技术新讯 > 计算推算,计数设备的制造及其应用技术 > 动力学孪生模型驱动的复杂齿轮传动系统故障检测方法  >  正文

动力学孪生模型驱动的复杂齿轮传动系统故障检测方法

  • 国知局
  • 2024-07-31 23:06:25

本发明涉及的是一种机械加工领域的技术,具体是一种动力学孪生模型驱动的复杂齿轮传动系统故障检测方法。

背景技术:

1、现有技术要求在神经网络的训练中或多或少地使用带标签的真实故障运行数据,对于新出厂设备,在不进行故障模拟实验的情况下无法实现齿轮、转子、轴承等典型零部件故障的检测。现有技术使用仿真模型而非真实的力学模型作为数字孪生体,导致模拟的运行数据无法准确描述复杂齿轮传动系统的运动学/动力学特性,需要通过迁移学习等复杂的神经网络模型辅助扩展训练样本,进而使得故障检测精度受限。现有技术对于不同转速、不同负载以及变工况下的复杂齿轮传动系统故障检测问题泛化能力不佳。

技术实现思路

1、本发明针对现有技术存在的上述不足,提出一种动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,通过实测的健康状态服役数据构造复杂齿轮传动系统的高保真动力学模型作为数字孪生体,能够准确描述复杂齿轮传动系统的运动学/动力学特性,并通过模型参数修正实现不同类型故障数据的预测,在训练过程无需设备的真实故障数据,对于新型号、新出厂设备,能够在不开展故障模拟实验的情况下完成故障检测模型的训练,在故障数据缺失的情况下检测精度显著高于现有技术。

2、本发明是通过以下技术方案实现的:

3、本发明涉及一种动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,在离线阶段建立与复杂齿轮传动系统相对应的动力学模型作为数字孪生体;开展振动实验测试复杂齿轮传动系统在健康状态下的服役数据,通过隐式优化算法辨识动力学模型中的未知参数,依据故障动力学机理对动力学模型的啮合刚度参数进行修正后,预测复杂齿轮传动系统在不同类型齿轮故障状态下的服役数据,用于生成训练卷积神经网络分类模型的训练集,在在线阶段采用训练后的卷积神经网络进行实时故障检测。

4、所述的与复杂齿轮传动系统相对应的动力学模型是指:根据经典动力学理论,将复杂齿轮传动系统简化为齿轮-转子-轴承-箱体模型,具体包括:由集中质量及等效时变啮合刚度建模的齿轮副、由铁木辛柯梁建模的转子、由非耦合弹性支承建模的轴承以及由传递函数建模的箱体。

5、所述的非耦合弹性支承建模是指:各方向自由度分别用等效刚度kxx、kyy、kzz表示,不考虑不同自由度之间的耦合。

6、所述的集中质量及等效时变啮合刚度建模是指:将齿轮副建模为具有周期时变刚度的弹簧,其时变啮合刚度km通过傅里叶级数展开为直流分量及各阶正余弦项表征的交流分量。

7、所述的动力学模型的运动微分方程为:其中:m、d、k分别表示系统质量矩阵、系统阻尼矩阵和系统刚度矩阵,可以通过领域内熟知的力学基本理论及齿轮、转子的尺寸和材料性质计算;u为通过系统节点位移表示的广义坐标;f为外激励,fe为转子偏心量es导致的齿轮副空载传递误差引入的负载。

8、所述的测试复杂齿轮传动系统在健康状态下的服役数据是指:在数字孪生体中,未知参数构成参数向量p,运行并测试复杂齿轮传动系统在健康状态下的服役振动信号。

9、所述的隐式优化算法辨识动力学模型中的未知参数是指:指定l个用于描述复杂齿轮传动系统运动学/动力学特性的特征频率ω,通过遗传算法或粒子群优化算法求解优化问题,即最小化模型求解的响应与振动测试获取的响应之间的偏差,辨识得到参数向量p中所有未知参数的最优值,具体为:

10、其中:inf(pi)表示第i个待定参数pi的下界,sup(pi)表示第i个待定参数pi的上界,表示第j个健康状态测试振动信号特征频率ωi处的振幅,xj(ωi)表示通过动力学模型计算的振幅。

11、所述的修正包括:

12、1)对于不同类型的齿轮故障,在傅里叶级数展开的时变啮合刚度中的单齿或双齿啮合区域定义冲击δ进行修正,从而故障状态下的时变啮合刚度为:

13、2)对于不同类型的轴承故障,通过定义损伤状态下的接触形变构造故障附加激励fx及fy以及其在x、y方向上的投影frx及fry,对轴承节点处的微分方程做出如下修正:其中:mb为等效轴承质量,g为重力加速度。

14、所述的复杂齿轮传动系统在不同类型故障状态下的服役数据,通过修正后的系数代入齿轮-转子-轴承-箱体模型的运动微分方程,通过newmark-beta法求解,预测得到复杂齿轮传动系统在不同类型故障状态下的服役数据。

15、所述的训练集,包括:提取复杂齿轮传动系统实测的健康状态服役数据以及预测得到的复杂齿轮传动系统在不同类型故障状态下的服役数据的自适应时频分布其中:t为时间,f为频率,(t,f)表示是时间及频率的函数。

16、所述的训练卷积神经网络分类模型,选取具有互斥类的多分类问题的交叉熵作为损失函数。

17、本发明涉及一种实现上述方法的系统,包括:振动传感器、多通道数据采集装置、计算机及安装在计算机上的数据分析软件。振动传感器与多通道数据采集装置相连接,用于将复杂齿轮传动系统的振动特性转化为电信号输入,多通道数据采集装置将电信号转化为数字信号并输入相连接的计算机,进而,安装在计算机上的数据分析软件用于实现本专利提出的动力学孪生模型驱动的故障检测方法,对数字信号进行分析,给出复杂齿轮传动系统是否发生故障的检测结果。

18、技术效果

19、本发明通过构造与复杂齿轮传动系统相对应的动力学模型作为数字孪生模型,通过模型参数修正实现不同齿轮/轴承故障状态下系统运行数据的预测,与已有的数据驱动技术相比,在训练过程无需设备的真实故障数据且能够更加准确地描述其运动学/动力学特性,检测精度显著高于现有技术的同时通过修正动力学模型的负载等工况参数实现不同工况下故障检测能力的泛化。

技术特征:

1.一种动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征在于,在离线阶段建立与复杂齿轮传动系统相对应的动力学模型作为数字孪生体;开展振动实验测试复杂齿轮传动系统在健康状态下的服役数据,通过隐式优化算法辨识动力学模型中的未知参数,依据故障动力学机理对动力学模型的啮合刚度参数进行修正后,预测复杂齿轮传动系统在不同类型齿轮故障状态下的服役数据,用于生成训练卷积神经网络分类模型的训练集,在在线阶段采用训练后的卷积神经网络进行实时故障检测;

2.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的非耦合弹性支承建模是指:各方向自由度分别用等效刚度kxx、kyy、kzz表示,不考虑不同自由度之间的耦合。

3.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的集中质量及等效时变啮合刚度建模是指:将齿轮副建模为具有周期时变刚度的弹簧,其时变啮合刚度km通过傅里叶级数展开为直流分量及各阶正余弦项表征的交流分量。

4.根据权利要求1-3中任一所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的动力学模型的运动微分方程为:其中:m、d、k分别表示系统质量矩阵、系统阻尼矩阵和系统刚度矩阵,u为通过系统节点位移表示的广义坐标;f为外激励,fe为转子偏心量es导致的齿轮副空载传递误差引入的负载。

5.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的测试复杂齿轮传动系统在健康状态下的服役数据是指:在数字孪生体中,未知参数构成参数向量p,运行并测试复杂齿轮传动系统在健康状态下的服役振动信号。

6.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的隐式优化算法辨识动力学模型中的未知参数是指:指定l个用于描述复杂齿轮传动系统运动学/动力学特性的特征频率ω,通过遗传算法或粒子群优化算法求解优化问题,即最小化模型求解的响应与振动测试获取的响应之间的偏差,辨识得到参数向量p中所有未知参数的最优值,具体为:其中:inf(pi)表示第i个待定参数pi的下界,sup(pi)表示第i个待定参数pi的上界,表示第j个健康状态测试振动信号特征频率ωi处的振幅,xj(ωi)表示通过动力学模型计算的振幅。

7.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的修正包括:

8.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的复杂齿轮传动系统在不同类型故障状态下的服役数据,通过修正后的系数代入齿轮-转子-轴承-箱体模型的运动微分方程,通过newmark-beta法求解,预测得到复杂齿轮传动系统在不同类型故障状态下的服役数据。

9.根据权利要求1所述的动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,其特征是,所述的训练集,包括:提取复杂齿轮传动系统实测的健康状态服役数据以及预测得到的复杂齿轮传动系统在不同类型故障状态下的服役数据的自适应时频分布其中:t为时间,f为频率,(t,f)表示是时间及频率的函数;

10.一种实现权利要求1-9中任一所述方法的复杂齿轮传动系统故障检测系统,其特征在于,包括:振动传感器、多通道数据采集装置、计算机及安装在计算机上的数据分析软件,振动传感器与多通道数据采集装置相连接,用于将复杂齿轮传动系统的振动特性转化为电信号输入,多通道数据采集装置将电信号转化为数字信号并输入相连接的计算机,进而,安装在计算机上的数据分析软件用于实现本专利提出的动力学孪生模型驱动的故障检测方法,对数字信号进行分析,给出复杂齿轮传动系统是否发生故障的检测结果。

技术总结一种动力学孪生模型驱动的复杂齿轮传动系统故障检测方法,在离线阶段建立与复杂齿轮传动系统相对应的动力学模型作为数字孪生体;开展振动实验测试复杂齿轮传动系统在健康状态下的服役数据,通过隐式优化算法辨识动力学模型中的未知参数,依据故障动力学机理对动力学模型的啮合刚度参数进行修正后,预测复杂齿轮传动系统在不同类型齿轮故障状态下的服役数据,用于生成训练卷积神经网络分类模型的训练集,在在线阶段采用训练后的卷积神经网络进行实时故障检测。本发明通过实测的健康状态服役数据构造复杂齿轮传动系统的高保真动力学模型作为数字孪生体,准确描述复杂齿轮传动系统的运动学/动力学特性,在不开展故障模拟实验的情况下完成故障检测模型的训练且检测精度显著高于现有技术。技术研发人员:何清波,于小洛,毕志昊,李天奇,姚锦涛,胡奎,彭志科受保护的技术使用者:上海交通大学技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/195987.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。