CN114739660A - 齿轮箱健康监测方法及系统 - Google Patents
齿轮箱健康监测方法及系统 Download PDFInfo
- Publication number
- CN114739660A CN114739660A CN202210292915.9A CN202210292915A CN114739660A CN 114739660 A CN114739660 A CN 114739660A CN 202210292915 A CN202210292915 A CN 202210292915A CN 114739660 A CN114739660 A CN 114739660A
- Authority
- CN
- China
- Prior art keywords
- data
- working condition
- gearbox
- health
- current
- 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
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
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (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健康监测方法及系统,旨在解决现有的齿轮箱健康监测系统及方法难以实现早期阶段故障判断的技术问题。其中,监测方法包括步骤:1)获取不同工况下健康状态对应的概率向量,构建标准健康数据库;所述工况基于齿轮箱转速或挡位划分;2)采集齿轮箱当前振动加速度信号和工况,判断当前工况是否在所述标准健康数据库中存在,若不存在,进入步骤3);若存在,进入步骤4);3)将当前工况作为新的工况,获取该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤2;4)利用SDF方法获取当前异常指标M;5)利用EWMA控制图上下控制限和M判断齿轮箱是否发生故障。
Description
技术领域
本发明涉及一种齿轮箱健康监测方法及系统。
背景技术
重型卡车作为运载大尺寸大重量货物不可或缺的公路运输工具,常在不定载荷和交变载荷下工作,其齿轮箱、轴承、主轴等零部件常常受冲击载荷作用,且由于车速的不稳定以及路况的不确定,导致在整个重型卡车运行过程中,齿轮箱经常性发生故障。伴随而来的车辆运输安全问题成了不可忽视的一部分。车辆机械系统中,齿轮箱作为车辆重要的传动部件,其运转状况直接关系到整个车辆的安全运行,因此,非常有必要对重型卡车齿轮箱进行实时监测与故障诊断研究。
但是由于齿轮箱内部传动结构复杂,且会与其他部件进行耦合互动,导致监测信号往往与设备的其他信号相互耦合,致使早期故障信号往往淹没在复杂的噪声环境中,导致故障信息难以有效提取,使得早期故障演化为严重故障,导致设备停机或者人员财产重大损失。因此,对齿轮箱特别是大型齿轮传动装置进行健康监测,在故障发生的早期阶段能够提前发现,及时报警,不仅能为企业节约成本,有时还能避免发生大的人员伤亡事故,对提高经济效益、降低运维成本意义重大。
针对齿轮箱故障监测,朱等人利用天牛群优化算法实现了自动寻找最优参数的自适应最大相关解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)算法实现故障特征的提取,虽然故障识别的精度较高,但无法完成齿轮箱早期故障的自主提取和自动判断。徐针对风电设备齿轮箱将经过等时间间隔采样的时域信号转换成等角度采样角域信号,对角域信号进行无量纲特征提取,最后利用K阶邻近算法通过设定阈值来监测齿轮箱的早期故障;孟等人采用完全总体经验模态分解和改进快速独立成分分析盲源分离来优化复杂振动加速度信号的滤波和盲源分离,利用局部线性嵌入流形学习基于时域、频域信息融合提取早期故障敏感特征,最后利用K-近邻分类器实现早期故障报警;顾等人利用阶比重采样方法对齿轮箱振动加速度信号进行预处理,引用无量纲因子指标来反应齿轮箱机组早期故障程度变化趋势,利用指标趋势分析法建立风电齿轮箱故障预警模型。上述算法虽然使用分类器实现了故障的自主判断,但是K阶邻近分类算法需要提前获取故障数据进行训练,但是大部分实际应用场景下,足够多的故障数据是比较难获取的。而传统的振动加速度信号参数统计指标:例如有效值、峭度值、波形因子、峭度值等往往面临着稳定性和敏感性不足的问题。
此外,当前齿轮箱健康监测方案还存在以下问题:
(1)系统搭建成本高:齿轮箱监测系统涉及数据采集系统,故障诊断系统,网络搭建,服务器搭建,搭建成本较高。
(2)数据驱动的故障诊断算法对服务器的性能具有一定的要求,随着监测的设备的增多,对于网络带宽以及服务器的算力都带来了挑战,并且传统的齿轮箱健康监测方法复杂度高,监测结果不够准确。
(3)机械系统由于其工作环境和状态的复杂性,不同机械装备之间的故障诊断算法难以实现迁移,单一开发成本较高。
发明内容
为了解决现有的齿轮箱健康监测系统及方法难以实现早期阶段故障判断的技术问题,本发明提供了一种齿轮箱健康监测方法及系统。
本发明的技术方案是:
一种齿轮箱健康监测方法,其特殊之处在于,包括以下步骤:
步骤1:获取不同工况下健康状态对应的概率向量,构建标准健康数据库;所述工况基于齿轮箱的转速或挡位划分;
步骤2:采集齿轮箱当前振动加速度信号和当前工况,判断当前工况是否在所述标准健康数据库中存在,若不存在,则进入步骤3;若存在,则进入步骤4;
步骤3:更新标准健康数据库;
将当前工况作为新的工况,获取该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤 2;
步骤4:利用SDF方法获取当前异常指标M;
步骤5:利用EWMA控制图上下控制限判断齿轮箱是否发生故障,若当前异常指标M不在所述上下控制限内,则表示发生故障。
进一步地,所述步骤1构建标准健康数据库的方法具体为:
以齿轮箱的转速或者挡位信号作为工况划分标准,在齿轮箱初始测试阶段,采集各个工况下的振动加速度信号数据,并对健康状态下的振动加速度信号数据给定符号数,进行符号化动力学滤波,构建概率有限状态自动机,计算不同工况下健康数据对应的概率向量,构建标准健康数据库,在该标准健康数据库中,每个工况都会有一个与之对应的概率向量。
进一步地,所述步骤4具体为:
4.1)对采集到的当前工况下的振动加速度信号时间序列进行符号化,将其转换为符号序列;
4.2)通过概率有限状态自动机,构建符号序列不同的状态模式;
4.3)统计不同状态模式的概率,组成概率向量P,将概率向量P与标准健康数据库中所存储的该工况下健康状态对应的概率向量进行对比,求得这两个概率向量之间的夹角,该夹角即为当前异常指标M:
式中:
p0为正常状态下的状态概率向量;
pK为当前状态下的状态概率向量;
<p0,pK>为向量内积;
||p0||2为向量p0的L2范数;
||pK||2为向量pK的L2范数。
进一步地,所述步骤5具体为:
5.1)假设受观测量X1,X2,X3,...Xn服从正态分布N(μ,σ2),μ和σ2可以是已知或者通过一段数据估计出来的,则监测统计量Zi为:
Zi=λXi+(1-λ)Zi-1
将上式的递归形式化为一般形式可得:
其中,j为统计样本数;
5.2)根据监测统计量Zi的一般形式可得EWMA统计量Zi的期望和方差分别为:
因此,EWMA控制图的控制限分别为:
式中:
k为控制限系数,决定上下控制限之间的距离,σ为标准差,μ为正态分布的均值;
5.3)故障判断:
将监测统计量Zi与得到的上下控制限5.2)进行对比,若超出了控制限的范围,则表明当前设备产生了异常。
本发明还提供了一种齿轮箱健康监测系统,包括电源管理模块、信号采集模块、数据传输模块、数据处理模块和上位机;所述数据处理模块提供稳定的恒压源与恒流源;信号采集模块用于采集被监测齿轮箱的振动加速度信号、温度信号和转速信号;数据传输模块用于将信号采集模块采集的数据传输给所述数据处理模块,以及将数据处理模块的健康监测结果上传至所述上位机;数据处理模块用于对接收到的数据进行处理,得到齿轮箱健康监测结果,并发送给所述数据传输模块;
其特殊之处在于:
所述数据处理模块包括运行在处理器上的故障监测程序,其被运行时执行以下步骤:
步骤1.1:获取不同工况下健康状态对应的的概率向量,构建标准健康数据库;所述工况基于齿轮箱的转速或挡位划分;
步骤1.2:采集齿轮箱当前振动加速度信号和当前工况,判断当前工况是否在所述标准健康数据库中存在,若不存在,则进入步骤1.3;若存在,则进入步骤1.4;
步骤1.3:更新标准健康数据库;
将当前工况作为一种新的工况,获取该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤1.2;
步骤1.4:利用SDF方法获取当前异常指标M;
步骤1.5:利用EWMA控制图上下控制限判断齿轮传动设备是否发生故障。
进一步地,所述数据处理模块还包括运行在处理器上的数据压缩程序,其被运行时执行以下步骤:
步骤2.1:获取均匀量化后的分块离散余弦变换后的DCT系数的均匀量化值,同时保存一部分编带信息用以解码时的数据还原;
步骤2.2:对步骤2.1获取的均匀量化后的分块离散余弦变换后的DCT 系数的均匀量化值依次进行取正数操作、一阶线性预测和零游程编码处理;
步骤2.3:对经步骤2.2处理后得到的数据进行等长切割操作,然后按照子带分配位数→子带均值→最大绝对值→均匀量化后的DCT变换系数这一顺序进行保存,数据压缩完成。
进一步地,步骤2.1具体为:
2.1.1)计算DCT系数矩阵中每一个子带的平均值,并四舍五入为整数;
2.1.2)计算得到各个子带的最大分配位数bj:
其中:xj为DCT系数矩阵中已经去除直流分量的每一列数据的最大绝对值X=(x1x2 ... xn-1 xn)中的第j项;
2.1.3)在对子带能量进行均匀量化过程中计算的各个子带的分配位数:
式中:
Nj为第j个子带的分配位数;
Ej为第j个子带能量;
Eaverage为子带平均能量;
boffset为偏置系数。
进一步地,所述信号采集模块和数据处理模块的主控芯片均采用ARM芯片。
进一步地,数据处理模块的主控芯片上搭载有Linux操作系统。
进一步地,所述信号采集模块和数据处理模块集成在同一块电路板上;所述信号采集模块可实现对多源异构信号的同步采集。
本发明的有益效果:
1.本发明针对齿轮箱早期异常检测算法的实时性、高效性、高准确性等要求,提出了基于符号化SDF和EWMA的齿轮早期故障诊断算法,可实现齿轮箱的早期故障报警,降低误报警率,实时显示设备状态信息。
2、本发明提出了一种新的子能量带自适应算法,对DCT系数矩阵进行压缩编码来压缩整体的数据量,能够降低算法的复杂度,提高能量自适应分配效率,降低传输过程中的数据量,可降低系统功耗。
3、本发明搭建了双ARM架构,利用ARM Cortex-M4内核的 STM32F407ZGT6芯片作为采集模块的主控芯片,采用ARM Cortex-A7处理器作为数据处理的主控芯片,同时在ARMCortex-A7芯片上搭载Linux操作系统,便于进行算法跨平台移植和多线程多任务处理。
4、本发明将振动加速度信号、温度信号、CAN信号、转速信号集成至一块采集板,实现了多源信号的集成采集,降低了系统开发成本。
5、本发明将数据采集系统与数据处理系统整合到同一块电路板中,减小了齿轮箱健康监测系统的整体尺寸,做到了小型化,便于携带和使用。
6、本发明将将故障诊断集成至硬件模块中,提升了系统的通用化程度,降低了成本。
附图说明
图1为系统硬件总体设计结构图。
图2为振动加速度信号采集整体流程图。
图3为信号采集模块的整体工作流程图。
图4为数据处理模块的整体工作流程图。
图5为基于SDF和EWMA的齿轮箱健康监测方法流程图。
图6为对时间序列进行符号化切割的原理图。
具体实施方式
下面结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述。
如图1所示,本发明提供的基于嵌入式系统的齿轮箱健康监测系统,包括电源管理模块、信号采集模块、数据传输模块、数据处理模块和上位机。
一、电源管理模块
电源管理模块负责为传感器及整个系统提供稳定的恒压源与恒流源,具体是将220V的市电转换为直流电源,为振动加速度传感器(例如压电式振动加速度传感器)、温度传感器、转速传感器、热电偶、CAN通信模块、编码器模块及系统主机提供稳定的恒压源与恒流源。
二、信号采集模块
信号采集模块包括振动加速度信号采集模块、数据读取模块、温度传感器、热电偶模数转换器、SPI控制模块、CAN通信模块、转速传感器、编码器模块、外部内存模块和时钟模块。
振动加速度信号采集模块的整体方案如图2所示,包括依次连接的振动加速度传感器、恒流源接口、高通滤波器、低通滤波器、电压跟随器和AD 转换电路;振动加速度传感器选用HD-YD-112型号的IEPE振动加速度传感器,频响范围为0.5Hz到12KHz;恒流源接口、高通滤波器、低通滤波器和电压跟随器构成信号调理电路;恒流源供电中的恒流源芯片采用意法半导体公司的LM334三端可调的恒流源芯片,可产生1uA到10mA的恒流源;二阶压控高通滤波器和四阶压控低通滤波器共同构成了带通滤波器,其下限截止频率为0.5Hz,上限截止频率为12KHz;AD转换电路采用诺亚德公司的AD7656作为振动加速度信号模数转换芯片,AD7656具备双极性模拟输入的功能,同时最高吞吐速率可以达到250KSPS,该AD7656转换芯片在输入频率10KHz时的信噪比(SNR)为88dB,具备高速并行接口模式,采样的振动加速度信号的范围为-50~+50G,完全能够满足齿轮传动的振动加速度信号检测的需求。
数据读取模块负责读取振动加速度信号采集模块采集的振动加速度数据。
热电偶模数转换器用于读取温度传感器采集到的温度信号;热电偶模数转换器可采用K型热电偶模数转换芯片MAX6675,MAX6675内部集成冷端补偿电路,带有简单的SPI串行接口,能够将模拟量温度信号转换成12位的数字量,分辨率为0.25℃,最大采样率为5Hz,采样频率满足我们设备状态监测的要求。
SPI控制模块用于传输通过热电偶模数转换器读取到的温度信号。
CAN通信模块能从齿轮传动设备中读取齿轮传动设备自身的监测指标,同时向齿轮传动设备自身的中控系统上传齿轮传动设备的监测状态,实现齿轮传动设备与本发明健康监测系统间的双向通信;CAN通信模块的通信过程中分为显性电平和隐性电平,其中显性电平对应逻辑0,通信线中CAN_H和 CAN_L之差为2.5V;隐性电平对应逻辑1,通信线中CAN_H和CAN_L之差为0V。由于STM32定时器的逻辑电平属于TTL电平,因此需要CAN通信模块进行电平转换,为进行阻抗匹配和减少回波发射,在电路设计终端还需要增加120Ω的终端电阻。
编码器模块用于读取用光电传感器(转速传感器的一种)经过光耦隔离转换提取出来的转速信号,可采用旋转增量编码器;旋转增量编码器一般是由5根线连接,电源线VCC和GND,信号线分为A相、B相和Z相。其中, A相信号和B相信号会产生90的相位差,根据AB两个相位哪个个超前或者滞后可以判断设备的转动方向,根据单位时间内AB相脉冲数量可以计算出设备的转速;Z相叫做零点信号,当编码器旋转过零点的时候,Z相会发出一个脉冲表示编码器旋转了一周,可以用来记录设备转动的圈数。
外部内存模块用于扩充内存空间,增大临时存储的数据量,然后将内存中的数据进行分类管理后以循环存储的方式存储到SD卡中。
时钟模块用于配置系统时钟及各模块的工作频次和间隔。
信号采集模块的整体流程如图3所示,信号采集模块系统上电后,首先进行外部内存模块的初始化工作,外部内存模块主要用于缓存单次采样过程中出现的大量数据,避免内存不足造成单次采样的数据量不够;SD卡用于存储系统配置信息和用户自定义的采样设置信息,在SD卡挂载完成后会读取 SD卡中的配置文件,完成对采样频率、采样间隔和采样通道数的设置;创建 ADC采样对象、温度采样对象和转速采样对象主要是对各个采集设备进行初始化,完成初步的IO(输入输出)、定时器等工作;配置独立看门狗主要用于监控程序,避免程序在运行过程中卡死,如果采集模块卡死则直接进行软件复位;配置RTC时钟是为系统提供时间校准,根据设置的采样间隔提醒设备根据固定的时间间隔进行采样;网络通信配置主要是用于与数据处理模块进行数据交互和命令传输;系统配置是通过读取SD卡中的配置文件,根据配置文件设置振动加速度传感器的是否使能、采样通道数、采样时间间隔、采样点数;设置温度传感器读取是否使能、采集通道数,温度传感器由于采样率较低,采用固定采样率5Hz和固定采样长度的方法进行采样;设置转速传感器是否使能,以及转速传感器的采集模式。独立看门狗的复位时间是16s,当程序受到干扰卡死时,如果在16s内没有进行喂狗操作则直接进行软件复位重启系统;RTC时钟频率为32.768KHz,利用RTC提供的日历时钟进行采样间隔管理,当时钟时间满足要求后,开始进行采样;网络传输设置为UDP通信协议。数据配置完成后即进入循环采样阶段,通过RTC时钟判断采样间隔是否达到,当到达采样间隔后会将时间重置,同时开始进行采样,利用STM32 定时器进行精确采样,根据配置中的采样长度来确定是否停止采样,采样截止后进行数据的SD卡备份,备份结束开始进行数据的网络传输,传输完毕判断是否接收到修改配置的指令,如果有修改配置的指令,则根据配置的指令修改对应的设备采样信息;如果无配置指令则继续采样,进入等待采样间隔结束的状态。
三、数据传输模块
数据传输模块负责将采集到的信号以网络通信的方式传输给数据处理模块,还负责将经过数据处理模块得到的设备状态信息以网络通信的方式上传至上位机。
数据传输模块负责发送和接收数据,由于受到内存空间的限制,数据传输模块无法将所有振动加速度信号数据一次性全部发送完毕,为了保证振动加速度信号数据能被完整发送和接收,对振动加速度信号数据进行分片处理 (分割发送)。将单个通道的数据称为数据包,当单个通道分割后的数据称为数据帧,一个数据帧的大小为100个数据点,从通道0开始逐通道进行发送。
数据分片处理(分割发送)的过程为:
(1)从通道1开始顺序发送,判断当前发送通道的剩余数据个数是否超过100,超过100则提取前100数据点发送,未超过100则按照实际个数发送;
(2)帧数加1,将发送帧数乘以100后,与该通道数据总长度进行比较,如果大于该通道数据总长度则表明发送完毕,通道数加1,如果小于等于该通道数据总长度则返回步骤(1);
(3)判断当前发送通道号是否大于设置的采样通道的数量,如果大于则表明振动加速度信号数据已经发送完毕,开始发送温度数据,由于温度数据量比较小可以一次性直接发送,如果小于等于设置的采样通道的数量,则返回步骤(1);
振动加速度信号通信格式为:“VVVV+通道号+CCCC+帧数+SSSS+数据点+GGGG+帧数+EEEE”,通道号默认占据两个字节,默认为四个字节,最多可以表示第9999帧,每个数据点占据6个字节,其中整数位占据一个字节,小数点占据一个字节,小数位占据四个字节,数据点个数为100;
温度信号通信格式为:“TTTT+通道数+FFFF+数据点+YYYY”,其中通道号占据两个字节,数据点占据6个字节,其中整数位为三个字节,小数点占据一个字节,小数位占据两个字节,当通道数为1的时候表示开启1个温度通道,因此数据点为5个,当通道数为2的时候表示开启了两个温度通道,因此数据点为10个。由于温度数据量较小,因此温度信号直接一次性发送完毕。
设备命令通信格式:“CCCCV+命令号+D+命令值+MMMM”,命令号占一个字节,命令值占据5个字节。命令号的值为1-6,其中命令号1表示振动加速度信号采样率设置,命令值表示采样率的具体数值;命令号2表示振动加速度信号采样点数设置,此时命令值表示采样点数的具体数值;命令号3表示振动加速度信号的采样间隔,此时命令值表示采样间隔,单位是秒;命令号4表示振动加速度信号采样通道数,此时命令值表示采集通道数,取值范围为0-6,0表示不开启振动加速度信号采集;命令号5表示温度信号采样通道数设置,取值范围为0-2,0表示振动加速度信号采集;命令号6表示转速信号采集模式,其中命令值分别表示不同的采集模式,其中1表示利用振动加速度信号端口,直接对转速信号采样;2表示利用CAN通信模块直接获取齿轮箱节点中采集好的转速信号;3表示利用STM32的输入捕获功能对方波信号的高低电平进行计时;4表示利用STM32的编码器模式对转速信号进行脉冲计数,通过STM32定时器计算单位时间内的脉冲个数推算出设备的平均转速。例如CCCCV1D10000MMMM就表示设置振动加速度信号采样率为 10KHz。
四、数据处理模块
数据处理模块包括数据接收模块、数据处理与分析模块、数据压缩模块和设备状态发送模块。
数据接收的流程如图4所示,首先启动数据接收程序,绑定整个齿轮箱健康检测系统的IP和端口号,接着判断采集端数据是否发送,如果是,则解析数据帧,提取数据帧中有用的数据,设置数据帧的禁止读取标志位为1(禁止读取标志位是以一个TXT文本的形式表现的,当设置禁止读取标志位为1 的时候,往TXT文本中写1),根据帧信息生成对应的数据文件,写入文件夹 1,然后重新设置数据帧的禁止读取标志位为0,循环接收数据。
数据处理与分析的流程如图4所示,首先启动数据处理与分析程序,读取并判断禁止读取标志位是否为1,如果不为1,则读取文件夹1下的所有数据,应用数据处理与分析程序进行数据处理,最后将数据处理结果写入结果文件,并将文件夹1下的文件转移至文件夹2。
上述的数据处理与分析程序是指基于符号化SDF和EWMA的齿轮箱早期故障诊断方法,完成对数据采集与传输模块得到的数据进行实时处理与分析,具体方法如下(参照图5):
步骤1:获取健康状态下不同工况的概率向量,构建标准健康数据库;
以齿轮箱的转速或者挡位信号作为工况划分标准,在齿轮箱初始测试阶段,采集各个工况下的振动加速度信号数据,并对健康状态下的振动加速度信号数据给定符号数,进行符号化动力学滤波,构建概率有限状态自动机,计算不同工况下健康数据对应的概率向量,构建标准健康数据库,在该标准健康数据库中,每个工况都会有一个与之对应的概率向量;
步骤2:根据信号采集模块采集到的齿轮传动设备当前振动加速度信号和转速,或者当前振动加速度信号和挡位信息在步骤1构建的标准健康数据库中进行数据检索,判断当前工况是否在标准健康数据库存在,如果当前工况不属于标准健康数据库中的任何一种工况,则进入步骤3;如果标准健康数据库中含有当前工况,则进入步骤4;
步骤3:更新标准健康数据库;
将当前工况作为一种新的工况,采集该工况下的振动加速度信号数据,并对健康状态下的振动加速度信号数据进行符号化动力学滤波,构建概率有限状态自动机、计算该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤2;
步骤4:利用SDF方法获取当前异常指标M;
4.1对采集到的当前工况下的振动加速度信号时间序列进行符号化,将其转换为符号序列,具体方法为:
针对振动加速度信号的符号化处理是指将振动的幅值域切割成不同的区间,采用不同的标签对区间进行标定。符号化的整体思路如图6所示,设定符号集合所以符号数为Length(Q)=5,利用分割线将振动加速度信号幅值分为五个区间,根据振动加速度信号幅值所在的区间分别用对应的符号标识,可以实现对振动加速度信号进行粗粒分割。
为了使划分后的区间中包含的原始序列的信息最大,本发明采用等概率区间分割的方法,对来齿轮箱的振动加速度信号进行区间分割,等概率区间分割步骤如下所示:
4.1.1:将已知正常状态下齿轮箱的时间序列X={x1,x2,....,xn-1,xn}按照从小到大的顺序进行重新排序,获得新的序列S={s1,s2,...,sn-1,sn};
4.1.2:根据设定的符号集合为Q,则符号个数为Length(Q),确定分割向量V=(v1,v2,...,vLength(Q)-1,vLength(Q));
4.1.3:设定分割向量中v1的值等于排序后的序列的最小值s1;向量中的其他元素按照下式进行计算:
式中:
n 为时间序列的长度;
Q 为符号集合;
j 为分割向量中第j个元素。
4.1.4:输出分割向量V=(v1,v2,...,vLength(Q)-1,vLength(Q))。
4.1.5:对未知状态的数据根据步骤4.1.4中获取的分割向量进行符号化处理,得到位置状态的符号化序列。
4.2通过概率有限状态自动机,构建符号序列不同的状态模式;
概率有限状态自动机(Probabilistic Finite State Automata,PFSA)是在将数据进行符号化的基础上求得的。符号序列的概率有限状态自动机PFSA的构建,是通过假设系统正常状态和异常状态的转变过程近似为D阶马尔科夫链 (也称为D-马尔科夫机)。
其拟稳态的状态迁移概率为:
式中:
N(tv,tk)为当tk在tv之后发生的次数。
PFSA中所有拟稳态的状态迁移概率,可以组成一个状态迁移概率矩阵
针对状态迁移矩阵Π,先按行利用行向量的L2范数进行归一化后,再对归一化后的矩阵Π′进行拉伸延展操作,将归一化后的状态迁移概率矩阵扩展为状态概率向量P=(P(t1|t1),...,P(tLength(T)|t1),...,P(t1|tLength(T)),...,P(tLength(T)|tLength(T)))。
4.3统计不同状态模式的概率,组成概率向量P,将概率向量P与标准健康数据库中所存储的该工况下健康状态对应的概率向量进行对比,求得这两个概率向量之间的夹角,该夹角即为当前异常指标M;
式中:
p0为正常状态下的状态概率向量;
pK为当前状态下的状态概率向量;
<p0,pK>为向量内积;
||p0||2为向量p0的L2范数;
||pK||2为向量pK的L2范数。
步骤5:利用EWMA控制图上下控制限判断齿轮传动设备是否发生故障;
根据步骤4得到的当前异常指标M,计算出当前的监测统计量Z,根据 EWMA控制图上下控制限判断当前监测统计量Z是否超出了上控制限UCL和下控制限LCL,从而判断当前齿轮传动设备是否发生早期故障。
根据EWMA控制图判断齿轮是否发生早期故障的具体方法为:
5.1假设受观测量X1,X2,X3,...Xn服从正态分布N(μ,σ2),μ和σ2可以是已知或者通过一段数据估计出来的,EWMA控制图就是通过将当前观测数据与隶属加权平均得到的,则监测统计量Zi为:
Zi=λXi+(1-λ)Zi-1 (1)
式(1)中,Z0=μ,平滑参数λ∈(0,1]。将式(1)的递归形式化为一般形式可得:
其中,j为统计样本数。
通过式(2)可以看出,历史数据的权重随着样本的增加会以指数的形式递减,距离当前的样本越远,对监测统计量的影响越小。而λ越小,EWMA 控制图监控小偏移的能力却强;λ越大,监控统计量受当前的观测值的影响越大。
5.2根据式(2)可以得出EWMA统计量Zi的期望和方差分别为:
因此,EWMA控制图的控制限分别为:
式中:
k为控制限系数,决定上下控制限之间的距离,k一般取3,σ为标准差,μ为正态分布的均值。
5.3根据式(5)和式(6)可以看出,随着i增加,即随着设备运行时间的增长,(1-λ)2i这一项将逐渐收敛为0,EWMA控制图的控制限也会逐渐趋于恒定,收敛为常数,此时控制图的控制限为:
判断齿轮箱状态是否发生异常时,可以通过将监测统计量Zi与上下控制限进行对比,若超出了控制限的范围,则表明当前设备产生了异常。EWMA 能够对监测指标的微小变化产生反应,因此对于齿轮传动装置的早期故障检测是有效的。
数据压缩流程如图4所示,首先启动数据压缩程序,判断文件夹2下是否存在文件,如果存在文件,则应用压缩算法进行数据压缩,将压缩后的数据转移至文件夹3,并清空文件夹2下的原始文件;如果文件夹2下不存在文件,则继续判断是否存在文件。
离散余弦变换(DCT)是将密度均匀的信息分布变换为密度不同的信息分布,利用离散余弦变换的能量聚集特性,可以实现振动加速度信号的初步压缩。数据处理模块首先将读取到的原始数据以固定长度进行分块,然后对分块后的数据进行离散余弦变换变换,可得到DCT系数矩阵;将原始数据分割后的系数矩阵大小为m×n,DCT系数矩阵A中每一行(ai,1 ai,2 … ai,n-1 ai,n) 对应的是第i块数据的DCT系数,每一列(a1,j a2,j … am-1,j am,j)T对应频域中第j个子带;对于DCT系数矩阵的子带处理方法,目前多利用子带能量自适应量化方法对DCT系数矩阵进行压缩编码来压缩整体的数据量,具体是根据各个子带能量的大小进行位数分配,核心是根据各个子带能量的大小重新分配权重,子带能量大分配的位数就比较大,相应的权重就较大,子带能量小分配的位数就比较小,对应的权重也就比较小。该方法在计算各个去均值子带的能量后,需要循环遍历能量最大的子带,将能量最大的字符分配位数即权重加1后,将该子带能量除以4,然后继续遍历能量最大的子带继续分配位数,直到总分配位数变为0。因此,该能量自适应算法的复杂度为O(n^2),当分块矩阵的子带数目增多时,该算法会带来计算效率的下降。而本发明采用的压缩算法为一种新的子能量带自适应算法,对DCT系数矩阵进行压缩编码来压缩整体的数据量,能够降低算法的复杂度,提高能量自适应分配效率,降低系统功耗;以齿轮箱振动加速度数据为例,将长度为10K的数据进行分块,分为20×500的分块矩阵,偏置系数boffset取4。得到的压缩文件与原始文件之间压缩率CR为8.78%,即压缩后的数据占用空间仅仅是原始数据的8.78%,解压缩后的重构信号和原始信号之间的均方根误差为0.0099,信噪比为21.65dB,对压缩后的数据进行本地化保存,一旦齿轮箱设备出现问题,可以远程调用数据,为后期的故障进一步定位和设备维护提供一定的数据支持。
(2)计算DCT系数矩阵中已经去除直流分量的每一列数据的最大绝对值 X=(x1 x2… xn-1 xn),然后以2为底对最大绝对值X进行取对数操作,得到对数值Log2(X)=(Log2x1Log2x2 ... Log2xn-1 Log2xn),进而可以计算得到各个子带的最大分配位数:
对最大绝对值取对数操作是为了降低编码量,在进行数据保存过程中为保证数据重构后精度会保存一位整数和两位小数;
(3)在对子带能量进行均匀量化过程中计算的各个子带的分配位数N:
3.1)先计算各个子带的总能量以及平均能量:
式中:
ai,j为DCT系数矩阵中第i行第j列的数据;
Ej为第j个子带的总能量。
式中:
Eaverage为子带平均能量。
3.2)子带能量分配位数计算公式为:
式中:
Nj为第j个子带的分配位数;
Ej为第j个子带能量;
Eaverage为子带平均能量;
boffset为偏置系数。
子带能量自适应的核心是根据各个子带能量的大小分配权重,能量越大分配的权重越高,对应的子带分配位数就越多。通过将各个子带能量与平均子带能量作对比判断权重的大小,将子带能量与平均子带能量的对数值上移一方面为了尽可能的使子带分配位数为正数,另一方面可以提高重构后的数据精度,该子带能量高自适应算法的计算复杂度为O(n)。
(4)计算子带能量分配位数后,就可以根据子带能量分配的位数对分块离散余弦变换后的DCT系数进行均匀量化,均匀量化公式为:
式中:
nj 为式(12)中计算得到的子带分配位数Nj中的元素;
bj 为子带最大分配位数;
xj 为子带的最大绝对值。
(5)数据去重:
由于DCT变换能量集中的特性,因此公式(13)分块离散余弦变换后的系数均值和子带能量自适应分配后的子带位数Nj中含有连续的重复信息,可以利用零游程编码的思想,对其中的连续数据进行去重操作。
零游程编码的核心思想是当序列中连续出现多个重复数据的时候,对数据进行去重操作来降低编码量。例如当序列为 1,2,2,2,2,0,3,5,1,1,1,1,1,0,对该序列进行零游程编码后,当数据中出现多个重复值的时候,在第二个重复元素之后进入编码状态,开始统计后边重复元素的个数,然后将重复数据的个数写入序列代替后边的元素。所以上述序列进行零游程编码后就变为:1,2,2,2,0,3,5,1,1,3,0,序列长度由原来的 14变为11。
(二)DCT系数取正值:
由于DCT系数中含有负值,由于“-”号在编码过程中也会占1个字节的长度,因此根据下式(14)对步骤(一)得到的所有分块离散余弦变换后的DCT 系数均值进行取正数操作:
其中,q为步骤(一)得到的所有分块离散余弦变换后的DCT系数均值;
然后,对取正后的DCT系数均值依次进行一阶线性预测和零游程编码来降低数据量。
(三)数据等长切割操作:
由于数据在存储过程中数据长度不同,为了保证在后续的解压缩信号重构过程中能够有效的进行数据区分,避免发生误读取,需要对第(二)步零游程编码后得到的数据进行分组。例如数据Pj、Pj-1和Pj+1以字符串编码的形式进行顺序存储时,如果字符串长度一致,则将长度一致的字符串作为同一组并以字母作为中间切割标志。例如当数据Pj-1为“1”、Pj为“12”和Pj+1为“13”,则在文件存储中的形式为“a1b1213”。当相同长度的数据连续出现的时候这样的编码模式将大大的减小存储空间。
对压缩后的编带信息以及DCT系数进行等长数据切割后就可以对这些数据进行保存,保存顺序按照子带分配位数→子带均值→最大绝对值→均匀量化后的DCT变换系数,形成中间数据文件,即完成压缩后得到的文件。
设备状态发送流程如图4所示,首先启动设备状态发送程序,绑定用户 PC端IP和端口号,读取结果文件,发送设备状态结果数据,并接收用户发送指令,根据指令判断是否需要发送经数据压缩后的压缩数据,如果需要则发送压缩数据,如果不需要则循环发送设备状态结果数据。
五、上位机系统
上位机系统负责对齿轮箱状态信息进行实时显示和离线分析,包括设备管理、状态监控、数据分析、PHM四个主要部分。
上位机系统负责对齿轮箱得到状态信息进行实时显示,一旦齿轮箱设备出现问题,可以远程调用数据,对故障数据进一步分析,为后期的故障进一步定位和设备维护提供一定的支持。上位机系统具体设计包括设备管理、状态监控、数据分析、PHM四个主要部分,设备管理用于绑定采集设备IP和端口号,并设置采样频率和采样间隔;状态监控用于实时监测设备运行状态;数据分析用于对原始数据进行分析,显示其时频谱、功率谱、轴心轨迹、熵值分析,保证故障的进一步定位;PHM实现四个功能:早期故障报警、故障诊断、故障评估和寿命预测。
Claims (10)
1.一种齿轮箱健康监测方法,其特征在于,包括以下步骤:
步骤1:获取不同工况下健康状态对应的概率向量,构建标准健康数据库;所述工况基于齿轮箱的转速或挡位划分;
步骤2:采集齿轮箱当前振动加速度信号和当前工况,判断当前工况是否在所述标准健康数据库中存在,若不存在,则进入步骤3;若存在,则进入步骤4;
步骤3:更新标准健康数据库;
将当前工况作为新的工况,获取该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤2;
步骤4:利用SDF方法获取当前异常指标M;
步骤5:利用EWMA控制图上下控制限判断齿轮箱是否发生故障,若当前异常指标M不在所述上下控制限内,则表示发生故障。
2.根据权利要求1所述的齿轮箱健康监测方法,其特征在于:所述步骤1构建标准健康数据库的方法具体为:
以齿轮箱的转速或者挡位信号作为工况划分标准,在齿轮箱初始测试阶段,采集各个工况下的振动加速度信号数据,并对健康状态下的振动加速度信号数据给定符号数,进行符号化动力学滤波,构建概率有限状态自动机,计算不同工况下健康数据对应的概率向量,构建标准健康数据库,在该标准健康数据库中,每个工况都会有一个与之对应的概率向量。
4.根据权利要求1所述的齿轮箱健康监测方法,其特征在于:所述步骤5具体为:
5.1)假设受观测量X1,X2,X3,...Xn服从正态分布N(μ,σ2),μ和σ2可以是已知或者通过一段数据估计出来的,则监测统计量Zi为:
Zi=λXi+(1-λ)Zi-1
将上式的递归形式化为一般形式可得:
其中,j为统计样本数;
5.2)根据监测统计量Zi的一般形式可得EWMA统计量Zi的期望和方差分别为:
因此,EWMA控制图的控制限分别为:
式中:
k为控制限系数,决定上下控制限之间的距离,σ为标准差,μ为正态分布的均值;
5.3)故障判断:
将监测统计量Zi与得到的上下控制限5.2)进行对比,若超出了控制限的范围,则表明当前设备产生了异常。
5.齿轮箱健康监测系统,包括电源管理模块、信号采集模块、数据传输模块、数据处理模块和上位机;所述数据处理模块提供稳定的恒压源与恒流源;信号采集模块用于采集被监测齿轮箱的振动加速度信号、温度信号和转速信号;数据传输模块用于将信号采集模块采集的数据传输给所述数据处理模块,以及将数据处理模块的健康监测结果上传至所述上位机;数据处理模块用于对接收到的数据进行处理,得到齿轮箱健康监测结果,并发送给所述数据传输模块;
其特征在于:
所述数据处理模块包括运行在处理器上的故障监测程序,其被运行时执行以下步骤:
步骤1.1:获取不同工况下健康状态对应的的概率向量,构建标准健康数据库;所述工况基于齿轮箱的转速或挡位划分;
步骤1.2:采集齿轮箱当前振动加速度信号和当前工况,判断当前工况是否在所述标准健康数据库中存在,若不存在,则进入步骤1.3;若存在,则进入步骤1.4;
步骤1.3:更新标准健康数据库;
将当前工况作为一种新的工况,获取该工况下健康数据对应的概率向量,作为新的工况存储在标准健康数据库中对数据库进行更新,更新完后返回步骤1.2;
步骤1.4:利用SDF方法获取当前异常指标M;
步骤1.5:利用EWMA控制图上下控制限判断齿轮传动设备是否发生故障。
6.根据权利要求5所述的齿轮箱健康监测系统,其特征在于:所述数据处理模块还包括运行在处理器上的数据压缩程序,其被运行时执行以下步骤:
步骤2.1:获取均匀量化后的分块离散余弦变换后的DCT系数的均匀量化值,同时保存一部分编带信息用以解码时的数据还原;
步骤2.2:对步骤2.1获取的均匀量化后的分块离散余弦变换后的DCT系数的均匀量化值依次进行取正数操作、一阶线性预测和零游程编码处理;
步骤2.3:对经步骤2.2处理后得到的数据进行等长切割操作,然后按照子带分配位数→子带均值→最大绝对值→均匀量化后的DCT变换系数这一顺序进行保存,数据压缩完成。
8.根据权利要求6或7所述的齿轮箱健康监测系统,其特征在于:所述信号采集模块和数据处理模块的主控芯片均采用ARM芯片。
9.根据权利要求8所述的齿轮箱健康监测系统,其特征在于:数据处理模块的主控芯片上搭载有Linux操作系统。
10.根据权利要求9所述的齿轮箱健康监测系统,其特征在于:所述信号采集模块和数据处理模块集成在同一块电路板上;所述信号采集模块可实现对多源异构信号的同步采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210292915.9A CN114739660A (zh) | 2022-03-23 | 2022-03-23 | 齿轮箱健康监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210292915.9A CN114739660A (zh) | 2022-03-23 | 2022-03-23 | 齿轮箱健康监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114739660A true CN114739660A (zh) | 2022-07-12 |
Family
ID=82276245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210292915.9A Pending CN114739660A (zh) | 2022-03-23 | 2022-03-23 | 齿轮箱健康监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114739660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251738A (zh) * | 2023-11-17 | 2023-12-19 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
-
2022
- 2022-03-23 CN CN202210292915.9A patent/CN114739660A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251738A (zh) * | 2023-11-17 | 2023-12-19 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
CN117251738B (zh) * | 2023-11-17 | 2024-01-23 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN107908175B (zh) | 一种电力系统现场智能化运维系统 | |
CN105181122B (zh) | 机械振动信号数据压缩采集方法 | |
CN109962742A (zh) | 便携式遥测数据监测平台及监测方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN114739660A (zh) | 齿轮箱健康监测方法及系统 | |
CN111224840A (zh) | 具有故障诊断性能的网关系统及其方法 | |
CN108616280A (zh) | 非稳态数据实时采集数据压缩方法 | |
CN113687257A (zh) | 电源健康状态动态评估方法及装置 | |
CN113697424B (zh) | 一种基于云技术的带式输送机监测与故障诊断系统及方法 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
CN117668427A (zh) | 一种基于数据分析的用电信息系统温度监控预测方法及设备 | |
CN117478148A (zh) | 基于模式分析的风电机组运行状态划分方法 | |
CN117641157A (zh) | 一种用电信息采集终端的抄表方法 | |
CN116776937A (zh) | 一种基于神经网络的数据处理方法及装置 | |
CN104579358A (zh) | 一种故障录波数据压缩方法 | |
CN117009899A (zh) | 一种时序性海洋生态环境监测数据中的异常点检测方法 | |
CN114792026A (zh) | 一种航空发动机设备的剩余寿命预测方法及系统 | |
CN112504428A (zh) | 低功耗嵌入式高速分布式光纤振动传感系统及其应用 | |
Kapisch et al. | An electrical signal disturbance detector and compressor based on fpga platform | |
CN117909668B (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 | |
CN113242043A (zh) | 一种电主轴测量数据远程传输中的数据压缩方法 | |
CN117742304B (zh) | 曲轴双顶车控制系统的故障诊断方法及系统 | |
CN117407826A (zh) | 一种机载无线电导航系统异常检测方法、设备及存储介质 |
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 |