CN113447267B - 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 - Google Patents
一种基于振动信号分析的齿轮箱整机状态评估方法和系统 Download PDFInfo
- Publication number
- CN113447267B CN113447267B CN202110688941.9A CN202110688941A CN113447267B CN 113447267 B CN113447267 B CN 113447267B CN 202110688941 A CN202110688941 A CN 202110688941A CN 113447267 B CN113447267 B CN 113447267B
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- frequency
- gear box
- resonance
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于振动信号分析的齿轮箱整机状态评估方法和系统,方法包括:在齿轮箱内选取振动测点,获取各振动测点的振动信号,评估齿轮箱的运行状态;若齿轮箱的运行状态在齿轮箱故障运行状态区间内,则根据基于最优品质因子的共振稀疏分解法,提取高共振分量和低共振分量,从而判断故障程度和故障部位;最优品质因子的共振稀疏分解法通过共振稀疏分解法,从振动信号中提取高共振分量和低共振分量,通过复合指标KSI优化共振稀疏分解中的品质因子;复合指标KSI根据高共振分量的平滑指数和低共振分量的峭度计算。与现有技术相比,本发明避免了人为选取品质因子带来的主观性缺陷,具有可靠、客观、准确等优点。
Description
技术领域
本发明涉及齿轮箱整机状态评估技术领域,尤其是涉及一种基于振动信号分析的齿轮箱整机状态评估方法和系统。
背景技术
齿轮箱是一种用来改变转速和传递动力的常用传动装置,广泛用于煤矿机械、风力发电、工程机械等大型机械装备中,恶劣工作环境经常导致其齿轮、轴承、轴等关键部件出现严重磨损或疲劳裂纹等故障,是诱发机械装备故障的重要原因。因此对齿轮箱进行诊断是自故障诊断技术问世以来一直受到人们普遍重视的课题之一。
振动信号的处理和分析是实现齿轮箱的状态监测与健康维护非常重要的一部分,常见的振动信号处理方法有小波包分析、经验模态分解、支持向量机、共振稀疏等方法。小波变换从20世纪80年代开始逐渐发展成应用数学领域的一个新型分支,并广泛应用于工程信号处理领域。小波变换是一种基于时间和尺度的信号处理方法,其窗口大小固定且窗口形状可变,能实现对信号的多分辨率分析,因此有“数学显微镜”之誉。小波变换可以把信号分解到不同层次,从而获得齿轮箱振动信号的能量在时频域中的分布情况,还可以获得不同频率成分随时间的变化规律,突显出信号的瞬态特性。经验模态分解(EMD)方法由美籍华裔工程师黄锷提出来,这是一种基于信号局部特征的自适应信号处理方法。经验模态分解可以通过将复杂的信号分解成为若干个瞬时频率具有物理意义的IMF分量之和,其IMF本身也会随着信号本身的不同而发生变化,因此经验模态分解非常适用于非平稳信号,比如齿轮箱振动信号的处理。共振稀疏分解是在品质因子小波变换(TQWT)的基础上提出来的,它根据非平稳信号中的谐波成分和冲击成分所具有的品质因子(Quality)不同,对非平稳信号分别进行高品质因子和低品质因子的稀疏表示,然后采用形态分量分析(MCA)对信号进行非线性分离,得到包含原信号中的谐波成分的高共振分量以及包含冲击成分的低共振分量。它的这种属性非常适用于齿轮箱的复合故障辨识,这是因为当齿轮产生磨损、断齿等故障征兆时,振动成分常呈现出调频-调幅特征,轴承出现故障时,常呈现出周期性冲击特征,利用两种成分对应的品质因子之间的差异,借助共振稀疏分解,可以有效的辨识与分离齿轮箱的复合故障。
在上述的各种方法中,小波变换虽然具有多分辨率分析特性,但是不同的基函数具有不同的小波变换分辨率,而且基函数需要事先选取,因此小波变换本质上并不是一种自适应的非平稳信号处理算法;经验模态分解虽然可以自适应的将多分量调频-调幅信号分解为若干的成分,但是自身也存在着模态混淆、端点效应等缺陷;在共振稀疏分解中,品质因子值的选择对分解结果有着很大的影响。但是,现阶段主要是依靠人为选择品质因子,从而有很大的主观随意性,影响着齿轮箱的复合故障识别效果。
发明内容
本发明的目的就是为了克服上述现有技术存在依靠人为选择品质因子,从而有很大的主观随意性,影响着齿轮箱的复合故障识别效果的缺陷而提供一种基于振动信号分析的齿轮箱整机状态评估方法和系统。
本发明的目的可以通过以下技术方案来实现:
一种基于振动信号分析的齿轮箱整机状态评估方法,包括:在齿轮箱内选取振动测点,获取齿轮箱运行时各振动测点的振动信号,根据各振动测点的振动信号,评估齿轮箱的运行状态;
若所述齿轮箱的运行状态在预设的齿轮箱故障运行状态区间内,则根据基于最优品质因子的共振稀疏分解法,对振动测点的振动信号进行分析处理,提取高共振分量和低共振分量,并进行经验模态分解,得到第一个本征模态分量,进行希尔伯特解调,并得到对应的包络谱,根据该包络谱进行频率成分搜索,从而判断故障程度和故障部位;
所述最优品质因子的共振稀疏分解法通过共振稀疏分解法,从振动信号中提取高共振分量和低共振分量,通过复合指标KSI优化共振稀疏分解中的品质因子;所述复合指标KSI根据高共振分量的平滑指数和低共振分量的峭度计算。
进一步地,所述复合指标KSI的计算表达式为:
KSI=α1×SI+α2×Kur
式中,SI为高共振分量X1的平滑指数,Kur为低共振分量X2的峭度,α1为SI的权重,α2为Kur的权重;
峭度Kur和平滑指数SI的计算公式为:
式中,xi表示离散信号,N表示离散信号信号的长度,xa则表示信号的均方根。
进一步地,所述基于最优品质因子的共振稀疏分解法,对振动测点的振动信号进行分析处理,提取高共振分量和低共振分量,具体包括以下步骤:
S1:对共振稀疏分解中的关键参数进行初始化,该关键参数包括品质因子;
S2:对振动信号进行共振稀疏分解,分别获取高共振分量和低共振分量;
S3:根据所述高共振分量和低共振分量计算复合指标KSI的数值,以复合指标KSI最大为目标,并以此为适应度的估计值,以品质因子为变量,通过选择、交叉、变异、迭代,以最大遗传代数定义为终止条件,反复对振动信号进行共振稀疏分解,当达到终止条件时,结束优化过程,输出最优品质因子,该最优品质因子为复合指标KSI最大对应的品质因子;
S4:采用所述最优品质因子取代步骤S1中初始化的品质因子,对振动信号进行步骤S2的处理,获取提取高共振分量和低共振分量。
进一步地,步骤S2中,所述高共振分量和低共振分量的具体计算表达式为:
X1=S1w1 *,X2=S2w2 *
式中,w1 *、w2 *为最小的目标函数J所对应的高共振变换系数和低共振变换系数,s1、s2是利用双通道分解滤波器组对分析信号进行TQWT后的高、低品质因子可调小波的滤波器组;
所述目标函数J的计算表达式为:
式中,w1、w2分别是信号X1和X2在基函数库s1、s2下的变换系数;λ1为第一正则化参数,λ2为第二正则化参数。
进一步地,所述评估齿轮箱的运行状态包括:
对每个测点,计算振动信号X(n)对应的振动烈度,选取最大值作为该轴承座的有效振动烈度值,根据有效振动烈度值与国家标准对比,确定相应测点的运行状态;
所述振动烈度对应的计算表达式包括:
若X(n)为振动位移信号,单位是μm,则在频域fmin至fmax上的振动烈度计算公式为:
其中fmin和fmax是频域范围的最小值和最大值,fs对应采样频率,N对应采样点数,ka则是最接近且不小于计算频率下限fmin的谱线序号,而kb则是最接近且不大于计算频率上限fmax的谱线序号,X(k)则对应于快速傅里叶变换,即:
若为振动速度信号,单位是mm/s,则在频域fmin至fmax上的振动烈度计算公式为:
若X(n)为振动加速度信号,单位是m/s2,则在频域fmin至fmax上的振动烈度计算公式为:
进一步地,所述获取齿轮箱运行时各振动测点的振动信号包括选取齿轮箱的各个轴承座作为振动测点,根据设置的采样参数,获取各个轴承座上的水平、垂直、轴向这三个方向的振动加速度信号。
进一步地,所述评估齿轮箱的运行状态还包括:
将有效振动烈度相应方向的加速度信号通过积分得到速度信号;再根据齿轮箱的不同类型,选取表4:ANST设备频段报警表A(速度总值(峰值)mm/s)、表5:ANST设备频段报警表B(速度总值(峰值)mm/s)、表6:ANST设备频段报警表C(速度总值(峰值)mm/s)、表7:ANST设备频段报警表D(速度总值(峰值)mm/s)(即美国国家标准协会标准),作为评价标准;
然后把振动速度信号通过滤波实现六频段分频,根据表4、表5、表6、表7中的“频段起始频率”和“频段截止频率”确定滤波频段的上下限,并且提取所在频段内的速度峰值;根据表8:ANST设备状态报警类型与等级分类表,结合选取的评价标准中的“频段报警”确定对应频段的运行状态(良好、一般、警告、危险)的识别阈值;根据得到的速度峰值与对应的阈值对比,确定相应频段的运行状态(良好、一般、警告、危险)。
进一步地,所述评估齿轮箱的运行状态还包括:
将齿轮箱的各个测点的振动信号的相应频段给出一个权重值qi,j,其中i表征齿轮箱的各个振动测点,j表征相应测点的对应频段,所有的权重值相加是1;根据各个振动测点的对应频段的运行状态(良好、一般、警告、危险)确定得分,然后乘以相应的权重系数,并相加,得到一个用于评价齿轮箱的运行状态的总分值;
所述齿轮箱故障运行状态区间为齿轮箱运行状态总分值的故障分值区间。
进一步地,所述评估齿轮箱的运行状态还包括:
根据采集到的振动加速度信号计算时域指标特征量,该时域指标特征量包括有量纲特征量和无量纲特征量,根据所述时域指标特征量初步判断齿轮箱的运行状态。
本发明提供一种基于振动信号分析的齿轮箱整机状态评估系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)鉴于齿轮、轴承是齿轮箱的易损部件,发生概率的故障较高,但是传统的基于振动信号的故障诊断方法不能有效的在频域将不同故障部件的特征频率有效的识别,为此本发明在评价出齿轮箱整机健康状态的基础上,提出了一种基于最优品质因子的共振稀疏分解算法,它根据轴承故障、齿轮故障分别对应于振动信号中的不同形态分量,利用优化品质因子的算法,将它们从振动信号中有效的提取,从而在频域完成故障特征的解耦与故障部件的定位,避免了人为选取品质因子带来的主观性缺陷。
(2)鉴于振动烈度是国内外各种标准中评价机械设备运行状态的常用指标,传统的振动烈度是利用振动速度信号在时域计算得到,但是现场采集到的信号类型可能是加速度信号、速度信号、位移信号,在时域中利用微积分进行信号类型转换和选频滤波等进行处理,这使得计算过程繁琐,为此,本发明给出了一种可以利用采集到的振动信号类型直接计算出相应的振动烈度的方法,避免了不同类型振动信号之间的转换,提高了计算结果的可靠性。
(3)本发明建立了一种基于分层策略的齿轮箱的整机健康状态评价方法,它充分的考虑到了齿轮箱的各个组成部件及其相对重要性,为了正确的评估齿轮箱的各个部件的健康状态,充分利用国内外的已有标准,表明该方法的客观性,建立在客观获取各个部件运行状态下的齿轮箱整机健康状态也可以准确全面的评估出齿轮箱的运行情况。
(4)本发明从整体上可概述为:首先从客观的角度评价齿轮箱的各个部件的运行状态,并初步定位潜在的故障部件;再在宏观的角度,利用多层次评价方法,给出整机的健康状态;最后,在微观角度,完成具体故障部件的定位与辨识。
附图说明
图1为本发明实施例中所提算法的流程图;
图2为最优品质因子的共振稀疏分解法流程图;
图3为经过最优品质因子的共振稀疏分解的高共振分量和低共振分量以及残余分量。图(a)为具有谐波特性的高共振分量;图(b)为具有冲击特性的低共振分量;图(c)为具有残余分量;
图4为低共振分量的EMD分解结果;
图5为高共振因子分量经过希尔伯特变换解调后的包络谱,并定位齿轮的故障位置;
图6为低共振因子分量经过希尔伯特变换解调后的包络谱,并定位轴承的故障位置;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供一种基于振动信号分析的齿轮箱整机状态评估方法,通过获取通过安装在齿轮箱上的振动传感器获取运行时的三路振动加速度信号,通过与标准的对比判断齿轮箱的健康状态,最后根据本发明提供的算法对齿轮箱进行故障的精确定位。具体的,包括:在齿轮箱内选取振动测点,获取齿轮箱运行时各振动测点的振动信号,根据各振动测点的振动信号,评估齿轮箱的运行状态;
若齿轮箱的运行状态在预设的齿轮箱故障运行状态区间内,则根据基于最优品质因子的共振稀疏分解法,对振动测点的振动信号进行分析处理,提取高共振分量和低共振分量,并进行经验模态分解,得到第一个本征模态分量,进行希尔伯特解调,并得到对应的包络谱,根据该包络谱进行频率成分搜索,从而判断故障程度和故障部位;
最优品质因子的共振稀疏分解法通过共振稀疏分解法,从振动信号中提取高共振分量和低共振分量,通过复合指标KSI优化共振稀疏分解中的品质因子;复合指标KSI根据高共振分量的平滑指数和低共振分量的峭度计算。
针对振动烈度是评价齿轮箱的运行状态的常用指标,但是传统的振动烈度是利用速度信号在时域完成计算,当采用不同类型的振动传感器存在着信号之间的积分转换,从而导致计算过程繁琐的不足,作为一种优选的实施方式,本实施例提出一种利用振动信号频谱实现振动烈度计算,从而评估齿轮箱的运行状态的方法。它放宽了对振动信号类型的要求,可以直接根据采集到的振动信号类型完成振动烈度的计算,方便了计算频率范围的选择,具有较强的适用性和灵活性。
作为一种优选的实施方式,本实施例提出一种基于层次分析法的齿轮箱整机健康状态评价方法,它把齿轮箱的整机健康状态归结为如何有效的评估齿轮箱的各个测点采集到的振动信号的不同频段的报警情况对整机健康状态的影响权重问题,从而形成了一个多层次的齿轮箱的健康状态分析结构模型。
作为一种优选的实施方式,本实施例还提出根据采集到的振动信号计算时域指标特征量,该时域指标特征量包括有量纲特征量和无量纲特征量,根据时域指标特征量初步判断齿轮箱的运行状态。
将上述优选的实施方式进行任意组合可以得到更优的实施方式。
下面对各方法进行具体描述。
一、振动信号采集方法
I、首先,需要得到齿轮箱的内部结构,获取齿轮箱的内部各级齿轮的齿数、轴承的型号、输入轴的转速等基本参数;计算出各级齿轮的啮合频率、转频、轴承的故障特征频率、各级传动轴的转频;选取齿轮箱的各个轴承座作为振动测点,根据设置的采样参数获取各个轴承座上的水平、垂直、轴向的振动加速度信号,采样参数具体如何设置在步骤II;计算出齿轮箱的动力输入轴实时转速,得到对应的转频,计算公式如下所示。其中,fr表示转子的旋转频率,n表示转子转速。
II、对每个振动测点,根据频谱分析范围fmin~fmax合理的设置振动信号的采样频率fs、采样点数等参数N。针对本专利的对象是齿轮箱,最高分析频率fmax要求大于3.25倍的啮合频率GMF,最低分析频率fmin应大于频率分辨率df。本专利建议设置如下:采样频率fs=(2.56~3)fmax=(2.56~3)x3.25GMF;根据频率分辨率df=(fs/N)≤fmin,采样点数N≥fs/fmin,同时采样点数N就近取整并且满足2m整数倍,方便后续频谱分析。
二、初步判断齿轮箱的运行状态的方法
III、对每个振动测点,根据采集到的振动加速度信号计算一系列时域指标特征量,主要包括有量纲特征量和无量纲特征量两部分,其中的有量纲包括最大值、最小值、峰值、方差,这些指标对齿轮箱的健康状态非常灵敏,可以实现齿轮箱的早期故障的预警。具体的计算公式见附录中的表1。
三、利用振动信号频谱实现振动烈度计算,从而评估齿轮箱的运行状态的方法
IV、对每个测点,计算三个方向的振动加速度信号对应的振动烈度,选取最大值作为该轴承座的有效振动烈度值。根据不同的信号类型,采用下面的振动烈度计算公式。
(1)若X(n)为振动位移信号,单位是μm,则在频域fmin至fmax上的振动烈度计算公式为:
其中fmin和fmax是频域范围,fs对应采样频率,N对应采样点数,ka则是最接近且不小于计算频率下限fmin的谱线序号,而kb则是最接近且不大于计算频率上限fmax的谱线序号,X(k)则对应于快速傅里叶变换,即:
(2)若X(n)为振动速度信号,单位是mm/s,则在频域fmin至fmax上的振动烈度计算公式为:
(3)若X(n)为振动加速度信号,单位是m/s2,则在频域fmin至fmax上的振动烈度计算公式为:
Ⅴ、将计算得到的各个振动测点的有效振动烈度,与国家标准GB/T11348.1-1999进行对比,见附录表2,实现该测点的运行区域(A、B、C、D四种区域)的判断;与《加拿大齿轮箱维护振动极限》标准对比,见附录表3:加拿大政府文件CDA/MS/NVSH107“维护振动烈度”,确定相应测点的运行状态(长寿命、短寿命、检查界限、修理界限),根据两种不同的标准,初步判断齿轮箱对应测点的健康状态。
四、基于层次分析法的齿轮箱整机健康状态评价方法
Ⅵ、将有效振动烈度相应方向的加速度信号通过积分得到速度信号;再根据齿轮箱的不同类型(设备的类型说明详见表4、5、6、7),选取附录中的表4:ANST设备频段报警表A(速度总值(峰值)mm/s)、表5:ANST设备频段报警表B(速度总值(峰值)mm/s)、表6:ANST设备频段报警表C(速度总值(峰值)mm/s)、表7:ANST设备频段报警表D(速度总值(峰值)mm/s)(即美国国家标准协会标准),作为评价标准;其次,把振动速度信号通过滤波实现六频段分频,根据附录表4、5、6、7中的“频段起始频率”和“频段截止频率”确定滤波频段的上下限,并且提取所在频段内的速度峰值;根据附录中的表8:ANST设备状态报警类型与等级分类表,结合选取的评价标准,也就是附录表4、5、6、7中的“频段报警”确定对应频段的运行状态(良好、一般、警告、危险)的识别阈值;根据得到的速度峰值与对应的阈值对比,确定相应频段的运行状态(良好、一般、警告、危险)。这些频段的运行状态可以在一定程度上实现相应测点附近的齿轮箱中的故障部件的定位(根据实际情况分别具体参考附录表4、5、6、7中的“频段描述”)。
Ⅶ、将齿轮箱的各个测点的振动信号的相应频段给出一个权重值qi,j(i表征齿轮箱的各个振动测点,j表征相应测点的对应频段,取值范围是1~6),要求所有的权重值相加是1;再根据各个振动测点的对应频段的运行状态(良好、一般、警告、危险)给出一个得分(0~100分之间),然后乘以相应的权重系数,把上述分值全部相加,就可以得到一个用于评价齿轮箱的运行状态的总分值。
若总分值在预设的齿轮箱运行状态总分值的故障分值区间内,则进行基于最优品质因子的共振稀疏分解法,判断故障程度和故障部位。
五、通过基于最优品质因子的共振稀疏分解法,判断故障程度和故障部位的方法
Ⅸ、利用基于最优品质因子的共振稀疏分解法对各个振动测点采集到的信号进行分析处理,用于齿轮箱的不同故障部件(这里是轴承、齿轮)对应的信号成分的解耦与分离。具体的步骤如下:
(1)首先,对共振稀疏分解中的关键参数完成手动的初始化,本专利设置高共振分量的品质因子Q1=3,冗余度r1=3,分解层数L1=30,低共振分量的品质因子Q2=1,冗余度r2=3,分解层数L2=10,可根据具体情况对初始化的关键参数进行适当修改,品质因子Q,冗余度r,分解层数L的具体计算公式如下所示。其中,符号α表示低通尺度因子,符号β表示高通尺度因子,其中N为数据长度,[]为向下取整。
(2)利用形态分量分析将振动信号中的成分按振荡特性进行非线性分离,得到两个成分,分别是高共振分量X1和低共振分量X2。前者呈现出谐波特性,蕴含齿轮故障信息;后者呈现出冲击特性,蕴含着轴承的故障信息,高共振分量和低共振分量的具体计算公式如下所示:
x1=S1w1 *,x2=S2w2 *
其中w1 *、w2 *为最小的目标函数J所对应的高共振变换系数和低共振变换系数,s1、s2是利用双通道分解滤波器组对分析信号进行TQWT后的高、低品质因子可调小波的滤波器组。进一步的,目标函数J可表示为
其中w1、w2分别是信号X1和X2在基函数库s1、s2下的变换系数;λ1、λ2为正则化参数。而最小的目标函数J可以利用形态分量分析后的信号采用分裂增广拉格朗日收缩算法(即SALSA)对上式的目标函数进行迭代计算。
(3)构建一个复合指标KSI,用于品质因子Q的优化,这里设置如下。
KSI=α1×SI+α2×kur
SI表示为高共振分量X1的平滑指数,Kur表示为低共振分量X2的峭度,α1、α2分别表示为SI和Kur的权重,α1、α2的取值根据信号的平滑特性和冲击特性来确定,峭度Kur和平滑指数SI的计算公式如下所示:
其中xi表示离散信号,N表示离散信号信号的长度,xa则表示信号的均方根,它可以根据如下公式计算所得。
对分解得到的高共振分量X1和低共振分量X2分别计算出它们的平滑指数和峭度,最终得到复合指标KSI。将遗传算法与信号共振稀疏分解方法相结合,以复合指标KSI最大为目标,并以此为适应度的估计值。通过选择、交叉、变异、迭代,以最大遗传代数定义为终止条件,反复对振动信号进行共振稀疏分解,当达到终止条件时,结束优化过程,输出最优品质因子Q。
(4)利用优化得到的品质因子取代步骤(1)中的初始化品质因子Q1和Q2,其它参数不变(这里是r1、r2、L1、L2),对振动信号进行步骤(2)处理,最终得到蕴含轴承冲击故障特征的低共振分量与齿轮调制故障特征的高共振分量,具体流程图如附录中图2所示。
Ⅹ、对经过基于最优品质因子的共振稀疏分解后的高共振分量和低共振分量进行经验模态分解(EMD),完成降噪处理,并分别提取第一个本征模态分量IMF。
Ⅺ、对高共振分量和低共振分量经过经验模态分解后得到的第一个本征模态分量IMF进行希尔伯特解调,并得到对应的包络谱。
Ⅻ、对包络谱进行频率成分搜索,寻找是否存在步骤(Ⅰ)中计算得到的故障特征频率,如果有,通过频谱幅值的大小实现故障程度的初步判定和故障部位的确定。
本实施例还提供一种基于振动信号分析的齿轮箱整机状态评估系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上任一所述的方法的步骤。
表1为时域指标特征量的计算公式
表2为国家标准GB/T11348.1-1999
I类机器:发动机和机器的单独部件。它们完整地联接到正常运行状况的整机上(15kW以下的电机是这一类机器的典型例子)
II类机器:无专门基础的中型机器(具有15~75kW输出功率的电机),在专门基础上刚性安装的发动机或机器(300kW以下)
III类机器:具有旋转质量安装在刚性的重型基础上的大型原动机和其他大型机器,基础在振动测量方向上相对是刚性的。
IV类机器:具有旋转质量安装在基础上的大型原动机和其他大型机器,其基础在振动测量方向上相对是柔性的(例如输出功率大于10MW的汽轮发电机组和燃气轮机)。
健康状态:
区域A:新交付使用的机器的振动通常属于该区域。
区域B:通常认为振动值在该区域的机器可不受限制地长期运行。
区域C:通常认为振动值在该区域的机器可不适宜于长期持续运行。一般来说,该机器可在这种状态下运行有限时间,直到有采取补救措施的合适时机为止。区域D:振动值在这一区域中通常被认为振动烈度,足以引起机器损坏。
表3为加拿大政府文件CDA/MS/NVSH107“维护振动烈度”
注:1hp=745.700W。
表4为ANST设备频段报警表A
表5为ANST设备频段报警表B
表6为ANST设备频段报警表C
表7为ANST设备频段报警表D
表8为ANST设备状态报警类型与等级分类表
注:表中数值为速度总值(峰值),单位mm/s。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种基于振动信号分析的齿轮箱整机状态评估方法,其特征在于,包括:在齿轮箱内选取振动测点,获取齿轮箱运行时各振动测点的振动信号,根据各振动测点的振动信号,评估齿轮箱的运行状态;
若所述齿轮箱的运行状态在预设的齿轮箱故障运行状态区间内,则根据基于最优品质因子的共振稀疏分解法,对振动测点的振动信号进行分析处理,提取高共振分量和低共振分量,并进行经验模态分解,得到第一个本征模态分量,进行希尔伯特解调,并得到对应的包络谱,根据该包络谱进行频率成分搜索,从而判断故障程度和故障部位;
所述最优品质因子的共振稀疏分解法通过共振稀疏分解法,从振动信号中提取高共振分量和低共振分量,通过复合指标KSI优化共振稀疏分解中的品质因子;所述复合指标KSI根据高共振分量的平滑指数和低共振分量的峭度计算;
所述评估齿轮箱的运行状态包括:
对每个测点,计算振动信号X(n)对应的振动烈度,选取最大值作为该轴承座的有效振动烈度值,根据有效振动烈度值与国家标准对比,确定相应测点的运行状态;
所述振动烈度对应的计算表达式包括:
若X(n)为振动位移信号,单位是μm,则在频域fmin至fmax上的振动烈度计算公式为:
其中fmin和fmax是频域范围的最小值和最大值,fs对应采样频率,N对应采样点数,ka则是最接近且不小于计算频率下限fmin的谱线序号,而kb则是最接近且不大于计算频率上限fmax的谱线序号,X(k)则对应于快速傅里叶变换,即:
若为振动速度信号,单位是mm/s,则在频域fmin至fmax上的振动烈度计算公式为:
若X(n)为振动加速度信号,单位是m/s2,则在频域fmin至fmax上的振动烈度计算公式为:
所述获取齿轮箱运行时各振动测点的振动信号包括选取齿轮箱的各个轴承座作为振动测点,根据设置的采样参数,获取各个轴承座上的水平、垂直、轴向这三个方向的振动加速度信号;
所述评估齿轮箱的运行状态还包括:
将有效振动烈度相应方向的加速度信号通过积分得到速度信号;再根据齿轮箱的不同类型,选取表4:ANST设备频段报警表A,速度总值-峰值mm/s、表5:ANST设备频段报警表B,速度总值-峰值mm/s、表6:ANST设备频段报警表C,速度总值-峰值mm/s、表7:ANST设备频段报警表D,速度总值-峰值mm/s,即美国国家标准协会标准,作为评价标准;
然后把振动速度信号通过滤波实现六频段分频,根据表4、表5、表6、表7中的“频段起始频率”和“频段截止频率”确定滤波频段的上下限,并且提取所在频段内的速度峰值;根据表8:ANST设备状态报警类型与等级分类表,结合选取的评价标准中的“频段报警”确定对应频段的运行状态,运行状态包括良好、一般、警告、危险的识别阈值;根据得到的速度峰值与对应的阈值对比,确定相应频段的运行状态,运行状态包括良好、一般、警告、危险;
所述评估齿轮箱的运行状态还包括:
将齿轮箱的各个测点的振动信号的相应频段给出一个权重值qi,j,其中i表征齿轮箱的各个振动测点,j表征相应测点的对应频段,所有的权重值相加是1;根据各个振动测点的对应频段的运行状态,运行状态包括良好、一般、警告、危险,确定得分,然后乘以相应的权重系数,并相加,得到一个用于评价齿轮箱的运行状态的总分值;
所述齿轮箱故障运行状态区间为齿轮箱运行状态总分值的故障分值区间;
所述评估齿轮箱的运行状态还包括:
根据采集到的振动加速度信号计算时域指标特征量,该时域指标特征量包括有量纲特征量和无量纲特征量,根据所述时域指标特征量初步判断齿轮箱的运行状态;
所述复合指标KSI的计算表达式为:
KSI=α1×SI+α2×Kur
式中,SI为高共振分量X1的平滑指数,Kur为低共振分量X2的峭度,α1为SI的权重,α2为Kur的权重;
峭度Kur和平滑指数SI的计算公式为:
式中,xi表示离散信号,N表示离散信号信号的长度,xa则表示信号的均方根;
所述基于最优品质因子的共振稀疏分解法,对振动测点的振动信号进行分析处理,提取高共振分量和低共振分量,具体包括以下步骤:
S1:对共振稀疏分解中的关键参数进行初始化,该关键参数包括品质因子;
S2:对振动信号进行共振稀疏分解,分别获取高共振分量和低共振分量;
S3:根据所述高共振分量和低共振分量计算复合指标KSI的数值,以复合指标KSI最大为目标,并以此为适应度的估计值,以品质因子为变量,通过选择、交叉、变异、迭代,以最大遗传代数定义为终止条件,反复对振动信号进行共振稀疏分解,当达到终止条件时,结束优化过程,输出最优品质因子,该最优品质因子为复合指标KSI最大对应的品质因子;
S4:采用所述最优品质因子取代步骤S1中初始化的品质因子,对振动信号进行步骤S2的处理,获取提取高共振分量和低共振分量;
步骤S2中,所述高共振分量和低共振分量的具体计算表达式为:
X1=S1w1 *,X2=S2w2 *
式中,w1 *、w2 *为最小的目标函数J所对应的高共振变换系数和低共振变换系数,s1、s2是利用双通道分解滤波器组对分析信号进行TQWT后的高、低品质因子可调小波的滤波器组;
所述目标函数J的计算表达式为:
式中,w1、w2分别是信号X1和X2在基函数库s1、s2下的变换系数;λ1为第一正则化参数,λ2为第二正则化参数。
2.一种基于振动信号分析的齿轮箱整机状态评估系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688941.9A CN113447267B (zh) | 2021-06-22 | 2021-06-22 | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688941.9A CN113447267B (zh) | 2021-06-22 | 2021-06-22 | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113447267A CN113447267A (zh) | 2021-09-28 |
CN113447267B true CN113447267B (zh) | 2023-07-04 |
Family
ID=77812122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688941.9A Active CN113447267B (zh) | 2021-06-22 | 2021-06-22 | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447267B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114674420A (zh) * | 2022-05-12 | 2022-06-28 | 宁波东力传动设备有限公司 | 一种齿轮箱振动的辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149476B (zh) * | 2013-02-06 | 2015-08-26 | 国家电网公司 | 一种基于电-振动模型的电力变压器故障诊断方法 |
CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
CN109029987B (zh) * | 2018-09-10 | 2020-11-17 | 北航(天津武清)智能制造研究院有限公司 | 行星齿轮箱齿轮故障检测方法及系统 |
CN111638055B (zh) * | 2020-05-18 | 2021-11-16 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
-
2021
- 2021-06-22 CN CN202110688941.9A patent/CN113447267B/zh active Active
Non-Patent Citations (4)
Title |
---|
200MW汽轮发电机组振动故障的模糊诊断系统;杨苹等;《电力系统自动化》;20010115;第45-49页 * |
丁康等.ANST设备状态分类标准表.《齿轮及齿轮箱故障诊断实用技术》.2005, * |
基于信号共振稀疏分解的齿轮箱故障诊断方法研究;李星;《中国优秀硕士学位论文全文数据库工程科技II辑》;20150315;第2-4、25-27、52-59页 * |
基于振动烈度的液压泵故障多信息特征提取方法研究;刘思远等;《振动与冲击》;20180728(第14期);第269-276页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113447267A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
Yan et al. | Wavelets for fault diagnosis of rotary machines: A review with applications | |
CN102798529B (zh) | 大型风力机组轴承故障诊断方法及系统 | |
Yoon et al. | On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis | |
Bajric et al. | Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
KR101345598B1 (ko) | 풍력발전기 상태 모니터링 방법 및 시스템 | |
Sharma | A review on vibration-based fault diagnosis techniques for wind turbine gearboxes operating under nonstationary conditions | |
Márquez et al. | An overview of wind turbine maintenance management | |
Singh et al. | A review of vibration analysis techniques for rotating machines | |
CN114742111B (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
CN113447267B (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
KR20210010123A (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
Muralidharan et al. | Fault diagnosis of helical gear box using variational mode decomposition and random forest algorithm | |
Strączkiewicz et al. | The use of a fuzzy logic approach for integration of vibration-based diagnostic features of rolling element bearings | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network | |
Djemili et al. | A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA | |
CN115144171A (zh) | 一种变转速工况下的旋转机械振动信号归一化方法 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |