CN107300467A - 一种低速重载传动装置故障诊断方法 - Google Patents
一种低速重载传动装置故障诊断方法 Download PDFInfo
- Publication number
- CN107300467A CN107300467A CN201710465405.6A CN201710465405A CN107300467A CN 107300467 A CN107300467 A CN 107300467A CN 201710465405 A CN201710465405 A CN 201710465405A CN 107300467 A CN107300467 A CN 107300467A
- Authority
- CN
- China
- Prior art keywords
- speed
- mrow
- low
- signal
- high speed
- 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 19
- 230000005540 biological transmission Effects 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 239000000523 sample Substances 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种低速重载传动装置故障诊断方法,先测得高速轴转速信号,若转速存在波动趋势项,使用EEMD方法提取信号中趋势项,若平均转速稳定,可省略该步骤;再对信号进行二代Vold‑Kalman滤波,提取高速轴转速信号中的低速轴阶次信息;最后,对比正常与故障低速重载机械的低速轴信息时域图,实施故障诊断,本发明具有通用性,转速传感器便于安装,可在低速重载类传动设备中推广使用,具有广泛的应用前景。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别涉及一种低速重载传动装置故障诊断方法。
背景技术
低速重载传动装置低速端转速可低至数十rpm,且大多为大型设备,广泛应用于风力发电、石油化工、冶金等行业,低速重载设备是上述领域的关键设备,一旦发生故障将导致整个生产线瘫痪,给企业带来难以估计的损失。对低速重载设备进行有效的检测与故障诊断,具有重要意义。目前,基于振动测量与分析的故障监测诊断技术在高速传动装置与静载工程结构的监测中取得了一定成效,各种新技术、新方法不断涌现。然而在低速重载类装置仍面临以下问题:振动加速度分析目前被认为是最简单可靠的分析手段,但低速设备故障特征信号频率低,存在对振动加速度不敏感的问题,容易淹没在设备的振动信号及其背景噪声信号中难以提取。因此,有必要寻找一种全新的适合低速重载传动装置的故障诊断方法。
发明内容
为了克服上述现有技术缺点,本发明的目的在于提供了一种低速重载传动装置故障诊断方法,具有通用性和抗干扰性的优点。
为达到上述目的,本发明采取的技术方案为:
一种低速重载传动装置故障诊断方法,包括以下步骤:
步骤一,在设备高速轴安装转速传感器;
步骤二,利用数据采集设备,实时采集转速传感器测得的键相信号x(n),其中,n代表点数;
步骤三,根据键相信号x(n)与键相发生时刻计算得到高速轴转速信号speed_1(t),t代表时间;
步骤四,若高速轴转速信号speed_1(t)存在转速波动趋势项,使用集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)提取转速信号趋势项;若高速轴转速信号speed_1(t)平均转速稳定,直接进行步骤六;
步骤五,选取由集合经验模态分解EEMD得到的IMF’s频率由高到低排序的前六项相加,得到去除趋势项后的高速轴转速信号speed_2(t);
步骤六,使用二代Vold-Kalman阶次滤波提取高速轴转速信号speed_2(t)或平均转速稳定高速轴转速信号speed_1(t)中的低速轴信息;
步骤七,提取低速轴信息后,对比故障机械与正常机械低速轴信息,进行故障诊断。
所述的步骤四中集合经验模态分解EEMD提取转速信号趋势项实现步骤如下:
(1)确定加入的高斯白噪声的幅值,设定为高速轴转速信号speed_1(t)幅值标准差的δ倍,δ取0.3;
(2)向高速轴转速信号speed_1(t)中加入高斯白噪声,获得信号y(t);
(3)对信号y(t)进行EMD分解,获取一系列本征模式分量IMFs;
(4)重复N次上述操作,每次加入的高斯白噪声均为随机产生;
(5)将获得的N组IMFs分量分别相加求其平均值,作为最终获得的本征模式函数IMF’。
所述的步骤六中二代Vold-Kalman阶次滤波的实现步骤如下:
(1)低速轴信息为跟踪阶比,表示为复包络与载波的乘积,即
式中,k被跟踪阶比;ak(n)为复包络;Θk(m)为载波;式中复包络ak(n)为载波Θk(n)的低频幅值调制,包络在局部范围内近似低阶多项式;用多项式表示阶比信号幅值变化,***状态方程为:
式中:为不同算子;s为给定阶数;ε(n)为非一致项;
矩阵表示形式为:Ax=ε;
(2)设定Vold-Kalman滤波器只提取单个阶比成分,***观测方程为:
y(n)=x(n)Θk(n)+ξ(n)
式中:y(n)为实测数据;ξ(n)为非跟踪阶比及随机信号。
矩阵表示形式为:y-Cx=ξ;
(3)进行低速轴信息求解:
求方程解x(n)的前提为非跟踪阶比及随机信号ξ(n)与非一致项ε(n)的平方和最小,非一致项ε(n)平方和为:
εTε=xTATAx
非跟踪阶比及随机信号ξ(n)平方和为:
ξTξ=(yT-xHCH)(y-Cx)
引入加权因子r,r决定滤波器跟踪特性;
J=r2εTε+ξTξ
求解方程J,得到低速轴信息。
本发明的有益效果:
当低速轴发生故障时,低速轴故障信息会通过传递***传递至高速轴,导致高速轴转速波动,本发明据此提出了一种通过高速轴转速信息进行低速轴故障诊断的方法,并通过风力发电设备对方法的有效性进行验证。本发明方法可有效检测低速重载故障行为,相比于现有方法,具有通用性和抗干扰性的优点,并且除转速传感器外无需添加额外传感器,可在低速重载机械上推广使用,具有广泛的应用前景。
附图说明
图1为本发明方法流程图。
图2为实施例光电传感器采集的键相信号。
图3为实施例测得的正常风力发电机的高速轴转速信号。
图4为实施例正常风力发电机进行Vold-Kalman滤波后时域图。
图5为实施例测得的故障风力发电机的高速轴转速信号。
图6为实施例故障风力发电机进行Vold-Kalman滤波后时域图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。
某风力发电机在运行过程中,振动超标且出现异音,不符合运行标准,为定位故障源,下面通过本发明进行低速重载传动装置的故障诊断。
参照图1,一种低速重载传动装置故障诊断方法,包括以下步骤:
步骤一,在风力发电机高速轴安装转速传感器,此处选用光电传感器;
步骤二,利用数据采集设备,实时采集光电传感器测得的键相信号x(n),其中,n代表点数,如图2所示;
步骤三,根据键相信号x(n)与键相发生时刻计算得到高速轴转速信号speed_1(t),t代表时间,图3为测得的正常风力发电机高速轴转速信号,图5为测得的故障风力发电机高速轴转速信号;
步骤四,若风力发电机高速轴转速信号speed_1(t)存在转速波动趋势项,使用集合经验模态分解(EEMD)提取转速信号趋势项;若高速轴转速信号speed_1(t)平均转速稳定,直接进行步骤六;对比图3、图5,转速存在波动,需先使用集合经验模态分解EEMD方法去除趋势项;
集合经验模态分解EEMD提取转速信号趋势项实现步骤如下:
(1)确定加入的高斯白噪声的幅值,一般设定为高速轴转速信号speed_1(t)幅值标准差的δ倍,δ取0.3;
(2)向高速轴转速信号speed_1(t)中加入高斯白噪声,获得信号y(t);
(3)对信号y(t)进行EMD分解,获取一系列本征模式分量IMFs;
(4)重复N次上述操作,每次加入的高斯白噪声均为随机产生;
(5)将获得的N组IMFs分量相加求其平均值,作为最终获得的本征模式函数IMF’;
步骤五,选取由集合经验模态分解EEMD得到的IMF’s频率由高到低排序的前六项(视分解结果确定)相加,得到去除趋势项后的高速轴转速信号speed_2(t);
步骤六,使用二代Vold-Kalman阶次滤波提取高速轴转速信号speed_2(t)的低速轴信息;
二代Vold-Kalman阶次滤波的实现步骤如下:
(1)低速轴信息为跟踪阶比,表示为复包络与载波的乘积,即
式中,k被跟踪阶比;ak(n)为复包络;Θk(n)为载波;式中复包络ak(n)为载波Θk(n)的低频幅值调制,包络在局部范围内近似低阶多项式;用多项式表示阶比信号幅值变化,***状态方程为:
式中:为不同算子;s为给定阶数;ε(n)为非一致项;
矩阵表示形式为:Ax=ε;
(2)设定Vold-Kalman滤波器只提取单个阶比成分,***观测方程为:
y(n)=x(n)Θk(n)+ξ(n)
式中:y(n)为实测数据;ξ(n)为非跟踪阶比及随机信号。
矩阵表示形式为:y-Cx=ξ;
(3)进行低速轴信息求解:
求方程解x(n)的前提为非跟踪阶比及随机信号ξ(n)与非一致项ε(n)的平方和最小,非一致项ε(n)平方和为:
εTε=xTATAx
非跟踪阶比及随机信号ξ(n)平方和为:
ξTξ=(yT-xHCH)(y-Cx)
引入加权因子r,r决定滤波器跟踪特性;
J=r2εTε+ξTξ
求解方程J,得到低速轴信息;
步骤七,提取低速轴信息后,对比故障机械与正常机械低速轴信息,进行故障诊断。
图4为正常风力发电机进行Vold-Kalman滤波后时域图,图6为故障风力发电机进行Vold-Kalman滤波后时域图,两者对比发现,图6中故障风力发电机低速轴转频及其倍频波动峰峰值(最大14rpm)远大于图4中正常风力发电机低速轴转频及其倍频的波动峰峰值(最大3rpm)。由此判定低速轴故障为风力发电机发生大幅度振动的原因。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利的保护范围。
Claims (3)
1.一种低速重载传动装置故障诊断方法,其特征在于,包括以下步骤:
步骤一,在设备高速轴安装转速传感器;
步骤二,利用数据采集设备,实时采集转速传感器测得的键相信号x(n),其中,n代表点数;
步骤三,根据键相信号x(n)与键相发生时刻计算得到高速轴转速信号speed_1(t),t代表时间;
步骤四,若高速轴转速信号speed_1(t)存在转速波动趋势项,使用集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)提取转速信号趋势项;若高速轴转速信号speed_1(t)平均转速稳定,直接进行步骤六;
步骤五,选取由集合经验模态分解EEMD得到的IMF’s频率由高到低排序的前六项相加,得到去除趋势项后的高速轴转速信号speed_2(t);
步骤六,使用二代Vold-Kalman阶次滤波提取高速轴转速信号speed_2(t)或平均转速稳定高速轴转速信号speed_1(t)中的低速轴信息;
步骤七,提取低速轴信息后,对比故障机械与正常机械低速轴信息,进行故障诊断。
2.根据权利要求1所述的一种低速重载传动装置故障诊断方法,其特征在于,所述的步骤四中集合经验模态分解EEMD提取转速信号趋势项实现步骤如下:
(1)确定加入的高斯白噪声的幅值,设定为高速轴转速信号speed_1(t)幅值标准差的δ倍,δ取0.3;
(2)向高速轴转速信号speed_1(t)中加入高斯白噪声,获得信号y(t);
(3)对信号y(t)进行EMD分解,获取一系列本征模式分量IMFs;
(4)重复N次上述操作,每次加入的高斯白噪声均为随机产生;
(5)将获得的N组IMFs分量分别相加求其平均值,作为最终获得的本征模式函数IMF’。
3.根据权利要求1所述的一种低速重载传动装置故障诊断方法,其特征在于,所述的步骤六中二代Vold-Kalman阶次滤波的实现步骤如下:
(1)低速轴信息为跟踪阶比,表示为复包络与载波的乘积,即
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,k被跟踪阶比;ak(n)为复包络;Θk(n)为载波;式中复包络ak(n)为载波Θk(n)的低频幅值调制,包络在局部范围内近似低阶多项式;用多项式表示阶比信号幅值变化,***状态方程为:
<mrow>
<msup>
<mo>&dtri;</mo>
<mi>s</mi>
</msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
式中:为不同算子;s为给定阶数;ε(n)为非一致项;
矩阵表示形式为:Ax=ε;
(2)设定Vold-Kalman滤波器只提取单个阶比成分,***观测方程为:
y(n)=x(n)Θk(n)+ξ(n)
式中:y(n)为实测数据;ξ(n)为非跟踪阶比及随机信号。
矩阵表示形式为:y-Cx=ξ;
(3)进行低速轴信息求解:
求方程解x(n)的前提为非跟踪阶比及随机信号ξ(n)与非一致项ε(n)的平方和最小,非一致项ε(n)平方和为:
εTε=x TATAx
非跟踪阶比及随机信号ξ(n)平方和为:
ξTξ=(yT-xHCH)(y-Cx)
引入加权因子r,r决定滤波器跟踪特性;
J=r2εTε+ξTξ
求解方程J,得到低速轴信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710465405.6A CN107300467B (zh) | 2017-06-19 | 2017-06-19 | 一种低速重载传动装置故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710465405.6A CN107300467B (zh) | 2017-06-19 | 2017-06-19 | 一种低速重载传动装置故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107300467A true CN107300467A (zh) | 2017-10-27 |
CN107300467B CN107300467B (zh) | 2019-09-06 |
Family
ID=60134884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710465405.6A Active CN107300467B (zh) | 2017-06-19 | 2017-06-19 | 一种低速重载传动装置故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107300467B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、***及计算机可读存储介质 |
US11754435B2 (en) | 2019-11-05 | 2023-09-12 | Safran | Method, device and computer program for monitoring a rotating machine of an aircraft |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020085945A (ko) * | 2001-05-10 | 2002-11-18 | 씨멘스 오토모티브 주식회사 | 압력 센서의 고장 진단 방법 |
CN1776390A (zh) * | 2005-11-30 | 2006-05-24 | 沈阳工业大学 | 一种低速重载旋转机械故障诊断方法 |
CN102507186A (zh) * | 2011-11-01 | 2012-06-20 | 西安交通大学 | 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 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振***以及基于该***的机械故障诊断方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
-
2017
- 2017-06-19 CN CN201710465405.6A patent/CN107300467B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020085945A (ko) * | 2001-05-10 | 2002-11-18 | 씨멘스 오토모티브 주식회사 | 압력 센서의 고장 진단 방법 |
CN1776390A (zh) * | 2005-11-30 | 2006-05-24 | 沈阳工业大学 | 一种低速重载旋转机械故障诊断方法 |
CN102507186A (zh) * | 2011-11-01 | 2012-06-20 | 西安交通大学 | 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 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振***以及基于该***的机械故障诊断方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
Non-Patent Citations (1)
Title |
---|
王锐锋 等: "基于AE技术的低速重载齿轮箱故障诊断方法", 《仪器仪表与检测技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11754435B2 (en) | 2019-11-05 | 2023-09-12 | Safran | Method, device and computer program for monitoring a rotating machine of an aircraft |
CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、***及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107300467B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
CN104865400B (zh) | 一种风电机组转速的检测识别方法及*** | |
CN103323274B (zh) | 旋转机械状态监测与故障诊断***及方法 | |
CN105806613A (zh) | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 | |
CN103234702B (zh) | 一种叶片不平衡故障诊断方法 | |
CN113239613B (zh) | 一种水轮机组摆度报警判断方法 | |
EP3788328B1 (en) | System and process for pattern matching bearing vibration diagnostics | |
CN108844733A (zh) | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 | |
CN108919116A (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
CN107300467A (zh) | 一种低速重载传动装置故障诊断方法 | |
CN106777611A (zh) | 复杂周转轮系微弱故障识别与性能退化监测***及方法 | |
CN201687699U (zh) | 一种便携式泵站机组状态检测与数据处理装置 | |
Hong et al. | Application of spectral kurtosis and Vold-Kalman filter based order tracking in wind turbine gearbox fault diagnosis | |
CN205593707U (zh) | 汽轮发电机组高中压转子动平衡优化装置 | |
Ewert et al. | Application of selected higher-order methods to detect rotor unbalance of drive system with PMSM | |
CN1150400C (zh) | 叶轮机械叶片故障叶间间距监测诊断法 | |
CN103149047A (zh) | 一种基于非线性混合模型的冷却塔声学诊断方法 | |
CN111173687A (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
CN107063613A (zh) | 基于在线数据的水轮发电机组碰磨故障的分析诊断方法 | |
CN204202871U (zh) | 一种风电机组齿轮箱状态评估装置 | |
CN113218653A (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
Mones et al. | Fault diagnosis of planetary gearboxes via processing the on-rotor MEMS accelerometer signals | |
Chen et al. | Rotating machinery fault detection based on improved ensemble empirical mode decomposition | |
Chen et al. | Machine learning and deep learning on health diagnosis of rotating fan |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: 201400 floor 1, building 2, No. 1876, CHENQiao Road, Fengxian District, Shanghai Patentee after: Shanghai Zhengtongan Technology Service Co.,Ltd. Address before: 215211 558 FENHU Road, Wujiang District, Suzhou, Jiangsu Patentee before: SUZHOU VEIZU EQUIPMENT DIAGNOSIS TECHNOLOGY CO.,LTD. |
|
TR01 | Transfer of patent right |