齿轮系统的能量信号监测与故障诊断系统研究

李怀俊

(广东交通职业技术学院 轨道交通学院， 广东 广州 510650)

齿轮系统的能量信号监测与故障诊断系统研究

李怀俊

(广东交通职业技术学院 轨道交通学院， 广东 广州 510650)

基于LabVIEW虚拟技术平台，以齿轮传动系统的输入功率信号为处理对象,对能量信号监测与诊断系统进行研究。系统首先通过HHT时频域信号变换方法建立高维特征向量库,然后运用核主元分析、模糊K均值聚类等数据处理方法对其降维并提取出核主元特征,开展故障模式判别。运行结果显示,系统可对典型的非线性、非平稳信号进行有效分析并实现特征融合,在齿轮等旋转系统的故障状态实时监测与诊断方面具有良好性能。

齿轮系统； 故障诊断; 能量信号; HHT; KPCA

随着计算机信息处理能力的不断提升,机械设备状态监测与故障诊断系统的功能不断完善。本系统以工程技术领域中的控制论、可靠性理论、信息论以及智能计算技术为理论基础,以包括集成传感器在内的仪表装置和嵌入式处理模块为技术手段,结合监测对象的实际工况,可以有效地对各种运行参数进行连续监测,并对状态做出实时评价,实现故障预警,使企业的设备维修管理工作从常规周期性检修、突发事故被动维修逐步升级过渡到以状态监测为主的主动预防性维修。故障诊断系统的开发是工况监测与故障诊断技术的主要发展方向,也为实现设备故障的主动防护提供了科学依据和可靠保证[1]。

本文将Matlab数据分析功能与LabVIEW虚拟仪器应用软件相结合,以齿轮箱的输入功率信号为处理对象,通过时频域信号分析、故障特征向量建立、特征提取与模式识别等技术环节,开展了能量信号监测与诊断系统的研究。

1 系统功能设计

能量信号监测与诊断系统可以在齿轮系统运行过程中,周期性地测量和记录诊断参数,实时完成能量数据采集和数据分析工作,系统框图见图1。能量信号是指齿轮传动系统的输入功率信号,即瞬时能量信号,由齿轮箱体前端的扭矩和转速映射得出[2]。系统硬件包括前端数据采集装置、信号调理电路、数据采集卡等,系统软件包括虚拟仪器测试子系统和信号分析与故障诊断子系统两部分,前者包含数据接收与前期处理模块、LabVIEW应用软件、数据库；后者包括能量信号特征提取与特征参数库建立、特征聚类与故障模式识别、用户查询等功能模块。其中数据库包括数据模型库、程序库、数据存储与调用模块等。

图1 能量信号监测与故障诊断系统框图

2 系统开发

2.1 基于虚拟仪器技术的能量信号监测子系统

LabVIEW技术是典型的虚拟仪器技术,基于信号采集与处理技术、数据库技术、所见即所得的可视化技术等,建立了多角度分析的人机界面,是一种基于图形化、用图标代替文本创建应用程序的计算机编程语言[3]。基于虚拟仪器的能量数据采集过程框图见图2。

图2 数据采集过程框图

如图3所示，系统的前端是齿轮传动试验台,其由JZQ250型齿轮箱、电机、减速器、磁粉加载器、联轴器等部件组成,还包括转速传感器、扭矩传感器、振动加速度传感器、油温传感器等。采集系统的硬件驱动程序是应用软件对硬件的编程接口,实现了软件与硬件之间的数据传递[4]。传感器采集到的输入功率信号、振动信号都是以电信号的形式呈现,经变换、放大、调制等将信号转换为数据采集卡可接收的电压信号。

图3 信号监测子系统

2.2 系统数据库

系统所包含的数据库信息主要包括齿轮参数、工况参数、功率参数、振动参数、故障状态、故障特征信息等,数据库类型为ACCESS数据库。齿轮数据库信息如表1所示。

表1 齿轮数据库信息

在基于数据库的虚拟仪器测量监测系统中,很重要的一部分工作是对实时采集的数据进行查询、统计与报表分析等。这其中最主要的事项是软件与数据库系统的交互,即对测量数据的读取和写入。LabVIEW数据库访问技术通过创建一个应用数据库管理采集任务的数据、存储测试数据,并且能够总结测试结果并提供测试报表,代表性技术是LabSQL,这是一个免费的、多数据库、跨平台的LabVIEW数据库访问工具包,其利用Microsoft ADO以及SQL语言来完成数据库访问,将复杂的底层ADO及SQL操作封装成一系列的LabSQL VIs,与数据库之间通过ODBC连接,用户需要在ODBC中指定数据源名称和驱动程序[5]。因此在使用LabSQL之前,首先要在系统中的ODBC数据源中创建一个数据源名,即DSN(data source name)。LabSQL与数据库之间的连接就是建立在DSN基础之上的。利用LabSQL可访问大多数类型数据库,执行各种查询,对记录进行各种操作,优点是易于理解,操作简单。齿轮数据库访问过程如图4所示。

图4 齿轮数据库访问过程

2.3 信号分析与故障诊断子系统

LabVIEW虚拟仪器库中提供了与Matlab的接口,通过内嵌Matlab实现与之连接,进而通过接口将调理后的信号数据送入分析与诊断子系统,实现一系列处理步骤,最终实现根据机械设备的状态参数判断设备的状态,进行故障状态监测。信号分析、采样点的幅值时域显示,可以通过离散傅里叶变换的方法转换为频域显示。信号的HHT(Hilbert-Huang Transform)分析以边际谱、时频谱的结果来呈现,分别以频率、时间为横坐标变量来描述信号的幅值、相位的变化规律。

本子系统主要包括时频域分析[6]、希尔伯特-黄变换(HHT)处理[7]、核主元特征提取与故障模式识别[8-9]等环节。

HHT方法较傅里叶及小波分析等需依赖先验函数基的方法，更适合于处理非平稳信号,其不需要依据全部波形来计算局部频率,可以将奇异信号从低频部分辨识出来,是一种更具适应性的时频局部化分析方法[10],核心环节之一是EMD(wmpirical mode decomposition,经验模态分解)过程[11-12]。齿轮输入功率信号经EMD分解处理后,各模态函数分别代表了一组特征尺度下的平稳信号,各个频带的能量变化表征了不同的工作状况,可选取各个尺度下,即各个IMF(intrinsic mode function,本征模态函数)分量的能量分布作为构成特征向量的参数之一。同时从考虑序列复杂性和统计量化的角度出发,将各阶IMF分量的近似熵作为参数之一。最终系统构成了包含前6阶IMF的归一化能量Ei、偏度Si、峰度Ki、标准差Di和近似熵Pi,以及各IMF分量的频谱的最大幅值Ai，其对应的频率值fi的42维故障特征向量B,这里i∈(1,6)。然后针对高维向量B降维处理。

特征降维采取核主元分析方法(kernel principal component analysis,KPCA)[13]。KPCA的基本思想是首先通过积分算子和非线性核函数将输入空间的数据映射到线性特征空间,然后在该特征空间中计算相应的特征主元分量。与其他非线性方法相比,核主元分析与标准的主元分析一样简单,仅需要利用线性代数求解特征值问题,而不涉及到非线性优化,且由于使用核函数,适用性较广,对于齿轮系统中非线性明显特征的振动信号或输入能量信号进行降维与提取特征效果明显。后续的特征聚类方法采用模糊K均值聚类(Fuzzy K-Means,FKM)方法[14],限于篇幅在此略过不表。

针对齿轮正常、点蚀、剥落、断齿4种工况的各60个测试能量信号样本数据进行HHT变换,建立60×42的特征向量库,经过KPCA特征提取后,形成前3个核主元的聚类结果,如图5所示,可以看出齿轮4种状态的核主元聚类趋势很明显,可以清晰地辨识出齿轮各工况。

图5 KPCA前3个核主元聚类图

3 系统测试应用

数据分析子系统中的故障识别模块包含已有故障模式信息表、故障原因库、KEFKM识别规则参数、诊断结论等设置。故障模式模糊识别过程通过获得齿轮故障模式、齿轮故障原因以及多种工况下的表现特征,将其通过HHT方法处理信号、KPCA特征提取、FKM算法特征模糊识别等环节联系组织起来,生成识别知识库。图6为故障识别过程中的执行聚类操作界面,这是针齿轮4种典型工况下的共计200个训练样本,采用基于高斯核函数[15](核参数σ=12)的KPCA降维后,形成200×3的核主元向量库,对特征核主元聚类后形成了4个故障聚类中心(按累计贡献率大于82%来选取前3个核主元,以便于生成3维示意图),即是故障模糊识别规则的核心数据,详细如表2所示。同时选取各种工况下的待识别样本各20个进行处理,识别结果如表2中的后3列所示,经分析发现,断齿故障识别效果最好,点蚀由于属于弱故障,其中有2个样本落入了正常样本中,而剥落故障中有1个样本被归入了点蚀样本,总体而言,系统对齿轮典型故障的识别效果明显。

图6 齿轮典型故障特征模糊聚类界面

故障类型故障规则数据(聚类中心)待识别样本数实际识别数识别率正常{0.2037,0.1321,-0.5218}202290%点蚀{0.0179,0.8821,-0.3736}201995%剥落{0.2817,0.6774,-0.2356}201995%断齿{0.6317,0.4815,-0.1378}2020100%

4 结束语

本文围绕齿轮传动系统能量信号监测与故障诊断系统的设计展开了研究,分析了系统的基本结构以及信息获取、处理以及信息融合等环节的实现过程,开发了能量信号监测与故障诊断系统,可实现能量信息融合、故障模式模糊识别等功能。运行结果显示,系统可对典型的如输入功率等非线性、非平稳信号进行有效分析并实现低维特征融合,在齿轮等旋转系统的故障状态实时监测与诊断方面具有良好性能。

References)

[1] 钟先友,赵春华,陈保家,等.基于形态自相关和时频切片分析的轴承故障诊断方法[J].振动工程学报,2014,33(4):11-16.

[2] 李怀俊,谢小鹏,黄恒.基于主元熵的发动机能量数据聚类与故障识别[J].华南理工大学学报：自然科学版,2013,41(11):137-142.

[3] 罗建,雷勇,黄昊.基于LabVIEW的远程电机实验台的构建[J].实

验技术与管理,2014,31(3):122-125.

[4] 李湘林,江兵,封驰.基于LabView的远程实验系统设计与实现[J].测控自动化,2012(28):47-49.

[5] 全晓莉,周南权,李双,等.基于LabVIEW的数字信号处理虚拟实验的构建[J].实验技术与管理,2011,28(10):82-84.

[6] 张焱,汤宝平,邓蕾.基于谱聚类初始化非负矩阵分解的机械故障诊断[J].仪器仪表学报,2013,34(12):2806-2812.

[7] 胡荣华,楼佩煌,唐敦兵,等.基于EMD和免疫参数自适应SVM的滚动轴承故障诊断[J].计算机集成制造系统,2013,19(2):440-441.

[8] 郑近德,陈敏均,程军圣,等.多尺度模糊熵及其在滚动轴承故障诊断中的应用[J].振动工程学报,2014,27(1):145-151.

[9] Ding M T,Zheng T,Xu H X.Adaptive kernel principal component analysis[J].Signal Processing,2012,90(5):1542-1553.

[10] 张妮,田学民.基于等距离映射的非线性动态故障检测方法[J].上海交通大学学报,2011(8):1202-1206.

[11] Jarboui B,Derbel H.Variable neighborhood search for location routing[J].Computers and Operations Research,2013(40):47-57.

[12] 韩中合,朱霄殉,李文华.基于K-L散度的EMD虚假分量识别方法研究[J].中国电机工程学报,2012,32(11):112-116.

[13] 李兵,张培林,任国全,等.运用EMD和GA-SVM的齿轮故障特征提取与选择[J].振动、测试与诊断,2009,29(4):445-449.

[14] Combet F,Gelman L.Novel adaptation of the demodulation technology for gear damage detection to variable amplitudes of mesh harmonics[J].Mechanical Systems and Signal Processing,2011,25(3):839-845.

[15] 魏秀业,潘宏侠,王福杰.基于粒子群优化的核主元分析特征的提取技术[J].振动、测试与诊断,2009,29(2):162-166.

Research on gear system energy signal monitoring and fault diagnosis system

Li Huaijun

(Rail Traffic College, Guangdong Communication Polytechnic, Guangzhou 510650, China)

The energy signal monitoring and diagnosis system is researched and designed in view of input power signal of gear transmission based on LabVIEW virtual technology.Firstly, the high-dimensional feature vector library is established using the signal frequency domain transform method of HHT.Then, the fault mode is discriminated through the dimensional reduction and extracting kernel principal component characteristics using kernel principal component analysis,fuzzy K-Means clustering data processing method.The running results show that the system can be used to the typical nonlinear and nonstationary signal analyis and data feature fusion effectively,which has a good performance in state real-time monitoring and fault diagnosis of rotating system such as gear, etc.

gear system; fault diagnosis; energy signal; HHT; KPCA

2014- 12- 16 修改日期：2014- 12- 29

广东省高校优秀青年教师培养项目(Yq2013178)

李怀俊(1978—)，男，山西襄汾，博士，副教授，主要研究方向为设备智能故障诊断技术.

E-mail：solarlee@126.com

TH132.41;TP277

A

1002-4956(2015)6- 0090- 04