齿轮故障诊断的实验数据集及python处理

大约 3 分钟齿轮箱故障诊断齿轮箱振动信号

本文首发于“52phm”公众号，未经授权，严禁转载！

1、摘要

该试验台在不同小齿轮条件下进行测试，并通过加速度计进行振动信号采集，加速度计采样率为10KHz、采样时长为10s，采样数据共3包，每一包数据对应着不同故障类型，分别是健康状态、齿轮断齿、齿轮磨损状态下的数据集。该数据集被授权于用于任何学术和研究目的。

2、试验台结构

试验台装置整体传动系统主要由电机作为驱动输入，通过皮带带动齿轮箱，而齿轮箱输出端通过皮带带动刹车系统。具体试验台装置、原理图及加速度计安装示意图如下图所示。

试验台设置

测试原理图

加速度计的方向及位置

3、数据集解读

数据集有3包数据，每包数据采样率为10kHz，采样时长为10s；
电机转速1420rpm/min，小齿轮15齿数、大齿轮110齿数；
啮合频率=(1420/60)*15=355Hz，在进行频谱分析中来看，实际啮合频率是365Hz左右；
数据与故障对应关系

断齿

Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1

正常

Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1

3个齿磨损

Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1

齿轮磨损和脱落

4、振动分析

这里使用python写了一个数据处理的程序，将mat数据保存到csv文件、以及给出振动原始波形、频谱图的计算方法。简单提供一个baseline，方便大家使用数据集和做一些分析学习。

数据处理

"""
@数据来源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS
"""
import pandas as pd
from scipy import io


if __name__ == '__main__':
    df = pd.DataFrame()
    data1 = io.loadmat("./Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1.mat")
    data1_acc = data1['acc'].flatten() * 9.8605
    df['Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1'] = data1_acc

    data1 = io.loadmat("./Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1.mat")
    data1_acc = data1['acc'].flatten() * 9.8605
    df['Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1'] = data1_acc

    data1 = io.loadmat("./Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1.mat")
    data1_acc = data1['acc'].flatten() * 9.8605
    df['Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1'] = data1_acc

    df.to_csv("355Hz有偏差在365Hz左右.csv", index=False)

振动分析

这里涉及到时域波形和频谱分析，本次baseline提供快速傅里叶变换的频谱分析，具体实现如下代码所示。

"""
@数据来源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS
"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False


def get_wav(data, fs, title):
    plt.clf()
    plt.title(title)
    t = np.arange(len(data)) * (1/fs)
    plt.plot(t, data)
    plt.xlabel("时间[s]")
    plt.ylabel("幅值[m/s^2]")
    plt.savefig(title + '_wav.png')
    # plt.show()


def get_spec(data, fs, title):
    plt.clf()
    plt.title(title)
    f = np.fft.rfftfreq(len(data), 1/fs)
    amp = abs(np.fft.rfft(data)) * 2 / len(data)
    plt.plot(f, amp)
    plt.xlabel("频率[Hz]")
    plt.ylabel("幅值[m/s^2]")
    plt.savefig(title + '_spec.png')
    plt.show()


if __name__ == '__main__':
    df = pd.read_csv("355Hz有偏差在365Hz左右.csv")
    for col in df.columns.tolist():
        data1 = df[col].values
        # get_wav(data1, fs=10000, title=col)
        get_spec(data1, fs=10000, title=col)