基于阶次倒谱分析的齿轮箱故障诊断方法

基于阶次倒谱分析的齿轮箱故障诊断方法

自行火炮的稳态信号分析方法的优越性自行火炮是我军现装备的一种高科技火炮。其中齿轮箱是自行火炮底盘中的主要部件,其性能的好坏直接影响到自行火炮的战技性能的发挥,一旦失效将使自行火炮陷于瘫痪。由于齿轮箱的零部件如齿轮、轴和轴承的加工工艺复杂,又处于恶劣的工作环境,导致故障率较高。因此,研究快速有效的齿轮箱故障诊断方法对于防止突发性事故,降低设备维修费用,保证自行火炮的战技性能具有极其重要的军事和经济意义。传统的基于振动测试的故障诊断中所需要的传感器需与振动体直接相连,甚至要置于箱体内部来测取各种信号。而自行火炮的齿轮箱封装在装甲内部,很难装传感器,难以实现不解体的自行火炮实车在线检测。相比之下,声学探头作为一种非接触式测试,其安装灵活简便,操作简单,时间效率较高。因此,利用齿轮箱工作时产生的声信号进行不解体无损在线故障诊断具有一定的优越性。另外,在自行火炮的实车中,常处于变速变负载等非稳态工作状态,无法得到稳态过程信号,只能获取瞬态信号进行检测。瞬态过程信号往往包含着比稳态信号更丰富的信息,可以反映更多的系统特性,在稳态情况下本来不容易显现出来的现象,在变速或变工况条件下可以得到更加充分的体现。所以,不能采取传统的基于FFT的稳态信号分析方法。本文采用瞬态声信号结合阶次倒谱分析对齿轮箱齿面磨损故障进行诊断,并与相应的振动信号进行对照分析,验证声音信号的可行性和优越性。1fft变换、横向变换的数学模型当对齿轮箱变速信号直接进行傅里叶变换作频谱分析时,将会产生严重的“频率模糊”现象,针对这种不足,提出了角域采样的阶次分析方法,它对时域信号通过角域重采样,将基于等时间间隔的信号转换为等角度间隔的采样信号,把时域非稳态信号转化成角域稳态信号,满足FFT变换的要求,可有效地解决“频率模糊”现象。阶次分析的关键在于信号的重采样,为了找到合适的重采样时间间隔,通常假设轴的转速为匀加速运动。在这个前提下,转角θ可以通过下式来求得θ(t)=b0+b1t+b2t2(1)θ(t)=b0+b1t+b2t2(1)其中:b0,b1,b2为待定系数。将3个逐次到达的脉冲时间点t带入式(1),可以求出bi的值。再根据式(2)求出恒定角增量Δθ所对应的时间值t=12b2[4b2(kΔθ−b0)+b21−−−−−−−−−−−−−−−√−b1](2)t=12b2[4b2(kΔθ-b0)+b12-b1](2)其中:k为插值系数,由式(3)决定θ=kΔθ(3)θ=kΔθ(3)根据式(2)所求得的t值,对其振动信号进行插值计算,得到振动信号角域里对应于采样时间点的幅值,至此完成振动信号从时域向角域的转变。2直接进行阶次分析的数据处理若直接对上面所得到的角域重采样信号进行FFT分析,由于等角度重采样信号同样受噪声和调制的影响,直接进行阶次分析难以产生较好的分析效果,需进行进一步的处理。而倒谱具有解卷积的作用,将角域重采样信号进行倒谱分析,不仅可以有效抑制噪声的影响,而且还可以将功率谱上的周期分量简化成单根谱线,容易识别故障的类型。2.1基于gsxf的倒频率识别倒谱是功率谱的对数值的逆傅里叶变换,是频谱的再次谱分析,设信号x(t)的单边功率谱为Sx(f),则倒谱Cx(τ)为Cx(τ)=F−1[logSx(f)](4)Cx(τ)=F-1[logSx(f)](4)其中:F-1为傅里叶逆变换;τ为倒谱时间变量,称为倒频率。利用倒频谱可将原来功率谱图上成族的边频带谱线简化为单根谱线,识别出复杂频谱图上的周期结构,进一步分解和识别故障频率,分析和诊断产生故障的原因。对于齿轮故障诊断来说,它可较好地研究齿轮啮合频率及边频特征,通过识别边频带的宽度找到故障齿轮所在的轴,再通过啮合频率就可以确定损伤齿轮,最终找到故障所在。2.2阶次谱分析方法将倒谱分析方法引入到角域信号阶次分析中,就得到阶次倒谱分析方法,分析步骤为:首先对时域非平稳信号进行等角度重采样,转化为角域平稳信号,即做阶次分析,得到阶次谱图;然后对角域平稳信号进行倒谱分析,得到阶次倒谱图。3基于阶跃返回的齿轮磨损后故障的诊断3.1振动信号的获得和分析齿轮箱变速变负载测试系统由调速电机、某型两级传动齿轮箱、联轴器、磁粉负载、振动加速度传感器、声强传感器、转速扭矩传感器和LMS分析仪组成。其中,转速扭矩传感器测量转速信号,声强传感器测量声音信号。为了对比分析声测信号与振动信号,在与声音测点相对应的轴承座上安装振动加速度传感器获取振动信号,测试环境有简单的消声设施,背景噪声较小。试验中通过控制电流大小来改变负载的大小,同时控制调速电机改变输入转速,最终获得变速变负载的非平稳信号。这些信号经LMS分析仪采集到计算机中,最后进行分析处理。为模拟齿面磨损故障,在输出轴齿轮某一齿分度圆位置处锉掉0.2mm的深度。此齿轮齿数Z=81,时域采样频率为12.8kHz,采样时间为2s,采样点数为25600点。设输出轴的转频为fout,则系统各特征频率为:啮合频率fm=81fout;啮合阶次Xm=81;啮频倒阶次Xˆm=360°Xm≈4.44°X^m=360°Xm≈4.44°;齿面磨损特征频率fwear=fout;齿面磨损特征阶次Xwear=1;齿面磨损倒阶次Xˆwear=360°X^wear=360°。3.2正常信号分析在一对齿轮啮合过程中,其啮合频率及其各次谐波可以看作一个高频振荡,把它看作载波。当齿轮发生齿面磨损故障时,会导致以齿轮轴的回转周期为特征的啮合力变化,其所引起的信号在每周呈现一次,可视为缓变信号,即调制信号。因此,动态啮合力中含有齿轮所在的轴的回转频率及其倍频。在频谱图中,两频线间的间隔即为其调制信号的频率。找出调制信号的频率即可判断故障所在。在下面的分析过程中,把振动信号和声音信号放在一起以作对比分析。图1为故障信号时域图,从中可以看到信号幅值随着转速的变化而逐渐增大,还能看到调制信号特征,但不能判断故障的类型。图2为同步转速曲线图,图中可以明显看出随着时间的增加,输出轴相应的转速逐渐上升,最终达到稳定转速。图3为信号的FFT分析,可以看出明显的“频率模糊”现象,在频谱图上难以反映系统的真实特征。因此,无法用常规的啮合频率来进行分析。图4是图1信号经过角域重采样后得到的信号,图5是重采样的阶次谱图,由图5可以清楚地看出啮合阶次及其倍频,说明阶次分析可以避免频率的混叠现象。与正常情况比较,幅值发生显著变化,可推断出发生故障的齿轮副。但由于受轴频调制影响,齿面磨损特征阶次反映到了边频带上,在图5中很难发现边频带信息,不能最终进行故障定位,所以需要进一步处理。图6是角域重采样信号的倒谱图,即阶次倒谱图。图中可以清晰地看到啮频的倒阶次4.44°及其倍频,而且齿面磨损故障的特征阶次360°也很明显,并且声音信号的效果要优于振动信号,从而验证了齿轮箱的故障状态。为方便比较分析起见,下面做出正常声音信号的阶次谱图和阶次倒谱图,如图7所示。从图中可看到明显的啮频倒阶次特征4.44°及其倍频成分,可是在360°处却没有峰值。4传统数学模型分析和阶次分析方法作为一种非接触、不解体、无损诊断技术,利用声学信号进行齿轮箱故障诊断是切实可行的,声音信号的分析效果可以与振动信号相媲美,而且在一定程度上还优于振动信号。另外,在实车检测时仅能利用的非平稳瞬态信号,由于“频率模糊”现象的存在而不能进行传统的频谱分析,而将时域非稳态