CN103384817A

CN103384817A - 用于使用转矩振荡数据来探测传动系中的故障状态的系统及方法

Info

Publication number: CN103384817A
Application number: CN2011800596103A
Authority: CN
Inventors: K.卡尔霍恩; R.凯泽; D.亚当斯; K.古尔; N.尤德; C.布伦斯; J.尤茨
Original assignee: ROOLS-ROYCE
Current assignee: ROOLS-ROYCE
Priority date: 2010-10-08
Filing date: 2011-10-07
Publication date: 2013-11-06
Also published as: US20130116937A1; JP2013545081A; WO2012048225A1; CA2814083A1; EP2625498A1

Abstract

在一个实施例中，提供了一种用于探测传动系中的故障状态的方法，包括以下步骤：监测在沿传动系的位置处的转矩振荡，以及通过评估监测期间获得的转矩振荡数据来探测与传动系构件相关联的至少一个故障状态。在另一个实施例中，提供了一种用于探测传动系中的故障状态的系统，其包括联接到传动系构件且构造成测量在沿传动系的位置处的转矩且生成对应于测量的转矩的转矩振荡信号的转矩传感器，以及构造成接收转矩振荡信号且评估转矩振荡信号以识别与传动系构件关联的至少一个故障状态的控制器。

Description

用于使用转矩振荡数据来探测传动系中的故障状态的系统及方法

相关申请的交叉引用

该申请请求享有2010年10月8日提交的序列号为61/391,570的美国临时专利申请的权益，该申请的内容通过引用以其整体并入到本文中。

技术领域

本发明大体上涉及用于探测传动系中的故障状态的系统及方法，并且更具体地涉及用于使用转矩振荡数据来探测传动系中的故障状态的系统及方法。

背景技术

在风能行业中，齿轮箱失效是最昂贵和最频繁的构件失效之一，会在涡轮的寿命周期内显著地增加操作成本与维护成本。尽管在对齿轮负载和动力的理解方面有显著进步，甚至达到建立风轮机齿轮箱的设计和规格的国际标准的程度，但这些构件基本上达不到到达它们的设计寿命的预期。

燃气涡轮发动机也结合了齿轮箱。齿轮箱对于在涡轮发动机内传送功率以降低旋转构件的速度通常是理想的。例如，减速齿轮箱可置于动力涡轮机与推进器之间的传动线中，以允许动力涡轮机以其最有效的速度运转，同时推进器以其最有效的速度运转。与燃气涡轮发动机相关联的齿轮箱的构件(类似于与风轮机相关联的齿轮箱)也会经历非预期的寿命缩短。

发明内容

大体上，本发明的实施例针对系统和方法，其中转矩中的振荡被评估以确定与传动系相关联的构件的生命力，示例而非限性地，该传动系包括具有齿轮和轴承的齿轮箱。齿轮和轴承安装在轴上并且在它们旋转和与其它构件相互作用时形成振动。形成振动的相互作用也在轴中生成转矩振荡。探测这些特征的能力通过对转矩振荡的磁转矩感测而实现。对齿轮和轴承的损害会改变这些构件之间的相互作用的响应以及改变传送至轴的转矩振荡。探测并解释这些变化的能力提供信息从而确定出现在构件中的异常行为的类型。对失效机构的确定允许追踪失效的进展，由此产生了预测剩余使用寿命的能力。失效机构分析可被使用用于数据评估的基于物理的模型所支持。转矩传感器数据被与从基于物理的模型根据与所收集的转矩传感器数据相关联的运转状态而预计的数据比较。

本发明的实施例可提供具有探测故障前兆(即，导致故障开始的状态)和/或实际故障的能力的诊断技术。当前技术的情形遭受到不能探测这些故障状态的影响。因此，一旦故障被探测到，仅存在短暂的时间来反应。因此，本发明的实施例可提供一种增加发动机寿命的前瞻性工具。可通过监测传动系中的任何轴或相关构件的转矩来应用根据本发明的各种实施例的方法。

本发明的一个实施例针对一种用于探测传动系中的故障状态的独特方法。本发明的另一个实施例针对一种用于探测传动系中的故障状态的独特系统。本发明的又一个实施例针对用于使用转矩振荡数据来探测传动系中的故障状态的独特系统及方法。其它实施例包括用于探测传动系中的故障状态的设备、系统、装置、硬件、方法、及其组合。本发明的其它实施例、形式、特征、方面、益处和优点将根据随此提供的描述与附图而变得明显。

附图说明

本文的描述参照了附图，贯穿整个若干视图，附图中相似的附图标记指代相似部分，且在附图中：

图1为制动期间经历的轴扭力的图表，其中该图表示出了风轮机齿轮箱中的转矩的动力、循环性质。

图2A为第一齿轮系系统的简图。

图2B为简化的但动力上相当于图2A中所示的第一齿轮系系统的第二齿轮系系统的简图。

图3为示出齿轮齿几何形状和近似的齿轮齿的透视图。

图4为建模方法的简图。

图5A为示出第一模态偏转形状的图表。

图5B为示出第二模态偏转形状的图表。

图6为示出阻尼和无阻尼两者的频率响应函数的图表。

图7是应用在用于确定与齿轮之间的接触力相关联的动力过渡误差的示例性实施例中的模型的简图。

图8为示出被建模的示例性齿轮箱系统中的两个齿轮啮合的齿啮合刚度k(t)的矩形波近似的图表。

图9为示出齿轮啮合的动力传递误差(DTE)的样本的图表。

图10为示出具有未对准的分析模型的强制响应模拟的图表。

图11为具有未对准和具有剥蚀齿的分析模型的强制响应模拟的图表。

图12为测试工作台的透视图。

图13为与测试工作台系统的主动力相关联的数据和其随速度的变化的频谱图。

图14为转矩传感器信号和加速计信号的图表。

图15包括标记为"a"和"b"的一对图表族，其表明外部刺激对测量水平的影响。

图16示出了对于正常运转和具有增加的外部噪音的运转，按照运转速度绘制的数据的频谱的平均振幅。

图17为测试的每个齿轮状态的平均的维损害特征。

图18示出了将一半健康数据用作基线情况所生成的四个马氏(Mahalanobis)距离图(a-d)。

图19包括使用Parzen判别分析来将数据投射到二维中以及使用线性判别分析来分类所投射的数据所生成的分类图和边界的四个图表(a-d)。

具体实施方式

出于促进理解本发明原理的目的，现在将参照附图中所示的实施例，且将使用专用语言来描述这些实施例。然而，将理解的是，并不旨在使本发明的范围由本发明的某些实施例的图示和描述所限制。此外，所示和/或所述的实施例(一个或多个)的任何变化和/或改动都构想为在本发明的范围内。此外，如对本发明所属领域的技术人员而言通常会出现的、如在此所示意和/或所描述的本发明的原理的任何其它应用被考虑为在本发明的范围内。

如由下文所述的示例性实施例表明的那样，本发明提供对传动系故障和齿轮失效的前兆的识别；即，未对准和不适当的润滑，以及对由前兆引起的包括剥蚀的轮齿和缺少齿轮齿的实际故障的识别的研究。所提出的是，在与对加速计或其它类型的传感器的使用相比时，通过使用转矩变换器/传感器，这些平均水平以下（sub-par）的运转状态正像可观察到的那样，且甚至在许多情况下更是可观察的那样。转矩变换器/传感器被示为能够探测齿轮系中的故障，该齿轮系具有对将另外影响加速计的平移类型的测量结果的外力输入不敏感的附加益处，以及对未对准具有提高的灵敏度的益处。双正齿轮减速测试工作台可用于模拟作为示例性实施例所检查的平均水平以下的运转状态，且基于物理的分析模型还被开发用于验证实验结果。

在风能行业中的大量齿轮箱失效中，低速轴上的主轴承在其运转中经历包括安装件上的主轴承的未对准和移动的故障。参看图1，其中示出了在制动期间经历的轴扭力的图表，其示出了风轮机齿轮箱中的扭转振动的动力、循环性质。为了研究齿轮健康管理，对涉及正齿轮双减速传输的测试台应用故障探测方法，其在轴承外壳上配备有转矩变换器和三轴加速计。测试台不是风轮机齿轮箱，因为齿轮布置不同而且相比于典型风轮机齿轮箱的齿轮，齿轮要更小。然而，齿轮箱可用于测试本文提出的建模和故障探测方法。基线测量结果和故障测量结果两者都从实验装备获得用于数据分析。已经示出了转矩传感器提供诸如轴与齿轮之间的未对准以及减少的润滑等故障前兆的早期指示，同时还保持了识别诸如剥蚀的轮齿和缺少齿轮齿的成熟故障的能力。使用基于统计学的分析方法来分析测量结果；即，马氏距离和Parzen判别分析。然后，用于故障探测的这些特征被表征在所关注的齿轮系状态中的每一个的不同运转速度处。根据用于验证结果和用于模拟整个系统的自由动力和强制动力的第一原理来产生分析模型。

在一个实施例中，模型被开发成以数字描述和模拟被研究的齿轮箱的包括齿轮箱状态方面的变化的行为。下文详细描述了用于对被研究的齿轮箱建模的示例性方法。一旦完全开发出模型，则通过改变模型参数来模拟诸如轴未对准及剥蚀的轮齿等故障。应当理解的是，本文应用的方法可容易地适应范围较广的齿轮箱应用和状态。

在另一个实施例中，将齿轮箱系统作为由驱动单元、联接件、转矩传感器、轴、齿轮和制动器构成的扭转弹性系统处理。所有这些构件都可以以旋转刚度参数和集中质量惯性矩来描述。大多数系统构件为基本圆柱形状，且因此可容易地建模。对于圆柱，旋转刚度K的确定如下：

K = \frac{T}{θ} = \frac{G (I_{o} - I_{i})}{L} = \frac{π}{2} \frac{G ({r_{o}}^{4} - {r_{i}}^{4})}{L}

其中T为圆柱上的转矩，θ为圆柱的旋转偏转，L为圆柱的长度，G为抗剪弹性模量，且I为πr⁴/2给定的极区惯性矩，其中r为圆柱的半径。注意，下标o和i分别表示外半径和内半径，其允许为中空圆柱进行的计算(r_i对于实心圆柱为零)。质量惯性矩J的确定如下：

J = \frac{π}{2} γL ({r_{o}}^{4} - {r_{i}}^{4})

其中γ为圆柱材料的密度。

在模型中使用刚度比例阻尼还说明齿轮箱系统中的阻尼。在简单的旋转系统的大多数情况下，刚度比例阻尼模型足以按照响应振幅来以合理的准确度对整个系统建模。然后，一旦确定所有其它模型参数(惯性和刚度)，则可通过使模型结果与实验数据相关来调整阻尼值。

参看图2A，其中示出了示例性(虽然有限)第一齿轮系系统S₁的简图。在所示的实施例中，实际齿轮传动系统S₁由一系列附接到扭转刚度的轴K₁,K₂，…，K_n-1、齿轮连接在一起具有相应的轴和体的平均量旋转速度ω₁,ω₂，…，ω_n-1、且具有以rpm为单位的对应轴速度N₁,N₂，…，N_n-1的旋转体J₁,J₂，…，J_n构成。然而，如果实际系统由动力上相当的系统替换，则扭转响应特征的确定会大为简化。参看图2B，其中示出了动力上相当的系统S₂的简图，其中所有质量和轴都假定为以相同速度旋转，且其中所有齿轮比假定为1/1。以下等式应用于实际系统S₁和相当的系统S₂两者：

动能：

{KE}_{i} = \frac{1}{2} J_{i} ω_{i}^{2} = \frac{1}{2} J_{e} ω_{e}^{2} = {KE}_{e}

应变能：

P_{i} = \frac{1}{2} K_{i} θ_{i} = \frac{1}{2} K_{e} θ_{e} = P_{e}

动力上相当的系统S₂中的各个构件的惯性J_e和刚度K_e可参照相当的系统速度N_e来确定。下标i表示实际系统S₁中的第i个元件，而下标e表示动力上相当的系统S₂中的相当的元件。例如，参看图2A和图2B，参照相当的系统的速度(其选为N_e=N_i)，相当的惯性和刚度为如下：

J_A=J₁

J_OA=J₃+J₄(N₂/N₁)²

J_OB=J₅(N₂/N₁)²+J₆(N₃/N₁)²

J_B=J₂(N₃/N₁)²

K_A=K₁

K_B=K₂(N₂/N₁)²

K_C=K₃(N₃/N₁)²

对较简单的圆柱形构件建模且确定其惯性和刚度，仍被包括在模型内的唯一构件是齿轮。通过假定齿轮为简单圆柱且通过使用段落[0035]中提出的先前示出的等式来计算每个齿轮的惯性。然而，为了确定每个齿轮的扭转刚度，需要更复杂的模型。

在文献中可获得正齿轮的扭转刚度的许多近似。例如，图3示出了可用于被分析的系统的齿轮齿刚度的模型。图3被归于E.J.Nestorides，剑桥大学出版社,1958年的A Handbook on TorsionalVibration。齿的线性柔度源于应变能等式。推导的最终结果是齿轮齿对的线性刚度以如下等式进行计算：

\begin{matrix} \frac{1}{K_{L}} = 2 C \frac{12}{EL} {(\frac{h}{B})}^{3} [2.3 \log_{10} | \frac{h}{h - h_{p}} | - \frac{h_{p}}{h} (1 + \frac{h_{p}}{2 h})] + . . . \\ . . . + \frac{h_{p}}{GLB (1 - h_{p} / 2 h)} \end{matrix}

其中校正因数C对于正齿轮为1.3。校正因数用于说明接触线处的齿表面的凹入和说明邻近齿的轮体的一部分中的变形。此外，E为齿轮的弹性模量，G为抗剪弹性模量，且h,h_p,B和L是如图3中所示的齿轮几何性质。然后，齿轮齿对的旋转刚度可作如下计算：

K=2R²K_L.

其中R为有效齿轮半径而K_L为线性齿轮刚度。

使用上文所述的技术，可对系统构件的惯性和刚性参数建模。整个动力上相当的系统S₂可具有八个(8)自由度(DOF)，且可通过图4中所示的简图来表现，其中对于本发明的示例性实施例n=8(如下文将更详细论述的那样，见表1)。然而，应当理解的是，本发明不限于具有八个构件或八个自由度的布置。

对于图4中所述的建模的系统，惯性和刚度矩阵推导如下：

其中运动等式（EOM）的整个系统以矩阵-向量形式表示为：

其中I为n乘n单位矩阵，且(I+jη)[K]为适于在强制扭转响应计算中使用的复杂刚度矩阵。如前文提到的那样，该模型由线性离散扭转系统构成，其中n=8DOF，但应当理解的是，该技术可应用于广泛的扭转系统和齿轮系。

由每个DOF代表的系统构件在下文列出在表1中。在表1中，系统的自由度(由节点数字1-8表示)与根据本发明的示例性实施例的其对应的系统构件交叉引用：

表1

使用与导出的系统EOM的模态叠加，可确定扭转振动自然频率(TNF)和模式形状。图5A和图5B中示出了头两个模态偏转形状，且TNF在下文中被列出在表2中。在表2中，从集中参数模型计算出扭转自然频率。

表2

计算频率响应函数(FRF)以分析头两个模式的行为，头两个模式是低到足以被齿轮箱系统在正常运转状态下刺激的频率范围内的仅有模式。使用以下等式计算FRF，等式的结果在图6中对应地绘出(阻尼和无阻尼两者)：

[H(jω)]=[(jω)²[J]+(I+jη)[K]]^-1

在已经计算了系统的自然振动特征的情况下，根据本发明的示例性实施例的方法然后可包括模拟运转状态的步骤。为了获得运转期间的齿轮齿的啮合频率，理想的是考虑与齿轮的运转相关联的参数振动特征。该分析涉及对齿轮之间的接触力的计算，这继而又涉及对动力过渡误差(DTE)的使用。尽管出于此目的存在许多复杂模型，但在示例性实施例中为建模目的而选择了单自由度的模型。为示例性实施例选择的模型被提出在如下文献中：R.G.Parker,S.M.Vijayakar和T.Imajo的Non-linear Dynamic Response of a Spur Gear Pair：Modelling and Experimental Comparisons；Journal of Sound andVibration237(3)，435页至455页，2000。该模型已经进行了测试且被证明是适合的。图7中示出了使用的模型的简图，图7示出了用于确定齿轮齿啮合接触的DTE和接触的单DOF系统。

该系统的EOM如下：

m \overset{\cdot \cdot}{x} + c \overset{\cdot}{x} + F (t) = \frac{T_{1}}{r_{1}} = \frac{T_{2}}{r_{2}}

F (t) = \{\begin{matrix} k (t) x, & x &GreaterEqual; 0 \\ 0, & x < 0 \end{matrix}

其中x代表DTE且x=r₂θ₂＋r₁θ₁。系统质量为m＝J₁J₂/(J₁r₂ ²＋J₂r₁ ²)，且其中T代表传递穿过系统的转矩，而r代表齿轮的节距圆的半径。函数k(t)为先前计算的线性刚度(k₁)乘以与彼此接触的齿轮齿对的数目。接触比(贯穿整个齿啮合周期的接触的齿的平均数目)用于计算k(t)，其变为图8中所示的方波。图8提出了一个图表，该图表示出被建模的示例性齿轮箱系统中的两个齿轮啮合的齿啮合刚度k(t)的矩形波近似。注意，方波的2个齿部分的变化的宽度通过每个齿啮合的不同接触比确定，其中齿轮啮合2具有较高的接触比，且因此在齿啮合周期的较大部分内具有3个接触的齿对。这里建模为方波的变化的啮合刚度是齿轮系统的运转动力的时间变化性质的原因。

可在MATLAB中使用普通微分等式解算器来计算单DOF齿啮合模型的EOM，该解算器使用了四阶Runge-Kutta算法。一旦求出EOM，则可利用以下等式确定齿啮合力，其中f为齿啮合力：

f = c \overset{\cdot}{x} + kx

如图9中所示的DTE样本示范的那样，这些齿啮合力引起系统中的扭转振动，图9示出了齿轮啮合的动力传递误差(DTE)的样本。

在已根据示例性方法对齿轮箱的自由响应和强制响应建模的情况下，可模拟故障。因此，可模拟运转期间由传感器测量的转矩，包括在马达DOF处模拟的未对准。所产生的模拟的转矩的频谱可在图10中看到，图10示出了对具有未对准的分析模型的强制响应模拟。在绘出的由传感器测量的转矩的模拟频谱中观察到若干重要的峰值。100Hz峰值在2x运转速度处，其在旋转系统中是典型的且归因于模拟马达的未对准。接下来，在720Hz处，可看到关于第二齿轮对的14.4X啮合频率的峰值，后面是1200Hz处的峰值，其是对应于第一齿轮对的24X啮合频率的峰值。其余的峰值是上述峰值的谐频。在＋/－100Hz的间隔处由于未对准而在峰值周围还存在很小的振幅侧带，但这些小的振幅侧带不能在线性振幅图中看到。如图14中所示，峰值在实验数据中是可见的，图14提出了转矩传感器信号和加速计信号的图表，且强调了转矩传感器对未对准的高灵敏度。

在示例性实施例中，还关注的是模拟剥蚀齿状态的动力传动系统响应。具体而言，图11代表结合未对准的第一齿轮(最接近传动系中的转矩传感器)上的剥蚀齿状态。具体而言，图11提出了具有未对准和具有剥蚀齿的分析模型的强制响应模拟的图表。由于齿轮的齿在其材料的一部分被除去时将变得刚度较小，故剥蚀齿建模为每一次回转1次刚度减小。这种每一次回转1次改变刺激系统的动力，这在227Hz处的第一TNF附近被特别注意到。这些峰值以50Hz(或1x)的增量设置。

将从本发明的示例性实施例中的建模中注意到若干结果。首先，计算的齿轮箱的自然频率的位置趋于在测试期间在齿轮箱的振动的感测中起作用。图6中所示的共振和反共振将放大和减弱某些频率范围内的齿轮箱的响应。第二，啮合频率在如模型指出的实验数据中应当是可观察的。预计到这些啮合频率将由对应于特定啮合频率的齿轮中的故障影响，且因此这些啮合频率峰值将在故障识别中起作用。最后，如模型中所示，2x频率峰值及其谐频将为齿轮箱中未对准的指示。总体上，模拟指出了转矩传感器具有有效地测量齿轮箱的振动的潜力。这些分析结果将在以下的部分中得到验证。

为了研究使用转矩传感器识别齿轮失效的前兆的前景，使用了由称为齿轮箱动力系统(GDS)的

制造的测试工作台。尽管该测试工作台相比诸如风轮机齿轮箱等其它齿轮箱在尺寸和齿轮布置上不同，但该测试工作台可用于测试和验证已经示出的建模技术和下文将论述的故障探测技术。参看图12，GDS测试工作台100大体上包括电动马达102、NCTE型号Q4-50转矩传感器(±50N·m)104、两级平行正齿轮齿轮箱106、PlacidIndustries磁粉制动器B220108、以及使转矩传感器104与电动马达102和齿轮箱106联接的一对联接件110，其中，两级平行正齿轮齿轮箱106包括2英尺、5英寸、3英寸和4英寸节距直径(在驱动顺序中对于5:1的减速，输入对输出)的Martin Sprocket14¹/₂°压力角齿轮。GDS测试工作台100另外包括两个三轴PCB加速计，型号256A16(100mV/g标称灵敏度)。加速计置于齿轮箱壳体的外部，其中一个位于输入轴附近，而另一个位于输出轴附近。数据通过控制器或计算装置来获得；即，与以32.768kHz采样的E1432A模块配对的Agilient E8401A VXI主机。为了测量旋转轴速度，光学传感器置于马达与第一联接件之间的输入轴上。

从测试工作台获得的第一数据由马达的起转构成，以提供传动系及其固有动力的良好概览。然后，将多个齿轮状态引入系统中，以用于模拟故障状态或齿轮系失效的前兆或原因。考虑的故障状态包括剥蚀齿和缺少齿，且考虑的前兆包括未对准(测试工作台装备中固有的)和缺乏润滑。齿轮故障被以驱动顺序(最接近转矩传感器)引入在第一齿轮上。此外，通过使用压电促动器来以外部噪音输入的模拟获得数据集，压电促动器被安装到齿轮箱外壳。除去起转测量外，在5Hz至55Hz的范围以5Hz的马达速度增量来收集稳态数据。

从实验获得的数据中找到数字模型的一些验证。检查斜坡上升（ramp-up）数据集以显示系统的主要动力以及以研究随速度的变化。图13中示出了该数据的频谱图。图13为GDS的速度扫掠的频谱图。该过程显示了预测系统的TNF中的分析模型的准确度，且确认存在第一(24X)和第二(14.4X)齿轮啮合频率以及第一啮合频率(48X)的第一谐频。失衡和未对准(1-2X)也显示在实验数据中。

加速计与转矩测量结果之间的比较还试图研究故障探测中的转矩变换器的适合性。如下文所述，表3强调了与加速计相比的转矩数据中的较小变化，意味着由于对较小变化的增大的灵敏度引起的较高故障探测概率。表3还提供了在55HZ处的转矩和加速计数据的标准偏差的比较。

表3

如前文提到的那样，转矩数据还显示出系统中的未对准。尽管未观察到加速计能够显示系统中的未对准，但图14中示出了加速计数据。另外，图15中表明了外部齿轮箱噪音对测量结果的影响。在图15中，标记为"a"和"b"的图表族表明了外部刺激对测量水平的影响。对于该数据集，测量结果存在于5Hz的马达速度处，因为较高的运转速度产生较大的响应振幅，从而遮蔽由压电促动器造成的刺激。该数据集使得扭转系统的外部刺激对测量的扭转动力有很小影响至没有影响而加速计在其测量中受到极大影响变得清楚。

图16中归纳了所有测试的运转速度内的外部噪音对转矩传感器和加速计测量结果的影响。图16示出了对于正常运转以及具有增加的外部噪音的运转，按照运转速度绘制的数据的频谱的平均振幅。如可在图16中看到的那样，转矩测量结果的频谱的振幅的平均值(使用利用同时平均数据的快速傅里叶变换计算)不会由于增加的外部噪音而增大。然而，加速计测量结果明显地被增加的噪音所影响，特别是在加速计信号的频率含量的平均振幅由于来自于压电促动器的增加的能量输入而增大时。该性质某种意义上考虑了在许多其它刺激(例如，风、节距/偏航促动器等)正在刺激机舱和周围构件的动力的地方何时选择用于类似于风轮机齿轮箱的应用的变换器。因此，在测量旋转系统的动力时，转矩变换器似乎具有优于加速计的优点，因为转矩变换器对系统中的变化(即，故障)以及未对准更敏感，且其似乎对结构固有噪音不敏感。但是，在旋转系统中，扭转噪音源也存在，包括风轮机的转子上的风速的变化。转矩变换器将由该扭转噪音影响，但将仍然不受出现在所关注的旋转系统外的平移的结构固有噪音的影响，包括形成风轮机的机舱中的振动的变化的风况。

分析稳态运转数据以识别数据中的异常开始于时间同步平均(TSA)，执行时间同步平均来隔离关注的齿轮并且来减小噪音。然而，在该过程期间，基于测速信号来确定由于略微马达波动而漂移的每个持续时间的长度。通常，通过内插时间历史来说明这些变化，以便它们所有都具有相同长度，试图获得在一致轴角处的样本。然而，该示例性过程固有地采取了每次旋转的分段恒定轴速度，这继而又导致轴速度的间断。因此，使用三次样条函数对轴角进行内插，以便获得物理上可实现的轴速度变化。然后，通过也以三次样条函数来内插时间历史来在恒定的轴角处获得样本。

使用内插方法，基于单输入轴旋转的24个平均值来执行TSA。为了将以下分析集中在输入轴上的24齿齿轮，在24x齿轮啮合频率和任一侧上的接下来8个频谱点处的TSA结果的频率含量的大小被用于探测损害的存在，从而导致17维损害特征向量。如分析模型部分中提到的那样，齿轮啮合频率预计会受到与那个特定啮合频率(在此情况下为24齿齿轮)相对应的齿轮中的故障的显著影响，且任一侧上的周围的8个频谱点将获得对周围频率中的故障的调制。图17中示出了以50Hz的运转速度测试的每个齿轮状态的平均17维损害特征。

如所预计的那样，主峰值出现在中心频谱分量处，这对应于24X齿轮啮合频率。然而，对于缺少齿的状态，该峰值会由于齿轮啮合因缺少齿而每齿轮旋转一周被中断一次而移位。没有润滑的状态导致转矩信号中的噪音增大，所以齿轮啮合频率未如此限定且更多调制出现。基线状态和剥蚀状态很相似，只是基线(或健康)状态具有在齿轮啮合频率周围的频谱分量中的较高振幅。类似图案在其它运转速度处的损害特征中也看得到。

每个17维损害特征向量通过减去平均值和除以横跨每个维的训练数据的标准偏差来标准化。在计算标准化的损害特征之后，进行初始统计分析来研究使用转矩信号探测系统何时不再以标准状态运转的可行性。为了在不使用来自于损害状态的数据的情况下实现该任务，使用了马氏距离(见Staszewski等人，1997)。点x_k的马氏距离使用以下等式计算：

d²(x_k)=(x_k-μ)^TΣ^-1(x_k-μ)

其中μ为样本平均值，且∑为样本的协方差矩阵，两者都仅使用基线数据计算出。基本上，马氏距离为相似性的加权测量，其通过使用第一样本矩和第二样本矩而考虑到基线数据集中的变量之间的相关性。

为了在不使用测试数据的情况下设置探测阈值，计算了基线数据集的马氏距离的平均偏差和标准偏差。由于变量的分布很可能不正常，故阈值设置在马氏距离加十个标准偏差的平均值处。通过契比雪夫不等式(见A.Papoulis和S.U.Pillai;Probability.RandomVariables and Stochastic Processes;McGraw-Hill.2002)，这意味着不管数据自其而来的分布如何，存在小于1%的来自于该分布的数据大于阈值的几率。

为了训练该模型，一半的健康数据用于基线数据，而另一半用于验证模型，且确定是否出现任何数目的损害的假指示。如从图18中所示的在每一个被研究频率处的马氏距离的图中看到的那样，没有出现损害的假指示，且可将所有其它操作状态与健康数据区分开。图18示出了使用一半健康数据作为基线情况生成的四个马氏距离图(标记为a-d)。显著的差阈值以黑色水平线指出。图(a)和(c)由转矩传感器数据产生，而图(b)和(d)由加速计数据产生。由于健康数据与来自于任何其它状态的数据之间的较大分离，数据基于对数标度绘制。

重要的是注意外部噪音(如先前在上文所述的那样)对马氏距离计算的影响。从用于具有增加的外部噪音的基线和缺少齿状态的数据中产生的马氏距离呈现在图18中。理想的是，具有外部噪音的基线(或健康)数据将落入由健康数据设置的阈值内，或至少这将对于不会被齿轮箱壳体上的外部平移振动所显著影响的转矩传感器是真实的。如图18中可看到的那样，这不是真实的。然而，具有噪音的基线数据相对于用于转矩测量的其它数据集比用于加速计测量的其它数据集更接近阈值。这指出与在齿轮箱壳体上使用加速计相比，转矩传感器对平移结构固有噪音的较低灵敏度。

总体上，除25Hz和30Hz轴速度之外，马氏距离分析成功地分离了健康数据和损害数据。提出的是：该结果是由于在25Hz和30Hz之间的输入轴速度的齿轮啮合频率在头两个计算的TNF之间，且因此具有减小的信噪比。如上文所述，小测试工作台齿轮箱被用于测试如较宽的发明的示例性实施例所提出的测试方法的目的。因此，由于TNF对响应的重要性，且事实上TNF和关注的输入轴速度两者对于较大的齿轮箱(例如，风轮机齿轮箱)都将减小，故如图17、图18和图19中指出的那样，数据以指示为第一扭转自然频率的百分比的输入轴速度来标记。

尽管该过程使将健康状态能够与不健康状态区分开，但该过程不能分类损害的类型。为了有助于该过程，在相同的数据特征上执行两步的过程，该相同的数据特征用于前述马氏距离过程。由于这是监督学习过程，故来自于每个状态的一半数据用作训练数据。然后，Parzen判别分析被应用到该数据。该分析为子空间投影方法，其没有进行关于数据的基础分布的假定。相反，其研究了在每个数据点周围的局部区域且试图最大限度地增大横跨不相似组(S_D)的平均局部散布与每个组(S_S)内的平均局部散布之比。这通过解决如下广义本征值问题来实现：

S_Dx=λS_Sx

S_{D} = \frac{1}{N} Σ_{i = 1}^{N} \frac{1}{N_{R (x_{i})}^{D}} \underset{c (x_{i}) &NotEqual; c (x_{j})}{\underset{x_{j} &Element; R (x_{i})}{Σ}} (x_{i} - x_{j}) {(x_{i} - x_{j})}^{T}

S_{S} = \frac{1}{N} Σ_{i = 1}^{N} \frac{1}{N_{R (x_{i})}^{S}} \underset{c (x_{i}) &NotEqual; c (x_{j})}{\underset{x_{j} &Element; R (x_{i})}{Σ}} (x_{i} - x_{j}) {(x_{i} - x_{j})}^{T}

其中N为数据点的总数，R(x_i)为在x_i周围的局部区域，N_Rx ^D为区域中的不相似样本的数目，而N_Rx ^S为与由c(x_i)=c(x_j)指出的x_i为相同类别的区域中的样本的数目。然后，所选数目的维的最佳投影矩阵的行由对应的最大本征值的本征向量构成。为了此研究，数据被向下投射成两维以易于可视化，且每个点R(x_i)周围的局部区域限定为每个点周围的超球面，其半径等于至最靠近的相邻点的平均距离的五倍。

在训练数据已经用于使上述投影矩阵公式化之后，该矩阵然后被应用于训练数据，此后，在投射的数据上执行线性判别分析，该投射的数据包括来自于具有增加的外部噪音的基线和失齿状态。如图19中所示的分类散布图中可看到的那样，这产生在没有增加的外部噪音的情况下，转矩测量结果的所有测试数据集的正确分类。图19包括使用Parzen判别分析以将数据投射到两个维度中和使用线性判别分析以分类所投射的数据所生成的分类图和边界的四个图表(标记为a-d)。图表(a)和(c)由转矩传感器数据产生，而图(b)和(d)由加速计数据产生。

不同的类别(没有增加的外部噪音)被较好地群集，且在对于转矩数据所研究的每个输入轴速度处分开。然而，加速计数据在所有运转速度处并未产生同样成功的结果。例如，如图19中的图表b和图表d中所见，剥蚀齿和没有润滑的组并不清楚，这继而又导致若干错误分类，且类似的结果在其它运转速度处可看到。最后，重要的是注意外部噪音对该分析的影响。当使用转矩数据时，具有增加的噪音的基线数据在基线组中被成功地分类(见图19中的图表a和图表c)。然而，加速计数据在某些速度处并不成功(见图19中的图表b)。具有增加的外部噪音的缺少齿状态使用转矩数据或加速计数据并未成功地分类，这指出需要关于分类过程和外部结构固有噪音的影响的进一步分析和实验。最后，还应当注意的是，将线性判别分析简单地应用于原始数据或应用于未正确地分类所有数据集的第一若干主构件，这继而又示出了对非参数判别分析的利用。

如上文指出的那样，简单的两级正齿轮工作台测试用作用于验证探测传动系构件故障中的转矩变换器测量结果的熟练的示例性实施例。数字模型首先示为能够模拟由转矩变换器测量的运转响应，且可被更新以便模拟关注的传动系状态，从而知道状态对系统性质的影响。已经通过统计方法和实验示出转矩变换器能够探测两种传动系故障，即，剥蚀齿和缺少齿，以及故障的前兆，即，未对准和缺乏润滑。这可能在因频繁齿轮失效而收到损害的应用(如，风轮机齿轮系)中是有用的，其中对故障前兆的探测对环航绝对失效而言是必需的。通过的已知状态或故障多个数据集的应用，该方法可训练成在任何应用中使用。转矩传感器被另外示为对未对准造成的低频振动非常敏感且对被引入到齿轮箱壳体中的环境噪音不敏感，对于在运转于动力环境中的齿轮系中的使用而言，这是优于加速计的一个显著优点。在此所提出的调查结果必定看起来表明在齿轮箱故障诊断中，利用安装到动力传动系统的转矩传感器优于安装到齿轮箱壳体的加速计的若干优点，从而提供采用备择的损害探测和分类方法。

许多不同的损害探测和分类方法可应用于转矩波形，以便开发和应用本发明的不同实施例。尽管前文所述的示例采用用于采用转矩波形探测和分类损害的特定方法，但对本领域的技术人员而言明显的是，存在很多不同的可应用于转矩波形以便获得和分类损害特征的算法。前文所述的算法已经用作在损害探测中采用转矩波形的示例，且因此不应当看作是该方法的限制。

尽管本发明已经在附图和先前的描述中详细地示出和描述了，但本发明在性质上应被认作是示范性而非限制性的，应当理解的是，仅示出和描述了优选实施例，且进入在本发明的精神内的所有改变和变型都期望被保护。应当理解的是，尽管使用诸如以上描述中使用的可优选的、作为优选、优选的或更优选的等词语指出所描述的特征可以是更理想的，然后其不是必需的，且缺乏这些词语的实施例也可预期为在本发明的范围内，该范围由以下权利要求限定。在阅读权利要求时，期望的是，当使用诸如"一个"、"一种"、"至少一个"或"至少一部分"等词语时，并不旨在将权利要求限制为仅一个项目，除非权利要求中明确地指出为相反。当使用语言"至少部分"和/或"部分"时，项目可包括部分和/或整个项目，除非明确地指出为相反。

Claims

1.一种用于探测传动系中的故障状态的方法，包括：

监测在沿传动系的位置处的转矩振荡；以及

通过评估所述监测期间获得的转矩振荡数据来探测与传动系构件相关联的至少一个故障状态。

2.根据权利要求1所述的方法，其特征在于，所述转矩振荡数据被表征为转矩波形，所述转矩波形具有对应于与所述传动系构件相关联的所述至少一个故障状态的至少一个峰值振幅。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

生成与所述传动系构件相关联的模拟转矩数据，所述模拟转矩数据模拟所述传动系构件的动力行为；以及

其中所述探测包括将所述转矩振荡数据与所述模拟转矩数据比较以识别与所述传动系构件相关联的所述至少一个故障状态。

4.根据权利要求3所述的方法，其特征在于，所述模拟转矩数据由模拟所述传动系的动力行为的基于物理的分析模型产生。

5.根据权利要求3所述的方法，其特征在于，所模拟的所述传动系构件的动力行为包括：

所述传动系构件的正常运转状态；以及

与所述传动系构件相关联的所述至少一个故障状态。

6.根据权利要求3所述的方法，其特征在于，所述转矩振荡数据被表征为转矩波形；以及

其中所述探测包括将所述转矩波形与所述模拟转矩数据比较以识别与所述传动系构件相关联的所述至少一个故障状态。

7.根据权利要求3所述的方法，其特征在于，所述模拟转矩数据被表征在多个频率处，以在所述传动系的多个运转速度处识别与所述传动系构件相关联的所述至少一个故障状态。

8.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述转矩振荡数据表征成可识别的运转特征；

将所述模拟转矩数据表征成可识别的模拟特征；以及

将所述可识别的运转特征与所述可识别的模拟特征比较以探测与所述传动系构件相关联的所述至少一个故障状态。

9.根据权利要求1所述的方法，其特征在于，与所述传动系构件相关联的所述至少一个故障状态包括实际传动系构件故障中的至少一个以及传动系构件故障前兆中的至少一个。

10.根据权利要求9所述的方法，其特征在于，所述探测包括使用在所述监测期间获得的所述转矩振荡数据来识别与所述传动系构件相关联的剥蚀的轮齿状态或缺少齿轮齿状态。

11.根据权利要求9所述的方法，其特征在于，所述探测包括使用所述监测期间获得的所述转矩振荡数据来识别与所述传动系构件相关联的未对准状态。

12.根据权利要求9所述的方法，其特征在于，所述探测包括使用所述监测期间获得的所述转矩振荡数据来识别与所述传动系构件相关联的缺乏润滑状态。

13.根据权利要求1所述的方法，其特征在于，所述监测所述转矩振荡包括在沿所述传动系的所述位置处使用转矩变换器感测转矩水平。

14.根据权利要求1所述的方法，其特征在于，所述传动系构件包括形成或风轮机或燃气涡轮发动机中的部分的齿轮箱。

15.一种用于探测传动系中的故障状态的方法，包括：

生成与所述传动系构件相关联的模拟转矩数据，所述模拟转矩数据模拟所述传动系构件的动力行为；

监测在沿所述传动系的位置处测量的转矩；以及

将所述测量的转矩与所述模拟转矩数据比较以识别与所述传动系构件相关联的至少一个故障状态。

16.根据权利要求15所述的方法，其特征在于，所述模拟转矩数据由模拟所述传动系的动力行为的基于物理的分析模型产生。

17.根据权利要求15所述的方法，其特征在于，所模拟的所述传动系构件的动力行为包括：

所述传动系构件的正常操作状态；以及

与所述传动系构件相关联的所述至少一个故障状态。

18.根据权利要求15所述的方法，其特征在于，所述模拟转矩数据被表征在多个频率处，以在所述传动系的多个运转速度处识别与所述传动系构件相关联的所述至少一个故障状态。

19.根据权利要求15所述的方法，其特征在于，所述方法还包括：

将所述测量的转矩表征为可识别的运转特征；

将所述模拟的转矩数据表征为可识别的模拟特征；以及

将所述可识别的运转特征与可识别的模拟特征比较以探测与所述传动系构件相关联的所述至少一个故障状态。

20.根据权利要求15所述的方法，其特征在于，所述监测所述测量的转矩包括监测在沿所述传动系的所述位置处的转矩振荡。

21.根据权利要求20所述的方法，其特征在于，所述转矩振荡被表征为转矩波形；以及

其中所述比较包括将所述转矩波形与所述模拟转矩数据比较以识别与所述传动系构件相关联的所述至少一个故障状态。

22.根据权利要求20所述的方法，其特征在于，所述转矩振荡被表征为转矩波形，所述转矩波形具有对应于与所述传动系构件相关联的所述至少一个故障状态的峰值振幅。

23.根据权利要求15所述的方法，其特征在于，所述模拟转矩数据被表征在多个频率处，以在所述传动系的多个运转速度处识别与所述传动系构件相关联的所述至少一个故障状态。

24.根据权利要求15所述的方法，其特征在于，所述至少一个故障状态包括与所述传动系构件相关联的剥蚀的轮齿状态和缺少齿轮齿状态中的至少一者。

25.根据权利要求15所述的方法，其特征在于，所述故障状态包括与所述传动系构件相关联的未对准状态和与所述传动系构件相关联的缺乏润滑状态中的至少一者。

26.一种用于探测传动系中的故障状态的系统，包括：

联接到传动系构件的转矩传感器，所述转矩传感器构造成测量在沿所述传动系的位置处的转矩且生成对应于所测量的转矩的转矩振荡信号；以及

控制器，其构造成接收所述转矩振荡信号且评估所述转矩振荡信号以识别与所述传动系构件相关联的至少一个故障状态。

27.根据权利要求26所述的系统，其特征在于，所述系统还包括模拟所述传动系的动力行为的基于物理的分析模型，所述基于物理的分析模型提供与所述传动系构件相关联的模拟转矩数据集；以及

其中所述控制器构造成将所述转矩振荡信号与所述模拟转矩数据集比较，以识别与所述传动系构件相关联的所述至少一个故障状态。

28.根据权利要求26所述的系统，其特征在于，所述转矩振荡信号包括转矩波形，所述转矩波形具有对应于与所述传动系构件相关联的所述至少一个故障状态的至少一个峰值振幅。

29.根据权利要求26所述的系统，其特征在于，所述至少一个故障状态包括剥蚀的轮齿状态和缺少齿轮齿状态中的至少一者。

30.根据权利要求26所述的系统，其特征在于，所述至少一个故障状态包括未对准状态和缺乏润滑状态中的至少一者。