基于HHT的齒輪故障聲發射實驗研究①

郭福平 李谷喬

(廣東石油化工學院機電工程學院)

基于HHT的齒輪故障聲發射實驗研究①

郭福平 李谷喬

(廣東石油化工學院機電工程學院)

以齒輪為研究對象，建立齒輪箱故障聲發射實驗裝置，采集不同缺陷、不同轉速的齒輪聲發射信號。首先采用經驗模態分解(EMD)方法進行預處理，得到經驗模態分解圖、時頻譜和邊際譜，而后應用Hilbert變換方法進一步處理，對比不同轉速下正常齒輪與故障齒輪的HHT譜。結果表明：聲發射檢測技術可以判斷齒輪是否有故障。

齒輪 故障 聲發射檢測技術 Hilbert變換

齒輪是機械傳動中最常用的零件，轉動設備中常見的故障都與齒輪故障相關。據統計，旋轉機械故障中齒輪故障約占10.3%[1]。齒輪箱的各種零件中故障率最大的是齒輪，據統計其故障率超過60%[2]。振動檢測是旋轉機械設備進行監測和診斷的主要手段，已經形成較完善的理論體系[3]。可用于提取齒輪故障信號特征信息的方法有很多，包括時域波形法、時域參數分析法、頻譜分析法、平均響應法、細化分析法、倒頻譜分析法及瞬時頻率波動分析法等，這些方法各有特點。

聲發射檢測是一種動態檢測方法，該方法探測到的能量來自被檢物件本身，而不像其他檢測方法；而且可獲得因載荷等外變量變化引起的缺陷的實時或連續信息[4～6]。聲發射檢測方法不同于其他常規無損檢測方法，通過發現隱藏的缺陷，甚至在不能觸及的某些結構部位的隱藏缺陷，以阻止破壞的蔓延。這能彌補目前齒輪狀態監測常用的振動法在發現缺陷、受低頻噪聲干擾方面的不足，所以將聲發射檢測用于齒輪的在線狀態監測和故障診斷有重要意義。

筆者將齒輪箱內齒輪上預加工不同的人工缺陷，建立齒輪聲發射檢測系統，采集齒輪聲發射信號，獲取不同轉速下的齒輪聲發射數據。使用HHT(Hilbert-Huang Transform)技術，首先對信號EMD分解進行預處理，再利用Hilbert變換來進行對比分析處理，進而判斷齒輪箱中齒輪是否存在故障。

1 實驗儀器及設備

建立齒輪故障聲發射檢測實驗平臺(圖1)，實驗采用美國物理聲發射公司SAMOS48通道聲發射檢測系統、WD寬頻傳感器和2/4/6三檔增益可調前置放大器。由電機、減速箱、中間軸支撐、軸承套、風機葉輪及工作臺等組成，其中減速箱內為可更換的齒輪。齒輪故障的實驗設計中，選取了兩種齒輪情況來進行實驗，分別是將齒輪加工成含有磨損故障和正常情況的齒輪。預制的人工缺陷齒輪(下稱故障齒輪)如圖2所示。

圖1 齒輪故障聲發射檢測實驗平臺

圖2 預制人工缺陷的齒輪

2 實驗步驟

具體實驗步驟如下：

a.連接數據采集系統信號線，安裝傳感器。安裝過程中，要先打磨去除齒輪箱表面的油漆、氧化皮或油垢等污垢，擦干凈后，涂上耦合劑，用磁座固定聲發射傳感器探頭。

b.設置LAY文件，采用斷鉛的方法檢查傳感器的靈敏度[7]。

c.對環境噪聲進行測試。

d.啟動齒輪故障模擬試驗平臺進行聲發射數據采集。

e.調節轉速。從100r/min開始，按此值依次增加到1 000r/min，停止實驗數據采集。

f.從平臺上拆下齒輪箱，不變動小齒輪，更換為預制缺陷大齒輪，重復步驟a～e，采集不同故障齒輪的聲發射數據。

3 數據分析

3.1 HHT方法原理

HHT方法主要由EMD(Empirical Mode Decomposition，經驗模態分解)方法和Hilbert變換兩個部分組成，其中EMD是核心模塊?；贓MD的時頻分析首先要對信號進行EMD分解進而得到一系列本征模態函數(Intrinsic Mode Function，簡稱IMF)分量，使得各IMF分量是窄帶信號，然后對每個本征模態函數進行Hilbert變換，再組成時頻譜圖進行分析[8]。其中，最關鍵的是EMD方法，先對信號進行平穩化處理，再依據信號中不同尺度的波動或趨勢逐級分解，產生一系列不同特征尺度的數據序列信號，每個序列信號是一個本征模態函數分量。而作為本征模態函數，應滿足以下兩個條件：

a.在信號時域范圍內，過零點和局部極值點數目必須相等或最多相差一個；

b.在任一時刻點，局部極大值點所構成的上包絡線和局部極小值點所構成的下包絡線，其均值必須為零[9，10]。

再對這些本征模態函數進行Hilbert變換便可得到信號的時頻譜圖，譜圖能準確地反映出系統原有的特征。EMD的分解優勢在于瞬時頻率經Hilbert變換后具有物理意義，有利于進行非平穩信號的有效Hilbert變換。

3.2 基于HHT的齒輪聲發射信號處理

HHT譜能將各IMF分量的頻率和出現時間表示在一張圖上，可根據圖中點的分布判斷信號在時-頻譜上能量的分布情況，因為EMD具有自適性，根據被分析信號的頻率構成分解信號，使得HHT譜能更好地反映局部信息[11～13]。

筆者以轉速為300r/min的齒輪聲發射數據為例，對正常齒輪和故障齒輪進行HHT重構后信號和原始信號的對比，結果如圖3、4所示。

圖3 300r/min下正常齒輪聲發射信號時域圖

圖4 300r/min下故障齒輪聲發射信號時域圖

由圖3、4對比可見，正常齒輪和故障齒輪都會產生聲發射信號，并且都有一定的周期性，但是故障信號的周期性更加明顯。

3.3 正常與故障信號經驗模態分解(EMD)分析

通過得到的經驗模態分解圖(圖5、6)可以發現，信號在經過EMD分解后，得到7個模態分量(IMF1～IMF7)和一個殘余分量(res)。其中前幾個頻率較高的分量為故障信息，而頻率較低的分量為噪聲信息和其他干擾信息。正常與故障信號經驗模態分解后起作用的頻率成分都主要集中在前5個模態分量中，這幾個模態分量基本包括了齒輪運轉過程中的所有聲發射信息。針對聲發射信號，重構時選取包含主要信息的前5個IMF分量，其余分量拋棄。

圖5 正常齒輪信號模態分量

圖6 故障齒輪信號模態分量

3.4 正常與故障齒輪模量邊際譜分析

模量邊際譜不同于傅里葉變換之處在于經傅里葉變換得到的頻譜所顯示的頻率成分是實際存在的，而模量邊際譜中各頻率處的幅值能表明在信號的變化過程中出現過這些頻率成分。若將HHT譜和希爾伯特邊際譜相結合，則可以準確地反映信號的頻率組成，而且HHT譜是時頻圖，能表現出聲發射信號的撞擊時間和頻率信息。

為了更方便觀察整個分解效果，現對其進行變換操作，便可以得到信號的各模量邊際譜、HHT譜和總邊際譜。圖7是正常齒輪信號各模量邊際譜，從圖上可以看到各IMF分量的能量分布，從邊際譜中可以看出分布得比較散亂，沒有大量集中的頻段。圖8是故障齒輪信號各模量邊際譜，第1個IMF分量函數中的能量在5 000Hz附近，相比正常信號具有明顯突出的幅值。

圖7 正常齒輪信號各模量邊際譜

HHT譜可將各IMF分量的頻率和出現時間表示在一張圖上，根據圖中點的分布推斷信號在時-頻譜上能量的分布情況，而且經驗模態分解具有自適應性，根據被分析信號的頻率構成去分解信號，所得的HHT譜能更好地反映局部信息。圖9是正常齒輪信號的HHT譜，圖10是磨損齒輪信號的HHT譜，從圖9中可以發現，正常齒輪的高能量聲發射信號主要集中在低頻范圍內，并且信號幅值不是很大，通過高亮的能量線可以看出采集到的聲發射信號有一定的周期性，這點與時域信號的觀察還是吻合的，但由于信號能量很小，通過HHT譜來觀察周期性不是很明顯。從圖10可以發現，由于齒輪故障的存在，故障信號的頻率成分比正常信號更加復雜，信號在各采樣點處的能量值與正常信號相比有了一定的增強，并且故障信號的周期性與正常信號周期性相比更加明顯了。

通過選取300r/min轉速下各頻譜的分析，對比不同轉速下正常齒輪與故障齒輪的HHT譜，通過對比分析可知，齒輪聲發射信號的HHT譜可以判斷該齒輪是否有故障。

圖8 故障齒輪信號各模量邊際譜

圖9 正常齒輪信號的HHT譜

圖10 故障齒輪信號的HHT譜

4 結論

4.1 正常齒輪和故障齒輪都有產生聲發射信號，并且都有著一定的周期性，但是故障的信號周期性更加明顯。

4.2 通過比對分析齒輪聲發射信號的HHT譜，可以發現聲發射信號的周期性很明顯，對比分析邊際譜能夠得出故障信號的頻率信息，能更準確地檢測到故障特征。

[1] 呂蓬.旋轉機械故障模式識別方法研究[D].北京：華北電力大學(北京)，2010.

[2] 扈玉辰.基于LMD和循環平穩解調的齒輪箱故障診斷技術[D].太原：中北大學，2014.

[3] 王鵬.基于聲發射的滾動軸承智能故障診斷方法研究[D].北京：北京化工大學，2012.

[4] 吳小娟.基于EMD的故障特征信息提取研究[D].武漢：武漢理工大學，2006.

[5] 李孟源，尚振東，蔡海潮，等.聲發射檢測及信號處理[M].北京：科學出版社，2010.

[6] 王健.基于聲發射信號降噪的損傷監測算法研究[D].濟南：山東大學，2014.

[7] 韓雙連，隋青美，姜明順.聲發射信號分析及其軟件實現[J].化工自動化及儀表，2014，41(8)：930～934.

[8] 李騰，呂躍剛.基于希爾伯特黃在風力發電機組軸承故障診斷[J].科技創新與應用，2013，(19)：59.

[9] 李懷俊.基于能量信號分析的齒輪傳動系統故障診斷方法與系統研究[D].廣州：華南理工大學，2014.

[10] 王艷茹，蔣鵬，岳文彤，等.基于Hilbert-Huang變換的玻璃纖維自增強塑料聲發射信號分析[J].化工機械，2009，36(5)：498～501，506.

[11] 申世英.HHT與振動峭度在滾動軸承故障頻率特征提取中的應用[J].山東工業技術，2016，(2)：284～285.

[12] 胡愛軍.Hilbert-Huang變換在旋轉機械振動信號分析中的應用研究[D].保定：華北電力大學(保定)，2008.

[13] 戴光，余永增，張穎，等.基于小波和EMD的滾動軸承非接觸聲發射診斷方法[J].化工機械，2009，36(4)：326～330.

ExperimentalStudyofGearFaultAcousticEmissionBasedonHHTTransform

GUO Fu-ping,LI Gu-qiao

(CollegeofMechanicalandElectricalEngineering,GuangdongUniversityofPetrochemicalTechnology)

Taking the gear as the object of study,an experimental facility for the gearbox failure acoustic emission was established to collect acoustic emission signals of the gear with different defects and different rotate speeds,in which,having EMD(empirical mode decomposition) method adopted to preprocess these emission signals so as to obtain EMD diagram,time-frequency spectrum and marginal spectrum and then having them further processed with Hilbert method.Comparing normal gears’ and fault gears’ HHT spectrums at different speeds shows that the acoustic emission testing technology can determine the gear’s faults.

gear,fault,acoustic emission,Hilbert transform

廣東高校省級重點平臺和重大科研項目青年創新人才項目(650477)。

郭福平(1981-)，副教授，從事聲發射檢測技術和故障診斷研究工作，gfpmmc@163.com。

TQ050.7

A

0254-6094(2017)04-0390-05

2016-10-11，

2017-01-10)