CN116046385B - 基于齿形图的齿轮故障识别方法、装置、介质和设备 - Google Patents
基于齿形图的齿轮故障识别方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN116046385B CN116046385B CN202310208259.4A CN202310208259A CN116046385B CN 116046385 B CN116046385 B CN 116046385B CN 202310208259 A CN202310208259 A CN 202310208259A CN 116046385 B CN116046385 B CN 116046385B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- gear
- signal
- resampled
- tooth profile
- 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
- G01M13/021—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
-
- 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
Abstract
本申请提供了一种基于齿形图的齿轮故障识别方法、装置、介质和设备,属于机械故障诊断技术领域。该方法包括:获取齿轮的待分析振动信号和键相信号;基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号;对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图;基于所述齿形图对所述齿轮进行故障识别。本申请可以提高齿轮故障识别的效率。
Description
技术领域
本申请涉及机械故障诊断技术领域,具体涉及一种基于齿形图的齿轮故障识别方法、装置、介质和设备。
背景技术
齿轮是风机等多中机械设备上的基础功能部件之一,常用于传递扭矩、改变速度、更改方向等。在实际应用中,齿轮的工作强度大、运行环境复杂,会因疲劳磨损而产生剥落、裂纹、断齿等故障,从而影响整个机械设备的运行安全。因此,对齿轮进行监测与故障识别对保证整个设备的可靠运行具有重要意义。
振动信号是分析齿轮是否故障的重要信号,一般而言,基于振动信号的齿轮故障识别方法是对采集到的信号进行信号处理,随后使用频谱或者包络谱提取故障特征。
由于振动信号中存在噪声,现有技术在使用振动信号分析的过程中需要耗费大量的时间来对振动信号进行去噪处理,降低了齿轮故障识别的效率。
发明内容
有鉴于此,有必要提出一种基于齿形图的齿轮故障识别方法、装置、介质和设备,以提高齿轮故障识别的效率。
本申请第一方面,提供了一种基于齿形图的齿轮故障识别方法,所述方法包括:
获取齿轮的待分析振动信号和键相信号;
基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号;
对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图;
基于所述齿形图对所述齿轮进行故障识别。
在其中一个实施例中,所述对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图,包括:根据所述重采样后的振动信号的时间形成极坐标的角度,根据所述重采样后的振动信号的信号幅值形成极坐标的幅值,对所述重采样后的振动信号进行极坐标变换,形成所述齿形图。
在其中一个实施例中,所述基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号,包括:根据所述键相信号对应的脉冲信号触发时刻将所述待分析振动信号切分成多个振动信号片段;对每个所述振动信号片段进行重采样与抗混叠滤波处理,形成所述重采样后的振动信号。
在其中一个实施例中,所述对每个所述振动信号片段进行重采样与抗混叠滤波处理,形成所述重采样后的振动信号,包括:基于采样频率对每个所述振动信号片段进行重采样,形成重采样后的振动信号片段;将每个所述重采样后的振动信号片段进行叠加平均;将叠加平均后的振动信号片段进行抗混叠滤波,形成所述重采样后的振动信号。
在其中一个实施例中,所述采样频率为所述齿轮的啮合频率的2倍以上。
在其中一个实施例中,在所述获取齿轮的待分析振动信号和键相信号之前,还包括:获取所述齿轮的原始振动信号;利用带通滤波器对所述原始振动信号进行滤波处理,形成所述待分析振动信号,所述带通滤波器的低截止频率为所述齿轮的啮合频率与所述齿轮所在转轴的转动频率的差值,所述带通滤波器的高截止频率为所述齿轮的啮合频率与所述齿轮所在转轴的转动频率之和。
在其中一个实施例中,所述原始振动信号通过位于所述齿轮所在转轴的轴承座上的振动传感器测量得到,所述键相信号通过位于所述齿轮所在转轴的自由端的脉冲传感器测量得到,且所述振动信号与所述键相信号取自所述齿轮所在的相同侧的转轴端测量得到。
本申请第二方面,提供了一种基于齿形图的齿轮故障识别装置,所述装置包括:
信号获取模块,用于获取齿轮的待分析振动信号和键相信号;
信号处理模块,用于基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号;
齿形图生成模块,用于对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图;
故障识别模块,用于基于所述齿形图对所述齿轮进行故障识别。
本申请第三方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本申请第一方面的方法。
本申请第四方面,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行本申请第一方面的方法。
本申请中的基于齿形图的齿轮故障识别方法、装置、介质和设备,通过将待分析齿轮信号根据键相信号重采样成采样后的振动信号,进而将该采样后的振动信号转换成极坐标表示的齿形图,通过该齿形图来识别对应的齿轮是否存在故障,由于齿形图可以很好地呈现出齿轮是否存在故障的特征,不会出现较大的畸变,具有较高的稳定性,故而利用该齿形图可以很准确地识别出齿轮是否存在故障。
附图说明
图1为一个实施例中基于齿形图的齿轮故障识别方法的流程示意图;
图2为一个实施例中对每个振动信号片段进行重采样与抗混叠滤波处理,形成重采样后的振动信号的流程示意图;
图3为一个实施例中振动信号的示意图;
图4为一个实施例中键相信号的示意图;
图5为一个实施例中齿形图的示意图;
图6为一个实施例中传感器在设备上的位置的结构框图;
图7为另一个实施例中基于齿形图的齿轮故障识别方法的流程示意图;
图8为一个实施例中基于齿形图的齿轮故障识别装置的结构框图;
图9为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请所使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
再比如本申请所使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在一个实施例中,结合图1所示,提供了一种基于齿形图的齿轮故障识别方法,该方法包括:
步骤102,获取齿轮的待分析振动信号和键相信号。
本实施例中,齿轮可为平行齿轮或行星齿轮等任意合适类型的齿轮。该待分析振动信号和键相信号为同一个齿轮在运行过程中所测量得到的信号。电子设备可以接受其他设备所提供的用来进行齿轮故障分析的振动信号以及与该振动信号对应的键相信号,也可以从存储器中读取预先接收到的待分析振动信号和键相信号。
其中,齿轮的运行时长可为任意合适的时长,比如为10秒钟、1分钟,2分钟、10分钟等任意合适的时长。相关设备通过记录在对应时刻下的振动信息和键相信息,形成对应的振动信号和键相信号。用来进行齿轮故障分析的振动信号即为待分析振动信号,该待分析振动信号可为做了初步去噪滤波等处理后的振动信号。
对于键相信号,可预先在齿轮或与齿轮相连的转轴等部件上合适的位置处设置键相标记,通过相应的传感器可以在齿轮运行时对该标记进行检测,从而产生键相信号。
可选地,可以在与齿轮相连的转轴上的某个合适位置设置一个或多个键相标记,齿轮运行时,传感器检测到该标记转动到传感器的检测位置时,则会产生一个脉冲信号。这样,齿轮每转动一圈或几圈,则会产生一个或几个脉冲信号,进而形成齿轮在运行过程中的键相信号。
键相标记所设置的位置还可以是其他合适的位置,键相标记所设置的数量也可以是其他合适的数量。可采用脉冲传感器来测量键相信号。可以理解的,脉冲信号的产生频率与齿轮转速、轴承转速、键相标记的数量相关,当齿轮转速与轴承转速相同、键相标记设置在轴承上且只有1个时,则当齿轮转动一圈则会对应产生一个用于体现键相信号的脉冲信号。
在一个实施例中,在步骤102之前,还包括:获取齿轮的原始振动信号,对原始振动信号进行滤波处理,形成待分析振动信号。
可以采用相应的传感器来检测待进行故障识别的齿轮的原始振动信号。比如可以采用振动传感器来测量得到齿轮的原始振动信号。
针对获取的原始振动信号,可以利用滤波器对其进行滤波处理,从而降低噪声和高阶频率对齿轮的啮合频率的影响。其中,齿轮的啮合频率等于该齿轮的转动频率(单位为:转每秒或Hz)乘以它的齿数。滤波器可为高通滤波器、低通滤波器或带通滤波器等。滤波器的截止频率可根据该转动频率和啮合频率来确定。
对于待进行故障识别的齿轮,相应传感器在测量其振动信号和/或键相信号时,即可对应获取到其转动频率,再基于其齿数,可以确定其啮合频率。
具体地,利用带通滤波器对原始振动信号进行滤波处理,形成待分析振动信号。其中,带通滤波器具有低截止频率fl和高截止频率fh。其中,fl=fm-fw,fh=fm+fw。fw为上述的齿轮的转动频率,或者齿轮所连接的轴的转动频率,fm为上述的啮合频率。
采用上述的低截止频率和高截止频率的带通滤波器对原始振动信号进行滤波,使得形成的待分析振动信号中的噪声信息极大地减少,使得后续所生成的齿形图中能够体现出齿轮是否故障的信号特征更加明显。
步骤104,基于键相信号对待分析振动信号进行重采样,形成重采样后的振动信号。
本实施例中,结合上述的键相信号,按照合适的采样频率对待分析振动信号进行重采样。其中,采样频率可基于上述的啮合频率来确定,具体的,可为啮合频率的2倍以上,比如可为啮合频率的3倍、4倍等合适的频率。
具体地,重采样后的振动信号中可以降低待分析振动信号中的噪声数据,且重采样后的振动信号中呈现的齿轮的转动圈数a要少于待分析振动信号中所展现出来的齿轮的转动圈数b,可以明显地识别出齿轮转动的周期信息。
比如重采样后的振动信号中的转动圈数a可以是将待分析振动信号中体现的每个圈数或每几个圈数的部分信号之间进行叠加混合处理,从而形成对应的重采样后的振动信号。
比如重采样后的振动信号所体现出来的信息为齿轮转动一圈或几圈的振动信息。可选地,该转动圈数a可为1。
步骤106,对重采样后的振动信号进行极坐标变换,形成包含重采样后的振动信号的信息的齿形图。
本实施例中,原始振动信号、待分析振动信号、键相信号、重采样后的振动信号中的一种或几种所呈现出来的信号图均为直角坐标系下的图形。该图中的一个维度是齿轮转动对应的时间,另一个维度为相应信号所呈现出来的幅值。比如该键相信号的幅值可为电压幅值,其单位可为V。而原始振动信号、待分析振动信号、重采样后的振动信号的幅值可为加速度幅值,其单位可为m/(s^2)。时间的单位可为秒、毫秒等。
通过对重采样后的振动信号转换成极坐标,可以将该重采样后的振动信号中的时间维度转换成度数,作为极坐标中的一个维度,而保留其幅值作为极坐标的另一个维度,从而可以将重采样后的振动信号转换成了极坐标下的振动信号,并通过图形呈现出来,形成对应的齿形图。该齿形图所呈现出来的为类似于齿轮轮廓的状态图。
相比较于上述的原始振动信号、待分析振动信号、重采样后的振动信号等振动信号,本申请所形成的齿形图具有良好的故障机理解释能力,经过测试,即使在不同的设备工况下,齿形图也具有良好的鲁棒性,不会出现较大的畸变。
步骤108,基于齿形图对齿轮进行故障识别。
本实施例中,电子设备可以基于预设的故障识别模型对该齿形图进行分析,识别出该齿形图所表示的齿轮是否存在故障。其中,该故障识别模型为基于大量的齿轮的振动信号所形成的齿形图集合进行训练而生成的模型。比如该故障识别模型可为相应的深度卷积神经网络模型,其网络结构为yolov4、yolov5等模型。
本申请中的基于齿形图的齿轮故障识别方法,通过将待分析齿轮信号根据键相信号重采样成采样后的振动信号,进而将该采样后的振动信号转换成极坐标表示的齿形图,通过该齿形图来识别对应的齿轮是否存在故障,由于齿形图可以很好地呈现出齿轮是否存在故障的特征,不会出现较大的畸变,具有较高的稳定性,故而利用该齿形图可以很准确地识别出齿轮是否存在故障。
相比较于传统的根据振动信号进行齿轮故障识别技术,可以避免传统技术中由于噪声的干扰导致故障识别的准确性不高的情况,且本申请将振动信号转换成齿形图的过程中也不需要对振动信号进行复杂的去噪处理,可以降低去噪所耗费的资源,最终提高了齿轮故障识别的效率。
且相比较于利用谱峭度信号来进行故障识别,由于谱峭度信号处理方法在多源振动激励下会存在较大的失效可能性,再叠加噪声的影响,会造成设备在同一状态下出现不同的谱峭度效果,从而导致该方法在工程领域缺少应用。同时由于振动信号在不同工况下的采样频率不同,振动信号数据长度和分布也会出现改变。因此谱峭度处理后的信号图谱会出现较大的差异,而且信号图谱受图片大小缩放影响,可能会造成模型对不同尺寸但属于同一状态的图片预测出不同的结果,进一步限制了模型泛化能力。而本申请基于齿形图进行的齿轮故障识别还具有优秀的泛化能力和工程应用前景。
在一个实施例中,步骤104包括:根据键相信号对应的脉冲信号触发时刻将待分析振动信号切分成多个振动信号片段;对每个振动信号片段进行重采样与抗混叠滤波处理,形成重采样后的振动信号。
本实施例中,键相信号是以脉冲的形式体现的,其每间隔一段时间会触发一个脉冲信号。由于键相信号与振动信号是在同一个齿轮同一个时间段采集到的,故而根据该脉冲信号对应的时间可以区分出振动信号中的齿轮转动周期。电子设备可以根据脉冲信号与齿轮转动周期之间的关系,将待分析信号进行切分,使得所切分出来的每个振动信号片段对应齿轮转动一圈或几圈。
比如每两个脉冲信号之间产生的时间周期刚好对应齿轮转动一圈,则可以根据每个脉冲信号触发的时间,将待分析振动信号进行切分,形成的每个振动信号片段刚好可以体现齿轮转动一圈。举例来说,以一个脉冲信号对应齿轮转一圈为例,键相信号中的脉冲信号产生的时刻分别为0秒、0.02、0.04、0.06、0.08、0.1秒等,则可以按照该信号的产生时刻0秒、0.02、0.04、0.06、0.08、0.1秒等将待分析振动信号切分,从而切分出振动信号片段。
如图3和图4所示,键相信号的示意图可如图4所示,其每间隔约0.033秒生成一个脉冲信号,当检测脉冲信号的检测点仅有一个时,其表示对应检测位置处0.033秒旋转了一圈。当图3所示的振动波形数据为与键相信号对应的待分析振动波形的数据(或部分数据)时,则可以按照该脉冲触发时刻对其进行切分,形成每个振动信号片段的时长为0.033秒。
可以采用低通滤波器进行抗混叠滤波处理,从而降低振动信号片段中的混叠频率。采样频率可以为啮合频率的两倍以上,基于采样频率进行重采样,可以降低需要分析的数据量。
对于切分出来的多个振动信号片段,可以将其进行合成,形成一个合成的振动信号片段,由于单个振动信号片段中可能都存在一些噪声,而合成之后的振动信号片段,或者合成之后的振动信号片段经过抗混叠滤波之后的噪声干扰较少。
在一个实施例中,结合图2所示,对每个振动信号片段进行重采样与抗混叠滤波处理,形成重采样后的振动信号,包括:
步骤202,基于采样频率对每个振动信号片段进行重采样,形成重采样后的振动信号片段。
可选地,该采样频率可为上述的啮合频率的2倍以上。可选地,可为3倍、4倍等任意合适的频率。
步骤204,将每个振动信号片段进行叠加平均。
可以将各个振动信号片段进行叠加并求平均,得到叠加平均后的振动信号。具体地,可以将所有的振动信号片段进行叠加求平均,也可以多振动信号片段进行过滤,从而过滤掉明显不一致的振动信号片段,将过滤之后剩下的振动信号片段进行叠加平均。其中,可以将各个振动信号片段之间进行比较,过滤掉其中与其他振动信号的特征差异最大或者差异性超过预设阈值的振动信号。
叠加平均可为加权平均,各个振动信号的权值的总和为1,其权值可为相同的权值,或者不同的权值。
步骤206,将叠加平均后的振动信号片段进行抗混叠滤波,形成重采样后的振动信号。
针对叠加平均后的振动信号片段,可按照上述的低通滤波器进行抗混叠滤波,进一步去除其中的噪声特征,从而形成重采样后的振动信号。
本申请中,通过按照采样频率进行切片,并对切片后的振动信号进行叠加平均和抗混叠滤波,使得最终所形成的重采样后的振动信号的数据占用空间大大减少,但其中可以尽量保留下待分析振动信号中的可用于分析齿轮故障的有用信号。
在一个实施例中,结合图3~图5所示,步骤106包括:根据重采样后的振动信号的时间长度形成极坐标的角度,根据重采样后的振动信号的信号幅值形成极坐标的幅值,对重采样后的振动信号进行极坐标变换,形成齿形图。
本实施例中,可将振动信号呈现的图形转换成极坐标下的齿形图。振动信号原始的图形中,长度表示振动信号的时长,信号幅值可用振动加速度来表示。该重采样后的时长可为齿轮转动的时长。
具体地,齿形图的其中一个维度可为度数,该度数根据其时间长度来转换,其范围可为360°,比如根据键相信号所形成的重采样后的振动信号的时长为齿轮转动一圈的时长,该度数正好对应齿轮转动一圈的时长。另一个维度仍然以振动信号中的加速度不变。
比如图3和图4中,利用键相信号所形成的重采样后的振动信号的时长为0.033,则可以将该0.033,则可以将该时长转换成360°,保持加速度幅值不变,形成如图5所示的齿形图。基于该齿形图来进行齿轮故障分析,经测试,可以有效提高齿轮故障分析的效率和准确性。
在一个实施例中,原始振动信号通过位于齿轮所在转轴的轴承座上的振动传感器测量得到,键相信号通过位于齿轮所在转轴的自由端的脉冲传感器测量得到,且振动信号与键相信号取自齿轮所在的相同侧的转轴端测量得到。
本申请中,结合图6所示,转动设备的箱体610内具有齿轮620-A和齿轮620-B,齿轮620-A为需要进行故障检测的齿轮,转轴630与齿轮620-A相连,则振动传感器640和脉冲传感650可处于该转轴630附近。具体地,转轴630与齿轮620-A相连并延伸至箱体610外部,振动传感器640和脉冲传感650可处于该位于箱体610外部的转轴630附近,该两个传感器处于转轴的同一端。
在与齿轮连接的同一个转轴附近分别设置振动传感器和脉冲传感器,基于该振动传感器来测量得到原始振动信号,基于该脉冲传感器来测量得到键相信号。其中,振动传感器具体可安装在转轴的轴承座上,而脉冲传感器可安装在该转轴的转轴侧位置。振动传感器与脉冲传感器位于转轴的相同侧,使得所测量的信号是成对的,以降低偏差。
在一个实施例中,如图7所示,提供了另一种基于齿形图的齿轮故障识别方法,该方法包括:
步骤702,获取齿轮的原始振动信号。
可选地,该齿轮的原始振动信号可为通过位于齿轮所在转轴的轴承座上的振动传感器测量得到。振动传感器与脉冲传感器处于与齿轮所连接的转轴的相同侧。可选地,其位置分布可以为如图6所示的位置。
在一个实施例中,电子设备可以在齿轮的多个位置处、多个时间段分别进行原始振动信号的采集,以此进行后续的分析。基于多个位置、多时间段采集的振动信号可以提高数据的全面性。
步骤704,利用带通滤波器对原始振动信号进行滤波处理,形成待分析振动信号。
可选地,所选取的带通滤波器低截止频率为fl,fl=fm-fw,其中fm为齿轮啮合频率,fw为转轴转频,滤波器高截止频率为fh,fh=fm+fw。
步骤706,获取齿轮的待分析振动信号和键相信号。
键相信号中每隔脉冲信号的触发时刻表示对应齿轮转动了一定的圈数,该圈数可为1圈、半圈或多圈等。
步骤708,根据键相信号对应的脉冲信号触发时刻将待分析振动信号切分成多个振动信号片段。
可选的,可基于齿轮转动1圈为基准进行振动信号切分,形成多个振动信号片段。
步骤710,基于采样频率对每个振动信号片段进行重采样,形成重采样后的振动信号片段。
步骤712,将每个重采样后的振动信号片段进行叠加平均;将叠加平均后的振动信号片段进行抗混叠滤波,形成重采样后的振动信号。
可设置重采样频率f对振动信号片段进行取样,该采样频率可为啮合频率的两倍以上。将重采样后的振动信号片段进行叠加平均,最后将叠加后的信号进行抗混叠滤波得到重采样后的振动信号。
步骤714,根据重采样后的振动信号的时间长度形成极坐标的角度,根据重采样后的振动信号的信号幅值形成极坐标的幅值,对重采样后的振动信号进行极坐标变换,形成齿形图。
可选地,以齿轮转动1圈进行重采样,则将360°除以重采样信号的长度,获得一组角度序列,然后采用极坐标画图方式,以角度序列为极坐标角度,重采样后的振动信号幅值为极坐标幅值进行画图,最后获得齿形图。
在一个实施例中,电子设备可以在齿轮的多个位置处、多个时间段分别进行原始振动信号的采集,并均按照上述过程进行分析,对每个位置下,每个时间段的振动信号分别形成对应的一个齿形图,也可以将这些振动信号综合形成一个齿形图。基于多个位置、多时间段采集的振动信号,可以提高数据的全面性。
步骤716,基于齿形图对齿轮进行故障识别。
可选地,电子设备可以预先设置对应的故障识别模型和齿形图样本集和测试集,完成故障识别模型的训练。
针对待分析齿轮的每个生成的齿形图,导入到该识别模型中,最终输出齿轮的故障识别结果。
具体地,该故障识别模型可为一种改进的YOLOv4识别模型。其中,该识别模型包括特征提取、特征融合和检测头等单元构成。通过特征提取单元从所输入的齿形图中提取出图中可以体现出齿轮特征的数据,该特征提取单元采用ConvNeXt卷积网络,利用该ConvNeXt卷积网络可以提高齿形图中反映出齿轮特征的数据的提取的准确率,也可以降低浮点运算次数。对于提取出来的数据,将其导入到特征融合单元中,该特征融合单元采用特征金字塔结合像素聚合网络结构对特征进行多尺度融合。基于该特征融合单元所形成的特征融合可以提高检测头单元对齿轮故障识别预测的准确性。
本申请中,通过转换成齿形图进行分析,可以提高齿轮故障识别的效率和准确性。
在一个实施例中,如图8所示,提供了一种基于齿形图的齿轮故障识别装置,该装置包括:
信号获取模块802,用于获取齿轮的待分析振动信号和键相信号;
信号处理模块804,用于基于键相信号对待分析振动信号进行重采样,形成重采样后的振动信号;
齿形图生成模块806,用于对重采样后的振动信号进行极坐标变换,形成包含重采样后的振动信号的信息的齿形图;
故障识别模块808,用于基于齿形图对齿轮进行故障识别。
在一个实施例中,齿形图生成模块806还用于根据重采样后的振动信号的时间形成极坐标的角度,根据重采样后的振动信号的信号幅值形成极坐标的幅值,对重采样后的振动信号进行极坐标变换,形成齿形图。
在一个实施例中,信号处理模块804还用于根据键相信号对应的脉冲信号触发时刻将待分析振动信号切分成多个振动信号片段;对每个振动信号片段进行重采样与抗混叠滤波处理,形成重采样后的振动信号。
在一个实施例中,信号处理模块804还用于基于采样频率对每个振动信号片段进行重采样,形成重采样后的振动信号片段;将每个重采样后的振动信号片段进行叠加平均;将叠加平均后的振动信号片段进行抗混叠滤波,形成重采样后的振动信号。
在一个实施例中,信号获取模块802还用于获取齿轮的原始振动信号。
信号处理模块804还用于利用带通滤波器对原始振动信号进行滤波处理,形成待分析振动信号。带通滤波器的低截止频率为齿轮的啮合频率与齿轮所在转轴的转动频率的差值,带通滤波器的高截止频率为齿轮的啮合频率与齿轮所在转轴的转动频率之和。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述各方法实施例中的步骤。
在一个实施例中,还提供了一种电子设备,包括一个或多个处理器;存储器,存储器中存储有一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述各方法实施例中的步骤。
在一个实施例中,如图9所示,其示出了用于实现本申请的实施例的电子设备的结构示意图。电子设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,包括承载指令的在计算机可读介质,在这样的实施例中,该指令可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该指令被中央处理单元(CPU)901执行时,执行本申请中描述的各个方法步骤。
尽管已经描述了示例实施例,但是对于本领域技术人员来说显而易见的是,在不脱离本申请构思的精神和范围的情况下,可以进行各种改变和修改。因此,应当理解,上述示例实施例不是限制性的,而是说明性的。
Claims (9)
1.一种基于齿形图的齿轮故障识别方法,其特征在于,所述方法包括:
获取齿轮的待分析振动信号和键相信号;
基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号;
对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图,包括:根据所述重采样后的振动信号的时间形成极坐标的角度,根据所述重采样后的振动信号的信号幅值形成极坐标的幅值,对所述重采样后的振动信号进行极坐标变换,形成所述齿形图;
基于所述齿形图对所述齿轮进行故障识别。
2.根据权利要求1所述的方法,其特征在于,所述基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号,包括:
根据所述键相信号对应的脉冲信号触发时刻将所述待分析振动信号切分成多个振动信号片段;
对每个所述振动信号片段进行重采样与抗混叠滤波处理,形成所述重采样后的振动信号。
3.根据权利要求2所述的方法,其特征在于,所述对每个所述振动信号片段进行重采样与抗混叠滤波处理,形成所述重采样后的振动信号,包括:
基于采样频率对每个所述振动信号片段进行重采样,形成重采样后的振动信号片段;
将每个所述重采样后的振动信号片段进行叠加平均;
将叠加平均后的振动信号片段进行抗混叠滤波,形成所述重采样后的振动信号。
4.根据权利要求3所述的方法,其特征在于,所述采样频率为所述齿轮的啮合频率的2倍以上。
5.根据权利要求1所述的方法,其特征在于,在所述获取齿轮的待分析振动信号和键相信号之前,还包括:
获取所述齿轮的原始振动信号;
利用带通滤波器对所述原始振动信号进行滤波处理,形成所述待分析振动信号,所述带通滤波器的低截止频率为所述齿轮的啮合频率与所述齿轮所在转轴的转动频率的差值,所述带通滤波器的高截止频率为所述齿轮的啮合频率与所述齿轮所在转轴的转动频率之和。
6.根据权利要求5所述的方法,其特征在于,所述原始振动信号通过位于所述齿轮所在转轴的轴承座上的振动传感器测量得到,所述键相信号通过位于所述齿轮所在转轴的自由端的脉冲传感器测量得到,且所述振动信号与所述键相信号取自所述齿轮所在的相同侧的转轴端测量得到。
7.一种基于齿形图的齿轮故障识别装置,其特征在于,所述装置包括:
信号获取模块,用于获取齿轮的待分析振动信号和键相信号;
信号处理模块,用于基于所述键相信号对所述待分析振动信号进行重采样,形成重采样后的振动信号;
齿形图生成模块,用于对所述重采样后的振动信号进行极坐标变换,形成包含所述重采样后的振动信号的信息的齿形图,根据所述重采样后的振动信号的时间形成极坐标的角度,根据所述重采样后的振动信号的信号幅值形成极坐标的幅值,对所述重采样后的振动信号进行极坐标变换,形成所述齿形图;
故障识别模块,用于基于所述齿形图对所述齿轮进行故障识别。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被处理器执行时使所述处理器执行如权利要求1至6中任一项所述的方法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208259.4A CN116046385B (zh) | 2023-03-07 | 2023-03-07 | 基于齿形图的齿轮故障识别方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208259.4A CN116046385B (zh) | 2023-03-07 | 2023-03-07 | 基于齿形图的齿轮故障识别方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116046385A CN116046385A (zh) | 2023-05-02 |
CN116046385B true CN116046385B (zh) | 2023-06-09 |
Family
ID=86113518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310208259.4A Active CN116046385B (zh) | 2023-03-07 | 2023-03-07 | 基于齿形图的齿轮故障识别方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116046385B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
CN101187593A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法 |
CN101429877B (zh) * | 2008-11-28 | 2011-04-27 | 华北电力大学 | 汽轮发电机组联轴器角度不对中故障实时诊断方法 |
CN101430247B (zh) * | 2008-11-28 | 2011-02-09 | 华北电力大学 | 汽轮发电机组随机振动故障实时诊断方法 |
CN104006962A (zh) * | 2014-05-08 | 2014-08-27 | 昆明理工大学 | 一种齿轮故障特征提取方法及系统 |
US11401927B2 (en) * | 2020-05-28 | 2022-08-02 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
CN112304600B (zh) * | 2020-10-15 | 2024-03-01 | 国能大渡河检修安装有限公司 | 一种单一或多耦合转子系统故障测试系统及故障诊断方法 |
-
2023
- 2023-03-07 CN CN202310208259.4A patent/CN116046385B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于ADR-SDP-DCNN算法的非稳定工况下港口起重机轴承故障诊断;李胜永等;上海海事大学学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116046385A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A coarse-to-fine decomposing strategy of VMD for extraction of weak repetitive transients in fault diagnosis of rotating machines | |
Kumar et al. | Optimization of VMD using kernel-based mutual information for the extraction of weak features to detect bearing defects | |
Li et al. | Extracting repetitive transients for rotating machinery diagnosis using multiscale clustered grey infogram | |
Li et al. | Continuous-scale mathematical morphology-based optimal scale band demodulation of impulsive feature for bearing defect diagnosis | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
Sharma et al. | Gear crack detection using modified TSA and proposed fault indicators for fluctuating speed conditions | |
Li et al. | Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network | |
Qu et al. | A new acoustic emission sensor based gear fault detection approach | |
CN106769033A (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
US11927501B2 (en) | Method and device for monitoring a gear system | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
JP2005504269A (ja) | 機械類の予測保守のための振動分析 | |
CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
Wang et al. | Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN109520738A (zh) | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Buzzoni et al. | Diagnosis of localized faults in multistage gearboxes: a vibrational approach by means of automatic EMD-based algorithm | |
Hu et al. | Extraction of the largest amplitude impact transients for diagnosing rolling element defects in bearings | |
EP2672240B1 (en) | Campbell diagram displays and methods and systems for implementing same | |
CN116046385B (zh) | 基于齿形图的齿轮故障识别方法、装置、介质和设备 | |
Schmidt et al. | Combining an optimisation-based frequency band identification method with historical data for novelty detection under time-varying operating conditions | |
CN114235405A (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
US20220326115A1 (en) | Analytic system and method for testing gears |
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 |