基于LabVIEW的齿轮故障智能诊断系统

段志伟 高丙坤 王焕跃 庞永贵

( 1．东北石油大学电气信息工程学院，黑龙江 大庆163318;2．大庆油田电力集团，黑龙江 大庆 163453；3．大庆物探一公司，黑龙江 大庆 163357)

齿轮是机械设备中广泛使用的重要部件,它的损伤常常导致传动系统或整机的故障,从而导致重大安全事故。据统计，传动机械中80%的故障是由齿轮引起的，旋转机械中齿轮故障占其故障的10%左右[1]。因此，研究和开发齿轮故障诊断系统具有重要的意义。LabVIEW是一种图像化的编程语言， 以其开发速度快、数据处理功能强大的优势广泛应用于故障诊断系统[2，3]。笔者利用LabVIEW平台研发了齿轮故障智能诊断系统。

1 齿轮故障诊断系统的构成①

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。

图1 故障诊断平台总体结构

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：

(1)

构造解析信号：

(2)

信号zm(t)的包络：

(3)

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。

图2 Hilbert解调过程

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。

图3 Hilbert解调模块程序

图4 断齿信号的Hilbert解调分析

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。

图5 小波包解调程序

图6 小波包解调的包络谱

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。

图7 时域特征计算程序

图8 齿轮时域参数对比折线图

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。

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。

图9 相对小波能量柱状图

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。

图10 BP神经网络训练程序

序号均方根峰值因子裕度因子波形因子脉冲因子峭度因子实际输出理想输出故障类型10.0357.59313.6791.44310.9585.368(0.93003-0.047480.10984)(100)正常20.0715.86810.831.4558.5383.739(-0.018240.989910.00688)(010)断齿30.0447.13614.5591.55211.0746.418(0.02775-0.050070.97034)(001)磨损

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。

图11 神经网络故障诊断程序

图12 神经网络齿轮故障诊断系统前面板

4 结束语

利用LabVIEW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。

[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LabVIEW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.

[5] 顾秀江，姚竹亭，王洁，等.基于改进BP网络的柴油机燃油故障诊断的应用[J].电子测试，2011，(8)：4～7.