[发明专利]齿轮箱的故障诊断方法

说明书

技术领域

本发明涉及机械故障检测技术领域，特别是一种齿轮箱的故障诊断方法。

背景技术

齿轮传动具有传动平稳、可靠、高效、高寿命、传动比精确、功率范围大等优点，但因结构较复杂，工作环境恶劣等，齿轮较易出现故障，从而导致整个系统出现故障。据有关文献统计，传动机械和旋转机械的故障中分别有80%和10%的故障是齿轮箱故障，随着设备系统的自动化、复杂化、大型化。齿轮的失效给整个工业生产和社会生活造成越来越大的损失，如对齿轮箱进行状态检测及故障诊断，可以从根本上改变齿轮箱事后维修和定期维修的现状，实现视情维修，从而降低事故发生率，减少人员伤亡及不必要的经济损失，创造更多的经济效益和社会效益。目前对齿轮箱故障诊断的方法有很多，如温度测量、油样分析、振动分析、声学测量分析等，温度测量法通过监测箱体处的温度来判断齿轮箱是否工作正常，对于润滑不良而引起的过热现象较敏感，但该方法不适用于齿轮点烛、断齿、裂纹等局部故障。油样分析是通过从齿轮箱润滑油中提取出油样，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工况和故障的方法，但这种方法易受其它非齿轮损坏下的颗粒的影响。

发明内容

本发明的目的是为了解决上述技术问题，提供一种齿轮箱的故障诊断方法，以期通过振动分析以及神经网络的学习原理，实现对齿轮箱的故障进行仿真分析。

本发明采取的技术方案是：

一种齿轮箱的故障诊断方法，其特征是，包括如下步骤：

第一步：采集齿轮箱正常、磨损、点蚀、断齿四种工作状态下的振动信号；

第二步：分别对所述四种振动信号进行频谱分析，通过傅里叶分解得到四种工作状态下采样信号的频谱图；

第三步：计算所述四种工作状态下采样信号在频谱图中多个频带的能量；

第四步：将所述多个频带的能量作为神经网络的输入，根据Kolmogorv定理得出神经网络的理想输出，所述理想输出与所述四种工作状态对应；

第五步：将所述多个频带的数据在matlab中进行编程输出，当得到的目标输出与所述理想输出的结果一致时，保存神经网络的权值和阈值，确定诊断神经网络；

第六步：采集待测齿轮箱的振动信号，输入至所述神经网络，根据所述神经网络的输出得到所述齿轮箱信号采集时刻的工作状态。

进一步，所述第三步中，将0HZ-2500HZ分为10个频带，每250HZ分成一段，分别计算各频带的能量，将各频带的能量进行归一化，将归一化的量作为第四步中的输入量，归一化的公式如下式所示：

其中x(i)为各频带的能量值，为归一化后的各频段的能量的值。

本发明的有益效果是：

    将频谱分析、神经网络融入齿轮故障诊断之中，设计齿轮箱故障的神经网络，并利用BP神经网络对齿轮4种典型工作状况（正常、磨损、点蚀、断齿）进行了训练学习并进行仿真分析，分析结果能正确分辨齿轮箱的故障。

附图说明

附图1为本发明的流程图。

具体实施方式

下面结合附图对本发明齿轮箱的故障诊断方法的具体实施方式作详细说明。

振动分析是通过安装在齿轮箱体适当位置的振动传感器采集齿轮箱的振动信号，通过分析该振动信号得到齿轮箱的工况。从适用性、实用性、准确性的角度来看，目前没有比振动分析法更好的齿轮箱故障诊断方法，因而这里对齿轮箱的振动信号进行分析，判断齿轮箱的运行状态正常与否，如果齿轮箱工作在故障状态，并判断出故障类型。BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别，因而对齿轮故障诊断是一种非常实用有效的方法。

参见附图1，齿轮箱的故障诊断方法，包括如下方法：

第一步：采集齿轮箱正常、磨损、点蚀、断齿四种工作状态下的振动信号（图中步骤S01）。

模拟齿轮箱的四种工作状态，并采集各种状态的振动信号作为参照信号。

第二步：分别对所述四种振动信号进行频谱分析，通过傅里叶分解得到四种工作状态下采样信号的频谱图（图中步骤S02）。

通过傅里叶分解得到信号的频率在0-3000HZ上的四中工作状态下采样信号的频谱图。

第三步：计算所述四种工作状态下采样信号在频谱图中多个频带的能量（图中步骤S03）。

将0HZ-2500HZ分为10个频带，每250HZ分成一段，分别计算各频带的能量，将各频带的能量进行归一化，将归一化的量作为第四步中的输入量，归一化的公式如下式所示：