CN111351655A - 一种铁路机车齿轮箱中齿轮故障诊断方法 - Google Patents
一种铁路机车齿轮箱中齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN111351655A CN111351655A CN202010219467.0A CN202010219467A CN111351655A CN 111351655 A CN111351655 A CN 111351655A CN 202010219467 A CN202010219467 A CN 202010219467A CN 111351655 A CN111351655 A CN 111351655A
- Authority
- CN
- China
- Prior art keywords
- entropy
- gear
- fault
- information entropy
- information
- 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
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
本发明公开了一种铁路机车齿轮箱中齿轮故障诊断方法;包括以下步骤:S1、采集机车齿轮箱各种故障振动信号;S2、计算机车齿轮箱故障的各种信息熵值;S3、建立各种机车齿轮箱故障的信息熵点样本库;S4、采集需诊断的齿轮箱中振动信号,建立齿轮的信息熵点;S5、利用信息熵均距识别故障齿轮。本发明利用振动传感器采集齿轮提取振动信号中的信息熵特征指标,在得到信息熵特征指标与齿轮故障的变化规律的前提下,获得信息熵与齿轮故障之间的定量关系。在获得多种测度信息熵特征的基础上采用信息熵均距的诊断方法,对齿轮的故障进行诊断。由于信息熵能够排除故障信号中的冗余信息,获得平均信息量中的故障特征,能够提高对齿轮故障的诊断效果。
Description
技术领域
本发明涉及一种铁路机车诊断方法,更具体地,涉及一种铁路机车齿轮箱中齿轮故障诊断方法。
背景技术
目前,铁路运输担任了现代运输业的主力军角色,但随着列车运行速度以及载重量的提升,对列车运行安全提出了更加严格的要求。列车机车通常在高速或重载情况下运行,容易造成走行部产生非线性、非平稳特性的振动,造成齿轮箱中齿的断裂、齿面疲劳、齿面划痕和齿面磨损等故障,使机车走行部不能正常工作,甚至引发列车重大事故。
随着铁路事业的迅速发展,针对机车走行部的故障诊断也得到了广泛关注。传统的齿轮故障诊断主要依靠工作人员的经验,导致了诊断效率的低水平。随着计算机的迅速发展,经历了故障诊断技术的三个发展阶段:第一个阶段是状态检测阶段,主要是通过提取信号中能够反映故障的特征值,选择合适的特征参量,有效地监测齿轮箱的故障情况,如傅里叶变换、小波包变换等信号处理方法,能够有效提取故障特征的特征参数。第二个阶段是故障诊断阶段,基于粗糙集理论、人工神经网络等智能化系统,对故障模式进行分类,实现故障诊断。第三个阶段是现代化管理阶段,根据故障的诊断结果反馈,实现对设备控制的优化,实现经济化运行。
在现有技术中,针对齿轮故障的诊断手段还是十分简单的,大部分都只能检测出齿轮发生故障,但是不能具体检测出是齿轮中的哪种故障,给检修维护带来了一定不便。诊断方法中会有采集许多信息,大量的信息给数据信息及识别带来了一定的难度,且诊断出来的准确精度浮动比较大。
发明内容
本发明针对现有技术中,齿轮故障的诊断手段十分简单,只能检测齿轮有故障而不能识别具体故障的问题。提供一种铁路机车齿轮箱中齿轮故障诊断方法,能基于信息熵排除故障信号中的冗余信息,获得平均信息量中的故障特征,更为平稳有效且准确的诊断齿轮的故障状态。
为实现上述目的,本发明采用以下技术方案:
一种铁路机车齿轮箱中齿轮故障诊断方法,包括以下步骤:
S1、采集机车齿轮箱各种故障振动信号;
S2、计算机车齿轮箱故障的各种信息熵值,包括奇异谱熵值、功率谱熵值、小波能谱熵值、小波特征谱熵值四种信息熵值。
S3、建立各种机车齿轮箱故障的信息熵点样本库;
S4、采集需诊断的齿轮箱中运行过程振动信号,建立齿轮的信息熵点;
式中i依然表示齿轮故障状态类型;j代表不同信息熵,l取4,Saj表示未知润滑状态μa的第j种信息熵值;Sij表示样本润滑状态的第j种信息熵值。信息熵距表示未知润滑状态和样本中第i种润滑状态的相似程度。
进一步地,在步骤S1中利用加速度传感器和前置放大器,采集机车齿轮箱各种故障振动信号。
进一步地,在步骤S2中奇异谱熵值St为:
进一步地,在步骤S2中功率谱熵值Sk为:
进一步地,在步骤S2中小波能谱熵值SN为:
进一步地,在步骤S2中小波特征谱熵值HWS为:
进一步地,在步骤S4中齿轮箱运行过程包括升速运行、恒速运行、减速运行。
本发明的有益效果为:能基于信息熵排除故障信号中的冗余信息,获得平均信息量中的故障特征,更为平稳有效且准确的诊断齿轮的故障状态。能具体识别出断齿、点蚀、磨损故障而不是仅识别齿轮是否有故障。
附图说明
图1为齿轮正常运行频域图;
图2为齿轮磨损运行频域图;
图3为齿轮断齿运行频域图;
图4为齿轮点蚀运行频域图;
图5为待测信号(正常运行)与样本信号的信息熵均距图;
图6为待测信号(均匀磨损)与样本信号的信息熵均距图;
图7为待测信号(齿轮断齿)与样本信号的信息熵均距图;
图8为待测信号(齿轮点蚀)与样本信号的信息熵均距图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
一种铁路机车齿轮箱中齿轮故障诊断方法:
S1、采集机车齿轮箱各种故障振动信号;
在齿轮故障诊断试验台,人为设置了几种常见的齿轮状态(正常状态、断齿、点蚀、磨损等),通过对齿轮设置不同的故障状态来实现齿轮箱的故障类型的变化。其次通过在齿轮箱的多个位置上布置多个压电式加速度传感器,在齿轮箱通过电动机带动运行过程中(定转速300rmp、变转速100-300rmp)的振动信号。
S2、计算机车齿轮箱故障的各种信息熵值,包括奇异谱熵值、功率谱熵值、小波能谱熵值、小波特征谱熵值四种信息熵值。
奇异谱熵值的计算:
对一维时间序列的时域分析方法中,奇异谱熵对采样点较少且含有一定噪声的序列较合适。将振动信号的时间序列分成相同{Ti},i=1,2,3…n,确定嵌入维数M,即分析模式窗口长度。为保证信号利用率最大化则延时常数选为1,所以利用(M,1)长度对信号进行截取,获取和构造源数据的一组模式数据矩阵。利用模式窗口(M,1)构建T1模式矩阵A1,即:
然后对A1矩阵进行奇异值分解,可以获得矩阵的奇异值δ1≥δ2≥…≥δM,通过计算的奇异值δi可构成信号的奇异值谱,则是对声发射在时域内的一种划分。
因此信息熵概念可定义奇异谱熵的计算为:
由于奇异值表示相关矩阵对应模式所占比重,而其熵表示着信号自相关函数不均匀度,信息熵熵增代表着其对应模式奇异值减小,而信息自相关函数的分布情况的不均匀度下降。
功率谱熵值的计算:
对于信号而言,在时域方面有时无法完全突出信号特征,但是能够通过频域分析而突出,反映出信号状态的变化和内在特征。对于相同长度的{Ti},i=1,2,3…n,的振动信号分别进行离散傅里叶变换,将时间序列从时域变换成频域,傅里叶变换过程中保持能量守恒,可以获得其功率谱,则功率谱中各个部分占整体功率谱的比重可以视为一种测度。设将已经截取的声发射时域信号{X(t)1…X(t)N}变换为频域信号{X(k)1…X(k)N},变换过程中能量守恒,则:
ΣX2(t)Δt=∑|X(k)|2Δk
因此振动信号的功率谱熵为:
式中,是第i个功率值占整个功率谱的比重。由定义可知,对应各个功率占整体分量,所以若各个信号频率越平均则复杂程度越高,熵值即不确定性也相对越高,若某个频率成分越高,频率比重上升对应熵下降则不确定性越小。显然功率谱在白噪声信号时取得最大值,因此对计算结果完成归一化处理得:
小波能量谱熵值的计算:
为了对齿轮箱振动信号在时-频联合域中信息熵特征进行研究,结合小波变换在时-频联合域中的能量作为振动信号在时-频域上的不确定度评价指标。根据小波变换的性质可以知道,振动信号通过小波变换前后具有的有限能量所表示的函数f(t)一定处于守恒状态,即:
式中, 其中Wf(a,b)为小波变换的幅值情况,C为小波函数的允许条件而E(a)为尺度为a时,函数f(t)所具有的能量值。则能量能够在n个尺度上形成E={E1,E2,E3…En}的小波能谱,所以在能量的尺度域上构成了对振动信号的一种划分,形成了一种类似频域功率谱熵的划分,因此可以定义时-频联合域的小波能谱为
小波特征谱熵值
为了研究振动信号在时-频联合域特征,利用小波空间特征熵作为振动信号在时-频域上的不确定度评价指标。小波变换本质上是将一维信号映射至二维小波空间中,将二维小波空间的能量分布矩阵视为模式矩阵进行奇异值分解,可认为是对信号在时-频域中的划分,因此获得时-频域的小波空间特征谱熵为:
式中,是第i个奇异值占整体奇异值的比例,并且对小波空间特征谱熵进行归一化处理。小波空间特征谱能够对齿轮箱振动状态能量在时-频域内分布情况进行描述,小波空间特征谱熵值越小表示振动信号能量约集中在相对少的几种模式之中;反之,小波空间特征谱熵值越大,则代表信号更为复杂,代表的振动信号能量越为分散。
S3、建立各种机车齿轮箱故障的信息熵点样本库;
通过获取的齿轮箱不同故障状态下的振动信号,利用不同信息熵值算法算出对应状态下的信息熵点,因此不同齿轮箱故障状态下对应不同的信息熵点,因此建立一个针对不同状态下齿轮箱故障下的信息熵点样本库
S4、采集需诊断的齿轮箱中运行过程振动信号,建立齿轮的信息熵点;
S5、利用信息熵均距识别故障齿轮;
在基于四种信息熵(V1,V2,V3,V4)所构建的四维空间中,不同齿轮故障状态能够获得对应的状态点θ,不同润滑状态的信息熵值在较小范围内波动形成熵带,求取熵带平均值获得熵点:
式中i依然表示齿轮故障状态类型;j代表不同信息熵,l取4,Saj表示未知润滑状态μa的第j种信息熵值;Sij表示样本润滑状态的第j种信息熵值。信息熵距表示未知润滑状态和样本中第i种润滑状态的相似程度。由于将信息熵距中原有的差平方过多突出了不同状态点特征差,使不同故障状态特征差异表现得更为明显。因此容易引起曲线波动过于剧烈,导致曲线之间的区分度较差,易出现误诊,提出信息均距通过平均两信息熵倍距点间的突出波形来减少波动过剧引起的区分度偏低问题,提高不同润滑状态曲线的区分度,提高信息熵距图的诊断效果。
仿真实例
采用HXD1C传动系统齿轮参数作为依据,根据HXD1C机车在各速度下小齿轮转速的不同,选择了机车时速120km/h,即小齿轮转速342.79rad/s转速进行信号模拟,采样频率为4096,采样点数设置为2048,选择小齿轮的齿数为17,具体齿轮参数如表1所示。通过Matlab建立对应的齿轮故障处于定转速下的振动信号,模拟的齿轮振动信号类型包括齿轮正常运行、齿轮磨损、齿轮断齿、齿轮点蚀,四种常见的故障类型。
表1 HXD1C传动系统齿轮参数
齿轮 | 模数 | 齿数 | 齿形角 | 齿顶高系数 | 全齿高 | 径向变位系数 |
大齿轮 | 9 | 106 | 20° | 1.125 | 23.6248 | -0.4085 |
小齿轮 | 9 | 17 | 20° | 1.125 | 23.6248 | 0.425 |
通过模拟仿真采集的齿轮的四种常见故障状态振动信号,并对信号合成加噪,使其更贴近实际情况,其中一组信号的频域图如图1、图2、图3、图4所示。
利用齿轮参数仿真了正常、磨损、断齿、点蚀状态各100个样本信号和各100个待测信号(多少个样本,取决于采集多少时长的振动样本,对方法并无影响),根据四种信息熵算法,分别算出所有样本信号和待测信号的信息熵,获得样本信息熵点100个(每个信息熵点包括四种信息熵),待测信息熵点100个。利用信息熵距计算,熵均距值越小,证明两个信息熵点对应的振动信号越相似,齿轮运行状态越相似。通过仿真信号测试,测试的待测信号分别有正常齿轮信号、齿轮磨损信号、齿轮断齿信号、齿轮点蚀信号,分别计算信息熵均距如图5、图6、图7、图8所示。
从图5至图8中发现,对应模拟的待测信号与样本库中故障的信息熵均距曲线位于坐标轴最下方,且明显与其他对比曲线区分,有良好的区分度和故障识别准确度。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。
Claims (7)
2.根据权利要求1所述的一种铁路机车齿轮箱中齿轮故障诊断方法,其特征在于,在步骤S1中利用加速度传感器和前置放大器,采集机车齿轮箱各种故障振动信号。
7.根据权利要求1所述的一种铁路机车齿轮箱中齿轮故障诊断方法,其特征在于,在步骤S4中齿轮箱运行过程包括升速运行、恒速运行、减速运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219467.0A CN111351655A (zh) | 2020-03-25 | 2020-03-25 | 一种铁路机车齿轮箱中齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219467.0A CN111351655A (zh) | 2020-03-25 | 2020-03-25 | 一种铁路机车齿轮箱中齿轮故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111351655A true CN111351655A (zh) | 2020-06-30 |
Family
ID=71193062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219467.0A Pending CN111351655A (zh) | 2020-03-25 | 2020-03-25 | 一种铁路机车齿轮箱中齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111351655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN105445022A (zh) * | 2015-11-17 | 2016-03-30 | 中国矿业大学 | 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 |
-
2020
- 2020-03-25 CN CN202010219467.0A patent/CN111351655A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN105445022A (zh) * | 2015-11-17 | 2016-03-30 | 中国矿业大学 | 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 |
Non-Patent Citations (1)
Title |
---|
谭浩宇: "基于声发射信号信息熵距的滑动轴承润滑状态诊断", 《动力工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388860B (zh) | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | |
CN104698837B (zh) | 一种时变线性结构工作模态参数识别方法、装置及应用 | |
CN102155988B (zh) | 设备监诊方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
Zhe et al. | Pitting damage levels estimation for planetary gear sets based on model simulation and grey relational analysis | |
CN111539374B (zh) | 基于多维数据空间的轨道列车轴承故障诊断方法 | |
Hashim et al. | Combustion fault detection technique of spark ignition engine based on wavelet packet transform and artificial neural network | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
CN106441843B (zh) | 一种旋转机械故障波形识别方法 | |
CN111595515B (zh) | 万向轴不平衡故障的间接检测方法 | |
CN115127806A (zh) | 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN112781820A (zh) | 一种滚刀性能退化趋势评估方法 | |
CN111351655A (zh) | 一种铁路机车齿轮箱中齿轮故障诊断方法 | |
CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
CN115655731A (zh) | 柴油机状态监测方法、装置及存储介质 | |
CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 | |
CN111024347B (zh) | 一种电抗器健康状态评估方法 |
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: 20200630 |