齿轮磨损特征分析及信号特征提取

---

前言

齿轮在运行过程中会产生磨损，正常的磨损是可以接受的，但异常磨损或者磨损已经很严重是需要关注。因此本文章主要分析齿轮磨损时振动信号特征，以及用python开发出故障识别程序。
对应技术或者程序部分的细节可留言讨论。

---

一、齿轮磨损信号特征

齿轮出现较大磨损时，振动信号会出现调制现象，调制特征频率为磨损齿轮的转频。在频域中，则会出现两个征兆，第一个特征是齿轮啮合频率的两侧边带幅值会增加，边带与啮合频率的差值为齿轮的转频；第二个特征是啮合频率的高阶频幅值增加速度较快，如3倍的啮合频率幅值。此外，齿轮磨损还可能会激起齿轮固有频率，固有频率两侧也会出现边带，且底部存在噪声。
磨损信号的特征图如下：
图片来自网络侵删

二、仿真Demo

代码如下（示例）：

import numpy as np
import matplotlib.pyplot as plt
import FFT
import Gear


def s_add_wn(x:float,snr:float):
    Ps = np.sum(abs(x) ** 2) / len(x)
    Pn = Ps / (10 ** ((snr / 10)))
    noise = np.random.randn(len(x)) * np.sqrt(Pn)
    signal_add_noise = x + noise
    return signal_add_noise


w = 5
z = 30
fs = 1024
fsw = 5
time = 1
f = w * z
t = np.linspace(0, time - 1 / fs, int(time * fs))
x = (1 + 1 * np.sin(2 * np.pi * 20 * t)) * np.sin(2 * np.pi * f * t)
x_new = s_add_wn(x,1)
amp, fre = FFT(x, 1024, fs)
feature = Gear.wear(x_new, amp, fs)

2.程序说明

程序中的示例是通过输入齿轮振动的时域波形、频谱值和采样频率来提取齿轮磨损时的特征，然后作为智能诊断模型的特征输入，或者是业务报警逻辑阈值设定。
程度中的FFT和Gear库为自主开发，如有需要，可关注微信公众号以获取。

---

总结

后面阶段的技术文章分享主要是依据振动分析师成长路线而设定，以帮助大家进入振动分析或者工业互联网行业，下一篇文章主要将齿轮过载的信号特征及程序开发。
由于涉及到知识产权，后面的文章阅读需付费。
PS：欢迎各位交流，请在下方评论区留言，或者关注公众号：不说话上代码