基于多方法结合应用的齿轮箱故障特征提取研究

朱云博, 周厚强, 张燕军, 张永强

(武汉军械士官学校 地炮系, 湖北 武汉 430075)

齿轮箱在机械领域中有着广泛的应用，但是其工作环境恶劣，在工作中容易受到损害，故障率较高，是诱发设备故障的重要因素，因此齿轮箱系统的状态监测和故障诊断问题越来越受到重视[1].基于振动信号处理的方法在齿轮箱故障诊断中有着广泛的应用，除了时域分析、频域分析等传统方法外，各种新兴的信号处理方法理论也得到了快速发展，例如以小波变换为代表的时频域分析、奇异值分解(SVD)、经验模态分解(EMD)、数学形态学等[2-5].但是由于工程实际中的振动信号中通常存在较强的背景噪声和脉冲干扰，所以这些信号处理方法有其自身的局限性，导致单一的信号处理方法在工程实际中的应用往往难以取得理想的效果.

将两种或两种以上方法相结合应用于齿轮箱振动信号特征提取成为当前的研究应用趋势，通过将不同方法相结合应用，可有效避免单一方法的局限性，充分发挥各自方法的优势.本文介绍将多种方法相结合应用于齿轮箱振动信号故障特征提取的应用现状，总结在齿轮箱故障诊断领域中振动信号处理方法的发展趋势.

1 基于振动分析的齿轮箱故障特征提取基本原理

齿轮箱的故障诊断一般包括以下步骤：故障信息的获取、故障的特征提取、故障模式识别[6].其中对齿轮箱的故障特征进行提取是实现整个系统故障诊断的关键和难点.

提取齿轮箱的故障特征，即获得齿轮箱中包含其运行状态的信息，如振动、噪声、磨损残余物等.齿轮箱振动信号中蕴含了内部设备运行状态的丰富信息，是设备运行状态特征的主要载体之一，相比油液分析、声学分析等检测方法，振动信息具有容易获取、诊断范围广、不容易受到外界干扰等优点.因此，振动信号分析法成为对齿轮系统进行故障分析和状态监测最为广泛的方法[7].

由于实测齿轮箱振动信号本身比较复杂，同时夹杂着大量的噪声，信噪比很低，信号的特征分量常被背景噪声所淹没.因此需要通过对振动信号的分析与处理，除去信号中的噪声，提高信噪比，提取出信号中的特征成分来得到齿轮箱由于磨损、疲劳等原因引起的状态变化特征信息，并由此判断其故障所在.

2 以频谱分析为基础综合不同信号处理方法的应用现状

目前，频谱分析仍是齿轮箱故障诊断最实用的方法之一，当齿轮箱发生故障时，其振动信号的频率成分就会发生变化，每种故障都包含各自的特征频率，对应着各自的频域特征量.由于齿轮、轴承的参数是已知的，其转速也是可测的，因此可通过计算齿轮箱各零部件的特征频率来判断故障的发生部位.

传统的信号频域分析方法为齿轮箱故障诊断打下了坚实的基础，为了进一步准确、快速地提取故障特征，克服单一方法的缺陷，以传统频谱分析为基础的多种信号处理方法相结合用于齿轮箱故障提取的方法应用越来越广泛.文献[8]提出了小波去噪和EMD相结合的齿轮箱故障诊断的新方法.首先对原始齿轮箱故障信号进行小波阈值去噪，将去噪信号利用EMD方法分解为多个本征模模态分量(IMF)，选择互相关系数较大的IMF分量进行Hilbert包络谱分析，提取故障频率，结果表明该方法能够有效地提取齿轮箱故障频率.文献[9]将重分配魏格纳时频谱(RWVDS)和奇异值分解(SVD)结合形成一种新的故障特征提取方法，利用重分配算法对魏格纳时频谱进行重分配以提高其时频聚集性，再对重分配时频谱进行SVD降噪.通过对轴承、齿轮故障信号进行分析，表明该方法能有效识别强噪声背景下的故障特征.文献[10]将高斯小波和奇异值分解技术相结合，提出了基于奇异值分解和高斯小波的滤波消噪方法.该方法可以很好地降低噪声信号,有效提取信号中周期成分，具有较好的瞬态信息提取能力.文献[11]将数学形态学、奇异值分解、EMD相结合形成一种新的故障特征提取方法.该方法首先对原始振动信号进行SVD降噪，再进行形态滤波，最后把消噪后的信号进行EMD分解，利用本征模模态分量(IMF)提取故障特征信息.对仿真信号和实际轴承故障数据的应用分析表明，该方法能有效地提取轴承故障特征，还可以减少EMD的分解层数和边界效应，提高EMD分解的时效性和精确度.

3 以非线性理论为基础综合不同信号处理方法的应用现状

在齿轮箱工作过程中，无论是齿轮的啮合传动，还是滚动轴承的运行都是属于非线性的，特别是当啮合面产生缺陷、在运行过程中发生撞击时，更是严重的非线性行为.此时基于线性化理论对齿轮箱振动信号进行处理，会过滤掉许多重要的非线性振动信息，这必然导致分析结果与系统的真实特性有很大差异，进而影响故障特征的提取精度.以分形理论为代表的非线性理论在齿轮箱故障特征提取领域显示出了广阔的应用前景.

分形维数能够定量描述振动信号在时域变化的特征，利用振动信号的分形特征可以从不同角度挖掘振动信号的特征信息.由于不同故障的动力学产生机制不同，通常也具有不同的分形维数，故该方法可用于齿轮箱故障特征的提取.通过利用其他方法对振动信号进行预处理，然后通过计算信号的分形维数来提取故障特征是近年来在齿轮箱故障诊断领域的新思路.

文献[12]为了识别滚动轴承振动信号中包含的故障类型,运用小波对采集到的信号进行降噪,通过计算降噪后振动信号的关联维数，并以关联维数为特征量，通过计算各工况之间的距离函数来判断属于何种故障的信号.文献[13]针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数，并通过实验表明滚动轴承不同的故障类型具有不同的盒维数.文献[14]将分形技术与EMD方法相结合，对变速器轴承的振动信号进行EMD分解,计算分解后的IMF分量的分形维数,从而提取出变速器轴承不同技术状态下的故障特征.文献[15]针对传统的多重分形维数计算方法的缺陷，将数学形态学与多重分形相结合，提出基于数学形态学操作的多重分形维数计算方法,并通过对实测齿轮故障信号进行分析证明基于数学形态学计算的多重分形维数能够准确区分齿轮的工作状态.

4 结束语

目前，各种信号处理技术在不断发展与完善， 应用多种方法相结合的复合故障诊断方法将这些信号处理方法交叉融合,可以克服单一方法的缺陷,实现优势互补,为齿轮箱的故障诊断提供重要的途径，但是该方法也存在一些问题：

(1)各种信号分析的技术层出不穷，其交叉结合应用于齿轮箱故障诊断的方法也呈现多样化，但大多是理论算法研究较多，并未将技术转化为针对实际设备应用的故障诊断或在线监测的仪器装置.

(2)若只利用振动信号这一种故障信息对齿轮箱的故障进行诊断，容易造成误诊，只有从多方面获得齿轮箱的故障信息，才能提高故障诊断的准确率.因此，在齿轮箱故障诊断中，不应仅仅局限于振动信号处理方法之间的结合，而应当向更广的范围发展，充分利用齿轮箱中其他故障信息的分析与振动信号分析结合形成复合诊断方法，例如将振动信号与齿轮箱的磨损残余物、温度、应力等信息相结合应用于故障诊断，可充分利用齿轮箱中的各种特征信息，有利于提高故障诊断的准确率.

[1]屈梁生,何正嘉.机械故障诊断学[M].上海:上海科学技术出版社,1986.

[2]Zou J, Chen J, Geng Z M. Application of wavelet packets algorithm to diesel engines' vibroacoustic signature extraction[J].Journal of Automobile Engineering,2001,215(9):987-993.

[3]段向阳,王永生,苏永生.基于奇异值分解的信号特征提取方法研究[J].振动与冲击,2009,28(11):30-33.

[4]陈忠,郑时雄.基于经验模式分解(EMD)的齿轮箱齿轮故障诊断技术研究[J].振动工程学报，2003,16(2):229-232.

[5]柏林,刘小峰,秦树人.小波-形态-EMD综合分析法及其应用[J].振动与冲击,2008,27(5):1-6.

[6]丁康,李巍华,朱小勇.齿轮及齿轮箱故障诊断使用技术[M].北京:机械工业出版社,2006.

[7]张贤达,保铮.非平稳信号分析与处理[M].北京:国防工业出版社,1998.

[8]朱瑜,王海洋.基于小波去噪和EMD的齿轮箱故障诊断研究[J].煤矿机械,2012,33(4):278-280.

[9]汤宝平,蒋永华,姚金宝.基于重分配魏格纳时频谱和SVD的故障诊断[J].振动、测试与诊断,2012,32(2):301-305.

[10]赵玲,程发斌,黄大荣.基于SVD-高斯小波的振动信号非平稳特征提取方法[J].现代科学仪器,2012(1):27-30.

[11]汤宝平,蒋永华,张详春.基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法[J].机械工程学报,2010,46(5):37-42.

[12]卓蒙蒙,张晓光,姬程鹏,等.基于小波降噪与分形理论的滚动轴承故障诊断[J].轴承,2011(6):35-37.

[13]李曙光,张梅军,陈江海.基于小波包和分形盒维数的滚动轴承故障诊断[J].机械,2010,37(8):21-23.

[14]夏均忠,刘远宏,但佳壁，等.基于EMD分形技术提取变速器轴承故障特征[J].噪声与振动控制, 2012(2):119-122.

[15]李兵,张培林,米双山，等.齿轮故障信号多重分形维数的形态学计算方法[J].振动、测试与诊断, 2011,31(8):450-453