专利名称：一种大型低速重载齿轮箱故障诊断的方法
技术领域：
本发明涉及一种大型低速重载齿轮箱故障诊断的方法，利用两个齿轮所在轴的轴频fri和啮合频率fm，考虑齿轮的长周期和短周期故障，对比双特征判据进行判断，并利用小波分析进行更精确判断的方法，属于大型低速重载齿轮箱故障诊断领域。
背景技术：
企业进行机械故障诊断，主要是判断机械零件失效(劣化)程度。平稳功率振动主要由正弦信号、类正弦信号及部分不足引起冲击的随机信号，这一部分信号在常规谱图中反映为不同频率的棒线或倍频棒线族。而冲击性功率的振动特征可清晰地反映在共振解调谱图上，并也以与零件特征频率相等的棒线或倍频棒线族的形式出现；随机冲击则以全频杂乱谱线族的形式出现于共振解调谱上。它们可以通过传统的傅立叶变换得到，但是传统傅立叶分析也有其局限性，它不具有局部定位能力。
安邦健在《设备管理&维修》1998，No.6中提出故障诊断“双特征判别法”来进行齿轮的故障诊断齿轮总是以一对啮合齿轮的形式出现的。以图1齿轮箱为例，Z1在I轴上，Z2、Z3在II轴上，Z4在III轴上，M为电机，L为联轴节。Z1＝13，Z2＝45，Z3＝20，Z4＝47。
一对啮合的齿轮有三个特征频率，即二个齿轮各自所在轴的轴频率fri和它们共有的啮合频率fm。齿轮所在轴的轴频率正好反映齿轮长周期公差重复的频率。长周期公差常见的有基圆偏心、周节积累误差超差等，短周期故障常见的有个别或部分齿有伤等。Z1的轴频为fr1，Z2的轴频为fr2，Z3的轴频为fr3，Z4的轴频为fr4，齿轮的啮合频率反映齿轮短周期公差重复的频率，也就是每一对齿啮合的频率，它的数值等于齿轮的齿数乘以所在轴的轴频。例如Z1Z2的啮合频率fm Z1Z2＝fr1·Z1＝fr2·Z2同理fmZ3Z4＝fr3·Z3＝fr4·Z4齿轮啮合频率既可以反映一对啮合齿轮的短周期误差(如齿形误差、相邻周节差等)，也可以反映一对啮合齿轮的长周期误差(如周节积累误差等)，对齿轮的诊断必须同时考虑齿轮的长周期故障与短周期故障。齿轮故障诊断的双特征判据如表1和表2所示。
表1 齿轮短周期故障的双特征判据(特征频率fm)
表2 齿轮长周期故障的双特征判据(特征频率fri)
注状态1与0表示有与没有fm谱线。状态1时，加速度计上信号幅值大于2m/s2。
“双特征判别法”对非低速重载齿轮箱的诊断结果准确，但是对于低速重载齿轮箱的诊断，由于特征信号难于有效提取，所以诊断结果不够准确。
发明内容
本发明的目的是为了解决“双特征判别法”无法有效解决大型低速重载齿轮箱诊断的问题，提出了一种大型低速重载齿轮箱故障诊断的方法。
本发明是一种在“双特征判别法”的基础上，结合小波分析，有效提取故障特征，进行诊断的“三特征判别法”，所述的故障信号“三特征判别法”就是在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征。其采用如下步骤1、利用具有滤波与宽带解调两种预处理功能的诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率谱线，信号特征用1表示，否则用0表示；2、确定振动幅值有明显变化的频段；选择振动信号幅值为其他频段上振动信号幅值1.25倍以上的频段，将此频段认定为振动幅值有明显变化的频段；3、计算振动幅值有明显变化频段的每小时的小波分层突变系数；所述的小波分层突变系数(量纲为1)为每隔固定的分钟数取一个数据，每1小时一个数据组，统计在1小时内小波某一层分解中大幅值(其中大幅值是幅值的极值点)数据占全部数据的比例，称这一比例值为小波分层突变系数，即
4、用每小时的小波分层突变系数作趋势图；其中小波分析列中，当5层突变系数发生突变时，将振动信号特征定为1，否则为0。
5、根据步骤1中判断的是否出现特征频率谱线以及小波分层突变系数所作的趋势图，做出分别如表3、表4、表5所示的“三特征判别法”判据，根据表中的故障对策进行故障判断。
表3 齿轮短周期故障的三特征判别法判据(特征频率fm)
表4 齿轮长周期故障的三特征法判据(特征频率fri)
表5 轴承故障的三特征法判据(轴承各特征频率fri)
所述步骤3中的固定的分钟数为3分钟，1小时内数据个数为20个。
本发明的原理为相对传统的傅立叶变换，小波分析在信号的特征提取方面具有较大的优越性。这主要表现在小波分析同时具有较好的时、频特性。小波分析具有多分辨率分析的特点，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，非常适合探测正常信号中夹带的瞬间反常现象并展示其成分。
小波分析基础图2为小波分析示意图。当信号x(n)的采样频率满足采样定理时，数字频率必限制在-π～π之间。此时可分别用理想低通(L)与理想高通滤波器(H)将它分解成(对正频率部分而言)频带在0～π/2的低频部分和频带在π/2～π的高频部分，分别反映信号的概貌与细节。处理后的两路输出必定正交(因频带不交叠)，而且由于两种输出的频带均减半，因此采样率可减半而不致引起信息的丢失。
类似的过程对每次分解后的低频部分可重复进行下去，即每一级分解把该级输入信号分解成一个低频的粗略逼近和一个高频的细节部分；而且每级输出采样率可以再减半，这样就将原始信号x(n)行了多分辨率分解。
从图2(图中A为高频部分信号细节，B为低频部分平滑概貌)可以看出小波分析将信号在不同尺度上展开，提取信号在不同频带的特征，同时保留信号在各尺度上的时域特征；小波分析每次对信号的低频部分进行分解，高频部分保留不动，而且它的频率分辨率与2j(j为小波分解的级数)成正比。因此，可对信号低频部分做详细观察。
采用本发明能有效提高低速重载齿轮箱故障诊断率。
图1齿轮箱传动简图；图2小波分析示意图；图中，A为高频部分信号细节，B为低频部分平滑概貌图3某钢厂初轧机齿轮箱传动简图；图4故障发生前测点3原始波形及小波五层低频分解部分；图4的分图测量的时间分别为(a)17:45，b)18:00，(c)18:15，(d)18:18图5故障发生后测点3原始波形及小波五层低频分解部分；图5的分图测量的时间分别为(a)18:48，(b)19:54，(c)19:57，(d)20:03(设备彻底崩溃)
图6各测点小波五层突变系数的变化。
分图分别代表的测点为(a)测点3，(b)测点4，(c)测点5，(d)测点具体实施方式
结合本发明方法的内容提供一下实施例图3为某钢厂初轧机齿轮箱传动图。在初轧机齿轮箱上装配了一套监测系统，六个测点分别布置在齿轮箱不同部位。C10轴承由于重载、杂质等外界影响，滚动体发生点蚀、磨损和松动现象，直到2003年5月6日18时45分时，在轧钢时轧制力的突然冲击下外圈破裂。当轴承破碎后，轴VI底部失去支撑，无法在其廻转中心上旋转，运行失衡，其上的齿轮传动关系遭到破坏，齿面受力不均，最后在各种复杂力的作用下，多个齿轮上的轮齿被折断。
(1)利用具有滤波与宽带解调两种预处理功能的便携式诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率fm谱线，冲击和平稳信号特征为1；(2)确定振动幅值有明显变化的频段初轧机大型齿轮箱输出轴转速较低，齿轮箱所包含的频率成分主要是0～1000Hz的中低频成分。由于DB5小波函数较其它小波分析能更明显地反映出故障特征，选择该函数将信号逐层分解成
，
，
，
，
等5个频段，分别对应尺度1到尺度5，然后比较每个频段的分解波形。通常，
Hz含有各种中低频成分，
Hz已不包含联轴节啮合频率和齿轮轴承特征频率的高次谐波，
Hz含有部分高速轴轴承外圈特征频率和Z3/Z4齿轮啮合频率，
Hz含有部分高速轴轴承滚动体特征频率，
Hz则以各轴轴频和轴承保持架特征频率为主。若某一频段波形振动幅值为其他频段上振动幅值1.25倍以上，就可以选取该频段信号应用小波分层突变系数进行设备劣化预测和故障诊断。
图4为故障发生前测点3在17:45、18:00、18:15、18:18时刻的原始波形及小波三、四、五层分解图，由.17时45分的波形可以看到原始波形变化最快，没有明显突变点；第五层分解波形变化最慢，基本平坦，但是在0.65s处振动幅值有明显突变，其振动幅值为其他频段上振动幅值1.3以上，据此可以选取第五层应用小波分层突变系数，同时也表明故障零部件的特征频率处于
的低频段(表6)。
表6 17时45分的波形图貌
图5分别为同一测点在故障发生后的18:48、19:54、19:57、20:03时刻原始波形及小波低频各层分解结果。此时，原始时域波形发生严重畸变，各层波形均变化剧烈，至20:03彻底崩溃前，各层波形又趋于平缓，第五层
Hz频段尤为显著，将
Hz频段定为明显变化的频段，选取该频段信号应用小波分层突变系数进行设备劣化预测和故障诊断。
(3)计算幅值明显变化的
Hz频段小波五层突变系数根据以上分析，以1小时为数据段，计算小波五层突变系数，即小波五层突变系数＝小波五层低频分解大幅值数据个数/1小时内数据个数(20个数据)从表7可以看出，在17:24-18:21这一段时间内，小波五层低频分解在100以上为大幅值数据有17:45、18:15、18:18三个，因此突变系数为3/20＝0.15。
在18:24-19:21一小时内数据里，100以上大幅值数据有七个，突变系数＝7/20＝0.35。
在19:06-20:03一小时内数据里，100以上大幅值数据有十二个，突变系数＝12/20＝0.60。
表7 17:24-20:03测点3原始波形及小波层低频分解部分
(4)用每小时的小波五层突变系数作趋势6所示为各测点小波分层突变系数的变化情况，从测点3、4、5上可以清楚的看到随着时间的推移，突变系数呈增大趋势。
(5)根据趋势图预测运行设备劣化情况，并初步判断有故障隐患的零部件从图6上可以看到有隐患零部件劣化发展的趋势3、4、5号测点在齿轮箱突发事故前6小时(即14时左右)，趋势图就有明显的上升，据此可以采取应急措施。由图4可见有多个时刻(例如17:45、18:00、18:15、18:18)小波五层低频分解部分振幅变化剧烈，小波分析信号特征为1，结合(1)的特征(冲击和平稳信号特征为1)，这表明转速低的输出轴轴承磨损是主要故障。
权利要求
1.一种大型低速重载齿轮箱故障诊断的方法，其特征在于在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征，具体采用如下步骤1)、利用具有滤波与宽带解调两种预处理功能的诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率谱线，信号特征用1表示，否则用0表示；2)、确定振动幅值有明显变化的频段；选择振动信号幅值为其他频段上振动信号幅值1.25倍以上的频段，将此频段认定为振动幅值有明显变化的频段；3)、计算振动幅值有明显变化频段的每小时的小波分层突变系数；所述的小波分层突变系数，量纲为1每隔固定的分钟数取一个数据，每1小时一个数据组，统计在1小时内小波某一层分解中大幅值，其中大幅值是幅值的极值点，数据占全部数据的比例，称这一比例值为小波分层突变系数，即 4)、用每小时的小波分层突变系数作趋势图；其中小波分析列中，当5层突变系数发生突变时，将振动信号特征定为1，否则为0；5)、根据步骤1)中判断的是否出现特征频率谱线以及小波分层突变系数所作的趋势图，做出分别如表3、表4、表5所示的“三特征判别法”判据，根据表中的故障对策进行故障判断；表3齿轮短周期故障的三特征判别法判据，特征频率fm
表4齿轮长周期故障的三特征法判据，特征频率fri
表5轴承故障的三特征法判据，轴承各特征频率fri
2.根据权利要求1所述的一种大型低速重载齿轮箱故障诊断的方法，其特征在于所述步骤3)中的固定的分钟数为3分钟，1小时内数据个数为20个。
全文摘要
一种大型低速重载齿轮箱故障诊断的方法，属于大型低速重载齿轮箱故障诊断领域。是一种在“双特征判别法”的基础上，结合小波分析，有效提取故障特征，进行诊断的“三特征判别法”，所述的故障信号“三特征判别法”就是在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征。采用本发明能有效提高低速重载齿轮箱故障诊断率。
文档编号G01M7/00GK1995946SQ200610169830
公开日2007年7月11日 申请日期2006年12月29日 优先权日2006年12月29日
发明者高立新, 张雪松, 张建宇, 胥永刚, 叶辉, 周兵, 魏厚培, 黄汉东, 彭世春, 吴丽娟, 李仁科, 李金玉, 李欣, 唐彦斌 申请人:北京工业大学