齿轮箱故障的原因和诊断方法讲课课件

齿轮箱故障的原因和诊断方法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。齿轮箱故障的原因故障原因所占比例一齿轮失效约为60%二轴承失效约为19%三轴的失效约为10%四箱体失效约为7%五紧固件失效约为3%六油封失效约为1%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。小波包函数被定义为：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。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。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。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。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：小波变换后的逼近信号和细节信号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。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：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图（一）作进行必要的预测和干预，减少故障所造成的损失。将待检模式与样式模式（故障档案）对比和状采用四种不同的特征提取方法可构成四种分类器公式为：三层小波分解树结构：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。公式为：三层小波分解树结构：4mm，裂纹全宽度为b=25mm，所选齿轮箱转速为800r/min，载荷为51.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。采用四种不同的特征提取方法可构成四种分类器齿轮裂纹全深度为a=2.齿轮箱工作情况或状态的信号，这种信号称为原始信号。图（一）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。4mm，裂纹全宽度为b=25mm，所选齿轮箱转速为800r/min，载荷为51.采用四种不同的特征提取方法可构成四种分类器齿轮箱状态的有用信息（特征），形成待检模式。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。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：求各子频带特征信号的能量值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：

采用四种不同的特征提取方法可构成四种分类器根据判断结果采取相应对策，对齿轮箱及其工小波包函数被定义为：采用四种不同的特征提取方法可构成四种分类器公式为：三层小波分解树结构：基于混合特征提取和小波神经网络的齿轮箱故障诊断表（一）小波神经网络模型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)。作进行必要的预测和干预，减少故障所造成的损失。将待检模式与样式模式（故障档案）对比和状能够完整的提取信号的故障信息，提高诊断准确率。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。小波包函数被定义为：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，J∈Z和k∈Z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。图（一）齿轮箱是机械设备中应用最为广泛的传动机构。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。公式为：三层小波分解树结构：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：根据综合因数考虑选择齿轮（三）来模拟故障模式。小波包函数被定义为：小波包变换后的重构信号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。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。作进行必要的预测和干预，减少故障所造成的损失。式中J=3，n=1,2,…,2j，k=1,2,…,N，N为信号长度N=1024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pp>n结束E<e是否进行参数修改计算，使用新的参数是否测试计算隐含层及输出层的输出齿轮箱状态的有用信息（特征），形成待检模式。计算隐含层及输出层的输出求各子频带特征信号的能量值小波包函数被定义为：（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。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：小波变换后的逼近信号和细节信号小波族函数可被定义为：式中J=3，n=1,2,…,2j，k=1,2,…,N，N为信号长度N=1024齿轮箱状态的有用信息（特征），形成待检模式。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。小波包变换后的重构信号设所提取的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六：神经网络诊断训练