CN113074935B - 一种用于齿轮箱冲击故障特征的声学分离和诊断方法 - Google Patents

一种用于齿轮箱冲击故障特征的声学分离和诊断方法 Download PDF

Info

Publication number
CN113074935B
CN113074935B CN202110353043.8A CN202110353043A CN113074935B CN 113074935 B CN113074935 B CN 113074935B CN 202110353043 A CN202110353043 A CN 202110353043A CN 113074935 B CN113074935 B CN 113074935B
Authority
CN
China
Prior art keywords
signal
separation
signals
carrying
subspace
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
CN202110353043.8A
Other languages
English (en)
Other versions
CN113074935A (zh
Inventor
王宇
赵强
封志明
孙华
钟雯
郭长江
罗峰
夏登宏
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202110353043.8A priority Critical patent/CN113074935B/zh
Publication of CN113074935A publication Critical patent/CN113074935A/zh
Application granted granted Critical
Publication of CN113074935B publication Critical patent/CN113074935B/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
    • 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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种用于齿轮箱冲击故障特征的声学分离和诊断方法，包括以下步骤：步骤1：利用传声器接收机械系统观测声信号；步骤2：对观测声信号进行降噪处理；步骤3：将降噪信号进行滑窗截取，得到高维信号子空间；步骤4：对高维信号子空间进行去均值和白化处理，使用盲源分离算法对高维信号子空间进行分离，得到分离信号；步骤5：根据齿轮相关参数生成参考信号；步骤6：计算参考信号与分离信号间的相似度，并优选出相似度较高的分离信号作为优选信号；可在不适合进行安装传感器进行振动信号测量的情况下使用，对机械声信号进行故障特征提取和诊断。

Description

一种用于齿轮箱冲击故障特征的声学分离和诊断方法
技术领域
本发明属于齿轮箱的冲击故障特征分离领域，具体涉及一种用于齿轮箱冲击故障特征的声学分离和诊断方法。
背景技术
通常情况下，判断机械设备出现的故障有多种方法，其中以振动信号分析应用最为广泛，简便。但当机械设备处于高温、表面浸泡在有腐蚀性的液体中的状态下时，在机械设备表面安装传感器以收集振动信号的方式显然不太适用。声信号与振动信号都由设备振动产生，所蕴含的信息完全相同，仅传播途径不同，使用分析振动信号的方法对声信号进行分析可以得到同样的结果，且适用范围更加广泛。
对机械声信号进行分析时，由于噪声干扰使得低频成分中故障信息不明显，通常分析方法都是对信号的高频成分进行分析，根据采样定理，高频成分需采样长度大，对其进行分析需要极大的计算量，利用信号的幅值不确定性对低频成分进行分析的方法可以大大减少计算量。
在传播过程中，不同齿轮产生的故障声信号会在传播过程中相互卷积，使各声信号的故障特征混合在一起；除此之外，传声器所收集到的故障声信号极有可能在传播过程中经过地面、墙壁等的反射发生时延，且混入高斯噪声形成干扰，从数学模型角度进行分析，以上因素共同构成了一个卷积混合模型，故从其中提取故障特征信号的过程可以视为普通盲解卷积的过程。
发明内容
为解决现有技术中存在的问题，本发明提供了一种用于齿轮箱冲击故障特征的声学分离和诊断方法，可在不适合进行安装传感器进行振动信号测量的情况下使用，对机械声信号进行故障特征提取和诊断。
本发明采用的技术方案是，一种用于齿轮箱冲击故障特征的声学分离和诊断方法，包括以下步骤：
步骤1：利用传声器接收机械系统观测声信号；
步骤2：对观测声信号进行降噪处理；
步骤3：将降噪信号进行滑窗截取，得到高维信号子空间；
步骤4：对高维信号子空间进行去均值和白化处理，使用盲源分离算法对高维信号子空间进行分离，得到分离信号；
步骤5：根据齿轮相关参数生成参考信号；
步骤6：计算参考信号与分离信号间的相似度，并优选出相似度较高的分离信号作为优选信号；
步骤7：根据优选信号与参考信号之间的相似度计算各优选信号融合时所占权值，并将各优选信号加权融合重构，得到最终结果；
步骤8：分析最终结果频域幅值谱中的故障信息，判断故障特征。
优选地，步骤2包括以下子步骤：
步骤21：使用小波环移降噪方法对观测信号s(t)进行初步处理，得到初步处理后信号p(t)；
步骤22：以初步处理后信号p(t)为先验估计，对其进行卡尔曼滤波处理，获得降噪信号q(t)。
优选地，步骤3包括以下子步骤：
步骤31：初始化截取长度L；
步骤32：根据截取长度L将对降噪信号q(t)进行滑窗截取，生成高维信号子空间
Figure GDA0003775432040000021
优选地，步骤4包括以下子步骤：
步骤41：对高维信号子空间
Figure GDA0003775432040000022
进行去均值和白化处理，减少各高维信号子空间之间的相关性，得到白化数据
Figure GDA0003775432040000023
步骤42：对白化数据
Figure GDA0003775432040000024
执行高效快速独立分量分析算法，利用高效快速独立分量分析算法的幅值不确定性放大微弱的故障信号，得到分离信号e(t)。
优选地，步骤6包括以下子步骤：
步骤61：构造参考信号C及各分离信号e(t)的归一化包络谱，参考信号构造公式为：
C＝e-αb sin(2πbfn)
式中，α为幅值参数，b为参考信号的采样长度，fn为载波频率；
步骤62：计算各分离信号e(t)归一化包络谱与参考信号C归一化包络谱之间的匹配度d，匹配度计算公式为：
Figure GDA0003775432040000025
式中，x1k、x2k具体指两个需要用于测量匹配度的信号，在本专利中代表各分离信号e(t)的归一化包络谱与参考信号C的归一化包络谱，无先后顺序之分，n为采样长度；
步骤63：设置手动阈值R，优选出di＞R的分离信号作为优选信号ki(t)。
优选地，步骤7包括以下子步骤：
步骤71：根据优选出的各分离信号ki(t)归一化包络谱匹配度di的大小，计算各优选信号ki(t)在重构信号时所占的权值Wi，其计算公式为：
Figure GDA0003775432040000031
其中，
Figure GDA0003775432040000032
为di的平均值；
步骤72：将赋予权值Wi的各优选分离信号ki(t)进行融合重构，获得最终结果Y(t)，其计算方法为：
Figure GDA0003775432040000033
本发明用于齿轮箱冲击故障特征的声学分离和诊断方法的有益效果如下：
(1)利用分离重构技术，解决了机械声信号中低频成分所蕴含的故障特征的次序不确定性问题；
(2)利用盲源分离算法分离信号的幅值不确定性对机械声信号中低频成分所蕴含的微弱故障特征进行增强并分析，减小了对信号进行分析所需的采样长度；
(3)采用机械声信号进行分析，采集信号方便无接触，可用于多种情况。
附图说明
图1为本发明实施例1中旋转机械故障模拟试验台及传声器位置图。
图2为本发明实施例1中旋转机械故障模拟试验台运行时接收到机械声信号的时域波形。
图3为本发明实施例1中旋转机械故障模拟试验台运行时接收到机械声信号的频域幅值谱。
图4为本发明实施例1中本发明方法最终结果1的时域波形与频域幅值谱。
图5为本发明实施例1中本发明方法最终结果2的时域波形与频域幅值谱。
图6为本发明齿轮故障声学诊断方法的实施框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
以某旋转试验台中齿轮断齿故障声学诊断实验为实施实例：
图1表示两个传声器和试验台的位置关系，传声器距故障齿轮处直线距离均超过600mm，是为远声场监测。故障齿轮相关参数为：小齿轮31齿，大齿轮47齿，小齿轮与大齿轮上均存在断齿故障，大齿轮啮合频率fr1＝800Hz，小齿轮啮合频率fr2＝870Hz，大齿轮故障频率为17Hz，小齿轮故障频率为28Hz。
图2与图3是通过传声器接收到的时域波形与频域幅值谱。由于故障信号间互相卷积，互相干扰、声信号与墙壁及地面的反射作用发生的时延、环境中存在高斯白噪声等原因，致使齿轮故障冲击信号被完全淹没，直接分析其频域幅值谱并不能得到准确的故障信息。
图4与图5是经本发明方法所重构的最终结果。基于传声台与试验台之间的距离，初始化时延参数为N＝12，根据断齿故障原理，设置大齿轮参考信号转动频率为fz1＝17Hz，载波频率f1＝800Hz，幅值参数α1＝385；小齿轮参考信号转动频率为fz2＝28Hz，载波频率f2＝870Hz,幅值参数α2＝890；根据公式C＝e-αtsin(2πtfn)生成参考信号，其中t为采样长度，取10948。
设定分离信号与参考信号间归一化包络谱的匹配度阈值为T＝0.5，小于此阈值的分离信号可以认为是冗余信号，对大于此阈值的分离信号进行优选。根据优选分离信号的匹配度大小，计算各优选信号在重构时所占的权值，权值大小为
Figure GDA0003775432040000041
其中
Figure GDA0003775432040000042
为各优选信号匹配度的平均值。对优选信号进行加权融合重构得到最终结果。时域波形中的冲击成分和频域幅值谱中的各冲击成分导致的频域特征清晰可见，从图4中可以看出最终结果1具有调制边频带，各波峰间的间隔频率为28Hz，故故障频率为28Hz，且峰值在814Hz处，故估计啮合频率为842Hz，估计齿数为30齿，与小齿轮相关参数中齿数差别为1，基本符合；从图5中可以看出最终结果2也具有调制边频带，各波峰间的间隔频率为17Hz，故故障频率为17Hz，且峰值在799Hz处，故估计啮合频率为799Hz，估计齿数为47齿，符合大齿轮故障参数。些许误差受残余高斯白噪声影响造成。
图6是实施框图。图中观测得到的机械声信号经实施步骤所述流程后最终得到最终结果，对最终结果进行频域幅值谱分析，即可进行故障诊断。

Claims (1)

1.一种用于齿轮箱冲击故障特征的声学分离和诊断方法，其特征在于，包括以下步骤：
步骤1：利用传声器接收机械系统观测声信号；
步骤2：对观测声信号进行降噪处理；
步骤3：将降噪信号进行滑窗截取，得到高维信号子空间；
步骤4：对高维信号子空间进行去均值和白化处理，使用盲源分离算法对高维信号子空间进行分离，得到分离信号；
步骤5：根据齿轮相关参数生成参考信号；
步骤6：计算参考信号与分离信号间的相似度，并优选出相似度较高的分离信号作为优选信号；
步骤7：根据优选信号与参考信号之间的相似度计算各优选信号融合时所占权值，并将各优选信号加权融合重构，得到最终结果；
步骤8：分析最终结果频域幅值谱中的故障信息，判断故障特征；
所述步骤2包括以下子步骤：
步骤21：使用小波环移降噪方法对观测信号s(t)进行初步处理，得到初步处理后信号p(t)；
步骤22：以初步处理后信号p(t)为先验估计，对其进行卡尔曼滤波处理，获得降噪信号q(t)；
步骤3包括以下子步骤：
步骤31：初始化截取长度L；
步骤32：根据截取长度L将对降噪信号q(t)进行滑窗截取，生成高维信号子空间
Figure FDA0003784614510000011
步骤4包括以下子步骤：
步骤41：对高维信号子空间
Figure FDA0003784614510000012
进行去均值和白化处理，减少各高维信号子空间之间的相关性，得到白化数据
Figure FDA0003784614510000013
步骤42：对白化数据
Figure FDA0003784614510000014
执行高效快速独立分量分析算法，利用高效快速独立分量分析算法的幅值不确定性放大微弱的故障信号，得到分离信号e(t)；
步骤6包括以下子步骤：
步骤61：构造参考信号C及各分离信号e(t)的归一化包络谱，参考信号构造公式为：
C＝e-αbsin(2πbfn)
式中，α为幅值参数，b为参考信号的采样长度，fn为载波频率；
步骤62：计算各分离信号e(t)归一化包络谱与参考信号C归一化包络谱之间的匹配度d，匹配度计算公式为：
Figure FDA0003784614510000021
式中，x1k、x2k具体指两个需要用于测量匹配度的信号，在本专利中代表各分离信号e(t)的归一化包络谱与参考信号C的归一化包络谱，无先后顺序之分，n为采样长度；
步骤63：设置手动阈值R，优选出di＞R的分离信号作为优选信号ki(t)；
步骤7包括以下子步骤：
步骤71：根据优选出的各分离信号ki(t)归一化包络谱匹配度di的大小，计算各优选信号ki(t)在重构信号时所占的权值Wi，其计算公式为：
Figure FDA0003784614510000022
其中，
Figure FDA0003784614510000023
为di的平均值；
步骤72：将赋予权值Wi的各优选分离信号ki(t)进行融合重构，获得最终结果Y(t)，其计算方法为：
Figure FDA0003784614510000024
CN202110353043.8A 2021-04-01 2021-04-01 一种用于齿轮箱冲击故障特征的声学分离和诊断方法 Active CN113074935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110353043.8A CN113074935B (zh) 2021-04-01 2021-04-01 一种用于齿轮箱冲击故障特征的声学分离和诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110353043.8A CN113074935B (zh) 2021-04-01 2021-04-01 一种用于齿轮箱冲击故障特征的声学分离和诊断方法

Publications (2)

Publication Number Publication Date
CN113074935A CN113074935A (zh) 2021-07-06
CN113074935B true CN113074935B (zh) 2022-09-13

Family

ID=76614313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110353043.8A Active CN113074935B (zh) 2021-04-01 2021-04-01 一种用于齿轮箱冲击故障特征的声学分离和诊断方法

Country Status (1)

Country Link
CN (1) CN113074935B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447264B (zh) * 2021-07-15 2022-08-09 清华大学 一种行星齿轮箱断齿故障在线声学监测诊断方法
CN113884236B (zh) * 2021-08-24 2022-06-21 西安电子科技大学 一种多传感器融合动平衡分析方法、系统、设备、介质
CN113792657B (zh) * 2021-09-15 2023-06-23 西华大学 提取声学信号识别与盲解卷积算法的齿轮箱故障的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215456A (zh) * 2014-08-20 2014-12-17 昆明理工大学 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法
CN107255563A (zh) * 2017-06-28 2017-10-17 石家庄铁道大学 实现齿轮箱混合故障信号盲源分离方法
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1769856A (zh) * 2005-07-28 2006-05-10 西华大学 三效催化器故障检测方法及系统
US20120045068A1 (en) * 2010-08-20 2012-02-23 Korea Institute Of Science And Technology Self-fault detection system and method for microphone array and audio-based device
CN102519726B (zh) * 2011-12-28 2015-06-03 昆明理工大学 一种针对滚动轴承复合故障的声学诊断方法
CN104390780A (zh) * 2014-11-25 2015-03-04 沈阳化工大学 一种基于盲源分离的齿轮箱故障诊断方法
CN104568132B (zh) * 2014-12-11 2017-04-12 昆明理工大学 一种基于参考信号约束的机械特征声信号频域半盲提取方法
CN105021399B (zh) * 2015-06-26 2017-12-05 长安大学 一种基于单通道信号盲分离滚动轴承的特征提取方法
KR20170051856A (ko) * 2015-11-02 2017-05-12 주식회사 아이티매직 사운드 신호에서 진단 신호를 추출하는 방법 및 진단 장치
CN107192553B (zh) * 2017-06-28 2018-03-02 石家庄铁道大学 基于盲源分离的齿轮箱复合故障诊断方法
FR3080450B1 (fr) * 2018-04-24 2020-03-20 Safran Procede et dispositif de surveillance d'un systeme a engrenages
CN108801630B (zh) * 2018-06-22 2020-04-14 石家庄铁道大学 单通道盲源分离的齿轮故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215456A (zh) * 2014-08-20 2014-12-17 昆明理工大学 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法
CN107255563A (zh) * 2017-06-28 2017-10-17 石家庄铁道大学 实现齿轮箱混合故障信号盲源分离方法
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法

Also Published As

Publication number Publication date
CN113074935A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113074935B (zh) 一种用于齿轮箱冲击故障特征的声学分离和诊断方法
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
Peeters et al. A comparison of cepstral editing methods as signal pre-processing techniques for vibration-based bearing fault detection
CN111623982B (zh) 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法
CN110244202B (zh) 基于同步压缩小波变换域变压器局部放电去噪方法
RU2709414C1 (ru) Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов
CN108388908B (zh) 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法
CN107957566A (zh) 基于频率选择奇异谱分析的磁共振测深信号提取方法
CN110779724B (zh) 一种基于频域组稀疏降噪的轴承故障诊断方法
CN111769810B (zh) 一种基于能量峭度谱的流体机械调制频率提取方法
CN112945546A (zh) 一种齿轮箱复杂故障精确诊断方法
Zhang et al. Improved local cepstrum and its applications for gearbox and rolling bearing fault detection
CN104849590A (zh) 一种混合噪声干扰下微弱脉冲信号检测方法
CN111896260A (zh) NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法
CN115840879A (zh) 一种增材制造构件超声检测回波信号处理方法及系统
CN114264724A (zh) 基于ceemdan联合小波包阈值的超声信号处理方法
CN114690003A (zh) 一种基于eemd的局放信号降噪方法
CN111239565A (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及系统
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN104089778B (zh) 一种水轮机振动故障诊断方法
CN110780162B (zh) 一二次融合配电开关局部放电信号提取方法及检测装置
CN117316172A (zh) 一种机器人声发射信号的降噪方法及系统
CN117349615A (zh) 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法
CN115015942B (zh) 一种自适应水下目标声学测速装置及方法
CN113792657B (zh) 提取声学信号识别与盲解卷积算法的齿轮箱故障的方法

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
GR01 Patent grant
GR01 Patent grant