CN111610021B - 一种齿轮箱早期故障检测方法 - Google Patents

一种齿轮箱早期故障检测方法 Download PDF

Info

Publication number
CN111610021B
CN111610021B CN202010498409.6A CN202010498409A CN111610021B CN 111610021 B CN111610021 B CN 111610021B CN 202010498409 A CN202010498409 A CN 202010498409A CN 111610021 B CN111610021 B CN 111610021B
Authority
CN
China
Prior art keywords
model
gearbox
control limit
steps
following
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
Application number
CN202010498409.6A
Other languages
English (en)
Other versions
CN111610021A (zh
Inventor
李献文
石怀涛
吴俊新
郭瑾
李思慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Kewangtong Information Technology Co ltd
Original Assignee
Shenyang Kewangtong Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Kewangtong Information Technology Co ltd filed Critical Shenyang Kewangtong Information Technology Co ltd
Priority to CN202010498409.6A priority Critical patent/CN111610021B/zh
Publication of CN111610021A publication Critical patent/CN111610021A/zh
Application granted granted Critical
Publication of CN111610021B publication Critical patent/CN111610021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种齿轮箱早期故障检测方法，包括以下步骤：S1、信号采集：采集齿轮箱在正常和故障工作状态下的振动信号，通过经验模态分解法对振动信号进行分解；S2、空间分解：结合深度分解定理，将原始空间分解到多个子空间中，建立各子空间的动态主元模型；S3、模型更新：通过滑动窗算法，考虑数据的时序相关性，对模型进行实时的更新；S4、控制限计算：通过对统计量和控制限判断齿轮箱是否发生故障，并更新模型重新计算控制限。本发明基于深度递推动态主元分析建立动态主元模型，进而实现对齿轮箱的早期故障智能检测。相对于传统的早期故障检测方法，本发明具有自适应性、检测率高、检测速度快等优点。

Description

一种齿轮箱早期故障检测方法
技术领域
本发明涉及齿轮箱智能早期故障检测技术领域，尤其涉及一种齿轮箱早期故障检测方法。
背景技术
随着科学技术和现代工业的高速发展，运输、航天、国防等行业的机械设备日趋自动化、集成化、高速化和大型化，齿轮箱在各行业的发展过程中中发挥了至关重要的作用。由于齿轮箱具有体积小、质量小、传动比固定、传动力矩大、结构紧凑、承载能力大、效率高、运转平稳、适应性强等诸多优点，使得它成为机械行业中最常见的传递动力和改变转速的传动设备，在各类机械设备中得到非常广泛的应用。因此，齿轮箱性能的好坏严重影响着生产生活实际应用中机械设备性能的优劣。
作为机械传动链的关键部件，齿轮箱的工作状态在传动系统中发挥着重要作用。齿轮箱作为整个系统的传动机构，内部结构紧凑，部件之间耦合性较强，容易造成齿轮点蚀、断齿等故障。同时，齿轮箱故障维修过程较为复杂，维修时间长，导致带来很大的经济损失。因此，进行齿轮箱早期故障检测的研究，寻找故障早期信号特征，在故障还没有发展到严重程度时及时排除安全隐患，对保证设备正常运行，避免经济损失具有重要作用。
齿轮箱发生早期微弱故障具有以下特征：由于故障不明显从而导致振动响应微弱；齿轮箱内部存在多对齿轮啮合，故障齿轮和其余齿轮啮合会产生调幅和调频效应，故障齿轮会引起动态信号调制，使故障检测难度提高；齿轮箱振动信号的传递路径较复杂，引人了大量的噪声干扰成分，降低了信噪比；采集的振动信号具有时序相关性加大了早期微弱故障检测难度。因此，如何从已被噪声淹没的信号中提取出早期故障特征信号，是早期故障检测的关键。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种齿轮箱早期故障检测方法，以解决齿轮箱的早期故障特征较弱，隐藏在一组时变序列信号中，导致故障特征难以在强噪声背景下有效提取的问题。
一种齿轮箱早期故障检测方法，包括以下步骤：
S1、信号采集：采集齿轮箱在正常和故障工作状态下的振动信号，通过经验模态分解法对振动信号进行分解；
S2、空间分解：结合深度分解定理，将原始空间分解到多个子空间中，建立各子空间的动态主元模型；
S3、模型更新：通过滑动窗算法，考虑数据的时序相关性，对模型进行实时的更新；
S4、控制限计算：通过对统计量和控制限判断齿轮箱是否发生故障，并更新模型重新计算控制限。
优选的，所述S1中，齿轮箱故障工作状态包括点蚀故障或断齿故障。
优选的，所述S1具体包括如下步骤：
S11、将振动信号分解为从高频到低频的本征模态分量之和，
S12、将获得的本征模态分量组成原始矩阵X。
优选的，所述S2具体包括如下步骤：
S21、选择合适的时滞S，将原始矩阵X拓展到增广矩阵Xs中；
S22、选择合适的阶数j，将增广矩阵Xs分解到2j个子空间Xsjk中；
S23、构建动态主元模型，并计算初始控制限。
优选的，所述S3具体包括如下步骤：
S31、每采集S+1个新数据，对模型进行更新，用采集的新数据替换原始模型中的旧数据，构建观测矩阵Xt；
S32、将观测矩阵拓展到增广观测矩阵Xst中。
S33、将增广观测矩阵Xst分解到2j个子空间Xstjk中；
S34、计算各子空间的统计量。
优选的，所述S4中，对S23中得到的控制限和S34中得到的统计量进行比较，若统计量小于控制限，则正常，并更新模型，重新计算控制限；若统计量大于控制限，则故障报警。
与现有技术相比，本发明的有益效果是：
本发明基于深度递推动态主元分析建立动态主元模型，进而实现对齿轮箱的早期故障智能检测。相对于传统的早期故障检测方法，本发明具有自适应性、检测率高、检测速度快等优点。本发明结合“深度分解”定理，建立准确的数据模型，将数据分解到多个子数据集中进行分析，充分挖掘出振动信号中微弱的故障特征，解决了齿轮箱早期故障检测的难题，从而实现齿轮箱的早期故障检测。结合“滑动窗”算法，考虑到数据的时序相关性，建立动态模型，提高了早期故障检测能力。本发明可以准确及时的检测出齿轮箱的早期故障，避免了造成重大经济损失。
附图说明
图1为本发明提出的一种齿轮箱早期故障检测方法的整体结构图。
图2为本发明提出的一种齿轮箱早期故障检测方法的经验模态分解流程图。
图3为本发明提出的一种齿轮箱早期故障检测方法的流程图。
图4为本发明提出的一种齿轮箱早期故障检测方法的齿轮箱的结构图。
图5为本发明的基于深度递推动态主元分析对齿轮箱点蚀故障检测结果图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
对齿轮箱进行早期故障检测已经成为智能维护的一种重要分支和研究热点。现有的一些方法基本上都是根据模型以及含信号处理等对早期故障进行检测，但这些方法建模复杂，模型精度不高，早期故障检测时效性差，检测结果不准确。因此本发明结合深度分解定理的思想，对采集的数据进行细致的划分，从而提取强噪声背景下微弱故障信息的特征。同时，利用滑动窗算法，考虑到数据的时序相关性，提高了早期故障检测能力。
本实施例以机械设备中常用的齿轮箱为例，如图1所示，本发明采用基于深度递推动态主元分析早期故障检测方法，具体步骤如下：
步骤一、基于经验模态分解提取能量特征向量：对齿轮箱的正常工作状态采集的振动信号，进行经验模态分解，获得m个从高到低不同频率的本征模态分量Ci(t)，具体过程如图2所示。
Figure BDA0002523756540000051
式中，xi(t)为本征模态分量，i＝1，2，...，m，rm(t)为余项。
步骤二、将步骤一种获得的本征模态分量组成原始矩阵X，将X拓展到增广矩阵XS中。
Figure BDA0002523756540000052
其中，S为时滞，常取1或2。
步骤三、计算增广矩阵XS的协方差矩阵C,并分解得到特征值特征向量。
Figure BDA0002523756540000061
其中，其中∑是对角矩阵，由从大到小的特征值组成(λ1＞λ2＞…＞λn)，V特征值对应的特征向量。
步骤四、利用累计方差百分比法求解主元个数，得到增广矩阵XS的主元空间XS11和残差空间XS12。
Figure BDA0002523756540000062
XS11＝P11P11 TXS (5)
XS12＝(I-P11P11 T)XS (6)
XS＝XS11+XS12 (7)
其中，a为主元个数，P11∈Rm×a是增广矩阵XS的主元特征向量，即V的前a列。
步骤五、定义XS11和XS12为一阶主元空间和残差空间，重复步骤三和步骤四，计算XS11和XS12各自的子主元空间和残差空间。
XS11＝XS21+XS22
XS12＝XS23+XS24 (8)
XS21＝P21P21 TXS11
XS22＝(I-P21P21 T)XS11
XS23＝P23P23 TXS12
XS24＝(I-P23P23 T)XS12 (9)
XS＝XS11+XS12＝XS21+XS22+XS23+XS24 (10)
其中，P21和P23分别是XS11和XS12的主元特征向量；XS21、XS22、XS23和XS24为二阶子空间。
重复上述过程，增广矩阵XS可以表示为2j个子空间的和,j是阶数.子空间Xsjk可表示为：
Figure BDA0002523756540000071
步骤六、计算各子空间的控制限。首先计算各子空间的统计量：
Figure BDA0002523756540000072
Figure BDA0002523756540000073
其中，Λjk为子空间Xsjk的主元特征值矩阵。
Figure BDA0002523756540000074
统计量服从于F分布，即其控制限满足：
Figure BDA0002523756540000075
SPEjk统计量服从于x2分布，即其控制限满足：
Figure BDA0002523756540000076
其中
Figure BDA0002523756540000077
μjk和
Figure BDA0002523756540000078
分别为统计量SPEjk的均值和方差。
经过上述步骤完成离线建模部分，接下来进行在线监测，判断是否发生故障。
步骤七、每采集S+1组测试数据，进行一次计算，将采集的新数据代替原始的旧数据，获得测试增广矩阵Xst。
步骤八、根据个子空间的主元模型，计算各子空间的统计量。
步骤九、将统计量和控制限进行比较。
(1)统计量>控制限：发生故障，进行报警
(2)统计量<控制限：没有故障，更新模型，将新的测试增广数据代替原始的数据重新计算控制限。具体流程如图3所示。
本发明以齿轮箱为研究对象进行了实验，实验中收集了齿轮正常和点蚀故障两组数据。图4为齿轮箱的结构图，对于点蚀故障，故障齿轮位于图4中的齿轮3处。两个实验的齿轮材料为40Cr，转速为500r/min，扭矩为1400N*m。图5表示的是基于深度递推动态主元分析方法对齿轮箱断齿故障的检测结果。仿真结果证明了本发明的可行性和有效性。
综上所述：
(1)本发明提出了一种基于深度递推动态主元分析的齿轮箱早期故障检测方法，来实现齿轮箱的智能维护。
(2)经验模态分解法用来对振动信号进行分解，得到从高到低不同频率下的本征模态分量，保留了故障特征信息。
(3)结合了深度分解定理，对采集的数据进行细致的划分，从而提取强噪声背景下微弱故障信息的特征。
(4)利用滑动窗算法的优点，对模型进行更新，通过捕捉变量间的时序关系，提高早期故障检测能力。
(5)通过实验证明了本发明的可行性和有效性，具有很高的实际应用价值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种齿轮箱早期故障检测方法，其特征在于，包括以下步骤：
S1、信号采集：采集齿轮箱在正常和故障工作状态下的振动信号，通过经验模态分解法对振动信号进行分解，具体包括如下步骤：
S11、将振动信号分解为从高频到低频的本征模态分量之和，
S12、将获得的本征模态分量组成原始矩阵X；
S2、空间分解：结合深度分解定理，将原始空间分解到多个子空间中，建立各子空间的动态主元模型，具体包括如下步骤：
S21、选择合适的时滞S，将原始矩阵X拓展到增广矩阵Xs中；
S22、选择合适的阶数j，将增广矩阵Xs分解到2j个子空间Xsjk中；
S23、构建动态主元模型，并计算初始控制限；
S3、模型更新：通过滑动窗算法，考虑数据的时序相关性，对模型进行实时的更新，具体包括如下步骤：
S31、每采集S+1个新数据，对模型进行更新，用采集的新数据替换原始模型中的旧数据，构建观测矩阵Xt；
S32、将观测矩阵拓展到增广观测矩阵Xst中；
S33、将增广观测矩阵Xst分解到2j个子空间Xstjk中；
S34、计算各子空间的统计量；
S4、控制限计算：通过对统计量和控制限的比较来判断齿轮箱是否发生故障，并更新模型重新计算控制限。
2.根据权利要求1所述的一种齿轮箱早期故障检测方法，其特征在于，所述S1中，齿轮箱故障工作状态包括点蚀故障或断齿故障。
3.根据权利要求1所述的一种齿轮箱早期故障检测方法，其特征在于，所述S4中，对S23中得到的控制限和S34中得到的统计量进行比较，若统计量小于控制限，则正常，并更新模型，重新计算控制限；若统计量大于控制限，则故障报警。
CN202010498409.6A 2020-06-04 2020-06-04 一种齿轮箱早期故障检测方法 Active CN111610021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498409.6A CN111610021B (zh) 2020-06-04 2020-06-04 一种齿轮箱早期故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498409.6A CN111610021B (zh) 2020-06-04 2020-06-04 一种齿轮箱早期故障检测方法

Publications (2)

Publication Number Publication Date
CN111610021A CN111610021A (zh) 2020-09-01
CN111610021B true CN111610021B (zh) 2022-05-10

Family

ID=72196789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498409.6A Active CN111610021B (zh) 2020-06-04 2020-06-04 一种齿轮箱早期故障检测方法

Country Status (1)

Country Link
CN (1) CN111610021B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114055251A (zh) * 2021-12-17 2022-02-18 沈阳科网通信息技术有限公司 一种基于深度分解的电主轴系统早期故障检测方法
CN115047853B (zh) * 2022-06-27 2023-06-06 中国人民解放军海军航空大学 基于递推规范变量残差和核主元分析的微小故障检测方法
CN115081331A (zh) * 2022-06-30 2022-09-20 重庆邮电大学 一种基于状态参数重构误差的风电机组运行状态异常检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109634240B (zh) * 2018-12-13 2021-03-09 宁波大学 一种基于新型动态主元分析的动态过程监测方法
CN110009033A (zh) * 2019-04-02 2019-07-12 北京化工大学 一种基于动态主元分析的钻井过程异常预警模型

Also Published As

Publication number Publication date
CN111610021A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111610021B (zh) 一种齿轮箱早期故障检测方法
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN102539192B (zh) 一种基于ica重构的故障预测方法
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN103389701B (zh) 基于分布式数据模型的厂级过程故障检测与诊断方法
Zhu et al. A simulation-data-driven subdomain adaptation adversarial transfer learning network for rolling element bearing fault diagnosis
CN109538311A (zh) 面向高端发电装备中汽轮机的控制性能实时监测方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
Yin et al. A multi-scale graph convolutional neural network framework for fault diagnosis of rolling bearing
CN114625009B (zh) 一种基于系统辨识和最优滤波的故障检测方法
Wang et al. A novel transfer learning fault diagnosis method for rolling bearing based on feature correlation matching
CN114548153B (zh) 基于残差-胶囊网络的行星齿轮箱故障诊断方法
CN112784744B (zh) 一种具有缺失值的机械构件振动信号预处理方法
Yu et al. Tool Wear Prediction Based on Attention Long Short-term Memory Network with Small Samples.
CN117857375A (zh) 一种基于ai云化的网络异常状态监测诊断方法
Yao et al. Intelligent Framework for Bearing Fault Diagnosis in High-Noise Environments: A Location-Focused Soft Threshold Denoising Approach
CN115587294A (zh) 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
CN113639985B (zh) 一种基于优化故障特征频谱的机械故障诊断与状态监测方法
Ma et al. Process monitoring of the pneumatic control valve using canonical variate analysis
Han et al. AMCW-DFFNSA: An interpretable deep feature fusion network for noise-robust machinery fault diagnosis
Wang et al. Planetary Gearbox Fault Diagnosis Based On a Multi-Convolutional Neural Network with SVMD and Feature Fusion Under Variable Speed Conditions
Gao et al. Research on Gearbox fault Diagnosis based on Improved KPCA-RNN
CN117992863B (zh) 基于可解释平稳小波包卷积网络的旋转机械故障诊断方法
Xie et al. Multi-Scale Attention Convolution Subdomain Adaption Network for Cross-Domain Fault Diagnosis of Machine
Sun et al. Multi-sensor based graph convolution fault diagnosis method

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