文摘
振动信号分析是一种非常有效和可靠的方法检测装置故障。因为齿轮的振动信号获得了在变速状态通常包含更有用的故障信息,分析齿轮振动信号在变速条件一直是一个热门研究课题。本文基于多尺度方法chirplet路径追求(MSCPP)和线性正则变换(LCT)已经应用于变速齿轮故障的诊断条件。首先,通过使用MSCPP方法估计瞬时啮合频率,适当的信号段近似加速或减速的过程可以选择。然后,因为临床上是一种新型的、高效的非平稳信号分析工具,最优LCT者选择信号的频谱来诊断齿轮故障基于LCT的属性。此外,提供模拟和实验评估验证了该方法的有效性。
1。介绍
齿轮是一个重要的设备,在工业中广泛应用。然而,由于磨损和其他原因,齿轮可能有各种各样的缺点,如点蚀、凿,严重的裂缝(1- - - - - -5]。齿轮引起局部故障时,齿轮的振动信号的振幅和相位调制(2,3,6,7]。所以从齿轮获得振动信号可以反映齿轮的状态很好。振动信号分析也一直非常有效和可靠的方法检测装置故障(8- - - - - -11]。同时,一方面,齿轮振动信号经变速条件,也就是说,加速或减速的过程,往往会含有更多的故障信息相对于静止的过程,可以早期发现齿轮故障。另一方面,齿轮振动信号从加速或减速过程获得的非平稳信号,具有低信噪比(信噪比)在实践中11- - - - - -14),这使得它很难获得齿轮振动信号的故障特征。因此,齿轮故障的诊断分析齿轮振动信号从变速条件获得最近的一个研究热点。
大量的故障诊断方法已用于诊断齿轮故障变速条件,例如,传统的时间频率分析方法,自适应信号处理方法和数据驱动方法(4- - - - - -12,15- - - - - -25]。传统的时间频率分析方法,如短时傅里叶变换(14)、能量(10,12),小波变换(2),将导致频谱混叠,交叉项干扰,低分辨率,因为振动信号从故障齿轮在实践中获得的非平稳低信噪比(4]。自适应信号处理方法,例如,经验模态分解(5)和地方平均分解(17),将导致在信封,最终效果,分别和扭曲的组件。此外,数据驱动的方法,比如Elman神经网络(24)和支持向量机(22),需要大量的数据进行训练和分类。要解决这些问题,介绍了一些其他的数据驱动的方法,如自组织映射(SOM)方法(26- - - - - -28]。在[26),自组织特征映射神经网络已经被用于风力发电机的故障诊断的转换器。在[27),SOM和最小量化误差(MQE)方法被选择来实现退化评估和故障定位。在[28),一个聪明的方法基于SOM的健康预测方法提出了机器组件。虽然SOM方法不需要大量的数据,它仍然需要一些先验知识。因此,齿轮故障的诊断在加速和减速过程中仍然是一个开放的研究领域和新信号的非平稳振动信号分析工具是必要的。
线性正则变换(LCT)是一个泛化的傅里叶变换(FT)和分数傅里叶变换(FRFT),这四个参数的线性积分变换(29日,30.]。它执行一个仿射映射的时间频率分布的信号,因为它有额外的自由度(31日,32]。LCT是更灵活,适合处理非平稳的信号,特别是在线性调频(lem)信号33- - - - - -37]。同时,齿轮振动信号从变速条件可以获得近似线性调频脉冲信号的多组分在很短的时间内。从上面的分析中,由于振动信号实现变速条件下不稳定,LCT的非平稳信号处理的优点,因此值得探索使用LCT齿轮故障的诊断。
然而,在变速条件下,齿轮振动信号包含许多不同的组件,不近似线性调频信号。振动信号获得的加速或减速齿轮的过程往往是短时间内变速齿轮振动信号的条件。为了LCT方法适用于变速齿轮故障的诊断条件,加速或减速过程的振动信号获得应该选择。在实践中,很难只获得齿轮振动信号直接加速或减速过程中。然而,轴转动频率(SRF)是时变的加速或减速的过程,它可以被视为一个指标选择加速或减速的过程(1]。因此,我们可以获得的加速或减速时间估计瞬时频率(IF)变速齿轮振动信号的条件。此外,线性调频脉冲信号的最优LCT参数也由梯度的如果30.]。由于这些原因,我们需要估计如果变速齿轮振动信号的条件。
摘要多尺度chirplet路径追求(MSCPP)已经被用于估计如果的齿轮振动信号,这是一个广泛使用的和有效的方法,如果估计(38]。MSCPP方法分析信号的时间长度分为一系列的二进制形式的动态时间支持地区,发现原子与每个动态支持地区最大的相关性定义chirplet原子库,和所选chirplet原子连接一个接一个用最好的连接的原则(38,39]。因此,它能自适应地找到瞬时频率的趋势线最大的相关信号(39]。与其它瞬时频率的方法相比,MSCPP方法可以选择短chirplet原子灵活、可以有效地抑制噪声干扰。此外,MSCPP方法没有任何先验知识。所以振动信号的瞬时频率从变速条件可以获得MSCPP估计的方法。在此基础上,从获得的振动信号在很短的时间内加速或减速过程可以挑出。
摘要MSCPP方法和临床上应用于分析的齿轮故障振动信号诊断首次变速条件。首先,通过使用MSCPP,如果从变速条件下获得的振动信号可以被估计。然后,基于振动信号的如果,我们可以选择合适的信号段,可视为加速或减速的过程。此外,根据所选信号的瞬时频率的梯度段,最优LCT参数可以获得基于LCT的属性(30.]。最后,提出了最优LCT选择信号的频谱,可以用来诊断齿轮故障。给出了该方法的框图如图1生动。
本文的其余部分组织如下。节2的预赛MSCPP LCT介绍。节3MSCPP和临床上的应用,模拟振动信号,表明该方法是有效的。实验评估提供了部分4。部分5本文总结道。
2。预赛
2.1。追求的多尺度Chirplet路径的方法
MSCPP方法被首次引入[38];在这种方法中,如果chirplet原子的如果是线性的,它们可用于自适应分段近似的非平稳信号。例如,在以下的非平稳信号。 在哪里 , , ,和代表振幅,初始阶段,噪音,连续和可诱导的信号的瞬时相位,分别。在这个算法中,从chirplet获得chirplet原子字典,可以写成一组函数,如下所示(38]。 在哪里斜率系数和吗是补偿系数。根据(2),我们可以很容易的如果chirplet是线性的和等于 。根据采样定理,我们知道 应小于一半的采样率 。 是二元时间跨度,二进制刻度,可以被定义为 。在这个方程, 。和是总采样时间和样本的数量,分别。比例系数和吗 , 。是一个长方形的窗口函数,也就是1什么时候 和0时 。归一化因子使吗 。
在每一个时间间隔,通过计算最大投影系数 ,在哪里= (代表内部产品),包括信号的幅值和初始相位信息组件的时间间隔 ,chirplet原子信号的相关性最高可以从chirplet获得字典。假设表达的信号分量吗的时间间隔 ,然后可以写在下面38]:
2.2。线性正则变换
LCT的信号与参数 ,表示为 ,被定义为(29日] 在哪里 是实数满足 。另外,内核 是由 和 。根据(4),它可以很容易地获得,临床上有三个自由度,LCT参数一定时,内核 LCT的线性调频信号;因此,LCT与合适的线性调频信号参数可以是一个狄拉克函数(31日]。因此,临床上更为灵活,适合处理非平稳的信号,尤其是线性调频脉冲信号的。
3所示。该方法的模拟振动信号
齿轮部分故障原因时,齿轮的振动信号的振幅和相位调制,与齿轮的转动频率周期1]。振动信号达到从一对啮合齿轮齿故障可以表示为(1] 在哪里振幅调制函数和吗代表的齿啮合谐波量。和指示th啮合谐波的振幅和相位,分别1]。啮合频率,表达了齿轮齿的数量,代表了SRF [1]。是显然的齿啮合谐波量。和的振幅和阶段吗显然的振幅调制信号th啮合谐波,分别2,4]。
了SRF在(6)是时变和振动信号可以近似为线性调频信号瞬时转速时升序和降序的加速和减速,分别。为了验证该算法为振动信号是有效的;接下来,一个信号是模拟振动信号获得加速度过程如下(基于6): 在哪里代表了在模拟振动信号公司、选为 当 和等于33 。采样频率为2000赫兹和采样点的数目设置为4096。的时间间隔设置为0到2。此外,由于振动信号实现变速齿轮的条件通常是较低的信噪比,选为高斯白噪声,信噪比是−4 dB。基于上述,图2描述了信号所示(7)没有噪音被描述。模拟振动信号的基础上(7呈现在图3。图4展示了英国《金融时报》模拟振动信号的频谱。根据图3,因为信号含有噪声,直接不能获得任何有用的信息。类似地,由于模拟振动信号的非平稳,噪音,这导致英国《金融时报》频谱图4频谱混叠和模糊。
现在,获得模拟齿轮振动信号的故障特征,诊断齿轮故障,MSCPP和临床上应用。根据上面的分析,我们首先使用MSCPP方法来估计模拟齿轮振动信号的瞬时频率。由于采样频率为2000赫兹,我们的搜索范围和搜索步长100到100赫兹频率斜率是−/ s和1 Hz / s,分别。的搜索范围和搜索步长偏移系数是0到100赫兹和1赫兹,另行规定。二元的点时间跨度是32。因此,我们可以获得 ,等于7。在此基础上,通过应用MSCPP算法,如果获得模拟齿轮振动信号的数字5。在图5,蓝线和红线代表实际的估计模拟齿轮振动信号的瞬时频率,分别。红线是恰逢蓝线在图5,这表明MSCPP算法可以用来估计如果模拟齿轮振动信号的效率。基于图6,我们可以知道,时间间隔可以选择从1到1.5年代的方法加速过程的齿轮在一个短的时间。接下来,基于信号的梯度段从1到1.5年代和临床上的属性30.),最优LCT谱参数所选的信号段获得图6。结果表明,图6有三个高峰,是吗 , ,和 ,分别。最高峰是 。LCT频率每个两个相邻峰的距离是66赫兹。显示的频率几乎是十倍的与临床上相关。这意味着峰值 , ,和9、10和11次与临床上相关公司、分开。从结果,我们可以知道它非常符合的分析(7)。
此外,由于获得的结果在图6表明,任何两个相邻峰的范围是相等的,因此在图给出的信号3可以被认为是齿轮故障振动信号的基础上,描述在1,4]。因此,该方法是一种有效的方法来诊断齿轮故障根据这个模拟。
4所示。实验评价
节3MSCPP和LCT的有效性,验证了齿轮故障诊断的信号(7)。为了进一步验证该算法的正确性,在本部分中,齿轮故障实验设置呈现在图7已经被使用。在这个装置实验设备,输出齿轮有75牙齿和输入小齿轮有55个牙齿。信号的采样频率和采样时间从这个实验设备是4000赫兹和2 s,分别。
首先,从正常的齿轮振动信号实现变速条件呈现在图8。图中给出的信号8不稳定,因为较低的齿轮信号信噪比得到变速条件。在这个帐户,图9描述了英国《金融时报》的信号如图8频谱混叠,它不能用于诊断齿轮故障。接下来,通过我们提出的方法,我们使用了MSCPP方法估计齿轮振动信号的瞬时频率。MSCPP方法,寻求频率偏移系数和斜率系数的范围(0,2000 Hz)和(100−100 Hz / s),分别。这些选择的搜索决议1 Hz / s和1赫兹,另行规定。样品是4096。基于这些,我们可以获得的最大尺度7。因此,如果得到齿轮振动信号的数字10。从图10,很容易知道,时间间隔可以选择从1到1.4年代的方法加速过程的齿轮在一个短的时间。随后,利用的优点LCT的属性选择信号段,最优LCT谱参数 所选的信号段如图11。我们可以很容易知道图11只有一个峰值。也就是说,图中给出的信号8没有爹。因此,齿轮可以被看作是一个正常的装备。
然后,图12显示了一个齿轮振动信号,达到从破碎齿的齿轮变速条件。英国《金融时报》的信号呈现在图12呈现在图13,这表明它也有频谱混叠,不能用于诊断齿轮故障。现在,通过应用该方法,搜索范围的频率偏移系数和斜率系数也设置为(0,2000 Hz)和(100−100 Hz / s)。搜索这些决议也选为1 Hz / s和1赫兹,另行规定。样品是4096。在此基础上,齿轮振动信号的瞬时频率估计可以获得图14基于MSCPP方法。从图14,时间间隔可以选择从1到1.5年代的方法加速过程的齿轮在一个短的时间。随后,根据上面的分析,最优LCT谱参数 所选的齿轮振动信号段可以获得在图15。我们可以知道图15有三个高峰, , ,和 。自是最高的和有55个牙齿的小齿轮,因此相关的输入SRF LCT可以表示为636 Hz / 55 = 11.56赫兹(4),等于频率距离的一半。也就是说,SRF啮合频率是双重的。基于上述分析,齿轮应考虑故障发生。
此外,为了进一步验证算法的正确性,人物16会出现另一个齿轮振动信号,达到故障齿轮的变速条件不同。英国《金融时报》的信号呈现在图16呈现在图17,这也表明,它不能用于诊断齿轮故障。现在,通过应用该方法,类似于上面的情况下,规模最大也是7。然后,估计如果取得齿轮振动信号的数字18基于MSCPP方法。从图18,时间间隔可以选择从1到1.4年代接近齿轮的减速过程在很短的时间内。然后,最优LCT谱参数所选的齿轮振动信号段可以获得在图19。结果表明,图15也有三个高峰 , ,和 。自是最高的和有55个牙齿的小齿轮,因此相关的输入SRF LCT可以表示为613 Hz / 55 = 11.14赫兹。也就是说,啮合频率的有两个在临床上域。因此,也可以说,齿轮故障发生。
根据正常的情况下,两条断层情况下,结果表明,该方法提出了可以在变速齿轮故障诊断条件。MSCPP, LCT方法只可以证明齿轮故障发生,和我们的研究方向将诊断类型和齿轮故障的严重程度。
5。结论
本文基于MSCPP和LCT的方法已经应用于变速齿轮故障的诊断条件。首先,MSCPP和LCT的预赛。然后,该方法模拟齿轮振动信号的显示。最后,为了进一步验证算法的正确性,实际齿轮振动信号的诊断也提出了。表明,该方法能有效地诊断齿轮故障。在未来,早期的诊断齿轮故障,断断续续的齿轮故障,和多个齿轮故障也将是我们未来的研究方向。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(61374135,61374135,61374135,51637004),国家重点研究和发展计划:重大科学仪器设备开发(2016 yff0102200)和中央军事设备开发部预研项目(41402040301)。