CN114674552B - 齿轮箱的故障判别方法 - Google Patents
齿轮箱的故障判别方法 Download PDFInfo
- Publication number
- CN114674552B CN114674552B CN202210278679.5A CN202210278679A CN114674552B CN 114674552 B CN114674552 B CN 114674552B CN 202210278679 A CN202210278679 A CN 202210278679A CN 114674552 B CN114674552 B CN 114674552B
- Authority
- CN
- China
- Prior art keywords
- frequency
- spfk
- gear box
- data
- kurtosis
- 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
- 238000012850 discrimination method Methods 0.000 title description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000926 separation method Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- MEHAQQQARFSCCN-TZBWDYHDSA-N 2-[[(2s,3s)-2-[[(2s)-2-[[(2s)-6-amino-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-[[(2s,3r)-2-[[(2s)-6-amino-2-[[(2s)-2-[[(2s)-2-[[(2s)-6-amino-2-[[(2s)-pyrrolidine-2-carbonyl]amino]hexanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]hexanoyl]amino]-3-hydro Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(O)=O)NC(=O)[C@@H](NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCCN)NC(=O)[C@H]1NCCC1)[C@@H](C)O)C1=CC=CC=C1 MEHAQQQARFSCCN-TZBWDYHDSA-N 0.000 claims abstract 25
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种齿轮箱的故障判别方法，包括：获取齿轮箱的振动信号的数据；对齿轮箱的振动信号的数据进行处理，以得到分频谱峭度加权和均值SPFKmean以及分频谱峭度加权和均值SPFKmean基于分频谱峭度加权和均值指标基准值SPFKmeanB的分离度SPFKdiv；将分离度SPFKdiv与预设分离度σ进行比较，根据分离度SPFKdiv与预设分离度σ的比较结果判断齿轮箱是否正常。通过本发明提供的技术方案，能够解决现有技术中的齿轮箱的故障判别准确性较低的技术问题。
Description
技术领域
本发明涉及齿轮箱的故障判别方法，具体而言，涉及一种齿轮箱的故障判别方法。
背景技术
目前，齿轮箱的故障检测的大多数研究是通过检测齿轮箱温度、润滑油油品等指标检测，或者基于振动信号构建svm，cnn等机器学习或者深度学习模型进行故障检测。
然而，上述指标检测方法指标相关性不强，检测结果不够准确，且易受现场复杂工况影响。现有技术中的深度学习方法由于多工况和指标体系构建不完善导致预测结果不能让人满意，此外，部分检测方法的指标对故障特征反应并不强烈，导致预测结果也不令人满意。而且大多数研究停留在试验台模拟环境下，训练出来的模型很难适用现场多工况信号复杂多变的生产环境。
发明内容
本发明的主要目的在于提供一种齿轮箱的故障判别方法，以解决现有技术中的齿轮箱的故障判别准确性较低的技术问题。
为了实现上述目的，本发明提供了一种齿轮箱的故障判别方法，包括：获取齿轮箱的振动信号的数据；对齿轮箱的振动信号的数据进行处理，以得到分频谱峭度加权和均值SPFKmean以及分频谱峭度加权和均值SPFKmean基于分频谱峭度加权和均值指标基准值SPFKmeanB的分离度SPFKdiv；将分离度SPFKdiv与预设分离度σ进行比较，根据分离度SPFKdiv与预设分离度σ的比较结果判断齿轮箱是否正常。
进一步地，当SPFKdiv＞σ时,判断齿轮箱处于故障状态；当SPFKdiv≤σ时,判断齿轮箱处于正常状态。
进一步地，获取齿轮箱的振动信号的数据的方法包括：采集齿轮箱的至少两个不同位置处的振动信号的数据，并将至少两个不同位置处的振动信号的数据进行比较；根据至少两个不同位置处的振动信号的数据的比较结果，选取至少两个不同位置处的振动信号的数据中故障反映最明显的数据作为齿轮箱的振动信号的数据。
进一步地，获取齿轮箱的振动信号的数据的方法包括采集齿轮箱的振动信号的时域数据，对齿轮箱的振动信号的数据进行处理的方法包括：对齿轮箱的振动信号的时域数据进行频域转换，以得到齿轮箱的振动信号的频域数据。
进一步地，在对齿轮箱的振动信号的时域数据进行频域转换之前，对齿轮箱的振动信号的数据处理的方法还包括：以标准键相信号时域波形冲幅值周期波动区间间隔长度作为样本数据分割的时间长度，对齿轮箱的振动信号的时域数据进行分割，以获取分割后的故障数据样本数据集和正常数据样本数据集。
进一步地，在得到齿轮箱的振动信号的频域数据之后，齿轮箱的故障判别方法还包括：根据齿轮箱的齿轮计算啮合频率；以齿轮箱的各级对应的齿轮的啮合频率为中心值、啮合频率的一半值作为步长，对齿轮箱的振动信号的频域数据进行分割，以得到多个频域子集。
进一步地，在得到多个频域子集之后，齿轮箱的故障判别方法还包括：计算多个频域子集对应的分频谱峭度值；对多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean。
进一步地，对多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean的方法包括：计算多个频域子集的分频谱对应的能量值；根据多个频域子集的分频谱对应的能量值计算多个频域子集的分频谱对应的能量贡献率；根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度加权和均值SPFKmean。
进一步地，根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度加权和均值SPFKmean的方法包括：先根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度值加权和值；根据分频谱峭度值加权和值计算得到分频谱峭度加权和均值SPFKmean。
进一步地，在计算得到分频谱峭度加权和均值SPFKmean之后，齿轮箱的故障判别方法还包括：获取分频谱峭度加权和均值指标基准值SPFKmeanB；根据公式SPFKdiv＝SPFKmean/SPFKmeanB计算分离度SPFKdiv。
应用本发明的技术方案，本方法通过分频谱峭度加权和(SPFK)算法，能够反应设备当前时刻故障情况。分频谱峭度加权和(SPFK)可以反映各子频谱以及整体频谱的能量波形尖峰分布情况，当整体波形峰值突出相对尖翘时，分频谱峭度加权和(SPFK)值相对较大；随着整体波形趋于平缓，该值会逐渐变小，即该值能反映信号频率幅值分布情况。因此，能够有效增加齿轮箱故障的判别准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明的实施例提供的齿轮箱的故障判别方法的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明的实施例提供了一种齿轮箱的故障判别方法，齿轮箱的故障判别方法包括：获取齿轮箱的振动信号的数据；对齿轮箱的振动信号的数据进行处理，以得到分频谱峭度加权和均值SPFKmean以及分频谱峭度加权和均值SPFKmean基于分频谱峭度加权和均值指标基准值SPFKmeanB的分离度SPFKdiv；将分离度SPFKdiv与预设分离度σ进行比较，根据分离度SPFKdiv与预设分离度σ的比较结果判断齿轮箱是否正常。
采用本实施例提供的齿轮箱的故障判别方法，该方法基于SPFK算法对齿轮箱的故障进行计算，通过采集齿轮箱的振动信号的数据，并对齿轮箱的振动信号的数据进行处理。本方法通过分频谱峭度加权和(SPFK)算法，能够反应设备当前时刻故障情况。分频谱峭度加权和(SPFK)可以反映各子频谱以及整体频谱的能量波形尖峰分布情况，当整体波形峰值突出相对尖翘时，分频谱峭度加权和(SPFK)值相对较大；随着整体波形趋于平缓，该值会逐渐变小。即该值能反映信号频率幅值分布情况。而设备运行正常状态下，频谱中(特别是高频区域)主要以各级齿轮啮合频率为主，其他噪声等幅值较低，频谱整体主次分明，即此时整体波形峰值突出相对尖翘，分频谱峭度加权和(SPFK)值相对较大；而设备故障发生时，频谱中会出现随着故障劣化程度严重而慢慢幅值增大和抬起的故障频率，此时频谱相对杂乱，高幅值频率难以区分成分，且此时整体波形趋于平缓，分频谱峭度加权和(SPFK)值会下降到较低的水平。所以分频谱峭度加权和(SPFK)能够在故障发生初期很好的反映出和检测到故障，并进行故障预警。且该方法针对齿轮箱各种齿轮以及轴承故障均有效。因此，采用本实施例提供的齿轮箱的故障判别方法，能够有效增加齿轮箱故障的判别准确性。
在本实施例中，当SPFKdiv＞σ时,判断齿轮箱处于故障状态；当SPFKdiv≤σ时,判断齿轮箱处于正常状态。采用这样的方法，能够便于快速准确地根据分离度的值的大小情况判断齿轮是否处于故障状态，提高了判断精度和操作可行度。
具体地，本实施例中的获取齿轮箱的振动信号的数据的方法包括：采集齿轮箱的至少两个不同位置处的振动信号的数据，并将至少两个不同位置处的振动信号的数据进行比较；根据至少两个不同位置处的振动信号的数据的比较结果，选取至少两个不同位置处的振动信号的数据中故障反映最明显的数据作为齿轮箱的振动信号的数据。采用这样的方法，能够有效对齿轮箱的故障进行判断，避免因震动信号的获取位置的不同而造成对故障的误差判别。
在本实施例中，获取齿轮箱的振动信号的数据的方法包括采集齿轮箱的振动信号的时域数据，对齿轮箱的振动信号的数据进行处理的方法包括：对齿轮箱的振动信号的时域数据进行频域转换，以得到齿轮箱的振动信号的频域数据。采用这样的方法，能够便于对数据进行处理，并快速将时域数据转换成频域数据，以便于后续获取分离度。
具体地，本实施例中在对齿轮箱的振动信号的时域数据进行频域转换之前，对齿轮箱的振动信号的数据处理的方法还包括：以标准键相信号时域波形冲幅值周期波动区间间隔长度作为样本数据分割的时间长度，对齿轮箱的振动信号的时域数据进行分割，以获取分割后的故障数据样本数据集和正常数据样本数据集。采用这样的方法，能够便于提高对数据的处理准确性，以便于获取分隔后的故障数据样本和正常数据样本。
在本实施例中，在得到齿轮箱的振动信号的频域数据之后，齿轮箱的故障判别方法还包括：根据齿轮箱的齿轮计算啮合频率；以齿轮箱的各级对应的齿轮的啮合频率为中心值、啮合频率的一半值作为步长，对齿轮箱的振动信号的频域数据进行分割，以得到多个频域子集。采用这样的方法，能够便于后续进行分频峭度计算并得到分频峭度加权和均值。
具体地，在得到多个频域子集之后，齿轮箱的故障判别方法还包括：计算多个频域子集对应的分频谱峭度值；对多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean。采用这样的方法，能够便于提高数据处理的准确性，以便于提高对齿轮箱的故障判别的精度。
在本实施例中，对多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean的方法包括：计算多个频域子集的分频谱对应的能量值；根据多个频域子集的分频谱对应的能量值计算多个频域子集的分频谱对应的能量贡献率；根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度加权和均值SPFKmean。采用这样的方法，能够便于进一步提高计算分频谱峭度加权和均值的准确性。
具体地，本实施例中根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度加权和均值SPFKmean的方法包括：先根据多个频域子集的分频谱对应的峭度值以及多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度值加权和值；根据分频谱峭度值加权和值计算得到分频谱峭度加权和均值SPFKmean。
在本实施例中，在计算得到分频谱峭度加权和均值SPFKmean之后，齿轮箱的故障判别方法还包括：获取分频谱峭度加权和均值指标基准值SPFKmeanB；根据公式SPFKdiv＝SPFKmean/SPFKmeanB计算分离度SPFKdiv。采用这样的方法，能够便于计算得到分频谱峭度加权和均值指标基准值，并为后续的判别提高依据。
该方法主要步骤如下所示：
一、振动信号数据获取
振动信号数据获取主要通过在设备齿轮箱安装振动传感器，实时采集获取。例：进行石油行业压裂车车载柱塞泵减速箱的输入端轴承所在箱体振动信号采集，在减速箱输入测水平方向(靠近输入测轴承位置)、减速箱输入对侧竖直方向(靠近输入对侧轴承位置)各安装一个加速度振动传感器，分别依次为AI1-01和AI1-02；在减速箱输出测安装电涡流键相传感器，为BI1-01.上述传感器采样频率为25.6KHz。另外，通过键相传感器或者转速测量传感器，获得设备当前转速。
在实际生产过程中，根据设备齿轮箱齿轮和轴承拆解实际结果，判断历史设备各时间段齿轮箱平行级齿轮及轴承正常或者故障状态，对历史数据进行状态标记，并将历史数据分为各类故障数据集Lfault和正常数据集Lnormal。对AI1-01和AI1-02两个不同位置振动传感器的Lfault和Lnormal数据集数据分别进行抽样对比，按照专家经验筛选一个故障反映相对明显的传感器数据作为目标传感器数据，例如案例中的AI1-01传感器数据。下面样例中将采用AI1-01传感器的正常和故障数据进行该减速箱输入侧轴承故障识别和检测。
二、振动信号样本数据分割
按照键相传感器BI1-01的标准键相信号对样本数据进行分割，即根据键相信号时域波形脉冲幅值周期波动区间间隔长度作为样本数据分割的时间长度，也就是按照输出端轴承旋转整周期进行样本数据分割。从而获得分割以后的故障数据样本数据集Xfault＝{xf1,xf2,...,xfi}和正常数据样本数据集Xnormal＝{xn1,xn2,...,xni}。
三、振动信号FFT变换
对Xfault＝{xf1,xf2,...,xfi}和Xnormal＝{xn1,xn2,...,xni}，中各段样本数据xfi和xni，按照固定采样点数＝25600进行FFT变换，根据变换获得相对应的频域样本数据集合：X_frefault＝{x_fref1,x_fref2,...,x_frefi}以及X_frenormal＝{x_fren1,x_fren2,...,x_freni}。
四、目标齿轮啮合频率计算
针对齿轮箱中不同目标齿轮及轴承(目标齿轮和轴承是根据故障预测目标对象)，结合齿轮齿数计算齿轮啮合频率，(案例中所选故障目标对象为输入侧轴承滚子中期损伤，所以其涉及目标齿轮为减速箱输入侧平行级小齿轮，齿数为50)，对于各组样本数据x_frefi和x_freni，按照各样本数据对应转速Si，计算1X齿轮啮合频率Fre1x,即其中，t为平行级齿轮齿数。
根据倍数关系，计算2X～NX齿轮啮合频率Fre2x～Frenx，即Frejx＝j*Fre1x，j＝1,2,…,N。N的值根据频谱幅值分布范围确定，一般10≥N≥5即可。
五、按照各级目标齿轮啮合频率以及固定步长分割频谱
对各频域样本数据X_frefault和X_frenormal，以各级对应齿轮啮合频率1X～NX为中心值，Fre1x/2为步长，对频谱进行分割。例如：某一故障样本频域数据x_frefi，可以分割为以下频域子集：
分频谱1：
分频谱2：
分频谱3：
……
分频谱N：
六、计算各分频谱频域峭度指标
按照峭度指标计算公式计算频域样本数据集合X_frefault和X_frenormal中各频域样本数据分频谱峭度值，即：
分频谱1：
分频谱2：
分频谱3：
……
分频谱N：
其中，N为分频谱样本点数，xi为幅值，为幅值均值，σi为幅值标准差。
七、计算分频谱能量贡献率及分频谱峭度加权和值
计算分频谱能量值：即：
分频谱1能量值：
分频谱2能量值：
分频谱3能量值：
……
分频谱N能量值：
计算分频谱能量贡献率，即：
分频谱1能量贡献率：
分频谱2能量贡献率：
分频谱3能量贡献率：
……
分频谱N能量贡献率：
基于上述分频谱峭度值计算分频谱峭度加权和值，即
八、计算各分频谱频域峭度加权和均值指标
基于分频谱峭度加权和值，计算频域样本数据集合X_frefault和X_frenormal中各频域样本数据计算分频谱峭度加权和均值指标，即为：
SPFKmean＝SPFKvalue/N。
九、计算设备分频谱峭度加权和均值分离度
其中，集合X_frenormal计算所得的分频谱峭度加权和均值指标记为SPFKmeanB，作为分频谱峭度加权和均值指标基准值，集合X_frefault计算所得的分频谱峭度加权和均值指标记为SPFKmean，分频谱峭度加权和均值分离度计算结果如下所示：
SPFKdiv＝SPFKmean/SPFKmeanB。
然后基于对历史故障数据集合X_frefault和正常数据源数据集合X_frenormal，设置z组抽样数据。重复计算z组SPFKdiv(z)，并计算平均分离度阈值σ，即为：
此处，z的具体值根据数据量自定义。
十、设备状态识别和检测：
获取当前待检测齿轮箱传感器振动信号时域数据集合Xi，将Xi按照上述2～9步骤计算分频谱峭度加权和均值SPFKmean，以及该值基于分频谱峭度加权和均值指标基准值SPFKmeanB的分离度SPFKdiv，并对比σ，如果SPFKdiv＞σ,则当前设备状态为故障，否则为正常。
具体判别实施例如下所示：
对压裂车车载柱塞泵减速箱的输入端轴承所在箱体振动信号采集，在减速箱输入测水平方向(靠近输入测轴承位置)、减速箱输入对侧竖直方向(靠近输入对侧轴承位置)各安装一个加速度振动传感器，分别依次为AI1-01和AI1-02；在减速箱输出测安装电涡流键相传感器，为BI1-01.上述传感器采样频率为25.6KHz。另外，通过转速测量传感器，获得设备当前转速。按照专家经验，采用AI1-01传感器的正常和故障数据进行该减速箱输入轴承故障识别和检测。
1、数据条件如下所示：
训练数据(故障数据[输入侧轴承滚子中期损伤])：平行级齿轮1X啮合频率781HZ；
训练数据(正常数据)：平行级齿轮1X啮合频率832HZ；
训练数据(正常数据2)：平行级齿轮1X啮合频率838HZ；
训练数据(正常数据3)：平行级齿轮1X啮合频率1019HZ；
测试数据(故障数据2[输入侧轴承滚子中期损伤])：平行级齿轮1X啮合频率984HZ。
2、实验过程如下所示：
训练过程：
对训练数据中的故障数据组和正常数据组，按照步骤2，获得故障数据样本数据集合和正常数据样本数据集合各3500组样本数据。
然后按照步骤2～步骤7，计算3500组样本数据的分频谱峭度加权和值，其中，步骤4中N＝5。正常数据和故障数据样本数据计算结果时域波动情况如图1所示。
然后按照步骤8、9计算分频谱峭度加权和均值指标基准值SPFKmeanB＝573.42，并设置z＝1000组抽样数据，计算平均分离度阈值σ＝4.73。
为确保σ合理性，进行了反复对比试验，即共设置了以下组对比实验：
| 实验组 | 对照组1 | 对照组2 | 1000抽样平均分离度σ |
| 1 | 故障数据 | 正常数据 | 4.73 |
| 2 | 故障数据 | 正常数据2 | 4.76 |
| 3 | 故障数据 | 正常数据3 | 5.01 |
| 4 | 正常数据 | 正常数据2 | 0.70 |
| 5 | 正常数据 | 正常数据3 | 0.67 |
| 6 | 正常数据2 | 正常数据3 | 0.64 |
上述对比实验，可见故障数据和正常数据之间分离度明显均大于正常数据和正常数据之间的分离度5倍左右。而σ＝4.73或者更大即可实现故障检测，但是考虑到检测精度和应用准确性，设置σ＝4.73即可。其中各组对比实验，步骤4中N＝5。时域上故障与正常数据的分频谱峭度加权和值具有明显分离值域界限，而正常与正常数据的值域界限相对模糊，甚至重合。
测试过程为：对测试数据(故障数据2)，进行1000组抽样，按照上述步骤，计算各组SPFKdiv，并将结果与σ进行对比。其中，1000组样本数据中996组SPFKdiv＞σ，4组略小于σ。预测准确率接近100％。
从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：根据齿轮啮合频率进行频谱分割，既可以实现分频谱幅值分布的准确计算和对比，又不受速度等工况引起的啮合频率右移或频谱结构发生改变；将峭度因子引入到频域上，通过描述故障发生时频域各分频幅值的分布情况，能够准确识别故障，并不受工况引起的幅值能量变化影响；对分频峭度根据分频能量贡献率进行加权，可以较小能量低频段的干扰，放大故障特征，提前识别故障。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种齿轮箱的故障判别方法，其特征在于，包括：
采集所述齿轮箱的振动信号的时域数据；
对所述齿轮箱的振动信号的时域数据进行频域转换，以得到所述齿轮箱的振动信号的频域数据；根据所述齿轮箱的齿轮计算啮合频率，以所述齿轮箱的各级对应的齿轮的啮合频率为中心值、啮合频率的一半值作为步长，对所述齿轮箱的振动信号的频域数据进行分割，以得到多个频域子集；对所述多个频域子集进行数据处理，以得到分频谱峭度加权和均值SPFKmean以及所述分频谱峭度加权和均值SPFKmean基于分频谱峭度加权和均值指标基准值SPFKmeanB的分离度SPFKdiv；
将所述分离度SPFKdiv与预设分离度σ进行比较，根据所述分离度SPFKdiv与预设分离度σ的比较结果判断所述齿轮箱是否正常。
2.根据权利要求1所述的齿轮箱的故障判别方法，其特征在于，
当SPFKdiv＞σ时,判断所述齿轮箱处于故障状态；
当SPFKdiv≤σ时,判断所述齿轮箱处于正常状态。
3.根据权利要求1所述的齿轮箱的故障判别方法，其特征在于，获取齿轮箱的振动信号的数据的方法包括：
采集所述齿轮箱的至少两个不同位置处的振动信号的数据，并将所述至少两个不同位置处的振动信号的数据进行比较；
根据所述至少两个不同位置处的振动信号的数据的比较结果，选取所述至少两个不同位置处的振动信号的数据中故障反映最明显的数据作为所述齿轮箱的振动信号的数据。
4.根据权利要求1所述的齿轮箱的故障判别方法，其特征在于，在对所述齿轮箱的振动信号的时域数据进行频域转换之前，对所述齿轮箱的振动信号的数据处理的方法还包括：
以标准键相信号时域波形冲幅值周期波动区间间隔长度作为样本数据分割的时间长度，对所述齿轮箱的振动信号的时域数据进行分割，以获取分割后的故障数据样本数据集和正常数据样本数据集。
5.根据权利要求1所述的齿轮箱的故障判别方法，其特征在于，在得到多个频域子集之后，所述齿轮箱的故障判别方法还包括：
计算所述多个频域子集对应的分频谱峭度值；
对所述多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean。
6.根据权利要求5所述的齿轮箱的故障判别方法，其特征在于，对所述多个频域子集对应的分频谱峭度值进行处理，以得到分频谱峭度加权和均值SPFKmean的方法包括：
计算所述多个频域子集的分频谱对应的能量值；
根据所述多个频域子集的分频谱对应的能量值计算所述多个频域子集的分频谱对应的能量贡献率；
根据所述多个频域子集的分频谱对应的峭度值以及所述多个频域子集的分频谱对应的能量贡献率计算得到所述分频谱峭度加权和均值SPFKmean。
7.根据权利要求6所述的齿轮箱的故障判别方法，其特征在于，根据所述多个频域子集的分频谱对应的峭度值以及所述多个频域子集的分频谱对应的能量贡献率计算得到所述分频谱峭度加权和均值SPFKmean的方法包括：
先根据所述多个频域子集的分频谱对应的峭度值以及所述多个频域子集的分频谱对应的能量贡献率计算得到分频谱峭度值加权和值；
根据所述分频谱峭度值加权和值计算得到所述分频谱峭度加权和均值SPFKmean。
8.根据权利要求7所述的齿轮箱的故障判别方法，其特征在于，在计算得到所述分频谱峭度加权和均值SPFKmean之后，所述齿轮箱的故障判别方法还包括：
获取分频谱峭度加权和均值指标基准值SPFKmeanB；
根据公式SPFKdiv＝SPFKmean/SPFKmeanB计算所述分离度SPFKdiv。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278679.5A CN114674552B (zh) | 2022-03-21 | 2022-03-21 | 齿轮箱的故障判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278679.5A CN114674552B (zh) | 2022-03-21 | 2022-03-21 | 齿轮箱的故障判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114674552A CN114674552A (zh) | 2022-06-28 |
| CN114674552B true CN114674552B (zh) | 2023-11-24 |
Family
ID=82074849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210278679.5A Active CN114674552B (zh) | 2022-03-21 | 2022-03-21 | 齿轮箱的故障判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114674552B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2581724A1 (en) * | 2011-10-13 | 2013-04-17 | Moventas Gears Oy | A method and a system for the purpose of condition monitoring of gearboxes |
| CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
| CN111521399A (zh) * | 2020-03-23 | 2020-08-11 | 北京控制工程研究所 | 一种基于峭度指标与包络谱的空间轴承早期故障诊断方法 |
| CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
| CN112287780A (zh) * | 2020-10-19 | 2021-01-29 | 苏州容思恒辉智能科技有限公司 | 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN113465915A (zh) * | 2021-06-22 | 2021-10-01 | 无锡迈斯德智能测控技术有限公司 | 一种基于振动传递的齿轮箱齿轮故障程度确定方法 |
| CN113702037A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 |
| CN113899548A (zh) * | 2021-08-27 | 2022-01-07 | 北京工业大学 | 一种基于谐波峭度谱的滚动轴承故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11506569B2 (en) * | 2019-01-15 | 2022-11-22 | Computational Systems, Inc. | Bearing and fault frequency identification from vibration spectral plots |
-
2022
- 2022-03-21 CN CN202210278679.5A patent/CN114674552B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2581724A1 (en) * | 2011-10-13 | 2013-04-17 | Moventas Gears Oy | A method and a system for the purpose of condition monitoring of gearboxes |
| CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
| CN111521399A (zh) * | 2020-03-23 | 2020-08-11 | 北京控制工程研究所 | 一种基于峭度指标与包络谱的空间轴承早期故障诊断方法 |
| CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
| CN112287780A (zh) * | 2020-10-19 | 2021-01-29 | 苏州容思恒辉智能科技有限公司 | 一种基于谱峭度算法的机械设备故障诊断方法、系统及可读存储介质 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN113465915A (zh) * | 2021-06-22 | 2021-10-01 | 无锡迈斯德智能测控技术有限公司 | 一种基于振动传递的齿轮箱齿轮故障程度确定方法 |
| CN113702037A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 |
| CN113899548A (zh) * | 2021-08-27 | 2022-01-07 | 北京工业大学 | 一种基于谐波峭度谱的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于S-SLLE的风电机组齿轮箱故障诊断方法研究》;王翔;《太阳能学报》;第43卷(第3期) * |
| 《基于时频分析的风机故障智能诊断方法研究》;刘瑶;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114674552A (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Fault diagnosis of rotating machines based on the EMD manifold | |
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| Sun et al. | Fault diagnosis of rolling bearing based on empirical mode decomposition and improved manhattan distance in symmetrized dot pattern image | |
| CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
| EP2277039B1 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
| CN103674511B (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
| CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
| CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
| CN105651376B (zh) | 机械设备离线检测系统振动信号频谱分析和报警方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN105258789B (zh) | 一种振动信号特征频率带的提取方法及装置 | |
| CN110427996A (zh) | 基于模糊匹配的时间序列异常模式识别方法及装置 | |
| CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
| CN108982107A (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
| CN110333077A (zh) | 一种基于近似支持向量的滚动轴承故障诊断方法 | |
| CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
| CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
| Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN105352726B (zh) | 一种齿轮的故障诊断方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
| CN114674552B (zh) | 齿轮箱的故障判别方法 |
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 |