基于VMD-DE的变速箱故障诊断方法和对策

2022-02-21毛惠

现代制造技术与装备 2022年1期

毛惠

（江阴兴澄特种钢铁有限公司，江阴 214429）

作为大型工程机械的常见设备，变速箱主要特点为机构紧凑、传动比大，具有较高的传递效率，在机械设备传动系统中有着广泛的应用。变速箱多应用于气候恶劣、荷载复杂多变的环境下，其关键部件（如齿轮等）容易出现断齿、剥落故障，从而影响变速箱运行安全性[1]。变速箱多具有较多零部件，结构复杂，发生故障后箱体会产生巨大的信号噪声，从而增加故障特征的提取难度，影响变速箱故障的准确识别[2]。基于此，本研究提出了变分模态分解（Variational Mode Decomposition，VMD）和散布熵（Dispersion Entropie，DE）相结合的方法。该方法不仅具备较快的处理速度，而且能够对噪声鲁棒性起到抵抗作用。利用VMD-DE方法可帮助确定分解层数，将高斯白噪声添加到原始信号，通过多次循环可消除VMD算法对噪声的敏感性，提升其对变速箱故障的诊断准确率，以便于制定相应的故障处理对策，保障变速度安全运行。

1 基于VMD-DE的故障诊断模型

1.1 变分模态分解

作为一种非递归新算法，VMD对分解信号具有自适应能力，其分解过程即构造与求解变分问题过程。VMD通过分解能够获得k个中心频率的模态函数uk，其中预设尺度数用k表示。通过对uk的Hilbert变换，能够得到一个单边频谱，经混合调制，在各估算的中心频率上移动uk，然后评估uk的带宽，并在求解时引入拉格朗日乘子。在进行迭代更新计算时，为获得拉格朗日表达式“鞍点”，可采用如下迭代步骤：第一，令u、w、λ、n=0；第二，使迭代次数n=n+1；第三，使k=1。针对所有w≥0的情况都要进行双重提升，并对λ进行更新。噪声容限用τ表示，将其设为0能够达到较好的去噪效果。重复上述步骤，满足条件后获得k个模态函数，完成迭代更新。

1.2 散布熵

散布熵主要用于衡量时间序列的复杂性，还能够评估时间序列中不规则程序的程度。假设时间序列为n，x={x1,x2,x3,…,xn}，采用正态分布函数映射时间序列x，经过线性变换在[1,2,…,c]范围内映射y，其中c表示类别个数，在[1,2,…,c]内对各个元素进行映射。在对散布模式进行计算时，每个数字的取值均有c种，对应散布模式共cm个[3]。

1.3 特征提取与故障诊断流程

在进行特征提取及故障诊断研究时，需要先明确VMD分解层数，将振动信号输入后，根据波形法确定VMD分解层数，然后利用VMD进行信号分解，获得k个固有模态分量（Intrinsic Mode Function，IMF），再对各个固有模态分量进行计算，并将原始信号进行归一化[4]，最终计算散布熵和重构信号的散布熵。在粒子群优化（Partical Swarm Optimization，PSO）多分类支持向量机（Multiclass Support Vector Machine，SVM）中输入特征值，对故障模式进行识别，其流程如图1所示。

2 试验验证

2.1 试验台与数据

本研究以某钢铁公司变速箱故障诊断为例，其主要部件包括电机、变速箱、液压站、数据采集及试验操作系统，属于复合行星轮系，包括K1、K2、K3这3个行星排，其中K1排包括齿数分别为29和31的太阳轮，表示为Z29、Z31，另包括齿数分别为15和18的行星轮各3个，表示为Z15、Z18，为双啮合行星排。齿轮剥落故障实物图见图2。发生故障前，变速箱为2档，速率为1 500 r·min-1。每个状态下分别采集3种状态振动信号，频率设置为20 kHz[5]，采样时间控制为30 s。

齿轮系统部件转频计算方式为：

式中：f1为太阳轮转频；f2为齿圈转频；Z1、Z2分别为太阳轮齿数及齿圈齿数；fm为啮合频率。

因此，齿轮故障频率ffauil的计算方式为：

需要注意的是，在对齿轮故障频率进行计算时，应先掌握变速箱动力情况，按照17/18的固定轴轮系将其传至K1太阳轮。若发生太阳轮故障，可采用行星轮个数相乘的方法计算故障频率。若行星轮发生故障，需要在故障频率上乘以2，这是由于每转动一次行星轮，行星轮会分别与太阳轮、齿圈进行1次啮合，由此可以计算出Z15、Z31对应的故障频率分别为52.48 Hz、38.52 Hz。根据散布熵数据要求，可以选择采样点长度为0.1 s，采样点数量为2 000个。

2.2 VMD分解及信号重建

目前，VMD在应用中的k值与a值多为默认，难以确保VMD参数最优，使得VMD性能受到了一定的限制。以往研究采用粒子群算法优化了VMD参数，虽获得了较好的结果，但流程烦琐，且耗费时间长，无法实现实时诊断。此次研究提出了相关系数阈值法优化选取VMD。由于VMD分解获得的IMF分量中心频率遵循低频到高频的原则，若预设尺度数k值从小到大取值，则最后一层IMF分量的中心频率首次达到最大值时，不会发生分解不足问题。当k值增大且最大中心频率继续持稳定状态，则此时k值为最佳值。本研究经过分解可以获得IMF分量，研究采用波形法进行信号重构，能够通过获取原始振动信号，在互信息法支持下对IMF重构信号进行选取，从而达到降噪的目的。研究以正常状态下的信号为例，获得分解层数k。在不同k值下的IMF分量如表1所示。

正常状态下经过VMD分解可以获得IMF时域波形，原信号归一化信息如表2所示，阈值为0.65，经过筛选可获得重构信号时域波形频。通常，互信息值越少，表示其所含的原始信号越少；反之，若IMF包含较多原信号，则通过IMF与原信号的互信息能够对IMF作出最佳选择。

表2 归一化互信息值

2.3 方法验证与对比分析

通过对重构信号散布熵进行计算，能够评估振动信号的复杂度。首先，需要按照要求设置散布熵参数。在实际应用过程中多取4～8的整数，本研究取值为6，然后在每种状态下选择40组数据，每组数据涉及2 000个采样点，同一状态数据前后组重叠90%，每种状态下选取50%的数据作为训练样本，其余为测试样本。其次，在PSO-SVM中输入DE特征值，通过识别故障模式可以发现不同状态均存在较大的DE波动，且存在交叉现象，难以区分正常状态与Z15剥落状态，且准确率低（仅为48%）。研究引入VMD信号分解后获得了较好的效果，主要表现为不同状态下的DE值变化平稳，无交叉值，且重构信号DE值较原始信号DE值小，信号噪声降低。PSO优化获得SVM惩罚因子C=0.1、高斯参数为54，交叉验证准确率达到了100%。不同算法下的分类结果如表3所示，可以发现VMD-DE准确率能够达到100%，且所用时间短。

表3 分类结果对比

3 变速箱故障处理对策

3.1 加强变速箱自主保养

作为机械领域的常用设备，变速箱会影响设备整体的使用性能及寿命。通过对变速箱进行保养能够降低故障概率，延长设备使用年限。保养过程中，初期以清扫为主，需要以设备为中心对灰尘、垃圾等进行彻底清理。在清理过程中，要检查设备是否有故障及潜在缺陷，并予以及时有效处理，同时严格控制灰尘、污染等问题，可以采用加盖、消除或密封的方法进行处理。对于不便于清扫、除污的位置，应采取先进技术、运用一定的技巧进行保养，从而将保养工作落到实处[6]。另外，需要定期对变速箱进行全面综合检查，并认真学习设备结构和功能，从而及时发现设备的缺陷并予以复原。

3.2 熟练掌握维修技术

对换挡系统冲击较大的维修，需要解决发动机怠速问题。若发现升力上升提示存在故障，应检查节气门拉锁及传感器位置，并及时更换电磁阀。当出现变速器换挡不规律的问题时，应首先检查节气门阀操作机构，判断其是否存在异常，然后测试油压并全面检查内部器械情况。若油压较低，则需要将离心调速器拆下进行修复。检查变速器电路及传感器时，若无异常提示则为主油路压力故障，应对节气门阀进行调整。当需要更换变速箱油时，应选择相应的粘度并使用合格的变速箱油，以避免造成动力损耗，且更换变速箱油过程中应注意不能带入杂质[7]。若变速箱出现打滑，应观察液态油颜色。若为黑色或暗红色，则可能为离合器烧毁，应及时维修或更换。变速器长时间滞后，可能是变速器有严重磨损现象，应拆开维修。另外，在判断漏油问题时，应检查离合器制动活塞密封情况，若密封圈有问题要及时进行更换。变速箱油温传感器装在控制阀上，主要用来对变速器进行高温控制。若发生故障，当变速器油温高于150 ℃时，变矩器会立即进入锁止状态，若30 s后变速器油温仍不下降，变矩器会解除锁止状态，并使变速器退出超速挡。若变速器出现温度升高现象，要及时更换润滑油。当出现高温预警时，应更换传感器线束。若仍存在温度过高问题，则应检查冷却系统并及时更换节温器。

3.3 提升工作人员综合素质

变速箱故障诊断设备是集机械、液压、电子、冶金、化工等于一体的装置，其维修是所有系统中维修技术含量最高的过程。因此，该行业对维修人员的技术水平有着较高的要求。随着维修问题不断出现，维修人员需要不断学习、更新自己的技能储备。变速器故障的处理多为人工操作，因此人是解决变速器故障的根本。工作人员应本着认真、负责的态度，对变速器故障作出正确的认识，从而快速发现变速器存在的故障问题，并采用对应的方法予以改进与控制，防止重复性故障的发生。另外，工作人员要定期进行学习与培训，以提升维修技能及专业知识水平，提高对故障的处理能力。具体应从以下几个方面做起：第一，正确应用变速器，做好参数调整，定期进行清扫并检查紧固情况；第二，定期检查变速器的使用环境、应用条件及日常情况，及时发现故障隐患；第三，及时处理潜在隐患，避免故障进一步恶化，确保设备能够恢复到正常运行状态。