一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法技术

本发明专利技术公开了一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法，包括以下步骤：振动信息采样，获取每段振动信号的特征向量；建立齿轮箱故障分析模型，建立粒子群优化的BP神经网络模型，反复迭代后最优的粒子作为BP神经网络的权值和阀值，并以此建立故障诊断模型；故障诊断，通过故障诊断模型，对运行中齿轮箱的振动信号进行分析，得到诊断结果。结合信号处理和神经网络技术，对轧机主传动系统齿轮箱进行状态监控与故障诊断，节省了人工成本，填补了轧机设备故障诊断领域的空白，大大增强了齿轮箱故障诊断的时效性，检测灵敏度高，检测结果更为准确，设备布置方便，设备故障诊断结果直观。直观。直观。

【技术实现步骤摘要】
一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法


[0001]本专利技术属于冶金行业板带轧机主传动系统故障诊断
，具体涉及一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法。

技术介绍

[0002]随着冶金技术的不断发展，轧机设备的精密程度和自动化水平越来越高。对于像轧机这样要求高效率重载荷的大型机械一旦运行过程中出现设备故障，不但会造成高昂的维修费用以及较长时间的被迫停产等重大的经济损失，甚至可能会导致现场人员的受伤。由此，人们希望在保证设备不停产检修的前提下，提前掌握设备的运行情况，判断出设备故障的准确位置及形成因素，从而防止设备的进一步损坏，为企业和社会带来巨大的经济效益。
[0003]齿轮箱作为传动系统的重要组成部件，其内部元件往往程非线性化和复杂化，再加之箱体结构种类众多，使得齿轮箱往往也存在一定的复杂映射关系，齿轮箱的故障损伤常常多发于齿轮和轴承两部分，其中齿轮的故障多表现为齿面胶合、齿面磨损以及轮齿疲劳断裂等，而齿轮箱轴承的多发故障则大多表现为轴承外圈点蚀、轴承内圈点蚀、滚动体偏心以及保持架故障等。目前对轴承类零部件的故障诊断的研究很多，依赖于其结构的标准型往往可以对轴承的常见故障做出比较准确的判断。而针对齿轮箱整体的故障诊断由于齿轮箱复杂的结构以及映射关系目前并没有一套较为成熟的方案，随着智能制造技术的兴起，工业领域对于人工智能以及机器学习算法的研究越来越深入，通过对传感器采集的数据进行合理的算法分析，使得对齿轮箱系统的故障诊断成为可能。
[0004]综上所述，如何开发出一套完整的针对轧机齿轮箱故障诊断方法对其进行及时有效的在线监测并正确判断其零部件故障位置及其失效形式是目前冶金行业从业人员亟需解决的问题。

技术实现思路

[0005]本专利技术的目的是提出一种高速精密带钢冷轧机主传动齿轮箱在线故障智能诊断方法，为板带轧机主传动系统齿轮箱失效部位提供在线监测与故障诊断。
[0006]一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法，包括以下步骤：
[0007]振动信息采样，对齿轮箱的振动信号进行采样；
[0008]获取每段振动信号的特征向量，利用小波包算法提取该信号的8组无量纲的小波包系数，并依据小波包系数将信号重构，并提取8个频段的信号的能量作为该信号的特征向量，并将特征向量与齿轮箱设备状态相对应；
[0009]建立齿轮箱故障分析模型，建立粒子群优化的BP神经网络模型，反复迭代后最优的粒子作为BP神经网络的权值和阀值，对振动信号状态特征向量与设备状态进行训练和诊断，并以此建立故障诊断模型；
[0010]故障诊断，通过故障诊断模型，对运行中齿轮箱的振动信号进行分析，得到诊断结
果。
[0011]所述获取每段振动信号的特征向量的具体方法为，确定小波包初始参数，选择Meyer小波作为母小波，并确定小波包结构为3层，以分解后8各频段的能量集合作为该段信号的特征向量；
[0012]用小波包算法提取该信号的8组无量纲的小波包系数，并依据小波包系数将信号重构；
[0013]构后8个频带对应的信号分别为S
30
、S
31
、S
32
、S
33
、S
34
、S
35
、S
36
、S
37
，分别求取每个频带信号的能量，信号能量的求取公式为：
[0014][0015]构造能量分布特征向量E为总能量，向量的每一项既是各特征频带相对于总能量的能量占比，并以此作为该信号故障特征向量，
[0016]能量分布特征向量可表示为：
[0017][0018]其中E为总能量，向量的每一项既是各特征频带相对于总能量的能量占比。
[0019]对设备状态进行标签，设备正常时对应标签为000，设备齿面胶合时对应标签为001，设备齿面磨损时对应标签为010，设备弯曲疲劳与断齿时对应标签为011，设备轴承外圈点蚀时对应标签为100，设备轴承偏心时对应标签为101，设备滚动体故障时对应标签为110，设备内圈点蚀时对应标签为111，建立齿轮箱故障分析模型时，对振动信号状态特征向量与故障标签进行训练和诊断。
[0020]所述建立粒子群优化的BP神经网络模型中，特征参数数目8作为输入层节点数，输出层为3，隐含层数不超过2层，隐含节点数出层为3，隐含层数不超过2层，隐含节点数其中a是输入层节点数，b为输出层节点数，S的值取整便为隐含层节点数。
[0021]所述建立粒子群优化的BP神经网络模型中，设定粒子的最大迭代次数为100次，粒子种群规模为50，粒子加速度因子C1与加速度因子C2均为1.49445。
[0022]所述建立粒子群优化的BP神经网络模型中，选取适应度函数对每个粒子进行适应度评估，随着粒子群算法的迭代次数的增加适应度曲线逐渐降低并趋于平稳，并调整粒子速度、位置和权重，适应度函数就按公式为：
[0023][0024]其中调整速度公式为：
[0025]x
id
(t+1)＝x
id
(t)+v
id
(t+1)
[0026]v
id
(t+1)＝wv
id
(t)+c1r1(p
id
‑
x
id
(t))+c2r2(p
gd
‑
x
id
(t))
[0027]粒子位置公式为：
[0028][0029]式中：w
ij
,为动态权值，用来调节粒子前一时刻位置和速度的影响；为全局最优解，φ为加速系数，决定最大步长；ρ为(0，1)之间的随机数。
[0030]所述采样频率为2000hz，每段信号采样点数为5000。
[0031]本专利技术的有益效果在于：1、结合信号处理和神经网络技术，对轧机主传动系统齿轮箱进行状态监控与故障诊断，节省了人工成本，填补了轧机设备故障诊断领域的空白，大大增强了齿轮箱故障诊断的时效性，检测灵敏度高，检测结果更为准确，设备布置方便，设备故障诊断结果直观。
附图说明
[0032]图1为本专利技术流程示意图；
[0033]图2为系统构架图；
[0034]图3为加速度传感器布置位置示意图；
[0035]图中1、机壳测点；2、轴承垂直方向测点；3、轴承水平方向测点；4、轴承轴向测点；
[0036]以下将结合附图及实施例对本专利技术做进一步详细说明。
具体实施方式
[0037]【实施例1】
[0038]如图1所示，一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法，包括以下步骤：
[0039]振动信息采样，对齿轮箱的振动信号进行采样；
[0040]获取每段振动信号的特征向量，利用小波包算法提取该信号的8组无量纲的小波包系数，并依据小波包系数将信号重构，并提取8个频段的信号的能量作为该信号的特征向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速精密带钢冷轧机主传动齿轮箱在线故障诊断方法，其特征在于：包括以下步骤：振动信息采样，对齿轮箱的振动信号进行采样；获取每段振动信号的特征向量，利用小波包算法提取该信号的8组无量纲的小波包系数，并依据小波包系数将信号重构，并提取8个频段的信号的能量作为该信号的特征向量，并将特征向量与齿轮箱设备状态相对应；建立齿轮箱故障分析模型，建立粒子群优化的BP神经网络模型，反复迭代后最优的粒子作为BP神经网络的权值和阀值，对振动信号状态特征向量与设备状态进行训练和诊断，并以此建立故障诊断模型；故障诊断，通过故障诊断模型，对运行中齿轮箱的振动信号进行分析，得到诊断结果。2.根据权利要求1所述的一种高速精密带钢冷轧机主传动齿轮箱在线故障诊断方法，其特征在于：所述获取每段振动信号的特征向量的具体方法为，确定小波包初始参数，选择Meyer小波作为母小波，并确定小波包结构为3层，以分解后8各频段的能量集合作为该段信号的特征向量；用小波包算法提取该信号的8组无量纲的小波包系数，并依据小波包系数将信号重构；构后8个频带对应的信号分别为S
30
、S
31
、S
32
、S
33
、S
34
、S
35
、S
36
、S
37
，分别求取每个频带信号的能量，信号能量的求取公式为：构造能量分布特征向量E为总能量，向量的每一项既是各特征频带相对于总能量的能量占比，并以此作为该信号故障特征向量，能量分布特征向量可表示为：其中E为总能量，向量的每一项既是各特征频带相对于总能量的能量占比。3.根据权利要求1所述的一种高速精密带钢冷轧机主传动齿轮箱在线故障诊断方法，其特征在于：对设备状态进行标签，设备正常时对应标签为000，设备齿面胶合时对应标签为001，设备齿面磨损时对应标签为010，设备弯曲疲劳与断齿时对应标签为011，设备轴承外圈点蚀时对应标签为100，设备轴承偏心时对应标签为1...

【专利技术属性】
技术研发人员：计江，王社昌，刘松，孙建亮，王涛，孙杰，
申请(专利权)人：中国重型机械研究院股份公司，
类型：发明
国别省市：