CN102759448B - 基于柔性时域平均的齿轮箱故障检测方法 - Google Patents

Abstract

基于柔性时域平均的齿轮箱故障检测方法，先将加速度传感器吸附在被检测齿轮箱的轴承端盖位置，通过数据采集设备对齿轮箱的振动信号进行采集，求得振动信号的频域离散采样值；计算时域平均的连续时间表达式，转换为三角函数展开形式，通过对ak进行加权处理，实现对时域平均的滤波、消噪和阶次信息提取，进行离散采样，得到离散时域平均序列，最后通过观察由步骤六得到的序列中出现的周期性冲击，判断齿轮箱故障的类型及严重程度，本发明对截断误差进行了有效抑制，在达到消噪效果的同时，提高了信号的分辨率，提高齿轮箱的检测效率。

Description

基于柔性时域平均的齿轮箱故障检测方法

技术领域

本发明属于齿轮箱的故障诊断技术领域，特别涉及基于柔性时域平均的齿轮箱故障检测方法。

背景技术

基于时域平均的齿轮箱检测方法是从噪声干扰的信号中提取周期冲击信号成分的一种有效手段。该方法可以从复杂的机械振动信号中，单独提取某回转部件的振动信息，因此，该方法被广泛应用于齿轮箱的故障诊断。

然而，传统基于时域平均的齿轮箱检测方法存在以下两种缺陷：

1)在齿轮箱的故障检测中，振动信号的采样频率必须是被检测齿轮回转频率的整数倍，否则将导致信号的截断误差，影响齿轮故障的检测准确率。然而，该条件在实际测试中难以满足。

2)传统时域平均故障检测方法的数学模型可以用梳状滤波器模型表征，其时域输出波形是周期信号的基频和所有阶次谐波分量的综合贡献。因此在应用中，传统时域平均故障检测方法既无法根据实际需求单独提取某些阶次对时域波形的贡献，也无法实现信号消噪、插值、滤波等功能，而上述功能恰恰是齿轮故障检测中所迫切需求的。

这两方面问题很大程度上限制了已有方法在机械故障诊断等领域的应用。

从目前国内外研究现状来看，尚无关于时域平均方法的相关专利发布。虽然有文献对传统时域平均方法的第一种缺陷进行改进，但从本质上来讲，都是基于多项式插值的相位补偿方法，为了达到较高的补偿精度，往往需要高阶插值，其计算量大，难以进行实时处理。另外，目前没有文献均未对传统时域平均检测方法的第二种缺陷进行改进。

发明内容

为了克服上述现有的缺点，本发明的目的在于提供基于柔性时域平均的齿轮箱故障检测方法，对截断误差进行了有效抑制，在达到消噪效果的同时，提高了信号的分辨率，提高齿轮箱的检测效率。

为了达到上述目的，本发明采取的技术方案为：

基于柔性时域平均的齿轮箱故障检测方法，包括以下步骤：

步骤一，将加速度传感器吸附在被检测齿轮箱的轴承端盖位置，通过数据采集设备对齿轮箱的振动信号进行采集，将振动信号记为x[n]；

步骤二，采用公式(1)所示的chirp Z变换，求得振动信号的频域离散采样值；

$b_k=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·z_k^{-n}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-\mathrm{j\Δ\ωkn}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-j2\mathrm{\πkn\Δt}/T_0}---\left(1\right)$

其中：x[n]---振动信号；

b_k---振动信号的频域离散采样值；

Δω---归一化频域采样间隔；

N---振动信号的数据长度；

T₀---信号的周期；

Δt---信号的采样时间间隔；

步骤三，将公式(1)计算得到的b_k带入公式(2)，得到时域平均的连续时间表达式；

$\tilde{x}\left(t\right)=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}\frac{b_k\·\mathrm{\Δt}}{{\mathrm{NT}}_0}{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}{c}_k{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}---\left(2\right)$

其中：---时域平均的连续时间表达式；

c_k---的复指数傅里叶展开系数；

ω₀---周期信号的角频率，ω₀＝2π/T₀；

L---求和上限；

步骤四，将公式(2)转换为三角函数展开形式，如公式(3)所示；

其中：a₀---信号的直流分量，a₀＝c₀；

a_k---k次谐波的幅值，a_k＝2|c_k|；

---k次谐波的相位，

步骤五，通过对a_k进行加权处理，实现对时域平均的滤波、消噪和阶次信息提取，其具体实施方法为：通过选取噪声阈值，并将小于阈值的a_k置零，实现时域平均的消噪功能；通过保留指定阶次的a_k，而将其他a_k置零，实现时域平均的阶次提取功能；通过保留特定阶次范围内的a_k，实现时域平均的滤波功能；

步骤六，对加权处理后的公式(3)进行离散采样，得到离散时域平均序列；

步骤七，通过观察由步骤六得到的序列中出现的周期性冲击，判断齿轮箱故障的类型及严重程度，从而完成齿轮箱故障检测。

本发明相比于现有技术，具有以下有益效果：

a)本发明相比于传统方法能够有效克服截断误差计算精度的影响，为微弱故障的识别提供保障。

b)相对于传统方法，本方法可进一步实现时域平均的插值、滤波、消噪、阶次提取等功能，为故障类型的精确判断提供依据。

c)本方法的实现算法是基于快速傅里叶变换的，具有较高的计算效率，因此可以实现齿轮箱设备的在线分析和诊断。

附图说明

图1为实施例实验台结构示意图。

图2为实施例齿面剥落故障的原始振动信号。

图3为实施例的输出波形。

图4为实施例采用传统时域平均方法输出波形。

具体实施方式

下面结合附图和实施例对本发明做详细描述。

以齿轮箱实验台的齿面剥落故障诊断为例，该齿轮箱实验台由驱动电机1、第一齿轮2、第二齿轮3、第三齿轮4、第四齿轮5、制动器6部件组成，如图1所示，驱动电机1的输出轴和第一齿轮2连接，第一齿轮2和第二齿轮3啮合，第二齿轮3和第三齿轮4安装在同一传动轴上，第三齿轮4和第四齿轮5啮合，第四齿轮5的传动轴和制动器6连接，第一齿轮2、第二齿轮3、第三齿轮4、第四齿轮5的齿数依次为32、80、48、64。第一齿轮2为故障齿，其中一个齿面出现剥落，是本次测试中需要检测的故障。在测试中振动加速度传感器A吸附于靠近第一齿轮2的轴承端盖位置，如图1中所示，振动信号的采样频率为4000Hz，驱动电机1的转速为10Hz。根据传动比关系，第一级和第二级啮合频率分别为320Hz和192Hz。

齿轮箱实验台的原始振动信号如图2所示，从信号的波形中，难以发现故障所引起的冲击特征。

为了识别故障特征，采用本发明对齿面剥落进行检测。

基于柔性时域平均的齿轮箱故障检测方法，包括以下步骤：

步骤一，将加速度传感器A吸附在靠近第一齿轮2的轴承端盖位置，通过数据采集设备对齿轮箱的振动信号进行采集，将振动信号记为x[n]，其原始振动信号如图2所示；

步骤二，将测得的齿轮箱振动信号x[n]代入公式(1)所示的chirpZ变换，振动信号的频域离散采样值；

$b_k=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·z_k^{-n}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-\mathrm{j\Δ\ωkn}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-j2\mathrm{\πkn\Δt}/T_0}---\left(1\right)$

其中：x[n]---振动信号；

b_k---振动信号的频域离散采样值；

Δω---归一化频域采样间隔；

N---振动信号的数据长度；

T₀---信号的周期；

Δt---信号的采样时间间隔；

步骤三，将公式(1)计算得到的b_k带入公式(2)，得到时域平均的连续时间表达式；

$\tilde{x}\left(t\right)=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}\frac{b_k\·\mathrm{\Δt}}{{\mathrm{NT}}_0}{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}{c}_k{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}---\left(2\right)$

其中：---时域平均的连续时间表达式；

c_k---的复指数傅里叶展开系数；

ω₀---周期信号的角频率，ω₀＝2π/T₀；

L---求和上限；

步骤四，将公式(2)转换为三角函数展开形式，如公式(3)所示；

其中：a₀---信号的直流分量，a₀＝c₀；

a_k---k次谐波的幅值，a_k＝2|c_k|；

---k次谐波的相位，

步骤五，通过对a_k进行加权处理，实现对时域平均的滤波、消噪和阶次信息提取，在本次检测中，为了精确提取信号中的周期冲击特征，保留时域平均结果的16-48阶次，即仅对a_k,k＝16-48进行保留，而对其它a_k进行置零；

步骤六，对加权处理后的公式(3)进行离散采样，得到离散时域平均序列，如图3所示；

步骤七，通过观察由步骤六得到的序列中出现的周期性冲击，判断齿轮箱故障的类型及严重程度，在本测试中，通过对图3的观察可以发现，输出序列中出现明显的冲击现象，并且故障时间间隔为0.1秒，与第一齿轮2的回转周期一致，从而判断第一齿轮2存在故障。

为了进一步说明本发明的有效性，图4给出了采用传统时域平均齿轮箱故障检测方法得到的输出序列，从图4可以看出，由于截断误差存在，传统方法难以给出齿面剥落造成的冲击特征，从而无法对第一齿轮2存在的故障进行有效识别和判断。

Claims (1)

1.基于柔性时域平均的齿轮箱故障检测方法，其特征在于，包括以下步骤：

步骤一，将加速度传感器吸附在被检测齿轮箱的轴承端盖位置，通过数据采集设备对齿轮箱的振动信号进行采集，将振动信号记为x[n]；

步骤二，采用公式(1)所示的chirp Z变换，求得振动信号的频域离散采样值；

$b_k=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·z_k^{-n}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-\mathrm{j\Δ\ωkn}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left[n\right]\·e^{-j2\mathrm{\πkn\Δt}/T_0}---\left(1\right)$

其中：x[n]---振动信号；

b_k---振动信号的频域离散采样值；

Δω---归一化频域采样间隔；

N---振动信号的数据长度；

T₀---信号的周期；

Δt---信号的采样时间间隔；

步骤三，将公式(1)计算得到的b_k带入公式(2)，得到时域平均的连续时间表达式；

$\tilde{x}\left(t\right)=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}\frac{b_k\·\mathrm{\Δt}}{{\mathrm{NT}}_0}{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}=\underset{k=-L}{\overset{L}{\mathrm{\Σ}}}{c}_k{e}^{\mathrm{jk}{\mathrm{\ω}}_{0}t}---\left(2\right)$

其中：---时域平均的连续时间表达式；

c_k---的复指数傅里叶展开系数；

ω₀---周期信号的角频率，ω₀＝2π/T₀；

L---求和上限；

步骤四，将公式(2)转换为三角函数展开形式，如公式(3)所示；

其中：a₀---信号的直流分量，a₀＝c₀；

a_k---k次谐波的幅值，a_k＝2|c_k|；

---k次谐波的相位，

步骤五，通过对a_k进行加权处理，实现对时域平均的滤波、消噪和阶次信息提取，其具体实施方法为：通过选取噪声阈值，并将小于阈值的a_k置零，实现时域平均的消噪功能；通过保留指定阶次的a_k，而将其他a_k置零，实现时域平均的阶次提取功能；通过保留特定阶次范围内的a_k，实现时域平均的滤波功能；

步骤六，对加权处理后的公式(3)进行离散采样，得到离散时域平均序列；

步骤七，通过观察由步骤六得到的序列中出现的周期性冲击，判断齿轮箱故障的类型及严重程度，从而完成齿轮箱故障检测。