齒輪傳動系統故障診斷方法研究綜述

李懷俊 彭育強

(廣東交通職業技術學院軌道交通學院, 廣東 廣州 510650)

齒輪傳動系統故障診斷方法研究綜述

李懷俊 彭育強

(廣東交通職業技術學院軌道交通學院, 廣東 廣州 510650)

針對國內外近年來在齒輪傳動系統故障診斷領域的研究成果，基于不同數據源進行了分類總結，剖析了常用的振動、油液等分析方法的優勢與不足。對振動信號處理中的傳統與現代方法進行了評析；同時總結了基于能量視角的故障診斷方法的研究現狀和技術特點，說明了能量與振動信號之間的密切關系。通過挖掘能量信號所隱含的故障特征，可以開展有效的能量信號非線性處理方法研究，形成一種新型的面向齒輪等旋轉設備的故障診斷方法。

齒輪傳動 故障診斷 振動分析 油液分析 能量信號 相干分析

0 引言

1 振動分析故障診斷方法

在齒輪傳動系統故障診斷中，振動分析方法的研究起步較早，目前這方面的研究重點體現在故障機理分析、信號降噪與處理、特征參數提取、智能故障診斷等若干方面。

在特征參數提取方面，研究視野逐漸從早期的直接測量一些簡單的時域振動參數，過渡到振動頻域分析方法，這主要是因為信號處理技術特別是FFT方法的有效性。早期研究以James I. Taylor和Bridal的工作為代表[1]。文獻[2]研究了采用最小方差倒譜方法對滾動軸承的微弱故障進行辨識。文獻[3]基于階次跟蹤技術實現振動信號重采樣，在轉速變化很小時仍可用包絡分析獲得較準確的特征數據，并用于齒輪軸系變工況故障診斷。近10年來，隨著時頻分析(time-frequency analysis)、小波分析(wavelet analysis)、經驗模態分解(empirical mode decomposition, EMD)、希爾伯特-黃變換(Hilbert-Huang transform, HHT)等現代信號分析方法的不斷涌現，分析手段也得以豐富，非平穩信號分析效果日趨提升。Combet[4]提出了一種基于時域同步平均的包絡譜解調技術，用于齒輪箱變工況下特征諧波的提取，取得了不錯的診斷效果。褚福磊、Staszewski W J、陳進等在齒輪箱等旋轉機械故障診斷領域研究了時頻分析技術[5-6]。Yan等[7]提出了一種新的時頻分析方法：頻率切片小波變換(FSWT)，通過引入頻率切片函數使傳統的Fourier變換可以實現時頻分析的功能，能靈活地實現信號的濾波與分割。王鳳利[8]圍繞轉子系統不同工況的時頻特征提出了基于關聯維數的局域波故障診斷方法。Parey[9]等應用基于EMD的統計方法實現了局部缺陷齒輪的早期故障特征檢測。Loutridis[10]應用瞬時能量密度特征對齒輪故障特征進行了提取，結果表明了EMD提取瞬時能量密度的性能要優于WT和WV分布方法。

同時，對于結構和工況均比較復雜的齒輪傳動故障診斷問題，單一方法也難以準確獲取到故障特征，而是需要多種方法交叉使用、相互影響，才可能形成有效的診斷分析結果。這主要是因為以上這些信號分析方法的自身特點原因限定其適用范圍。因此，基于流形學習(manifold learning,ML)、核主元分析(kernel principal component analysis,KPCA)等思想的非線性特征信息融合與提取方法也逐漸應用于機械設備故障診斷中。栗茂林等[11]在軸承早期故障診斷中提出并應用了一種局部空切算法，試驗效果較好。張妮等[12]研究了一種動態等距離映射流形學習算法，通過選擇自適應學習近鄰點參數，可維持數據樣本的結構流形。文獻[13]利用鄰域正交的方法實現了高維特征向量的降維進而提取特征，簡化了旋轉設備的故障模式識別流程。Viet[14]將核主成分分析與主成分法進行了比較，并研究了其在軸承故障診斷中的運用，結果表明KPCA在提取故障信號的非線性特征方面表現良好。

在智能故障診斷方法研究方面，成果豐富，表現在將各種信號分析方法與專家系統、智能決策、粗糙集理論、神經網絡、信息融合技術等有機結合的技術特點，進而形成多技術組合的智能診斷方法。故障模式的識別一般通過故障分類器進行分類，分類器有貝葉斯最優核判別、線性判別、聚類判別、支持向量機等策略。文獻[15]在提取故障特征時采用了小波分析，并分別基于神經網絡模型和模糊函數判定規則進行齒輪早期故障識別。文獻[16]在診斷齒輪故障時首先利用EMD分解出本征模態函數，辨識出故障特征，并使用SVM作為分類器完成分類。文獻[17]則提出了計算EMD的各階分量的能量熵與奇異熵，并把遺傳算法與SVM相結合，為分類器開展齒輪故障識別與診斷。文獻[18]運用EMD和免疫參數自適應SVM，在小樣本數據集情況下對滾動軸承進行了故障診斷。文獻[19]提出了一種基于多尺度模糊熵和SVM的滾動軸承故障診斷方法。文獻[20]研究了粗糙集與SVM的特征提取方法，將數據屬性值通過SOM網絡實現離散化，再利用粗糙集公式約簡，實現了設備故障診斷。

2 油液分析故障診斷方法

油液分析技術是通過分析被監測齒輪系統的在用潤滑油的性能變化和攜帶的磨粒，獲得機器動力傳遞系統的有關潤滑及磨損狀態信息，進而評價齒輪系統工況、開展故障預測的技術。目前，齒輪傳動系統油液故障診斷研究主要集中在油液磨損規律研究、油液參數提取、油液故障診斷方法以及油液和振動信息融合診斷技術等領域。

在油液與振動信息融合方面，Ebersbach等[21]采用振動與磨粒信息融合方法針對過載情況下的直齒圓柱齒輪箱體進行了故障機理研究，并對多種故障中兩者之間的關系作了概述分析。在其他旋轉設備故障診斷中也有相似研究，如Maru等[22]針對球型軸承的振動和磨損信息耦合關系從受污染潤滑油的影響角度出發，分析了高頻段振動信號峰峰值及均方值的變化與摩擦界面磨損顆粒參數之間的聯系。在國內，曹一波等[23]利用DS證據理論，將油液分析和振動分析方法相融合對齒輪磨損故障診斷技術進行了研究。高經緯等[24]通過建立齒輪磨損故障融合診斷數學模型的策略將振動和油液分析相結合，并通過試驗驗證了模型的正確性。馮偉博士等[25]建立了齒輪摩擦學系統能量耗損監測模型，通過試驗研究了齒輪磨損顆粒與振動之間的相關性，并對齒輪磨損與振動的相關性模型進行了分析。

磨損檢測方法雖然可通過分析潤滑油中所含微量金屬粉末顆粒的組成、大小及多少來判斷齒輪箱設備的磨損狀態，但磨損顆粒很難在線提取，離線分析又對系統的正常運行造成干擾，這也是影響診斷精度和效率的一個重要缺陷。同時油液分析對儀器的精密度要求嚴格，取樣過程較繁雜。文獻[26]針對滾動軸承監測其潤滑脂溫度以及振動信號，形成了多狀態監測系統。試驗數據表明，當出現早期弱故障時，潤滑脂溫度變化不敏感，當發生分布性故障時溫度才明顯升高，這說明了潤滑油液狀態在反映弱故障信號時的不足。

3 能量分析故障診斷方法

目前，國內外針對機械設備的故障診斷研究大多以分析各種振動信號為出發點，但振動傳感器都要粘附在設備表面才能獲取到信號，由于安裝不便或現場環境惡劣，使得振動分析技術的應用受到了不少限制。同時，對于齒輪箱內部的傳動故障，又只能通過拾取外圍的振動信號進行分析，信號傳遞路徑復雜，導致信噪比低而且失真嚴重。另一方面，在汽輪機、高鐵列車變速箱及高速發動機等魯棒性較弱的設備中，早期微弱故障都可能會帶來嚴重后果，而這些故障信號又容易淹沒在周圍相對能量較大的低頻噪聲中，從而無法有效進行故障辨識。據統計，磨損與振動分析技術各自只能實現30%～50%的設備故障檢測率，對于某些高溫、高腐蝕等惡劣環境下的設備，布設信號線也比較困難。同時，隨著無線測試技術的發展，針對機械設備的瞬時輸入功率、扭矩、轉速等能量信號要素的測量方式越來越簡便，因此發展基于設備輸入能量信號分析的故障診斷技術是可行而且非常必要的。

針對齒輪等旋轉機械的能量耗損研究方面，在國內，華南理工大學黃平教授等[27]的研究表明，在摩擦界面的原子因位置等因素導致其具有的能量未均勻分布，能量在傳遞過程中會不可逆耗散，這也是旋轉機械能部分轉為無效熱能的過程。Wang等[28]研究了能量邊界法，并從微觀角度展開振動的響應分析。Diab等[29]通過建立齒輪非線性動力學模型來計算齒輪的損失功率。張秀芳等[30]推導了通過滾動軸承傳遞到箱板振動功率流的模態解，對振動能量通過滾動軸承傳遞的特性及影響因素進行研究分析。這些研究只涉及設備能量傳遞的動力學角度理論分析，都沒有延伸到基于數值分析的機械設備故障診斷范疇。馮偉等[31]圍繞齒輪摩擦學系統能量耗損監測問題，研究了能量耗損與磨損振動之間的相關性。華南理工大學謝小鵬教授[32]提出了能量耗損故障診斷理論，并選取發動機的瞬時油耗率作為特征參數之一，通過對比振動與油液監測數據，驗證了柴油機活塞磨損故障診斷中能量耗損分析的有效性。肖海兵等[33]通過獲取摩擦學系統的振動、磨損各類能量耗損信息，建立特征庫并進行了故障診斷研究，但由于仍將傳統的振動、磨損數據打包一并分析，并非真正意義上的能量信號分析。

對照組當中的患者主要采用常規的護理方式進行護理，主要為規范化腦血管病二級防治，主要包括抗血小板聚集，活血化瘀，調整血壓，控制血脂、血糖，維持患者酸堿、電解質和水平衡，呼吸道功能保持暢通，預防感染且要對癥治療。同時積極進行康復訓練。治療組在常規基礎上加用加味桂枝茯苓丸顆粒劑，1天2次，連續2周。

目前，基于旋轉機械能量視野的研究主要集中在設備磨損及振動中的能量耗損理論方面的探索，針對輸入能量的設備多種信息的相關性方面研究也較少。自2009年以來，國內基于功率信號開展故障診斷的研究論文僅10余篇，均為電動機故障診斷范疇。而至于采用非線性信號分析方法，開展基于能量信號分析視角的齒輪傳動等旋轉機械故障診斷技術研究，國內外還沒有相關文獻見刊。

4 能量診斷方法有效性分析

從能量傳遞角度來看，齒輪箱振動的過程就是振動能量的傳播過程，能量在傳遞過程中也就發生了損耗，振動幅值大小也與輸入能量的強度密切相關。當齒輪傳動系統出現故障時，將會導致其內部出現循環功率[7]，嚴重降低傳動系統的性能，此時由振源傳遞出去的振動能量將發生變化，外在表現是箱體結構本身的振動強度，以及向周圍傳播的由能量轉化而成的噪聲。

從模態分析的角度來看，齒輪箱體的振動過程中產生了振動能量損耗，因此，齒輪箱傳動系的輸入功率與箱體振動信號之間形成了穩定的輸入輸出映射關系。齒輪傳動系統能量與振動關系模型如圖1所示。

圖1 齒輪傳動系統能量與振動關系模型

定義輸入信號與輸出信號的相干函數為：

(1)

式中：Sxx(f)、Syy(f)分別為輸入、輸出信號的自功率譜密度函數；Sxy(f)為互功率譜密度函數。

進一步整理可得:

(2)

式中:Snn(f)為噪聲信號的自功率譜密度函數;H(f)為系統頻響函數。

顯然對于理想的單輸入單輸出線性系統，由于功率譜密度的計算其實是基于數據序列的估計，相干函數也相當于用概率統計的形式代表了輸入信號x(t)對于總輸出信號y(t)的貢獻比例大小，從頻域角度揭示了二者的相關關系。相干值越大，表示在該頻點處的振動耗能越明顯，反之則越微弱。這就從經典控制理論角度印證了齒輪振動機理分析的有關內容，說明了能量信號與振動之間的密切關系。

5 結束語

對于復雜傳動系統中的時變非平穩信號，小波分析、Wigner-Ville分布、盲源分離、HHT和高階統計量分析等現代振動信號處理方法對非平穩非線性的原始振動信號能夠得到較好的分析結果，具有一定的時頻域局部分析能力和較好的自適應性，但仍存在著理論不夠完善、現實條件無法充分滿足與廣泛的實際工程應用、推廣仍有一定的距離等應用瓶頸。

故障診斷系統的最大價值應是能夠從復雜多變的海量高維觀測數據中，去除虛假或非關鍵的信息成分，準確高效地挖掘出數據的內部特征。因此，進行創新性的故障診斷技術研究、提高故障診斷效率也是勢在必行。輸入能量信號實時反映了系統能量傳遞、耗損的變化過程，也必然能更真實地反映出機械設備的故障狀態。將其作為故障診斷研究的數據處理對象來開展研究，與振動、油液等監測技術相比，具有裝置簡便、干擾量小、測量準確、易于現場應用等特點，理論與實際應用價值均較高。可以挖掘潛藏于能量信號之中的故障模式規律，在研究有效的能量信號非線性處理、特征提取等方法的過程中，建立一種新型的面向齒輪傳動系統等旋轉機械的故障診斷方法。

[1] Yan R Q, Gao R X. Multi-scale enveloping spectrogram for vibration analysis in bearing defect diagnosis[J].Tribology International, 2009, 42(2):293-302.

[2] Park C S, Choi Y C, Kirn Y H. Early fault detection in automotive ball bearings using the minimum variance spectrum[J].Mechanical Systems and Signal Processing, 2013, 38(2):534-548.

[3] Borghesani P, Ricci R, Chatterton S, et al. A new procedure for using envelope analysis for rolling element bearing diagnostics in variable operating conditions[J].Mechanical Systems and Signal Processing, 2013, 38(1):23-35.

[4] Combet F, Gelman L. Novel adaptation of the demodulation technology for gear damage detection to variable amplitudes of mesh harmonics[J].Mechanical Systems and Signal Processing, 2011, 25(3):839-845.

[5] 鐘先友, 趙春華, 陳保家, 等. 基于形態自相關和時頻切片分析的軸承故障診斷方法[J].振動工程學報, 2014, 33(4):11-16.

[6] 張進, 瑪志鵬, 褚福磊. 滾動軸承故障特征的時間-小波能量譜提取方法[J].機械工程學報, 2011, 47(17):44-49.

[7] Yan Z, Miyamoto A, Jiang Z. Frequency slice wavelet transform for transient vibration response analysis[J].Mechanical Systems and Signal Processing, 2009, 23(5):1474-1489

[8] 王鳳利, 馬孝江. 基于局域波時頻分析的齒輪故障診斷[J].農業機械學報, 2006, 37 (12):221-225.

[9] Parey A, Tandon N. Impact velocity modeling and signal processing of spur gear vibration for the estimation of defect size[J].Mechanical Systems and Signal Processing, 2007, 21(1):234-243.

[10]Jang Q S, Jia M P, Hu J Z. Manifold Laplacian eigenmap method for fault diagnosis[J].Chinese Journal of Mechanical Engineering, 2013, 21(3):90-93.

[11]栗茂林, 王孫安, 梁霖. 利用非線性流形學習的軸承早期故障特征提取方法[J].西安交通大學學報, 2010(5):45-49.

[12]張妮, 田學民. 基于等距離映射的非線性動態故障檢測方法[J].上海交通大學學報, 2011(8):1202-1206.

[13]李鋒, 湯寶平, 董紹江. 基于正交鄰域保持嵌入特征約簡的故障診斷模型 [J].儀器儀表學報, 2011(3):621-627.

[14]Viet H N, Golinval J C. Fault detection based on kernel principal component analysis[J].Engineering Structures, 2010, 32(1):3683-3691.

[15]Saravanan N, Ramachandran K I. Incipient gear box fault diagnosis using discrete wavelet transform(DWT) for feature extraction and classification using artificial neural network (ANN)[J].Expert Systems with Applications, 2010, 37(6):4168-4181.

[16]于德介, 楊宇, 程軍圣. 一種基于SVM和EMD的齒輪故障診斷方法[J].機械工程學報, 2005, 41(1):140-144.

[17]李兵, 張培林, 任國全, 等. 運用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動、測試與診斷, 2009, 29(4):445-449.

[18]胡榮華, 樓佩煌, 唐敦兵, 等. 基于EMD和免疫參數自適應SVM的滾動軸承故障診斷[J].計算機集成制造系統, 2013, 19(2):440-441.

[19]鄭近德, 陳敏均, 程軍圣, 等. 多尺度模糊熵及其在滾動軸承故障診斷中的應用[J].振動工程學報, 2014, 27(1):145-151.

[20]Li N, Zhou H, Hu Q H, et al. Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine[J].Mechanical Systems and Signal Processing, 2012, 28(4):608-621.

[21]Ebersbach S, Peng Z, Kessissoglou N J. The investigation of the condition and faults of a spur gearbox using vibration and wear debris analysis techniques[J].Wear, 2006, 260(1-2):16-24.

[22]Maru M M, Castillo R S, Padovese L R. Study of solid contamination in ball bearings through vibration and wear analyses[J].Wear, 2007, 40(3):433-440.[23]曹一波. 融合油液分析和振動分析的齒輪磨損故障診斷研究[D].廣州:華南理工大學, 2007.

[24]高經緯, 姜樂華, 張培林, 等.基于油液和振動信息融合的自行火炮齒輪箱故障診斷方法[J].火炮發射與控制學報, 2008, 25(12):104-106.

[25]謝小鵬, 馮偉, 黃墩烈.基于能量耗損的摩擦學系統狀態識別方法研究[J].潤滑與密封, 2010, 35(2):27-31.

[26]David M, Bin R R.Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings,pumps,gearboxes, engines and rotating structures[J].The Shock and Vibration Digest, 2006, 38(1):3-16.

[27]許中明, 黃平. 摩擦微觀能量耗散機理的復合振子模型研究[J].物理學報, 2006, 55(5): 2427-2432.

[28]Wang A, Vlahopoulos N. Development of an energy boundary element formulation for computing high-frequency sound radiation from incoherent intensity boundary condition[J].Sound and Vibration, 2004(278):413-436.

[29]Diab Y, Ville F, Velex P. Investigations on power losses in high speed gears[J].Journal of Engineering Tribology, 2006, 220 (3):191-198.

[30]張秀芳,霍睿,周振.滾動軸承支承的齒輪傳動軸-板耦合結構功率流傳遞特性研究[J].振動與沖擊, 2013,32(9):63-67.

[31]馮偉.基于摩擦學與動力學的齒輪系統故障診斷相關性研究[D].廣州:華南理工大學, 2010.

[32]李懷俊,謝小鵬,黃恒.基于主元熵的發動機能量數據聚類與故障識別[J].華南理工大學學報:自然科學版, 2013, 41(11):137-142.

[33]肖海兵.基于能量耗損的機械設備故障診斷理論與方法研究[D].廣州:華南理工大學, 2013.

Research Summary of the Default Diagnosis Approach for Gear Transmission System

In accordance with the research achievements in gear transmission system fault diagnosis field of worldwide, and based on different diagnostic data source, the advantages and disadvantages of commonly used analysis methods, such as vibration analysis or oil analysis are dissected, and the traditional and modern methods in vibration signal processing are evaluated; in addition, the current status of research and technical features of the fault diagnostic methods based on energy perspective are summarized, the close relationship between energy and vibration signal is described. It is commented that through excavating the implied fault characteristics of energy signal, the study of effective nonlinear processing method for energy signal can be conducted, to form a new type of fault diagnostic method suitable for rotating equipment including gears, etc.

Gear transmission Fault diagnosis Vibration analysis Oil analysis Energy signal Coherence analysis

廣東省高校優秀青年教師培養基金資助項目(編號：Yq2013178)。

李懷俊(1978-)，男，2014年畢業于華南理工大學機械電子工程專業，獲博士學位，副教授；主要從事動態系統故障診斷與預測方面的研究。

TP206+.3

A

10.16086/j.cnki.issn1000-0380.201510004

修改稿收到日期：2015-01-04。