基于经验模态分解的港机减速箱故障特征提取

严华 沈炎

摘 要：减速箱是港口起重机的重要运行部件，其运行状态对港口起重机的安全性和可靠性有着重要影响。为了防止减速箱突发故障，在工程上通常采用定时维修的方式。但是，由于减速箱故障存在偶然性且寿命分布较为分散，在此情况下，定时维修的方式容易造成“过度维修”和“维修不足”。所以，需要视情维修来代替定时维修。而视情维修的核心就需要完善的状态监测技术和故障诊断算法。本文着力于故障诊断算法的研究，基于当前处于研究热点的信号处理方法和机器学习算法，从减速箱振动加速度信号入手，从特征量选取方面对减速箱故障诊断开展研究。

关键词：经验模态分解;故障特征提取;港口起重机;减速箱

1 研究背景

随着全球一体化的进程以及我国一带一路倡议影响力的持续增强，港口航运业呈现蓬勃发展的态势。港航企业出于降低运输成本和提高作业效率的需要，船舶大型化和装卸机械自动化成为发展潮流。自1993年荷兰鹿特丹港建成世界第一个自动化集装箱码头以来，到如今已有多个自动化码头在国内外相继建成投产。而2017年底投产试运营的上海洋山港四期全自动化码头更是以90%的自动化率成为了名副其实的“无人港”。

隨着港口起重机的大型化、自动化，其突发的故障会对港口运营及生产秩序造成严重的影响甚至是灾难性的后果。因为自动化码头是集群调度配合的生产模式，单台设备发生的故障都被放大，使其影响的范围由单个泊位扩大到堆场乃至整个转运流程，使港口的传送链路产生混乱。因此，迫切地需要引入可靠性更高的检测技术来对起重机的运行状态进行监测，从而降低突发故障的发生率。

根据上海振华重工对港口起重机历年故障类型和概率统计的结果，发现导致起重机突发停机的故障中，因结构疲劳导致的开裂和变形等导致的约占15%，灾害和事故导致的约占30%，剩余的55%基本是由传动机构故障导致的。着眼传动机构的机械故障，依照故障类型统计：起升机构作为主要做功的机构，由于载荷大、动作频繁，其故障率占到了其中的46%;依照故障部件统计：轴承工作在较高转速、大负荷且负荷方向和大小实时变化的恶劣工况下，导致轴承故障率占到总故障率近70%。

从测试和试验数据可以了解到：即使是采用同样的设计和制造方法生产出的减速箱，在基本接近的使用环境和工况下，其使用寿命也无法通过简单的统计分析进行预测。具体表现在即使是同一批次的减速箱，有的在超过设计年限后仍可稳定良好的运转，而个别减速箱却发生故障提前需要进行大修。这表明减速箱使用寿命呈现一定的离散特性。在此情况下，可能出现好零件因为到使用时限而被更换的浪费现象，也可能出现坏零件因为使用时限未到而继续使用的风险问题。

本课题以港口应用广泛的岸边集装箱起重机（简称：岸桥）为主要样本，研究其起升减速箱的故障特征，以及故障诊断算法技术。将定时维修改为视情维修，提前发现和诊断定位减速箱的故障，保障港口起重机安全、稳定地运行。同时有效地避免不必要的维修，节省维护保养经费。

2 经验模态分解理论

经验模态分解（Empirical Mode Decomposition， EMD）方法在对信号进行分解前不必提前确定用于分解的函数基，拥有优良的自适配能力，非常适合对非线性的不稳定信号进行处理。EMD以信号时间范围的不同，将复合杂乱的原始信号依次分解为多个固有模函数（Intrinsic Mode Function， IMF）。这些分解出来的函数之间以频率高低排序，包含了原信号的实际有效信息。IMF各阶函数的能量大小，直接反映了原信号在各个划分频段的能量分布，对信号特征的辨识有着重要作用。

2.1 EMD基本概念

傅里叶变换是用原信号的正余弦函数来计算频率，这时的频率反映了全部信号的特征。若将傅氏变换用于稳定信号分析，能获得较好的效果。但是对于不稳定的信号，其频率时刻处于变化的状态，再用傅氏变换计算得到频率，仅能反映信号被平均之后的特征，而忽略了更能反映特定时刻信号特点的瞬时特征。因此需要引入瞬时频率ω，将其表示为时间的函数。

通过以上算式可计算出x（t）所包含的若干混叠分量瞬频的叠加，仍然是对全局信号特征的体现。因此，EMD引入固有模函数概念。

2.2 EMD分解理论

从起重机等实际作业环境中获取的原始信号总是若干个不同振动源信号的叠加，因此需要采用EMD分解，取得原始信号的各阶固有模函数IMF。分解步骤如下：

（1）找到原始信号的全部极值点。

（2）对找到的全部极值点进行样条拟合，生成上下包络。

（3）统计上下包络线的均值，再把所有和均值相等的分量从原信号中去除，从而形成全新的信号。若通过以上步骤得到的信号无法满足IMF需要达到的条件，则反复执行以上步骤到达到条件为止，即得到第1个IMF。为了保证得到的IMF分量保留关于振幅的信息，引入筛选停止机制。即对两次相临筛选得到的结果计算其标准差，如果标差未超过预定值就停止筛选。

（4）用原始信号与IMF 1相减形成新信号。反复执行上述步骤。当最后剩下的分量比预定值小，或者已经是单调函数时为止。这样就得到了若干IMF分量与一个残余分量。

2.3 EMD算法测试

为验证前述特征提取和选择的算法，根据减速箱故障特性，构造了基于式（5）的信号用于算法验证。图1为仿真信号时域波形图，此仿真信号中囊括了幅值调制信号、周期脉冲信号以及随机高频噪声。

从图1可以看到，幅值调制信号和噪声已经完全淹没了周期脉冲信号，仅从时域波形中很难分析出冲击周期等信息。所以，使用EMD分解的手段来从仿真信号的杂乱波形中获得有价值的信息。图2列出了由原始仿真信号经EMD后得到的前四阶IMF分量的波形图。根据图中所示波形，IMF1是以高频噪声为主要成分，IMF2呈现出幅值调制信号，而IMF3能够较为清晰地显示出原始仿真信号中的周期脉冲信号，可以直接计数到10个脉冲及其产生的时间。这就表明了EMD分解后得到的IMF分量能够较好地表达信号的本质特征，选用IMF分量作为特征进行提取是恰当的。

3 经验模态分解特征提取

本文采用缩比减速箱故障试验台来模拟减速箱振动信号，通过预制故障来获取减速箱的故障样本，并结合减速箱的正常状态信号形成一系列样本集。

3.1 齿轮故障试验分析

试验中共用到8个振动加速度传感器，均安装在减速箱各传动轴的轴承座表面。进行齿轮点蚀故障采样时，电机转速设定为1200rpm;进行齿轮断齿故障采样时，电机转速降低到500rpm以保证安全。图3为两类故障的振动信号各取2048点的时域波形图和频谱图。

对上述两种故障信号进行EMD分解，计算得到其各自的IMF分量，并统计各阶分量的能量分布，形成图4。由图4的能量分布图清晰看出，两组故障信号的IMF能量在第6阶以后已经趋近于0，因此本文选择信号的IMF1～6阶作为主要的特征量，并作出其对应的图谱，如图5。

3.2 轴承故障试验分析

试验中共设置了轴承的外圈故障、内圈故障、滚动体故障三种主要的故障类型，电机转速为1200rpm，由安装在高速轴轴承座的传感器进行数据采样。每种故障类型分别截取2048点的时域信号，分别进行频域计算和EMD分解后生成对应的图谱，如图6。图7则是各个故障类别下其各阶IMF能量的分布情况。由上述图谱亦可观察到，在不同的故障类型下，轴承的振动信号能量也是主要分布在前6阶IMF分量中。

3.3 特征值的确定

由第二部分對EMD分解的原理和理论的介绍可知，对于减速箱中齿轮及轴承之类的不稳定且非线性的信号，通过EMD分解能够较好的提取信号中隐藏的周期信息，从而可以较为清晰地反映齿轮及轴承在故障处的非线性冲击响应，使故障的更多信息能够被发掘出来。在此基础上，本文将振动信号的IMF能量矩作为表征减速箱故障的一类特征，能够通过这类特征反映出减速箱运转过程中故障冲击响应带来的能量变化。

又根据本节分别对齿轮故障和轴承故障IMF能量分布的对比，发现不同种类的故障，其IMF分量的能量主要分布在前6阶，因此本文选取IMF（1～6）分量的能量矩作为故障特征。

参考文献：

[1] 沈科宇， 严华. 基于融合特征支持向量机的港口起重机减速箱故障诊断[J].中国水运，2020，05（20），100-103

[2] 尹苹. 基于相关EEMD和阶比跟踪的变转速滚动轴承健康诊断方法[D].北京邮电大学， 2018

[3] 杨建华， 韩帅， 等. 强噪声背景下滚动轴承微弱故障特征信号的经验模态分解[J]. 振动工程学报， 2020，03（017），582-589.