齿轮故障诊断方法综述.docx

齿轮故障诊断方法综述.docx

《齿轮故障诊断方法综述.docx》由会员分享，可在线阅读，更多相关《齿轮故障诊断方法综述.docx（12页珍藏版）》请在冰豆网上搜索。

齿轮故障诊断方法综述

齿轮故障诊断方法综述

摘要齿轮是机械设备中常用的部件,而齿轮传动也是机械传动中最常见的方式之一。

在许多情况下,齿轮故障又是导致设备失效的主要原因。

因此对齿轮进行故障诊断具有非常重要的意义。

介绍了故障的特点和几种诊断方法，并比较了基于粒子群优化的小波神经网络,基于相关分析与小波变换,基于小波包和BP神经网络和基于小波分析等故障诊断方法的优缺点，并提出了齿轮故障诊断的难点和发展方向。

关键字齿轮故障诊断诊断方法分析比较发展

第一章齿轮故障诊断发展及故障特点

1.1齿轮故障诊断的发展

齿轮故障诊断始于七十年代初，早期的齿轮故障诊断仅限于在旋转式机械上测量一些简单的振动参数，用一些简单的方法进行诊断。

这些简单的参数和诊断方法对齿轮故障诊断反应灵敏度较低，根本无法准确判断发生故障的部位。

七十年代末到八十年代中期，旋转式机械中齿轮故障诊断的频域法发展很快，其中R.B.Randall和James1.Taylor等人做好了许多有益的工作，积累了不少故障诊断的成功实例，出现了一些较好的频域分析方法，对齿轮磨损和齿根断裂等故障诊断较为成功。

进入九十年代以后,神经网络、模糊推理和网络技术的发展和融合使得齿轮系统故障诊断进入了蓬勃发展的时期。

我国学者在齿轮故障诊断研究方面也做了大量工作。

1986年,屈梁生、何正嘉在《机械故障诊断学》中分析了齿轮故障的时频域特点。

1988年,颜玉玲、赵淳生对滚动轴承的振动监测及故障诊断进行了分析。

1997年,郑州工业大学韩捷等在“齿轮故障的振动频谱机理研究”中对齿轮的故障机理做了探讨。

西安交通大学张西宁等在“齿轮状态监测和识别方法的研究”中提出了一种新方法即基于一致度分析。

1.2齿轮故障形式与震动特征

通常齿轮在运转时,由于制造不良或操作维护不善会产生各种形式的故障。

故障形式又随齿轮材料、热处理、运转状态等因素的不同而不同,常见的齿轮故障形式有齿面磨损、齿面胶合和擦伤、齿面接触疲劳和弯曲疲劳与断齿。

在齿轮运转状态下,伴随着内部故障的发生与发展,必然会产生振动上的异常。

实践证明,振动分析是齿轮故障检测中最有效的方法。

若齿轮副主轮转速为n1,齿数为z1,频率为f1;从轮转速为n2,齿数为z2,频率为f2,则齿轮啮合频率fC为:

fC=Nf1z1=Nf2z2=Nn160z1=Nn260z2

（1）式中:

N=1,2,3,…。

齿轮处于正常或异常状态下,啮合频率振动成分及其倍频总是存在的,但两种状态下的振动水平有差异。

如果仅仅依靠对齿轮振动信号的啮合频率及其倍频成分的差异来识别齿轮的故障是不够的,因故障对振动信号的影响是多方面的,其中包括幅值调制、频率调制和其他频率成分。

第二章齿轮传动故障诊断的方法

齿轮故障的诊断方法从难易程度来说可以分为简易诊断方法和精密诊断方法。

简易诊断方法包括:

有经验的人员可以通过直接听噪声,或感受振动强度来初步判断齿轮系统是否处在正常状态。

通过直接观察信号波形的幅值、变化趋势来判断齿轮的工作状态。

简易诊断方法简单、快速,但效果一般。

精密诊断方法利用精密仪器来获取系统运行的信号,并对信号进行一系列处理来获得所需要的信息。

精密诊断方法的准确性高,但对人员素质要求高,需要的仪器也比较精密。

齿轮系统在运行过程中,和运行状态有关的一系列物理量都是随时间的变化,以各种各样的信号表达出来。

因此,信号处理方法是齿轮故障诊断中最关键的一个环节。

它对前面环节所得到的信号进行分析,又给后面最终的决策环节提供信息。

有关齿轮的信号处理方法目前已经取得了很大的发展,它借鉴了振动力学、摩擦学、系统论、控制论、计算机技术、人工智能技术和非线性理论等多个领域的研究成果,广泛采用传感器技术、计算机和信息处理等现代科学技术作为其技术支持。

2.1高阶谱分析

高阶谱是在高阶累积量的基础上发展起来的,是近年来国际上在一个信号处理方面比较新的方向。

它是用来分析非高斯、非线性、非最小相位的有力工具,相对于相关函数和功率谱来说,它不仅能提供时间、幅值、频率上的信息,还能提供相位上的信息。

目前国内外已经将其引入齿轮检测中。

双谱技术用于齿轮故障诊断,利用该方法能有效地识别出信号中的二次相位耦合情况,可以准确地检测出齿轮中存在的分布缺陷。

将双谱和双相干谱进行比较,通过对齿轮在正常、磨损、断齿状态下的分析表明双谱比双相干谱的能量分布更集中,更利于故障特征提取。

齿轮啮合过程中的振动信号往往呈现出非线性、非高斯性,加上强噪声的干扰,给故障特征的提取带来了较大的困难。

为实现齿轮单一故障的分类和诊断,采用时序参数化的双谱分析方法,对齿轮故障模拟试验台上采集的正常状态和3种故障状态的振动信号进行了分析,根据双谱谱峰的分布及数目的差异性,实现了齿轮正常、裂纹、磨损、剥落4种状态的识别和分类。

结果表明,双谱分析可以抑制背景噪声,并有效提取信号中的非高斯成分,是一种有效的故障诊断方法。

2.1.1参数化双谱估计的原理

双谱的计算方法有2种:

①直接由定义计算双谱（实质上,双谱定义为平稳时序的3阶自相关函数的二维傅立叶变换）;②间接由参数模型估计双谱,其计算简便,本研究利用AR（p）模型来估计双谱。

2.1.2试验装置与信号获取

试验装置为齿轮故障模拟实验台,它由控制台、直流电动机、加载电机、直流调速加载系统、齿轮减速器组成,如图1所示。

传感器的安装位置是正确获取信号的关键,对于齿轮箱而言,齿轮故障的振动信号在传递中经过环节较多（齿轮—轴—轴承—轴承座—测点）,很多高频信号在传递中可能丧失了,所以,进行测试时应选择轴承座附近刚性较好的部位,两个压电式传感器分别布置在中间轴和输出轴的轴承座外壁上,方向均为竖直向上。

齿轮箱是由三轴式二级变速器组成,输入轴与输出轴上齿轮均为正常齿轮（z1=26,z4=85,m=2）,中间轴上齿轮为二联齿轮（z2=64,m=2）和三联齿轮（z3=40,m=2）,上面布置有模拟故障,故障的变换由齿轮箱前后两个换档手柄调节实验中采样频率设定为10kHz,数据长度为12902,分3种转速（400、700和1000r/min）,在3种承载（无载,轻载,重载）工况下进行采样。

2.1.3故障诊断

实验中,在1000r/min重载工况下采集正常信号和3种故障信号的时域图及FFT频谱图如图3、图4所示

从时域波形图中可见,齿轮的4种运行状态的差别较小。

从FFT频谱图可见,当存在故障时,能量的分布发生了一定的变化,出现了新的能量集中区域,但是4种状态在低频处的能量集中有一定的相似性,因此直接用肉眼区分存在一定的困难,需进一步处理才能进行准确的分类和诊断。

2.1.4　应用双谱分析识别齿轮故障

当齿轮出现裂纹、局部剥落等故障时,将产生周期性的冲击信号,信号的分布则发生一定的变化,呈现出一定的非高斯性,故将双谱分析应用到齿轮故障的分类和诊断中。

Matlab信号处理工具箱提供的函数arorder和arrcest指令可用于AR模型定阶和模型的参数估计,调用相关指令对已经估计出的参数再进行双谱分析,4种状态的双谱估计结果如图5所示

由图5可以看出,不论是正常齿轮还是故障齿轮,双谱图上都存在着谱峰,其高斯偏离性很明显。

在正常情况下,主峰值仅在低频处有一处,而故障情况下,裂纹和剥落故障均出现了6个谱峰,但谱峰的形状及能量有一定的差异,而磨损故障的谱峰个数较多也较集中,且故障状态下的谱峰在低频及高频处均有分布,这是由于不同齿轮故障的调制作用不同,由此产生“调制频率各分量之间发生耦合程度不同”的必然结果。

根据4种状态谱峰的数目及分布不同,可以完成较好的分类和诊断。

2.2基于边频分析的齿轮故障诊断

2.2.1分析原理

边频带的产生主要与振动信号被调制有关,如齿轮箱中齿轮轴上若存在偏心故障或者啮合齿轮的某些齿上出现较为严重故障时,就会产生调制,即在特征频的两旁有一些边频带[3-4]97-101。

为了准确的诊断,就必须进行细化分析。

细化分析[5-6]的基本思想是利用频移定理,对被分析信号进行复调制,再进行重新采样做傅立叶变换,即可得到较高的频率分辨率,其主要步骤为:

假定要在频带（f1~f2）范围内进行频率细化,此频带中心频率为f0=（f1+f2）/2,对被分析信号x（k）进行复调制,得到频移信号y（k）=x（k）e-i2πKL/N,L=f0Δf式中,Δf是未细化分析前的频率间隔。

根据频移定理,Y（n）=X（n+L）,相当于把X（n）中的第L条线移到Y（n）的零谱线位置了。

此时降低采样频率为2NΔf/D,对频移信号重新采样或对已采样数据频移处理后进行选抽,就能提高频率分辨率D倍分析Y（n）零谱线附近的频谱,也即X（n）中第L条谱线附近的频谱。

2.2.2铣床振动测试

本次试验中,首先对铣床的振动信号进行了采集和分析,并且进行了故障分析。

（1）　测试系统试验仪器

信号的采集是由压电式加速度传感器进行,经DLF系列多通道电荷电压滤波积分放大器转换为电压信号,用INV310大容量数据自动采集系统和DASP软件进行信号处理,分析其频谱。

（2）　试验方案和测试过程

（1）确定测点和转速。

首先,在机床空载状态下,通过触摸找出振动较大的部位。

其次,在各部位用测试仪器确定在铣床空载状态下,振动较大的位置。

选定主轴转速在n=75、150、300、475、600、750、950、1180、1500r/min时,传动路线为

其中1~10号点（图1）振动较大,并且大部分的振动与加工精度有直接关系,因此作为这次研究的主要测试点（对称点也进行相应测试,但没在图中标出）。

（2）计算测试转速下的轴的转动频率、齿轮啮合频率（表1、表2）。

（3）测试过程。

①连接仪器,对仪器仪表进行零位调整,设置参数;②启动机床,观察接收的信号,当信号稳定后进行采集;③改变转速和测点,记录每种工作状况下各点的数据。

2.2.3　边频带分析

边频带成分包含有丰富的齿轮故障信息,要提取边频带信息,在频谱分析时必须有足够高的频率分辨率[4]97-101。

当边频带谱线的间隔小于频率分辨率时,或谱线间隔不均匀,都会给边频带分析带来误差,为此必须进行细化分析.

通过测试,将各测点记录的振动信号回放后,使用DASP软件进行频谱分析,得到各个工况下各点的频谱图百余副,如图2所示为75r/min时第5号点的频谱图

和幅值相对比较大点的数据图。

从图2可知,图中频谱峰值比较突出,振动出现较大信号峰值的频率有222.88Hz、642.24Hz、900~1000Hz。

分析所有的频谱图可以看出:

在642.24Hz附近的幅值都是比较大的,占有一定的地位;主要分析这一范围的频谱,由于频率分辨率太低,因此,挑选能够反应这个特性的频带重新进行细化分析。

如图3所示为主轴在1180r/min（实际转速是1212r/min）时第5号点未细化的频谱图和细化后（598Hz到700Hz）的频谱图。

从图3a中可以看出,要想准确的分析出边频值来是比较困难的,所以要进行细化分析,在图3b中可以很精确的看出边频值（特征频率642.24Hz,边频24.7Hz）,这样进行故障的判断是非常有利的。

2.2.4　故障诊断

（1）故障元件及位置。

从图3中可以看出,642.24Hz是造成振动幅值偏大的主要频率,而以实测主轴转数1212r/min推算,第一对齿轮啮合（26/54）的频率为640.92Hz（表1）,Ⅰ轴的旋转频率为24.65Hz（表2）,从图3b中还可以看到642.24Hz两侧存在边频,边频的大小为24.7Hz,这充分说明是由轴的旋转频率经过第一对齿轮啮合频率调制所得。

经过检查,发现第一对齿轮啮合（26/54）中有一齿轮基节误差过大,并且齿轮有一定的点蚀,每一圈均在此齿处产生猛烈冲击一次。

（2）在主轴转速为1500r/min工况下,还发现在1002.956Hz（万能铣头中一对齿轮啮合频率501.67Hz的一倍频,见表1）的两侧也存在边频23~26Hz（与此轴的转动频率25.08Hz相近,见表2）,说明这对齿轮同样有问题,后经检查发现安装万能铣头时略有松动（由于篇幅有限,不再另附图来说明）。

（3）在万能铣头上选择较多测点是为了更好的分析影响加工精度的因素,此次试验中,在75r/min工下,幅值谱（图4）中222Hz附近的幅值相对也比较大,这主要是由Ⅱ、Ⅲ轴齿轮啮合（16/39、19/36、22/33,见表2）振动造成的,但总体所占比例相对较小,检查或修理后对机床十分有益。

应用边频分析方法进行齿轮（特别对于带有齿轮箱机床的研究）故障诊断简单易行。

同时,必须对重点频带进行细化分析,提取准确的边频值,就能准确分析故障产生的部位和原因。

细化分析可以很好的提高频率分辨率,它与边频分析相结合对于齿轮的故障诊断是一种非常有效而又简便的方法。

2.3时域分析

2.3.1　时域指标

时域指标是以一系列的指标来给出系统的状态特征。

主要包括均方根值、斜度（Skewness）、波形指标（ShapeFactor）、峰值指标（CrestFactor）、脉冲指标（ImpulseFactor）、裕度指标（ClearanceFac-tor）、峭度指标（KurtosisValue）等。

峭度指标、裕度指标和脉冲指标对于冲击脉冲类故障比较敏感,特别是在故障早期发生时,它们有明显增加;但上升到一定程度后,随故障的逐渐发展,反而会下降,表明它们对早期故障有较高的敏感性,但稳定性不好。

一般说,均方根值的稳定性较好,但对早期故障信号不敏感。

为了取得好的效果,通常将它们同时使用,以利于全面分析。

利用最大峭度（KurtosisMaxmiisation）作为一个指标来识别直升机齿轮中故障的出现,并且表明相对于现行的方法在下述方面具有更好的效果:

（1）能够在早期或更显著地识别出裂纹;

（2）能够检测复杂齿轮箱特别是直升机齿轮箱中的故障。

利用零滞后的高阶统计量作为一种新的指标来识别出齿轮裂纹、断齿状态。

因为高阶累积量具有抑制高斯噪声的能力,首先通过Hilbert变换提取出信号的包络信号,然后计算零滞后的高阶累积量,效果明显。

峰态因数指标对于齿轮局部点蚀故障反应非常敏感,微小故障可以引起峰态因数指标的明显变化。

不过时域指标只能用于定性的分析齿轮中可能出现的故障,对于需要精确确定的故障还需要结合其它方法。

2.3.2非线性时间分析

随着机械诊断中信号处理方法的发展,人们不断提出新的非线性分析方法以解决实际中的需要。

将ARMA时间序列模型引入齿轮故障诊断,建立起了齿轮状态的分类网络,该方法对动态数据具有外延性,可避免在求取动态数据加窗时所造成的影响。

1