Nothing Special   »   [go: up one dir, main page]

CN110231166B - 一种变转速工况下三级传动齿轮箱的智能诊断方法 - Google Patents

一种变转速工况下三级传动齿轮箱的智能诊断方法 Download PDF

Info

Publication number
CN110231166B
CN110231166B CN201910590065.9A CN201910590065A CN110231166B CN 110231166 B CN110231166 B CN 110231166B CN 201910590065 A CN201910590065 A CN 201910590065A CN 110231166 B CN110231166 B CN 110231166B
Authority
CN
China
Prior art keywords
fault
speed
gear
stage
frequency
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.)
Active
Application number
CN201910590065.9A
Other languages
English (en)
Other versions
CN110231166A (zh
Inventor
朱瑜
金超
晋文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Cyberinsight Technology Co ltd
Original Assignee
Beijing Cyberinsight Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Cyberinsight Technology Co ltd filed Critical Beijing Cyberinsight Technology Co ltd
Priority to CN201910590065.9A priority Critical patent/CN110231166B/zh
Publication of CN110231166A publication Critical patent/CN110231166A/zh
Application granted granted Critical
Publication of CN110231166B publication Critical patent/CN110231166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01M13/021—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种变转速工况下三级传动齿轮箱的智能诊断方法，包括步骤：在不同转速区间内设置判断齿轮箱各部件故障程度的阈值，将时域非平稳信号转化为角域平稳信号，进行阶次谱和阶次包络谱分析，分别提取阶次谱和阶次包络谱中轴承故障特征频率的前n阶谐波能量，计算齿轮箱阶次包络谱中低速级齿轮的故障频率前d阶谐波数量，同时计算齿轮箱中间级和高速级前t阶啮合频率两侧各N个齿轮故障边频范围内齿轮故障边频数量，并将其分别与阈值比较，以判断轴承和齿轮早期、中期和晚期故障。该方法对数据依赖程度很低，泛化能力强，诊断结果准确率高，避免了齿轮箱变转速运行工况对智能诊断带来的不利影响，具有很强的实用性。

Description

一种变转速工况下三级传动齿轮箱的智能诊断方法
技术领域
本申请涉及一种变转速工况下三级传动齿轮箱的智能诊断方法，适用于旋转机械的故障监测和诊断的技术领域。
背景技术
齿轮箱是工业领域常用的部件，通过齿轮箱可实现的增速或降速目的，在机组正常运行中发挥着重要作用。三级传动齿轮箱在工业领域应用广泛，如双馈风电机组一般采用三级传动齿轮箱实现风轮转速大幅提升；化工领域聚合釜通常采用三级传动齿轮箱实现电机降速；煤矿领域也通常采用三级传动齿轮箱实现电机的减速。此外，变转速工况是工业领域中旋转设备的一种常见工况，如风电机组的变转速运行，设备的启停机等均是变转工况。变转速工况通常会对齿轮箱的诊断带来困难。同时，齿轮箱故障在工业生产中又较为常见，会引起设备停机，影响生产，严重故障甚至会引发安全生产事故。
目前，现有技术中已经对变转速工况下三级传动齿轮箱振动进行在线监测，通过在齿轮箱不同位置(低速级、中间级、高速级)布置多个振动加速度传感器测量齿轮箱振动，通过振动分析师对振动数据进行分析把握齿轮箱健康状态，并定期提供诊断维护报告。该方法一定程度上解决了齿轮箱过维护和欠维护的缺点，但该方法需要振动分析师进行定期分析对分析师的经验依赖较大，并且不能实时给出齿轮箱的最新状态和维护建议，不利于齿轮箱运行状态的实时把控。因此，设计一种变转速工况下三级传动齿轮箱的智能诊断方法，实时诊断齿轮箱故障并输出诊断结果和维护建议对齿轮箱的运维意义重大。
目前，对齿轮箱智能诊断方法多是借助机器学习的方法实现齿轮箱智能诊断，该类方法首先对振动信号进行时域、频域或时频域特征提取，接着采用神经网络、支持向量机、随机森林、深度学习等机器学习方法构建齿轮箱故障分类模型，最终实现齿轮箱故障的智能诊断。采用机器学习的方法建立齿轮箱智能诊断模型目前还多处于理论研究和实验阶段，并且该方法对数据依赖程度极高，需要有大量的齿轮箱故障数据和正常数据来训练模型。实际中齿轮箱的故障数据很少，利用少量的数据所构建机器学习模型泛化能力很差，并且很难覆盖到齿轮箱众多的故障模式，这对齿轮箱智能诊断模型在实际应用中带来了困难。
除了基于机器学习的齿轮箱智能诊断模型外，基于故障树的专家系统在齿轮箱智能诊断方面也有相关研究，该方法利用大量的专家知识构建齿轮箱故障诊断专家系统，用户可输入齿轮箱故障现象，系统会逐步推理最终输出故障原因。该方法所需要的大量专家知识很难获取，齿轮箱故障现象较难精确描述，并且所覆盖的齿轮箱故障有限，很难精确定位到齿轮箱故障部件；另外，专家系统在后续更新上成本过高，不容易维护。
基于振动信号处理的齿轮箱智能诊断方法也有相应的研究，如：通过计算齿轮箱振动信号的时域特征参数，如峰峰值、有效值、峭度值、波形指标、脉冲指标等参数，通过判断特征参数超出阈值，给出齿轮箱故障提示；通过判断振动数据傅里叶变换频谱中特征频率成分的幅值是否超出阈值给出齿轮箱报警提示；通过对振动信号进行小波包分解，观察分解后小波子带图中是否存在瞬态冲击或周期性冲击来判断齿轮箱故障。该类方法在齿轮箱智能诊断方面也存在不足，如单纯依赖时域特征参数进行故障提示不能准确定位到故障部件；单纯采用傅里叶频谱分析进行齿轮箱报警的方法并不能识别齿轮箱内轴承早期、中期缺陷，并且由于变转速工况运行的特点，采用传统的频谱分析方法会出现“频率模糊”的现象，不利于特征频率的识别，并且频谱幅值的变化受转速波动影响极大，相应的报警阈值很难确定；通过观察小波子带中的冲击特征来判断齿轮箱故障需要人的介入，本质上并不属于齿轮箱智能诊断。
由此可见，现有齿轮箱智能诊断方法均存在较大的不足，很难真正实现齿轮箱智能诊断。
发明内容
本申请的目的是设计一种变转速工况下三级传动齿轮箱的智能诊断方法。该方法从机理角度出发通过数据分析和特征提取实现变转速工况下齿轮箱的智能诊断，对数据依赖程度很低，泛化能力强，不需要大量专家知识，诊断结果准确率高，诊断过程完全不需要人为干预。同时，该方法通过在不同转速区间对齿轮箱进行智能诊断，并利用转速信号对原始振动信号进行差值采样转化为角域平稳信号，避免了齿轮箱变转速运行工况对智能诊断带来的不利影响。此外，该方法的诊断范围可覆盖到齿轮箱内所有齿轮和轴承部件，具有很强的实用性。
本申请涉及一种变转速工况下三级传动齿轮箱的智能诊断方法，在三级传动齿轮箱的低速级、中间级、高速级位置分别设置有振动加速度传感器，包括以下步骤：
(1)将齿轮箱的转速区间划分为多段，在不同转速区间内设置判断齿轮箱各部件故障程度的阈值；
(2)通过转速脉冲信号实现各转速区间内齿轮箱原始振动信号的等角度重采样，将时域非平稳信号转化为角域平稳信号；
(3)针对齿轮箱各测点的角域平稳信号进行阶次谱和阶次包络谱分析，分别提取阶次谱和阶次包络谱中轴承内圈、外圈、滚动体、保持架故障特征频率的前n阶谐波能量，并将阶次包络谱中谐波能量最大值与对应转速区间内的故障阈值比较判断轴承早期和中期故障；同时，将阶次谱中谐波能量最大值与对应转速区间内的故障阈值比较判断轴承晚期故障；
(4)计算齿轮箱低速级阶次包络谱中低速级齿轮的故障频率前d阶谐波数量，并将其与对应转速区间内的谐波数量阈值比较，判断低速级齿轮早期、中期和晚期故障；同时，分别计算齿轮箱中间级和高速级前t阶啮合频率两侧各N个齿轮故障边频范围内齿轮故障边频数量，并将其最大值与边频数量阈值比较判断齿轮箱中间级和高速级齿轮早期、中期和晚期故障。
优选地，还包括以下步骤：采用滑窗的方法对当前窗口内多次诊断结果进行统计，最终将可能性最大的故障等级作为最终结果输出。
优选地，n为3，7≦d≦15，N为6，t为3。
本申请还涉及一种变转速工况下三级传动齿轮箱的智能诊断方法，在三级传动齿轮箱的低速级、中间级、高速级位置分别设置有振动加速度传感器，包括以下步骤：
(1)将齿轮箱高速轴转速范围划分为n个区间，在每个转速区间设置齿轮箱内各轴承和齿轮的故障阈值；其中，轴承故障阈值采用故障频率谐波能量，齿轮故障阈值采用故障频率数量，故障阈值分为三个等级Ⅰ、Ⅱ、Ⅲ，分别对应早期、中期、晚期故障阈值；
(2)依据高速轴转速脉冲信号计算高速轴转速H_speed；
(3)依据转速脉冲信号分别对齿轮箱低速级、中间级、高速级各测点振动数据进行等角度采样并对等角度采样后振动信号进行阶次谱分析，所得阶次谱记为ord_spec1，ord_spec2，ord_spec3；对齿轮箱低速级、中间级、高速级各点振动信号分别进行带通滤波，依据转速脉冲信号对滤波后信号进行等角度采样并对等角度采样后振动信号进行阶次包络谱分析，所得包络谱分别记为env_spec1，env_spec2，env_spec3；
(4)分别计算ord_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec1；分别计算ord_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec2；分别计算ord_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec3；
(5)分别计算env_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env1；分别计算env_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env2；分别计算env_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env3；
(6)统计env_spec1中低速级齿轮故障频率前d阶范围内所出现的故障频率谐波数量num1；
(7)统计ord_spec2中前三阶中间级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num2；
(8)统计ord_spec3中前三阶高速级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num3；
(9)判断轴承和齿轮故障。
优选地，在上述步骤以后，采用滑窗方法对窗口内齿轮箱各部件多次诊断结果进行统计，最终将可能性最大的故障等级作为该部件最终诊断结果输出。
优选地，在步骤(6)中，统计env_spec1中低速级齿轮故障频率前d阶范围内所出现的故障频率谐波数量的具体方法如下：
(a)初始化齿轮故障频率谐波数量num1＝0；
(b)计算低速级齿轮第d阶故障频率f12；
(c)f12＝d×planet_gear，其中：planet_gear为齿轮故障频率；
(d)计算env_spec1中[0,f12]范围内各频率点对应的加速度幅值标准差std；
(e)计算第i(i＝1,2,…,d)个故障频率谐波对应的加速度幅值Ai；
(f)若Ai>3×std，num1＝num1+1；
(g)重复步骤(d)、(e)，最终获得低速级齿轮故障频率谐波数量num1。
在步骤(7)中，统计ord_spec2中前三阶中间级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量并取其最大值num2的具体方法如下：
(a)初始化前三阶中间级啮合频率齿轮故障边频数量n1＝0，n2＝0，n3＝0；
(b)计算齿轮箱中间级啮合频率fi_mesh，中间级齿轮故障频率ISS_gear；
(c)提取fi_mesh+i×ISS_gear，2fi_mesh+i×ISS_gear，3fi_mesh+i×ISS_gear对应的加速度幅值a1，a2，a3；提取fi_mesh、2fi_mesh、3fi_mesh对应的加速度幅值b1，b2，b3；其中，i＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6；
(d)若b1>th1且a1/b1>0.25，n1＝n1+1；若b2>th1且a2/b2>0.25，n2＝n2+1；若b3>th1且a3/b3>0.25，n3＝n3+1；其中，th1为中间级啮合频率对应的加速度阈值；
(e)重复步骤(c)、(d)最终得n1，n2，n3；
(f)取n1，n2，n3中最大值得num2，num2＝max(n1,n2,n3)。
在步骤(8)中，统计ord_spec3中前三阶高速级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量并取其最大值num3的具体计算方法如下：
(a)初始化前三阶高速级啮合频率齿轮故障边频数量m1＝0，m2＝0，m3＝0；
(b)计算齿轮箱高速级啮合频率fh_mesh，中间级齿轮故障频率HSS_gear；
(c)提取fh_mesh+j×HSS_gear，2fh_mesh+j×HSS_gear，3fh_mesh+j×HSS_gear对应的幅值c1，c2，c3；提取fh_mesh、2fh_mesh、3fh_mesh对应的加速度幅值d1，d2，d3；其中，j＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6。
(d)若d1>th2且c1/d1>s，m1＝m1+1；若d2>th2且c2/d2>s，m2＝m2+1；若d3>th2且c3/d3>s，m3＝m3+1；其中，th2为高速级啮合频率对应的加速度阈值，s取值介于0.1-0.3之间；
(e)重复步骤(c)、(d)最终得m1，m2，m3；
(f)取m1，m2，m3中最大值得num3，num3＝max(m1,m2,m3)。
在步骤(9)中，判断轴承和齿轮故障：
(a)若L3≤E_spec1，则低速级轴承晚期故障；否则，若E_env1<L1，则低速级轴承正常；若L1≤E_env 1<L2，则低速级轴承早期故障；若L2≤E_env1，则低速级轴承中期故障；其中，L1，L2，L3分别为对应转速区间的低速级轴承三级故障阈值；
(b)若I3≤E_spec2，则中间级轴承晚期故障；否则，若E_env2<I1，则中间级轴承正常；若I1≤E_env2<I2，则中间级轴承早期故障；若I2≤E_env2，则中间级轴承中期故障；其中，I1，I2，I3分别为对应转速区间的中间级轴承三级故障阈值；
(c)若H3≤E_spec3，则高速级轴承晚期故障；否则，若E_env3<H1，则高速级轴承正常；若H1≤E_env3<H2，则中间级轴承早期故障；若H2≤E_env3，则高速级轴承中期故障；其中，H1，H2，H3分别为对应转速区间的中间级轴承三级故障阈值；
(d)若num1<g1，低速级齿轮正常；若g1≤num1<g2，则低速级齿轮早期故障；若g2≤num1<g3，则低速级齿轮中期故障；若g3≤num1，则低速级齿轮晚期故障；
若num2<g1，中间级齿轮正常；g1≤num2<g2，则中间级齿轮早期故障，若g2≤num2<g3，则中间级齿轮中期故障，若g3≤num2，则中间级齿轮晚期故障；
(e)若num3<g1，高速级齿轮正常；g1≤num3<g2，则高速级齿轮早期故障，若g2≤num3<g3，则高速级齿轮中期故障，若g3≤num3，则高速级齿轮晚期故障；其中，g1，g2，g3分别为齿轮三级故障阈值。
优选地，上述d的取值介于7-15之间。
附图说明
图1显示了采用滑窗方法对窗口内齿轮箱各部件多次诊断结果进行统计的结果示意图。
图2显示了一种实施例中的齿轮箱高速轴径向振动原始波形。
图3显示了该实施例中的齿轮箱高速轴径向振动阶次谱。
图4显示了该实施例中的齿轮箱高速轴径向振动阶次包络谱。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
根据本申请的一种变转速工况下三级传动齿轮箱的智能诊断方法，在三级传动齿轮箱的低速级、中间级、高速级位置分别设置有振动加速度传感器以测量齿轮箱的振动，该方法首先将齿轮箱的转速区间划分为多段，在不同转速区间内设置判断齿轮箱各部件故障程度的阈值；其次，通过转速脉冲信号实现各转速区间内齿轮箱原始振动信号的等角度重采样，将时域非平稳信号转化为角域平稳信号，避免了转速波动对振动信号分析的影响；接着，针对齿轮箱各测点(低速级测点、中间级测点、高速级测点)角域平稳信号进行阶次谱和阶次包络谱分析，分别提取阶次谱和阶次包络谱中轴承内圈、外圈、滚动体、保持架故障特征频率的前n阶谐波能量(n优选为3)，并将阶次包络谱中谐波能量最大值与对应转速区间内的故障阈值比较判断轴承早期和中期故障；同时，将阶次谱中谐波能量最大值与对应转速区间内阈值比较判断轴承晚期故障。接着，计算齿轮箱低速级阶次包络谱中低速级齿轮的故障频率前d(d取值介于7-15之间)阶谐波数量，并将其与对应转速区间内的谐波数量阈值比较，判断低速级齿轮早期、中期、晚期故障；同时，分别计算齿轮箱中间级和高速级前三阶啮合频率两侧各N个(例如，6个)齿轮故障边频范围内齿轮故障边频数量，并将其最大值与边频数量阈值比较判断齿轮箱中间级和高速级齿轮早期、中期和晚期故障。最后，为了实现诊断结果的稳定性，可以采用滑窗的方法对当前窗口内多次诊断结果进行统计，最终将可能性最大的故障等级作为最终结果输出。本发明中的变转速工况下三级传动齿轮箱的智能诊断方法不受齿轮箱转速波动对振动信号分析和阈值设置的影响，对齿轮箱故障数据依赖程度低，诊断范围可覆盖到齿轮箱内所有轴承和齿轮，并且采用滑窗统计的方法使最终诊断结果稳定可靠。
下面将以一种优选实施方式对本申请的变转速工况下三级传动齿轮箱的智能诊断方法进行详细说明。该方法包括以下步骤：
(1)将齿轮箱高速轴转速范围划分为n个区间，在每个转速区间设置齿轮箱内各轴承和齿轮的故障阈值。其中，轴承故障阈值采用故障频率谐波能量，齿轮故障阈值采用故障频率数量。故障阈值分为三个等级Ⅰ、Ⅱ、Ⅲ，分别对应早期、中期、晚期故障阈值。轴承故障阈值可结合齿轮箱转速、功率等参数根据历史故障经验进行设置；齿轮故障阈值可优选3(Ⅰ级)，6(Ⅱ级)，9(Ⅲ级)。
(2)依据高速轴转速脉冲信号计算高速轴转速H_speed。这是因为转速传感器输出的是脉冲信号，需要利用脉冲信号计算转速。
(3)依据转速脉冲信号分别对齿轮箱低速级、中间级、高速级各测点振动数据进行等角度采样并对等角度采样后振动信号进行阶次谱分析，所得阶次谱记为ord_spec1，ord_spec2，ord_spec3；对齿轮箱低速级、中间级、高速级各点振动信号分别进行带通滤波，依据转速脉冲信号对滤波后信号进行等角度采样并对等角度采样后振动信号进行阶次包络谱分析，所得包络谱分别记为env_spec1，env_spec2，env_spec3。通常会在齿轮箱的低速级、中间级和高速级的轴承座各布置一个测点，也存在同一转轴处布置两个以上振动测点的情况。以齿轮箱高速轴为例，可以在高速轴两个轴承座上各布置一个测点。
(4)分别计算ord_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec1；分别计算ord_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec2；分别计算ord_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec3。此处的故障频率是轴承的固有参数。
(5)分别计算env_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env1；分别计算env_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env2；分别计算env_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env3。
(6)统计env_spec1中低速级齿轮故障频率前d(d取值介于7-15之间)阶范围内所出现的故障频率谐波数量，具体方法如下：
(a)初始化齿轮故障频率谐波数量num1＝0；
(b)计算低速级齿轮第d(d取值介于7-15之间)阶故障频率f12；
(c)f12＝d×planet_gear，其中：planet_gear为齿轮故障频率；
(d)计算env_spec1中[0,f12]范围内各频率点对应的加速度幅值标准差std；低速级齿轮故障频率及其幅值较低，在阶次谱中不易识别，阶次包络谱中更易识别，因此此处选择env_spec；
(e)计算第i(i＝1,2,…,d)个故障频率谐波对应的加速度幅值Ai；
(f)若Ai>3×std，num1＝num1+1；
(g)重复步骤(d)、(e)，最终获得低速级齿轮故障频率谐波数量num1。
(7)统计ord_spec2中前三阶中间级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num2，具体方法如下：
(a)初始化前三阶中间级啮合频率齿轮故障边频数量n1＝0，n2＝0，n3＝0；
(b)计算齿轮箱中间级啮合频率fi_mesh，中间级齿轮故障频率ISS_gear；
(c)提取fi_mesh+i×ISS_gear，2fi_mesh+i×ISS_gear，3fi_mesh+i×ISS_gear对应的加速度幅值a1，a2，a3；提取fi_mesh、2fi_mesh、3fi_mesh对应的加速度幅值b1，b2，b3；其中，i＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6；
(d)若b1>th1且a1/b1>0.25，n1＝n1+1；若b2>th1且a2/b2>0.25，n2＝n2+1；若b3>th1且a3/b3>0.25，n3＝n3+1；其中，th1为中间级啮合频率对应的加速度阈值；通常，可以统计齿轮箱正常状态下多组振动数据的啮合频率幅值，并计算其均值为M，可以令th1＝0.5×M；
(e)重复步骤(c)、(d)最终得n1，n2，n3；
(f)取n1，n2，n3中最大值得num2，num2＝max(n1,n2,n3)。
其中，啮合频率＝齿轮齿数×齿轮转速；低速级、中间级和高速级由于转速和齿轮齿数不同，啮合频率也不同。
(8)统计ord_spec3中前三阶高速级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num3，具体计算方法如下：
(a)初始化前三阶高速级啮合频率齿轮故障边频数量m1＝0，m2＝0，m3＝0；
(b)计算齿轮箱高速级啮合频率fh_mesh，中间级齿轮故障频率HSS_gear；
(c)提取fh_mesh+j×HSS_gear，2fh_mesh+j×HSS_gear，3fh_mesh+j×HSS_gear对应的幅值c1，c2，c3；提取fh_mesh、2fh_mesh、3fh_mesh对应的加速度幅值d1，d2，d3；其中，j＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6。
(d)若d1>th2且c1/d1>s(s取值介于0.1-0.3之间)，m1＝m1+1；若d2>th2且c2/d2>s，m2＝m2+1；若d3>th2且c3/d3>s，m3＝m3+1；其中，th2为高速级啮合频率对应的加速度阈值。
(e)重复步骤(c)、(d)最终得m1，m2，m3；
(f)取m1，m2，m3中最大值得num3，num3＝max(m1,m2,m3)。
(9)判断轴承和齿轮故障：
(a)若L3≤E_spec1，则低速级轴承晚期故障；否则，若E_env1<L1，则低速级轴承正常；若L1≤E_env1<L2，则低速级轴承早期故障；若L2≤E_env1，则低速级轴承中期故障；其中，L1，L2，L3分别为对应转速区间的低速级轴承三级故障阈值。
(b)若I3≤E_spec2，则中间级轴承晚期故障；否则，若E_env2<I1，则中间级轴承正常；若I1≤E_env2<I2，则中间级轴承早期故障；若I2≤E_env2，则中间级轴承中期故障；其中，I1，I2，I3分别为对应转速区间的中间级轴承三级故障阈值。
(c)若H3≤E_spec3，则高速级轴承晚期故障；否则，若E_env3<H1，则高速级轴承正常；若H1≤E_env3<H2，则中间级轴承早期故障；若H2≤E_env3，则高速级轴承中期故障；其中，H1，H2，H3分别为对应转速区间的中间级轴承三级故障阈值。
(d)若num1<g1，低速级齿轮正常；若g1≤num1<g2，则低速级齿轮早期故障；若g2≤num1<g3，则低速级齿轮中期故障；若g3≤num1，则低速级齿轮晚期故障；
若num2<g1，中间级齿轮正常；g1≤num2<g2，则中间级齿轮早期故障，若g2≤num2<g3，则中间级齿轮中期故障，若g3≤num2，则中间级齿轮晚期故障；
(e)若num3<g1，高速级齿轮正常；g1≤num3<g2，则高速级齿轮早期故障，若g2≤num3<g3，则高速级齿轮中期故障，若g3≤num3，则高速级齿轮晚期故障；其中，g1，g2，g3分别为齿轮三级故障阈值。
优选地，在上述步骤以后，还可以采用滑窗方法对窗口内齿轮箱各部件多次诊断结果(当前诊断结果和历史诊断结果)进行统计，最终将可能性最大的故障等级作为该部件最终诊断结果输出，滑窗统计示意图如图1所示。具体方法如下：
当图1所示滑窗内某种故障等级发生次数所占比例≥th时，系统给出该故障等级。其中，th取值通常介于0.6-0.9之间。若滑窗内各故障等级发生次数所占比例分布均匀，单一故障等级发生次数所占比例未达到th时，计算“早期故障”、“中期故障”、“晚期故障”三种故障等级发生次数之和，若三种故障等级发生次数之和占比≥th，则系统计算三种故障等级均值fv(早期故障＝1，中期故障＝2，晚期故障＝3)，最终系统给出与均值最接近的故障等级。若在滑窗内早期故障出现了1次，中期故障出现了3次，晚期故障出现了1次，则故障等级均值计算方法如下：
Figure GDA0002614840050000101
实施例
某风电机组齿轮箱为三级传动，且为变转速工况运行。该风电机组齿轮箱转速区间为800rpm-1200rpm。将齿轮箱转速区间划分为四段，分别为：800rpm-900rpm、901rpm-1000rpm、1001rpm-1100rpm、1101rpm-1200rpm。每个转速区间分别设置对应的齿轮箱低速级、中间级和高速级的轴承和齿轮故障阈值，单一故障阈值分为三级：Ⅰ(早期故障)、Ⅱ(中期故障)、Ⅲ(晚期故障)。
本例以齿轮箱高速级智能诊断为例，对本发明所述方法进行说明。
设定各转速区间齿轮故障边频数量阈值分别为：2(Ⅰ)、5(Ⅱ)、9(Ⅲ)。“1101rpm-1200rpm”转速区间内齿轮箱高速级轴承故障阈值分别为：1.5(Ⅰ)、5.5(Ⅱ)、1.5(Ⅲ)。
该齿轮箱高速轴径向振动数据及对应的阶次谱和阶次包络谱分别如图2-4所示。依据本方法，由图3所示阶次谱计算所得高速级大(小)齿轮故障边频数量num3<2(Ⅰ)；高速级叶轮侧(电机侧)轴承前三阶谐波能量之和E_spec3<1.5(Ⅰ)。
图4中BPFI、2BPFI、3BPFI分别对应齿轮箱高速轴电机侧轴承内圈故障频率的1-3次谐波，谐波能量之和为14.78。由图4所示阶次包络谱计算所得齿轮箱叶轮侧轴承前三阶谐波能量之和E_env3<1.5(Ⅰ)；齿轮箱电机侧轴承前三阶谐波能量之和E_env3＝14.78>5.5(Ⅱ)。
由上述计算结果可知：
(1)齿轮箱高速级大(小)齿轮正常；
(2)高速轴叶轮侧轴承正常；
(3)高速轴电机侧轴承中期故障。
该齿轮箱高速级当前和前4次的诊断结果如表1所示。
表1齿轮箱高速级当前和前4次智能诊断结果
部件 前4次 前3次 前2次 前1次 当前
高速级大齿轮 正常 正常 正常 正常 正常
高速级小齿轮 正常 正常 正常 正常 正常
高速级叶轮侧轴承 正常 正常 正常 正常 正常
高速级电机侧轴承 中期故障 早期故障 中期故障 中期故障 中期故障
采用滑窗方法对窗口内多次诊断结果进行统计，窗口长度为5，单一故障等级发生次数所占比例阈值th＝0.6。则由表1可计算得出：
(1)高速级大齿轮故障次数占比为0；
(2)高速级小齿轮故障次数占比为0；
(3)高速级叶轮侧轴承故障次数占比为0；
(4)高速级电机侧轴承中期故障占比为0.8≥0.6，早期故障占比为0.2。
该方法最终输出结果为：
(1)高速级大齿轮“正常”；
(2)高速级小齿轮“正常”；
(3)高速级叶轮侧轴承“正常”；
(4)高速级电机侧轴承“中期故障”。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种变转速工况下三级传动齿轮箱的智能诊断方法，在三级传动齿轮箱的低速级、中间级、高速级位置分别设置有振动加速度传感器，其特征在于，包括以下步骤：
(1)将齿轮箱的转速区间划分为多段，在不同转速区间内设置判断齿轮箱各部件故障程度的阈值；
(2)通过转速脉冲信号实现各转速区间内齿轮箱原始振动信号的等角度重采样，将时域非平稳信号转化为角域平稳信号；
(3)针对齿轮箱各测点的角域平稳信号进行阶次谱和阶次包络谱分析，分别提取阶次谱和阶次包络谱中轴承内圈、外圈、滚动体、保持架故障特征频率的前n阶谐波能量，并将阶次包络谱中谐波能量最大值与对应转速区间内的故障阈值比较判断轴承早期和中期故障；同时，将阶次谱中谐波能量最大值与对应转速区间内的故障阈值比较判断轴承晚期故障；
(4)计算齿轮箱低速级阶次包络谱中低速级齿轮的故障频率前d阶谐波数量，并将其与对应转速区间内的谐波数量阈值比较，判断低速级齿轮早期、中期和晚期故障；同时，分别计算齿轮箱中间级和高速级前t阶啮合频率两侧各N个齿轮故障边频范围内齿轮故障边频数量，并将其最大值与边频数量阈值比较判断齿轮箱中间级和高速级齿轮早期、中期和晚期故障。
2.根据权利要求1所述的智能诊断方法，其特征在于，还包括以下步骤：采用滑窗的方法对当前窗口内多次诊断结果进行统计，最终将可能性最大的故障等级作为最终结果输出。
3.根据权利要求1或2所述的智能诊断方法，其特征在于，n为3，7≦d≦15，N为6，t为3。
4.一种变转速工况下三级传动齿轮箱的智能诊断方法，在三级传动齿轮箱的低速级、中间级、高速级位置分别设置有振动加速度传感器，其特征在于，包括以下步骤：
(1)将齿轮箱高速轴转速范围划分为n个区间，在每个转速区间设置齿轮箱内各轴承和齿轮的故障阈值；其中，轴承故障阈值采用故障频率谐波能量，齿轮故障阈值采用故障频率数量，故障阈值分为三个等级Ⅰ、Ⅱ、Ⅲ，分别对应早期、中期、晚期故障阈值；
(2)依据高速轴转速脉冲信号计算高速轴转速H_speed；
(3)依据转速脉冲信号分别对齿轮箱低速级、中间级、高速级各测点振动数据进行等角度采样并对等角度采样后振动信号进行阶次谱分析，所得阶次谱记为ord_spec1，ord_spec2，ord_spec3；对齿轮箱低速级、中间级、高速级各点振动信号分别进行带通滤波，依据转速脉冲信号对滤波后信号进行等角度采样并对等角度采样后振动信号进行阶次包络谱分析，所得包络谱分别记为env_spec1，env_spec2，env_spec3；
(4)分别计算ord_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec1；分别计算ord_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec2；分别计算ord_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_spec3；
(5)分别计算env_spec1中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env1；分别计算env_spec2中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env2；分别计算env_spec3中轴承内圈、外圈、滚动体、保持架故障频率前三阶能量和，并取其最大值得E_env3；
(6)统计env_spec1中低速级齿轮故障频率前d阶范围内所出现的故障频率谐波数量num1；
(7)统计ord_spec2中前三阶中间级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num2；
(8)统计ord_spec3中前三阶高速级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量，并取其最大值num3；
(9)判断轴承和齿轮故障。
5.根据权利要求4所述的智能诊断方法，其特征在于，在上述步骤以后，采用滑窗方法对窗口内齿轮箱各部件多次诊断结果进行统计，最终将可能性最大的故障等级作为该部件最终诊断结果输出。
6.根据权利要求4所述的智能诊断方法，其特征在于，在步骤(6)中，统计env_spec1中低速级齿轮故障频率前d阶范围内所出现的故障频率谐波数量的具体方法如下：
(a)初始化齿轮故障频率谐波数量num1＝0；
(b)计算低速级齿轮第d阶故障频率f12；
(c)f12＝d×planet_gear，其中：planet_gear为齿轮故障频率；
(d)计算env_spec1中[0,f12]范围内各频率点对应的加速度幅值标准差std；
(e)计算第i个故障频率谐波对应的加速度幅值Ai，其中i＝1,2,…,d；
(f)若Ai>3×std，num1＝num1+1；
(g)重复步骤(d)、(e)，最终获得低速级齿轮故障频率谐波数量num1。
7.根据权利要求6所述的智能诊断方法，其特征在于，在步骤(7)中，统计ord_spec2中前三阶中间级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量并取其最大值num2的具体方法如下：
(a)初始化前三阶中间级啮合频率齿轮故障边频数量n1＝0，n2＝0，n3＝0；
(b)计算齿轮箱中间级啮合频率fi_mesh，中间级齿轮故障频率ISS_gear；
(c)提取fi_mesh+i×ISS_gear，2fi_mesh+i×ISS_gear，3fi_mesh+i×ISS_gear对应的加速度幅值a1，a2，a3；提取fi_mesh、2fi_mesh、3fi_mesh对应的加速度幅值b1，b2，b3；其中，i＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6；
(d)若b1>th1且a1/b1>0.25，n1＝n1+1；若b2>th1且a2/b2>0.25，n2＝n2+1；若b3>th1且a3/b3>0.25，n3＝n3+1；其中，th1为中间级啮合频率对应的加速度阈值；
(e)重复步骤(c)、(d)最终得n1，n2，n3；
(f)取n1，n2，n3中最大值得num2，num2＝max(n1,n2,n3)。
8.根据权利要求7所述的智能诊断方法，其特征在于，在步骤(8)中，统计ord_spec3中前三阶高速级啮合频率两侧各6个齿轮故障边频范围内齿轮故障边频数量并取其最大值num3的具体计算方法如下：
(a)初始化前三阶高速级啮合频率齿轮故障边频数量m1＝0，m2＝0，m3＝0；
(b)计算齿轮箱高速级啮合频率fh_mesh，中间级齿轮故障频率HSS_gear；
(c)提取fh_mesh+j×HSS_gear，2fh_mesh+j×HSS_gear，3fh_mesh+j×HSS_gear对应的幅值c1，c2，c3；提取fh_mesh、2fh_mesh、3fh_mesh对应的加速度幅值d1，d2，d3；其中，j＝-6,-5,-4,-3,-2,-1,1,2,3,4,5,6；
(d)若d1>th2且c1/d1>s，m1＝m1+1；若d2>th2且c2/d2>s，m2＝m2+1；若d3>th2且c3/d3>s，m3＝m3+1；其中，th2为高速级啮合频率对应的加速度阈值，s取值介于0.1-0.3之间；
(e)重复步骤(c)、(d)最终得m1，m2，m3；
(f)取m1，m2，m3中最大值得num3，num3＝max(m1,m2,m3)。
9.根据权利要求8所述的智能诊断方法，其特征在于，在步骤(9)中，判断轴承和齿轮故障：
(a)若L3≤E_spec1，则低速级轴承晚期故障；否则，若E_env1<L1，则低速级轴承正常；若L1≤E_env1<L2，则低速级轴承早期故障；若L2≤E_env1，则低速级轴承中期故障；其中，L1，L2，L3分别为对应转速区间的低速级轴承三级故障阈值；
(b)若I3≤E_spec2，则中间级轴承晚期故障；否则，若E_env2<I1，则中间级轴承正常；若I1≤E_env2<I2，则中间级轴承早期故障；若I2≤E_env2，则中间级轴承中期故障；其中，I1，I2，I3分别为对应转速区间的中间级轴承三级故障阈值；
(c)若H3≤E_spec3，则高速级轴承晚期故障；否则，若E_env3<H1，则高速级轴承正常；若H1≤E_env3<H2，则中间级轴承早期故障；若H2≤E_env3，则高速级轴承中期故障；其中，H1，H2，H3分别为对应转速区间的中间级轴承三级故障阈值；
(d)若num1<g1，低速级齿轮正常；若g1≤num1<g2，则低速级齿轮早期故障；若g2≤num1<g3，则低速级齿轮中期故障；若g3≤num1，则低速级齿轮晚期故障；若num2<g1，中间级齿轮正常；g1≤num2<g2，则中间级齿轮早期故障，若g2≤num2<g3，则中间级齿轮中期故障，若g3≤num2，则中间级齿轮晚期故障；
(e)若num3<g1，高速级齿轮正常；g1≤num3<g2，则高速级齿轮早期故障，若g2≤num3<g3，则高速级齿轮中期故障，若g3≤num3，则高速级齿轮晚期故障；其中，g1，g2，g3分别为齿轮三级故障阈值。
10.根据权利要求4-9中任一项所述的智能诊断方法，其特征在于，d的取值介于7-15之间。
CN201910590065.9A 2019-07-02 2019-07-02 一种变转速工况下三级传动齿轮箱的智能诊断方法 Active CN110231166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910590065.9A CN110231166B (zh) 2019-07-02 2019-07-02 一种变转速工况下三级传动齿轮箱的智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910590065.9A CN110231166B (zh) 2019-07-02 2019-07-02 一种变转速工况下三级传动齿轮箱的智能诊断方法

Publications (2)

Publication Number Publication Date
CN110231166A CN110231166A (zh) 2019-09-13
CN110231166B true CN110231166B (zh) 2020-12-01

Family

ID=67857658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910590065.9A Active CN110231166B (zh) 2019-07-02 2019-07-02 一种变转速工况下三级传动齿轮箱的智能诊断方法

Country Status (1)

Country Link
CN (1) CN110231166B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114658611B (zh) * 2020-12-23 2024-06-21 金风科技股份有限公司 风力发电机的主轴承异常检测方法和主轴承异常检测装置
CN112857798B (zh) * 2021-02-23 2023-03-10 太原理工大学 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置
CN112800563A (zh) * 2021-03-30 2021-05-14 三一重型装备有限公司 采煤机故障判别方法、系统和可读存储介质
CN113358212B (zh) * 2021-06-21 2022-09-30 重庆理工大学 基于相对谐阶次的机电故障诊断方法、系统及建模方法
CN114486254B (zh) * 2022-02-09 2024-10-22 青岛迈金智能科技股份有限公司 一种基于时/频双域分析的自行车轴承检测方法
CN114577468B (zh) * 2022-03-03 2023-08-18 潍柴动力股份有限公司 一种发动机动态断缸下的弹性联轴器失效检测方法及系统
CN115420498B (zh) * 2022-08-31 2024-06-14 中南大学 一种基于波峰计数的齿轮故障量化诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19902326C2 (de) * 1999-01-21 2003-05-08 Medav Digitale Signalverarbeit Verfahren zur Schadensfrüherkennung von rotierenden Maschinen
CN109682601A (zh) * 2019-03-04 2019-04-26 北京天泽智云科技有限公司 一种变转速工况下滚动轴承的早期故障识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19902326C2 (de) * 1999-01-21 2003-05-08 Medav Digitale Signalverarbeit Verfahren zur Schadensfrüherkennung von rotierenden Maschinen
CN109682601A (zh) * 2019-03-04 2019-04-26 北京天泽智云科技有限公司 一种变转速工况下滚动轴承的早期故障识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于故障特征频率的阶比双谱方法及其在滚动轴承故障诊断中的应用;刘中磊等;《中国电机工程学报》;20131125;第33卷(第33期);全文 *

Also Published As

Publication number Publication date
CN110231166A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110231166B (zh) 一种变转速工况下三级传动齿轮箱的智能诊断方法
CN105716857B (zh) 一种行星齿轮箱健康状态评估方法
Yoon et al. On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis
Hu et al. A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension
CN102937522B (zh) 一种齿轮箱复合故障诊断方法及系统
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
CN102998118B (zh) 一种基于形态学滤波和复杂度测度的轴承定量诊断方法
Yoon et al. Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging
Guo et al. Tooth root crack detection of planet and sun gears based on resonance demodulation and vibration separation
CN108801630A (zh) 单通道盲源分离的齿轮故障诊断方法
CN111461497A (zh) 一种具有智能诊断功能的风电机组预警方法及系统
CN105548595A (zh) 一种提取风电齿轮箱各级轴转速检测方法
CN101452276A (zh) 冷轧酸洗拉矫机齿轮箱运行状态的在线监测方法
CN114964769A (zh) 一种风电齿轮箱振动信号故障诊断方法
CN107490477B (zh) 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法
Yang et al. Resampling technique-based demodulation analysis for planet bearing cage fault diagnosis under nonstationary conditions
CN111582248B (zh) 一种基于svd的齿轮箱信号降噪方法
CN113204849A (zh) 一种齿轮箱齿轮剥落故障检测方法
CN107525672A (zh) 一种基于基尼指标改进的SKRgram方法
Huang et al. Synchronous averaging with sliding narrowband filtering for low-speed bearing fault diagnosis
Gelman et al. Diagnostics of local tooth damage in gears by the wavelet technology
CN110082101B (zh) 基于输入输出扭矩动力学特性的行星齿轮系统故障监测方法
CN116383629A (zh) 一种变转速滚动轴承故障诊断方法
CN115876471A (zh) 基于自适应阶次分析的轧机齿轮箱故障特征提取方法
Liu et al. Fault diagnosis of wind turbine gearbox based on dual-tree complex wavelet and information entropy

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