基于多传感数据融合的变速运行齿轮异常振动故障诊断

2024年4月第52卷第7期Vol.52No.7DOI:10.3969/j.issn.1001-3881.2024.07.033sensordatafusion[J].MachineTool&Hydr(桂林电子科技大学电子信息学院，广西北海536000)55mV之间，信号频率在3000~7000Hz区间；重度磨损时，信号幅值在50~70mV之间，信号频率在6000~12000Hz区ZHOUGuangxiang,LIPeng,JIANGDeye(SchoolofElectronicInformation,GuilinUniversityofElectronicTechnology,BeihaiGuangxi536随着科学技术的快速发展，人们对城市环境的保护意识逐渐加强，传统碳排量高的汽车无法满足人们日益提高的节能要求，以变速器齿轮为动力配件的新型汽车应运而生，成为21世纪的热议话题1。在开发搭载机械式变速器的新型汽车前，国内外相关学者始信号多域特征，通过将信号多域特征输入传统箱轴承故障诊断过程中引入IMF方法，融多传感数据融合(Multi-sensorInformationFu-方法之一。多传感数据融合技术的理论框架如图1诊断对象特征级并行多神经网络局部诊断模块诊断结果x,表示水平方向信号转换率；k表示电信号转换标表示x轴与z轴的倍频能量差；λ表示位移采样(1)信号采集(2)信号特征提取(3)信号特征分类网络读取样本全局信息，实现训练样本的线性整合[12]。单隐层前馈神经网络训练算法的表达式如下：式中：d表示网络权重；p表示训练样本；φ,表示邻域区间的欧氏距离。当齿轮异常振动信号特征在较大的网络空间内被划分为多组线性区间后，网络充分展现其泛化能力和学习能力，这点从随机线性区间内齿轮异常振动信号均反映同一故障类型可以看出。根据网络输出的信号特征分类结果，即可实现变速运行齿轮异常振动故障的诊断。3试验与结果为了验证基于多传感数据融合的变速运行齿轮异常振动故障诊断的整体有效性，需要对其测试。随机选择一款齿轮箱作为验证算法诊断性能的试验对象，如图3所示。试验对象的技术参数如表1所示。输入转速/(r·min-¹)输出转速/(r·min-¹)主轴旋转方向空转/(r·min-¹)3级齿轮故障类型较为多样，常见的4种非健康状况分别为齿牙磨损、齿牙断裂、齿牙点蚀和滚珠子缺陷。常见齿轮故障类型如图4所示。Fig.4Commontypesofgearfaults:(a)toothwear;(fracture;(c)toothpitting;(d)rollingbeaddefect正常齿轮与故障齿轮的区别不仅限于振动信号频谱，还与转速息息相关。以上述4种故障状况为例，正常齿轮的转速为30×10⁵r/min,齿牙磨损的转速为24×10⁵r/min,齿牙断裂的转速为20×10⁴r/min,齿牙点蚀的转速为23×10⁴r/min,滚珠子缺陷的转速为(1)故障程度诊断以齿轮磨损振动故障为例，现采集该故障状况下齿轮异常振动信号，并绘制成频谱图，如图5所示。幅值A/mV幅值A/mV如图5可见，齿轮发生轻度磨损时，磨损振动信号的幅值在20~40mV之间，并且幅值增长趋势较为明显，磨损振动信号的频率在0~4000Hz区间，呈不规则变化趋势。但随着变速运行齿轮作业时间的延长，齿轮产生中度磨损，齿轮磨损振动信号的幅值维持在30~55mV之间，幅值增长趋势较轻度磨损呈平·224·机床与液压第52卷稳状态；信号频率在3000~7000Hz区间，依旧呈度3个阶段。幅值A/mV幅值A/mV频率f/kHz图6齿轮磨损程度诊断结果与实际转折点对比Fig.6Comparisonbetweenthediagnosticweardegreeandtheactualturn率为0~6000Hz的区间中，可诊断为轻度磨损；在信号幅值为30~45mV、频率为4500~9000Hz的区间中，可诊断为中度磨损；在信号幅值为40～50较文献[3]方法更贴合文中研究方法的故障诊断性滚珠子缺陷26(a)所提方法滚珠子缺陷62626图7不同方法的对比结果Fig.7Comparisonresultsofdifferentmethods:(a)theproposedmethods;(b)method下，存在25个孤立点。而文献[3]方法预测值与实运行齿轮异常振动类型的诊断性能明显优于传统第7期周光祥等：基于多传感数据融合的变速运行齿轮异常振动故障诊断·225·变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法，对处理故障信号的步骤进行优化，实现了变速运行齿轮异常振动故障诊断。该方法通过参考多传感数据融合的基本思路细化故障诊断流程，提升了故障诊断处理的合理性，增强了诊断结果的精准程度。文中所提方法可为相关研究者提供参考。参考文献optimizationofflyin[J].JournalofChongqingUniversity,2022,45(4):1-11.机组行星齿轮箱故障诊断方法[J].电力系统保护与控LIDD,ZHAOY,ZHAOY,etal.Afaultdiagnosforawindturbineplanetarygeturefusionnetwork[J]trol,2022,50(10):1-10.轮传动系统故障诊断[J].工矿自动化，2021,47(7):8-MA0QH,ZHANGYQ,ZHAOXY,etal.Faultdiagtion,2021,47(7):8-13.解的齿轮箱故障诊断方法[J].交通运输工程学报，2022,22(1):177-189.agnosismethodbasedoncoportationEngineering,2022,22(1):177-189.轴承故障诊断[J].组合机床与自动化加工技术，2020WANGSJ,PENGZR,YINH.Faultdiagnobearingbasedonmulti-sensorsignalprocessing[J].Modu-blespeedgearbasedonATFandASAD[J].JournalofMe-chanicalTransmission,2021,45(10):144-150.[7]曹志敏，蒋充剑.一种基于规则的敌我识别流程优化设CA0ZM,JIANGCJ.Anoptimtrol,2021,46(12):156-158.[8]刘婷婷，杨云.电涡流传感器在收割机寻迹导航上的应LIUTT,YANGY.Applicattrackingandnavigationofharvester[J].JournalofAgricul-turalMechanizationResearch,2022,44(10):185-188.动信号趋势项和噪声消除方法[J].铁道科学与工程学FUXQ,LIUJF,HUANGLJ,etal.Trendtermandde-noisingmethodforblabansubwaytunnelexcavation[J].JouenceandEngineering,2020,17(9):2328-2337.交流变频电机转子断条故障识别方法[J].电工技术学LIRY,LIUF,LIANGL,etal.Faultidentificationofbro-kenrotorbarsforthevariablefrequencyACmotoronparameteroptimizedvar[J].TransactionsofChinaElec36(18):3922-3933.振动信号特征提取[J].机械工程学报，2021,57(1):YEZ,YUJB.Featureextractionofgearboxvibrationsig-ralnetwork[J].JournalofMechanicalE