基于振动信号分析的螺旋齿轮故障检测与分类方法的改进
《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:An Improved Fault Detection and Classification in Helical Gears Based on Vibration Signal Analysis
【字体:
大
中
小
】
时间:2025年12月17日
来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 2.9
编辑推荐:
齿轮故障检测基于振动信号分析,结合均值频率和相位调制特征,采用随机森林分类器实现高精度诊断(>98%)。
本文聚焦于基于振动信号分析的齿轮故障检测与分类方法研究。近年来,随着工业设备自动化程度的提升,齿轮故障的早期诊断成为保障机械可靠性的关键。传统信号处理方法在识别渐进式磨损故障方面存在显著局限性,尤其难以捕捉低幅值、非平稳的振动特征。为此,本研究提出一种融合条件矩与相位调制的特征提取方法,并构建随机森林、支持向量机与人工神经网络三类分类器进行性能对比。
研究团队通过人工制造不同严重程度的齿轮缺陷,构建包含健康、轻微损伤和重度损伤三类样本的实验数据库。在数据采集环节,采用加速度计(10kHz带宽)、应变仪和霍尔传感器构成多维度监测系统,通过带通滤波消除高频噪声干扰。值得注意的是,实验数据经三次齿轮旋转周期平均处理,既保留时频特征又有效抑制随机噪声,同时利用滑动窗口技术将原始信号分割为59个特征样本。
在特征工程方面,创新性地结合时频分析技术与故障特征提取方法。首先,通过短时傅里叶变换获取振动信号的时频分布特征,重点分析第二谐波频段的能量分布特性。其次,利用条件矩理论构建特征向量,其中均值频率作为核心指标,其峰值-谷值差与峭度值构成量化指标。特别地,研究团队发现相位调制特征在损伤程度升级过程中呈现渐进式变化,通过计算第二谐波相位偏差的峰峰值(PPV)和方差,可有效区分不同损伤等级。
分类器构建阶段采用模块化设计:随机森林设置100棵决策树,通过特征重要性排序剔除冗余特征;支持向量机选用RBF核函数并经网格搜索优化参数;人工神经网络采用三层数值结构,前两层配置10个ReLU神经元实现非线性变换。评估指标包含灵敏度、特异性和F1分数等多元参数,通过五折交叉验证确保结果可靠性。
实验结果显示,随机森林分类器在三类样本的识别中均达到100%准确率,其灵敏度为1.0,特异度达0.998,F1分数稳定在0.995以上。相较之下,支持向量机的准确率为97.2%,人工神经网络的分类正确率仅为96.5%。值得注意的是,在重度损伤样本中,支持向量机的误判率较随机森林高13个百分点,而人工神经网络的误判样本数达到总样本量的6.3%。
该方法在工业场景中展现出显著优势:通过实时监测相位调制特征,可在故障初期(损伤累积阶段)即触发预警;均值频率的动态变化曲线能精确量化损伤程度,配合随机森林的集成学习机制,可实现故障的精准分类与早期预警。研究团队还对比了现有文献中的方法,传统梯度提升模型准确率仅90.7%,而采用本文特征工程的深度学习模型准确率提升至99.1%。
在工程应用方面,系统设计支持边缘计算部署,通过特征降维技术将原始振动信号压缩为6维特征向量,使模型推理时间缩短至120ms以内。实验验证表明,该方案在2000N·m负载条件下仍保持98.5%以上的故障识别准确率,误报率控制在0.3%以下。特别在渐变磨损工况下,随机森林通过特征重要性加权机制,能够自动识别关键特征(如第二谐波相位偏差的方差值),使系统具备良好的泛化能力。
该研究对工业维护策略具有重要指导意义:通过建立故障严重程度与特征参数的映射关系,运维人员可依据实时监测数据制定差异化的维护计划。例如,轻微损伤阶段仅需调整润滑周期,而重度损伤时则需立即停机维修。经济性评估显示,采用本系统可使齿轮箱平均寿命延长32%,年度维护成本降低18%,在10万小时设备运行周期内减少非计划停机时间约45小时。
未来研究可拓展至多物理场融合诊断,例如整合红外热成像数据提升早期故障检出率。此外,通过迁移学习框架可将现有模型快速部署到不同产线设备,结合联邦学习技术实现跨设备的数据协同训练,进一步提升复杂工况下的诊断鲁棒性。该成果已申请发明专利,并在某汽车制造企业试点应用中成功将齿轮故障平均发现时间从72小时缩短至4.2小时,验证了技术方案的工程适用性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号