一种简易齿轮箱故障检测方法技术

本发明专利技术提出了一种简易齿轮箱故障检测方法，用以解决现有齿轮故障检测方法复杂度高，准确性差的技术问题。本发明专利技术等间隔连续采集齿轮箱m组振动信号并预处理，筛选出齿轮故障的敏感特征；对敏感特征的数据进行数据预处理；将前q组数据等分为p个区间，使用最小二乘法计算敏感特征在第i个区间的斜率值，利用斜率值构造数据矩阵；使用熵值法计算出敏感特征的权重值；使用和积法利用权重值和斜率值计算第i个区间的齿轮劣化指数，基于中心极限定理计算齿轮劣化指数的报警值；对后r组数据计算出齿轮劣化指数；若齿轮劣化指数≥w，判断齿轮发生故障；否则，齿轮未发生故障。本发明专利技术可以自动检测齿轮箱健康状况，显著提高齿轮故障识别准确性。性。性。

【技术实现步骤摘要】
一种简易齿轮箱故障检测方法


[0001]本专利技术涉及设备状态监测和故障诊断的
，尤其涉及一种简易齿轮箱故障检测方法。

技术介绍

[0002]齿轮箱是机械设备中用途非常广泛的关键设备，主要应用于制造业、煤炭、石化、电力、水利等国计民生的支柱产业。通过对齿轮箱进行健康监测，可以发现齿轮箱的早期故障，提升设备智能运维水平，避免非计划停机，减少故障发生次数，提升设备运行效率，确保设备安全稳定运行。
[0003]通常，齿轮箱中轴承或齿轮发生故障时，人工很难根据经验进行区分判断，专家一般通过分析振动图谱的冲击成分或精确故障频率位置判断故障类别。在智能制造领域，齿轮箱智能运维和无人值守场景亟需一种准确自动识别齿轮箱故障的监测方法。因此，有必要提出一种简易且能准确自动识别齿轮箱故障的新方法，自动检测齿轮箱健康状况，促进设备预测性维修模式落地，助力企业降本提质增效。
[0004]申请号为202010270912.6的基于VMD熵值法和VPMCD相结合的齿轮故障诊断方法，将变分模态分解VMD和变量预测模型模式识别VPMCD相结合，提纯了齿轮振动信号，滤除了大部分无用的噪声干扰信号成分，突显了信号自身信息，对齿轮故障具有更高的故障识别准确性和更高的识别效率。但是，其处理方法复杂，计算量较大，不能进行实时的故障识别。

技术实现思路

[0005]针对现有齿轮故障检测方法复杂度高，准确性差的技术问题，本专利技术提出一种简易齿轮箱故障检测方法，可以自动检测齿轮箱健康状况，显著提高齿轮故障识别准确性。
>[0006]为了达到上述目的，本专利技术的技术方案是这样实现的：一种简易齿轮箱故障检测方法，其步骤如下：
[0007]步骤1：在额定工况下，等间隔连续采集齿轮箱m组振动信号x(t)，对振动信号x(t)进行预处理，分别在时域、频域和时频域计算特征值，筛选出齿轮故障的s个敏感特征；
[0008]步骤2：对s个敏感特征的各m组数据分别进行数据预处理，得到s个敏感特征的n组数据；
[0009]步骤3：将s个敏感特征的前q组数据等分为p个区间，区间长度L＝q/p，使用最小二乘法计算第j个敏感特征在第i个区间的斜率值k
ij
，利用斜率值k
ij
构造第j个敏感特征的数据矩阵K；其中，i＝1,2,...,p；j＝1,2,
…
,s；
[0010]步骤4：根据数据矩阵K，使用熵值法计算出第j个敏感特征的权重值
[0011]步骤5：使用和积法计算第i个区间的齿轮劣化指数基于中心极限定理，计算齿轮劣化指数的报警值w；
[0012]步骤6：对s个敏感特征后r＝n
‑
q组数据，当数据长度达到L时，根据各敏感特征的
斜率值和权重值计算出齿轮劣化指数若齿轮劣化指数判断齿轮发生故障；否则，齿轮未发生故障。
[0013]优选地，所述敏感特征包括单峰值P
k
、包络值E
v
和冲击啮合指数值I
m
；所述冲击啮合指数值I
m
为：
[0014][0015]式中，均方根值R
v
＞0.1，1倍啮合频率值G
m
＞0.1，100＞I
m
＞0；W
v
为波形指标，P
k
为单峰值，k、v、m为下标。
[0016]优选地，所述步骤1中的预处理为通过白噪声检验方法去除振动信号x(t)中的随机噪声信号；所述步骤2中的数据预处理包括剔除设备停机数据和报警数据以及计算中位数；剔除设备停机数据指的是将转速为0时计算的特征值删除；剔除设备报警数据指将单峰值超过预设报警值时计算的特征值删除；计算中位数是指从m组数据中剔除停机数据后每10组数据获取一个中位数。
[0017]优选地，所述最小二乘法计算第j个敏感特征在第i个区间的斜率值k
ij
的方法为：
[0018]对于第j个敏感特征在第i个区间内构造数据矩阵Y
ij
，使用最小二乘法进行一元线性拟合Xβ
ij
＝Y
ij
，且：
[0019][0020]式中，y1‑
y
L
为第j个敏感特征在第i区间内的L组数据；
[0021]根据公式β
ij
＝(X
T
X)
‑1X
T
Y
ij
求出该区间内的拟合曲线的斜率值k
ij
。
[0022]优选地，所述熵值法为：第j个敏感特征的熵值为：
[0023][0024]其中，k
ij
为第i个区间第j个敏感特征的斜率值，p为区间个数；
[0025]第j个敏感特征的权重值为：
[0026][0027]优选地，若斜率值小于0，则取该斜率值绝对值；若某列斜率值等于0，则让该列数据同时加上一个值，默认为0.01。
[0028]优选地，所述计算齿轮劣化指数的方法为：第i个区间的齿轮劣化指数为
[0029][0030]其中，s为敏感特征总数。
[0031]优选地，所述中心极限定理的实现方法为：计算齿轮劣化指数的均值μ和标准方差σ；根据3σ原则求齿轮劣化指数的报警值w为：w＝μ+3σ。
[0032]本专利技术的有益效果：通过和积法计算敏感特征的齿轮劣化指数，将齿轮故障的多个敏感特征，放在一起进行处理，相比单一指标，诊断准确性更高；齿轮劣化指数报警值，是
基于正常数据，采用中心极限定理统计出来的；根据3sigma原则，故障发生时，齿轮劣化指数会超过该报警值。本专利技术结合齿轮箱自身特点，自动检测齿轮箱健康状况，显著提高齿轮故障识别准确性，促进设备预测性维修模式落地，助力企业降本提质增效。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术的流程示意图。
[0035]图2为本专利技术实施例提供的设备数字化模型。
[0036]图3为本专利技术实施例的齿轮箱实际故障发生前后的波形频谱图，其中，(a)为故障前，(b)为故障后。
[0037]图4为本专利技术实施例的齿轮箱实际故障发生前后敏感特征趋势图。
[0038]图5为本专利技术实施例的齿轮箱断齿现场图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种简易齿轮箱故障检测方法，其特征在于，其步骤如下：步骤1：在额定工况下，等间隔连续采集齿轮箱m组振动信号x(t)，对振动信号x(t)进行预处理，分别在时域、频域和时频域计算特征值，筛选出齿轮故障的s个敏感特征；步骤2：对s个敏感特征的各m组数据分别进行数据预处理，得到s个敏感特征的n组数据；步骤3：将s个敏感特征的前q组数据等分为p个区间，区间长度L＝q/p，使用最小二乘法计算第j个敏感特征在第i个区间的斜率值k
ij
，利用斜率值k
ij
构造第j个敏感特征的数据矩阵K；其中，i＝1,2,...,p；j＝1,2,...,s；步骤4：根据数据矩阵K，使用熵值法计算出第j个敏感特征的权重值步骤5：使用和积法计算第i个区间的齿轮劣化指数基于中心极限定理，计算齿轮劣化指数的报警值w；步骤6：对s个敏感特征后r＝n
‑
q组数据，当数据长度达到L时，根据各敏感特征的斜率值和权重值计算出齿轮劣化指数若齿轮劣化指数判断齿轮发生故障；否则，齿轮未发生故障。2.根据权利要求1所述的简易齿轮箱故障检测方法，其特征在于，所述敏感特征包括单峰值P
k
、包络值E
v
和冲击啮合指数值I
m
；所述冲击啮合指数值I
m
为：式中，均方根值R
v
＞0.1，1倍啮合频率值G
m
＞0.1，100＞I
m
＞0；W
v
为波形指标，P
k
为单峰值，k、v、m为下标。3.根据权利要求1或2所述的简易齿轮箱故障检测方法，其特征在于，所述步骤1中的预处理为通过白噪声检验方法去除振动信号x(t)中的随机噪声信号；所述步骤2中的数据预处理包括剔...

【专利技术属性】
技术研发人员：李永耀，胡鑫，陈磊，王宏超，雷文平，韩捷，陈宏，李凌均，王丽雅，
申请(专利权)人：郑州恩普特科技股份有限公司，
类型：发明
国别省市：