传动齿轮早期故障的声学信号检测技术研究

2020-05-07张荣生

山西电子技术 2020年2期

张荣生

(山西国营大众机械厂工模具加工中心,山西太原 030024)

1 传动齿轮故障发生原因及常见检测方式

齿轮是非常重要的机械零部件之一，被广泛的应用于各类传动部件当中。其故障的发生具有较高的隐蔽性，特别是在早期，齿轮故障不易被察觉，从而大大增加了设备安全事故或产生严重经济损失的概率。齿轮故障的发生通常是由三个方面的原因引起的：一是人为的操作失当，人为操作失当和维护不规范，以及设备使用不规范都会对齿轮造成慢性损伤；二是超负荷的设备运作，长期超负荷的齿轮运转，容易导致齿轮的轮齿磨损、断裂；三是齿轮硬件缺陷，加工制造齿轮时就存在的质量问题，例如齿轮偏心、齿距和齿形偏差等。除此之外齿轮关键零配件的故障、齿轮组的装配不良都会导致齿轮故障[1]。

针对这些故障原因，其检测方法主要包括静态检测与动态检测两类。其中静态检测是基础常规类的检测方法，是在设备停止运行的状态下，对设备进行故障检测，方法直观且易实现，可作为设备定期维护的常规手段。动态检测，是在设备运转过程中，通过采集与分析齿轮运转的动态信息，对其进行故障的排查与检测。依据齿轮故障类型不同，常见的动态检测方式主要有以下几种：

1) 振动频率检测法，主要用于检测齿轮的构造缺陷。通过齿轮的啮合振动频率分量分析，检测齿轮的轮齿构造故障，是最为常用一种的动态检测方式。

2) 润滑油液观察法，主要用于检测齿轮的磨损故障。齿轮磨损过度，其表面会产生磨损颗粒，通过对其表面润滑油液的观察，能够判断齿轮的磨损情况。

3) 声学信号检测法，针对齿轮各类故障的综合性检测方式，利用齿轮发生故障时的瞬时应变波能变化，捕捉到齿轮运行状态的变化。该方法是一种新型的动态检测方式，如何精准获取到相关数据，并对其进行有效分析，是相关领域的研究难点之一，也是本文的重点研究内容。

2 传动齿轮早期故障声学信号检测技术

2.1 声学信号的技术检测原理

齿轮在运转过程中，如果遇到非正常的外力或内力干扰，其应力分布就会变得不均匀，有些局部应力会过高，当由此产生的应变能持续积累一段时间后，高能状态愈加不稳定，并逐渐向稳定的低能状态过渡，过渡过程中极易造成齿轮部件的变形、断裂等，同时应变能会得到释放，有一部分的应变能会以弹性波形式释放，这些弹性波信号就称为声学信号。声学信号检测技术就是通过特殊的监控仪器对弹性波信号进行监测，再通过特征分析与比对，监控齿轮的运行状态是否出现故障。其检测原理如图1所示。

图1 弹性波信号的检测原理

当材料表面产生断裂、破损时，一瞬间释放出弹性波形的应变能是一种常见现象，通过对弹性波信号的捕捉、放大，再采用相应的方式进行特征提取与分析，并最终对齿轮的运行状态做出评估，就完成了一次对齿轮故障的动态检测。其中最为重要的环节就是对信号特征的分析处理，信号特征的精准分析与有效处理是声学信号检测方式是否能达到故障检测目的重要保障。

2.2 声学信号的特征提取方式

声学信号主要有两种：连续性信号与突发性信号。连续性信号是指信号在一段时间内持续发生的、特征相似的波形，很难进行区分；突发性信号是指信号特征波形的产生是断断续续的，在时间上能够进行区分，传动齿轮运行不良时，两种信号都有可能产生。针对声学信号产生的这两种情况，相应检测方式主要有[2]：

短时傅里叶变换，是在傅里叶变换基础上改进后的检测方式，适用于连续性信号的特征分析。短时傅里叶变换方法仍然以傅里叶变换算法为核心，并对信号的连续时域进行分段、加窗预处理，再对信号频谱进行特征分析，但分析效果较差。

量子分布时频变换，是一种基于能量型信号分布的时频分析方式，适用于突发性信号的特征检测。但当分量信号产生交叉后，分析效果会很差。

小波变换，是目前应用最为广泛的一种基于波形特征参数检测的方法，也是声学信号检测的经典方法。小波变换采用多分辨率模式，在不同的分辨率下对信号的细节特征进行比对分析，大大提高了检测算法的自适应性与准确性。但小波变换算法最关键的基函数设定，却一直是个研究难点。为了有效改善这一难点问题，相关研究提出了基于机器学习的智能检测技术。

2.3 声学信号的智能检测技术

基于机器学习的智能检测技术以最新的网络移动技术、大数据分析技术为基础，构建智能的人工神经网络，通过大量的样本学习对智能网络系统进行不断的人工训练，在训练过程中，智能网络随着数据样本的海量累加，不断实现检测系统的自我迭代与改进。而人工神经网络下的样本训练算法也有很多，大致可分为两类：基于向量机的低维样本非线性映射矩阵的算法和无监督样本学习的聚类算法。其中聚类算法在样本数据挖掘与学习模式识别等方面能够起到非常重要的作用，并且在很多领域都得到了较好应用，在机械制造领域也逐渐得到了更多应用。但是在齿轮故障的声学信号的分解过程中，会产生“模态混合”现象，也就是信号的耦合现象，采用聚类算法对其进行分解时，必须找准其凝聚点和分裂点，才能准确的检测到故障。而这两个关键点参数的设定，也是聚类算法下一步的重点改进内容。