CN113204849A - 一种齿轮箱齿轮剥落故障检测方法 - Google Patents
一种齿轮箱齿轮剥落故障检测方法 Download PDFInfo
- Publication number
- CN113204849A CN113204849A CN202110577431.4A CN202110577431A CN113204849A CN 113204849 A CN113204849 A CN 113204849A CN 202110577431 A CN202110577431 A CN 202110577431A CN 113204849 A CN113204849 A CN 113204849A
- Authority
- CN
- China
- Prior art keywords
- gear
- peeling
- tvf
- fault
- emd
- 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
- 238000001514 detection method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004901 spalling Methods 0.000 claims description 6
- 241000282461 Canis lupus Species 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种齿轮箱齿轮剥落故障检测方法,该方法包括:首先计算啮合刚度与TVMS,建立动力学模型;然后采集齿轮信号,利用GWO‑TVF‑EMD法分析信号;最后离线分解分析信号的强弱程度进而判断剥落故障的强度。本发明建立行星轮系纯扭转动力学模型,求解模型得到系统振动响应特征,提取了正常状态、不同程度剥落故障状态下的系统振动响应特征,可反映出剥落故障程度的改变对系统振动响应的影响,进而评估齿轮剥落故障的演化过程,本发明不仅能够对齿轮的运行状态进行监测,判断齿轮是否发生剥落故障,还能识别齿轮产生剥落故障的轻重程度,同时解决了原有的处理齿轮箱振动信号方法所存在的参数选取问题。
Description
技术领域
本发明属于齿轮箱故障检测技术领域,具体涉及一种齿轮箱齿轮剥落故障检测方法。
背景技术
齿轮箱作为现代机械设备的一个重要组成部分,担负着机器整体的动力传输、功率传递、变速等功能,由于行星齿轮箱和其他齿轮箱相比较具有重量轻、传动比范围大和承载力强等优势,其可用于采矿设备,起重机和升降机等工业领域,同时被广泛应用于风力发电机、火力发电厂、航空航天等高精尖制造工程领域中。
行星轮出现齿面剥落故障时,行星轮时变啮合刚度(TVMS)的改变会对行星齿轮箱传动系统动力学振动响应造成一定的影响,所以对刚度计算方法进行研究,可以为后续计算行星轮剥落故障刚度奠定夯实的基础。对于齿轮故障的检测和诊断研究中,剥落故障作为齿轮失效的主要形式,针对齿轮不同程度的剥落故障,需要对剥落故障所激发的独特振动特性有更好的了解,将时变啮合刚度考虑在行星齿轮箱动力学模型中,进行动力学建模、仿真,与所采集的振动信号进行对比分析,最终达到对行星齿轮箱的健康状态监测。
传统的对行星齿轮箱振动信号处理的方法多为小波分析法,经验模态分解(EMD)法等。经验模态分解(EMD)与小波分析法相比具有一定的自适应性,但是仍存在着模态混叠的问题,集合经验模态分解法(EEMD)通过对原信号加入白噪声的方式,对模态混叠有一定的抑制效果。但是由于EEMD算法迭代次数较多,增加了计算量,而且如果添加的白噪声不合适还会使得分解得到的分量未必都能满足IMF定义,出现较多的无意义的IMF分量,不利于后续行星齿轮箱故障的提取。时变滤波经验模态分解(TVF-EMD)方法虽然解决了EMD所存在的模态混淆和间歇问题,但该方法对带宽阈值ξ和B样条阶次n的选择存在盲目信,而使用TVF-EMD方法对不同故障或不同研究对象进行振动信号处理ξ和n的取值对结果影响较大,所以对这两个参数的自助寻优变的极为重要。
发明内容
本发明提供一种齿轮箱齿轮剥落故障检测方法,解决现有检测方法存在的问题。
为了达到上述目的,本发明的技术方案如下:
一种齿轮箱齿轮剥落故障检测方法,该方法包括:首先计算啮合刚度与TVMS,建立动力学模型;然后采集齿轮信号,利用GWO-TVF-EMD法分析信号;最后离线分解分析信号的强弱程度进而判断剥落故障的强度。
进一步的,所述GWO-TVF-EMD法分析信号包括以下步骤:
1)输入振动信号x(t)并设置TVF-EMD参数的搜索范围,初始化灰狼数量N和最大迭代次数q的参数。
2)使用TVF-EMD方法分解信号,计算所有N的SampEn值并保存每次迭代的SampEn值;
3)判断是否满足结束条件,即是否l≥q:若是,则迭代终止;反之使l=l+1迭代继续;
4)获得并保存最小SampEn值和相应的最佳参数组合;
5)使用具有优化参数的TVF-EMD分解x(t),计算所有IMF加权指标;
6)最大加权值作为选取最优IMF分量的依据。即具有最大加权指标的IMF分量被定义为最敏感IMF;
7)通过包络谱进一步分析所选的敏感IMF,最终正确判断出行星齿轮箱存在的故障特征。
与现有技术相比,本发明的有益效果如下:
本发明建立行星轮系纯扭转动力学模型,求解模型得到系统振动响应特征,提取了正常状态、不同程度剥落故障状态下的系统振动响应特征,可反映出剥落故障程度的改变对系统振动响应的影响,进而评估齿轮剥落故障的演化过程,本发明不仅能够对齿轮的运行状态进行监测,判断齿轮是否发生剥落故障,还能识别齿轮产生剥落故障的轻重程度,同时解决了原有的处理齿轮箱振动信号方法所存在的参数选取问题。
附图说明
图1是齿轮剥落故障监测框架图;
图2是行星轮系的纯扭转振动模型图;
图3是行星齿轮箱状态监测试验台原理图;
图4是行星齿轮箱健康状态监测试验方案图;
图5是改进后的GWO-TVF-EMD方法流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
参见图1,本发明所采用的基础方案是:
本发明依据行星齿轮箱的特点,建立了正常齿轮内、外啮合齿轮副及外啮合齿轮副齿面剥落故障的时变啮合刚度计算模型,得到不同程度剥落故障齿轮副的时变啮合刚度变化规律。建立行星轮系纯扭转动力学模型,模型如图2所示,求解模型得到系统振动响应特征,对正常状态、不同程度剥落故障状态下的系统振动响应特征进行了研究,分析了剥落故障程度的改变对系统振动响应的影响。以图3所示原理图建立行星齿轮箱状态监测试验台,然后基于行星齿轮箱试验台,制定了图4所示的行星齿轮箱齿面剥落故障试验方案,对不同程序剥落故障进行模拟加工,完成试验操作并对不同工况试验数据进行了采集,提出了基于灰狼优化算法及时变滤波经验模态分解方法(GWO-TVF-EMD),其运算流程如图5所示,对不同程度剥落故障状态下的振动信号进行了分析,在验证含有剥落故障的行星齿轮箱动力学模型理论研究的正确性的同时,证明了本专利所采用的方法的实用性,进而提供了一种行星齿轮箱齿轮剥落故障检测方法。
需要说明的是,本发明实施例提供的齿轮是指在行星齿轮箱传动系统中的运转部件,如太阳系运动状况组成的齿轮,一般由太阳齿轮、行星齿轮、环齿轮、行星齿轮架所构成,在齿轮工作时,会产生齿轮振动信号,本发明实施例通过对轮齿振动信号的信号处理分析,来识别轮齿是否发生了剥落故障。
本发明基于行星齿轮箱试验台对其进行健康状态监测,试验台原理图如图4所示。齿轮剥落故障演化过程是由于裂纹故障的扩展而引起的剥落机制,而剥落现象最早出现的位置是在行星轮上,实验通过加工不同的凹陷矩形坑,模拟齿面剥落故障,剥落区域在齿面啮合点处,剥落区域向齿宽方向的延展,齿面剥落故障程度由剥落面积占渐开线齿轮齿廓面积的比例所决定,以0%、8.5%、17%、100%为正常、轻、中、重度剥落故障的标定,并且在恒速变载荷工况下完成故障试验,与正常齿轮所测得的试验数据进行对比分析,最终将理论与实际的对比分析。构造一种新的信号处理算法—GWO-TVF-EMD法,将样本熵作为TVF-EMD法的适应度函数,采用灰狼优化算法(GWO)对带宽阈值和B样条阶数这两个参数进行寻优,找到最优组合,能够更清晰的提取到齿轮故障频率的谱峰值,完成齿轮故障诊断。
本方法采用的齿轮纯扭转动力学模型更贴合实际故障类型,能准确反应实际故障,解决了原算法存在的参数选取问题,可选取到最优的齿轮故障信号的特征频率,进而对齿轮剥落故障能有效诊断。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种齿轮箱齿轮剥落故障检测方法,其特征在于,该方法包括:首先计算啮合刚度与TVMS,建立动力学模型;然后采集齿轮信号,利用GWO-TVF-EMD法分析信号;最后离线分解分析信号的强弱程度进而判断剥落故障的强度。
2.根据权利要求1所述齿轮箱齿轮剥落故障检测方法,其特征在于,所述GWO-TVF-EMD法分析信号包括以下步骤:
1)输入振动信号x(t)并设置TVF-EMD参数的搜索范围,初始化灰狼数量N和最大迭代次数q的参数。
2)使用TVF-EMD方法分解信号,计算所有N的SampEn值并保存每次迭代的SampEn值;
3)判断是否满足结束条件,即是否l≥q:若是,则迭代终止;反之使l=l+1迭代继续;
4)获得并保存最小SampEn值和相应的最佳参数组合;
5)使用具有优化参数的TVF-EMD分解x(t),计算所有IMF加权指标;
6)最大加权值作为选取最优IMF分量的依据。即具有最大加权指标的IMF分量被定义为最敏感IMF;
7)通过包络谱进一步分析所选的敏感IMF,最终正确判断出行星齿轮箱存在的故障特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577431.4A CN113204849A (zh) | 2021-05-26 | 2021-05-26 | 一种齿轮箱齿轮剥落故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577431.4A CN113204849A (zh) | 2021-05-26 | 2021-05-26 | 一种齿轮箱齿轮剥落故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113204849A true CN113204849A (zh) | 2021-08-03 |
Family
ID=77023356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577431.4A Pending CN113204849A (zh) | 2021-05-26 | 2021-05-26 | 一种齿轮箱齿轮剥落故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354187A (zh) * | 2022-01-05 | 2022-04-15 | 上海交通大学 | 基于辨识啮合刚度的齿轮故障分类检测方法及系统 |
CN116183216A (zh) * | 2022-12-06 | 2023-05-30 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150045764A1 (en) * | 2012-03-20 | 2015-02-12 | Trustees Of Tufts College | Silk reservoirs for drug delivery |
CN108052760A (zh) * | 2017-12-25 | 2018-05-18 | 长安大学 | 一种齿轮副非线性动力学计算方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112069918A (zh) * | 2020-08-17 | 2020-12-11 | 上海电机学院 | 一种行星齿轮箱的故障诊断方法和装置 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 |
-
2021
- 2021-05-26 CN CN202110577431.4A patent/CN113204849A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150045764A1 (en) * | 2012-03-20 | 2015-02-12 | Trustees Of Tufts College | Silk reservoirs for drug delivery |
CN108052760A (zh) * | 2017-12-25 | 2018-05-18 | 长安大学 | 一种齿轮副非线性动力学计算方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112069918A (zh) * | 2020-08-17 | 2020-12-11 | 上海电机学院 | 一种行星齿轮箱的故障诊断方法和装置 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 |
Non-Patent Citations (7)
Title |
---|
XIN ZHANG ET AL: "An optimized time varying filtering based empirical mode decomposition method with grey wolf optimizer for machinery fault diagnosis", 《JOURNAL OF SOUND AND VIBRATION》 * |
XIN ZHANG ET AL: "An optimized time varying filtering based empirical mode decomposition method with grey wolf optimizer for machinery fault diagnosis", 《JOURNAL OF SOUND AND VIBRATION》, 31 March 2018 (2018-03-31), pages 2 - 4 * |
李国彦: "复合行星齿轮传动系统损伤建模与故障诊断技术研究", 《中国博士学位论文全文数据库电子期刊 工程科技II辑》, pages 5 * |
石桂霞: "风电齿轮传动系统局部故障动力学建模与振动特征分析", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》 * |
郑朋: "斜齿行星轮副耦合故障下的动态特性分析", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》 * |
黎恒: "经验模态分解中关键问题的优化理论与方法研究", 《中国博士学位论文全文数据库电子期刊 信息科技辑》 * |
黎恒: "经验模态分解中关键问题的优化理论与方法研究", 《中国博士学位论文全文数据库电子期刊 信息科技辑》, vol. 2017, no. 2, 15 February 2017 (2017-02-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354187A (zh) * | 2022-01-05 | 2022-04-15 | 上海交通大学 | 基于辨识啮合刚度的齿轮故障分类检测方法及系统 |
CN114354187B (zh) * | 2022-01-05 | 2022-12-06 | 上海交通大学 | 基于辨识啮合刚度的齿轮故障分类检测方法及系统 |
CN116183216A (zh) * | 2022-12-06 | 2023-05-30 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
Lei et al. | Condition monitoring and fault diagnosis of planetary gearboxes: A review | |
Yaguo et al. | Research advances of fault diagnosis technique for planetary gearboxes | |
CN109883693B (zh) | 基于低秩-稀疏逼近的行星齿轮箱故障诊断方法 | |
Pan et al. | Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis | |
CN113204849A (zh) | 一种齿轮箱齿轮剥落故障检测方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN110231166B (zh) | 一种变转速工况下三级传动齿轮箱的智能诊断方法 | |
CN103234748B (zh) | 一种基于敏感imf的克林根贝尔格锥齿轮故障诊断方法 | |
Zhang et al. | Time–frequency analysis via complementary ensemble adaptive local iterative filtering and enhanced maximum correlation kurtosis deconvolution for wind turbine fault diagnosis | |
CN109297705A (zh) | 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法 | |
CN105653851A (zh) | 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法 | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
Yao et al. | Fault detection of complex planetary gearbox using acoustic signals | |
CN114942139A (zh) | 齿轮箱中考虑轴承退化影响的齿轮剩余寿命预测方法 | |
CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
Lv et al. | Weak fault feature extraction method of rolling bearings based on MVO-MOMEDA under strong noise interference | |
CN114840920B (zh) | 一种混合动力乘用车机电耦合装置载荷谱编制方法 | |
CN110646199B (zh) | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 | |
CN112539933A (zh) | 一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法 | |
Li et al. | A spectral self-focusing fault diagnosis method for automotive transmissions under gear-shifting conditions | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN116304808A (zh) | 基于分数阶随机共振的旋转机械故障诊断方法 |
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 |
Application publication date: 20210803 |
|
RJ01 | Rejection of invention patent application after publication |