故障齿轮

故障齿轮（共8篇）

故障齿轮 篇1

引言

齿轮箱作为一种通过齿轮来传动功率的组件, 在工业领域获得了广泛的应用。风力发电机组中就广泛应用了齿轮箱, 随着近年来国家建设“坚强智能电网”的进程不断推进, 风力发电在我国获得了蓬勃的发展, 对齿轮箱的应用提出了更高的要求。

本文结合风力发电的实际经验, 分析了齿轮箱中齿轮故障的常见形式以及故障诊断, 并着重介绍了齿轮故障的振动分析。

1 齿轮箱及其在风电场中的应用

风力发电机组由叶片、齿轮箱、风叶控制系统、刹车系统、发电机等组成, 齿轮箱是风电场运行的重要机械部件之一, 齿轮箱的设计寿命一般是20年, 起到动力传输的作用, 将风机的风轮产生的动力传递给发电机, 并对风轮产生的较低转速进行增速, 使其满足风力发电机的转速要求。

风电机组多运行于气候条件较为恶劣的山区、海岛、边疆等地, 长期受到强风、温差、雨雪等外界因素作用, 给齿轮箱的运行带来不利因素。齿轮箱安装于风机塔顶内, 空间较为狭小, 一旦出现故障较难维修和排除。据统计, 齿轮箱已经成为风电场现场故障次数最多的部件之一。

2 齿轮箱中常见的齿轮故障

齿轮箱的高可靠性和易维修性是风力发电机组的关键技术保障, 风电场运行中, 齿轮箱的故障主要集中在润滑系统、液压系统、齿轮损坏三个方面。其中, 齿轮箱中齿轮的故障主要表现为局部断齿、齿轮磨损、点蚀、齿面胶合、疲劳裂纹等。

2.1 局部断齿

齿轮的局部断齿通常是由细纹和裂缝发展导致, 产生的原因主要有过载折断、疲劳折断、随机断裂等原因。其中, 过载折断是由于轴承损坏、外部冲击等原因, 导致作用在齿轮上的应力持续较大, 超过了齿轮的极限承受应力导致;疲劳折断多因为齿轮材料不佳, 导致齿轮长期运行在交变应力下, 产生长期疲劳, 裂纹不断扩展, 最终断裂;随机断裂的原因较多, 比如有硬物进入齿轮啮合区、齿轮根部突遇外力冲击等。

2.2 齿轮磨损

磨损是指齿轮表面金属损耗严重, 轻度的磨损尚不至于影响风电机组运行, 但破坏性磨损将导致齿轮轮廓破坏, 降低齿轮的寿命, 影响齿轮的平稳性。齿轮磨损的部位主要集中于齿轮的啮合面和渐开线工作面, 与齿轮箱过载和润滑剂不洁有较大关系, 另外, 齿轮铸造后留下的砂片、金属片、杂质也是齿轮磨损的重要原因。

2.3 齿轮点蚀

齿轮点蚀是指齿轮在交变应力作用下, 齿面接线附近产生的裂纹带来的齿轮表明剥落、出现凹坑等现象。点蚀出现的原因和齿轮材料硬度不高、齿轮箱过载、荷载不均等情况有关, 近年来, 随着我国风电场容量的不断扩大, 500k W以上的风电机组多采用平行轴和行星轮的混合结构, 风机的轮毂高度增加, 齿轮箱受力更加复杂, 气流的不稳定性和复杂的交变荷载使得齿轮点蚀的几率变大。

2.4 齿面胶合

齿轮胶合是指齿轮的啮合表面边界膜被破坏, 导致接触齿面的金属熔焊并撕落的现象。胶合与润滑条件不够、齿轮工作温度高等原因有关。我国大型风力发电厂多建立在风力资源丰富的北方, 北方气温较低, 一些风电场的极端最低气温达到-40℃以下, 而风力发电机组的设计最低运行气温在-20℃左右, 长期的低温运行对齿轮箱提出了严峻考验, 必需对齿轮箱加温, 加温过程中, 遇到风速持续偏低或停风时, 齿轮油会变稠, 无法得到充分润滑, 很容易导致齿面胶合等故障。此外, 润滑剂散热性能不好, 导致齿轮过热也会产生巨大损坏。

2.5 疲劳裂纹

齿轮的疲劳裂纹与齿轮啮合过程中的相对运动、脉动荷载、剪应力过大等有关, 疲劳裂纹可以表现为破坏性点蚀、齿轮表明剥落、损坏等现象, 严重者会发生断齿。疲劳裂纹的存在是一个慢性发展的过程, 裂纹的存在轻则影响功率传递, 产生噪音, 重则使得风电机组运行受影响, 导致停机。

3 齿轮箱中齿轮故障的振动分析

齿轮箱的故障诊断方法中, 最常用的是振动频谱分析, 它建立在传统的振动理论基础上, 通过对振动数据和波形的采集和分析, 进行详细的分析诊断, 找出准确的故障部位。

振动分析进行齿轮故障诊断的原理如下:将齿轮看做一个振动系统, 根据傅里叶变换的理论, 将齿轮的振动信号分解为基波和一系列谐波分量的和。齿轮故障后, 齿轮的振动特性会发生一系列的变化, 反应在振动信号中, 体现为信号畸变、啮合频率处频谱值显著变大, 通过这些特征, 可以较为准确的定位出齿轮的各种故障。

4 结束语

根据数据统计, 在风电齿轮箱的损坏类型中, 齿轮的故障比例高达60%, 已经超过了其它部件 (轴承、轴、箱体、紧固件、油封等) 的故障之和, 对齿轮箱状态监测的研究、故障诊断技术的提升、故障分析系统的开发, 依然任重而道远。

摘要：建设坚强电网的战略为推进风电事业发展提供了巨大的机遇, 作为风力发电机组运行的重点部件, 齿轮箱因其长期运行在较为恶劣的环境条件下, 故障率居高不下, 已经成为风力发电相关技术研究的热点, 对齿轮箱中齿轮故障及其振动分析的关注度不断提升。文章结合实际运行经验, 介绍了齿轮箱及其在风电场的应用, 分析了齿轮箱常见的故障及其发生原因, 并详细阐述了齿轮故障的振动分析。

关键词：风力发电,齿轮箱,齿轮故障,振动分析

参考文献

[1]王斌.面向风电机组齿轮箱的故障诊断系统研究[D].北京:华北电力大学, 2012年硕士论文.[1]王斌.面向风电机组齿轮箱的故障诊断系统研究[D].北京:华北电力大学, 2012年硕士论文.

[2]张立勇, 王长路, 刘法根.风力发电及风电齿轮箱概述[J].机械传动, 2008, 6 (15) :22-26.[2]张立勇, 王长路, 刘法根.风力发电及风电齿轮箱概述[J].机械传动, 2008, 6 (15) :22-26.

[3]赵海燕, 陈琪.风电机组齿轮箱的故障及其解决方案, 中国农业机械工业协会风能设备分会2011年度论文集[C].2011-06-01.[3]赵海燕, 陈琪.风电机组齿轮箱的故障及其解决方案, 中国农业机械工业协会风能设备分会2011年度论文集[C].2011-06-01.

故障齿轮 篇2

关键词：齿轮减速机；故障分析；维护保养

中图分类号： TB486 文献标识码： A 文章编号： 1673-1069（2016）23-146-2

0 引言

人们的生产生活离不开机械设备，而在机器设备当中，齿轮减速机扮演着重要的角色。随着科技的不断发展，社会的不断进步，各项高新技术也在不断的革新，在不断的变革和改进的过程当中，主机也在不断的完善。所以到目前为止，齿轮减速机已经具备了较好的抗风险能力，但在具体的使用过程当中，齿轮减速机依然存在着一定的问题。为了有效地减少工作过程中出现的断齿和漏油情况，降低发热情况和轴承咬死现象，需要对齿轮减速机进行全方位的观察和细致的探访，以便于找出故障源，强化对其的维护和保养工作，提升齿轮减速机的使用效率，这在具体的使用过程中是十分重要的。

1 齿轮减速机的工作原理探析

严格意义上来讲，齿轮减速机是一种应用于动力方面的传达机构，分析这种机械的工作原理，这种机械主要通过电动机和内燃机进行工作，将这两种机械和其他高速运转的动力机，以减速的形式输出到工作轴上，这样便能够达到减速的目的。具体的工作过程中，机器的运行功率主要是通过制造过程而设定的，所以在这种情况下可以得出，在额定的范围之内，机械功率一般不会发生变化，所以如果运转的速度相对较大，与之相适应的扭力就会相应的减小，如果运转的速度减小，那么相对应的扭力就会加大。所以在实际工作当中，有一些工作单位为了更好的谋求生产的需要，特意将扭力加大，因此就需要应用到减速机，通过电动机的运转速度来降低，进而保证其具有最大的扭力[1]。

减速机一般是低速运转大扭矩的传动设备，将电动机和内燃机通所释放的动力通过减速机输入到齿轮上，以此来达到减速的目的。但普通的减速机会有几对齿轮，通过齿轮之间的相互啮合能够达到更加理想的减速目的，而在此之中，大小齿轮的齿数比，也就是传动比。特别是当前环境之下，减速机开始区大型化，所以低速重载和高运转率的矛盾也开始逐渐的凸显。大型减速机要求需要具备足够的运载能力，而对于运行的可靠性也提出了较高的要求和标准。但是如果想要实现这一点却并非是一件容易的事儿，因为减速机具有较高的负荷，同时制造精度相对较高，安排起来难度又相对更大，可能会花费较高的费用，延缓较长的周期，对于一般的工厂会产生较大的影响。所以，做好减速机的管理工作，提高对于此轮减速机的维护水平，有效地确保齿轮减速机性能的稳定性，确保齿轮减速机能够正常地运转，而这也是设备管理的一个重要的工作之一。

2 齿轮减速机的故障分析和维护保养

2.1 齿轮减速机的齿轮点蚀和剥落问题研究

分析齿轮减速机的齿轮点剥落问题，导致这种故障产生的原因，一般都是因为齿轮表面存在着一定的点蚀情况，这会使得齿轮的抗疲劳能力有所减弱，最终会导致齿轮出现剥落情况。而此轮的点蚀和齿轮的剥落都和齿轮的使用过多存在磨损有着很大的关系。所以在这种情况之下，齿轮一般是通过成块的形式衍生出一定的剥落情况，进而导致齿轮表面出现了凹坑，这种情况就会对齿轮表面产生一定的侵犯，所以会导致齿轮出现破坏故障。分析齿轮发生点蚀的情况，根据齿轮出现点蚀的原因进行分析，以此来防止各种问题的发生是十分重要的。

分析齿轮面出现点蚀的原因，一般是从几个方面来说。首先是齿轮自身的材质问题，因为此轮自身的硬度存在着一定的缺陷，所以通常情况下，如果车轮的材质和运行要求存在差异，不能满足运行的要求，都会导致齿轮在运行的过程当中，在接触接触面的时候会产生一定的疲劳，而且随着工作的不断加剧，程度会日益增加，时间的迁移，日积月累，就会导致点蚀出现。同时出现这种情况的原因还有另一方面，我们可以将其归结为热处理硬度较低导致的。因为齿轮在进行运转的过程中，没有办法保证齿轮运转的疲劳度。而与此同时，如果齿轮的表面存在着一定的缺陷，或齿轮表面有其他问题存在[2]。那么就可能会导致齿轮出现疲劳，进而使得点蚀问题发生。除此之外，因为齿轮的精度不能达到标准，主要是因为在齿轮加工和装配的时候，存在着不符合规定的情况，比如说齿轮的精度和运动的精度存在缺陷，或者是圆弧齿轮壳体中心的距离存在误差，这会导致齿轮在运转过程中出现一定的点蚀问题。然后是因为润滑油的不当使用而导致的，在齿轮的运转过程当中必须涉及对润滑油的使用，因为润滑油的品牌和型号不同，在使用上存在着对应性的问题，所以如果润滑油的油品程度相对较低，那么就可能会在很大程度上发挥出较差的性能，影响着齿轮的运转。

针对以上故障需要合理的解决，所以需要在不断的提升只能表面硬度的前提之下，最大程度地确保齿轮表面的粗糙程度最小。这样能够更好地加大齿轮的变位数值，而且可以减少表面的粗糙程度，同时对于润滑油的使用也能够减少齿轮运载的负荷，通过对于这种方法的应用，能够有效的减少齿轮表面的点蚀情况，促使齿轮表面点蚀降低，这也能够在一定程度上确保齿轮不会出现剥落情况。

2.2 齿轮减速机的齿轮损坏问题研究

分析齿轮的损坏问题，导致这种情况发生的因素主要可以从两个方面来讨论。首先是因为疲劳而导致齿轮断裂，而另外一种原因就是因为过度载荷导致齿轮出现裂痕，最终使齿轮断裂。同时因为齿轮的高速运转能够导其受到多次的交变荷载的作用，这样就会导致齿轮的危险因为出现了弯曲疲劳的效应，可能导致齿轮出现断裂。再加之这种例会对齿轮不断的发出作用，通过很长时间的磨损就会渐渐地导致齿轮根部出现疲劳的裂缝，所以在齿轮进行胶柄弯曲的时候，程度会不断的增加，在长时间的作用之下只会出现断裂。而且只能在进行正常运转的时候，齿轮短时间内受到冲击负荷的影响，导致齿轮的磨损逐渐变薄，这样就会在正常工作当中出现折断的情况。因此针对这些情况，需要对车轮进行有效的处理，需要确保首先不影响齿轮的正常转动，同时还需要保证齿轮的根部圆的交大半径有所增加。这能够在一定程度上减少齿轮被加工表面而导致的粗糙。正常工作当中为了有效减少这种情况的发生，可以增加轴和齿轮自身的厚度，或者增加及刚性，所以能够确保车轮在局部受到荷载的过程当中，逐渐地进行荷载的缓和，可以更好地确保齿轮的中心位置，具有更强的韧性。同时也能够对齿轮根部位置进行相关的强化，可以促使齿轮的抗压能力增强，在很大程度上能够保证齿轮的刚性增强。

2.3 齿轮减速机的磨损问题研究

对齿轮减速机出现磨损的情况进行分析，导致齿轮减速机出现磨损的原因主要是因为缺油，同时因为齿轮减速机在使用过程当中，其润滑油当中渗透了相关的金属屑杂质，这也会在很大程度上导致齿轮面出现磨损。而因为齿轮本身的制作材料不符合标准的需求，或者材料自身不达标，所以在工作当中也很容易导致出现磨损。因为齿轮存在着各种的缺陷，这些缺陷会引起磨损问题增加。热处理存在着一定的缺陷，使得相关的使用单位在使用过程中没有进行必要的热处理，或者是齿轮的啮合精度和运动精度如果不能达标，这也会在一定程度上导致其出现磨损。

针对于此，解决齿轮出现磨损的问题，首先需要逐渐的对齿轮表面的硬度进行提升，这样能够有效地降低齿轮表面的粗糙。同时保证齿轮在运转的时候，所使用的润滑油具有较高的清洁程度，而在润滑油的使用过程当中添加了一定的抗磨损污渍有效成分，也能够有效地确保齿轮减少相关的磨损，除此之外，也可以在齿轮油相当中加入磁性体，以此来吸收润滑油当中存在的金属颗粒，而金属颗粒减少那么齿轮的磨损程度也会自然地降低。

3 结语

本研究主要就齿轮减速机的故障进行简要的分析，针对相关的维护提出一定的主观看法。笔者认为，齿轮减速机在当今的环境下具有较高的应用价值，有效地减少齿轮减速机的故障问题，以便于更好地促进工作的顺利进行，需要不断地促使其更加稳定的发展，针对相关问题，给出有效的解决策略，只有这样才能够保证相关工作的顺利开展。

参 考 文 献

[1] 曹建欢.浅谈燃料圆柱型齿轮减速机检修维[J].科技与企业，2014，22（07）：54-55.

齿轮油泵故障分析及排除方法 篇3

1.油泵内部零件磨损油泵内部零件磨损会造成内漏。其中浮动轴套与齿轮端面之间泄漏面积大, 是造成内漏的主要部位。这部分漏损量占全部内漏的50%～70%左右。磨损内漏的齿轮泵其容积效率下降, 油泵输出功率大大低于输入功率。其损耗全部转变为热能, 因此会引起油泵过热。若将结合平面压紧, 因工作时浮动轴套会有少量运动而造成磨损, 结果使农具提升缓慢或不能提升, 这样的浮动轴套必须更换或修理。

2.油泵壳体的磨损主要是浮动轴套孔的磨损 (齿轮轴与轴套的正常间隙是0.09～0.175mm, 最大不得超过0.20mm) 。齿轮工作受压力油的作用, 齿轮尖部靠近油泵壳体, 磨损泵体的低压腔部分。另一种磨损是壳体内工作面成圆周似的磨损, 这种磨损主要是添加的油液不净所致, 所以必须添加没有杂质的油液。

3.油封磨损, 胶封老化卸荷片的橡胶油封老化变质, 失去弹性, 对高压油腔和低压油腔失去了密封隔离作用, 会产生高压油腔的油压往低压油腔, 称为“内漏”, 它降低了油泵的工作压力和流量。CB46齿轮泵它的正常工作压力为100～110kg/cm2, 正常输油量是46L/min, 标准的卸荷片橡胶油封是57×43。自紧油封是PG25×42×10的骨架式油封, 它的损坏或年久失效, 空气便从油封与主轴轴颈之间的缝隙或从进油口接盘与油泵壳体结合处被吸入油泵, 经回油管进入油箱, 在油箱中产生大量气泡。会造成油箱中的油液减少, 发动机油底槽中油液增多现象, 使农具提升缓慢或不能提升。必须更换油封才可排除此故障。

4.机油泵供油量不足或无油压现象:工作装置提升缓慢, 提升时发抖或不能提升;油箱或油管内有气泡;提升时液压系统发出“唧、唧”声音;拖拉机刚启动时工作装置能提升, 工作一段时间油温升高后, 则提升缓慢或不能提升;轻负荷时能提升, 重负荷时不能提升伸缩舞台.故障原因: (1) 液压油箱油面过低; (2) 没按季节使用液压油; (3) 进油管被脏物严重堵塞; (4) 油泵主动齿轮油封损坏, 空气进入液压系统; (5) 油泵进、出油口接头或弯接头“O”形密封圈损坏, 弯接头的紧固螺栓或进、出油管螺母未上紧, 空气进入液压系统; (6) 油泵内漏, 密封圈老化; (7) 油泵端面或主、从动齿轮轴套端面磨损或刮伤, 两轴套端面不平度超差; (8) 油泵内部零件装配错误造成内漏; (9) “左旋”装“右旋”油泵, 造成冲坏骨架油封; (10) 液压油过脏。

排除方法: (1) 根据季节添加或更换符合要求牌号的机油至规定油面处。取出油管内的异物, 上紧接头处的螺栓或螺母。 (2) 更换老化或损坏的骨架油封或“O”形密封胶圈。 (3) 更换磨损的齿轮油泵或油泵轴套, 磨损轻微时在平板上将端面磨平整。其不平度允许误差0.03mm;上轴套端面低于泵体上平面 (正常值低于2.5～2.6mm) , 如超差时应在下轴套加0.1～0.2mm铜片来补偿, 安装时则应套在后轴套上装入。 (4) 卸荷片和密封环必须装在进油腔, 两轴套才能保持平衡。卸荷片密封环应具有0.5mm的预压量。 (5) 导向钢丝弹力应能同时将上、下轴套朝从动齿轮的旋转方向扭转一微小角度, 使主、从动齿轮两个轴套的加工平面紧密贴合。 (6) 轴套上的卸荷槽必须装在低压腔一侧, 以消除齿轮啮合时产生有害的闭死容积。 (7) 压入自紧油封前, 应在其表面涂一层润滑油, 还要注意将阻油边缘朝向前盖, 不能装反。 (8) “右旋”泵不能装在“左旋”机上, 否则会冲坏骨架油封。 (9) 在装泵盖前, 须向泵壳内倒入少量机油, 并用手转动啮合齿轮; (10) 在装好油泵盖未拧紧螺栓之前, 应检查泵盖和泵体之间的间隙, 是否在0.3～0.6mm之间, 若间隙过小, 应更换大密封圈和卸压件。液压油泵装好后, 应转动灵活无卡滞现象。

参考文献

[1]陈桂芳.液压与气功技术[M].北京理工大学出版社.

一种有效的齿轮故障识别方法 篇4

齿轮传动是机械设备中最常用的传动方式, 被广泛地应用于各类机械设备的运行和动力传递中[1]。常见的齿轮故障包括断齿、磨损和点蚀, 由于工业现场环境复杂, 实际采集到的齿轮振动数据中, 齿轮故障特征信息往往被信号中的噪声淹没, 因此, 有必要先对原始信号进行降噪预处理[2]。基于积分几何和随机集论建立的形态滤波方法是一种非线性滤波器, 该方法的信号处理只取决于待处理信号的局部特征, 比传统的线性滤波更有效[3]。然而, 形态滤波方法存在统计偏倚现象, 还需要进一步改进。顺序形态变换是在形态滤波方法的基础上, 引入“循环统计学”的思想, 将排序统计理论与形态滤波方法相结合, 可以改进形态滤波方法的缺陷。参考文献[4-5]已将顺序形态滤波器用于旋转机械振动信号的降噪和转子轴心轨迹提纯, 均取得了较好的效果。

齿轮故障信号是典型的非平稳、非线性信号, 如何从信号中提取出能有效表征齿轮故障状态的特征参数是实现齿轮故障诊断的关键[6]。样本熵是量化非线性时间序列复杂度的良好工具, 与Lyapunov指数、信息熵、关联维数、K熵等非线性动力学方法相比, 具有得到稳定估计值所需要的数据短、抗噪声和干扰能力强、在参数大取值范围内一致性好等特点, 利于故障特征的提取[7]。

本文在对齿轮振动信号样本熵深入研究的基础上, 首先采用顺序形态滤波进行降噪预处理, 然后采用谐波小波包 (Harmonic Wavelet Package, HWP) 对振动信号进行频域特征提取, 通过求取3层8个频带的对应时域信号的样本熵, 以获得信号所包含的不同故障特征, 最后计算标准故障模式特征向量与待识别样本的灰色关联度来进行故障识别和分类。试验结果表明, 该方法能够有效用于齿轮各种典型故障的识别。

1 顺序形态滤波降噪预处理原理

形态滤波处理过程基于Minkowski (明可夫斯基) 运算, 实质上就是一种极值运算, 不可避免地导致信号和噪声之间的误处理。顺序形态运算引入了“循环统计学”的思想, 通过合适的组合可以改进形态学方法的缺陷[8]。

设有集合A和C, 且0<μ (C) =k<+∞ (μ (·) 为测度) , 则集合A关于结构元素C的顺序形态变换A (p) C (p=0, 1/ (k-1) , …, 1) 定义为

式中:Cx={x-c|c∈A}表示结构元素C关于原点对称后沿向量x的平移, c为结构元素C的尺寸;k为μ (C) 的测度;p为顺序形态变换的百分位。

式 (1) 表示A (p) C是由其中至少含有A的[k- (k-1) p]个点的x组成的集合。

设0≤p1, p2≤1, p1, p2=0, 1/ (k-1) , …, 1, 此时可定义复合顺序形态变换为

式中:p1, p2为复合顺序形态变换的百分位。

很明显, 传统的形态运算就是顺序形态变换的特例, 比如:

式中:Θ代表腐蚀运算;代表膨胀运算; 代表开运算;·代表闭运算。

显然, 当对集合A使用不同的百分位值进行顺序形态变换时, 便可构造极值滤波、中值滤波、多尺度形态滤波等不同的传统形态变换。

为了同时去除信号中的正、负噪声干扰, 仿照Maragos定义的形态开-闭和闭-开滤波器进行组合, 可设计如下的顺序组合形态滤波器:

式中:y (n) 为输入信号经过顺序组合形态滤波后的结果;f (1/2, 1) C表示先采用结构元素C对采样信号f进行中值滤波, 以初步消除各种噪声的干扰, 然后进行膨胀运算。此时由于先进行的中值滤波, 可以较大修正膨胀作用的缺陷。同理, f (1/2, 0) C也可以修正腐蚀作用的缺陷[8]。

顺序形态滤波的效果与所采用的结构元素有着密切的关系, 相对而言, 结构元素越复杂, 滤波能力越强, 但所耗费的时间就越长[9]。综合考虑待分析信号特点与运算复杂度, 本文采用最简单的直线结构元素来处理含有噪声的振动信号, 结构元素的长度取3。

2 样本熵定义

设原始数据序列为[x (n) ]=x (1) , x (2) , …, x (N) , 共N个数据点, 该序列的样本熵[10-12]计算步骤:

(1) 按序号组成一组维数为m的向量序列, 即Xm (1) , Xm (2) , …, Xm (N-m+1) , 其中Xm (i) 为

式中:i=1, 2, …, N-m+1。

这些向量表示从第i点开始的m个连续的原始数据序列的值。

(2) 定义向量Xm (i) 与Xm (j) 之间的距离d[Xm (i) , Xm (j) ] (i≠j) 为两者对应元素中差值最大的一个, 即

(3) 给定阈值r (r>0) , 对每一个i值统计d[Xm (i) , Xm (j) ]

(4) 定义所有的平均值Bm (r) 为

(5) 将维数增加到m+1, 重复步骤 (1) — (4) , 得到Bm+1 (r) ;这样, Bm (r) 为2个序列在模板匹配数r下匹配m个点的概率, 而Bm+1 (r) 为2个序列匹配m+1个点的概率。

(6) 理论上, 此序列的样本熵定义为

当N为有限值时, 样本熵的估计值为

显然, 样本熵的值与参数m和r的取值有关。根据Pincus[13]的研究成果, m=1或2, r=0.1Std~0.25Std (Std是原始数据x (n) (n=1, 2, …, N) 的标准差) 计算得到的样本熵具有较为合理的统计特性, 因此, 本文中取m=2, r=0.2Std。

3 基于HWP样本熵与灰色关联度的齿轮故障识别原理

基于HWP样本熵与灰色关联度的齿轮故障识别流程如图1所示。具体步骤如下:

(1) 在齿轮正常、齿面轻度磨损、齿面中度磨损和断齿状态下, 按一定的采样频率分别进行M次采样, 共得到4 M个数据样本。

(2) 采用顺序形态滤波方法进行降噪预处理, 降低噪声对信号特征的干扰, 提高信噪比。

(3) 采用谐波小波包对齿轮振动信号进行j层小波包分解, 共得到2j个频带。谐波小波包分解过程可参见参考文献[14], 本文不再赘述。

(4) 根据式 (9) 计算各频带信号的样本熵。

(5) 构造特征向量:

式中:SE为SampEn的缩写。

(6) 计算待识别样本与标准故障模式的灰色关联度, 与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。待识别样本与标准故障模式的灰色关联度的具体计算过程可参见参考文献[9], 本文不再赘述。

4 实例分析

为了验证本文提出方法在齿轮故障识别中的有效性, 在齿轮试验台上分别对齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿故障4种工况下的齿轮进行了试验。被试齿轮转频为23.6Hz, 啮合频率为686 Hz, 振动信号的采样频率为16 384 Hz。现各取5组样本。

首先选取直线结构元素C= {0, 0, 0}, 采用式 (3) 构造的顺序形态滤波器对原始信号进行降噪预处理。以齿面轻度磨损信号为例, 信号降噪前后的时域波形及其频谱如图2所示。从图2可看出, 齿轮振动信号经过顺序形态滤波降噪预处理后, 原信号中含有的高频噪声基本被消除, 这对于信号进行后续的特征提取具有十分重要的意义。

其次, 采用谐波小波包对信号进行3层分解, 共得到8个频带。根据式 (9) 计算每段频带的样本熵并构造特征向量。齿轮不同工况下的5组样本计算得到的平均样本熵见表1。从表1可看出, 由于齿轮在不同故障状态下, 激发了不同频率成分的信号, 经过谐波小波包分解后, 4种工况下各自分解得到的8个频带计算得到的样本熵有明显区别, 这对于故障的分类识别十分有利。谐波小波包分解后齿轮不同工况下计算得到的5组采样数据的样本熵见表2。

最后, 分别将表1中的5组同类故障样本的平均值作为该类故障的标准故障模式特征向量, 计算标准故障模式特征向量与待识别样本的灰色关联度, 根据关联度的值进行故障的模式识别, 结果见表3。

从表3可看出, 采用灰色关联度方法对齿轮故障模式识别取得了理想的效果, 说明灰色关联度能够对齿轮故障识别问题进行准确分类。

5 结语

采用顺序形态滤波对齿轮正常、齿面轻度磨损、齿面中度磨损和断齿采样信号进行降噪预处理, 然后采用谐波小波包将信号进行3层分解, 并计算分解后8个频带对应时域信号的样本熵, 将其作为表征不同故障状态的特征向量, 最后通过计算标准故障模式特征向量与待识别样本的灰色关联度来进行故障模式识别。试验结果表明该方法具有较好的实用性, 能够有效地应用于齿轮系统的故障诊断。

摘要：针对齿轮故障特征信息往往被信号中的噪声淹没的问题, 提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先, 采用顺序形态滤波器, 并结合实际选用最简单的直线结构元素, 对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后, 采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上, 并计算各频带的样本熵。最后, 以样本熵为元素构造特征向量, 通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明, 该方法能够有效地应用于齿轮系统的故障诊断。

精轧机齿轮基座轴承故障诊断 篇5

关键词：轧机,滚动轴承,齿轮基座,故障诊断

邯钢CSP精轧机齿轮机座位于主减速机与齿形传动轴之间, 它的主要功能是将主减速机传递来的动力分配给上下齿形传动轴, 其内部通过人字齿轮进行传动。由于轧机齿轮基座的特殊性 (低速、重载、变速、变载) , 使得及时发现齿轮基座轴承故障显得异常困难。 (1) 利用振动幅值根本无法发现轴承故障。因为轧机齿轮基座轴承转速较低 (最低转速每分钟只有十几转) , 振动值较小, 再加上齿轮基座有较厚的壳体, 使得传递到机壳上的振动能量非常小, 即使轴承已损坏非常严重, 振动值还是很小。 (2) 利用监测轴承温度也不易发现轴承故障。这是因为轧机齿轮基座轴承润滑采用的是集中稀油润滑, 当轴承损坏时由于稀油不仅润滑了轴承还带走了轴承损坏而产生的热量, 所以利用国际通用的温度监测方法也不适用 (经验表明, 2009年10月该厂F1精轧机齿轮机座轴承损坏时轴承温度只有48℃, 而轴承温度超过70℃才进入报警状态) 。以上问题说明必须针对低速重载下工作的轴承采用一种新的故障诊断方案。

一、方案制定

针对轧机齿轮基座的特殊性, 制定以下监测方案: (1) 用位移传感器代替传统的加速度传感器。一般对轴承的故障信号采集, 采用的都是加速度传感器, 但是轧机齿轮基座的转速太低, 振动值很小, 用加速度传感器根本采集不到振动信号。另外, 位移传感器相对于加速度传感器, 灵敏度要高很多。故决定用位移传感器代替加速度传感器进行数据采集。 (2) 在轧机齿轮基座负载的情况下进行振动数据采集。因为有负载时, 轴承所受的冲击更大, 故障频率更高, 信号更明显。 (3) 数据成功采集后, 要立即取得轧机负载下的工作转速, 并通过计算获得轧机齿轮基座转速。 (4) 把采集的振动数据输入到诊断软件中, 利用诊断软件中的速度频谱进行故障分析。

二、故障诊断分析

1. 测点布置

轧机齿轮基座传动示意图如图1所示。在轧机齿轮基座四个轴承座处布置测点, 分别在测点的垂直、水平和轴向三个方向采集振动信号。

2. 故障诊断

2010年1月, 对轧机齿轮基座进行例行检查时发现上轴入口轴承处有异响, 该轴承已服役11年, 型号为TOR240/600YMB, 滚动体数目为29个, 轴承各部件的故障频率:保持架故障频率FTF=0.453Hz, 滚动体故障频率BSF=5.209Hz, 外环故障频率BPFO=13.143Hz, 内环故障频率BPFI=15.857Hz。2010年1月28日, 对该轴承座水平、垂直、轴向三个方向进行振动数据采集。当时轧机齿轮基座转速为22r/min, 转动频率为0.37Hz。轴承水平、垂直、轴向三个方向振动频谱如图2、图3、图4所示。

由图可知, 轴承外圈故障频率的6倍频 (35.16Hz) 、12倍频 (70.28Hz) 幅值突出, 故认为该轴承内圈存在点蚀、剥落或裂纹等缺陷, 建议揭盖检查。

三、检查结果

2010年3月5日, 按照预定的检修计划开始实施该齿轮机座上轴轴承更换。旧的轴承解体后, 可见轴承内圈确实存在非常严重的点蚀现象。按照轴承故障发展的四个阶段来说, 当轴承出现肉眼可见的缺陷时, 是更换轴承的最佳时期。更换轴承后运行正常。

参考文献

[1]盛兆顺, 尹琦岭.设备状态监测与故障诊断技术及应用[M].北京:化学工业出版社, 2003.

浅谈齿轮箱水冷系统故障处理 篇6

齿轮箱是高炉炉顶核心设备之一, 由气密箱与行星减速机两部分组成, 其零部件加工工艺复杂, 装配精度高, 在重载、高压力、多粉尘、高温度的炉内工作, 负责完成高炉正常生产所需要的各种布料模式。其运行状态好坏直接影响着高炉设备的稳定运行。为了保证齿轮箱内部的轴承等传动零件的正常工作, 要求气密箱工作温度<70℃, 因此在气密箱旋转底盘的外侧装有隔热耐高温的冷却板, 冷却板由蛇形冷却水管组成。同时向齿轮箱通入高于炉内压力0.01MP的氮气, 使含有大量粉尘的煤气不能进入齿轮箱。而行星减速机处于大气环境中, 不用进行冷却。

齿轮箱水冷系统在密闭环境中运行, 很多故障不易发现, 即使发现也不易检修, 给高炉生产带来诸多不利影响。齿轮箱水冷系统由上水槽、冷却板、下水槽及其连接管组成, 如上图。其主要故障是向炉内漏水, 水箱液位自动下降。为此, 对故障产生的原因进行分析并采取相应的措施。

一 故障原因分析

对于齿轮箱水冷系统向炉内漏水, 水箱液位自动下降的问题, 有以下几个方面的原因:

1. 上水槽有水溢出。

导致水溢出的原因:a.齿轮箱冷却板被油污垢堵塞;b.溢流水管堵塞;c.连接上下水槽和冷却板的管道堵塞。

2.下水槽有水溢出。

导致水溢出的原因:a.回水管道堵塞;b.回水阀门损坏。

二 处理方案

1.判断漏水方位

将齿轮箱冷却水流量调整到20m3/h, 氮气开度10%, 模拟齿轮箱正常工作时的状况, 观察齿轮箱漏水状况, 确定是上水槽还是下水槽漏水。

2. 上水槽漏水处理

这是最常见的故障。原因是齿轮箱冷却系统在经过一定时期的运行后, 水垢和污物会在冷却板的蛇形管内堆积, 使水流量减少, 而供水量不变, 就会导致上水槽漏水。

不严重情况下, 即冷却板没有完全堵死, 通过酸洗冷却板和连接管道即可解决。具体操作方法:拆卸冷却板首尾法兰, 将所有冷却板用快速接头串联, 一头接水泵, 一头接酸洗槽, 给冷却板打酸循环。如图2。

注意:酸洗时酸要用弱酸, 如10%氨基磺酸+少量盐酸, 否则易腐蚀设备;酸洗时间要求管路气泡完全消失为止。

严重情况下, 如冷却板完全堵死, 酸洗不起作用时, 又该怎么办呢?我公司就曾遇到过这种情况。当时, 我们经过认真分析与研究, 在不更换冷却板的前提下, 想出了两个方案。通过往冷却板里穿铁丝, 待铁丝放不进去时, 就是堵塞的位置, 量一下铁丝的长度。然后割开冷却板护板, 露出里面的蛇形管, 根据铁丝的长度, 大致确定冷却板的堵塞位置。确定了位置, 就好处理了。在水管上打孔, 疏通。这套方案比较繁琐, 费时费力, 但能彻底解决问题。

后来, 我们经过反复思考, 又想出一个更快捷更省力的方法, 那就是接高压油如13Mpa的压力油, 将之冲开。高压油, 一般现场液压系统就能满足条件, 如高炉上料闸液压系统, 完全可以就地取材, 方便。待冷却板疏通之后, 再按前面的方法进行酸洗。

3. 下水槽漏水处理

由于回水管道比较粗, 所以下水槽一般不会堵塞。即使堵塞, 酸洗一下即可解决问题。当然, 如果回水管道阀门损坏了, 打不开也会造成漏水, 这就要更换阀门了。

三 结束语

通过这一系列的工作, 基本上可以将齿轮箱漏水问题解决。另一方面, 本着高炉顺行, 延长齿轮箱使用寿命的原则, 要以预防为主, 做到防患于未然, 可定期对齿轮箱水冷系统进行酸洗, 而且水冷系统的水尽量使用软水, 避免水垢的产生, 从而减少甚至杜绝故障的出现。

参考文献

[1]王平.炼铁设备.北京:冶金工业出版社, 2006

[2]丁康, 李巍华, 朱小明.齿轮及齿轮箱故障诊断实用技术.北京:机械工业出版社, 2005

[3]关子杰.润滑油与设备故障诊断技术.北京:中国石化出版社, 2007

风机齿轮箱故障诊断技术研究综述 篇7

伴随着以往能源的匮乏及安全等问题, 全球对追求清洁能源的热情不断提高。为此, 风能作为一种产量高、可再生、绿色无污染的新能源, 正在被世界各国所重视。风能在供电的同时, 不会对人类赖以生存的环境造成污染, 所以, 风力发电的发展对解决能源匮乏、环境污染等问题有着重要的意义[1]。但是作为一种典型的旋转机械, 风机在运行过程中不可避免会出现故障, 而当故障产生, 就会影响正常的发电工作。轻微的故障需要进行排故、维修等操作;严重的故障则需要进行停机维护、部件更换等处理, 这将造成重大的经济损失, 并且会造成严重的安全隐患。因此, 对风机进行故障诊断工作是保障风机安全稳定运行的前提。

1 风机齿轮箱的故障机理

风机作为一种典型的旋转机械, 其运行状态能够很好地体现在振动信号中。目前, 利用振动信号来判别风机的运行状态是主要的手段。经过多年故障诊断技术的发展, 振动信号的采集设施也不断被完善, 从而能够更加精准地采集设备的振动信号并且降低外界的干扰。近年来, 不少学者将人工智能算法融入到了机械设备的故障诊断工作中, 这就提高了故障诊断工作的便捷性以及准确性。

齿轮箱中的主要部件包括齿轮和轴承。①常见的齿轮故障有:齿轮断齿、齿面胶合、齿面磨损、齿面点蚀等。②常见的轴承故障有:外圈故障、内圈故障、保持架故障、滚动体故障等。造成这些故障的原因主要有两大类, 第一类是装配故障, 在设备进行组装时, 由于操作失误等原因造成部件没有正确啮合从而在运行过程中对问题部件造成了严重的损伤;第二类是运行故障, 这是由于设备长时间的疲劳运行所造成。上述这些故障一般都能在振动信号中体现出来, 所以, 对振动信号进行合理且有效的分析, 可以很好地识别出设备的运行状态。

2 振动信号及其特征值提取

正如上文中所介绍的, 风机的运行状态基本都体现在其振动信号中。齿轮箱的一些简单的故障特征能够通过时域信号的幅值变化来显现, 但有些故障在时域信号中的特点并不是那么明显, 这样就会阻碍故障诊断的准确性。这时可以通过信号在频域中的特征对设备的运行状态进行判断[2,3]。

由于时域和频域在信号分析中各有优势, 所以不能片面的对设备运行状态进行判断, 这样会导致最终诊断结果不准确。若要达到最佳的诊断效果, 就要在时域和频域中提取出具有表征设备运行状态的特征值, 结合这些特征值来对设备的运行状态进行判断。常用的时域特征值有:峰值指标、峭度指标、裕度指标、偏度指标、波形因子、峰值因子等。常用的频域特征值有:频率重心、频率方差、频率标准差、均方根频率等。通过对这些特征值进行分析判断, 能够有效地识别出机械的运行状态[4]。

如今, 许多学者利用智能算法对这些特征值进行学习, 从而得出特征值与样本标签之间的对应关系, 并将其应用在故障诊断工作中。

3 风力发电机常用故障诊断方法

3.1 频谱分析法

频谱分析法是以信号处理为基础的一种分析方法, 该方法是风力发电机组中最常见的一种方法。通常, 齿轮箱的一些简单的故障可在时域信号中通过对幅值的变化进行分析。但随着工业技术的不断发展, 机械设备的制造水平不断提高, 从而增加了设备的精密度。一些故障在时域中无法较好的体现出来, 这时就需要借助频域来对振动信号进行分析。所谓的频谱分析就是将采集到的时域信号转换到频域中进行分析的方法, 常用的转换方法是快速傅里叶变换 (FFT) 。频谱分析的目的就是为了把复杂的时间历程波形经过FFT变换到频域中, 并分解成若干个单一的谐波分量来进行分析[5]。该方法是一种已经成熟的故障诊断方法, 对简单且单一的故障特征有较好的诊断效果, 但是对于多故障的情况往往无法得到精确的结果。

3.2 专家系统法

专家系统其实是一个智能的计算机程序系统, 该系统包含了某领域的专家经验和知识。专家系统法是指利用这些专家的经验和知识来处理该领域中碰到的问题。专家系统将计算机技术与人工智能相结合, 用专家的经验和知识来模拟出他们的决策过程。将专家系统应用在齿轮箱的故障诊断中就是利用以往专家对齿轮箱所拥有的特征与待诊断齿轮箱进行对比, 从而得出该设备的运行状态[6]。但是该方法主要是基于已收录的专家的经验和知识, 对新的故障模式的处理效果不佳。

3.3 神经网络的方法

神经网络是一种模拟动物神经网络行为特征的方法, 该方法通过建立和调整节点间的相互联系, 从而建立出对应问题的数学模型, 达到分析信息的目的。在故障诊断中, 该方法被广泛应用。通过建立好的数学模型, 神经网络能够对复杂的信号进行有效的分类处理, 将其应用在模式识别与判断中到很好的效果[7]。但是在该方法发展的同时也存在着一定的缺陷, 例如过学习、欠学习等原因会造成诊断过程慢、诊断结果不精确等问题。神经网络模型如图1所示。

3.4 支持向量机法

支持向量机 (SVM) 在故障诊断中的应用相当常见, 它在解决小样本、非线性及高维模式识别中体现出其特有的优势。许多学者利用该方法对机械设备的运行状态进行识别。支持向量机不但可以分析数据, 还可以进行模式识别, 从而完成分类与回归的操作。该方法具有很高的机器学习能力, 能够通过对训练样本的学习, 给出测试样本的准确分类结果。支持向量机经过多年的发展, 已经从单一的双分类器演变成了多分类器, 这一改变无疑给机械故障诊断带来了很大的便捷。文献[8]利用了该方法对风机齿轮箱进行故障诊断。

4 改进的故障诊断方法

1) 传统的故障诊断方法普遍存在着学习速度慢、诊断效果差等缺陷, 学者们为了解决这些问题, 对智能分类算法进行了改进。改进的方法主要有两种, 第一种是对算法本身进行改进, 即通过修改算法内部的参数、模型等来提高算法的有效性。第二种是将分类算法与其他智能算法相结合, 通过智能算法来自动选取分类算法中的核心参数。例如通过遗传算法 (GA) 、粒子群算法 (PSO) 来优化神经网络或支持向量机, 从而提高分类的准确率。

2) 如何选择这些智能算法也是人们研究的方向。在这些优化算法中, 同样存在着迭代时间长、收敛速度慢、容易陷入局部最优等情况。所以, 不断有学者对这些算法进行改进, 希望能提高它们的优化能力。例如调整遗传算法中的选择、交叉、变异等操作;调整粒子群算法中惯性权重、学习因子、速度及位置公式等。文献[9]将神经网络与遗传算法相结合, 并应用在齿轮箱的故障诊断中。文献[10]利用粒子群算法优化支持向量机, 在齿轮箱的故障诊断中得到了较好的效果。图2是利用支持向量机对UCI数据进行分类的对比图, 从图中可以看出经过优化的支持向量机在模式识别中有更高的准确率。

5 总结和展望

风能的不断发展必然会对故障诊断工作提出更高的要求, 在今后的研究过程中, 我们不仅需要完善以往的诊断技术, 而且还需要研发出更新、更有效的诊断方法。我国在机械故障诊断的理论研究上, 已经达到了国际上的先进水平, 但是在实际应用中却存在着一定的差距。为了保证风机的安全稳定运行以及长久有效发电, 故障诊断技术有待进一步的研究和提高。

摘要：简述了风机齿轮箱的故障机理以及振动信号在故障诊断中的作用, 同时对振动信号的特征值提取方法进行了讲解。介绍了一些风机齿轮箱故障诊断中的常用方法, 在介绍这些方法的同时讲述了其优劣性以及改进方法, 最后对故障诊断技术进行了总结和展望。

关键词：风机,齿轮箱,故障诊断

参考文献

[1]申宽育.中国的风能资源与风力发电[J].西北水电, 2010 (1) :76-81.

[2]杨世锡, 胡劲松, 吴昭同, 等.旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较[J].中国电机工程学报, 2003 (6) :102-107.

[3]廖庆斌, 李舜酩.一种旋转机械振动信号特征提取的新方法[J].中国机械工程, 2006 (16) :1675-1679.

[4]杨磊.简述滚动轴承故障特征信息提取与相关方法的应用[J].科技与企业, 2014 (7) :368.

[5]罗毅, 甄立敬.基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法[J].振动与冲击, 2015 (3) :210-214.

[6]吴明强, 史慧, 朱晓华, 等.故障诊断专家系统研究的现状与展望[J].计算机测量与控制, 2005 (12) :1301-1304.

[7]刘慧玲, 潘宏侠, 王爱玉.基于粗糙集与神经网络的齿轮箱故障诊断[J].机械传动, 2013 (10) :134-139.

[8]占健, 吴斌, 王加祥.基于支持向量机的齿轮箱齿轮故障诊断[J].上海电机学院学报, 2014 (1) :5-10.

[9]乔晶晶, 潘宏侠.基于遗传算法优化神经网络的齿轮故障诊断[J].水电能源科学, 2010 (6) :106-108.

故障齿轮 篇8

1 齿轮故障诊断系统的构成

齿轮故障诊断系统由加速度传感器、信号调理、数据采集和计算机4部分构成。首先采用加速度传感器拾取齿轮振动信号,采集到的振动信号微弱,且不可避免地受到噪声的影响,因此对传感器的输出信号要进行放大和滤波,调理后的模拟信号由数据采集卡进行模数转换,转换为数字信号送入计算机进行处理。计算机部分采用LabVIEW语言研发了齿轮故障诊断系统,该系统主要包括文件管理、预处理、信号特征提取、共振解调诊断及BP神经网络诊断等模块。故障诊断平台总体结构如图1所示。

在该系统中对采集的振动信号先进行小波消噪和频域分析,根据频域分析结果可通过Hilbert共振解调和小波包共振解调两种方法进行故障诊断。对预处理后信号进行特征提取,可提取时域统计特征,包括有量纲和无量纲参量; 小波包相对能量特征,即通过小波包分解求取齿轮振动信号各频带的相对能量特征值。根据时域或小波包特征值,由神经网络进行故障诊断。本系统提供两种诊断方法,一种是基于共振解调的故障诊断方法,一种是基于神经网络的故障诊断方法。

2 基于共振解调的故障诊断方法

当齿轮局部发生缺陷时,相当于齿轮每转一圈产生一个脉冲激励,齿轮的啮合频率被一个短的周期脉冲所调制。调制后的信号在频谱中表现为在啮合频率两侧有大量的边频带。共振解调就是通过提取调制波的包络,对其包络进行傅里叶变换,得到其包络谱,从包络谱中的基频以及倍频上识别故障特征频率。本模块采用了Hilbert解调和小波包解调两种方法。

2. 1 Hilbert 共振解调

实函数x( t) 的Hilbert变换[4]为:

构造解析信号:

信号zm( t) 的包络:

周期性脉冲调制信号经过Hilbert解调后,可以获取脉冲的出现频率。Hilbert变换法只能近似应用于窄带信号,齿轮故障信号是一个宽带信号, 因此,经带通滤波后,其输出可近似为窄带信号。Hilbert共振解调的过程如图2所示。

实验设备采用故障模拟实验平台QPZZ-II,模拟的故障类型为断齿、磨损。齿轮的几何参数为大齿轮齿数75,小齿轮齿数55。小齿轮为主动轮,大齿轮为从动轮。Hilbert解调程序如图3所示。对齿轮断齿故障信号进行Hilbert解调分析如图4所示。从图4可以看出,在14. 66Hz和倍频处存在明显的谱线。与大齿轮的转轴 频率15. 67Hz相近,可诊断为大齿轮故障。

2. 2 小波包共振解调

由于振动信号是一种非平稳信号,可采用时频分析方法进行处理。小波包变换是继小波变换后出现的一种时频分析方法,可在低频和高频频带同时进行分解。本系统研究了基于小波包的共振解调故障诊断模块。通过对故障信号进行小波包分解,将包含固有频率的共振频带的小波包系数保留,令其他频带小波包系数为零,然后进行小波包系数重构。最后对重构信号进行Hilbert共振解调分析。小波包解调程序如图5所示,解调结果如图6所示。

通过图6可知,在16Hz和倍频处存在明显的谱线。与大齿轮的转轴频率15. 67Hz相对应,可诊断为大齿轮故障。检测到的频率比Hilbert方法准确。通过解调分析,能够提取大齿轮和小齿轮的转轴频率,但无法诊断是哪种故障类型,因此可通 过神经网 络识别故 障类型。

3 基于 BP 神经网络的诊断方法

3. 1 特征模块提取

3. 1. 1 时域特征提取

主要通过计算有量纲和无量纲参量,对比分析找到特征明显、区分度较大的参量作为特征量。有量纲参量有: 峰值、最小值、均值及均方根等; 无量纲参量有: 峰值因子、峭度因子、脉冲因子、裕度因子和波形因子。时域特征计算程序如图7所示,对比分析如图8所示。通过计算可知,均方根和峭度因子、裕度因子、峰值因子、脉冲因子、波形因子对各故障类型的区分度较大,可作为齿轮时域特征。

3. 1. 2 小波包相对能量特征提取

对于非平稳的振动信号,本系统提供一种时频特征提取方法,采用小波包相对能量作为特征, 步骤为:

a. 小波包分解。各频段小波包系数记为Dj,其中j = 1,2,…,2J,J为分解层数。

b. 计算各频段的小波包能量。小波包能量为该频段下小波包系数的平方和Ej= D2 j1+ D2 j2+ D2 j3+ … + D2 jn,其中,n为小波包分解后各频段的系数个数。

c. 计算总的小波包能量

d. 计算相对小波包能量

e. 构造特征向量ρ =[ρ1,ρ2,…,ρ2J]。

对正常、断齿、磨损信号进行小波包分解,计算各频段小波包相对能量,柱状图如图9所示。由于故障特征都位于低频段,为减少计算量,通常可选择前6个小波包相对能量作为特征。

3. 2 BP 神经网络故障诊断模块

BP神经网络是一种多层前馈神经网络,具有良好的联想记忆能力,已广泛应用于故障诊断领域[5]。本模块采用时域特征或小波包相对能量作为BP神经网络的输入向量,故障类型作为输出向量,进行故障诊断。

3. 2. 1 神经网络结构

采用三层BP神经网络。输入层为齿轮的故障特征,输入层的节点个数为6个,分别为时域特征参量均方根、峰值因子、裕度因子、波形因子、脉冲因子、峭度因子或小波包分解后的前六层相对能量; 齿轮故障模式主要包括断齿和磨损故障两种,加上正常工作模式,共3种。采用二进制编码方式,3种模式的编码为正常状态( 1 0 0) 、断齿故障( 0 1 0) 、磨损故障( 0 0 1) ,因此输出层节点个数为3。隐含层节点的个数由经验公式计算m = 2n,可取12。其中m为隐含层节点数,n为输入层节点数。所采用的三层神经网络结构为6-12 -3。隐含层神经元激活函数采用tansig ; 输出层神经元激活函数采用purelin。

3. 2. 2 神经网络训练

笔者选用的样本数据来自实验数据,抽取了90组实验数据作为训练样本,学习率0. 05,训练步100,训练目标误0. 001。采用Levenberg-Marquardt算法对BP神经网络进行训练。训练程序如图10所示。部分训练数据见表1。

3. 2. 3 神经网络诊断

把时域特征或小波包相对能量作为神经网络的输入向量,调用已训练好的神经网络进行故障诊断,诊断程序如图11所示。

在故障诊断系统的前面板上正常为红灯显示,断齿为绿灯显示,磨损为黄灯显示,以及弹出对话框提示齿轮故障原因,如图12所示。经测试本系统正确率为97% ,错误率为3% 左右。

4 结束语

利用Lab VIEW语言研发的齿轮智能故障诊断系统,通过Hilber共振解调或小波包共振解调分析识别是大齿轮故障还是小齿轮故障,但无法确定具体故障类型; 然后可通过神经网络进行故障类型诊断。BP神经网络的输入向量可采用时域特征参量或小波包相对能量,输出向量采用故障类型。实验表明: 通过解调诊断和神经网络诊断,该系统能有效识别齿轮故障。

参考文献

[1]马亮.小波包络分析在滚动轴承和齿轮故障诊断中的应用[D].沈阳:东北大学,2007:4~5.

[2]谢三毛.基于虚拟技术的齿轮故障智能诊断研究[J].化工自动化及仪表,2013,40(6):762~765.

[3]孟祥海,王金全,刘渊,等.基于Lab VIEW的柴油机故障诊断虚拟仪器开发[J].仪表技术与传感器,2011,(11):40~47.

[4]巩晓斌,韩捷,陈宏矢.Hilbert解调及其在齿轮故障诊断中的应用[J].机械强度,2010,32(6):1008~1011.