齿轮传动系统的智能故障诊断_图文

1、2008年9月第36卷第9期机床与液压MACH I NE TOOL &HYDRAULI CSSep 2008V ol 36N o 9 收稿日期:2008-04-29作者简介:王雷(1979 ,男,浙江舟山人,硕士,浙江国际海运职业技术学院船舶工程学院教师,主要从事机械振动、工程信息处理、设备状态监测与故障诊断方面的研究。电话:0580-*,E -m ai :l zs w angshark 163 co m 。齿轮传动系统的智能故障诊断王雷1,张华良2(1 浙江国际海运职业技术学院,浙江舟山316021;2 上海大学机电工程与自动化学院,上海200072摘要:在基于小波分析、模糊推理、神经网络等

2、理论和现场调试的基础上,研制了齿轮与滚动轴承智能故障诊断系统。该系统具有完善的实时状态监测、时频域分析、智能故障诊断等功能,能有效地诊断出齿轮传动系统的故障发生部位、性质、程度、原因等。关键词:齿轮传动系统;故障诊断;小波分析;模糊推理;虚拟仪器中图分类号:T P216;T P806 3 文献标识码:A 文章编号:1001-3881(20089-174-5I ntelligent Fault D iagnosis of G ear Syste mWANG Le i 1,ZHANG H ualiang2(1 Zhejiang I nterna ti o na lM ariti m e Colle

3、ge ,Zhoushan Zhe jiang 316021,China ;2 Co llege ofM echatronics Eng ineeri n g and Auto m ati o n of ShanghaiUn i v ersity ,Shanghai 200072,Ch i n aAbstrac t :A n intelligent fau lt d i agno si s syste m o f the gear and ro lli ng bea ri ng w as deve l oped based on w avelet ana lysis ,fuzzy i n fer

4、ence ,neura l net w ork ,and debugg i ng on the spo t .T his system has f uncti ons w it h real ti m e state m on itor i ng ,ti m e frequency do m ain ana l ysis and i n telli g ent fault diagnosis ,etc .It can accurate l y o ffer t he fault i nfor m a tion of gear sy stem t o t he use r ,i ncl udin

5、g fau lt part ,fault ele m ent ,fault degree and fau lt reason .K eyword s :G ea r system;F au lt diagnosis ;W av elet analysis ;F uzzy i n f e rence ;V irtua l i nstru m ent齿轮传动系统是应用最为广泛的机械传动机构,齿轮、轴承是齿轮传动系统中最易损坏的零部件。设备监测与诊断的目的是为了能及早地得到设备的早期故障信息,但是,齿轮传动系统早期故障所引起的振动激励非常微弱,振动响应的传递路径很复杂(包含强干扰噪声和路径的非线性传

6、递,所以振动信号所包含的信息丰富、频率成分复杂,有用的故障信息往往被淹没在其它频率成分和测量噪声之中,造成了齿轮传动早期故障诊断的困难。再者,传动系统的多故障并发,必然产生故障诊断中的多故障信号分离问题,以及随后实现故障定位和损伤程度估计问题都与故障信息检测和振动信号分析相关。然而,现有的机械故障诊断信息处理技术,只适合于诊断发生严重磨损等一类分布性故障,不能有效地解决齿轮传动系统的早期故障和局部故障诊断问题。为此,笔者在研究齿轮传动系统的故障机理、故障特征提取方法及故障诊断技术的基础上,利用小波分析、模糊推理、神经网络和规则推理的方法,并从可靠性、实用性和可扩展性的角度出发,结合虚拟仪器技术

7、,研发了齿轮与滚动轴承智能故障诊断系统。1 诊断系统组成本系统设计主要解决以下几方面问题:振动信号的高速大容量的数据采集,以保证数据分析的精度;采样数据的多种分析功能,包括时频域分析、小波分析等;高精度实时监测与智能故障诊断等。本系统采用虚拟软件L abvie w7 1进行开发,主界面如图1所示。根据信号特征提取的要求,编写了反映工况监测参数的各种无量纲指标函数(峭度指标、峰值指标、脉冲指标、裕度指标等,这些函数均生成子V I 模块,方便调用以及实时显示;对通用函数进行二次开发,并结合动态链接库DLL 和CI N 节点,调用VC+与M atlab 相关代码,成功实现了一些复杂功能,如包络谱分析

8、、小波分析等。这些功能在试验中均得到了正确的验证。图1 系统主界面系统主要由数据采集模块、数据分析模块、智能诊断模块和界面管理模块组成。(1数据采集模块本模块主要解决数据采集的速度、精度,减少噪声的影响,以获得真实的采样数据。笔者选用高性能的加速度传感器、美国N I 公司的多通道大流量数据采集卡,自行研发出高性能低噪声的信号放大系统,满足了齿轮、轴承的高转速、高频率的采样要求。(2数据分析模块数据分析模块主要实现对采样数据进行时频域分析、解调分析、小波分析等多种分析功能。针对非平稳的振动信号,开发出小波分析子模块,以提高分析诊断的能力。(3智能诊断模块本模块的设计充分利用了模糊推理、神经网络和

9、规则推理的优点,在对故障现象做出诊断的同时,给出了诊断结论的解释;对得出的结论中存在多个故障原因的,可以对这些故障原因做出模糊判断,以帮助用户做出决定;对于单个故障原因出现征兆信息不足的情况,会给出还缺少的信息,以提示用户在这个方向进行寻找,从而能有效识别齿轮、轴承的故障类型、原因及程度,实现了齿轮和轴承故障的精确诊断。(4界面管理模块本模块具体实现功能:各种参数设定窗口;振动信号时频域分析结果与波形实时显示;报警功能;数据存储;智能故障诊断分析功能;打印功能等。2 故障智能诊断针对齿轮、轴承故障特征的非平稳特性,利用小波分析方法、共振解调技术等信号处理方法,对轻微故障特征表示与提取。提取故障

10、特征后,建立一个基于模糊推理、神经网络、规则推理的诊断专家系统,来分析故障特征,确定故障的类型、程度和部位,分析故障产生的原因,并最终给出故障诊断的结果。2 1 故障特征提取在时域内,信号的瞬态成分通常被淹没在噪声中,难于辨析。小波分析方法不仅能将信号特征分解到小波基上,而且还提供合理的信号特征重构方法。这个特点决定了信号的小波变换方法不仅能检测信号中的瞬态成分的存在和分析信号中瞬态成分的特征,而且还可以根据瞬态成分的特征情况,对信号的瞬态成分进行重建。信号的连续小波变换的局部模极大值方法可以有效将信号中的瞬态特征在较大的尺度下表示出来,因为信号中的噪声具有较大的变换系数,而瞬态特征具有较大的

11、系数,可以根据分解系数的大小分辨分解系数的特征口,可以根据尺度区间a l ,a h 的模的局部极值对信号小波变换系数进行门限值处理去除噪声,即在应用连续小波变换的反演之前,对连 得到去除噪声后的连续小波变换系数:CWT Tf (a,b=!f, a ,b (t |f, a ,b (t|C 0 其它(2式中:C 是设定的门限值。在门限值处理的基础上,根据式(1,重建信号在尺度区间a l ,b h 的信号瞬态特征的方法是:f (t=1C R+a h a l1a 2CWT T f (a,bt -bad a d b (3式中:CWT Tf (a,b 是去除噪声后的小波变换系数。信号在尺度下的连续小波变换

12、系数是有限带宽的,如果对其进行功率谱密度分析,则既能利用连续小波变换的时频分辨特性,又能将信号的特征转化为对尺度和频率能量信息,这与信号特征的双谱表示方法相似。这种表示方法能有效展示信号中的特征频率成分,用于故障诊断中展示信号的特征。2 2 故障智能诊断无论是规则推理方法还是模糊推理方法,它们在解决多原因、多症状的故障诊断问题时各有偏重,都存在较大的错判和漏判现象。将两者结合起来,在一定程度上减少了错判和漏判的可能性,但也避免不了因诊断算法的粗糙性而丢失信息的缺点。神经网络具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式的功能,因此有很多学者将其应用于故障诊断,并提出了相应的网络模型

13、。在此基础上,笔者用神经网络、模糊推理与规则推理相结合进行故障诊断。这种方法将三者的优点有机结合在一起,能够在多症状、多原因的情况下取得较好的诊断结果。首先将传感器采集的振动信号通过FF T 转换为能够用于故障诊断的频域特征参数,这些频域特征参数和时域特征统计参数组成特征向量,经模糊化处理后作为神经网络的输入,就可以从离线训练好的径向基函数(RBF 神经网络输出得到诊断结果。人工神经网络(NN 具有模仿人类专家的能力,使得它们很适合处理非线性系统。利用FFT 对采集到的离散信号(N 维进行频谱分析,抽取频域中的特征参数,结合时域统计特征参数组成神经网络的输入样本空间(L 维,使原来的高维数据矢

14、量N 映射为维数较低的矢量L ,减少神经网络的复杂性,但又保留各采样数据的主要信息。将神经网络的输入和输出进行模糊化处理后,输入取故障特征量的隶属度,输出取某组数据属于某类故障的隶属度。隶属度是在0,1间取值的,取值的大小则反映了事物隶属某模糊概念的可能性大小;另一方面,神经网络节点的S i g m oi d 函数取值范围也是0,1,因此模糊逻辑与神经网络之间存在着某种直接的联系,可以通过模糊神经网络来传递不确定性。这时网络的输入就是各模糊特征转化的隶属度数#175#第9期王雷等:齿轮传动系统的智能故障诊断值,通过已经训练好的某种模糊映射关系,就可得到故障原因输出矢量,矢量中各元的数值大小就表

15、示了某故障发生的可能性大小。在此,列出2个经验性结论:结论1。若设备具有故障原因A ,则该设备必然表现出原因A 所对应的全部征兆,反之则不然。结论2。设某设备的诊断结果是:Y = y 1, y 2, yn ,且 =m ax ( yi ,i =1,2,n (4若该设备存在故障原因yi ,则必然有yi %k(5k 值的选取视不同对象而定,通常取为2,即将阈值向量的每个元素值取为可能故障向量最大值的一半。实际诊断过程中,可以视不同诊断对象选取不同的阈值向量。利用上述结论,首先采用模糊神经网络对故障原因进行&过滤,滤除出现可能性极小的原因, 然后利用规则推理进一步确认最后的故障原因。图2 智能故障诊断

16、系统模型因此可以确定诊断流程如图2所示,建立模糊规则库并对神经网络进行训练;将待测试的参数输入已训练好的网络;根据神经网络的输出,利用式(5结论就可以将隶属度较小的故障原因首先滤除,留下隶属度相对较大的;对神经网络的诊断结果进行规则推理,验证可疑原因,通过的则为真正的故障原因,未通过则排除之。从上述诊断过程来看,神经网络训练样本的获得是很重要的,它直接影响诊断结果。要想提高故障诊断的准确度,使诊断系统更好地模拟领域专家进行推理诊断,必须合理确定训练样本,也就是模糊推理的初始诊断权矩阵。可以通过实践不断积累知识经验,使训练样本更加完备合理,提高神经网络的诊断准确度。3 系统故障诊断实验在实验中,

17、齿轮传动系统的工作转速为1200r /m in ,轴承内圈故障频率为110 15H z ,轴承外圈故障频率64 85H z ,轴承滚动体故障频率44 08H z ,轴承保持架故障频率9 26H z ,采样频率为20000H z ,采样点数为2048点。传动轴的I 、II 轴啮合频率分别是700H z 和196 8H z 。笔者利用小波去噪技术对信号进行处理,从小波去噪频谱中可以清楚地观察出滚动轴承故障频率和齿轮故障的啮合频率。图3 5分别给出了齿轮传动系统在轴承内圈轻微故障时、轴承外圈轻微故障时和轮齿轻微故障时的信号、频谱图及 系统诊断结果。图3 轴承内圈故障时信号及频谱#176#机床与液压第

18、36卷从图3可以看到齿轮传动系统在轴承内圈故障时的原始信号曲线及其频谱图,信号曲线的幅值明显增大了,从小波去噪信号频谱图中可以看到有明显的轴承内圈故障,最后本系统的诊断结果为轴承内圈故障。从图4中可以看到齿轮传动系统在轴承外圈故障时的原始信号曲线及其频谱图,信号曲线的幅值大大提高了,同时从小波去噪后的信号图中出现了明显冲击的成分,从小波去噪信号频谱图中也可以看到有明显的轴承外圈故障,最后本系统的诊断结果为轴承外圈故障。从图5中可以看到齿轮传动系统在轮齿故障时的原始信号曲线及其频谱图,信号曲线的幅值比轴承外圈故障时要小一些,小波去噪后的信号图中出现了#177#第9期王雷等:齿轮传动系统的智能故障

19、诊断 明显冲击的成分,从小波去噪信号频谱图中也可以看到有明显的轴承外圈故障,最后本系统的诊断结果为齿轮箱II轴的轮齿故障。4 结论通过以上齿轮传动系统故障诊断实验研究表明,小波分析对处理齿轮传动系统微弱故障信号的有效性,它是实现对复杂齿轮与滚动轴承故障信号信噪分离的较理想的工具。本系统充分利用了模糊推理、神经网络与规则推理的优点,抛弃了模糊推理与规则推理的不足之处,能更好地处理多症状、多原因的复杂故障诊断问题,其稳定性更好,避免了因模糊合成算法的粗糙性和多样性而带来的信息丢失,减少了漏判的可能性。由于有规则推理作补充诊断,进一步减少了错判的可能性,可使诊断的正确率提高。大量的现场测试与实验研究

20、表明,本系统具有完善的实时状态监测、智能分析诊断等功能,除了可以对早期的齿轮、轴承轻微故障进行诊断外,还可对生产线上齿轮、轴承(各部件质量进行检测,对高性能特殊齿轮、轴承的生产可提供必要的检测手段。参考文献(1A R M ohanty,C K a r.F au lt D etec ti on i n a M ultistageG earbox by D e m odu l ation o f M oto r Current W avefor mJ.Industr i a l E lectron ics,IEEE T ransac tions,2006,53(4:1285-1297.(2M i

21、ngsian Ba,i Jia m i n Huang.F au lt d i agno si s o f rotati ngm ach i ne ry usi ng an i n telligent o rder track i ng syste mJ.Journa l o f Sound and V i bration,2005,280:699-718.(3Peng Chena,M asatosh iT aniguch.i F ault d i agnos i s m e t hod for m ach i nery i n unsteady opera ti ng cond i tion

22、 by i nstan taneous power spectrum and g enetic prog ramm i ngJ.M echanical Syste m s and S i gna l P rocess i ng,2005,19:175-194.(4Y uan,X iaohong,Ca,i L ilong.V ar i able a m plit ude Fourier ser i es w ith its appli cation i n g earbox d i agnos i sJ.M echanical Systems and S i gna l P rocessing,

23、2005,19(5:1055-1081.(5L i u B.Selecti on of wave l e t packet basi s for ro tati ng m achi nery f au lt d iagnosisJ.Journal o f Sound and V i bra tion,2005,284(3/5:567-582.(上接第166页数控车床的可靠性数学模型;给出了数控车床可靠性评价体系的可靠性特征量,平均无故障工作时间(MTBF的进行点估计;维修性参数平均修复时间(MTTR和可用性特征量中的固有可用度(Ai。(3对考核的数控车床进行了故障模式、影响及致命度(FMECA

24、分析,查清了该型数控车床各故障部位、故障模式及故障原因的比率,深入了解了数控车床的故障发生机理,找出产品的薄弱环节,从整体上掌握该型数控车床的故障发生情况,针对故障多发部位提出了提高可靠性建议。(4生产厂家采纳了改进措施并应用于产品生产中,结果表明,该系列数控车床的故障率明显降低,MTBF值得到了大幅度提高。参考文献(1乔巍巍,贾亚洲,等.数控系统故障分析及可靠性提高措施J.吉林大学学报:工学版,2006(9:69-72.(2H oushy ar a R e li ab ility and m a inta i nab ility o f m achineryand equi pment pa

25、r t1:accessi b ilit y and assessi ng m ach i ne too lR&M perfor m anceJ.Inte rnati onal Journal o fM ode li ng and Sinulation,2004,24(1:201-210.(3J i a Y azhou,et a.l F a tigue load and reliab ility des i gn ofm ach i ne too l co m ponen tsJ.Int.J.o f F ati gue, 1993,15(1:47-52.(4陈殿生,金玉阳,等,数控车床寿命分布模型探讨J.机械制造,2004(7:44-45.(5A.C.普罗尼科夫,等.数控机床的精度与可靠性M.李昌琪,遇立基译.机械工业出版社,1987.8.(6汤本金.提高国产数控车床可靠性