CN102937522A - 一种齿轮箱复合故障诊断方法及*** - Google Patents
一种齿轮箱复合故障诊断方法及*** Download PDFInfo
- Publication number
- CN102937522A CN102937522A CN2012103153118A CN201210315311A CN102937522A CN 102937522 A CN102937522 A CN 102937522A CN 2012103153118 A CN2012103153118 A CN 2012103153118A CN 201210315311 A CN201210315311 A CN 201210315311A CN 102937522 A CN102937522 A CN 102937522A
- Authority
- CN
- China
- Prior art keywords
- bank
- gear case
- filters
- gear
- combined failure
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title abstract description 17
- 239000002131 composite material Substances 0.000 title abstract 7
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000013519 translation Methods 0.000 claims abstract description 22
- 230000002596 correlated effect Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract description 2
- 230000009977 dual effect Effects 0.000 abstract 3
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 208000037656 Respiratory Sounds Diseases 0.000 description 7
- 206010049119 Emotional distress Diseases 0.000 description 6
- 230000009429 distress Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种齿轮箱复合故障诊断方法及***,首先,对测量并存储齿轮箱振动信号;其次,采用1/4采样平移双树复小波变换分解;最后,在分解得到的多个子带信号中采用能量算子解调方法提取多个故障特征,进而进行识别出复合故障模式。本发明融合利用双树复小波和能量算子解调的互补特性,获得的齿轮箱复合故障特征提取识别能力高;借助于双树复小波变换的并行实现和能量算子解调算法的快速性,完全可以应用于工作状态下齿轮箱部分巡检和在线监控,避免突发性事故发生;可适于不同型号的齿轮箱部分。
Description
技术领域
本发明涉及齿轮箱故障检测领域,具体涉及一种齿轮箱复合故障诊断方法及***。
背景技术
齿轮箱由于其传动比固定,传动力矩大,结构紧凑,成为常用的变速传动部件,在各种机械设备中得到了广泛的应用。由于齿轮常在高速、重载和强冲击等恶劣环境条件下运行,极易发生磨损、疲劳、断齿和裂纹等多种故障,并进一步诱发其它故障,从而导致巨大经济损失。因此,对齿轮箱的运行状态进行监测并及时识别出其发生的故障,具有重要的工程意义。
在齿轮运行中由于齿轮的制造与安装误差、剥落、裂纹等故障会直接成为振动的激励源,这些激励源都以齿轮轴的回转为周期,齿轮振动信号中含有该轴的回转频率及其倍频。因此障齿轮的振动信号往往表现为回转频率对啮合频率的调制,在谱图上形成以啮合频率为中心,等间隔分布的边频带。实际上参与调制的信号还包括啮合频率的倍频,由于调频和调幅的共同作用,最后形成的频谱表现为以啮合频率及其各次谐波为中心的一系列非对称边频带群。齿轮箱故障诊断的核心是对采集的振动信号的分析处理,然而当前齿轮箱故障诊断方法主要是针对单一的故障模式,如齿轮断齿、点蚀、齿根裂纹以及等齿轮的制造与安装误差。针对单一齿轮故障的诊断方法有频域分析、倒频谱分析和窄带解调分析等。在齿轮的频域诊断中是通过边频带反映的故障源信息,即不同的齿轮故障对应的边频带特征不同来诊断。例如齿轮的剥落、齿根裂纹或部分断齿等局部故障引起的边频带较宽且平坦,即边频带阶数多且幅值大小均匀;齿轮点蚀等分布故障引起的边频带,其边频阶数少且集中在啮合频率及其倍频的两侧;齿轮不平衡、不对中、机械松动等故障引起的调制边频带不对称。然而,由于边频成分往往具有不稳定性,在实际工作环境下,尤其是当几种故障并存时,边频的变化将呈现出综合效果,其变化规律很难用上述某一种典型情况描述,因此传统频域边频带分析很难识别出齿轮箱的多个故障。传统倒频谱方法在齿轮故障诊断中另一种常用方法,倒频谱受传输途径的影响很小,能将原来谱图中成族的边频带简化为单根谱线,可以识别出复杂频谱图中的周期结构,分离和提取出信号的周期成分,但是当齿轮振动信号信噪比较低时,倒频谱分析往往显得无能为力。此外,齿轮多故障存在时,利用倒频谱图中的单根谱线无法准确判断齿轮故障类型和故障原因。窄带解调技术被广泛应用于齿轮故障诊断,它以某一阶齿轮啮合频率为中心频率,通过选取适当的带宽,对振动信号进行带通滤波后解调分析,获取齿轮故障特征信息。如果中心频率和带宽选取不当时,可能会导致对齿轮运行状态的错误判断。本发明专利提出一种新型的针对齿轮箱复合故障特征提取的诊断方法。
发明内容
本发明所要解决的技术问题是提供一种齿轮箱复合故障诊断方法及***,其通过简单的振动信号测量,采用双树复小波变换高效、可靠地分解得到多个子带复信号,进而采用能量算子解调方法解调每一个子带信号,提取齿轮相关特征并识别诊断。
为解决上述问题,本发明是通过以下方案实现的:
本发明一种齿轮箱复合故障诊断方法,包括如下步骤:
(1)采用加速度振动传感器拾取齿轮箱振动信号,该加速度传感器安装在待测齿轮箱输入轴端盖上;
(2)对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号;即
首先、构造1/4采样平移双树复小波变换所用双树滤波器组,该双树滤波器组的第一层分解使用的滤波器组与原始双树复小波分解第一层的滤波器组相同,而后续的高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期;
其次、利用构造好的双树滤波器组,采用两个并列的离散小波变换对拾取的齿轮箱振动信号进行并行分解,得到齿轮箱振动的多个子带分解信号;上述多个子带分解信号包含有一个低频子带分解信号和一系列高频子带分解信号;其中每个子带分解信号的实部和虚部分别由第一个离散小波变换和第二个离散小波变换构成;
(3)逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征并进行识别诊断。
上述步骤(2)中所述双树滤波器组的第一层分解使用的滤波器组为双正交滤波器。
上述步骤(2)中所述双树滤波器组的高层分解使用的滤波器组为线性相位Q平移滤波器。
上述步骤(2)中所述所述双树滤波器组的分解层数介于3~5层之间。
上述步骤(3)中所述能量算子解调的方法为:
式中,xi(t)表示待处理的一子带分解信号,ψ表示能量算子。
上述步骤(3)中采用人工和计算机相结合的方式对提取出的齿轮复合故障相关特征并进行识别诊断,即
将提取出的齿轮复合故障相关特征与预先存储在计算机的特征数据库中的已知齿轮复合故障特征进行比较;当提取出的齿轮复合故障相关特征与已知齿轮复合故障特征相同时,计算机自动识别出该待测齿轮箱的具体故障模式;当提取出的齿轮复合故障相关特征与已知齿轮复合故障特征不相同时,计算机将该无法判别的齿轮复合故障相关特征进行存储,存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断齿轮箱的具体故障模式。
上述步骤(3)中,对于该无法判别的齿轮复合故障相关特征,在采用人工排查方式确定了齿轮箱的具体故障模式之后,需要将该齿轮复合故障相关特征以及对应的齿轮箱的具体故障模式扩展存储至计算机的特征数据库中。
本发明一种齿轮箱复合故障诊断***,其主要由加速度振动传感器、1/4采样平移双树复小波变换模块、能量算子解调处理模块、模式识别模块和特征数据库构成;
加速度振动传感器,安装在待测齿轮箱输入轴端盖上,用于拾取齿轮箱振动信号;
1/4采样平移双树复小波变换模块,包括2个并列的双树滤波器组,用于对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号;
上述每个双树滤波器组包括第一层分解滤波器组和后续高层分解滤波器组,该第一层分解滤波器组与原始双树复小波分解第一层的滤波器组相同,而后续的高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期;
能量算子解调处理模块;逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征;
模式识别模块,将能量算子解调处理模块提取出的齿轮复合故障相关特征与特征数据库中已知齿轮复合故障特征进行比较,识别出待测齿轮箱的具体故障模式。
上述双树滤波器组的第一层分解使用的滤波器组为双正交滤波器。
上述双树滤波器组的高层分解使用的滤波器组为线性相位Q平移滤波器。
上述双树滤波器组的分解层数介于3~5层之间。
与现有技术相比,本发明具有如下特点:
1、克服齿轮箱复合故障诊断难题,利用双树复小波变换的近似平移不变性和解析性等特点,将不同故障分解到振动信号的不同子带信号中,然后通过能量算子的快速解调方法准确识别出损伤齿轮箱内部多个故障特征成分,通过人为或者计算机来判断故障模式;
2、融合利用双树复小波和能量算子解调的互补特性;双树复小波变换具有近似解析和平移不变特性,这些均非常有利于复合故障特征提取,获得的齿轮箱复合故障特征提取识别能力高;
3、运算速度快,借助于双树复小波变换的并行实现和能量算子解调算法的快速性,该方法完全可以应用于工作状态下齿轮箱部分巡检和在线监控,避免突发性事故发生;
4、可适于不同型号的齿轮箱部分,可在风力发电机组等齿轮箱广泛采用的设备中广泛推广使用。
附图说明
图1为一种齿轮箱复合故障的诊断方法流程图;
图2为一种双树复小波变换的分解与重构示意图;
图3为齿轮箱振动信号时域波形;
图4为齿轮箱振动信号功率谱;
图5为齿轮箱振动信号倒频谱;
图6为齿轮箱振动信号双树复小波分解的第一层细节信号;
图7(a)和(b)分别为齿轮箱振动信号双树复小波变换分解的第二层逼近信号及其能量算子解调谱;
图8为检修后齿轮箱振动信号;
图9为齿轮箱振动信号双树复小波变换的第一层细节信号;
图10为齿轮箱振动信号双树复小波分解的第二层逼近信号。
具体实施方式
下面以风力发电机齿轮箱的故障为例,对本发明进行详细说明:
参见图1,一种齿轮箱复合故障诊断方法,包括如下步骤:
(1)采用加速度振动传感器拾取齿轮箱振动信号,该加速度传感器安装在待测齿轮箱输入轴端盖上。
在本实施例中,测量风力发电机组输出轴转速为495r/min(转频为8.25Hz),齿轮箱的小齿轮齿数为20,大齿轮齿数为151,传动比为0.132,小齿轮转频为8.25Hz。风机齿轮箱啮合频率为165Hz。风机运行过程中,齿轮箱振动剧烈,采用加速度振动传感器拾取齿轮箱振动信号,加速度传感器安装在齿轮箱输入轴端盖上。为测量齿轮箱某一个轴的转速需要在相应轴上安装转速计或者轴编码器。鉴于风机齿轮箱转速不高,采样频率设置为2000Hz,图3为齿轮箱振动信号时域波形。简单从振动信号时域波形观测,可以看出比较杂乱,得不到有用的诊断信息。
信号功率谱分析是从谱图中查找有无明显的调制等故障信息,功率谱分析主要是通过识别变频带信息,不同的齿轮故障对应的不同的边频带特征。齿轮故障模式大体可分为两类:一类是局部故障,例如齿轮的剥落、齿根裂纹或部分断齿等;另一类是分布式故障,如齿轮磨损、齿轮不平衡、齿轮不对中、机械松动等。局部故障引起的边频带较宽且平坦,边频带阶数多且幅值大小均匀。齿轮磨损等分布式故障引起的边频带,其边频阶数少且集中在啮合频率及其倍频的两侧;齿轮不平衡、不对中、机械松动等分布式故障引起的调制边频带不对称。图4为齿轮箱振动信号的功率谱,谱图中出现齿轮啮合频率及其高次谐波,并且在啮合频率及其高次谐波两侧存在8.25Hz的边频带成分,该频率与小齿轮转频相等,表明齿轮箱剧烈振动的原因与小齿轮有关。尽管齿轮箱振动信号的频谱分析提供了一些有用的齿轮箱故障诊断信息,但频谱分析对非平稳信号的分析能力有限,不能很好地揭示齿轮裂纹、局部疲劳剥落等局部故障引起的非平稳信号特征。
倒频谱是齿轮故障诊断的一个传统技术,该技术对于齿轮单一故障模式还是比较有效,但对于复合故障诊断有局限性。图5为齿轮箱振动信号的倒频谱,倒频谱中0.121s处出现明显的峰值,而0.121s与小齿轮转频8.25Hz相对应,倒谱分析也表明齿轮箱振动与小齿轮有关。但传统的功率谱边频带分析与倒频谱分析都无法准确判断是由于小齿轮分布故障还是由于小齿轮局部故障引起的齿轮箱剧烈振动。
2、对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号。
2.1、构造1/4采样平移双树复小波变换所用双树滤波器组,其中第一层分解使用的滤波器组与原始双树复小波分解第一层构造相同,而后续高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期。
2.2、利用构造好的双树滤波器组,采用两个并列的离散小波变换对拾取的齿轮箱振动信号进行并行分解,得到齿轮箱振动的多个子带分解信号,多个子带分解信号包含一个低频子带分解信号和一系列高频子带分解信号;其中每个子带分解信号的实部和虚部分别由第一个离散小波变换和第二个离散小波变换构成。
离散小波变换(DWT)由于提供了某一信号的一种有效的基的表示形式,且运算效率较高,因而得到了广泛的应用。但是DWT存在诸如频带混叠效应、Gipps效应以及平移变化性等缺点。双树复小波变换(Dual-tree ComplexWavelet Transform,DTCWT)是近年来发展起来的一种具有诸多优良特性的新型小波变换方法,具有近似平移不变性、方向选择性(针对二维图像处理)与近似解析性等优点。所谓解析性是指双树小波滤波器频谱几乎没有负频率成分。DTCWT的平移不变性非常有利于冲击特征的提取,而近似解析的特性可以有效消除频带混叠效应,因此非常有利于复合故障提取。
1/4平移双树复小波算法描述如下:
双树复小波所用两组滤波器的系数g0(n)和h0(n)要满足下式
g0(n)=h0(N-1-n)①
式中,N是偶数,表示具有h0(n)系数的那组滤波器的长度。由上式可知此种情况下,两组滤波器的幅值条件是精确满足的,而两组滤波器的相位之间存在如下关系
∠G0(ejω)=-∠H0(ejω)-(N-1)ω②
DTCWT实现非常简单,由于它采用两个平行且使用不同的低通与高通滤波器的DWT,其分解与重构如图2所示;因此,DTCWT可以比较用并行程序来实现,将会大大提高其分析效率。在其分解过程中两个实小波变换采用两组不同的滤波器,每一组都分别满足完美重构条件,两组滤波器的联合设计保证整个变换是近似解析的。
设ψh(t)与ψg(t)分别表示DTCWT所采用的两个实值小波,相应地φh(t)与φg(t)为其尺度函数。
这样得到的小波系数长度随着分解的深入会逐渐减半,若要得到与原始信号等长的分解结果,可以采用下两式表示的小波系数单支重构算法
其中,m与n表示滤波器的长度,取值范围取决于实际所用双树小波滤波器。在本实施例中,第一层分解时m=13,n=19;在后续各层分解中,m=n=14。对于分解的层数J的选择,同其他类型的小波变换类似,普遍采用的就是分解3~5层。如果分解层数为4层,则所谓的后续高层分解层数相应为第2层至第4层分解。
在本实施例中,所述除第一层分解的双树滤波器组均是选用上述方法构造的14阶线性相位Q平移滤波器的后续高层分解层数。当然,除第一层分解的双树滤波器组也可以选择16等其他阶次的线性相位Q平移滤波器作为后续高层分解之用。由于采用的不同的滤波器均具有双树复小波分解的优点,因此对分析结果的影响甚微。
上述构造的双树滤波器适用于除了第一层分解的DTCWT变换,也即第一层分解使用的滤波器组是不满足半采样延迟的条件。实际上第一层分解所用的滤波器可选用余地很大,比如可以选择正交滤波器和其他阶次的双正交滤波。在本实施例中,DTCWT第一层分解均采用(13,19)阶近似对称的双正交滤波器,具体低通与高通滤波器系数分别为h0=[-0.001758,0,0.02227,-0.04688,-0.04824,0.2969,0.5555,0.2969,-0.04824,-0.04687,0.02227,0,-0.001758],g0=[-0.00007063,0,0.001342,-0.001883,-0.007157,0.02386,0.05564,-0.05169,-0.2998,0.5594,-0.2998,-0.5169,0.05564,0.02386,-0.007157,-0.001883,0.001342,0,-0.00007063]。
3、逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征并进行识别诊断。
齿轮故障诊断过程时,对于齿轮的断齿、齿面点蚀、齿根裂纹等故障,其特征是在分解的某个子带分解信号中存在时间间隔为故障齿轮所在轴转频的冲击(即没旋转一周,在损伤齿轮处会激发一个冲击),而像齿轮磨损、安装不对中等故障,特征不是非常明显,通常的做法是需要人为查看其某个子带分解信号的解调频谱中的故障齿轮所在轴转频的2倍频是否比基频幅值要大(因为正常齿轮啮合时,基频的幅值要高于二倍频)。齿轮有些故障模式,计算机自动判断实现起来是比较困难。由于任何一个(或多个)子带分解信号都有可能用来判断故障,因此需要对所有子带分解信号进行分析,然后判断哪一个子带信号里面有故障特征信息存在。对于复合故障特征常存在于不同的子带信号成分中,更是需要对每一个子带信号做分析和提取特征。在本实施例中,为了准确诊断齿轮箱故障,采用双树复小波变换对齿轮箱振动信号进行3层精细分析。
能量算子解调是一种调制信号解调方法,该方法原理简单、易实现,非常适合于在线的故障诊断。但是对于多成分信号,该方法很难提取出某一特征成分。因此,能量算子解调过程是在双树复小波分解之后。在充分利用双树复小波的优良的分频带特性基础上,进行后续的解调分析。在本实施例中分别对分解得到的所有子带分解信号进行能量算子解调处理,以提取出齿轮复合故障相关特征;上述能量算子用ψ表示,对一子带分解信号xi(t)进行具体解调方法为
对解调信号进行谱分析,即可提取出相关特征,比如冲击特征频率(判断与那根旋转轴转频对应)以及谐波幅值大小(判断有无磨损)等。
任何一个子带分解信号都有可能用来判断故障,因此我们所能做的就是对所有子带分解信号进行分析,然后判断哪一个子带信号里面有故障特征信息存在。对于复合故障特征常存在于不同的子带信号成分中,更是需要对每一个子带信号做分析。在提取出齿轮复合故障相关特征之后,可以通过人为或者计算机来判断齿轮箱的具体故障模式。
由于齿轮箱故障的复杂性,因此本发明采用人为和计算机相配合的方法来判断齿轮箱的具体故障模式。即首先,将提取出的齿轮复合故障相关特征与预先存储在计算机的特征数据库中的已知齿轮复合故障特征进行比较,由此确定待测齿轮箱的具体故障模式。上述特征数据库存储的已知齿轮复合故障特征是在前期经过长期的实验所获得的,每个齿轮复合故障特征对应一种齿轮箱故障。这样在齿轮箱的后期在线监测过程中,能够将经过处理后的在线齿轮箱振动信号上述这些故障进行比较。若提取出的齿轮复合故障相关特征与计算机的数据特征数据库中的某一已知齿轮复合故障特征相同时,即可判断出该待测齿轮箱所出现的故障类型;而若提取的齿轮复合故障相关特征与计算机的数据特征数据库中的所有已知齿轮复合故障特征均不相同时,则将该无法判别的齿轮复合故障相关特征进行存储,存储下的无法自动判别的齿轮箱的具体故障模式首先需要采用人工排查方式才能逐步出判断齿轮箱的具体故障模式。其次,对于该无法判别的齿轮复合故障相关特征,在采用人工排查方式确定了齿轮箱的具体故障模式之后,需要将该齿轮复合故障相关特征以及对应的齿轮箱的具体故障模式扩展存储至计算机的特征数据库中,以扩充计算机自动识别的齿轮复合故障的模式及类型。
在本实施例中,对双树复小波分解结果进行分析,检测有无周期性冲击特征;并采用能量算子进行解调,在解调谱图上检测齿轮故障特征。图6为双树复小波变换分解第一层细节信号,从图中可以看出,细节信号将隐藏在振动信号中的周期性冲击信号清晰地揭示出来。冲击信号出现的周期为0.121秒,出现频率为8.25Hz,冲击信号的出现频率与小齿轮的转频一致。由此表明,齿轮箱小齿轮存在局部疲劳剥落、裂纹等局部故障。图7(a)和(b)为双树复小波变换分解第二层逼近信号及其能量算子解调谱图。逼近信号中可以明显地看出信号中存在幅值调制现象,对逼近信号进行能量算子解调分析,在解调谱图上可以看出其调制频率为8.25Hz,并出现了调制频率的高次谐波,齿轮箱故障调制源频率与小齿轮转频8.25Hz相等,幅值调制现象是由于小齿轮存在装配不当等分布式故障导致的。由此推断,齿轮箱小齿轮同时存在复合故障即:局部疲劳剥落故障和分布装配不当故障。
停机检修发现小齿轮齿根存在局部疲劳剥落以及齿轮装配不当,重新装配齿轮箱,开机后振动明显降低,图8为检修后齿轮箱振动信号。对检修后的振动信号利用双树复小波变换分析,图9为齿轮箱振动信号双树复小波变换的第一层细节信号,细节信号中表征小齿轮存在局部故障特征的周期脉冲仍然存在,图10为齿轮箱振动信号双树复小波分解的第二层逼近信号,逼近信号中调制现象消失。因此,与传统频谱分析和倒频谱分析相比,联合双树复小波变换和能量算子解调方法能同时识别齿轮箱中由疲劳剥落等引起的局部故障以及由装配不当等引起的分布式故障。
根据上述方法所设计的一种齿轮箱复合故障诊断***,其主要由加速度振动传感器、1/4采样平移双树复小波变换模块、能量算子解调处理模块、模式识别模块和特征数据库构成。
加速度振动传感器,安装在待测齿轮箱输入轴端盖上,用于拾取齿轮箱振动信号。
1/4采样平移双树复小波变换模块,包括2个并列的双树滤波器组,用于对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号。上述每个双树滤波器组包括第一层分解滤波器组和后续高层分解滤波器组,该第一层分解滤波器组与原始双树复小波分解第一层的滤波器组相同,而后续的高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期。在本发明中,所述所述双树滤波器组的分解层数介于3~5层之间。其中所述双树滤波器组的第一层分解使用的滤波器组为双正交滤波器。所述双树滤波器组的高层分解使用的滤波器组为线性相位Q平移滤波器。
能量算子解调处理模块;逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征。
模式识别模块,将能量算子解调处理模块提取出的齿轮复合故障相关特征与特征数据库中已知齿轮复合故障特征进行比较,识别出待测齿轮箱的具体故障模式。
上述实施例,仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例,本发明并非限定于此,如本发明和可以应用在风力发电机以外的其他领域的齿轮箱复合故障检测中。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (11)
1.一种齿轮箱复合故障诊断方法,其特征是包括如下步骤:
(1)采用加速度振动传感器拾取齿轮箱振动信号,该加速度传感器安装在待测齿轮箱输入轴端盖上;
(2)对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号;即
首先、构造1/4采样平移双树复小波变换所用双树滤波器组,该双树滤波器组的第一层分解使用的滤波器组与原始双树复小波分解第一层的滤波器组相同,而后续的高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期;
其次、利用构造好的双树滤波器组,采用两个并列的离散小波变换对拾取的齿轮箱振动信号进行并行分解,得到齿轮箱振动的多个子带分解信号;上述多个子带分解信号包含有一个低频子带分解信号和一系列高频子带分解信号;其中每个子带分解信号的实部和虚部分别由第一个离散小波变换和第二个离散小波变换构成;
(3)逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征并进行识别诊断。
2.根据权利要求1所述的一种齿轮箱复合故障诊断方法,其特征是:步骤(2)中所述双树滤波器组的第一层分解使用的滤波器组为双正交滤波器。
3.根据权利要求1所述的一种齿轮箱复合故障诊断方法,其特征是:步骤(2)中所述双树滤波器组的高层分解使用的滤波器组为线性相位Q平移滤波器。
4.根据权利要求1~3中任意一项所述的一种齿轮箱复合故障诊断方法,其特征是:步骤(2)中所述所述双树滤波器组的分解层数介于3~5层之间。
6.根据权利要求1所述的一种齿轮箱复合故障诊断方法,其特征是: 步骤(3)中采用人工和计算机相结合的方式对提取出的齿轮复合故障相关特征并进行识别诊断,即
将提取出的齿轮复合故障相关特征与预先存储在计算机的特征数据库中的已知齿轮复合故障特征进行比较;当提取出的齿轮复合故障相关特征与已知齿轮复合故障特征相同时,计算机自动识别出该待测齿轮箱的具体故障模式;当提取出的齿轮复合故障相关特征与已知齿轮复合故障特征不相同时,计算机将该无法判别的齿轮复合故障相关特征进行存储,存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断齿轮箱的具体故障模式。
7.根据权利要求6所述的一种齿轮箱复合故障诊断方法,其特征是:步骤(3)中,对于该无法判别的齿轮复合故障相关特征,在采用人工排查方式确定了齿轮箱的具体故障模式之后,需要将该齿轮复合故障相关特征以及对应的齿轮箱的具体故障模式扩展存储至计算机的特征数据库中。
8.一种齿轮箱复合故障诊断***,其特征是:其主要由加速度振动传感器、1/4采样平移双树复小波变换模块、能量算子解调处理模块、模式识别模块和特征数据库构成;
加速度振动传感器,安装在待测齿轮箱输入轴端盖上,用于拾取齿轮箱振动信号;
1/4采样平移双树复小波变换模块,包括2个并列的双树滤波器组,用于对采集的风电机组齿轮箱振动信号进行1/4采样平移双树复小波变换,得到信号的多个子带分解信号;
上述每个双树滤波器组包括第一层分解滤波器组和后续高层分解滤波器组,该第一层分解滤波器组与原始双树复小波分解第一层的滤波器组相同,而后续的高层分解所用滤波器组均采用延迟1/4采样构造,即后一层滤波器组在前一层滤波器组的基础上延迟1/4个采样周期;
能量算子解调处理模块;逐一对分解得到的多个子带分解信号进行能量算子解调处理,提取出齿轮复合故障相关特征;
模式识别模块,将能量算子解调处理模块提取出的齿轮复合故障相关特征与特征数据库中已知齿轮复合故障特征进行比较,识别出待测齿轮箱的具体故障模式。
9.根据权利要求8所述的一种齿轮箱复合故障诊断***,其特征是:所述双树滤波器组的第一层分解使用的滤波器组为双正交滤波器。
10.根据权利要求8所述的一种齿轮箱复合故障诊断***,其特征是:所述双树滤波器组的高层分解使用的滤波器组为线性相位Q平移滤波器。
11.根据权利要求8~10中任意一项所述的一种齿轮箱复合故障诊断***,其特征是:所述双树滤波器组的分解层数介于3~5层之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210315311.8A CN102937522B (zh) | 2012-08-30 | 2012-08-30 | 一种齿轮箱复合故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210315311.8A CN102937522B (zh) | 2012-08-30 | 2012-08-30 | 一种齿轮箱复合故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102937522A true CN102937522A (zh) | 2013-02-20 |
CN102937522B CN102937522B (zh) | 2015-01-21 |
Family
ID=47696433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210315311.8A Expired - Fee Related CN102937522B (zh) | 2012-08-30 | 2012-08-30 | 一种齿轮箱复合故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102937522B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN103499437A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 可调品质因子双树复小波变换的旋转机械故障检测方法 |
CN104458250A (zh) * | 2014-12-02 | 2015-03-25 | 上海电机学院 | 智能化齿轮箱故障诊断方法 |
CN106092879A (zh) * | 2016-06-07 | 2016-11-09 | 西安向阳航天材料股份有限公司 | 基于振动响应信息的***复合管结合状态检测方法 |
CN106092564A (zh) * | 2016-06-06 | 2016-11-09 | 电子科技大学 | 基于esmd和能量算子解调的齿轮故障诊断方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN106404159A (zh) * | 2016-06-14 | 2017-02-15 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107525671A (zh) * | 2017-07-28 | 2017-12-29 | 中国科学院电工研究所 | 一种风电传动链复合故障特征分离与辨识方法 |
CN107907324A (zh) * | 2017-10-17 | 2018-04-13 | 北京信息科技大学 | 一种基于dtcwt及阶次谱的齿轮箱故障诊断方法 |
CN109106345A (zh) * | 2018-06-27 | 2019-01-01 | 北京中欧美经济技术发展中心 | 脉搏信号特征检测方法和装置 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
CN102570979A (zh) * | 2011-12-20 | 2012-07-11 | 重庆大学 | 一种迭代Teager能量算子解调方法与*** |
-
2012
- 2012-08-30 CN CN201210315311.8A patent/CN102937522B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
CN102570979A (zh) * | 2011-12-20 | 2012-07-11 | 重庆大学 | 一种迭代Teager能量算子解调方法与*** |
Non-Patent Citations (8)
Title |
---|
KINGSBURY N G: "A dual-tree complex wavelet transform with improved orthogonality and symmetry properties", 《INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
SELESNICK I W 等: "《The dual-tree complex wavelet transform》", 《IEEE SIGNAL PROCESSING MAGAZINE》 * |
张德祥等: "《基于经验模式分解和Teager能量谱的齿轮箱故障诊断》", 《振动与冲击》 * |
王衍学: "《机械故障监测诊断的若干新方法及其应用研究》", 《中国博士学位论文全文数据库 工程科技II辑》 * |
田昊等: "《基于盲源分离的齿轮箱复合故障诊断研究》", 《兵工学报》 * |
艾树峰: "《基于双树复小波变换的轴承故障诊断研究》", 《中国机械工程》 * |
苏文胜等: "《双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用》", 《振动与冲击》 * |
高立新等: "《基于CBR和RBR混合推理的齿轮箱智能诊断技术》", 《北京工业大学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN103353396B (zh) * | 2013-06-24 | 2015-11-25 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN103499437A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 可调品质因子双树复小波变换的旋转机械故障检测方法 |
CN103499437B (zh) * | 2013-09-11 | 2016-02-24 | 西安交通大学 | 可调品质因子双树复小波变换的旋转机械故障检测方法 |
CN104458250A (zh) * | 2014-12-02 | 2015-03-25 | 上海电机学院 | 智能化齿轮箱故障诊断方法 |
CN106092564A (zh) * | 2016-06-06 | 2016-11-09 | 电子科技大学 | 基于esmd和能量算子解调的齿轮故障诊断方法 |
CN106092879A (zh) * | 2016-06-07 | 2016-11-09 | 西安向阳航天材料股份有限公司 | 基于振动响应信息的***复合管结合状态检测方法 |
CN106092879B (zh) * | 2016-06-07 | 2019-07-12 | 西安向阳航天材料股份有限公司 | 基于振动响应信息的***复合管结合状态检测方法 |
CN106404159B (zh) * | 2016-06-14 | 2019-03-12 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
CN106404159A (zh) * | 2016-06-14 | 2017-02-15 | 北京航天控制仪器研究所 | 一种火箭橇试验连续振动传递谱确定方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN106874833B (zh) * | 2016-12-26 | 2021-05-28 | 中国船舶重工集团公司第七一0研究所 | 一种振动事件的模式识别方法 |
CN107525671A (zh) * | 2017-07-28 | 2017-12-29 | 中国科学院电工研究所 | 一种风电传动链复合故障特征分离与辨识方法 |
CN107907324A (zh) * | 2017-10-17 | 2018-04-13 | 北京信息科技大学 | 一种基于dtcwt及阶次谱的齿轮箱故障诊断方法 |
CN109106345A (zh) * | 2018-06-27 | 2019-01-01 | 北京中欧美经济技术发展中心 | 脉搏信号特征检测方法和装置 |
CN109374293A (zh) * | 2018-10-29 | 2019-02-22 | 桂林电子科技大学 | 一种齿轮故障诊断方法 |
CN109374293B (zh) * | 2018-10-29 | 2020-07-24 | 珠海市华星装备信息科技有限公司 | 一种齿轮故障诊断方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN110333071B (zh) * | 2019-06-28 | 2021-09-10 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
CN111256965B (zh) * | 2020-01-20 | 2022-03-11 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102937522B (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及*** | |
CN101435799B (zh) | 基于声发射技术的水轮机故障诊断方法及装置 | |
CN102798529B (zh) | 大型风力机组轴承故障诊断方法及*** | |
Hu et al. | A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension | |
Bajric et al. | Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测*** | |
Strömbergsson et al. | Bearing monitoring in the wind turbine drivetrain: A comparative study of the FFT and wavelet transforms | |
CN106124982A (zh) | 一种风电机组的自动专家综合故障诊断***及诊断方法 | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN103499437A (zh) | 可调品质因子双树复小波变换的旋转机械故障检测方法 | |
CN101587017A (zh) | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 | |
CN107796611A (zh) | 一种用于检测风力发电机异常工作的报警*** | |
CN103439110A (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN107608936A (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
CN105784353A (zh) | 一种风力发电机齿轮箱故障诊断方法 | |
CN103234748B (zh) | 一种基于敏感imf的克林根贝尔格锥齿轮故障诊断方法 | |
CN110333071B (zh) | 一种利用窄带倒谱变换的机械振动信号处理方法 | |
CN113806893A (zh) | 基于工业互联网的风机状态监测与故障诊断方法及*** | |
CN110514437A (zh) | 一种用于故障诊断的行星齿轮箱振动信号分离方法及*** | |
CN105445022A (zh) | 一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法 | |
CN102507186A (zh) | 一种基于特色参数的行星齿轮箱状态监测与故障辨识方法 | |
CN106055734A (zh) | 一种风电齿轮箱故障诊断方法 | |
CN104568435A (zh) | 一种基于时频能量谱提取风机状态信号调制成分的方法 | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150121 |