文摘
对多级变速箱的齿轮故障诊断振动分析是一项具有挑战性的任务由于振动信号的复杂性。齿轮故障的定位发生在位于中间轴轮可以特别复杂的叠加振动同步轮的签名。事实上,齿轮故障检测通常局限于舞台的识别包含错误的装备而不是错误的齿轮本身。在这种背景下,提出一个方法,结合经验模态分解和时间同步平均为了独立的振动信号同步齿轮安装在相同的轴。物理意义的模式选择的标准基于皮尔森系数并进行故障检测的专用条件指标。验证了该方法考虑模拟振动信号和真实的。
1。介绍
多级变速箱使用在一个广泛的机械系统和代表整个机器的正确运作中的重要组件。因为他们经常受到错误由于制造误差或沉重的工作条件,齿轮故障识别至关重要,以减少维护成本以及限制机器宕机。在这种情况下,故障位置的确切知识通过无损技术简化了维护过程避免繁重的视觉检查。
Vibration-based诊断是一种有效的方法对齿轮故障诊断(1]。在过去的几十年里,许多研究都集中在开发和测试信号处理技术的本地化的齿轮故障的识别。故障识别的成功很大程度上取决于使用信号处理技术,系统类型进行调查,以及工作条件。事实上,艺术的状态的识别齿轮局部故障覆盖范围广泛的不同的方法如以下:周期平稳理论(2- - - - - -4),利用隐藏的时间体现在振动信号;Kurtogram [5]的选择与最大关联的频带谱峰态;像连续小波变换时频信号表示6];盲反褶积算法(7,8),估计励磁电源由于断层的存在从嘈杂的观察;基于时间同步平均[条件指标9]。
不幸的是,上述方法允许识别旋转的轴同步齿轮而不是错误的齿轮本身存在缺陷的。因此,准确识别故障的齿轮并不是一件容易的事情,如果两个或两个以上齿轮安装在同一轴在多级变速箱(这是很常见的)。正如作者都知道,没有工作在专业文献中可以找到处理这样一个棘手的问题。因此,这种缺乏鼓励,目前的研究集中在调查这个问题在工业和学术兴趣。
在这部作品中,信号分离是基于EMD(经验模态分解),代表了一种有趣的方法在时频信号处理技术领域。介绍了EMD首次黄et al。10),这是一个自适应时频分析技术。EMD分解原始信号为一组振荡模式(也称为固有模式函数)的基础上的本地时间尺度信号而不是预定的内核,如连续小波变换的情况。EMD的分析是有效信号,表现出的非平稳和非线性行为。因为EMD完全数据驱动和适应的非平稳信号的分析,特别适用于本文的目标。许多努力了为了提高EMD算法的有效性,限制其固有缺陷(11,12]。EEMD(集成经验模态分解)(13),CEEMD(互补的集成经验模态分解)14),和CEEMDAN(完整的集成经验模态分解与自适应噪声)(15)是最受欢迎的改进EMD方法提出了在文献中。
EMD已成功地应用于许多不同的研究领域(语音识别、化学、生物学、医学等),但只有在过去十年里一直EMD也利用齿轮故障的识别,为齿轮裂纹(16,17),破碎的牙齿18),或穿19]。在这种背景下,林和陈20.]利用多个故障信息的提取的EEMD从齿轮箱振动信号测量,风力发电机行星变速箱的诊断方法提出了基于EEMD冯et al。21)和CEEMD结合排列熵已被用于识别和齿轮故障的严重性认识赵et al。22]。另一方面,没有什么研究可以在文献中找到了齿轮故障诊断通过CEEMDAN,即使其有效性已被证明在其他应用程序中为轴承故障识别(23,24]。一个完整的文献综述对旋转电机使用EMD的诊断可以在找到25]。
工作在此基础上,提出了旨在开发一个EMD-based方法识别的多级变速箱故障轮,同步轮安装在中间的轴。具体来说,这种方法允许精确的故障检测装置,而不是错误的阶段。事实上,错误的齿轮检测时的一个限制传统的信号处理技术故障发生在一个中间阶段。如前所述,本研究试图填补这一缺口专业文学面临这个挑战的情况下,在许多工业应用也被特别关注的。在这方面,一直小心的验证算法,以及减少的用户交互。为此,选择标准的振荡模式估计EMD-based算法先进,为了独立的振动信号的时间同步平均分成两个代表性研究车轮的振动信号。考虑到不同的EMD算法(EMD, EEMD CEEMDAN)为了验证信号分离的影响。局部断层识别量化通过专门的统计指标,反映了齿轮的状态。考虑到模拟信号验证了方法和真实的振动信号。
本文结构如下:部分2概述了理论背景;部分3介绍了问题陈述的描述方法;节中已经测试使用模拟信号的方法4;部分5重点是验证通过真正的振动信号;最终的评论部分6。
2。理论背景
在本节中,主要的信号处理工具所需的理解提出的方法作了简明介绍。只有基本概念描述避免不必要的理论解释。
2.1。时间同步平均
齿轮箱的振动信号获得可以视为大范围周期平稳信号(26]。一阶周期平稳的部分是最重要的齿轮故障识别和时间同步平均(TSA)是一种常见的估计量的这样一个周期平稳数量(3,27]。一般来说,TSA可视为振动信号的统计平均值与一定的同步旋转组件在旋转 。通常,TSA通常表现为角域而不是时间域。事实上,进行比较机械系统遵循的周期性系统的运动学,锁定在角变量。因此,许多机械系统表现出比较对旋转而不是时间。
让是振动信号同步旋转一定的旋转机械组件作为参考。考虑一个周期性的 和一个整数革命的长度是 。因此,平均时间同步, ,的可以被定义为 变量的变化从时间角度意味着相应频率变量将会改变。新频率变量称为“秩序”,它被定义为周期和机器速度之间的比率。考虑一个合适的数量的平均值,TSA的主要结果是强衰减的非周期的组件引用和改善信噪比(信噪比)。此外,角度域TSA可以强烈降低速度变化的影响,面具的影响由于可能的错误。因此,这个信号与噪声信号处理技术是特别有效,体现许多组件在不同时期,多级变速箱。
2.2。经验模式分解
EMD信号自适应分解技术,将信号在多个振荡组件称为国际货币基金组织(固有模式函数)或模式。每个IMF必须满足两个属性:(i)零交点点和极值必须相等或相差一个;(2)在任何时候包络的平均值评价局部极大值和局部最小值必须是零(10]。由于这些属性,EMD提取的最后一个组件是一个单调的信号,称为残留。顾名思义,还有缺乏关于EMD的一般理论。这个缺陷已经被一些作者研究[28,29日在试图制定一个方法的理论基础,但它仍然是一个悬而未决的问题。
为了简便起见,EMD算法的基本步骤中所描述的人物1,但更全面的解释中可以找到关于这个算法(10]。信封过程和筛选过程在图算法的要点1。筛选过程是一个递归程序,确保估计模式可以满足国际货币基金组织的特征属性;信封的过程,相反,是信封的最大值和最小值的评价的信号。
EMD的主要缺点是混合模式和最终效果。混合模式问题的组合信号与广泛的不同尺度,而最终的效果是肢体的信号失真信号本身。这些缺点可以破坏估计货币基金的物理意义。为了提高EMD的结果,一些改进版本的EMD算法已经发展在过去的20年里(13- - - - - -15]。
2.3。集成经验模态分解
EEMD(集成经验模态分解)(30.)是一个改进版本的EMD算法总结在图2。与EMD,估计首先受到严重的混合模式,EEMD计算所谓的真正的模式或代表一个更可靠的信号分解。
离开原始信号 ,一套新的信号(表示数量的试验或实现)是由添加不同的零均值白噪声有限的方差 。然后,每个信号进行EMD获得模式组成的集每个模式。最后,真正的国际货币基金组织(IMF)将由一个数字真正的模式评估通过系综平均每个国际货币基金组织(IMF)设置之前获得。
不同于EMD, EEMD取决于两个任意参数:试验的数量,增加了白噪声的方差。这些参数之间的关系如下: 在哪里试验的数量,添加噪声的方差,误差标准偏差定义为原始信号之间的差异和相应的货币。这些参数的正确选择是必要的为了获得微不足道的错误。一般(10,31日),数以百计的平均值和 通常是足够的为了获得令人满意的结果。然而,的选择取决于应用程序自高的值适用于数据由低频信号,反之亦然(10]。
2.4。完整的整体经验模态分解与自适应噪声
完整的整体经验模态分解与自适应噪声(CEEMDAN)代表进一步对EEMD,首次提出了托雷斯et al。15]。如图2EEMD计算真正的模式平均一定数量的嘈杂的国际货币基金组织评估彼此独立的,每个集决定之前考虑到相应的残渣模式 。
相反,CEEMDAN算法(图3)不估计真正的模式在单个步骤EEMD但这样真正的模式计算顺序。具体来说,对于每个真正的评估模式,CEEMDAN算法考虑残留的贡献评价从之前的真实模式。因此,CEEMDAN担保之间的对应关系的原始信号和一组分解信号,由EEMD(不保证32]: 指图3,在每一次迭代,th真实模式估计从以前残留的计算 由白噪声模式摄动。否则,在该算法添加白噪声的估计国际货币基金组织(IMF)实际上是th模式获得执行EMD白噪声。更详尽的解释[CEEMDAN算法可以找到的32,33]。该方法的主要优点是信号的精确重构,改变的可能性在每个阶段的噪声水平。
2.5。齿轮故障条件鉴定指标
齿轮故障的存在会导致变速箱上的振动信号测量的变化。大量的研究在文献中可以找到关于发展的量化参数振动签名修改(4,9]。这些参数通常被称为条件指标(CIs)。
在这项研究中,以下标准独联体被认为是:峰度,波峰因素(CF)和FM0。峰度是标准化的一个概率分布的时刻,CF峰值之间的比例和RMS(均方根)值和FM0峰之间的比例值和谐波齿轮啮合的总和。这些参数是特别有效的识别局部振动信号的变化,如局部齿轮故障的情况。
此外,提出了两个新的独联体基于振动信号的均方根值计算为每个牙:波峰间距系数(CPF)和归一化方差偏态产品(NSVP)。换句话说,角度域振动信号称为一个革命(即)分为许多部分等于牙齿的数量;然后,RMS值估计为每个部分。让的均方根值th牙齿,定义如下: 在哪里是角,是牙齿的数目,是均方根运算符。整个组是 对于一个齿轮局部故障,当地的平均偏差值预计。第一个词,叫做论坛,被定义为的最大价值的比率关于系综平均值: 在哪里是系综均值算子。现在,让我们考虑相邻之间的差异价值观: 直观地说,值应该接近于零以来健康齿轮连续两个均方根距值之间的变化是轻微的。另一方面,展品非零值出现振动的本地更改签名时,由于健康的啮合齿的振动特征是不同于一个错误。基于这些考虑,第二个提议CI,称为NSVP,被定义为产品的偏斜度和方差之间规范化的峰的价值 : 在哪里方差算子,是偏态操作符,是峰间值的值。
3所示。问题陈述,该方法
理论上,齿轮箱的振动信号谐波的成分出现在稳态操作条件的基本频率啮合频率。本地化齿轮故障可以出现在振动信号为脉冲组件和当地的振幅或相位调制(34]。这些本地组件是可见的在频谱边带集中在啮合频率。纯冲动组件依赖于时间的发生(轴段)和系统的脉冲响应函数,因此它取决于相关参数不是严格齿轮第二或第三齿轮。当地的振幅和相位调制的齿轮啮合频率的函数问题。因此,考虑两个齿轮不同(而不是多个)牙齿数目,分析当地的调制周期由于局部缺陷应该导致识别错误的齿轮。事实上,调制取决于齿轮啮合频率不同的齿轮。
当执行TSA根据一定的轴段,可以分开的音调与感兴趣的轴同步。然而,TSA不能单独的这些属于两个或两个以上的谐波齿轮啮合齿轮的旋转在同一轴(这是一个非常常见的情况在多级变速箱)。因此,为了识别错误的齿轮,这项工作的基本思想是利用局部变化的啮合振动振幅和相位调制,而不是冲动的组件。信号分离方法基于EMD算法描述以后为了克服这一问题,这在实际应用中是相当常见的重要含义有关减少维护成本和时间。
让我们考虑两级齿轮箱如图4由四个直齿圆柱齿轮(即I, II, III和IV)在稳态操作条件。此外,我们假设在第二轮局部断层的存在。
从EMD-based分解,因此,利用两个具有代表性的振动特征描述第二齿轮和齿轮的啮合振动三世,分别可以考虑物理意义的货币。物理意义的首先是那些首先描述齿轮的齿轮啮合振动特征的兴趣。因此,代表信号的装置将这些模式的总和(如果多于一个)。图5描述了该方法(归纳为4基本步骤)通用两级齿轮箱图4。
假设在中间轴齿轮故障在TSA是显而易见的,第一步是低通滤波自几个高频信号组件与齿轮啮合振动签名后也持续TSA。此外,提出信号处理过程关注当地的振幅和相位的调制;因此低通滤波器是可取的,以切断高频信号组件应该属于冲动的事件。因此,信号与一个低通滤波器截止条件顺序(信号属于角域)等于3倍大齿轮的齿轮啮合秩序。记住过滤过程也可以减少一些重要组件,它是无论如何合理假设齿轮啮合振动签名是正确描述考虑第一个3啮合齿轮谐波(及其边带)。
第二步在于信号的分解和常规的估计信号的齿轮II和III。EMD, EEMD CEEMDAN一直认为,为了研究影响使用不同的EMD算法的信号分解。500年这项工作,试验和一个固定的白噪声标准差为0.2是被收养的,建议在[30.,32]。此外,它必须说,这个过程在MATLAB环境中开发利用EMD算法可以在http://perso.ens-lyon.fr/patrick.flandrin/emd.html和http://bioingenieria.edu.ar/grupos/ldnlys/metorres/re_inter.htm。相反,普通信号的定义是齿轮啮合的总和TSA的谐波信号。在这个应用程序的基本齿轮啮合秩序和前两个考虑谐波。常规的信号的估计的意义将澄清以下。
第三步是该方法的核心。一个主要问题的使用经验模态分解的物理解释货币基金。事实上,没有现成程序的识别齿轮应用程序有意义的模式。否则,这项工作的目的是生成,从国际货币基金组织,计算两个信号代表齿轮啮合振动信号的第二齿轮和齿轮三世,明显。因此,重要的是不仅识别物理意义的模式也确定模式描述了齿轮的齿轮啮合振动签名II,齿轮三世,或两种。物理意义的模式的选择标准开发的这项工作是基于之间的皮尔逊相关系数(PCC)的常规信号和imf。新闻申诉委员会是两个变量之间的线性相关的指标(信号),在概念上类似于与零延迟两个信号之间的归一化互相关35]。PCC的价值评估对离散数据集和的样品(如角域)的离散信号定义如下: 在哪里和的平均值吗和 ,分别。新闻申诉委员会可以采取−1和1之间的值,在积极的价值观意味着直接相关而消极的负相关。对于我们的目的, 意味着一个强大的线性相关, 意味着中度相关, 意味着弱相关, 意味着没有相关性。在这部作品中,PCC一直利用绩效指数模式选择为了分配每个国际货币基金组织的第二齿轮,齿轮三世,或两种。指图5,作业流程方面构建代表信号的模式选择过程的第二齿轮和齿轮三世,即和 ,分别。选择标准评估模式的物理意义是基于这些属性:(1)如果 (这意味着至少中度相关性),分配给代表信号的模式集。(2)如果没有国际货币基金组织(IMF)满足前面的属性,PCC的模式有最大值是代表装备。
因此,指图5齿轮的振动信号代表二世, ,由所有的模式(叫什么)满足这些属性和相同的发生 。pcc是评估的常规信号(例如,一个理想的健康的啮合齿轮振动)和imf。自从模式估计的齿轮振动信号故障,一个温和的相关性与常规信号。因此,财产1旨在包括所有模式与常规信号显示中度相关,然而,一个重要的关系齿轮振动信号从物理的角度来看。介绍了第二个属性以包括至少一个国际货币基金组织(IMF)也如果不满足性质1。
最后,在第四步的估计和第三齿轮二世和齿轮,分别由所选模式的总和和在第三步评估。代表信号的目视检查后,客观的比较和是通过不同的CIs的手段。为此,为了识别齿轮局部故障,几个CIs可以用于振动信号peakiness的评价,这是与局部故障的严重程度相关。在这项研究中,以下标准独联体被认为是:峰度和波峰因素(CF) [9,36]。此外,提出了CIs的有效性,也就是说,论坛和NSVP,已经测试了模拟振动信号和真实的案例研究。
4所示。应用程序来模拟振动信号
在这一节,第一节问候啮合振动信号的数学公式模型局部断层在角域;在第二小节,将验证该方法的有效性通过模拟信号。
4.1。信号模型公式
几位工作34,37,38]关于齿轮故障的时域振动信号建模可以在文献中找到。因为该方法离开一个平均角域振动信号(TSA),一个角域模型的啮合齿轮的振动信号牙齿提出以下。在健康的变速箱,齿轮啮合振动关于角主要由谐波的基本顺序对应于感兴趣的齿轮的齿数。为一个完整的革命,可以表示如下: 在哪里谐波的数量,的振幅是吗谐波,阶段的吗th谐波,齿轮的齿数。
让我们考虑两级健康变速箱如图4。在一个完整的革命,角度域啮合振动与中间轴表现如下: 在哪里谐波的数量,的振幅是吗th谐波齿轮二世,阶段的吗th谐波齿轮二世,第二是齿轮的齿数,的振幅是吗th谐波齿轮三世,阶段的吗th谐波齿轮三世第三是齿轮的齿数。方程(11)指出,啮合振动信号是由齿轮啮合振动相关的第二齿轮和齿轮啮合振动相关第三因为第二和第三齿轮同步转动。
齿轮局部故障的存在会导致振动信号的变化模型,包括当地的调幅,当地的相位调制和脉冲组件。因此假设在第二齿轮局部故障,(11)可以写成 在哪里是当地振幅调制函数由于齿轮局部故障二世,是当地的相位调制函数由于齿轮局部故障二世,然后呢是冲动的成分由于齿轮局部故障。当地的振幅函数和相位调制功能用于(13)被描述为一个高斯形状窗口集中在角如下: 在哪里和当地的振幅调制和吗窗口的宽度。此外,(见(13)阻尼脉冲响应,考虑了脉冲组件由于断齿的接触。该组件被定义为一个火车的狄拉克冲动酉振幅由任意复杂的脉冲响应函数的形式(第三冷杉过滤器): 在哪里是单一的列车发生和冲动的错是脉冲响应函数。请注意,(15在稳态条件下)是有效的。事实上,这配方保持其物理意义只有在频域相当于订单域到一个比例常数(基本转动频率)。因此,这是真的只有系统的旋转频率,一个好的近似,常数。
类似地,可以写在齿轮啮合振动模型在齿轮局部故障的情况下 : 指的是齿轮箱图中描述4,(13)和(16)代表了齿轮啮合振动模型用于方法的初步验证。
4.2。结果与讨论
两种不同的模拟信号和被认为是:第一个模拟信号中描述(12),是指在第二齿轮局部缺陷的情况下;第二个是描述(16),是指在第三齿轮局部缺陷的情况下。的参数用于MATLAB实现和在表中详细报道吗1,而图6显示了模拟信号。在第一种情况下局部断层已经模拟45齿齿轮二世而在第二种情况下局部故障模拟在6齿齿轮三世,这对应于一个角度旋转和 ,分别。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
就像前面提到的4所示。1,整体模拟信号是振动信号的叠加角域的两个齿轮,健康的齿轮是由纯粹的音调和故障齿轮由纯粹的音调有当地的振幅和相位调制的贡献一个冲动的组件。事实上,这种信号代表的合成版TSA对中间轴和计算,根据TSA的属性,背景噪声的贡献一直被忽视。考虑该诊断协议,第1步可以跳过这个振动信号模型自起动信号已经TSA的信号。
使用EMD方法已经完成,EEMD, CEEMDAN为了调查不同的EMD算法对信号分解的有效性。同意设置建议的文学,500年平均和白噪声标准差0.02已经使用了EEMD CEEMDAN。的信号分解的结果和报告数据7和8,分别。残留信号,这是一个单调函数,不显示,因为它不是用于这项工作的目标。应该注意的是,EMD返回一个有限数量的模式(5排除残渣,即。,the monotonic mode) whereas the total number of tones present on the simulated signal is 6 since it is equal to the total number of gear mesh harmonics accounted. This behavior can be interpreted as poor quality of the signal decomposition using EMD with respect to EEMD and CEEMDAN.
为了完整性,估计PCC值收集图9广场的象征是指哪里和星指的象征 。在每一个图,灰色的水平线是指对应的阈值 。根据提出的标准,代表信号的第二齿轮和齿轮III是显示在图10和11。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
代表的目视检查信号如图10强调所有的考虑EMD算法已导致令人满意的结果。在这种情况下,正如预期的那样,代表信号93 -齿齿轮相关展览有关的局部信号失真由于模拟缺陷(在输入数据在表的协议1),而波形不显示违规行为。应该说估计的EMD(图10 (d))定期不如其他人在对应的角本地幅度/相位调制。表2收集统计指标估计和 。所有指标都返回一个正的偏移和故障齿轮之间的健康的一个,唯一例外的峰度EMD时执行;这种行为是在协议与先前由目视检查的观察的信号。
通过观察图可以提到类似的言论11。的确,显示信号振幅的突然变化对应于模拟断层的位置(见表1)。的波形不表现出任何突然的改变,尽管EMD返回一个安静不规则波形对EMD算法。事实上,收集的指标表3强调只对EMD负比例存在差异,如预期。然而,该方法使用EEMD和执行CEEMDAN使得清楚地识别故障齿轮通过视觉检查和通过比较条件指标。
最后,验证方法的模拟信号指出以下方面:(我)信号通过EMD分解是其他EMD算法中最糟糕的一次。(2)错误的设备已经正确地确定在模拟的情况下。(3)NSVP是最敏感的指标。
5。应用程序的实际振动信号局部齿轮故障的情况
在当前部分,该方法已经完成在两种不同情况下的研究,讨论了主要结果。部分5.1问题调查的方法使用一个专用的齿轮试验台而部分5.2认为一个更复杂的传输安装在试验装置。主要讨论了结果,关注该方法执行的有效性使用实际的振动信号。
5.1。案例1
第一个案例研究是一个两级齿轮箱安装在专用试验装置如图12(一个)位于大学的工程系费拉拉。这个测试平台的详细信息可以在[39]。调查的螺旋齿轮变速箱由两个阶段组成:第一个18 - 71的牙齿而第二个12和55的牙齿。因此,指的是变速箱方案图4二、齿轮和三齿轮有71 12牙齿和牙齿,分别。本地化的错,即齿碎裂,被人为地播种71 -齿齿轮,如图12 (b)。测试进行了在稳态条件下使用的额定负载3600 rpmNm。
(一)
(b)
径向振动信号的收集通过b和k压电加速度计的类型放置在第一阶段小齿轮的轴承支架与采样频率kHz的总时间的长度年代当输入轴转速测量的测速传感器。
图13收集TSA的测量振动信号以及其光谱图。TSA一直在进行角域考虑4260分的革命。局部故障很容易承认在图,因为它似乎是一个信号振幅的突然增加一个轻微的旋转范围。因此,即使齿碎片的存在是显而易见的,这些方法无法识别哪些设备拥有的错。
(一)
(b)
做过,三个不同的EMD算法被认为是为了验证最终结果的敏感性对采用EMD方法。信号分解已经完成报告部分使用相同的设置4所示。2,结果被收集在图14。根据PCC值收集图15第三,代表信号的第二齿轮和齿轮计算,报告,如图16。目视检查的代表信号图16不难识别错误的齿轮。事实上,波形相关71 -牙齿轮展览很大幅度提高这是错误的齿的接触的影响。然而,数据16 (d)和16 (e)显示信号振幅的突然改变完全相对应的角位置缺陷在第二齿轮(数字清晰可见(16日)- - - - - -16 (c)TSA在图(13日))。图CEEMDAN相关图16 (e)实际上显示局部变化的振幅。但是应该注意的是,这种变化发生在约 ,不一致的故障信号的位置显示在TSA。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
(e)
(f)
不幸的是,信号的目视检查可以打开不同的解释;因此,故障识别是由条件的比较指标。表4强调第三齿轮二世和齿轮之间的显著差异,最低比例的差异 。提出了CIs(即。,CPF and NSVP) are the most sensitive to the presence of an impulsive component in the vibration signature as demonstrated by the larger percentage difference with respect to the other traditional CIs.
最后,在这第一个实验情况下该方法是有效的识别错误的齿轮。此外,CEEMDAN EMD算法返回的结果考虑到独联体值以及代表信号的波形。
5.2。案例2
第二个案例研究涉及更复杂的齿轮箱由异步电动机驱动的。图17显示了实验装置:时域振动信号在径向方向上获得了monoaxial压电加速度计(PCB 353的energisk b18)的采样频率kHz,转速计信号同时使用转速表调查收集了斑马磁带。传播表现出异常的响度由于齿轮局部故障后在两级齿轮箱输入万向轴(见图17(b))。稳态操作测试一直在进行rpm在万向轴的输入。考虑到齿轮箱的布局图4齿轮二世有92牙齿而第三齿轮有10个牙齿。
齿轮二世提出了凹凸齿腹上造成的表面硬化过程中处理。这样一个错误的齿腹进行反向运动,才被目视检查核实。此外,这样一个自然缺陷清晰可见TSA信号在中间轴上执行样品每革命,在图(18日)。断层的存在也清楚在光谱图如图18 (b)。在例1中,这些信号处理技术不能够识别缺陷与92年的齿轮或10的牙齿。
(一)
(b)
这实验案例研究调查了使用相同的案例1的做法。为了完整性、信号分解结果和PCC值代表信号的估计报告数据19和20.,分别。通过直接的视觉检查(图代表信号21),它可以指出,在这种情况下,不同的EMD算法的最终结果产生重大影响的方法。从物理的角度看,代表信号与第二齿轮(见图(21日)- - - - - -21 (c))正确地反映断层的存在由于局部信号幅度的增加。然而,这种行为也出现在代表信号相关第三齿轮计算与EMD EEMD(见图21日(d)和21 (e))。另一方面,代表信号估计CEEMDAN很容易解释,因为第三齿轮(图相关的信号21 (f))不包含任何显著的局部变化的振幅可以归因于齿轮局部故障。因此,唯一的EMD算法,允许一个清晰的信号是CEEMDAN目视判读。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
(e)
(f)
言论的视觉检查收集的信号可以通过分析证实了CIs中收集表5。事实上,错误的齿轮之间的比例差异和健康考虑CEEMDAN实现的。此外,需要注意的是,获得的结果与EEMD不满意因为低比例的区别是CF和论坛而峰度完全失败的识别错误的齿轮。
虽然这个实验案例已经比第一个更难以处理,CEEMDAN时的方法提供了一个正确的结果。使用一些独联体允许定义一个客观的标准来定义齿轮故障,减少错误由于用户解释。
6。结论
通常,齿轮故障检测仅限于舞台的识别包含错误的装备而不是错误的齿轮本身。然而,确切的知识错误的齿轮在工业应用至关重要。目标是提出一个方法能够克服传统的信号处理技术的限制,检测故障齿轮的阶段。为此,EMD-based方法提出了当地齿轮故障诊断,提出了两个新的条件指标基于RMS值估计角球场上而不是整个振动信号。
为了测试的可靠性和鲁棒性的方法,模拟信号和两个不同的实际案例研究分析了通过三个不同的EMD算法。第一个实验案例地址两级齿轮箱有人工齿故障而第二个传输系统与自然缺陷的担忧。的方法成功地识别故障齿轮的实验测试,特别是当CEEMDAN执行。在这些结果的基础上,CEEMDAN分解技术是最有效的信号,因为它返回最明显的结果从定性和定量角度。此外,提出CIs-especially NSVP-are存在局部变化非常敏感的振动特征,简化故障的检测装置。
在这些理由,提出的方法可以被认为是可靠的识别错误的齿轮故障发生时在一个与多个齿轮轴。最终,这种诊断方法特别适合工业应用,因为它是完全自动的。
的利益冲突
作者宣称没有利益冲突有关的出版。