TWI509536B

TWI509536B - Diagnostic Method of Gearbox Assembly Error

Info

Publication number: TWI509536B
Application number: TW103100254A
Authority: TW
Inventors: Shinn Liang Chang; Pei Yu Wang
Original assignee: Univ Nat Formosa
Priority date: 2014-01-03
Filing date: 2014-01-03
Publication date: 2015-11-21
Also published as: TW201528161A

Description

齒輪箱組裝誤差之診斷方法

本發明係有關一種齒輪箱組裝誤差之診斷方法，尤指一種兼具自動化判別較為準確、可判別故障原因及故障程度，與可應用於出廠前品管及出廠後之維修之齒輪箱組裝誤差之診斷方法。

在傳動系統中有各式的零件，例如：軸、軸承、齒輪、、、等，多年來，業界與學者投入大量人力與金錢，從事各種狀況的診斷，甚至期盼能於產品出廠前先行檢測出可能的製造狀況或組裝狀況。

特別是齒輪箱，其內部之組裝至少包括兩個軸及齒輪囓合之部份，而產生齒輪故障的原因主要可以分為製造、裝配誤差和運轉時造成的齒輪損傷。例如齒輪齒面裂縫、磨損、偏心與不對中等因素(此為舉例，實際損傷種類可能更多)。而在頻譜中找出重要特徵參數對應故障類型為公知技術，參閱第九A、第九B、第九C及第九D圖(橫軸均代表頻率、縱軸均代表振幅)，分別為正常齒輪特徵、齒輪磨損故障特徵、齒輪偏心故障特徵與齒輪不對中故障特徵之頻譜圖，其中可清楚看出轉頻(RF)、嚙合頻(GMF)及自然頻率(GNF)在故障診斷當中為最關鍵的特徵參數。

關於第九A圖：1 RF：齒輪對1倍轉頻；1 GMF：齒輪對1倍囓合頻；2 GMF：齒輪對2倍囓合頻；3 GMF：齒輪對3倍囓合頻。

關於第九B圖：1 RF：齒輪對1倍轉頻；GNF：自然頻率；1 GMF：齒輪對1倍囓合頻；2 GMF：齒輪對2倍囓合頻；3 GMF：齒輪對3倍囓合頻。

關於第九C圖：1 RF：齒輪對1倍轉頻；GNF：自然頻率；1 GMF：齒輪對1倍囓合頻；2 GMF：齒輪對2倍囓合頻；3 GMF：齒輪對3倍囓合頻。

關於第九D圖：1 RF：齒輪對1倍轉頻；2 RF：齒輪對2倍轉頻；1 GMF：齒輪對1倍囓合頻；2 GMF：齒輪對2倍囓合頻；3 GMF：齒輪對3倍囓合頻。

若在出廠前之測試或是使用中之齒輪箱產生之運轉聲音有明顯異常，有經驗的師傅可以經驗研判可能有組裝誤差。

然而，目前的齒輪箱損壞診斷方法卻有列問題：

[1]僅能憑個人之經驗來研判。由於是以個人之經驗聽運轉時之聲音來研判齒輪箱內之組裝狀況，不僅不科學也無標準可言。而目前固然已可由頻譜中找出故障特徵參數，但仍無配合類神經系統建立資料庫，而可統合、利用故障特徵參數，以進行科學化檢測的方法。

[2]較難判斷損壞原因及損壞程度。若運轉聲音有明顯異常，也無法確定是哪個部份異常(例如齒輪磨損或是軸承損毀)，以齒輪箱而言，即無法判斷是第一軸誤差、第二軸誤差、夾角誤差或是兩軸偏置誤差，或是同時有兩項以上之誤差。另外，更無法得知其誤差程度。

因此，各界一直希望能開發出一種不需拆開齒輪箱即可診斷其內部組裝狀況之技術。

有鑑於此，必需研發出可解決上述習用缺點之技術。

本發明之目的，在於提供一種齒輪箱組裝誤差之診斷方法，其兼具自動化判別較為準確、可判別故障原因及故障程度，與可應用於出廠前品管及出廠後之維修等優點。特別是，本發明所欲解決之問題係在於目前僅能憑個人之經驗來研判齒輪箱之問題、較難判斷損壞原因及損壞程度齒輪箱組裝誤差之診斷方法問題。

解決上述問題之技術手段係提供一種齒輪箱組裝誤差之診斷方法，其包括：複數個齒輪箱，依序連結一加速規，而以該加速規取得對應該每一齒輪箱之一振動訊號；利用類神經網路技術，將不同故障狀態及其相對應之複數個振動訊號，在時域及頻域之特徵進行學習，再建立成一類神經網路資料庫；將一待檢測齒輪箱取代該齒輪箱而進行偵測，利用該加速規讀入該振動訊號，將該振動訊號在時域及頻域之特徵，透過學習後之類神經網路資料庫進行比對，以得知其故障狀態。

本發明之上述目的與優點，不難從下述所選用實施例之詳細說明與附圖中，獲得深入瞭解。

茲以下列實施例並配合圖式詳細說明本發明於後：

11‧‧‧準備步驟

12‧‧‧安裝步驟

13‧‧‧學習步驟

14‧‧‧實際量測步驟

15‧‧‧類神經網路判斷步驟

20‧‧‧齒輪箱

20A‧‧‧待測齒輪箱

21‧‧‧第一虛擬軸線

22‧‧‧第二虛擬軸線

23‧‧‧第一傳動軸

24‧‧‧第二傳動軸

25‧‧‧第一齒輪

26‧‧‧第二齒輪

30‧‧‧加速規

40‧‧‧驅動裝置

50‧‧‧類神經網路學習裝置

51‧‧‧類神經網路資料庫

90‧‧‧振動訊號

90A‧‧‧待測振動訊號

S1、S2、S3‧‧‧步驟

θ ‧‧‧理想夾角

△X ‧‧‧第一軸誤差

△Y ‧‧‧第二軸誤差

△θ ‧‧‧夾角誤差

△H ‧‧‧兩軸偏置誤差

第一圖係本發明之主要流程圖

第二圖係本發明之診斷方法之流程圖

第三圖係本發明之示意圖

第四圖係第三圖之外觀之示意圖

第五圖係第四圖之部分結構之放大之示意圖

第六圖係第五圖之裝設角度之誤差之示意圖

第七圖係第六圖之兩軸偏置誤差之示意圖

第八圖係本發明之振動訊號之波形圖

第九A、第九B、第九C及第九D圖係分別為正常齒輪特徵、齒輪磨損故障特徵、齒輪偏心故障特徵與齒輪不對中故障特徵之頻譜圖

參閱第一、第三及第四圖，本發明係為一種齒輪箱組裝誤差之診斷方法，其包括：步驟S1：複數個齒輪箱20，依序連結一加速規30，而以該加速規30取得對應該每一齒輪箱20之一振動訊號90；步驟S2：利用類神經網路技術，將不同故障狀態及其相對應之複數個振動訊號90，在時域及頻域之特徵進行學習，再建立成一類神經網路資料庫51；步驟S3：將一待檢測齒輪箱20A取代該齒輪箱20而進行偵測，利用該加速規30讀入該振動訊號90，將該振動訊號90在時域及頻域之特徵，透過學習後之類神經網路資料庫51進行比對，以得知其故障狀態。

參閱第二圖，更詳細的講，本發明係經下列步驟達成前述之診斷方法：一．準備步驟11：參閱第三、第四、第五及第六圖，預先準備複數個齒輪箱20、至少一待測齒輪箱20A、一加速規30、一驅動裝置40及一類神經網路學習裝置50；該每一齒輪箱20係具有一第一虛擬軸線21、一第二虛擬軸線22、一第一傳動軸23、一第二傳動軸24、一第一齒輪25及一第二齒輪26；該第一、該第二虛擬軸線21與22概呈相交且其間具有一理想夾角θ ；且該第一、該第二虛擬軸線21與22分別代表該第一、該第二傳動軸23與24之理想裝配位置，該第一傳動軸23與該第一虛擬軸線21之間之誤差被定義為第一軸誤差△X ；該第二傳動軸24與該第二虛擬軸線22之間之誤差被定義為第二軸誤差△Y ；該第一、該第二傳動軸23與24間之夾角與該理想夾角θ 之間的誤差，被定義為一夾角誤差△θ ；該第一傳動軸23與該第二傳動軸24之間隙被定義為兩軸偏置誤差△H (參閱第七圖，係以虛擬之兩軸線段示意)；該每一齒輪箱20皆具有不同之第一軸誤差△X 、第二軸誤差△Y 、夾角誤差△θ 與兩軸偏置誤差△H ；二．安裝步驟12：將該第一齒輪25固定於該第一傳動軸23，而受其傳動，並將該第二齒輪26固定於該第二傳動軸24；該第一、該第二齒輪25與26概呈相互囓合；該驅動裝置40用以驅動該第一傳動軸23，進而帶動該第一、該第二齒輪25與26，再經該第二傳動軸24輸出動力；將該加速規30連結於該其中之一齒輪箱20，用以取得該齒輪箱20輸出動力時之一振動訊號90；三．學習步驟13：依序變換該複數個齒輪箱20，而取得傳動時所產生之振動訊號90，傳送至該類神經網路學習裝置50，用以進行類神經網路之學習與訓練，而可取得不同振動訊號90對應特定之第一軸誤差△X 、第二軸誤差△Y 、夾角誤差△θ 與兩軸偏置誤差△H 之間的關係；並建立一驗證後之類神經網路資料庫51；四．實際量測步驟14：以該待測齒輪箱20A替換該齒輪箱20，啟動該驅動裝置40，透過該加速規30量取一待測振動訊號90A，並傳送至該類神經網路學習裝置50；五．類神經網路判斷步驟15：該類神經網路學習裝置50透過該類神經網路資料庫51，比對該待測振動訊號90A，而得知與其相對應之第一軸誤差△X 、第二軸誤差△Y 、夾角誤差△θ 與兩軸偏置誤差△H 之資訊，藉此判斷該待測齒輪箱20A之組裝誤差情況。

實務上，該振動訊號90(與該待測振動訊號90A)係具有：一第一特徵，係為該振動訊號90(與該待測振動訊號90A)之時域之最大振幅值；一第二特徵，係為該振動訊號90(與該待測振動訊號90A)之時域之均方根值；一第三特徵，係為該振動訊號90(與該待測振動訊號90A)之時域之峰度值；一第四特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之齒輪對1倍囓合頻；一第五特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之齒輪對2倍囓合頻；一第六特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之齒輪對3倍囓合頻；一第七特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之1~100Hz平均能量；一第八特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之101~200Hz平均能量；一第九特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之201~300Hz平均能量；一第十特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之301~400Hz平均能量；一第十一特徵，係為該振動訊號90(與該待測振動訊號90A)之頻域之401~500Hz平均能量。

該振動訊號90(與該待測振動訊號90A)之頻譜分析係選自由快速傅立葉(FFT)、功率譜(Power Spectrum)、經驗模態分解法(Empirical Mode Decomposition，簡稱EMD)及小波分析(Wavelet)所組成之群之至少一項。

該振動訊號90(與該待測振動訊號90A)之頻譜分析係由快速傅立葉、功率譜、經驗模態分解法及小波分析四項進行訊號處理。

該驅動裝置40可為馬達。

有關本案之學習步驟為：首先，關於該齒輪箱20之其X軸(亦即第一軸誤差△X )部份：先控制為正常安裝狀態，其中：第一軸誤差△X =0；夾角誤差△θ =0；兩軸偏置誤差△H =0。

啟動該驅動裝置40，以該加速規30量測對應該齒輪箱20之振動訊號90(如第八圖所示之波形圖)，並傳送至該類神經網路學習裝置50，而利用快速傅立葉、功率譜、經驗模態分解法及小波分析所組成之群之至少一項取得其十一個特徵值。

再調整X軸(第一軸誤差△X )為+0.1mm、+0.2mm、-0.1mm、-0.2mm等不同之狀態，並分別量其對應之振動訊號90(同樣產生如第八圖所示之波形圖，但波形變化不同)，並取得分別對應之十一個特徵值。

以該類神經網路學習裝置50進行學習與訓練，直到獲得驗證後之該類神經網路資料庫51，取得不同之振動訊號90對應特定之該第一軸誤差△X 之間的關係。

同理，關於Y軸(第二軸誤差△Y )部份；重覆前述步驟(但均改成Y軸)，以取得不同之振動訊號90對應特定之該第二軸誤差△Y 之間的關係。

同樣的，針對夾角誤差△θ 部份，重覆前述步驟(但均改成夾角)，以取得不同之振動訊號90對應特定之該夾角誤差△θ 之間的關係。

最後，再針對兩軸偏置誤差△H 部份；重覆前述步驟(但均改成兩軸偏置誤差△H )，以取得不同之振動訊號90對應特定之該兩軸偏置誤差△H 之間的關係。

同樣都進行類神經網路之學習與訓練，直到獲得驗證後該類神經網路資料庫51，取得不同之振動訊號90對應特定之第一軸誤差△X 、第二軸誤差△Y 、夾角誤差△θ 與兩軸偏置誤差△H 之間的關係。

關於本案之實驗驗證一(X軸安裝偏差判斷)：表一為X軸安裝偏差對照表，表二為其特徵參數樣本，表三為倒傳遞網路(Back-propagation Network，簡稱BPN)，X軸安裝偏差判斷結果，表四為機率神經網路(Probabilistic Neural Network，簡稱PNN)，X軸安裝偏差判斷結果：

關於本案之實驗驗證二(Y軸安裝偏差判斷)：表五為Y軸安裝偏差對照表，表六為其特徵參數樣本，表七為倒傳遞網路(Back-propagation Network，簡稱BPN)，Y軸安裝偏差判斷結果，表八為機率神經網路(Probabilistic Neural Network，簡稱PNN)，Y軸安裝偏差判斷結果：

前述即為本發明關於X軸及Y軸之診斷實例過程。

同理，亦可進行夾角誤差△θ 與兩軸偏置誤差△H 之診斷。

本發明之優點及功效係如下所述：

[1]自動化判別較為準確。本發明係擷取齒輪箱輸出動力時之振動訊號，進而利用快速傅立葉、功率譜、經驗模態分解法及小波分析所組成之群之至少一項取得其十一個特徵值，以進行比對判別。完全有別於傳統個人經驗(較為主觀、較無標準)聽運轉時之聲音來研判齒輪箱內之組裝狀況。故，自動化判別較為準確。

[2]可判別故障原因及故障程度。本發明預先進行類神經網路之學習與訓練，而得到類神經網路資料庫，其以齒輪箱從正常運轉、可能輕微受損與嚴重損壞(只舉三例，實際上可依需求增減)產生之振動訊號，與待測振動訊號進行比對，較可明確判別齒輪箱之檢測結果，例如是正常運轉、可能輕微受損，或是嚴重損壞，若是輕微受損，則可能再繼續使用，以減少維修費用。故，可判別故障原因及故障程度。

[3]可應用於出廠前品管及出廠後之維修。本發明可應用於出廠前之品管(即使零件沒問題，組裝位置、角度若有誤差，仍造成齒輪箱在出廠時即無法達到正常輸出動力)。亦可應用於出廠後之故障維修。故，可應用於出廠前品管及出廠後之維修。

以上僅是藉由較佳實施例詳細說明本發明，對於該實施例所做的任何簡單修改與變化，皆不脫離本發明之精神與範圍。

S1、S2、S3‧‧‧步驟

Claims

一種齒輪箱組裝誤差之診斷方法，其包括：複數個齒輪箱，依序連結一加速規，而以該加速規取得對應該每一齒輪箱之一振動訊號；利用類神經網路技術，將不同故障狀態及其相對應之複數個振動訊號，在時域及頻域之特徵進行學習，再建立成一類神經網路資料庫；將一待檢測齒輪箱取代該齒輪箱而進行偵測，利用該加速規讀入該振動訊號，將該振動訊號在時域及頻域之特徵，透過學習後之類神經網路資料庫進行比對，以得知其故障狀態。
如申請專利範圍第1項所述之齒輪箱組裝誤差之診斷方法，其中，該每一齒輪箱與該待檢測齒輪箱皆包括：一第一虛擬軸線、一第二虛擬軸線、一第一傳動軸、一第二傳動軸、一第一齒輪及一第二齒輪；該第一、該第二虛擬軸線分別代表該第一、該第二傳動軸之理想裝配位置，該第一齒輪係固定於該第一傳動軸，該第二齒輪係固定於該第二傳動軸；該第一、該第二齒輪概呈相互囓合，該第一傳動軸與該第一虛擬軸線之間之誤差被定義為第一軸誤差；該第二傳動軸與該第二虛擬軸線之間之誤差被定義為第二軸誤差；該不同故障狀態係包括該第一軸誤差及該第二軸誤差。
如申請專利範圍第2項所述之齒輪箱組裝誤差之診斷方法，其中：該第一、該第二虛擬軸線概呈相交且其間具有一理想夾角；該第一、該第二傳動軸間之夾角與該理想夾角之間的誤差，被定義為一夾角誤差；該第一傳動軸與該第二傳動軸之間隙被定義為兩軸偏置誤差；該不同故障狀態係又包括該夾角誤差及該兩軸偏置誤差。
一種齒輪箱組裝誤差之診斷方法，係包括：一．準備步驟：預先準備複數個齒輪箱、至少一待測齒輪箱、一加速規、一驅動裝置及一類神經網路學習裝置；該每一齒輪箱係具有一第一虛擬軸線、一第二虛擬軸線、一第一傳動軸、一第二傳動軸、一第一齒輪及一第二齒輪；該第一、該第二虛擬軸線概呈相交且其間具有一理想夾角；且該第一、該第二虛擬軸線分別代表該第一、該第二傳動軸之理想裝配位置，該第一傳動軸與該第一虛擬軸線之間之誤差被定義為第一軸誤差；該第二傳動軸與該第二虛擬軸線之間之誤差被定義為第二軸誤差；該第一、該第二傳動軸間之夾角與該理想夾角之間的誤差，被定義為一夾角誤差；該第一傳動軸與該第二傳動軸之間隙被定義為兩軸偏置誤差；該每一齒輪箱皆具有不同之第一軸誤差、第二軸誤差、夾角誤差與兩軸偏置誤差；二．安裝步驟：將該第一齒輪固定於該第一傳動軸，而受其傳動，並將該第二齒輪固定於該第二傳動軸；該第一、該第二齒輪概呈相互囓合；該驅動裝置用以驅動該第一傳動軸，進而帶動該第一、該第二齒輪，再經該第二傳動軸輸出動力；將該加速規連結於該其中之一齒輪箱，用以取得該齒輪箱輸出動力時之一振動訊號；三．學習步驟：依序變換該複數個齒輪箱，而取得傳動時所產生之振動訊號，傳送至該類神經網路學習裝置，用以進行類神經網路之學習與訓練，而可取得不同振動訊號對應特定之第一軸誤差、第二軸誤差、夾角誤差與兩軸偏置誤差之間的關係；並建立一驗證後之類神經網路資料庫；四．實際量測步驟：以該待測齒輪箱替換該齒輪箱，啟動該驅動裝置，透過該加速規量取一待測振動訊號，並傳送至該類神經網路學習裝置；五．類神經網路判斷步驟：該類神經網路學習裝置透過該類神經網路資料庫，比對該待測振動訊號，而得知與其相對應之第一軸誤差、第二軸誤差、夾角誤差與兩軸偏置誤差之資訊，藉此判斷該待測齒輪箱之組裝誤差情況。
如申請專利範圍第4項所述之齒輪箱組裝誤差之診斷方法，其中，該振動訊號係具有：一第一特徵，係為該振動訊號之時域之最大振幅值；一第二特徵，係為該振動訊號之時域之均方根值；一第三特徵，係為該振動訊號之時域之峰度值；一第四特徵，係為該振動訊號之頻域之齒輪對1倍囓合頻；一第五特徵，係為該振動訊號之頻域之齒輪對2倍囓合頻；一第六特徵，係為該振動訊號之頻域之齒輪對3倍囓合頻；一第七特徵，係為該振動訊號之頻域之1~100Hz平均能量；一第八特徵，係為該振動訊號之頻域之101~200Hz平均能量；一第九特徵，係為該振動訊號之頻域之201~300Hz平均能量；一第十特徵，係為該振動訊號之頻域之301~400Hz平均能量；一第十一特徵，係為該振動訊號之頻域之401~500Hz平均能量。
如申請專利範圍第4項所述之齒輪箱組裝誤差之診斷方法，其中，該振動訊號之頻譜分析係選自由快速傅立葉、功率譜、經驗模態分解法及小波分析所組成之群之至少一項。
如申請專利範圍第4項所述之齒輪箱組裝誤差之診斷方法，其中，該振動訊號之頻譜分析係由快速傅立葉、功率譜、經驗模態分解法及小波分析四項進行訊號處理。
如申請專利範圍第4項所述之齒輪箱組裝誤差之診斷方法，其中，該待測振動訊號之頻譜分析係選自由快速傅立葉、功率譜、經驗模態分解法及小波分析所組成之群之至少一項。
如申請專利範圍第4項所述之齒輪箱組裝誤差之診斷方法，其中，該待測振動訊號之頻譜分析係由快速傅立葉、功率譜、經驗模態分解法及小波分析四項進行訊號處理。