CN113283028A - 一种齿轮箱齿轮故障诊断方法 - Google Patents
一种齿轮箱齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN113283028A CN113283028A CN202110554939.2A CN202110554939A CN113283028A CN 113283028 A CN113283028 A CN 113283028A CN 202110554939 A CN202110554939 A CN 202110554939A CN 113283028 A CN113283028 A CN 113283028A
- Authority
- CN
- China
- Prior art keywords
- fault
- gear
- frequency
- fault diagnosis
- diagnosis method
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 241001106462 Ulmus Species 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 4
- 244000058281 Ulmus pumila Species 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000004188 Tooth Wear Diseases 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G01M13/021—Gearings
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种齿轮箱齿轮故障诊断方法,属于齿轮故障诊断方法相关技术领域。本发明考虑齿轮箱齿轮振动信号的非平稳性、故障类型及故障定位诊断等其它因素,提出一种基于EEMD、样本熵和极限学习机相结合的齿轮箱齿轮故障诊断方法,该方法采用EEMD分解法将原始振动信号分解为若干各本征模态函数分量,再以分量与原始振动信号相关系数大于0.1为原则选取为主要分量,计算主要分量的样本熵组成特征向量,将得到的特征向量导入至极限学习机中进行故障类型的分类识别。同时通过对原始信号进行快速傅里叶变换得到的频域图,观察记录故障频率及其边频频率,得到故障齿轮定位。最后将齿轮类型和故障定位相结合,得出齿轮故障诊断综合结论。
Description
技术领域
本发明属于齿轮故障诊断方法相关技术领域,具体涉及一种旋转机械齿轮的故障诊断方法。
背景技术
齿轮箱作为机械设备中用于连接和传递动力的关键部件,在风力发电机、直升机、汽车、农业机械、冶金机械等大型复杂机械装备中得到了广泛的应用。然而,受恶劣工作环境、强负荷、高速、长期连续运行等工作状态的影响,齿轮箱中一些典型的零部件,知齿轮、滚动轴承,均容易出现各种类型的故障,进而影响到机械***整体运行的安全性和可靠性,轻则导致产品或服务质量下降,重则造成巨大的经济损失和人员伤亡。因此,开展齿轮箱故障诊断技术研究,及时准确地识别出故障模式并为后续维修维护提供指导,对保障机械***安全可靠运行,避免重大事故的发生具有非常重要的意义。
齿轮箱的故障诊断本质上就是对其运行状态的一种判断,而做出判断的依据则主要来自于诊断决策者所采集到的齿轮箱状态信息。在工程实际中,状态信息的采集与转换均需要依靠传感器来完成,因此,利用传感与测量技术准确获取设备运行状态信息,是进行机械设备故障诊断的前提。目前,应用于齿轮箱故障诊断的状态信息主要包括振动、嗓声、油液质量、温度等。其中,振动信号往往蕴含着丰富的设备健康状态信息,信号特征与设备各零部件的运行状态有着较强的对应关系,同时还具有易于测量、故障敏感性高和分析方法丰富等特点。因此,采集齿轮箱振动信号进行分析,是目前齿轮箱故障诊断中最有效、最常用的方法。
信号处理与特征提取是机械设备故障诊断的关徤环节,它直接关系到故障诊断的准确性和可靠性。由于齿轮箱运行环境和内部结构的复杂性,实际采集到的振动信号通常是各零部件振动的综合反映,此外信号传递路径的影响以及外界噪声干扰更是增加了信号的复杂程度。因此,要准确地获取能够表征齿轮箱运行状态的关键信息,则必须利用合理的信号处理技术对齿轮箱原始振动信号进行分析处理。
目前关于齿轮的故障诊断,中国专利申请号为:201811265115.8,公开日为:2019-02-22的“一种齿轮故障诊断方法”,其将广义线性Chirplet(调频小波)变换算法得到的时频图上的故障频率和循环周期判断出故障齿轮的位置,用于齿轮故障源的定位;同时将时域、频域和小波能量特征指标用于故障齿轮振动信号的特征提取,获取更加精细故障信息,利用粒子群优化的支持向量机对优化后的特征进行分类。其通过将齿轮故障源定位和故障类型的识别相结合,能够提高诊断效率和增加识别精度,实现了齿轮故障的完整诊断。
中国专利申请号为:201811488155.9,公开日为:2019-04-09的“一种基于VMD和PCT的减速器故障诊断方法”其选择VMD(经验模态分解)算法得到的特征最明显的模态分量作为PCT(多项式调频小波变换)的输入,分别得到齿轮时频图和轴承时频图;由齿轮时频图上的故障频率和循环周期判断出故障齿轮的位置,用于齿轮故障源的定位;同时以明显周期性时频带的条数为依据,给出齿轮故障严重程度的判定结果;由轴承时频图上的循环周期确定出轴承故障的类型;通过齿轮诊断和轴承诊断相结合,提高诊断效率和增加识别精度,实现了减速器的完整诊断。
中国专利申请号为:201510539999.1,公开日为:2015-11-25的“一种齿轮故障定位***及方法”,其包括信号采集模块、信号处理模块、特征提取模块。其采用阶比跟踪方法能够有效克服该现象造成的频率模糊,利用角域同步平均技术能够消除齿轮箱中轴承等随机干扰成分,达到降噪的目的;利用谱线编辑能够克服传统带通滤波器中由于过渡带的存在使得无法完全滤除不需要的频率成分的缺点,进而准确的滤出所感兴趣的频带;能够消除噪声及转速、载荷波动等外界因素对相位解调效果的影响,使得解调后的信号在齿轮故障位置处的突变更为明显,以较为准确的实现齿轮故障的定位;该方法易于掌握和使用,该算法满足工业现场实时性性能要求,经过实际应用测试,算法准确、可靠。
发明内容
1.要解决的问题
针对现有齿轮箱齿轮故障诊断难的问题,本发明提供一种齿轮箱齿轮故障诊断方法。本发明可对齿轮箱进行有效检测,避免突发性事故的发生,减少因此产生的经济损失;能同时判断齿轮的故障位置和故障类型,为其维护维修提供依据;本发明也可同时适用于其它旋转机械设备齿轮的故障诊断。
2.技术方案
为了解决上述问题,考虑旋转机械振动信号非平稳特征、齿轮故障部位识别和齿轮故障类型识别等其它因素,提出一种基于EEMD(Ensemble Empirical ModeDecomposition,集成经验模态分解法)、样本熵和极限学习机的旋转机械齿轮故障诊断方法,所采用的技术方案如下:
本发明的一种齿轮箱齿轮故障诊断方法,包括以下步骤:
步骤1:采集齿轮箱的原始振动信号;
步骤2:将原始振动信号通过快速傅里叶变换得到频域图,观察频域图中的数据得到故障频率和其边频频率;
步骤3:将故障频率与高速级啮合频率、低速级啮合频率进行比较;
步骤4:计算边频频率与故障频率差值的绝对值,并与齿轮的转动频率进行对比,对故障齿轮进行定位;
步骤5:采集定位故障齿轮侧的齿轮箱振动信号,并对该故障侧振动信号进行EEMD分解,得到IMF分量;
步骤6:计算各IMF分量与故障侧振动信号之间的相关系数,选择相关系数大于0.1的IMF分量作为包含主要故障特征的特征分量;
步骤7:计算选取的IMF分量的样本熵,并将其组合成特征向量;
步骤8:将得到的特征向量输入至极限学习机中,通过极限学习机对齿轮的故障类型进行分类从而识别出齿轮的故障类型。
作为本发明的进一步说明,所述步骤1中,将原始振动信号存储至计算机中。
作为本发明的进一步说明,所述步骤1中,采用加速度传感器采集原始振动信号。
作为本发明的进一步说明,所述步骤5中,通过高斯白噪声和多重经验模态分解,得到IMF分量的平均值。
作为本发明的进一步说明,所述步骤8中,具体包括:
a、产生训练样本和测试样本;
b、ELM创建与训练;
c、ELM仿真测试;
d、训练样本和测试样本结果对比;
e、高速级齿轮故障信号分类识别结果。
作为本发明的进一步说明,所述步骤a中,使用随机选取法选择训练样本,将剩余样本作为测试样本。
作为本发明的进一步说明,所述步骤b中,通过elmtrain函数进行ELM创建与训练。
作为本发明的进一步说明,所述步骤c中,利用elmpredict函数对产生的测试集进行仿真实验的测试分析。
3.有益效果
相比于现有技术,本发明的有益效果为:
(1)本发明的一种齿轮箱齿轮故障诊断方法,将齿轮故障类型识别和故障齿轮位置定位相结合,能够得到齿轮故障的完整诊断;由于极限学习机故障分类的原理是通过elmtrain函数训练样本数据,然后通过elmpredict函数对测试样本进行故障分类,所以训练样本的选择非常关键,特征明显的样本数据将会有利于提高分类的精度,反之则会降低分类的精度,因此本发明为了提高分类识别的准确性和公正性,使用随机选取法来选择得到训练样本,将剩余的样本作为测试样本;
(2)本发明的一种齿轮箱齿轮故障诊断方法,可对齿轮箱进行有效检测,避免突发性事故的发生,减少因此产生的经济损失;
(3)本发明的一种齿轮箱齿轮故障诊断方法,能同时判断齿轮的故障位置和故障类型,为其维护维修提供依据;
(4)本发明的一种齿轮箱齿轮故障诊断方法,3、本发明也可同时适用于其它旋转机械设备齿轮的故障诊断。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为齿轮箱齿轮故障诊断方法的流程图;
图2为无故障情况下从试验平台***采集的振动加速度信号绘制得到的时域图;
图3为齿轮齿根裂纹故障下从试验平台***采集的振动加速度信号绘制得到的时域图;
图4为齿轮断齿故障下从试验平台***采集的振动加速度信号绘制得到的时域图;
图5为齿轮磨损故障下从试验平台***采集的振动加速度信号绘制得到的时域图;
图6为采集的振动加速度信号通过快速傅里叶变换得到的频域图;
图7为通过EEMD分解后得到的IMF分量图;
图8为不同工况特征向量分类结果图。
具体实施方式
下文对本发明的示例性实施例的详细描述参考了附图,该附图形成描述的一部分,在该附图中作为示例示出了本发明可实施的示例性实施例。尽管这些示例性实施例被充分详细地描述以使得本领域技术人员能够实施本发明,但应当理解可实现其他实施例且可在不脱离本发明的精神和范围的情况下对本发明作各种改变。下文对本发明的实施例的更详细的描述并不用于限制所要求的本发明的范围,而仅仅为了进行举例说明且不限制对本发明的特点和特征的描述,以提出执行本发明的最佳方式,并足以使得本领域技术人员能够实施本发明。因此,本发明的范围仅由所附权利要求来限定。
下文对本发明的详细描述和示例实施例可结合附图来更好地理解,其中本发明的元件和特征由附图标记标识。
实施例1
该齿轮箱齿轮故障诊断方法是基于齿轮箱运行过程中产生的振动信号进行的,齿轮箱在运行过程中无论是否存在齿轮故障都会产生振动信号,但是在有齿轮故障时的振动信号与无齿轮故障时的振动信号存在差异。齿轮箱齿轮没有故障时,在运行过程中主要的振动信号是齿轮的啮合频率和齿轮的转动频率。当齿轮存在故障时,在运行过程中会因为故障齿轮产生的冲击效应导致振动信号发生变化,此时的振动信号同时存在齿轮的啮合频率、转动频率及故障齿轮的转动频率。
本专利所采用的试验数据来自于江苏千鹏QPZZ-Ⅱ旋转机械振动分析及故障诊断试验平台***,该平台***由变速驱动电机、轴承、齿轮箱、轴、偏重转盘(2只)、调速器等组成。马达速度通过交流变频器单相输入三相输出控制,变速范围在75~1450rpm。
参见图1,本发明所提出的一种齿轮箱齿轮故障诊断方法,将原始振动信号进行快速傅里叶变换得到频域图,并得出故障频率和其边频频率,以此来判断故障齿轮的位置,用于齿轮故障源的定位。同时将原始振动信号进行EEMD分解得到若干IMF分量,计算IMF分量与原始信号之间的相关系数,相关系数大于0.1的IMF分量视为包含原始信号主要故障特征,并分别计算IMF分量的样本熵,组成特征向量;将得到的特征向量导入至极限学习机中对其进行分类识别。通过对齿轮箱齿轮故障的定位和故障类型的识别相结合,提高齿轮故障诊断的效率和精度。该方法的具体操作步骤如下所述:
第一步:采集原始振动信号,并将其存储至计算机中。
通过上述试验平台***采用加速度传感器采集原始振动信号,该加速度传感器性能指标如表1所示。
表1加速度传感器性能指标表
电压灵敏度 | 最大量程 | 分辨率 | 使用频率 | 恒流电源 | 安装方式 |
0~10mV | 0~500 | 0~0.04 | 0.5~12K | 2Ma~4Ma/+15v~+28v | M5 |
各工况原始振动信号如图2、图3、图4、图5所示。
第二步:故障齿轮的定位。
将采集得到的原始振动信号通过快速傅里叶变换得到频域图,通过记录得到故障频率和其边频频率,通过故障频率和其边频频率分别判断齿轮箱哪一级传动出现了故障和哪个齿轮出现了故障,综合两种分析,定位出故障齿轮的位置。
快速傅里叶变换的基本思想是把原始的N点序列,依次分解成一系列的短序列。充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的离散傅里叶变换并进行适当组合,达到删除重复计算,减少乘法运算和简化结构的目的。
第三步:采集所定位故障齿轮侧的齿轮箱振动信号,并对该振动信号进行EEMD分解。
EEMD分解法原理是对原始信号进行高斯白噪声和多重经验模态分解,得到IMF分量的平均值。
以图2所示振动信号为例,将该信号EEMD分解,分解结果如图4所示。
以此计算不同IMF分量与原始振动信号之间的相关系数,结果如表2所示。
表2不同工况下IMF分量与原始信号相关系数
IMF分量 | 正常工况 | 齿根裂纹 | 断齿 | 磨损 |
IMF1 | 0.71 | 0.61 | 0.71 | 0.82 |
IMF2 | 0.67 | 0.53 | 0.53 | 0.45 |
IMF3 | 0.55 | 0.47 | 0.40 | 0.36 |
IMF4 | 0.46 | 0.33 | 0.36 | 0.26 |
IMF5 | 0.26 | 0.19 | 0.18 | 0.19 |
IMF6 | 0.19 | 0.13 | 0.11 | 0.09 |
IMF7 | 0.04 | 0.10 | 0.08 | 0.04 |
IMF8 | 0.03 | 0.05 | 0.05 | 0.02 |
IMF9 | 0.01 | 0.02 | 0.01 | 0.01 |
根据表2可知,相关系数大于0.1分界线为IMF6分量,因此认为前6阶IMF分量所含有的故障信息较多,选取前6阶IMF分量为信号的主要分量。
计算出齿轮不同工况下前6阶IMF分量对应的样本熵,构成特征向量。
第四步:计算样本熵组成特征向量,并导入至极限学习机中进行分类识别。
样本熵是为了克服近似熵对于数据长度的依赖而改进的方法。原始数据越复杂,样本熵值越大;原始数据的自相似性越高,样本熵值越小。样本熵的值与m、r的取值有关,当m=1或2,r=0.1Std~0.25Std(Std为原始信号的标准差)时,计算得到的样本熵有合理的统计特征。因此,本专利中取m=2,r=0.15Std。其中表3列出部分特征向量。
表3部分特征向量数据
本专利采用极限学习机分类器对振动信号的故障特征向量进行分类,采用的故障特征向量为原始信号通过EEMD分解后前6阶IMF分量样本熵值。
样本组数共有200组,将其中的120组作为训练样本,剩余的80组作为测试样本。具体操作步骤如下:
步骤a:为了提高分类识别的准确性和公正性,使用随机选取法来选择得到训练样本,将剩余的样本作为测试样本。从每种工况中随机选取30组作为训练样本,剩余的样本作为测试样本。
步骤b:因为是对故障特征向量进行分类,所以需要将elmtrain函数中的TYPE设置为1;隐含层神经元个数设置成与训练样本组数相同,设置为30。设置完成后,通过elmtrain函数进行ELM创建与训练。
步骤c:在完成极限学习机训练后,利用elmpredict函数对产生的测试集进行仿真实验的测试分析,同时TYPE中TF值与elmpredict函数中TF值设置相同。
步骤d:极限学习机测试结束后,能够得到训练集和测试集的准确率,因为测试集和训练集采用的是随机生成方法,所以每次得到的准确率会不同。通过比较得到的准确率能够分析出极限学习机分类器对于故障齿轮分类的使用情况。
步骤e:图5为不同工况特征向量分类结果图,用数字标签来代表齿轮工况,次序依次为:1~20为正常齿轮(标签1);21~40为齿根裂纹齿轮(标签2);41~60为断齿齿轮(标签3);61~80磨损齿轮(标签4)。如图5得知,EEMD分解后得到的样本熵特征向量在80个预测样本数据中有78个数据样本预测成功,准确率为97.5%。表明极限学习机对于EEMD样本熵组成的特征向量分类具有较好的性能。
因为极限学***均值计算,如表4所示:
表4极限学习机不同工况识别准确率表(%)
序号 | 正常 | 齿根裂纹 | 断齿 | 磨损 |
1 | 100 | 95 | 100 | 95 |
2 | 100 | 100 | 90 | 100 |
3 | 95 | 95 | 100 | 95 |
4 | 95 | 90 | 100 | 100 |
5 | 100 | 90 | 100 | 100 |
6 | 95 | 100 | 95 | 95 |
7 | 95 | 100 | 95 | 100 |
8 | 100 | 90 | 100 | 100 |
9 | 100 | 95 | 90 | 100 |
10 | 100 | 100 | 100 | 95 |
11 | 95 | 100 | 100 | 95 |
12 | 95 | 95 | 100 | 90 |
13 | 95 | 100 | 95 | 95 |
14 | 95 | 100 | 95 | 100 |
15 | 95 | 95 | 100 | 100 |
平均值 | 97.0 | 96.3 | 97.3 | 97.3 |
由表4可知,通过极限学***均值分别为97.0%、96.3%、97.3%、97.3%。表明极限学习机对于不同工况信号的识别都有着较好的性能,其中对于断齿故障及磨损故障工况的识别率最高。
为了对比不同分类器对于EEMD样本熵故障特征分类识别,如表5所示,该表为概论神经网络(PNN)分类器对不同工况识别准确率。
表5PNN不同工况识别准确率表(%)
序号 | 正常 | 齿根裂纹 | 断齿 | 磨损 |
1 | 100 | 100 | 100 | 95 |
2 | 90 | 100 | 90 | 95 |
3 | 100 | 95 | 95 | 95 |
4 | 95 | 100 | 100 | 90 |
5 | 95 | 90 | 95 | 85 |
6 | 95 | 95 | 95 | 100 |
7 | 95 | 100 | 95 | 100 |
8 | 100 | 90 | 100 | 90 |
9 | 90 | 85 | 95 | 95 |
10 | 100 | 95 | 100 | 90 |
11 | 90 | 95 | 95 | 95 |
12 | 100 | 90 | 95 | 95 |
13 | 90 | 95 | 90 | 100 |
14 | 85 | 90 | 95 | 95 |
15 | 95 | 95 | 95 | 95 |
平均值 | 94.7 | 94.3 | 95.7 | 94.3 |
由表5可知,通过PNN分类器进行了15次的分类识别,对高速级小齿轮正常、齿根裂纹、断齿、磨损工况四种信号的识别准确率平均值分别为94.7%、94.3%、95.7%、94.3%。对比表3、表4可知,基于EEMD样本熵-极限学习机故障特征识别方法要优于基于EEMD样本熵-PNN的故障特征识别方法,极限学习机分类器对EEMD样本熵有着更高的识别精度。
本专利提出了一种基于EEMD、样本熵和极限学习机相结合的齿轮箱齿轮故障分类识别方法,并对齿轮箱齿轮正常及故障信号的分类识别。主要分为振动信号的故障特征提取和故障特征识别分类两个部分。首先利用EEMD分解方法对振动信号进行处理,得到所有阶的IMF分量,然后根据相关系数判断选取前6阶的IMF为信号的主要分量,计算前6阶IMF分量的样本熵组成特征向量。将所得到的特征向量输入到极限学习机分类器中进行分类识别,得到信号的识别准确率;同时通过与PNN分类器进行对比发现,极限学习机分类器更适合对EEMD样本熵进行故障分类识别。结合第二步对于故障齿轮的定位,最后给出齿轮故障诊断的综合结果。
以上所述仅为本专利的具体实时过程,但本专利的技术特征并不局限于此,任何本领域技术人员在本专利的领域内,所作出的变化或修饰皆涵盖在本专利的范围之中。
Claims (8)
1.一种齿轮箱齿轮故障诊断方法,其特征在于:包括以下步骤:
步骤1:采集齿轮箱的原始振动信号;
步骤2:将原始振动信号通过快速傅里叶变换得到频域图,观察频域图中的数据得到故障频率和其边频频率;
步骤3:将故障频率与高速级啮合频率、低速级啮合频率进行比较;
步骤4:计算边频频率与故障频率差值的绝对值,并与齿轮的转动频率进行对比,对故障齿轮进行定位;
步骤5:采集定位故障齿轮侧的齿轮箱振动信号,并对该故障侧振动信号进行EEMD分解,得到IMF分量;
步骤6:计算各IMF分量与故障侧振动信号之间的相关系数,选择相关系数大于0.1的IMF分量作为包含主要故障特征的特征分量;
步骤7:计算选取的IMF分量的样本熵,并将其组合成特征向量;
步骤8:将得到的特征向量输入至极限学习机中,通过极限学习机对齿轮的故障类型进行分类从而识别出齿轮的故障类型。
2.根据权利要求1所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤1中,将原始振动信号存储至计算机中。
3.根据权利要求1所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤1中,采用加速度传感器采集原始振动信号。
4.根据权利要求1所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤5中,通过高斯白噪声和多重经验模态分解,得到IMF分量的平均值。
5.根据权利要求1所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤8中,具体包括:
a、产生训练样本和测试样本;
b、ELM创建与训练;
c、ELM仿真测试;
d、训练样本和测试样本结果对比;
e、高速级齿轮故障信号分类识别结果。
6.根据权利要求5所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤a中,使用随机选取法选择训练样本,将剩余样本作为测试样本。
7.根据权利要求5所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤b中,通过elmtrain函数进行ELM创建与训练。
8.根据权利要求5所述的一种齿轮箱齿轮故障诊断方法,其特征在于:所述步骤c中,利用elmpredict函数对产生的测试集进行仿真实验的测试分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554939.2A CN113283028A (zh) | 2021-05-21 | 2021-05-21 | 一种齿轮箱齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554939.2A CN113283028A (zh) | 2021-05-21 | 2021-05-21 | 一种齿轮箱齿轮故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283028A true CN113283028A (zh) | 2021-08-20 |
Family
ID=77280453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554939.2A Pending CN113283028A (zh) | 2021-05-21 | 2021-05-21 | 一种齿轮箱齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283028A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及*** |
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及*** |
WO2024138791A1 (zh) * | 2022-12-27 | 2024-07-04 | 江苏徐工国重实验室科技有限公司 | 变速箱故障的检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109596349A (zh) * | 2018-12-06 | 2019-04-09 | 桂林电子科技大学 | 一种基于vmd和pct的减速器故障诊断方法 |
KR20190092753A (ko) * | 2018-01-31 | 2019-08-08 | 한국항공대학교산학협력단 | 전달오차를 이용한 회전체 결함 분석 장치 및 방법 |
-
2021
- 2021-05-21 CN CN202110554939.2A patent/CN113283028A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190092753A (ko) * | 2018-01-31 | 2019-08-08 | 한국항공대학교산학협력단 | 전달오차를 이용한 회전체 결함 분석 장치 및 방법 |
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 |
CN109596349A (zh) * | 2018-12-06 | 2019-04-09 | 桂林电子科技大学 | 一种基于vmd和pct的减速器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
任国春等: "基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断", 《山东工业技术》 * |
杨宇等: "《机械故障诊断的变量预测模式识别方法》", 31 August 2017 * |
魏永合等: "基于EEMD和ELM的齿轮故障状态识别", 《组合机床与自动化加工技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及*** |
WO2024138791A1 (zh) * | 2022-12-27 | 2024-07-04 | 江苏徐工国重实验室科技有限公司 | 变速箱故障的检测方法和装置 |
CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
CN110470475B (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
CN102736562B (zh) | 面向数控机床故障诊断与故障预报的知识库构建方法 | |
Su et al. | Gear fault identification and classification of singular value decomposition based on Hilbert-Huang transform | |
CN109710955B (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
CN114894468B (zh) | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 | |
Shang et al. | An intelligent fault diagnosis system for newly assembled transmission | |
Li et al. | Mobile robot motor bearing fault detection and classification on discrete wavelet transform and LSTM network | |
CN111060844A (zh) | 一种用于高速列车牵引传动***的匝间短路故障诊断方法及装置 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
Yu et al. | A new method for quantitative estimation of rolling bearings under variable working conditions | |
Wang et al. | Diesel engine gearbox fault diagnosis based on multi-features extracted from vibration signals | |
Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
Wu et al. | A fault diagnosis method of rotating machinery based on multi-scale fuzzy entropy | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Fan et al. | Gear damage diagnosis and classification based on support vector machines | |
CN116451105A (zh) | 一种基于iceemdan-mpe-rf和svm的风电机组齿轮箱故障诊断方法 | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 |
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: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |