CN117370781A - 一种rv减速器复合缺陷特征提取方法、装置 - Google Patents
一种rv减速器复合缺陷特征提取方法、装置 Download PDFInfo
- Publication number
- CN117370781A CN117370781A CN202311350650.4A CN202311350650A CN117370781A CN 117370781 A CN117370781 A CN 117370781A CN 202311350650 A CN202311350650 A CN 202311350650A CN 117370781 A CN117370781 A CN 117370781A
- Authority
- CN
- China
- Prior art keywords
- signal
- maximum
- frequency
- envelope
- length
- 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
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 45
- 239000002131 composite material Substances 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000001228 spectrum Methods 0.000 description 18
- 239000000306 component Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (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RV减速器复合缺陷特征提取方法、装置，方法包括：拾取RV减速器振动的观测信号；使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；对解卷积信号进行包络分析提取出故障特征频率。本发明能有效地用于实现RV减速器复合缺陷特征提取，不仅从实验室环境下进行了验证，同时还考虑到工程实际进行了验证，进一步证明本发明可以适用于更为复杂的工程实际，提升了算法的现实依据。
Description
技术领域
本发明涉及一种RV减速器复合缺陷特征提取方法、装置，属于RV减速器设备状态监测及故障诊断技术领域。
背景技术
工业机器人是智能制造系统中最典型的机器之一。工业机器人作为一个机械结构精密、运行自由度高的复杂机电系统，旋转矢量(rotate vector，RV)减速器作为它的核心部件在工业现场环境中出现性能衰退乃至故障在所难免。工业机器人关节RV减速器结构紧凑、振动信号与内部零件映射关系复杂，传感器拾取的信号往往是关节减速器内部多个未知振源信号经过复杂传递路径相互耦合的结果，待识别的故障源信号与其他干扰源信号掺杂共处，这种传递耦合现象和盲信号混合过程相符。同时，由于其运行环境苛刻，复合故障可能会在RV减速器中共存。
近年来许多学者相继提出多点峭度、循环含量比、归一化谐波比例、形态包络自相关函数等故障评价指标来估计循环频率集。上述指标在单一故障检测方面具有良好的性能，但用于复合故障周期脉冲检测时，受被测信号中强故障、强脉冲噪声及随机噪声的影响，其故障检测能力下降甚至失效。
发明内容
本发明提供了一种RV减速器复合缺陷特征提取方法，引入包络频率能量峰值检测这一复合故障检测指标来估计循环频率集，并进一步引入多尺度排列熵MPE自适应选取最佳滤波器长度，进而实现RV减速器复合缺陷故障特征提取。
本发明的技术方案是：
根据本发明的第一方面，提供了一种RV减速器复合缺陷特征提取方法，包括：
拾取RV减速器振动的观测信号；
使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；
设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；
依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；
对解卷积信号进行包络分析提取出故障特征频率。
所述使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计，包括：
B1、对观测信号进行Hilbert变换，获得Hilbert变换后的信号；对Hilbert变换后的信号取绝对值，获得包络信号；
B2、对包络信号进行短时傅里叶变换，获得短时傅里叶变换后的信号；基于信号短时傅里叶变换的频率能量函数，定义包络信号的频率能量函数；
B3、依据包络信号的频率能量函数，获得在频率处包络信号能量之和
B4、在中找出频率能量峰值，并相应地设置能量阈值ε，进而在/>中找到大于能量阈值的各频率成分；
B5、依据各频率成分，估计循环频率集。
所述设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度，包括：
C1、将获得的循环频率集，设定为最大二阶循环平稳盲解卷积的循环频率集；
C2、设置最大二阶循环平稳盲解卷积滤波器长度迭代范围[g1,g2]，并以第一步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定粗略的滤波器长度；
C3、以粗略的滤波器长度为中心，在小于该粗略的滤波器长度h1以及大于该粗略的滤波器长度h1的范围内以第二步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定精细的滤波器长度；将确定的精细的滤波器长度作为最大二阶循环平稳盲解卷积的最优滤波器长度。
根据本发明的第二方面，提供了一种RV减速器复合缺陷特征提取装置，包括：
拾取模块，用于拾取RV减速器振动的观测信号；
估计模块，用于使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；
确定模块，用于设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；
获得模块，用于依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；
提取模块，对解卷积信号进行包络分析提取出故障特征频率。
根据本发明的第三方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的RV减速器复合缺陷特征提取方法。
根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的RV减速器复合缺陷特征提取方法。
本发明的有益效果是：
(1)本发明考虑到在工程实际中噪声的能量值较低的，首次提出包络频率能量峰值检测，并将其应用到最大二阶循环平稳盲解卷积CYCBD中，解决了CYCBD的参数优化问题；再者，本发明所提出的包络频率能量峰值检测将包络信号转化成时频域进行分析，能削弱其他干扰信号对分离的源信号进行故障识别的影响，可在未知源数目个数的情况下，实现RV减速机复合故障的分离和提取；
(2)本发明能有效地用于实现RV减速器复合缺陷特征提取，不仅从实验室环境下进行了验证，同时还考虑到工程实际进行了验证，进一步证明本发明可以适用于更为复杂的工程实际，提升了算法的现实依据，且通过与传统的解卷积算法进行比较，本发明精确度得到了提升。
附图说明
图1为本发明中试验台图与其3D示意图；
图2为本发明实例2故障齿轮的实物图；
图3为本发明实例2中RV减速机故障模拟实验台运行时传感器拾取振动观测信号的时域；其中，上图为传感器1拾取振动观测信号的时域波形，下图为传感器2拾取振动观测信号的时域波形；
图4为本发明实例2中RV减速机故障模拟实验台运行时传感器拾取振动观测信号的包络；其中，上图为传感器1拾取振动观测信号的包络谱，下图为传感器2拾取振动观测信号的包络谱；
图5为本发明实例2观测信号包络频率能量峰值检测结果；
图6为本发明实例2行星轮最优滤波器长度优化过程，其中图6(a)为粗略搜索过程，图6(b)为粗略搜索结果；图6(c)为精细搜索过程，图6(d)为精细搜索结果；
图7为本发明实例2太阳轮最优滤波器长度优化过程，其中图7(a)为粗略搜索过程，图7(b)为粗略搜索结果；图7(c)为精细搜索过程，图7(d)为精细搜索结果；
图8为本发明实例2观测信号经基于优化最大二阶循环平稳盲解卷积分离提取的故障信号的时域波形；
图9为本发明实例2观测信号经基于优化最大二阶循环平稳盲解卷积分离提取的故障信号的包络谱，上图为太阳故障信号的包络谱，下图为行星故障信号的包络谱；
图10为本发明实例3中RV减速机模拟信号的时域波形以及包络谱；其中，图10(a)上图为模拟传感器1拾取振动信号的时域波形，图10(a)下图为模拟传感器2拾取振动信号的时域波形；图10(b)模拟传感器1拾取振动信号的包络谱，图10(b)下图为模拟传感器2拾取振动信号的包络谱；
图11为本发明实例3模拟观测信号包络频率能量峰值检测结果；
图12为本发明实例3行星轮最优滤波器长度优化过程，其中图12(a)为粗略搜索过程，图12(b)为粗略搜索结果；图12(c)为精细搜索过程，图12(d)为精细搜索结果；
图13为本发明实例3太阳轮最优滤波器长度优化过程，其中图13(a)为粗略搜索过程，图13(b)为粗略搜索结果；图13(c)为精细搜索过程，图13(d)为精细搜索结果；
图14为本发明实例3观测信号经基于优化最大二阶循环平稳盲解卷积分离提取的故障信号的时域波形；
图15为本发明实例3观测信号经基于优化最大二阶循环平稳盲解卷积分离提取的故障信号的包络谱，上图为太阳故障信号的包络谱，下图为行星故障信号的包络谱；
图16为本发明实例2使用改进最大相关峭度解卷积分析结果；
图17为本发明流程图；
图1中各标号为：1-关节臂、2-加速度传感器、3-加速度传感器、4-减速器保持架、5-RV减速器、6-电机、7-试验台基座。
具体实施方式
下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图17所示，根据本发明实施例的第一方面，提供了一种RV减速器复合缺陷特征提取方法，包括：拾取RV减速器振动的观测信号；使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；对解卷积信号进行包络分析提取出故障特征频率。
进一步地，给出一种RV减速器复合缺陷特征提取方法的具体步骤如下：
A、把加速度传感器安装在RV减速器设备的壳体表面，通过加速度传感器拾取的RV减速器振动观测信号为x(τ)＝xY×τ，其中，Y为加速度传感器个数，τ为采样时刻；
B、使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计，包括：
B1、对观测信号进行Hilbert变换如下所示，获得Hilbert变换后的信号u(τ)：
u(τ)＝x(τ)+jHilbert[x(τ)]；
对Hilbert变换后的信号取绝对值，获得包络信号则包络信号/>可以由下式表示：
B2、对包络信号进行短时傅里叶变换，获得短时傅里叶变换后的信号U(t,ω)，可以由下式表示：
式中：m(τ-t)为窗函数。
基于信号短时傅里叶变换的频率能量函数，将包络信号的频率能量函数定义为：
式中：ω表示频率。
B3、在频率ωi处包络信号能量之和可以由下式表达：
式中：Re(U(t,ωi))与Im(U(t,ωi))分别为短时傅里叶变换后的信号U(t,ωi)的实部和虚部；ωi∈ω，n表示频率的个数。
B4、在中找出频率能量峰值，并相应地设置能量阈值ε，进而在/>中找到大于能量阈值的各频率成分fk；
B5、依据各频率成分fk，估计循环频率集。
C、设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度：
C1、将步骤B获得的循环频率集，设定为最大二阶循环平稳盲解卷积CYCBD的循环频率集；
C2、设置最大二阶循环平稳盲解卷积滤波器长度迭代范围[g1,g2]，并以第一步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定粗略的滤波器长度；满足g1的取值小于故障冲击信号衰减周期，g1、g2取正整数，第一步长取正整数；比如，在本发明的实施例中，滤波器长度迭代范围设置为[100,1500]，第一步长取值为100，如果迭代结束，获得最小的第一尺度排列熵值，是当滤波器长度迭代至200时获得的，则粗略的滤波器长度取200。
C3、以粗略的滤波器长度为中心，在小于该粗略的滤波器长度h1以及大于该粗略的滤波器长度h1的范围内以第二步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定精细的滤波器长度；将确定的精细的滤波器长度作为最大二阶循环平稳盲解卷积的最优滤波器长度；在本发明的实施例中，设置在小于该长度50以及大于该长度50的范围内以10为步长进行迭代，计算每一次迭代的MPE值；
需要说明的是，多尺度排列熵MPE计算MPE的过程如下：
对时间序列xi进行粗粒化处理，得到新序列
式中：[L/a]为对L/a取整数；a为正整数尺度因子。当a＝1时，粗粒化序列为原始序列；当a＝2,3,...时，原始系列变为长度为[L/a]的粗粒化序列；L为信号长度；
分别计算尺度1～a的粗粒化序列排列熵值，构成原始序列a尺度MPE。
D、使用CYCBD对观测信号x(τ)进行分析得到解卷积信号s具体步骤如下：
D1、在解卷积算法模型中，一般通过观测信号x(τ)来估计目标输出信号s，此类算法的基本原理可以用下式表示：
s＝x*h≈s0；
式中：s为估计源信号；h为逆滤波器；*为卷积运算。上式的矩阵形式为：
式中：L和N分别表示信号s的长度和逆滤波器f的长度。二阶循环平稳的一般表达式如下：
式中：j为虚数符号，上标H表示矩阵的共轭转置，sl是s信号在l时刻的取值，为循环频率，其中M为样本指标，TS为样本周期。E＝[e1,e2…ek]，上标T表示矩阵的转置。
D2、由步骤D1可以推到出下式：
信号中周期成分如下式所示：
D3、由步骤D1、步骤D2可以得到ICS2的表达式为：
D4、加权矩阵W如下式所示：
CYCBD以ICS2最大化为目标，即：其中RXWX、RXX分别为加权相关矩阵和相关矩阵。求解最优滤波器f则转换为求解RXWXf＝RXXfλ的最大特征值λ对应的特征向量。CYCBD算法目的在于求解最佳逆滤波器，而获得加权矩阵W是其核心步骤。在计算W时，需要提供滤波器长度和循环频率这两个参数，其设置准确与否对最终求得的逆滤波器会产生较大影响。
D5、根据步骤B中估计的循环频率集以及步骤C中确定的最优滤波器长度设置CYCBD中的两个参数。对观测信号x(τ)进行分析得到解卷积信号s。
E、对解卷积信号s进行包络分析，查看包络谱图上是否存在轴承理论计算出的故障特征频率及其倍频：
如果存在，那么就确定包络谱图上的频率对应于实际RV减速器部件故障类型的频率，即确定故障类型，最终实现故障诊断。
如果不存在，则认为不存在故障。
根据本发明实施例的第二方面，提供了一种RV减速器复合缺陷特征提取装置，包括：拾取模块，用于拾取RV减速器振动的观测信号；估计模块，用于使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；确定模块，用于设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；获得模块，用于依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；提取模块，对解卷积信号进行包络分析提取出故障特征频率。
根据本发明实施例的第三方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的RV减速器复合缺陷特征提取方法。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的RV减速器复合缺陷特征提取方法。
需要说明的是，最大二阶循环平稳盲解卷积CYCBD能够有效地从振动信号中提取出故障冲击成分，但CYCBD算法中需预先根据先验知识设定循环频率集，且有效滤波器的长度也必须根据经验选择合适，才有可能取得较好的诊断效果，条件比较苛刻，这使得CYCBD算法缺乏自适应性而难以应用推广。而应用本发明的技术方案可知，本发明提出包络频率能量峰值检测，同时根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度，并将其应用到CYCBD中，解决了CYCBD的参数优化问题。
实施例2：本实施例实验信号来自于模拟机器人单关节臂往复运动的RV减速器试验台，试验台包括关节臂1、加速度传感器2，3、减速器保持架4、RV减速器5、电机6以及试验台基座7；其中，试验台基座7上安装减速器保持架4，通过减速器保持架4装RV减速器5，电机6的输出轴通过RV减速器5连接关节臂1。图1为试验台图与其3D示意图，图2为故障齿轮的实物图，其中2(a)为太阳轮磨损图，2(b)为行星轮磨损图。
本实施例使用的RV减速机型号是RV40E，相关参数为：减速比121、行星齿轮数目2，太阳轮齿数Z1＝12，行星轮齿数Z2＝42，摆线轮齿数Z3＝39以及针轮齿数Z4＝40。采集系统以NI-USB9234采集卡与单向加速度传感器构成，采样频率为25.6kHz。实验预设：摆臂运动范围为0°～90°(单次抬升或下降90°)，运行速度为100°/s。
采用本发明方法的诊断步骤如下：
(1)RV减速器的各个特征频率计算公式如表1。参考行星齿轮箱的行星轮系故障频率计算公式，行星轮故障频率fp为行星轮相对于行星架的旋转频率，计算公式为fp＝f2-f3；太阳轮故障频率fs为太阳轮相对于行星架的旋转频率，公式为fs＝f1+f3。由于摆臂转速＝n＝100°/s＝0.27Hz，即支撑盘转频f3＝0.27Hz。随后根据表1与太阳轮故障计算公式计算可得，太阳轮故障理论频率fs为38.34Hz，行星轮故障理论频率fp为10.83Hz。
表1RV减速器各零件的工作频率
表1中字母定义如下：伺服电机输出电流频率f，伺服电机磁极对数P，伺服电机转速n1(即RV减速器太阳轮转速)，一级传动啮合频率f1c(即太阳轮与行星轮啮合频率)。
获取加速度传感器拾取的轴承振动的观测信号xY×τ，其中Y是传感器个数为2，τ＝N/fs为采样时刻，N表示信号长度，fs表示采样频率，xY×τ的时域波形图如图3所示，直接进行包络分析，其对应的包络谱如图4所示，从包络谱中清楚发现太阳轮、行星轮故障特征频率成分完全混在一起，无法识别其故障。
(2)对观测信号xY×τ进行Hilbert变换得到的包络信号进行包络频率能量峰值检测，具体而言：在/>中找出频率能量峰值，并相应地设置能量阈值ε，进而在/>中找到大于能量阈值的各频率成分fk；观测信号xY×τ包络频率能量峰值检测结果如图5所示。从图5可以获得fp及倍频、fs及倍频，依据fp及倍频估计出行星轮循环频率集α1＝[fp,2fp…10fp]，依据fs及倍频太阳轮循环频率集α2＝[fs,2fs…10fs]；在本发明的实施例中，估计出的频率集中频率的个数设置为10个，ε设置为0.01。
(3)使用MPE对滤波器长度进行迭代计算以得到最优滤波器长度，具体而言：将步骤(2)获得的循环频率集，设定为最大二阶循环平稳盲解卷积CYCBD的循环频率集；设置滤波器长度迭代范围[100,1500]并以100为步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定粗略的滤波器长度；以粗略的滤波器长度为中心，在小于该长度50以及大于该长度50的范围内以10为步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定精细的滤波器长度，作为CYCBD的最佳滤波器长度。行星轮最优滤波器长度优化过程如图6所示，太阳轮最优滤波器长度优化过程如图7所示。图6可知，α1＝[fp,2fp…10fp]时，最佳滤波器长度应设置为610。由图7可知，α2＝[fs,2fs…10fs]时，最佳滤波器长度应设置为1290。
(4)使用CYCBD对观测信号x(τ)进行分析得到解卷积信号s，具体而言：在所有循环中，选择满足收敛条件的滤波信号作为最优滤波信号，从而完成解卷积，解卷积信号s时域波形如图8所示。
(6)对解卷积信号s进行包络分析结果如图9所示，从图9上图可知，包络谱中存在清晰的与太阳轮轮故障频率理论值近似的基频(fs)及其倍频(2fs～12fs)，不含其他故障成分，太阳轮故障信号被成功提取出来。从图9下图可知，包络谱中存在清晰的与行星轮故障频率理论值近似的基频(fp)及其倍频(2fp～12fp)，不含其他故障成分，行星轮故障信号被成功提取出来。综合以上特征可以确定该RV减速器同时存在行星轮和太阳轮故障，即进一步表明，本发明可以有效地用于RV减速器复合缺陷特征提取，并实现故障诊断。
图16为使用改进最大相关峭度解卷积分析实施例2实验信号的结果。从图16可知，包络谱中仅存在清晰的与行星轮故障频率理论值近似的基频(fp)以及其倍频，不存在与太阳轮轮故障频率理论值近似的基频(fs)。因此，通过改进最大相关峭度解卷积仅能判断出行星轮存在故障而不能判断太阳轮出现故障，导致错误的故障诊断。
实施例3：由于工业环境中的噪声远远高于实验室环境下的噪声，为了验证本发明所提方法在噪声环境下的有效性。在实施例2的试验信号中添加-6db的高斯白噪声从而模拟工业现场所采集到的信号。
采用本发明方法步骤如下：
1.获取模拟信号xY×τ，其中Y是传感器个数为2，τ＝N/fs为采样时刻，其时域波形如图10(a)所示，直接进行包络分析，包络谱如图10(b)所示。由图10(a)不难发现时域波形中的冲击特征被强烈的背景噪声所淹没。从图10(b)中虽然能看出行星轮故障频率fp以及太阳轮故障频率fs，但存在很多频率成分的干扰无法准确估计循环频率集；
2.对模拟信号xY×τ进行包络频率能量峰值检测，结果如图11所示。从图11可以估计出行星轮循环频率集α3＝[fp,2fp…10fp]，太阳轮循环频率集α4＝[fs,2fs…10fs]；
3.使用MPE对滤波器长度进行迭代计算以得到最优滤波器长度，其优化过程如图12、图13所示。根据图12(d)、13(d)可知α3＝[fp,2fp…10fp]时最佳滤波器长度应设置为1090，α4＝[fs,2fs…10fs]最佳滤波器长度应设置为1250；
4.使用CYCBD对模拟信号xY×τ进行分析得到解卷积信号s，解卷积信号如图14所示；
5.对解卷积信号s进行包络分析，其包络谱如图15所示。从图15下图可知，包络谱中存在清晰的与行星轮故障频率理论值近似的基频(fp)及其倍频(2fp～6fp)，不含其他故障成分，行星轮故障信号被成功提取出来。从图15上图可知，包络谱中存在清晰的与太阳轮轮故障频率理论值近似的基频(fs)及其倍频(2fs～10fs)，不含其他故障成分，太阳轮故障信号被成功提取出来。
上述技术方案，不仅从实验室环境下进行了验证，同时还考虑到工程实际进行了验证，进一步证明本发明可以适用于更为复杂的工程实际，提升了算法的现实依据。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种RV减速器复合缺陷特征提取方法，其特征在于，包括：
拾取RV减速器振动的观测信号；
使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；
设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；
依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；
对解卷积信号进行包络分析提取出故障特征频率。
2.根据权利要求1所述的RV减速器复合缺陷特征提取方法，其特征在于，所述使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计，包括：
B1、对观测信号进行Hilbert变换，获得Hilbert变换后的信号；对Hilbert变换后的信号取绝对值，获得包络信号；
B2、对包络信号进行短时傅里叶变换，获得短时傅里叶变换后的信号；基于信号短时傅里叶变换的频率能量函数，定义包络信号的频率能量函数；
B3、依据包络信号的频率能量函数，获得在频率处包络信号能量之和
B4、在中找出频率能量峰值，并相应地设置能量阈值ε，进而在/>中找到大于能量阈值的各频率成分；
B5、依据各频率成分，估计循环频率集。
3.根据权利要求1所述的RV减速器复合缺陷特征提取方法，其特征在于，所述设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度，包括：
C1、将获得的循环频率集，设定为最大二阶循环平稳盲解卷积的循环频率集；
C2、设置最大二阶循环平稳盲解卷积滤波器长度迭代范围[g1,g2]，并以第一步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定粗略的滤波器长度；
C3、以粗略的滤波器长度为中心，在小于该粗略的滤波器长度h1以及大于该粗略的滤波器长度h1的范围内以第二步长进行迭代，计算每一次迭代的MPE值；提取MPE值中第一个尺度的排列熵值；以最小第一尺度排列熵值，确定精细的滤波器长度；将确定的精细的滤波器长度作为最大二阶循环平稳盲解卷积的最优滤波器长度。
4.一种RV减速器复合缺陷特征提取装置，其特征在于，包括：
拾取模块，用于拾取RV减速器振动的观测信号；
估计模块，用于使用包络频率能量峰值检测对振动传感器拾取的观测信号进行分析以进行循环频率集的估计；
确定模块，用于设定最大二阶循环平稳盲解卷积滤波器长度优化范围，根据多尺度排列熵确定最大二阶循环平稳盲解卷积的最优滤波器长度；
获得模块，用于依据估计的循环频率集、最优滤波器长度，采用最大二阶循环平稳盲解卷积对观测信号分析得到解卷积信号；
提取模块，对解卷积信号进行包络分析提取出故障特征频率。
5.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-3中任意一项所述的RV减速器复合缺陷特征提取方法。
6.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-3中任意一项所述的RV减速器复合缺陷特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311350650.4A CN117370781A (zh) | 2023-10-18 | 2023-10-18 | 一种rv减速器复合缺陷特征提取方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311350650.4A CN117370781A (zh) | 2023-10-18 | 2023-10-18 | 一种rv减速器复合缺陷特征提取方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117370781A true CN117370781A (zh) | 2024-01-09 |
Family
ID=89401823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311350650.4A Pending CN117370781A (zh) | 2023-10-18 | 2023-10-18 | 一种rv减速器复合缺陷特征提取方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370781A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906946A (zh) * | 2024-03-20 | 2024-04-19 | 江苏金恒信息科技股份有限公司 | 一种基于多尺度寻峰的齿轮故障报警方法 |
| CN117906946B (zh) * | 2024-03-20 | 2024-05-31 | 江苏金恒信息科技股份有限公司 | 一种基于多尺度寻峰的齿轮故障报警方法 |
-
2023
- 2023-10-18 CN CN202311350650.4A patent/CN117370781A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906946A (zh) * | 2024-03-20 | 2024-04-19 | 江苏金恒信息科技股份有限公司 | 一种基于多尺度寻峰的齿轮故障报警方法 |
| CN117906946B (zh) * | 2024-03-20 | 2024-05-31 | 江苏金恒信息科技股份有限公司 | 一种基于多尺度寻峰的齿轮故障报警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning | |
| CN111623982B (zh) | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 | |
| CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
| CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
| Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
| CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
| CN105241666A (zh) | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 | |
| Wang et al. | A time–frequency-based maximum correlated kurtosis deconvolution approach for detecting bearing faults under variable speed conditions | |
| CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
| CN110487547B (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
| CN114216676A (zh) | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 | |
| CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
| CN113405795B (zh) | 一种关节rv减速器弱故障识别的方法 | |
| CN110398364B (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
| CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| CN110940522A (zh) | 强背景噪声下轴承故障周期性脉冲稀疏分离与诊断方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN112362343A (zh) | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 | |
| CN113702042A (zh) | 基于一种增强最小熵解卷积的机械故障诊断方法及系统 | |
| CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
| CN114707537A (zh) | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 | |
| CN112539933A (zh) | 一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法 | |
| CN117370781A (zh) | 一种rv减速器复合缺陷特征提取方法、装置 | |
| Cui et al. | Research on fault diagnosis of rolling bearing based on the MCKD-SSD-TEO with optimal parameters |
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 |