本发明方法的进一步改进:在所述步骤S1中,对原始振动信号进行平滑滤波与时域同步平均信号预处理,得到降噪后健康状态和待检状态下的时域信号x0和xu;
x0(t)=f(g(s0(t)),r0(t)),x0={x0i},i=1,2,...,N
xu(t)=f(g(su(t)),ru(t)),xu={xui},i=1,2,...,N
式中,r0为健康状态下的转速信号,ru为待检状态下的转速信号。
作为本发明方法的进一步改进:所述步骤S5中,采用改进的Z-test双样本一致性检验算法进行一致性检测。
作为本发明方法的进一步改进:所述一致性检测值Z0u为:
作为本发明方法的进一步改进:所述步骤S3中,标准稀疏表示系数向量δ0(j)表示为:
δ0(M)(j)=Ω0(M×N)x0(N)(i),j=1,2,...,M,i=1,2,...,N。
作为本发明方法的进一步改进:所述步骤S4中,待检稀疏表示系数向量δu(j)表示为:
δ0(M)(j)=Ω0(M×N)x0(N)(i),j=1,2,...,M,i=1,2,...,N。
作为本发明方法的进一步改进:所述步骤S6中,如果Z0u>Zth,那么可以判断行星齿轮箱存在早期损伤;如果Z0u≤Zth,可以判断行星齿轮箱处于健康状态。
与现有技术相比,本发明的优点在于:
1、本发明的利用振动信号的超完备稀疏表示特征对行星齿轮箱损伤进行早期检测的方法,原理简单、操作简便,在大数据量的背景下,可克服噪声干扰,有效检测行星齿轮箱的微弱损伤。
2、本发明充分利用了行星齿轮箱传感器的原始信号的有效状态信息,识别效率高、运算量小、稳定性和可靠性好。
3、本发明利用振动信号的超完备稀疏表示特征对行星齿轮箱损伤进行早期检测的方法,无需增加额外的硬件系统,利用原始信号稀疏表示系数的重构特征,通过简单的阈值识别即可有效检测行星齿轮箱的微弱损伤。
4、本发明的方法为解决行星齿轮箱状态监测与故障诊断中严重噪声干扰与大数据量背景下微弱损伤难以检测的关键问题,提供了一种新的有效的技术手段。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在实施例中行星齿轮箱健康状态振动信号波形图。
图3是本发明在实施例中太阳轮齿面点蚀故障状态的振动信号波形图。
图4是本发明在实施例中太阳轮疲劳裂纹故障状态的振动信号波形图。
图5是本发明在实施例中加入噪声的行星齿轮箱健康状态振动信号波形图。
图6是本发明在实施例中加入噪声的太阳轮齿面点蚀故障状态的振动信号波形图。
图7是本发明在实施例中加入噪声的太阳轮疲劳裂纹故障状态的振动信号波形图。
图8是本发明对图2所示信号的早期损伤检测结果图。
图9是本发明对图3所示信号的早期损伤检测结果图。
图10是本发明对图4所示信号的早期损伤检测结果图。
图11是本发明对图5所示信号的早期损伤检测结果图。
图12是本发明对图6所示信号的早期损伤检测结果图。
图13是本发明对图7所示信号的早期损伤检测结果图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的利用振动信号对行星齿轮箱损伤进行早期检测的方法,其步骤为:
步骤S1:通过安装于行星齿轮箱外壳的加速度计获得健康状态下的振动信号s0和待检状态下的振动信号su,对原始振动信号进行平滑滤波与时域同步平均等信号预处理,得到降噪后健康状态和待检状态下的时域信号x0和xu;
x0(t)=f(g(s0(t)),r0(t)),x0={x0i},i=1,2,...,N
xu(t)=f(g(su(t)),ru(t)),xu={xui},i=1,2,...,N
式中,r0为健康状态下的转速信号,ru为待检状态下的转速信号。
步骤S2:针对降噪后的健康时域信号x0,利用K-奇异值分解法构建时域信号的自适应超完备冗余字典Ω0,Ω0={Ω0ij},i=1,2,...,N,j=1,2,...,M。
K-奇异值分解算法的具体描述如下:
目标:通过学习得到字典Ω0从而对训练样本集{x01,x02,…,x0N}进行稀疏表示。
初始化:设置k=0。
初始化字典:构建Ω0(0)∈RM×N,可使用随机元素,或者随机选择N个样本。
标准化字典:将Ω0(0)的列归一化。
主循环:k从1开始增加,并执行:
·稀疏编码阶段:使用追踪算法来估计解:
·K-奇异值分解字典更新阶段:使用下述过程更新字典的列,得到Ω0(k)。
分别对于j0=1,2,…,m,重复下述过程:
输出:期望字典Ω0。
步骤S3:使用所构建的超完备冗余字典Ω0对时域信号x0进行稀疏表示,得到标准稀疏表示系数向量δ0(j):
δ0(M)(j)=Ω0(M×N)x0(N)(i),j=1,2,...,M,i=1,2,...,N;
步骤S4:使用所构建的超完备冗余字典Ω0对时域信号xu进行稀疏表示,得到待检稀疏表示系数向量δu(j):
δ0(M)(j)=Ω0(M×N)x0(N)(i),j=1,2,...,M,i=1,2,...,N;
步骤S5:采用改进的Z-test双样本一致性检验算法对标准稀疏表示系数向量δ0和待检稀疏表示系数向量δu进行一致性检测,得到一致性检测值Z0u;
步骤S6:将步骤S5得到的一致性检测值Z0u与预先设定的阈值Zth进行比较:
通过上述步骤即可实现行星齿轮箱微弱损伤的早期检测。
本发明可以适用于识别行星齿轮箱齿根疲劳裂纹、齿面点蚀两种典型故障模式,以上两种故障是行星齿轮系统中较常见且难以检测的故障模式,主要发生在行星齿轮箱内部的太阳轮和行星轮处。如果任由其发展,可能引发齿轮的严重故障,进而导致整个系统的失效,造成重大经济损失。因此,设法在故障早期将其检测并识别出来,对于避免行星齿轮系统的继发性故障,保障其健康运行具有现实意义。
下面用一个具体应用实例来说明本发明的有效性:
为验证本发明,所采用的试验台为二级行星齿轮传动系统试验台,驱动电机最大转速为100Hz,负载电机的最大载荷为412N·m,本发明主要针对第一级行星齿轮箱的太阳轮早期疲劳裂纹、齿面微弱点蚀故障进行实验。
在转速和负载工况为(50Hz,20%)的情况下,分别采集了健康和不同故障模式运行状态的行星齿轮箱振动信号,典型振动信号如图2、图3、图4所示,其中图2表示行星齿轮箱健康状态振动信号;图3表示行星齿轮箱太阳轮齿面点蚀故障的振动信号;图4表示行星齿轮箱太阳轮齿根疲劳裂纹故障的振动信号。对行星齿轮箱的3种运行状态,以采样频率20kHz、采样时间25s,分别采集了80组振动数据,每组数据的点数均为500k。为验证本发明的抗噪性能,在图2、3、4信号中加入强度D=2的高斯白噪声,所生成的振动信号如图5、6和7所示。在上述数据的基础上,生成了每组10k点的数据集用于下面的分析。
根据本发明所提出的早期损伤检测流程,分别计算图2和图5中行星齿轮箱健康状态信号的超完备冗余字典。基于图2信号得到的超完备冗余字典分别计算图2、3和4中行星齿轮箱状态信号的稀疏表示系数向量及一致性检测值,得到的检测结果如图8、9和10所示。基于图5信号得到的超完备冗余字典分别计算图5、6、7中行星齿轮箱状态信号的稀疏表示系数向量及一致性检测值,得到的检测结果如图11、12和13所示。
从图8可以看出,实验数据的故障特征值在0.2左右,明显小于阈值1.0,因此判断图8中的实验信号对应系统状态为健康状态;从图9可以看出,实验数据的故障特征值在区间(1.0,1.3)内,所有的故障特征值均大于阈值1.0,因此判断图9中的实验信号对应系统状态为故障状态;从图10可以看出,实验数据的故障特征值在区间(1.2,1.6)内,所有的故障特征值均大于阈值1.0,因此判断图9中的实验信号对应系统状态为故障状态。从以上验证结果中可以看出,尽管零件中植入的损伤比较微小,但仍可以有效识别行星轮系中是否存在早期损伤。从图11、图12和图13可以看出,在强背景噪声下,本发明对微弱故障的早期识别效果依然十分理想。由此也可证明,本发明方法可在大数据量和强噪声背景下对行星齿轮箱微弱故障进行有效的早期检测。
上述行星齿轮箱微弱故障早期检测实例,验证了本发明方法在大数据量和强噪声背景下对行星齿轮箱微弱故障早期检测的有效性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (3)
1.一种利用振动信号对行星齿轮箱损伤进行早期检测的方法,其特征在于,包括:
步骤S1:通过安装于行星齿轮箱外壳的加速度计获得健康状态下的振动信号s0(t)和待检状态下的振动信号su(t),得到降噪后健康状态和待检状态下的时域信号x0(t)和xu(t);
步骤S2:针对降噪后的健康时域信号x0(t),利用K-奇异值分解法构建时域信号的自适应超完备冗余字典Ω0;
步骤S3:使用所述超完备冗余字典Ω0对时域信号x0(t)进行稀疏表示,得到标准稀疏表示系数向量δ0;
步骤S4:使用所述超完备冗余字典Ω0对时域信号xu(t)进行稀疏表示,得到待检稀疏表示系数向量δu;
步骤S5:采用改进的Z-test双样本一致性检验算法进行一致性检测对标准稀疏表示系数向量δ0和待检稀疏表示系数向量δu进行一致性检测,得到一致性检测值Z0u;所述一致性检测值Z0u为:
步骤S6:将一致性检测值Z0u与预先设定的阈值Zth进行比较,得到检测结果。
2.根据权利要求1所述的利用振动信号对行星齿轮箱损伤进行早期检测的方法,其特征在于,在所述步骤S1中,对原始振动信号进行平滑滤波与时域同步平均信号预处理,得到降噪后健康状态和待检状态下的时域信号x0(t)和xu(t);
x0(t)=f(g(s0(t)),r0(t)),x0={x0i},i=1,2,...,N
xu(t)=f(g(su(t)),ru(t)),xu={xui},i=1,2,...,N
式中,r0(t)为健康状态下的转速信号,ru(t)为待检状态下的转速信号。
3.根据权利要求1-2中任意一项所述的利用振动信号对行星齿轮箱损伤进行早期检测的方法,其特征在于,所述步骤S6中,如果Z0u>Zth,那么可以判断行星齿轮箱存在早期损伤;如果Z0u≤Zth,可以判断行星齿轮箱处于健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014396.0A CN111323219B (zh) | 2020-01-07 | 2020-01-07 | 利用振动信号对行星齿轮箱损伤进行早期检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014396.0A CN111323219B (zh) | 2020-01-07 | 2020-01-07 | 利用振动信号对行星齿轮箱损伤进行早期检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111323219A CN111323219A (zh) | 2020-06-23 |
CN111323219B true CN111323219B (zh) | 2022-03-29 |
Family
ID=71172490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010014396.0A Active CN111323219B (zh) | 2020-01-07 | 2020-01-07 | 利用振动信号对行星齿轮箱损伤进行早期检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111323219B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114371001B (zh) * | 2021-12-17 | 2024-05-31 | 中国电子科技集团公司第四十一研究所 | 一种齿轮箱故障缺陷检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
KR101275702B1 (ko) * | 2012-02-15 | 2013-06-17 | 목포대학교산학협력단 | 진동신호를 이용한 기어박스의 결함진단 및 결함검출방법 및 그 장치 |
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控系统指令域序列异常数据检测方法 |
WO2015195827A1 (en) * | 2014-06-17 | 2015-12-23 | Carnegie Mellon University | Methods and software for hallucinating facial features by prioritizing reconstruction errors |
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10121094B2 (en) * | 2016-12-09 | 2018-11-06 | International Business Machines Corporation | Signal classification using sparse representation |
CN107368809B (zh) * | 2017-07-20 | 2018-05-18 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
CN109632310A (zh) * | 2019-01-18 | 2019-04-16 | 北京化工大学 | 一种基于特征增强的轴承故障诊断方法 |
-
2020
- 2020-01-07 CN CN202010014396.0A patent/CN111323219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
KR101275702B1 (ko) * | 2012-02-15 | 2013-06-17 | 목포대학교산학협력단 | 진동신호를 이용한 기어박스의 결함진단 및 결함검출방법 및 그 장치 |
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
WO2015195827A1 (en) * | 2014-06-17 | 2015-12-23 | Carnegie Mellon University | Methods and software for hallucinating facial features by prioritizing reconstruction errors |
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控系统指令域序列异常数据检测方法 |
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Fault diagnosis of sun gear based on continuous vibration separation and minimum entropy deconvolution;Lun Zhang等;《Measurement》;20190418;第141卷;全文 * |
VMD 样本熵特征提取方法及其在行星变速箱故障诊断中的应用;杨大为等;《振动与冲击》;20180831;第37卷(第16期);全文 * |
信号稀疏分解理论在轴承故障检测中的应用;张新鹏等;《国防科技大学学报》;20160630;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111323219A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A fault diagnosis scheme for planetary gearboxes using adaptive multi-scale morphology filter and modified hierarchical permutation entropy | |
Park et al. | Gear fault diagnosis using transmission error and ensemble empirical mode decomposition | |
Jin et al. | Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis–Taguchi system | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
CN113947017B (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
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 | |
CN113112000B (zh) | 一种多层次卷积神经网络模型的构建方法及应用 | |
CN114046993A (zh) | 一种基于多特征参数融合与fcm-hmm的回转支承状态评估方法 | |
CN111323219B (zh) | 利用振动信号对行星齿轮箱损伤进行早期检测的方法 | |
Han et al. | Deep residual joint transfer strategy for cross-condition fault diagnosis of rolling bearings | |
CN114742111A (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
Arun et al. | A review on fault diagnosis of misaligned rotor systems | |
Jin et al. | An image recognition method for gear fault diagnosis in the manufacturing line of short filament fibres | |
CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 | |
Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM | |
Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
Damine et al. | Enhancement of the AR-MED deconvolution process using ensemble empirical mode decomposition in bearing fault detection | |
CN113642101B (zh) | 一种液压助力转向器故障诊断方法及装置 | |
Mollazade et al. | Vibration-based fault diagnosis of hydraulic pump of tractor steering system by using energy technique | |
Qifeng et al. | Application of wavelet de-noising method in vibration signal analysis of elevator car |
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 |