CN114088387A - 一种齿轮故障诊断方法、存储介质和装置 - Google Patents
一种齿轮故障诊断方法、存储介质和装置 Download PDFInfo
- Publication number
- CN114088387A CN114088387A CN202111484664.6A CN202111484664A CN114088387A CN 114088387 A CN114088387 A CN 114088387A CN 202111484664 A CN202111484664 A CN 202111484664A CN 114088387 A CN114088387 A CN 114088387A
- Authority
- CN
- China
- Prior art keywords
- sparse
- gear
- component
- fault
- gear 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.)
- Withdrawn
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
- G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
-
- 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
本发明公开了一种齿轮故障诊断方法、存储介质和装置,属于设备状态监测与故障诊断技术领域。采集待诊断的原始齿轮故障振动信号;基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号进行分解成若干个稀疏分量之和;计算每个稀疏分量的峭度值;选取最大峭度值作为熵权法中的指标特征;通过熵权法计算最大峭度值所对应分量处的权重值,并将分量进行加权重构;对重构信号进行包络谱分析生成包络谱图,根据包络谱图识别故障特征。与现有技术相比,本申请的齿轮故障诊断方法通过包络谱对加权分量进行分析;根据包络谱图识别故障特征,且有效地得到故障特征频率及其倍频,诊断效果较好。
Description
技术领域
本发明涉及设备状态监测与故障诊断技术领域,具体涉及一种齿轮故障诊断方法、存储介质和装置。
背景技术
齿轮是现代工业中许多旋转机械重要的组成部件,同时也是机器中最易受损的元件之一。齿轮一旦出现故障,不仅会影响设备的正常运行,使机器出现激烈的振动以及产生干扰噪声,甚至导致重大经济损失和引发较大的安全事故。因此,开展齿轮状态监测与故障诊断等方面的研究,对于保证设备的稳定运行及企业安全生产具有重要的工程应用价值与理论意义。
时频分析方法由于能够提供非线性和非平稳信号的时频联合分布信息,在齿轮、轴承等故障诊断领域得到了广泛应用,但典型的多元经验模态分解(Multivariateempirical mode decomposition,简称MEMD)和多元变分模态分解(Multivariatevariational mode decomposition,简称MVMD)都存在缺陷。MEMD通过均匀投影方法来直接估计多元信号的局部均值,解决了不同通道增加的高斯白噪声产生的模态混叠问题,尽管MEMD在机械故障领域得到了应用,但对于分解性能有重要影响的投影次数等参数易受主观因素的影响。MVMD通过约束所有信号通道存在联合频率分量的前提下来定义多元信号,但MVMD仍需预先设定二次惩罚项参数、分解模态个数等。针对现有时频分析方法存在的不足,本发明提供了一种齿轮故障诊断方法。
发明内容
针对现有技术的不足,本发明提出了一种齿轮故障诊断方法、存储介质和装置。
本发明的目的可以通过以下技术方案实现:
一种齿轮故障诊断方法,其特征在于,包括:
采集待诊断的原始齿轮故障振动信号;
基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号分解成若干个稀疏分量之和;
计算每个稀疏分量的峭度值;选取最大峭度值作为熵权法中的指标特征;通过熵权法计算最大峭度值所对应分量处的权重值,并将分量进行加权重构;
对重构信号进行包络谱分析生成包络谱图,根据包络谱图识别故障特征。
进一步地,所述基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号分解成若干个稀疏分量之和包括以下步骤:
基于加权融合多元非线性稀疏模态分解算法从原始齿轮故障振动信号Y中分离出固有振荡模式的函数;采用局部窄带分量作为迭代的基函数,通过逼近原始信号来完成信号的分解;
将固有振荡模式的函数转换为一组稀疏分量信号y(t);
将窄带信号v(t)映射到局部奇异线性算子T的零空间内,v(t)映射到局部奇异线性算子T的零空间,则得到T(y1,y2,…yc)=[u1,u2…uc];
ui(t)=[u1,u2,…uc]是经过局部奇异线性算子T映射之后原始信号y(t)的剩余分量;
局部奇异线性算子T为微分算子时,很难一次迭代把v(t)提取完全,拟根据质-弹-阻振动运动,采用二阶微分算子和引入泄露因子优化,则得到:
T=D2+PD1+Q
式中D1和D2分别为一阶和二阶微分算子;λ1、λ2为拉格朗日乘子。
另一方面,本发明还提供一种存储介质,其中存储有多条程序,所述程序用于由处理器加载并执行上述任一所述的一种齿轮故障诊断方法。
第三方面,本发明还提供一种齿轮故障诊断装置,包括处理器,适于执行各条程序,所述程序由处理器加载并执行上述任一种齿轮故障诊断方法。
本发明的有益效果:
提出基于加权融合多元非线性稀疏模态分解方法,通过将奇异局部线性算子约束到多元信号分解中,使多个通道的复杂信号分解为若干个瞬时频率具有物理意义的局部窄带分量,以实现多通道信号的自适应分解,具有完备性和自适应性。
本发明通过寻找最大峭度值对应分量所处的频带,以最大峭度值作为熵权法中的指标特征,即最佳解调频带来评价分量的分解精度。通过熵权法计算各分量最大峭度值所对应的权重值,将各通道提取分量进行融合来提高瞬时特征的精确性。
本发明提供的方法通过结合奇异局部线性算子以及熵权法,实现对多通道微弱故障特征的有效提取,可以有效地得到故障特征频率及其倍频,对齿轮振动信号进行故障诊断提供了依据。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明提供的一种基于加权融合多元非线性稀疏模态分解的齿轮故障诊断方法的流程图;
图2为本发明的齿轮故障振动信号的时域波形图;
图3为多元非线性稀疏模态分解方法对振动信号进行分解得到的结果的时域波形图;
图4为多元非线性稀疏模态分解方法分解所得分量进行诊断的包络谱图。
图5为本发明所提方法的加权分量进行诊断的包络谱图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
一种齿轮故障诊断方法,包括以下步骤:
1、采集待诊断的原始齿轮故障振动信号;
2、基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号分解成若干个稀疏分量之和:
基于多通道原始齿轮故障信号Y和加权融合多元非线性稀疏模态分解算法,其中多元非线性稀疏模态分解方法是通过约束奇异局部线性算子来分离多元信号中的固有振荡模式,从一维扩展到多维,在处理多通道数据上有很好的优势。同时,采用局部窄带分量作为迭代的基函数,通过逼近原始信号来完成信号的分解。同时将原始齿轮故障振动信号的固有模式函数转换为一组稀疏分量信号y(t);
将复杂多元的窄带信号v(t)映射到局部奇异线性算子T的零空间内,对时间t有T(v(t))=0,即T的零空间里包含信号v(t)。其中,T为局部线性算子,如果存在t的领域Zt,使得:T(v(t))=T(v|Zt)(t);其中,(v|Zt)表示为v在Zt上的限制。若T为奇异的,则T被称为奇异局部线性算子。则得到:T(y1,y2,…yc)=[u1,u2…uc];
ui(t)=[u1,u2,…uc]是经过局部奇异线性算子T映射之后原始信号y(t)的剩余分量;则ui(t)的表达式为:
式中λ为Lagrange系数;D是一个ui(t)为主对角线的对角矩阵。
如果算子T为微分算子时,很难一次迭代把v(t)提取完全,拟根据质-弹-阻振动运动,采用二阶微分算子和引入泄露因子优化,则得到:
T=D2+PD1+Q
式中D1和D2分别为一阶和二阶微分算子;λ1、λ2为拉格朗日乘子。
3、计算每个稀疏分量的峭度值;选取最大峭度值作为熵权法中的指标特征;峭度可用来检测相关故障信号的脉冲,寻找最大峭度值对应分量所处的频带。
采用熵权法计算最大峭度值的权重值gi;其中,峭度指标差异性越大,则对应的信息熵就越小;同时,该指标特征提供的对应信息量越大,其指标特征的权值便越大;
对重构信号进行包络谱分析生成包络谱图,根据包络谱图识别故障特征。
以某大学齿轮模拟故障实验台为试验点,使用激光切割技术在驱动齿轮上布置单点故障。试验条件为:在一个齿的齿根上切割了一条宽度为0.15mm、深度为0.20mm的裂纹。振动数据采用加速度传感器采集,齿轮的转速设置为300r/min,采样频率为1024Hz,经计算,故障频率为fr=5Hz。其时域波形图如图3所示。
首先对上述齿轮裂纹故障振动信号进行基于加权融合多元非线性稀疏模态分解方法进行分解,得到如图3所示的6个分量。对分解后的每个分量进行包络谱分析如图4所示。计算峭度值,采用熵权法对提取分量的峭度值进行加权评估,将其三通道提取分量进行融合,融合后分量的包络谱如图5所示。从图中可以看出在故障特征频率fi处有明显的峰值,而且倍频突出。故可以有效地诊断为齿轮裂纹故障。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种齿轮故障诊断方法,其特征在于,包括:
采集待诊断的原始齿轮故障振动信号;
基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号分解成若干个稀疏分量之和;
计算每个稀疏分量的峭度值;选取最大峭度值作为熵权法中的指标特征;通过熵权法计算最大峭度值所对应分量处的权重值,并将分量进行加权重构;
对重构信号进行包络谱分析生成包络谱图,根据包络谱图识别故障特征。
2.根据权利要求1所述的齿轮故障诊断方法,其特征在于,所述基于加权融合多元非线性稀疏模态分解方法对原始齿轮故障振动信号分解成若干个稀疏分量之和包括以下步骤:
通过约束奇异局部线性算子分离从原始齿轮故障振动信号Y中分离出固有振荡模式的函数;采用局部窄带分量作为迭代的基函数,通过逼近原始信号来完成信号的分解;
将固有振荡模式的函数转换为一组稀疏分量信号y(t);
将窄带信号v(t)映射到局部奇异线性算子T的零空间内,v(t)映射到局部奇异线性算子T的零空间,则得到T(y1,y2,…yc)=[u1,u2…uc];
ui(t)=[u1,u2,…uc]是经过局部奇异线性算子T映射之后原始信号y(t)的剩余分量;
4.一种存储介质,其中存储有多条程序,其特征在于,所述程序用于由处理器加载并执行以实现权利要求1至3任一所述的一种齿轮故障诊断方法。
5.一种齿轮故障诊断装置,包括处理器,适于执行各条程序,其特征在于,所述程序由处理器加载并执行以实现权利要求1至3任一种齿轮故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484664.6A CN114088387A (zh) | 2021-12-07 | 2021-12-07 | 一种齿轮故障诊断方法、存储介质和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484664.6A CN114088387A (zh) | 2021-12-07 | 2021-12-07 | 一种齿轮故障诊断方法、存储介质和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114088387A true CN114088387A (zh) | 2022-02-25 |
Family
ID=80306741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111484664.6A Withdrawn CN114088387A (zh) | 2021-12-07 | 2021-12-07 | 一种齿轮故障诊断方法、存储介质和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114088387A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742099A (zh) * | 2022-03-23 | 2022-07-12 | 昆明理工大学 | 一种滚动轴承多通道故障特征提取方法 |
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
-
2021
- 2021-12-07 CN CN202111484664.6A patent/CN114088387A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742099A (zh) * | 2022-03-23 | 2022-07-12 | 昆明理工大学 | 一种滚动轴承多通道故障特征提取方法 |
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN115859091B (zh) * | 2022-11-01 | 2023-05-26 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Rolling element fault diagnosis based on VMD and sensitivity MCKD | |
CN114088387A (zh) | 一种齿轮故障诊断方法、存储介质和装置 | |
CN104483127B (zh) | 一种行星齿轮微弱故障特征信息提取方法 | |
Sawalhi et al. | The application of spectral kurtosis to bearing diagnostics | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN111178318A (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
CN105716857A (zh) | 一种行星齿轮箱健康状态评估方法 | |
CN102607845A (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
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 | |
CN103424183B (zh) | 机械振动信号检测异常干扰消除方法 | |
CN111898556A (zh) | 基于ck指标一致的轴承瞬态冲击特征提取方法 | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN106096242A (zh) | 一种基于改进emd分解的尾水管压力脉动综合评价方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN105046025B (zh) | 一种核磁共振多相流测量中各相分离的方法 | |
CN104006961A (zh) | 基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法 | |
CN113375939A (zh) | 基于svd和vmd的机械件故障诊断方法 | |
Yang et al. | Fast nonlinear Hoyergram for bearings fault diagnosis under random impact interference | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
CN103234750A (zh) | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN107297649A (zh) | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 | |
Yang et al. | An adaptive time–frequency demodulation method and its applications in rolling bearing fault diagnosis |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220225 |
|
WW01 | Invention patent application withdrawn after publication |