Compound fault detection in gearbox based on time synchronous resample and adaptive variational mode decomposition

• Autorzy: Zhang Xin , Zhao Jianmin

Identyfikatory

DOI

10.17531/ein.2020.1.19

Warianty tytułu

PL

Wykrywanie złożonych błędów przekładni na podstawie synchronicznego próbkowania wtórnego oraz adaptacyjnej metody wariacyjnej dekompozycji modalnej

• Języki publikacji: EN

Abstrakty

EN

Compound fault detection of gearboxes is an ambitious matter considering its interconnection and complication. An innovative means for compound fault detection based on time synchronous resample (TSR) and adaptive variational mode decomposition (AVMD) is put forward in this work. TSR used in the method can enhance fault signals of synchronous shaft gears by eliminating signal components independent of synchronous shaft. Therefore, the TSR is used to separate the synchronous shaft signal corresponding to the gear fault from the raw compound fault signal. Then a series of mode components are obtained by decomposing the synchronous shaft signals of all faults by AVMD. The variational mode decomposition (VMD) can overcome the mode aliasing problem of empirical mode decomposition (EMD), but the decomposition effect of VMD is affected by its parameter setting. Thus, the paper proposes an AVMD algorithm based on whale optimization algorithm (WOA). In the AVMD, the WOA is used to optimizes the parameters of the VMD. After AVMD decomposition, the correlated kurtosis of the mode components obtained by AVMD decomposition is calculated. Then the mode components with the maximum correlated kurtosis are selected to carry out envelope analysis. Finally, the compound fault feature can be found from the envelope spectrum to get the diagnosis results. In order to test the validity of the proposed method, a compound fault experiment is implemented in a gearbox. Through the analysis of the experimental data, it is proved that the method shows a good performance in the compound fault detection of gearbox.

PL

Wykrywanie złożonych błędów przekładni stanowi trudne zagadnienie ze względu na ich skomplikowany charakter i powiązania wewnętrzne. W pracy zaproponowano nowatorską metodę wykrywania błędów złożonych opartą na synchronicznym próbkowaniu wtórnym (TSR) oraz adaptacyjnej metodzie wariacyjnej dekompozycji modalnej (AVMD). TSR pozwala wzmacniać sygnały błędów występujących w synchronicznych przekładniach walcowych, dzięki eliminacji składowych sygnału niezwiązanych z działaniem wału synchronicznego. Dlatego też w przedstawionych badaniach, TSR wykorzystano do wyodrębnienia sygnału wału synchronicznego odpowiadającego błędowi przekładni, z surowego sygnału błędu złożonego. Następnie wszystkie sygnały błędu wału synchronicznego poddano dekompozycji za pomocą AVMD, dzięki czemu otrzymano szereg składowych modalnych. Wariacyjna dekompozycja modalna (VMD) pozwala uniknąć problemu aliasingu, który występuje w przypadku empirycznej dekompozycji modalnej (EMD), przy czym efekt dekompozycji zależy od ustawień parametrów. Dlatego w artykule zaproponowano adaptacyjny algorytm VMD oparty na algorytmie optymalizacji wielorybów (WOA), który optymalizuje parametry VMD. Następnym krokiem po dekompozycji AVMD, było obliczenie skorelowanej kurtozy składowych modalnych otrzymanych na drodze tej dekompozycji. Składniki modalne o najwyższych wartościach skorelowanej kurtozy wykorzystano do przeprowadzenia analizy obwiedni. Błąd złożony wykrywano na podstawie widma obwiedni. Skuteczność proponowanej metody sprawdzono przeprowadzając doświadczenie na przekładni, w której występował błąd złożony. Wyniki eksperymentu pokazują, że proponowane podejście stanowi skuteczną metodę wykrywania złożonych błędów.

Słowa kluczowe

EN

compound fault; gearbox; time synchronous resample; adaptive variational mode decomposition

PL

błąd złożony; przekładnia; synchroniczne próbkowanie wtórne; adaptacyjna metoda wariacyjnej dekompozycji modalnej

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2020
• Tom: Vol. 22, no. 1
• Strony: 161--169
• Opis fizyczny: Bibliogr. 33 poz., rys., tab.

Twórcy

autor

Zhang Xin

• Army Engineering University, Shijiazhuang, China

autor

Zhao Jianmin

• Army Engineering University, Shijiazhuang, China

Bibliografia

• 1. Antoni Jérôme, Randall R B. The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines, Mechanical Systems and Signal Processing 2006; 20(2): 308-331, https://doi.org/10.1016/j.ymssp.2004.09.002.
• 2. Bechhoefer E, Kingsley M. A Review of time synchronous average algorithms, Annual Conference of the Prognostics and Health Management Society 2009; 1-10.
• 3. Bobin Jérôme, Starck Jean-Luc, Fadili Jalal M, Moudden Yassir and Donoho David L. Morphological Component Analysis: An Adaptive Thresholding Strategy, IEEE Transactions on Image Processing 2007; 16(11): 2675-2681, https://doi.org/10.1109/TIP.2007.907073.
• 4. Garcia R A G, Osornio R R A and Granados L D. Smart sensor for online detection of multiple-combined faults in VSD-Fed induction motors, Sensors 2012; 12: 11989-12005, https://doi.org/10.3390/s120911989.
• 5. Gilles Jérôme. Empirical wavelet transform, IEEE Transactions on Signal Processing 2013; 61(16): 3999-4010, https://doi.org/10.1109/TSP.2013.2265222.
• 6. Guo Y C, Parker R G. Purely rotational model and vibration modes of compound planetary gears, Mechanism & Machine Theory 2010; 45: 365-377, https://doi.org/10.1016/j.mechmachtheory.2009.09.001.
• 7. Haile Mulugeta A, Dykas Brian. Blind source separation for vibration-based diagnostics of rotorcraft bearings, Journal of Vibration and Control 2015; 22(18): 3807-3820, https://doi.org/10.1177/1077546314566041.
• 8. He S, Chen J, Zhou Z et. al. Multifractal entropy based adaptive multiwavelet construction and its application for mechanical compoundfault diagnosis, Mechanical Systems and Signal Processing 2016; 76-77: 742-758, https://doi.org/10.1016/j.ymssp.2016.02.061.
• 9. Henriquez Patricia, Alonso Jesus B, Ferrer Miguel A, Travieso Carlos M. Review of Automatic Fault Diagnosis Systems Using Audio and Vibration Signals, IEEE Transactions on Systems, Man, and Cybernetics: Systems 2013; 44(5): 642-652, https://doi.org/10.1109/ TSMCC.2013.2257752.
• 10. Huang N E, Shen Z, Long S R et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings Mathematical Physical & Engineering Sciences 1998; 454: 903-995, https://doi.org/10.1098/rspa.1998.0193.
• 11. Jiang H, Li C and Li H. An improved EEMD with multiwavelet packet for rotating machinery multi-fault diagnosis, Mechanical Systems and Signal Processing 2013; 36(2): 225-239, https://doi.org/10.1016/j.ymssp.2012.12.010.
• 12. Jiang Y, Zhu H, Li Z. A new compound faults detection method for rolling bearings based on empirical wavelet transform and chaotic oscillator, Chaos, Solitons & Fractals 2016; 89: 8-19, https://doi.org/10.1016/j.chaos.2015.09.007.
• 13. Khadem S E, Rezaee M. Development of vibration signature analysis using multiwavelet systems, Journal of Sound and Vibration 2003; 261(4): 613-633, https://doi.org/10.1016/S0022-460X(02)00992-6.
• 14. Li X, Li J, He D, Qu Y. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning, Eksploatacja i Niezawodnosc- Maintenance and Reliability 2019; 21(3): 403-410, https://doi.org/10.17531/ein.2019.3.6.
• 15. Li Z, Yan X, and Tian Z et al. Blind vibration component separation and nonlinear feature extraction applied to nonstationary vibration signals for the gearbox multi-fault diagnosis, Measurement 2013; 46: 259-271, https://doi.org/10.1016/j.measurement.2012.06.013.
• 16. McFadden P D. Interpolation techniques for time domain averaging of gear vibration, Mechanical Systems and Signal Processing 1989; 3: 87-97, https://doi.org/10.1016/0888-3270(89)90024-1.
• 17. Mirjalili S, Lewis A. The whale optimization algorithm, Advances in Engineering Software 2016; 95: 51-67, https://doi.org/10.1016/j.advengsoft.2016.01.008.
• 18. Pan H Y, Yang Y, Li X et al. Symplectic geometry mode decomposition and its application to rotating machinery compound fault diagnosis. Mechanical Systems and Signal Processing 2019; 114: 189-211, https://doi.org/10.1016/j.ymssp.2018.05.019.
• 19. Purushotham V, Narayanan S, Prasad Suryanarayana A N. Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition, NDT & E International 2005; 38 (8): 654-664, https://doi.org/10.1016/j.ndteint.2005.04.003.
• 20. Rashid H S J, Place C S, Mba D, Keong R L C, Healey A, Kleine-Beek W, Romano M. Reliability model for helicopter main gearbox lubrication system using influence diagrams, Reliability Engineering & System Safety 2015; 159: 50-57, https://doi.org/10.1016/j.ress.2015.01.021.
• 21. Seshadrinath Jeevanand, Singh Bhim, Panigrahi Bijaya Ketan. Investigation of Vibration Signatures for Multiple Fault Diagnosis in Variable Frequency Drives Using Complex Wavelets, IEEE Transactions on Power Electronics 2014; 29(2): 936-945, https://doi.org/10.1109/TPEL.2013.2257869.
• 22. Singh Amandeep, Parey Anand. Gearbox fault diagnosis under non-stationary conditions with independent angular re-sampling technique applied to vibration and sound emission signals, Applied Acoustics 2019; 144(15): 11-22, https://doi.org/10.1016/j.apacoust.2017.04.015.
• 23. Singh Sandip Kumar, Kumar Sandeep, Dwivedi J P. Compound fault prediction of rolling bearing using multimedia data, Multimedia Tools and Applications 2017; 76(18): 18771-18788, https://doi.org/10.1007/s11042-017-4419-1.
• 24. Smith Jonathan S. The local mean decomposition and its application to EEG perception data, Journal of the Royal Society Interface 2005; 2: 443-454, https://doi.org/10.1098/rsif.2005.0058.
• 25. Tabrizi A, Garibaldi L, Fasana A, Marchesiello S. Early damage detection of roller bearings using wavelet packet decomposition, ensemble empirical mode decomposition and support vector machine, Meccanica 2015; 50(3): 865-874, https://doi.org/10.1007/s11012-014-9968-z.
• 26. Teng W, Ding X and Zhang X et al. Multi-fault detection and failure analysis of wind turbine gearbox using complex wavelet transform, Renewable Energy 2016; 93: 591-598, https://doi.org/10.1016/j.renene.2016.03.025.
• 27. Wang Q, Chen H, Chen X, Yang H, Wang G. Early fault detection of gearbox using weak vibration signals, Eksploatacja i Niezawodnosc-Maintenance and Reliability 2011; 1(49): 11-15.
• 28. Wang Y, He Z, Zi Y. Enhancement of signal denoising and multiple fault signatures detecting in rotating machinery using dual-tree complex wavelet transform, Mechanical Systems and Signal Processing 2010; 24 (1): 119-137, https://doi.org/10.1016/j.ymssp.2009.06.015.
• 29. Wu Z, Huang N E. Ensemble empicrical mode decomposition: a noise-assisted data analysis method, Advances in Adaptive Data Analysis 2011; 1(01): 1-41, https://doi.org/10.1142/S1793536909000047.
• 30. Yu D, Wang M, Cheng X. A method for the compound fault diagnosis of gearboxes based on morphological component analysis, Measurement 2016; 91: 519-531, https://doi.org/10.1016/j.measurement.2016.05.087.
• 31. Zibulevsky Michael, Zeevi Yehoshua Y. Extraction of a source from multichannel data using sparse decomposition, Neurocomputing 2002; 49(1-4): 163-173, https://doi.org/10.1016/S0925-2312(02)00515-5.
• 32. Zosso D, Dragomiretskiy K. Variational Mode Decomposition. IEEE Transactions on Signal Processing 2014; 62(3): 531-544, https://doi.org/10.1109/TSP.2013.2288675.
• 33. Zuber N, Bajric R, Sostakov R. Gearbox faults identification using vibration signal analysis and artificial intelligence methods. Eksploatacja i Niezawodnosc-Maintenance and Reliability 2014; 16: 61-65.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).