基于振动噪声信息融合的齿轮箱齿轮故障诊断研究

发布时间：2020-01-25 13:16

【摘要】：齿轮及齿轮箱作为机械设备中一种必不可少的连接和传递动力的通用零部件，在航空、航海、电力系统、数控设备、农业机械、运输机械、冶金机械等现在工业设备中得到了广泛的应用。对齿轮及齿轮箱进行状态监测与故障诊断，可实现齿轮箱由事后维修、定期维修到视情维修的根本转变，减少监测成本，避免事故发生，从而创造更大的经济效益和社会效益，具有重大的意义。对国内外齿轮箱故障诊断的研究现状进行分析可以发现，已有的研究成果主要是通过单一传感器检测设备故障状态下的某一类状态信息，并采用智能信息处理方法进行信号特征提取与故障识别。考虑到任何一故障的产生都可能导致不同类状态信息（振动、声音、温度、电流等）发生变化，以及单一传感器检测存在易受外界干扰或自身故障等多原因影响等缺点，本文采用振动与噪声相结合的方法对齿轮的磨损、裂纹、断齿、点蚀、点蚀裂纹、磨损断齿故障进行定性识别。首先，分析了齿轮的常见失效形式，确定了本课题研究的故障类型，在对齿轮的振动信号产生机理、噪声信号产生机理分析基础上，对齿轮故障的振动特征进行了分析；设计了齿轮箱故障模拟试验台，选择传感器，对传感器的安装方式及测点选择进行分析，并以LabVIEW为软件开发平台，以NI-PXI系统为数据采集系统的硬件平台，设计了实验测试系统。其次，研究了频谱分析、小波分析、小波包分析、基于EMD的Hilbert-Huang变换这几种信号处理方法，，并进行仿真；进行信号采集，对采集的振动信号进行了频谱、功率谱、基于小波变换的Hilbert包络谱、基于EMD的Hilbert边际谱分析。再次，对齿轮箱故障特征提取及选择技术进行了深入研究。利用二进制小波包分析方法对振动信号进行分解与重构，按照理论依据对特征变化明显的重构信号进行频谱分析并提取特征能量；利用经验模态分解法对振动信号分解与重构，对重构的各频段信号进行频谱分析并提取特征能量，在考虑同一特征值在不同故障情况下的区分度及不同特征值在同一故障情况下的区分度的基础上，对提取的EMD能量进行选择；利用BP神经网络对小波包能量和EMD能量的识别效果进行比较；提取振动信号的时域指标并进行选择；对噪声信号进行EMD特征能量提取与选择。最后，针对BP神经网络不能控制连接权值的正负、在学习过程中易陷入局部最优、网络结构不稳定等缺点，引入遗传算法来优化BP网络的权值、阈值，以达到全局寻找和快速高效的目的；建立遗传BP网络模型，以提取的振动信号的时域指标及EMD特征能量、噪声信号的EMD特征能量作为遗传BP网络的特征输入，进行信息融合；选择与遗传BP网络相同的参数设置建立BP网络，对提取的特征数据进行训练与测试；比较遗传BP网络与BP网络的测试结果。
【图文】：

振动系统,齿轮副,力学模型,齿轮啮合

力的非平稳性。在研究齿轮及齿轮箱故障时，建立其完整的非线性振动模型是非常困难的，通常将齿轮传动副进行简化，其物理简化模型如图 2-1 所示。图2-1 齿轮副振动系统力学模型根据振动理论，在忽略轴和轮体的扭转振动情况下其动力学方程为：M x C x k (t ) x F(t) （2-1）式中：x—沿啮合线上齿轮相对位移(2 1x x x)；C —齿轮啮合阻尼；k (t )—齿轮啮合刚度；

频谱图,齿面相对滑动速度,啮合频率,次谐波

至齿顶和齿根的两个区段为双齿啮合，因此，每个轮齿在啮合过程中，载荷的分配是变化的，载荷的变化会引起轮齿刚度的变化，从而引起轮齿的振动，该振动在频谱图上会出现啮合频率及其各次谐波成分，如图2-2所示。图2-2 啮合频率及其各次谐波此外，两啮合轮齿的齿面相对滑动速度及摩擦力，在节点处要改变方向，从而形成
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：TH132.41;TH165.3

【参考文献】