Professional Documents
Culture Documents
基于最大相关峭度解卷积行星齿轮箱微弱故障诊断#br#
基于最大相关峭度解卷积行星齿轮箱微弱故障诊断#br#
5
2022 年 10 月 NOISE AND VIBRATION CONTROL Oct. 2022
1006-1355(2022)05-0154-05
文章编号:
基于最大相关峭度解卷积行星齿轮箱
微弱故障诊断
刘 峰,任丽佳
( 上海工程技术大学 电子电气工程学院,上海 201620 )
摘 要:最小熵解卷积(MED)是一种常规的微弱故障特征提取方法,对局部故障脉冲有比较好的提取效果, 但是对
于含有周期性故障脉冲的振动信号, 故障特征识别率比较低。微弱故障时候的行星齿轮箱产生的振动信号通常是周
期性的, MED 不能取得比较好的识别效果。针对行星齿轮微弱故障特征难以提取的问题, 将最大相关峭度解卷积
(MCKD)方法应用到行星齿轮箱微弱故障特征提取中。MCKD 避免了最小熵解卷积对周期性冲击识别度低的缺点, 同
时可以有效抑制行星齿轮箱中谐波和噪声分量, 准确地识别出行星齿轮箱所处状态。为了验证该方法在行星齿轮箱
中的应用价值, 将两种方法分别应用在传动系统综合诊断平台收集到的振动信号中, 结果表明 MCKD 算法对于行星齿
轮箱微弱故障识别有比较好的效果。
关键词:故障诊断; 行星齿轮箱;
微弱故障;最小熵解卷积;最大相关峭度解卷积
中图分类号:TP202+.1 文献标志码:A DOI 编码:
10.3969/j.issn.1006-1355.2022.05.025
行星齿轮箱被广泛地应用于各种传动系统中, 性冲击,
通过常规的时-频分析手段即可诊断出。但
例如:
风力涡轮机、
直升机、
卡车等,
其工作状态正常 是在实际工业环境中,
往往要求对行星齿轮箱进行
与否会影响整个传动系统的效率。当行星齿轮箱发 早期故障诊断 ,为机器决策维修提供充裕的时间。
生严重(晚期)故 障 时 ,振 动信号表现出明显的周期 因此,
行星齿轮箱进行微弱故障特征的提取,
识别出
行星齿轮箱故障状态,
对保证行星齿轮箱的可靠性
2021-07-18
收稿日期: 运行起到了至关重要的作用。怎样及时地发现行星
作者简介:刘峰(1991-), 男, 河南省安阳市人, 硕士研究生, 齿轮箱的微弱故障特征,
避免造成重大事故一直是
专业方向为行星齿轮箱微弱故障诊断。
国内外研究的热点。
E-mail: 412910347@qq.com
通信作者:任丽佳, 女, 硕士生导师, 专业方向为在线监测技 近些年来,
微弱故障特征提取一直是研究的重
术和电气设备自动化的研究。 点和难点[1]。可用于微弱故障特征检测和诊断方法
第5期 基于最大相关峭度解卷积行星齿轮箱微弱故障诊断 155
K C, M ( T ) = ∑k = 1 (∏ ) (∑
2
状态。 N M
m=0
y k - mT
N
k=1
y k2 ) (2)
y n = ∑f k x n - k + 1
L
1 特征提取 (3)
k=1
1.1 烈度因子 N 是信号中采样点数;
式中: M 是移位的周期个数;
T
烈度因子可以反映出行星齿轮箱运行状况的真 是冲击信号感兴趣的周期。当 M=1,
T=0 时候,
相关
实状态,
而且受外界干扰的影响小,
国内外很多专家 峭度变为峭度。如图 1 所示,
相关峭度与峭度相比,
经常把振动烈度当作机器的振动标准。振动烈度定 对于单个冲击信号,
峭度发生明显变化。但是当信
义为频率 10 Hz~1 000 Hz 范围内的振动速度的均 号中周期性分量增加,
相关峭度值会变大,
峭度值会
方值,
其可以准确反映行星齿轮箱运行状态的特征 变小。通过最大化相关峭度来提取周期性故障脉
因子。烈度定义为: 对于收集到离散振动速度信号 冲,
可以还原出微弱故障产生的周期性冲击分量,
提
v ( t ),
假定振动信号有 N 个点,
计算公式如下: 高感兴趣周期性脉冲所占比重,
增加行星齿轮箱的
1 N-1 2
N∑
微弱故障特征识别率。
V= v (n) (1)
n=0 在 MCKD 算法中,
通过最优化设计解卷积滤波
行星齿轮箱的振动程度可以由振动烈度反映出 器 f,这 样 做 的 目 的 是 得 到 最 大 化 的 相 关 峭 度
来,
通过振动烈度可以反映出行星齿轮箱所受的不 K C, M ( T ) 值,
如式(4)所示:
同故障程度。 max
f
[ K C, M ( T ) ] =
( ) (∑ )
2 M+1
é N M ù
êê∑ ∏y k - mT
1.2 局部均值分解
(LMD)
) N
max
f
y 2
k úú (4)
LMD 是一种自适应非平稳信号的处理方法,非 ëk=1 m=0 n=1
û
156 噪 声 与 振 动 控 制 第 42 卷
é y 1 y 1 - T ⋯ y 1 - MT ù
ê y 2 y 2 - T ⋯ y 2 - MT ú
β=ê ú ,
ê⋮ ú
ë y N y N - T ⋯ y N - MT ûN × 1
1 - mT ( y 1 y 1 - T ⋯ y 1 - MT )
é y -1 2
ù
êê 2 ú
ú
êê y -1 ( y y ⋯ y ) úú
α m = ê 2 - mT 2 2 - T 2 - MT
úú 。
ê⋮
êê 2ú ú
y N - mT ( y N y N - T ⋯ y N - mT )
-1
图 1 四种信号的峭度和相关峭度值
ë û N×1
f =
y ( X 0 X 0T ) ∑X mT α m =
-1
M
本文收集到的振动信号来自传动系统诊断综合
2
( M + 1 ) β m=0
平 台(DDS)。 该 综 合 平 台 的 装 置 实 物 图 如 图 3
2
y ( X 0 X 0T )
-1
A (5)
所示。
2
( M + 1 ) β 图中展示的实验平台是由一个 2 级平行轴齿轮
T
f = [ f 1 , f 2 , ⋯, f L ] ,
在式(5)中: 其中 T 为转置; 一个 2 级行星齿轮箱,
箱, 变频器,
电机,
联轴器,
制
动器和加速度传感器组成。其中故障齿轮是第二级
é x1 x2 ⋯ xN ù
ê0 ⋯ xN - 1 ú 传动的太阳轮,
其他一切完好无损,
没有任何故障。
A = ∑X mT α m ;
x1
X0 = ê
M
,
m=0 ⋮ ⋮ ⋱ ⋮ ú 行星齿轮箱中各个齿轮分布情况在表(1)。在本实
ê ú
ë0 0 ⋯ xN - L + 1 û L × N 验中,
加速度传感器用于收集振动信号,
放于太阳轮
实验中输入的转速为 40
有故障的行星齿轮箱顶部,
é x1 x2 ⋯ x N - mT ù
r/s,
采样频率为 3 200 Hz,
负载 25.2 N∙m。
ê0 x1 ⋯ x N - mT - 1 ú
X mT =ê ú ,
⋮ ⋮ ⋱ ⋮ 表 1 行星齿轮箱中各齿轮齿数
ê ú
ë0 0 ⋯ x N - mT - L + 1 ûL × N 太阳轮 z s 行星轮(数量)z p 齿圈 z r
第一级传动 20 40(3 个) 100
第二级传动 28 36(4 个) 100
图 2 最大相关峭度解卷积流程图
第5期 基于最大相关峭度解卷积行星齿轮箱微弱故障诊断 157
图 5 行星齿轮箱不同时刻烈度图
用 LMD 算法对选
选取处于微弱阶段振动信号,
取出的信号进行预处理。LMD 把行星齿轮箱微弱
阶段信号分解成有限 PF 分量之和,
微弱故障特征信
图 3 传动系统诊断综合平台(DDS)实物图
号特征都展现在各个 PF 分量之中,
如图 6 所示。然
图 4 中表示了行星齿轮箱振动信号时-频图。整 后对每一个 PF 分量进行快速谱峭度分析,
得到关于
个运行时间段看不出有规律的冲击特征;
频谱中也 各个 PF 分量的快速谱峭度图,
如图 7 所示。通过快
没有明显的故障特征频率成分,
只有一些突出的干 速谱峭度图可以看出 PF1 和 PF2 中包含的故障信息和
扰成分和噪声频率。 冲击成分比较丰富。选取 PF1 和 PF2 分量,
对振动信
号进行重构。信号重组可以更有效地保留原始信号
中更多的故障信息,
获得信噪比更高的故障特征信
为 MCKD 处理信号奠定基础。
号,
图 4 行星齿轮箱振动信号
为 了 提 取 出 行 星 齿 轮 箱 微 弱 状 态 特 征 ,将
MCKD 算法应用到收集的振动信号中。 图 6 微弱故障状态下振动信号 LMD 分解
为了识别行星齿轮箱的不同状态。把收集到的 MCKD 可以提取出微弱的周期性冲击成分。但
振动信号每 100 个点求一个烈度,
然后得到一系列 尤其是位移数 M,
其降噪效果受参数的影响较大, 滤
如图 5 所示。根据信号中一系列的烈度值,
烈度值, 波器长度 L。对于位移数 M, M 越大提取的信息越完
可以看出在 40 和 80 时刻,
烈度发生阶跃性变化,
表 整,一般情况下, 令 M ≤ 7 。滤波器长度 L 影响计算
40 时刻行星齿轮箱
明行星齿轮箱状态发生了变化, 一般把 L 设定为一倍到两倍的解卷积周期。
的时间,
80 时刻行星齿轮箱进入严重故
进入微弱故障状态, 对于 DDS 传动系统,
MCKD 算法中的 L=400,
M=7。
障时刻。 对重构信号进行 MCKD 算法处理,
增加行星齿轮的
[1] 王国彪,
何正嘉, 等 . 机械故障诊断基础研究“何
陈雪峰,
去何从”[J]. 机械工程学报,
2013,
49(1):
63-72.
[2] 张妮, 吴小进 . 基于数据驱动的故障诊断技术研
车立志,
图 8 重构信号 MED 信号图和包络谱
2017,
究现状及展望[J]. 计算机科学, 44(S1):
37-42.
[3] LEI Y, JING L, ZUO M, et al. Condition monitoring and
fault diagnosis of planetary gearboxes: A review[J]. Mea-
surement, 2014, 48(1): 292-305.
[4] 王星河, 刘国庆 . 基于谱峭度的滚动轴承故障诊
王红军,
2021(9):
断方法[J]. 设备管理与维修, 151-153.
[5] 刘鲲鹏,
白云川, 等 . MED 在内燃机滚动轴承振
李泽华,
2018(8):
动信号处理中的应用[J]. 内燃机与配件, 77-79.
[6] 陈永毅, 薛焕新 . 基于集合经验模态分解的滚动轴
张丹,
2021,
承智能故障诊断方法[J]. 高技术通讯, 31(5):
559-
568.
[7] 孙传铭,
魏隆, 等 . 自适应奇异值分解局放信号
张梦楠,
2021,
降噪方法[J]. 电工电能新技术, 40(5):
34-41.
[8] 王强,
孙娜 . 基于变分模态分解和奇异值差分谱的轴承
图 9 重构信号 MCKD 信号图和包络谱 2021,
故障诊断方法[J]. 机械设计与研究, 37(2):
66-69.
[9] 齐鹏, 冯早 . 敏感 SVD 和 EEMD 的故障诊断方
范玉刚,
2018,
法研究[J]. 传感器与微系统, 37(2):
67-71.