CN113281042A - 一种联合收割机行走变速箱早期故障诊断系统及方法 - Google Patents
一种联合收割机行走变速箱早期故障诊断系统及方法 Download PDFInfo
- Publication number
- CN113281042A CN113281042A CN202110717834.4A CN202110717834A CN113281042A CN 113281042 A CN113281042 A CN 113281042A CN 202110717834 A CN202110717834 A CN 202110717834A CN 113281042 A CN113281042 A CN 113281042A
- Authority
- CN
- China
- Prior art keywords
- imf
- cross
- walking gearbox
- signal
- fault
- 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.)
- Granted
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
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种联合收割机行走变速箱早期故障诊断系统及方法。本发明中,计算机对采集的行走变速箱振动加速度信号进行EMD分解,获得基础信号分量,对所述基础信号分量与其他本征模态IMF分量进行互相关分析,获得互相关系数,利用互相关系数大小筛选出所需分析的IMF分量,并进行自相关分析来进行降噪处理,突出故障特征频率,将所述故障特征频率与突出谱线频率进行对比,判断行走变速箱的故障类型。本发明在行走变速箱早期故障诊断时,能够准确地判断噪声污染严重的IMF分量,筛选出包含故障信息的IMF分量,大幅减少噪声对信号分析带来的干扰。
Description
技术领域
本发明属于联合收割机行走变速箱等旋转类机械装置故障诊断技术领域,具体涉及一种联合收割机行走变速箱早期故障诊断系统及方法。
背景技术
行走变速箱作为联合收割机传动系统中的重要部件,其寿命会影响联合收割机的整体可靠性和使用效率。随着运行时间的增加,行走变速箱不可避免地会出现一些故障,所以早期及时发现所存在的故障大小和类型,对行走变速箱的使用与维修具有很重要的实用价值。
由于联合收割机行走变速箱在田间工作时产生的振动信号成分十分复杂,所以早期预警检测的主要任务是如何把故障特征信号从原始信号中分离出来。通常使用的分解方法有:短时傅里叶变换、小波分解、经验模式(Empirical Mode Decomposition,EMD)分解等。其中短时傅里叶变换中的窗函数为固定窗函数,在面对较复杂的振动信号时,会出现分辨率不够的情况。小波分解缺乏自适应性,并且需要选择合适的小波基。经验模式分解可以分解出各个频带的分量,但是在强噪音的情况下,经验模式分解出的本征模态分量IMF分量中也含有大量噪音信号,因此要进一步地做降噪处理。
发明内容
针对现有技术中存在不足,本发明提供了一种联合收割机行走变速箱早期故障诊断系统及方法,采用经验模式分解得到IMF分量,利用互相关分析方法、自相关分析方法筛选剔除含噪声严重的信号分量,进一步突出和增强信号中故障特征信号成分,判断行走变速箱的故障类型。
本发明是通过以下技术手段实现上述技术目的的。
一种联合收割机行走变速箱早期故障诊断方法,具体为:
根据EMD分解停止阈值,对行走变速箱的振动加速度信号进行EMD分解,获得若干本征模态IMF分量;
在每个本征模态IMF分量中截取一段信号,统计截取信号中的峰值个数并取峰值个数最多的前两个IMF分量,计算所述两个IMF分量的方差值,选择方差最小的IMF分量作为基础信号分量;
所述基础信号分量与除基础信号分量之外的其他本征模态IMF分量进行互相关分析,获得互相关系数,利用互相关系数大小筛选出所需分析的IMF分量,并利用自相关分析进行降噪处理,突出故障特征频率;
将包络谱中的突出谱线频率与所述故障特征频率进行对比,判断行走变速箱的故障类型。
上述技术方案中,所述互相关系数为:
其中C3j(τ)为互协方差函数,且C3j(τ)=E{[IMF3(t)-EIMF3(t)][IMFj(t)-EIMFj(t)]},E为均值计算;σ3为基础信号分量IMF3(t)的标准差;σj是除所述IMF3(t)之外的其他本征模态IMF分量IMFj(t)的标准差;j=1,2,4,…。
上述技术方案中,根据所述互相关系数,设置标准α:
其中,n为互相关系数的个数;
将所有互相关系数与标准α进行比较,小等于α的归为组1,大于α的归为组2,组1内的数据就被认为含有较多噪声成分,则组2是需要降噪的IMF分量。
上述技术方案中,所述自相关分析采用的函数为:
其中N为信号长度,k为离散数据间隔。
上述技术方案中,所述EMD分解停止阈值为EMD分解的标准差值Sd:
其中,hj(t)是振动加速度信号分解第j个IMF分量,T为信号周期。
上述技术方案中,所述截取一段信号为IMF分量中的0.1秒振动加速度信号。
上述技术方案中,所述突出谱线频率与所述故障特征频率进行对比,具体为:观察包络谱上所有的突出谱线频率是否与故障特征频率存在倍数关系。
一种联合收割机行走变速箱早期故障诊断系统,包括加速度传感器、数据采集仪和计算机,所述加速度传感器安装在行走变速箱侧面轴承座处,加速度传感器与数据采集仪,数据采集仪与计算机连接;
所述计算机对采集的行走变速箱振动加速度信号进行EMD分解,获得基础信号分量,对所述基础信号分量与其他本征模态IMF分量进行互相关分析,获得互相关系数,判断需要降噪的IMF分量,并利用自相关分析进行降噪处理,突出故障特征频率,将所述故障特征频率与突出谱线进行对比,判断行走变速箱的故障类型。
本发明的有益效果为:
(1)本发明利用自相关和互相关分析方法区分和剔除大部分噪声信号,从干扰噪声中找出周期性故障信号,为EMD分解得到的IMF分量后续分析创造了良好的条件,优于其它剔除噪声信号方法;本发明在行走变速箱早期故障诊断时,能够准确地判断噪声污染严重的IMF分量,大幅减少噪声带来的干扰,突出了故障特征频率。
(2)本发明根据经验模式分解之后IMF分量的特点,通过截取信号段内峰值个数排序来筛选IMF分量中低频分量,减少人工干预,大幅提高信号处理的效率;进一步通过方差判断信号的离散程度,达到判断分量信号中噪声多少的目的。
附图说明
图1为本发明所述联合收割机行走变速箱早期故障诊断系统组成示意图;
图2为本发明所述联合收割机行走变速箱早期故障诊断方法流程图;
图中:1-加速度传感器,2-信号连接线,3-数据采集仪,4-计算机,5-行走变速箱。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种联合收割机行走变速箱早期故障诊断系统,包括加速度传感器1、信号连接线2、数据采集仪3、计算机4和行走变速箱5,行走变速箱5侧面轴承座处安装有三个加速度传感器1(图1中的传感器I、II、III),以获取行走变速箱5的振动加速度信号,加速度传感器1采集至少两组振动加速度信号,采集的时间差为1秒;加速度传感器1通过信号连接线2与数据采集仪3连接,数据采集仪3通过信号连接线2与计算机4连接;加速度传感器1采集的是电压信号,经数据采集仪3转换后传输给计算机4。
如图2所示,一种联合收割机行走变速箱早期故障诊断方法,具体包括如下步骤:
步骤(1),设定EMD分解的标准差值Sd,确定EMD分解停止阈值;
设定的标准差值Sd为:
其中,hj(t)是振动加速度信号分解第j个IMF分量,T为信号周期;
由于行走变速箱5振动加速度信号中,齿轮互相啮合产生的振动信号属于高频信号,轴或者轴承以及行走变速箱箱体的振动信号属于低频信号,而这些低频信号不是需要分析的信号,如果一起进行EMD分解会,会降低EMD分解的效率,因此,本实施例将EMD分解停止阈值设置为0.4到0.5之间,以尽量减少低频信号。
步骤(2),加速度传感器1采集联合收割机行走变速箱5的振动加速度信号,经数据采集仪3转换后传输给计算机4,计算机4根据EMD分解停止阈值,对行走变速箱5的振动加速度信号进行EMD分解,获得若干本征模态IMF(Intrinsic Mode Function)分量;
假设一振动加速度信号x(t),先进行EMD分解,获得若干个本征模态IMF分量,设为IMFi(t),(i=1,2,3,…,n)。
步骤(3),在每个本征模态IMF分量中截取一段信号,统计截取信号中的峰值个数并取峰值个数最多的前两个IMF分量,分别计算上述两个IMF分量的方差值,选择方差最小的IMF分量作为基础信号分量;
截取一段信号为IMF分量中的0.1秒振动加速度信号;
信号峰值的计算公式为Xp=max|xn|,其中xn为第n个截取信号;对所计算结果进行统计分析,用in表示第n个截取信号中的峰值个数,计算两个IMF分量的方差:
由于包含噪声信号的分量会有特征频率不明显的特点,因此方差值会偏小,所以选择两个方差中较小的一个IMF分量作为基础信号分量。
步骤(4),由步骤(3)得到的基础信号分量与其他本征模态IMF分量进行互相关分析(为现有技术),获得互相关系数,判断需要降噪的IMF分量,并进行自相关分析;
其中,互协方差函数C3j(τ)=E{[IMF3(t)-EIMF3(t)][IMFj(t)-EIMFj(t)]},σ3为IMF3(t)的标准差,σj为IMFj(t)的标准差,E为均值计算;
由于噪声信号之间被认为是不相关的,所以噪声信号分量之间的互相关系数十分接近0,并且可以认为,含噪声越多的信号分量之间得到的互相关系数越接近0,明显少于含噪声少的信息分量之间的互相关系数;
假设已经计算出来的互相关系数p31(τ)、ρ32(τ)、ρ34(τ)、ρ35(τ)、ρ36(τ)、ρ37(τ),设置了一个标准α:
其中,n为互相关系数的个数,j=1,2,4…
将所有互相关系数与标准α进行比较,小等于α的归为组1,大于α的归为组2,组1内的数据就被认为含有较多噪声成分,则组2是需要降噪的IMF分量;对组2进行自相关分析处理,由于采集的是离散信号,其自相关函数计算公式为:
式中,x(i)为信号数据,N为信号长度,k为离散数据间隔;
将组2中的IMF分量带入自相关函数,得:
进行自相关分析(自相关分析为现有技术)。
步骤(5),对需要降噪的IMF分量进行自相关分析后,突出故障特征频率,再将包络谱中的突出谱线频率与故障特征频率进行对比,判断行走变速箱的故障类型。
对组2中的IMF分量进行自相关分析之后,其中的噪声信号被剔除了绝大部分,突出故障特征频率fz;然后对其进行希尔伯特变换求各个IMF分量的包络谱,就能获得特征较为清晰的频谱特征图,通过观察包络谱上所有的突出谱线频率是否与故障特征频率fz存在倍数关系,就可以判断出行走变速箱内部是否发生故障。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (8)
1.一种联合收割机行走变速箱早期故障诊断方法,其特征在于:
根据EMD分解停止阈值,对行走变速箱的振动加速度信号进行EMD分解,获得若干本征模态IMF分量;
在每个本征模态IMF分量中截取一段信号,统计截取信号中的峰值个数并取峰值个数最多的前两个IMF分量,计算所述两个IMF分量的方差值,选择方差最小的IMF分量作为基础信号分量;
所述基础信号分量与除基础信号分量之外的其他本征模态IMF分量进行互相关分析,获得互相关系数,利用互相关系数大小筛选出所需分析的IMF分量,并利用自相关分析进行降噪处理,突出故障特征频率;
将包络谱中的突出谱线频率与所述故障特征频率进行对比,判断行走变速箱的故障类型。
6.根据权利要求1所述的联合收割机行走变速箱早期故障诊断方法,其特征在于,所述截取一段信号为IMF分量中的0.1秒振动加速度信号。
7.根据权利要求1所述的联合收割机行走变速箱早期故障诊断方法,其特征在于,所述突出谱线频率与所述故障特征频率进行对比,具体为:观察包络谱上所有的突出谱线频率是否与故障特征频率存在倍数关系。
8.一种用于实现权利要求1-7任一项所述的联合收割机行走变速箱早期故障诊断方法的诊断系统,其特征在于,包括加速度传感器(1)、数据采集仪(3)和计算机(4),所述加速度传感器(1)安装在行走变速箱侧面轴承座处,加速度传感器(1)与数据采集仪(3),数据采集仪(3)与计算机(4)连接;
所述计算机(4)对采集的行走变速箱振动加速度信号进行EMD分解,获得基础信号分量,对所述基础信号分量与其他本征模态IMF分量进行互相关分析,获得互相关系数,判断所需分析的IMF分量,并利用自相关分析进行降噪处理,突出故障特征频率,将所述故障特征频率与突出谱线进行对比,判断行走变速箱的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717834.4A CN113281042B (zh) | 2021-06-28 | 2021-06-28 | 一种联合收割机行走变速箱早期故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717834.4A CN113281042B (zh) | 2021-06-28 | 2021-06-28 | 一种联合收割机行走变速箱早期故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281042A true CN113281042A (zh) | 2021-08-20 |
CN113281042B CN113281042B (zh) | 2022-09-16 |
Family
ID=77285881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717834.4A Active CN113281042B (zh) | 2021-06-28 | 2021-06-28 | 一种联合收割机行走变速箱早期故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281042B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024138791A1 (zh) * | 2022-12-27 | 2024-07-04 | 江苏徐工国重实验室科技有限公司 | 变速箱故障的检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN109297705A (zh) * | 2018-08-16 | 2019-02-01 | 东南大学 | 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法 |
CN109934136A (zh) * | 2019-02-28 | 2019-06-25 | 西安理工大学 | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN112557038A (zh) * | 2020-12-30 | 2021-03-26 | 三峡大学 | 多重降噪处理的轴承早期故障诊断方法 |
-
2021
- 2021-06-28 CN CN202110717834.4A patent/CN113281042B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN109297705A (zh) * | 2018-08-16 | 2019-02-01 | 东南大学 | 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法 |
CN109934136A (zh) * | 2019-02-28 | 2019-06-25 | 西安理工大学 | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN112557038A (zh) * | 2020-12-30 | 2021-03-26 | 三峡大学 | 多重降噪处理的轴承早期故障诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024138791A1 (zh) * | 2022-12-27 | 2024-07-04 | 江苏徐工国重实验室科技有限公司 | 变速箱故障的检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113281042B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
CN112098102B (zh) | 一种基于ewt-scwt的内燃机异响识别与诊断方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN111170103B (zh) | 设备故障识别方法 | |
CN103033567A (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN113281042B (zh) | 一种联合收割机行走变速箱早期故障诊断系统及方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN116304751A (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
Senanayaka et al. | CNN based Gearbox Fault Diagnosis and Interpretation of Learning Features | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
CN113686577B (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
CN114923689A (zh) | 一种基于局部特征尺度分解的滚动轴承故障诊断方法 | |
CN114462452B (zh) | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 | |
CN115994333A (zh) | 基于ar-vmd的变工况轴承故障数据预处理方法 | |
CN113343887A (zh) | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 | |
CN112697470A (zh) | 一种ssd设备故障诊断方法及系统 | |
CN109238728B (zh) | 一种车用发动机上零部件故障诊断的方法及系统 |
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 |