基于多方法結合應用的齒輪箱故障特征提取研究

朱云博, 周厚強, 張燕軍, 張永強

(武漢軍械士官學校 地炮系, 湖北 武漢 430075)

齒輪箱在機械領域中有著廣泛的應用，但是其工作環境惡劣，在工作中容易受到損害，故障率較高，是誘發設備故障的重要因素，因此齒輪箱系統的狀態監測和故障診斷問題越來越受到重視[1].基于振動信號處理的方法在齒輪箱故障診斷中有著廣泛的應用，除了時域分析、頻域分析等傳統方法外，各種新興的信號處理方法理論也得到了快速發展，例如以小波變換為代表的時頻域分析、奇異值分解(SVD)、經驗模態分解(EMD)、數學形態學等[2-5].但是由于工程實際中的振動信號中通常存在較強的背景噪聲和脈沖干擾，所以這些信號處理方法有其自身的局限性，導致單一的信號處理方法在工程實際中的應用往往難以取得理想的效果.

將兩種或兩種以上方法相結合應用于齒輪箱振動信號特征提取成為當前的研究應用趨勢，通過將不同方法相結合應用，可有效避免單一方法的局限性，充分發揮各自方法的優勢.本文介紹將多種方法相結合應用于齒輪箱振動信號故障特征提取的應用現狀，總結在齒輪箱故障診斷領域中振動信號處理方法的發展趨勢.

1 基于振動分析的齒輪箱故障特征提取基本原理

齒輪箱的故障診斷一般包括以下步驟：故障信息的獲取、故障的特征提取、故障模式識別[6].其中對齒輪箱的故障特征進行提取是實現整個系統故障診斷的關鍵和難點.

提取齒輪箱的故障特征，即獲得齒輪箱中包含其運行狀態的信息，如振動、噪聲、磨損殘余物等.齒輪箱振動信號中蘊含了內部設備運行狀態的豐富信息，是設備運行狀態特征的主要載體之一，相比油液分析、聲學分析等檢測方法，振動信息具有容易獲取、診斷范圍廣、不容易受到外界干擾等優點.因此，振動信號分析法成為對齒輪系統進行故障分析和狀態監測最為廣泛的方法[7].

由于實測齒輪箱振動信號本身比較復雜，同時夾雜著大量的噪聲，信噪比很低，信號的特征分量常被背景噪聲所淹沒.因此需要通過對振動信號的分析與處理，除去信號中的噪聲，提高信噪比，提取出信號中的特征成分來得到齒輪箱由于磨損、疲勞等原因引起的狀態變化特征信息，并由此判斷其故障所在.

2 以頻譜分析為基礎綜合不同信號處理方法的應用現狀

目前，頻譜分析仍是齒輪箱故障診斷最實用的方法之一，當齒輪箱發生故障時，其振動信號的頻率成分就會發生變化，每種故障都包含各自的特征頻率，對應著各自的頻域特征量.由于齒輪、軸承的參數是已知的，其轉速也是可測的，因此可通過計算齒輪箱各零部件的特征頻率來判斷故障的發生部位.

傳統的信號頻域分析方法為齒輪箱故障診斷打下了堅實的基礎，為了進一步準確、快速地提取故障特征，克服單一方法的缺陷，以傳統頻譜分析為基礎的多種信號處理方法相結合用于齒輪箱故障提取的方法應用越來越廣泛.文獻[8]提出了小波去噪和EMD相結合的齒輪箱故障診斷的新方法.首先對原始齒輪箱故障信號進行小波閾值去噪，將去噪信號利用EMD方法分解為多個本征模模態分量(IMF)，選擇互相關系數較大的IMF分量進行Hilbert包絡譜分析，提取故障頻率，結果表明該方法能夠有效地提取齒輪箱故障頻率.文獻[9]將重分配魏格納時頻譜(RWVDS)和奇異值分解(SVD)結合形成一種新的故障特征提取方法，利用重分配算法對魏格納時頻譜進行重分配以提高其時頻聚集性，再對重分配時頻譜進行SVD降噪.通過對軸承、齒輪故障信號進行分析，表明該方法能有效識別強噪聲背景下的故障特征.文獻[10]將高斯小波和奇異值分解技術相結合，提出了基于奇異值分解和高斯小波的濾波消噪方法.該方法可以很好地降低噪聲信號,有效提取信號中周期成分，具有較好的瞬態信息提取能力.文獻[11]將數學形態學、奇異值分解、EMD相結合形成一種新的故障特征提取方法.該方法首先對原始振動信號進行SVD降噪，再進行形態濾波，最后把消噪后的信號進行EMD分解，利用本征模模態分量(IMF)提取故障特征信息.對仿真信號和實際軸承故障數據的應用分析表明，該方法能有效地提取軸承故障特征，還可以減少EMD的分解層數和邊界效應，提高EMD分解的時效性和精確度.

3 以非線性理論為基礎綜合不同信號處理方法的應用現狀

在齒輪箱工作過程中，無論是齒輪的嚙合傳動，還是滾動軸承的運行都是屬于非線性的，特別是當嚙合面產生缺陷、在運行過程中發生撞擊時，更是嚴重的非線性行為.此時基于線性化理論對齒輪箱振動信號進行處理，會過濾掉許多重要的非線性振動信息，這必然導致分析結果與系統的真實特性有很大差異，進而影響故障特征的提取精度.以分形理論為代表的非線性理論在齒輪箱故障特征提取領域顯示出了廣闊的應用前景.

分形維數能夠定量描述振動信號在時域變化的特征，利用振動信號的分形特征可以從不同角度挖掘振動信號的特征信息.由于不同故障的動力學產生機制不同，通常也具有不同的分形維數，故該方法可用于齒輪箱故障特征的提取.通過利用其他方法對振動信號進行預處理，然后通過計算信號的分形維數來提取故障特征是近年來在齒輪箱故障診斷領域的新思路.

文獻[12]為了識別滾動軸承振動信號中包含的故障類型,運用小波對采集到的信號進行降噪,通過計算降噪后振動信號的關聯維數，并以關聯維數為特征量，通過計算各工況之間的距離函數來判斷屬于何種故障的信號.文獻[13]針對軸承故障信號具有非線性、非平穩振動的特點,運用小波包和分形理論,定量計算了滾動軸承不同部件故障信號及小波包重構信號的盒維數，并通過實驗表明滾動軸承不同的故障類型具有不同的盒維數.文獻[14]將分形技術與EMD方法相結合，對變速器軸承的振動信號進行EMD分解,計算分解后的IMF分量的分形維數,從而提取出變速器軸承不同技術狀態下的故障特征.文獻[15]針對傳統的多重分形維數計算方法的缺陷，將數學形態學與多重分形相結合，提出基于數學形態學操作的多重分形維數計算方法,并通過對實測齒輪故障信號進行分析證明基于數學形態學計算的多重分形維數能夠準確區分齒輪的工作狀態.

4 結束語

目前，各種信號處理技術在不斷發展與完善， 應用多種方法相結合的復合故障診斷方法將這些信號處理方法交叉融合,可以克服單一方法的缺陷,實現優勢互補,為齒輪箱的故障診斷提供重要的途徑，但是該方法也存在一些問題：

(1)各種信號分析的技術層出不窮，其交叉結合應用于齒輪箱故障診斷的方法也呈現多樣化，但大多是理論算法研究較多，并未將技術轉化為針對實際設備應用的故障診斷或在線監測的儀器裝置.

(2)若只利用振動信號這一種故障信息對齒輪箱的故障進行診斷，容易造成誤診，只有從多方面獲得齒輪箱的故障信息，才能提高故障診斷的準確率.因此，在齒輪箱故障診斷中，不應僅僅局限于振動信號處理方法之間的結合，而應當向更廣的范圍發展，充分利用齒輪箱中其他故障信息的分析與振動信號分析結合形成復合診斷方法，例如將振動信號與齒輪箱的磨損殘余物、溫度、應力等信息相結合應用于故障診斷，可充分利用齒輪箱中的各種特征信息，有利于提高故障診斷的準確率.

[1]屈梁生,何正嘉.機械故障診斷學[M].上海:上海科學技術出版社,1986.

[2]Zou J, Chen J, Geng Z M. Application of wavelet packets algorithm to diesel engines' vibroacoustic signature extraction[J].Journal of Automobile Engineering,2001,215(9):987-993.

[3]段向陽,王永生,蘇永生.基于奇異值分解的信號特征提取方法研究[J].振動與沖擊,2009,28(11):30-33.

[4]陳忠,鄭時雄.基于經驗模式分解(EMD)的齒輪箱齒輪故障診斷技術研究[J].振動工程學報，2003,16(2):229-232.

[5]柏林,劉小峰,秦樹人.小波-形態-EMD綜合分析法及其應用[J].振動與沖擊,2008,27(5):1-6.

[6]丁康,李巍華,朱小勇.齒輪及齒輪箱故障診斷使用技術[M].北京:機械工業出版社,2006.

[7]張賢達,保錚.非平穩信號分析與處理[M].北京:國防工業出版社,1998.

[8]朱瑜,王海洋.基于小波去噪和EMD的齒輪箱故障診斷研究[J].煤礦機械,2012,33(4):278-280.

[9]湯寶平,蔣永華,姚金寶.基于重分配魏格納時頻譜和SVD的故障診斷[J].振動、測試與診斷,2012,32(2):301-305.

[10]趙玲,程發斌,黃大榮.基于SVD-高斯小波的振動信號非平穩特征提取方法[J].現代科學儀器,2012(1):27-30.

[11]湯寶平,蔣永華,張詳春.基于形態奇異值分解和經驗模態分解的滾動軸承故障特征提取方法[J].機械工程學報,2010,46(5):37-42.

[12]卓蒙蒙,張曉光,姬程鵬,等.基于小波降噪與分形理論的滾動軸承故障診斷[J].軸承,2011(6):35-37.

[13]李曙光,張梅軍,陳江海.基于小波包和分形盒維數的滾動軸承故障診斷[J].機械,2010,37(8):21-23.

[14]夏均忠,劉遠宏,但佳壁，等.基于EMD分形技術提取變速器軸承故障特征[J].噪聲與振動控制, 2012(2):119-122.

[15]李兵,張培林,米雙山，等.齒輪故障信號多重分形維數的形態學計算方法[J].振動、測試與診斷, 2011,31(8):450-453