齿轮箱故障的原因和诊断方法ppt课件.ppt
齿轮箱故障的原因和诊断方法,姓名：李德过 学号：11721162 导师：沈雪瑾,齿轮箱故障研究的目的和意义,齿轮箱是机械设备中应用最为广泛的传动机构。自身结构复杂，工作环境恶劣，非常容易出故障。齿轮箱故障将直接影响设备的安全可靠运行，降低加工精度和生产效率。由此，齿轮箱故障研究的目的和意义就不言而喻了，比如：保障机器安全，有效地运行；提高生产效率，保障产品质量等等。,齿轮箱故障的原因,齿轮箱故障诊断方法,温度法 通过监测箱体轴承座处的温度来判断齿轮箱工作是否正常。油样分析法 从齿轮箱所使用的润滑油中取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断齿轮箱状态。振动法 通过安装在箱体适当方位的震动传感器监测齿轮箱振动信号，并对此信号进行分析与处理来判断齿轮箱状态。（最常用的方法）,齿轮箱故障诊断步骤,号,信号检测,特征提取,诊断决策,状态识别,根据齿轮箱的工作环境和性质，选样并测取能够反映齿轮箱工作情况或状态的信号，这种信号称为原始信号。,将原始信号进行信号分析和处理，提取反映齿轮箱状态的有用信息（特征），形成待检模式。,将待检模式与样式模式（故障档案）对比和状态分类，判断齿轮箱是否工作正常或者说有无故障。,根据判断结果采取相应对策，对齿轮箱及其工作进行必要的预测和干预，减少故障所造成的损失。,基于混合特征提取和小波神经网络的齿轮箱故障诊断,这种诊断方法是将振动法里面的时域法，小波包分解，小波分解相结合的方法进行故障诊断。优点： 能够完整的提取信号的故障信息，提高诊断准确率。（通过对实例的三种不同齿轮裂纹尺寸的故障模式进行识别和分类可以看出。）,齿轮箱故障诊断试验,图（一） 根据综合因数考虑选择齿轮（三）来模拟故障模式。,齿轮箱故障诊断试验,一：齿轮的三种故障模式 表（一） 齿轮裂纹全深度为a=2.4mm，裂纹全宽度为b=25mm，所选齿轮箱转速为800r/min，载荷为51.77N*m。,齿轮箱故障诊断试验,二：时域特征提取 当齿轮出现故障时，齿轮箱时域信号会生变化，它的幅值和分布都与正常齿轮的时域信号有差异。每个时域特征参数或者特征量都反映了振动信号的某种特性，通过这些特性可以对不同信号进行区分。对于一组离散的测试信号 ，本文取 N=1024 ，几个特征参数的计算公式如下 ：,齿轮箱故障诊断试验,三：小波包特征提取优点 小波包分解可以同时对信号的低频和高频部分进行分解，并且克服了多分辨分析不能对高频部分进行细分的缺点。具有很 高的时频局部分化分析能力。此外，小波包分解能够根据被分析信号的特征，自适应地选择相应的频带，使之与信号频谱相匹配，从而提高了时频分辨率，能有效地提取信号的特征信息。 小波包函数 被定义为 ： 式中 n=0，1 ，2 为振荡参数 ， JZ和 kZ 分别是尺度参数和平移参数,齿轮箱故障诊断试验,三：小波包特征提取对采集到的齿轮箱振动信号进行 3层小波包分解，采用Shannon熵准，可得到从低频到高频的8个等宽频率的子频带，本文采样频率为2560kHz。,齿轮箱故障诊断试验,三：小波包特征提取求各子频带特征信号的能量值 用 (S1,S2, ,S8)表示各子频带特征信号，则原始信号Sn=S1+S2+ +S8,设信号 Sn(n=1,2,8) 所对应的能量值为En,其计算公式如下： 式中J=3 ，n=1,2, ,2j， k=1,2,N， N为信号长度N=1024 设所提取的 8个能量值为 将 T作为小 波神经网络的一组特征参数,齿轮箱故障诊断试验,三：小波包特征提取小波包变换后的重构信号,齿轮箱故障诊断试验,四：小波特征提取优点 小波分析是一种优于传统的傅里叶变化的新的信号处理方法 ，被广泛应用于语音与图像处理、 数据压缩与编码、故障诊断等领域。小波能有效地提取信号低频部分的时频特征信息，具有很高的频率分辨率。 小波族函数可被定义为 ：,齿轮箱故障诊断试验,四：小波特征提取 对采集到的齿轮箱振动信号利用小波函数进行 3层小波分解 ，经重构后得到 1个逼近信号( A3 ) 和3个细节信号( D1 ,D2, D3) 。 公式为： 三层小波分解树结构：,齿轮箱故障诊断试验,四：小波特征提取求各重构信号的能量值 原始信号S=A1+A2+A3,计算各个重构信号的能量值,其计算公式如下： 式中n=1,2,3,4， i=1,2,N， N为信号长度N=1024。 设所提取的 4个能量值为 将 P作为小波神经网络的一组特征参数,齿轮箱故障诊断试验,四：小波特征提取小波变换后的逼近信号和细节信号,齿轮箱故障诊断试验,五：小波神经网络 小波神经网络模型,齿轮箱故障诊断试验,小波神经网络测试流程,网络参数初始化,计算隐含层及输出层的输出,计算误差E和梯度向量p,pn,结束,Ee,是,否,进行参数修改计算，使用新的参数,是,否,测试,齿轮箱故障诊断试验,六：神经网络诊断训练采用四种不同的特征提取方法可构成四种分类器,齿轮箱故障诊断试验,六：神经网络诊断训练流程,齿轮箱故障诊断试验,六：神经网络诊断训练结果,结论,以上所提议 的基 于混合特征提取和小 波神经网络的方法能有效地对三种不同齿轮裂纹故障进行诊断和分类，运用小波包和小波变换对振动信号进行预处理后， 能提取更多的特征信息。采用时域分析法、小波包分析和小波分析相结合的方法比采用单一的方法能更好地提取信号 的特征信息，从而提高了小波神经网络的诊断精度和模式分类能力，该方法能较好的应用于旋转机械的故障诊断。,
