CN110160778A - 基于序贯假设检验的齿轮箱故障状态识别方法 - Google Patents
基于序贯假设检验的齿轮箱故障状态识别方法 Download PDFInfo
- Publication number
- CN110160778A CN110160778A CN201910440733.XA CN201910440733A CN110160778A CN 110160778 A CN110160778 A CN 110160778A CN 201910440733 A CN201910440733 A CN 201910440733A CN 110160778 A CN110160778 A CN 110160778A
- Authority
- CN
- China
- Prior art keywords
- gear
- sequential
- box
- likelihood ratio
- vibration signal
- 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
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
- G01M13/022—Power-transmitting couplings or clutches
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于序贯假设检验的齿轮箱故障状态识别方法,该方法是识别***利用可用数据对传播信道进行自适应智能查询。首先,采用小波包分析方法对提取振动信号的进行预处理。其次,提取振动信号的峭度值序列作为序贯概率比检验的检验对象。然后根据序贯概率比检验算法,对齿轮箱的四种状态进行了有效识别模式和齿轮裂纹退化情况。最后结合序贯概率比检验和均方根误差算法对齿轮箱振动信号进行三层序贯率比检验。解决了故障检测多故障识别时,识别速度慢,目标识别不准确和识别效率低的问题。
Description
技术领域
本发明属于无损检测技术领域,尤其涉及一种基于序贯假设检验的齿轮箱故障状态识别方法。
背景技术
齿轮箱是用来传递动力和改变转速的常用机械装置,由于其具有结构紧凑,效率高,寿命长及工作稳定等特性,在机械传动领域获得了广泛的运用。然而,齿轮由于长期负载运转,使用条件恶劣,很容易发生故障。因此,对齿轮箱进行状态监测和诊断对保证机械设备正常运行具有非常重要的意义。齿轮箱的故障诊断主要包括齿轮箱故障信息检测、特征提取和状态识别。其中,对齿轮箱的故障特征进行提取是实现故障诊断的关键和难点。
现有机械故障诊断,因为振动信号繁多,样本抽取工作量大,且复杂,不具有代表性。在进行多故障状态识别时,难以区分故障类别和部位。而准确性和实时性是故障检测最重要的能力指标。
发明内容
本发明所要解决的技术问题是,提供一种基于序贯假设检验的齿轮箱故障状态识别方法,解决了故障检测多故障识别时,识别速度慢,目标识别不准确和识别效率低的问题。
本发明解决其技术问题所采用的技术方案是:提供一种基于序贯假设检验的齿轮箱故障状态识别方法,该方法包括以下步骤,步骤1,采用小波包分析方法对提取的振动信号进行预处理;
步骤2,提取振动信号的峭度值序列作为序贯概率比检验的检验对象;
步骤3,根据序贯概率比检验算法,对齿轮箱的状态进行模式识别和故障检测;
步骤4,结合序贯概率比检验和均方根误差算法对齿轮箱振动信号进行三层序贯率比检验。由于噪声,齿轮间啮合等干扰使得提取的振动信号非常复杂,需要对信号进行有效的预处理。小波包变换具有很好的降噪效果,可以对信号进行非常细致的分解和重构,所以采用小波包变换对原始振动信号进行预处理。
按上述技术方案,所述步骤一具体包括,
步骤21,对信号进行小波包分解;
步骤22,选取最优基;
步骤23,阈值的选取和量化;
步骤24,对信号进行小波包重构。
按上述技术方案,信号经过j层小波包分解,共得到从低频到高频2f个频段信号,小波包分解表示如下:
其中,u(k)表示低通滤波器,v(k)表示高通滤波器,j表示分解级数;
小波包重构如下:
其中,可以选择分解级数j=3。原始振动信号经三层小波包分解并重构后能够有效的降噪。这为序贯概率比检验对齿轮箱振动信号的故障诊断做了准备。
选择合适的小波包函数,将信号利用不同的滤波器分解成不同频段的信号,进行小波重构。正交小波变换只能分解信号的低频部分,不能够用来分解信号的高频在信号处理过程中的缺点,能够同时对信号的低频部分和高频部分进行更加精细的分解以提高时频分辨率。小波包变换的优点就是能够分解含有中、高频信息的信号并且不会产生疏漏和冗余,部分(细节部分),所以对于以细小边缘等细节信息为主要成分的信号,小波变换不能对其进行有效的分解。小波包变换方法可以克服小波变换的一些局限。
根据振动信号的特点和序贯概率比检验算法对信号的要求,设置分解级数j=3,对原始振动信号进行三层小波包分解。原始振动信号经过三层小波包分解后共得到8个正交频带的信号,分析信号选取最佳的小波包基。振动信号被分解后,每个频带内的最优特征信息就会凸显出来,选择合适的阈值并将其系数量化来选择后续分析所需要的频带。根据以上步骤对信号的处理,剔除干扰,选取合适的频带进行信号的小波包重构,得到重构信号。
按上述技术方案,所述步骤2中,提取振动信号的峭度值序列作为序贯概率比检验的检验对象,由于峭度值对冲击性振动非常敏感,所以提取峭度值作为对齿轮箱振动信号进行序贯概率比检验的特征值。
假设一组离散信号XS=[x1,x2,…,xN],其中N=8192,峭度值可以表示为:
提取振动信号的峭度值序列作为序贯概率比检验的检验对象,由于峭度值对冲击性振动非常敏感,所以提取峭度值作为对齿轮箱振动信号进行序贯概率比检验的特征值。
按上述技术方案,所述步骤3中对齿轮箱的状态进行故障检测具体为,
步骤31:获取原始振动信号Si,Sj i,j=1...4,i≠j,进行小波包降噪;
步骤32:运用公式(4)和(5)计算峭度;
步骤33:通过公式(8)-(11)计算序贯概率比检验的似然比参数Δi,j,并判断Δi,j与阈值的关系。其中根据序贯概率比检验算法,检验中的均值和标准差定义如下:
对于实验中得到的四组振动信号,构建序贯概率比检验模型,按照检验流程进行故障识别。对振动信号进行计算得到的似然比记为Δ1,2(YS1),Δ1,2(YS2),Δ1,3(YS1),Δ1,3(YS3),Δ1,4(YS1),Δ1,4(YS4)。序贯概率比检验的模型以及似然比大小与齿轮箱状态识别的关系将在故障诊断结果中进行分析。
按上述技术方案,所述步骤32具体为:
假设一组信号条件下峭度值序列的概率分布满足零假设Hi:μ=μi,另一组信号条件下峭度值序列满足备择假设Hi:μ=μi,标准差σ不变;当零假设和备择假设都成立时,峭度值序列的联合概率密度函数计为Pik(yk)和Pjk(yk),由此可算出序贯概率比检验的似然比λi,j(YSm),简记为Δi,j(YSm);参考序贯概率比检验算法,将Δi,j与阈值a、b分别进行比较,以确定齿轮箱所处状态,其中当零假设和备择假设都成立时,峭度值序列的联合概率密度函数定义为:
其中pik(yk)和pjk(yk)分别为零假设和备择假设条件下的概率密度函数,因此,序贯概率比检验的似然比定义为:
其中,pi0是零假设条件下的先验概率,pj0是备择假设条件下的先验概率,λi,j(YSm)表示序贯概率比检验的似然比;
在实际应用中为了方便计算,序贯概率比检验的似然比公式(10)可以简化为:
其中,参数YSi和YSj分别表示实验振动信号Si和Sj的峭度值序列,参数Δi,j(YSi)和Δi,j(YSj)分别表示峭度值序列YSi和YSj的似然比。
本发明提出的基于序贯概率比检验的齿轮箱故障诊断算法除了可以将正常齿轮和故障齿轮进行识别,也可以用来识别不同尺寸的齿轮裂纹。
对齿轮裂纹不同时提取的振动信号S2,S3,S4进行序贯概率比检验,得到的似然比和序贯检验迭代次数的关系,序贯概率比检验算法将不同尺寸的齿轮裂纹信号进行了有效的识别。选用振动信号S2,S3构造序贯概率比检验模型,运用公式计算似然比Δ2,3(YS2)和Δ2,3(YS3)。比较似然比Δ2,3(YS2)和Δ2,3(YS3)与阈值a、b的结果。
似然比Δ2,3(YS2)小于阈值b,说明齿轮箱处于故障状态F2,即齿轮裂纹为25%;
似然比Δ2,3(YS3)大于阈值a,说明齿轮箱处于故障状态F3,即为齿轮裂纹为50%。
根据似然比Δ2,4(YS2)、Δ2,4(YS4)与序贯检验迭代次数的关系。似然比Δ2,4(YS2)小于阈值b,说明齿轮箱为故障状态F2,即齿轮裂纹为25%;似然比Δ2,4(YS4)大于阈值a,说明齿轮箱为故障状态F4,即为75%的裂纹。
同理,根据序贯概率比检验的似然比Δ3,4(YS3)与Δ3,4(YS4)序贯检验迭代次数的关系。似然比Δ3,4(YS3)小于阈值b,说明齿轮箱处在故障状态F3,即为50%的裂纹。似然比Δ3,4(YS4)大于阈值a,说明齿轮箱为故障状态F4,即为75%的裂纹。
所有的结果表明基于序贯概率比检验的齿轮箱故障诊断算法是有效的,通过分析似然比与阈值a、b之间的关系可以准确的齿轮箱振动信号进行识别。
按上述技术方案,对步骤3中齿轮箱状态故障检测进行分析,具体包括,
检验序列的均值μ0和μ1的不同,对似然比、检验时间的长短和序贯概率比检验的准确率影响;对于假设H0和H1,μ0和μ1的取值由齿轮箱的振动信号决定;在检验中将阈值参数a和b设置为1000和-1000来识别似然比Δi,j(YSi)和Δi,j(YSj)并确定齿轮箱的状态;对于齿轮箱的故障诊断,记先验概率Pi0和Pj0相等;齿轮箱F1,F2,F3,F4条件下提取的四组振动信号S1,S2,S3,S4的均值分别记为μ1,μ2,μ3,μ4,其中F1为正常齿轮,F2,F3,F4为故障齿轮,且齿轮F2裂纹深度和宽度分别为和齿轮F3裂纹深度和宽度均为和齿轮F4裂纹深度和宽度均为和F2,F3,F4为故障齿轮裂纹厚度均为0.4;运用公式(8)-(11)计算序贯概率比检验的似然比,将似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值进行比较来识别齿轮箱的状态Fi和Fj,通过分析似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值a、b之间的关系可以准确的对齿轮箱振动信号进行识别。
按上述技术方案,所述步骤4具体包括,
步骤41:齿轮箱多种状态下的振动信号经小波包变换后,运用公式计算峭度值得到峭度值序列Y′S;
步骤42:运用等式计算似然比Δ1,2(Y′S)、Δ1,3(Y′S)、Δ1,4(Y′S)同时利用公式计算均方根误差E1,2(Ys1)、E1,3(Ys1)、E1,4(Ys1);当E1,m(Ys1)<EC1,m=2,3,4时识别齿轮箱的正常状态F1,否则,齿轮箱为故障状态F2、F3、F4其中之一,其中均方根误差定义如下:
步骤43:如果E1,m(Ys1)>EC1,m=2,3,4时,运用公式继续计算似然比Δ2,3(Y′S)、Δ2,4(Y′S),再通过等式计算均方根误差E2,3(Ys2)和E2,4(Ys2);当满足E2,m(Ys2)<EC1,m=3,4时,识别故障状态F2,否则齿轮箱为故障状态F2、F3、F4其中之一;
步骤44:E2,m(Ys2)<EC2,m=3,4,继续利用公式计算似然比Δ3,4(Y′S),再通过等式计算均方根误差E3,4(Ys3),如果E3,4(Ys2)<EC3识别齿轮箱的故障状态F3,否则识别故障状态F4。
按上述技术方案,对于四种状态F1、F2、F3、F4的齿轮,选取每种状态下的16组振动信号,运用公式分别计算这64组振动信号的峭度值,记为Y′Sm(M),m=1,2,3,4,M=1,...,16(每组峭度值序列中包含7169个样本数据),峭度值序列Y′Sm(M)作为三层序贯概率比检验算法的检验数据;
根据检验流程,计算64组振动信号的似然比Δi,j(Y′Sm(M)),m=1,2,3,4,M=1,...,16;对于同一个序贯概率比检验模型,即i,j确定时,一种状态下的16组振动信号可以得到16个似然比,运用均方根误差算法计算这16个似然比之间的误差,再计算这16个似然比与其他几种状态下振动信号的似然比之间的均方根误差,最后,结合序贯概率比检验算法和均方根误差算法对齿轮箱的多种状态进行识别。
按上述技术方案,所述步骤4中,根据所得数据,对识别结果进行分析,验证三层序贯率比检验,
首先,运用振动信号的似然比Δ1,2(Y′S1)、Δ1,3(Y′S1)、Δ1,4(Y′S1)来识别齿轮箱的正常状态F1;
其次,运用振动信号的似然比Δ2,3(Y′S2)、Δ2,4(Y′S2)来识别齿轮箱故障状态F2;
最后,运用序贯概率比检验的似然比Δ3,4(Y′S4)来识别齿轮箱故障状态F4。
本发明产生的有益效果是:采用小波包变换对原始振动信号进行预处理。特征参数能够充分的反映信号的特征信息,对预处理后的信号运用时域分析法提取特征参数,这里提取对冲击性振动非常敏感的峭度值作为特征值,峭度值的集合作为序贯概率比检验的检验序列。最后运用序贯概率比检验算法对四种状态下齿轮的振动信号进行故障诊断与识别。采用序贯概率比检验提取统计特征,实现了对齿轮箱的智能诊断。序贯概率比检验首先根据提取的样本观测数据建立统计量模型,再提出检验问题的基本假设,最后,根据具体的故障信息进行检验和判断。序贯概率比检验的整个过程具有较高的检测效率。为了验证序贯概率比检验算法的诊断能力和可行性,采用均方根误差算法与序贯概率比检验算法相结合的三层序贯概率比检验来计算同种故障之间以及不同种故障之间的误差,本方法解决了故障检测多故障识别时,识别速度慢,目标识别不准确和识别效率低的问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于序贯假设检验的齿轮箱多故障状态识别的流程示意图;
图2为本发明实施例中根据构建的序贯概率比检验模型检验振动信号的故障识别流程示意图;
图3为本发明实施例中基于三层序贯概率比检验的齿轮箱多种故障状态识别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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用以解释本发明,并不用于限定本发明。
本发明实施例中,提供一种基于序贯假设检验的齿轮箱故障状态识别方法,如图1所示,主要包括以下步骤,步骤S1:采用小波包分析方法对提取振动信号的进行预处理。
具体实现时,选择合适的小波包函数,将信号利用不同的滤波器分解成不同频段的信号,进行小波重构。由于噪声,齿轮间啮合等干扰使得从实验中提取的振动信号非常复杂,需要对信号进行有效的预处理。小波包变换具有很好的降噪效果,可以对信号进行非常细致的分解和重构,所以采用小波包变换对原始振动信号进行预处理。
步骤S2:提取振动信号的峭度值序列作为序贯概率比检验的检验对象。
具体实现时,假设一组离散信号,其中N=8192。峭度值可以表示为:
对齿轮箱振动信号Si进行计算得到的所有峭度值可以看作是一组检验序列:
YSi=[y1...yk],i=1,2,3,4。
步骤S3:根据序贯概率比检验算法,对齿轮箱的四种状态进行了有效的识别模式和齿轮裂纹退化情况;
具体实现时,检验序列的均值μ0和μ1的不同对似然比,检验时间的长短,序贯概率比检验的准确率影响很大。对于假设H0和H1,μ0和μ1的取值由齿轮箱的振动信号决定。在检验中将阈值参数a和b设置为1000和-1000来识别似然比Δi,j(YSi)和Δi,j(YSj)并确定齿轮箱的状态。对于齿轮箱的故障诊断,计先验概率Pi0和Pj0相等。齿轮箱F1,F2,F3,F4条件下提取的四组振动信号S1,S2,S3,S4的均值分别记为μ1,μ2,μ3,μ4。综合以上分析,运用以上公式计算序贯概率比检验的似然比。将似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值进行比较来识别齿轮箱的状态Fi和Fj.所有的结果表明基于序贯概率比检验的齿轮箱故障诊断算法是有效的,通过分析似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值a和b之间的关系可以准确的齿轮箱振动信号进行识别。
步骤S4:结合序贯概率比检验和均方根误差算法对齿轮箱振动信号进行三层序贯率比检验。
具体实现时,包括以下步骤:
步骤41:齿轮箱多种状态下的振动信号经小波包变换后,运用公式计算峭度值得到峭度值序列Y′S
步骤42:运用等式计算似然比Δ1,2(Y′S)、Δ1,3(Y′S)、Δ1,4(Y′S)同时利用公式计算均方根误差E1,2(Ys1)、E1,3(Ys1)、E1,4(Ys1)。当E1,m(Ys1)<EC1,m=2,3,4时识别齿轮箱的正常状态F1,否则,齿轮箱为故障状态F2、F3、F4其中之一。
步骤43:如果E1,m(Ys1)>EC1,m=2,3,4时,运用公式继续计算似然比Δ2,3(Y′S)、Δ2,4(Y′S),再通过等式计算均方根误差E2,3(Ys2)和E2,4(Ys2)。当满足E2,m(Ys2)<EC1,m=3,4时,识别故障状态F2,否则齿轮箱为故障状态。
步骤44:E2,m(Ys2)<EC2,m=3,4,继续利用公式计算似然比Δ3,4(Y′S),再通过等式计算均方根误差E3,4(Ys3)。如果E3,4(Ys2)<EC3识别齿轮箱的故障状态F3,否则识别故障状态F4。图2为本发明的根据构建的序贯概率比检验模型检验振动信号的故障识别流程示意图,图3为本发明的基于三层序贯概率比检验的齿轮箱多种故障状态识别流程图。
综上,本发明详细阐述了序贯概率比检验算法在齿轮裂纹故障识别里的运用,就实验里收集四种情形下的振动信号进行了有效的区分。由于实验中采集的原始振动信号夹杂着大量的噪声,这里采用小波包变换方法对信号进行预处理以达到降噪的效果。峭度值是对冲击性振动非常敏感的时域特征参数,提取振动信号的峭度值序列作为序贯概率比检验的检验对象。根据序贯概率比检验算法,对齿轮箱的四种状态进行了有效的识别。为了验证序贯概率比检验应用于齿轮裂纹故障识别的有效性,结合序贯概率比检验和均方根误差算法对齿轮箱振动信号进行三层序贯率比检验,检验结果说明序贯概率比检验算法可以对齿轮裂纹故障进行有效的识别。
本发明是识别***利用可用数据对传播信道进行自适应智能查询。目标识别是利用数学方法估算目标的形状大小及重量。识别过程就是在分类其中根据大量训练样本所确定的函数进行识别。序贯概率比检验广泛应用于目标识别领域是取决于它最重要的特点——快速性和高效性。解决了故障检测多故障识别时,识别速度慢,目标识别不准确和识别效率低的问题。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,该方法包括以下步骤,步骤1,采用小波包分析方法对提取的振动信号进行预处理;
步骤2,提取振动信号的峭度值序列作为序贯概率比检验的检验对象;
步骤3,根据序贯概率比检验算法,对齿轮箱的状态进行模式识别和故障检测;
步骤4,结合序贯概率比检验和均方根误差算法对齿轮箱振动信号进行三层序贯率比检验。
2.根据权利要求1所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤一具体包括,
步骤21,对信号进行小波包分解;
步骤22,选取最优基;
步骤23,阈值的选取和量化;
步骤24,对信号进行小波包重构。
3.根据权利要求2所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,具体包括,信号经过j层小波包分解,共得到从低频到高频2f个频段信号,小波包分解表示如下:
其中,u(k)表示低通滤波器,v(k)表示高通滤波器,j表示分解级数;
小波包重构如下:
其中,可以选择分解级数j=3。
4.根据权利要求1或2所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤2中,
假设一组离散信号XS=[x1,x2,...,xN],其中N=8192,峭度值可以表示为:
5.根据权利要求1或2所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤3中对齿轮箱的状态进行故障检测具体为,
步骤31:获取原始振动信号Si,sj,i,j=1...4,i≠j,进行小波包降噪;
步骤32:运用公式(4)和(5)计算峭度;
步骤33:通过公式(8)-(11)计算序贯概率比检验的似然比参数Δi,j,并判断Δi,j与阈值的关系。其中根据序贯概率比检验算法,检验中的均值和标准差定义如下:
6.根据权利要求5所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤32具体为:
假设一组信号条件下峭度值序列的概率分布满足零假设Hi:μ=μi,另一组信号条件下峭度值序列满足备择假设Hi:μ=μi,标准差σ不变;当零假设和备择假设都成立时,峭度值序列的联合概率密度函数计为Pik(yk)和Pjk(yk),由此可算出序贯概率比检验的似然比λi,j(YSm),简记为Δi,j(YSm);参考序贯概率比检验算法,将Δi,j与阈值a、b分别进行比较,以确定齿轮箱所处状态,其中当零假设和备择假设都成立时,峭度值序列的联合概率密度函数定义为:
其中pik(yk)和pjk(yk)分别为零假设和备择假设条件下的概率密度函数,因此,序贯概率比检验的似然比定义为:
其中,pi0是零假设条件下的先验概率,pj0是备择假设条件下的先验概率,λi,j(YSm)表示序贯概率比检验的似然比;
序贯概率比检验的似然比公式(10)可以简化为:
其中,参数YSi和YSj分别表示实验振动信号Si和Sj的峭度值序列,参数Δi,j(YSi)和Δi,j(YSj)分别表示峭度值序列YSi和YSi的似然比。
7.根据权利要求6所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,对步骤3中齿轮箱状态故障检测进行分析,具体包括,
检验序列的均值μ0和μ1的不同,对似然比、检验时间的长短和序贯概率比检验的准确率影响;对于假设H0和H1,μ0和μ1的取值由齿轮箱的振动信号决定;在检验中将阈值参数a和b设置为1000和-1000来识别似然比Δi,j(YSi)和Δi,j(YSj)并确定齿轮箱的状态;对于齿轮箱的故障诊断,记先验概率Pi0和Pj0相等;齿轮箱F1,F2,F3,F4条件下提取的四组振动信号S1,S2,S3,S4的均值分别记为μ1,μ2,μ3,μ4,其中F1为正常齿轮,F2,F3,F4为故障齿轮,且齿轮F2裂纹深度和宽度分别为和齿轮F3裂纹深度和宽度均为和齿轮F4裂纹深度和宽度均为和F2,F3,F4为故障齿轮裂纹厚度均为0.4;运用公式(8)-(11)计算序贯概率比检验的似然比,将似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值进行比较来识别齿轮箱的状态Fi和Fj,通过分析似然比Δi,j(YSi)和Δi,j(YSj)分别与阈值a、b之间的关系可以准确的对齿轮箱振动信号进行识别。
8.根据权利要求1或2所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤4具体包括,
步骤41:齿轮箱多种状态下的振动信号经小波包变换后,运用公式计算峭度值得到峭度值序列Y′S;
步骤42:运用等式计算似然比Δ1,2(Y′S)、Δ1,3(Y′S)、Δ1,4(Y′S)同时利用公式计算均方根误差E1,2(Ys1)、E1,3(Ys1)、E1,4(Ys1);当E1,m(Ts1)<EC1,m=2,3,4时识别齿轮箱的正常状态F1,否则,齿轮箱为故障状态F2、F3、F4其中之一,其中均方根误差定义如下:
步骤43:如果E1,m(Ys1)>EC1,m=2,3,4时,运用公式继续计算似然比Δ2,3(Y′S)、Δ2,4(Y′S),再通过等式计算均方根误差E2,3(Ys2)和E2,4(Ys2);当满足E2,m(Ts2)<EC1,m=3,4时,识别故障状态F2,否则齿轮箱为故障状态F2、F3、F4其中之一;
步骤44:E2,m(Ys2)<EC2,m=3,4,继续利用公式计算似然比Δ3,4(Y′S),再通过等式计算均方根误差E3,4(Ys3),如果E3,4(Ys2)<EC3识别齿轮箱的故障状态F3,否则识别故障状态F4。
9.根据权利要求8所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,对于四种状态F1、F2、F3、F4的齿轮,选取每种状态下的16组振动信号,运用公式分别计算这64组振动信号的峭度值,记为Y′Sm(M),m=1,2,3,4,M=1,...,16,峭度值序列Y′Sm(M)作为三层序贯概率比检验算法的检验数据;
根据检验流程,计算64组振动信号的似然比Δi,j(Y′Sm(M)),m=1,2,3,4,M=1,...,16;对于同一个序贯概率比检验模型,即i,j确定时,一种状态下的16组振动信号可以得到16个似然比,运用均方根误差算法计算这16个似然比之间的误差,再计算这16个似然比与其他几种状态下振动信号的似然比之间的均方根误差,最后,结合序贯概率比检验算法和均方根误差算法对齿轮箱的多种状态进行识别。
10.根据权利要求9所述的基于序贯假设检验的齿轮箱故障状态识别方法,其特征在于,所述步骤4中,根据所得数据,对识别结果进行分析,验证三层序贯率比检验,
首先,运用振动信号的似然比Δ1,2(Y′S1)、Δ1,3(Y′S1)、Δ1,4(Y′S1)来识别齿轮箱的正常状态F1;
其次,运用振动信号的似然比Δ2,3(Y′S2)、Δ2,4(Y′S2)来识别齿轮箱故障状态F2;
最后,运用序贯概率比检验的似然比Δ3,4(Y′S4)来识别齿轮箱故障状态F4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440733.XA CN110160778A (zh) | 2019-05-24 | 2019-05-24 | 基于序贯假设检验的齿轮箱故障状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440733.XA CN110160778A (zh) | 2019-05-24 | 2019-05-24 | 基于序贯假设检验的齿轮箱故障状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110160778A true CN110160778A (zh) | 2019-08-23 |
Family
ID=67632818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910440733.XA Pending CN110160778A (zh) | 2019-05-24 | 2019-05-24 | 基于序贯假设检验的齿轮箱故障状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110160778A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728615A (zh) * | 2019-10-17 | 2020-01-24 | 厦门大学 | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 |
CN113640394A (zh) * | 2021-07-02 | 2021-11-12 | 武汉工程大学 | 一种疲劳裂纹识别方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122086A (zh) * | 2014-08-11 | 2014-10-29 | 长沙理工大学 | 基于Kriging模型的风力机齿轮箱故障诊断方法 |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
CN104849046A (zh) * | 2015-05-19 | 2015-08-19 | 北京建筑大学 | 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
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 |
CN107526007A (zh) * | 2017-08-14 | 2017-12-29 | 深圳市中业智能***控制有限公司 | 故障类型的识别方法及装置 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
CN108069308A (zh) * | 2017-12-05 | 2018-05-25 | 暨南大学 | 一种基于序贯概率的电扶梯故障诊断方法 |
-
2019
- 2019-05-24 CN CN201910440733.XA patent/CN110160778A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122086A (zh) * | 2014-08-11 | 2014-10-29 | 长沙理工大学 | 基于Kriging模型的风力机齿轮箱故障诊断方法 |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
CN104849046A (zh) * | 2015-05-19 | 2015-08-19 | 北京建筑大学 | 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
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 |
CN107526007A (zh) * | 2017-08-14 | 2017-12-29 | 深圳市中业智能***控制有限公司 | 故障类型的识别方法及装置 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
CN108069308A (zh) * | 2017-12-05 | 2018-05-25 | 暨南大学 | 一种基于序贯概率的电扶梯故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
尚云飞 等: "面向齿轮箱故障诊断的序贯概率比检验理论和方法", 《武汉工程大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728615A (zh) * | 2019-10-17 | 2020-01-24 | 厦门大学 | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 |
CN110728615B (zh) * | 2019-10-17 | 2020-08-25 | 厦门大学 | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 |
CN113640394A (zh) * | 2021-07-02 | 2021-11-12 | 武汉工程大学 | 一种疲劳裂纹识别方法和*** |
CN113640394B (zh) * | 2021-07-02 | 2023-11-10 | 武汉工程大学 | 一种疲劳裂纹识别方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manhertz et al. | STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis | |
CN111695209B (zh) | 元深度学习驱动的旋转机械小样本健康评估方法 | |
Suh et al. | Generalized multiscale feature extraction for remaining useful life prediction of bearings with generative adversarial networks | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN111307438A (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其*** | |
Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
Tóth et al. | On finding better wavelet basis for bearing fault detection | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
CN117571316A (zh) | 一种复合故障诊断方法及*** | |
An et al. | A Parameter‐Optimized Variational Mode Decomposition Investigation for Fault Feature Extraction of Rolling Element Bearings | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
Xu et al. | A novel method for extracting maximum kurtosis component and its applications in rolling bearing fault diagnosis | |
Wang et al. | Detrended Fluctuation Analysis and Hough Transform Based Self‐Adaptation Double‐Scale Feature Extraction of Gear Vibration Signals | |
Yu et al. | Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks | |
Xiaomeng et al. | A sensor fault diagnosis method research based on wavelet transform and hilbert-huang transform | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及*** | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理***及方法 | |
Rostaghi et al. | Comparison of feature extraction from wavelet packet based on reconstructed signals versus wavelet packet coefficients for fault diagnosis of rotating machinery | |
Gu et al. | Evaluation on filter performance of variational mode decomposition and its application in separating closely spaced modes |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |