齿轮状态监测的状态指示器
齿轮状态监测指标对于变速箱的研制和及时的预防性维护非常重要。这些指示器能够检测齿轮异常,并有助于在故障进展之前防止灾难性故障。状态监测系统处理各种类型的输入数据,例如振动、声发射、温度、油屑分析。基于振动分析、声发射和油屑的系统是最常见的类型。
下图说明了识别齿轮状态指标及其进一步评估的工作流程。
您可以使用诊断特性设计器app和命令行功能在预测性维护工具箱™中执行以下操作:
从单个文件、集成文件或集成数据存储中导入测量或模拟数据。
推导出时间同步平均(TSA)、正则信号、残差信号等新变量。
从你的变量生成齿轮状况指标。
对您的特性进行排序,以便您可以从数值上确定哪些特性可能最好地区分名义行为和错误行为。
将最有效的功能直接导出到分类学习者应用程序更深入地了解功能的有效性和算法训练。
提取齿轮状态参数
从您的原始数据,推导信号和提取齿轮状况指标,以以下方式:
提取时间同步平均值(TSA)。
推导出正则信号、残差信号和差分信号。
诊断特性设计器应用程序 命令行 使用滤波时间同步平均信号选项。过滤与平均下拉菜单。 使用以下函数:
从上一步获得的信号集计算齿轮状态监测指标。
诊断特性设计器应用程序 命令行 使用旋转机械特点选项。时域特征下拉菜单。 使用 gearConditionMetrics
函数。
齿轮状态指标,可以确定故障的精确位置,包括以下:
从TSA信号计算
均方根(RMS)
-显示变速箱退化后期的一般状况。RMS
对变速箱负载和速度变化敏感。RMS
通常能很好地反映变速箱的整体状况,但不能很好地反映初期的齿失效。它也可以用来检测不平衡的旋转元件。RMS
标准正态分布是1。峰度
-信号的四阶归一化矩,表示振幅分布中的主要峰值。峰度是衡量一个分布有多容易离群值的指标。标准正态分布的峰度为3。更倾向于离群值的分布峰度值大于3;不太容易出现异常值的分布峰度值小于3。峰度
由于信号振幅分布的尖峰,损坏的齿轮系的值更高。峰值因子(CF)
-信号峰值与RMS
表示损坏早期迹象的值,特别是在振动信号表现出脉冲特征时。
由差分信号计算
FM4
-描述差异信号振幅的峰值或平坦程度。FM4
由方差的平方归一化,并在齿轮网格中检测孤立于有限数量的齿的故障。FM4
标准正态分布是3。M6A
-描述差异信号振幅的峰值或平坦程度。M6A
由方差的立方归一化,并指示旋转机器组件的表面损伤。M6A
标准正态分布是15。M8A
的改进版本M6A
指标。M8A
由方差的四次方归一化。M8A
标准正态分布是105。
从混合信号计算
FM0
-比较TSA信号峰值与常规信号能量的比值。FM0
识别主要异常,如齿断或严重磨损,在啮合模式的齿轮。能量比(ER)
-差分信号能量与规则啮合分量能量的比值。能量比例
表示磨损严重,齿轮上的多个齿损坏。
由一组残差信号计算
NA4
的改进版本FM4
指标。NA4
表示损害的开始,并随着损害的扩散和强度的增加而继续对损害作出反应。
评估特征和训练模型
特征选择通过消除与您试图执行的分析无关的齿轮状态指标,技术可以帮助您减少大型数据集。在状态监视上下文中,不相关的特征是那些不能将正常操作与故障操作分开或帮助区分不同故障状态的特征。换句话说,特征选择意味着识别那些适合作为状态指示器的齿轮指标,因为随着变速箱性能的下降,这些指标会以可检测的、可靠的方式变化。
要执行严格的相对评估,可以使用专门的统计方法对特征进行排名。每种方法都通过区分数据组之间的能力来对特征进行评分和排名,例如区分名义行为和错误行为。排序结果允许您在计算导出的变量或特征时消除无效的特征,并评估参数调整的排序效果。
诊断特性设计器应用程序 | 命令行 |
---|---|
直方图允许您对特性的有效性进行初步评估。要执行更严格的相对评估,可以使用等级特性选项,由专门的统计方法。 使用出口选项将所选指标导出到分类学习者统计和机器学习工具箱™中的应用程序。 |
您可以从以下特性选择功能中选择: |
定义了候选齿轮状况指标集后,可以将它们导出到分类学习者统计和机器学习工具箱中的app。分类学习者通过使用自动化方法测试具有特征集的不同类型的模型,训练模型对数据进行分类。这样做,分类学习者确定最佳模型和最有效的特征。对于预测性维护,使用的目标是分类学习者选择并训练一个模型,该模型能够区分来自健康系统和故障系统的数据。您可以将该模型合并到齿轮系故障检测和预测的算法中。
另请参阅
诊断特性设计器|单调性
|prognosability
|trendability
|主成分分析
|pcares
|sequentialfs
|fscnca
|tsne
|gearConditionMetrics
|运输安全管理局
|tachorpm
|tsaregular
|tsaresidual
|tsadifference
|分类学习者