通过自由回归模型对齿轮轮齿故障的检测.docVIP

通过自由回归模型对齿轮轮齿故障的检测 Neeta K. Nikhar, Sanika S. Patankar, Jayant V. Kulkarni neetanikhar@, sanikapatankar@, vitjvk@ Department of Instrumentation Engineering, Vishwakarma Institute o f Technology, Pune. An Autono mous Institute affiliated to University o f Pune Pune, India 概要——在各种工业应用中齿轮是非常重要的一个部件。某个不可预见的齿轮故障可能会造成严重的经济损失。因此，对齿轮故障的研究已经成为十分重要的课题。振动信号分析已广泛应用于旋转机械的故障检测。这篇文章提出了一个关于振动信号的自回归(AR)模型的齿轮轮齿的故障诊断技术。AR模型系数是由Yule-Walker方程Levision-Durbin递归算法得到的。计算模型是一个重要组成部分和Akaike信息标准。正常和故障齿轮的振动信号进行了AR建模，将故障齿轮的AR模型和正常齿轮的AR模型进行比较。频谱的变化指示故障。 关键字：机械齿轮;振动测量；自回归模型；齿轮啮合频率；频率响应。 I. 说明 在许多旋转机器中齿轮是最重要的部分之一,其机械效率明显高于其他任何机械、电气、气动动力传动驱动,他们被高度用于改变旋转运动和速度控制中。齿轮故障不仅不方便,它可能是灾难性的。与单单惊人的维修费用相比，关键的机械故障每天带来的损失有时价值数百万，意味着对不同的公司带来全年的损益。有如此多的弊端，机械状态监测不仅仅是一个好方法,它更是非常必要的。从齿轮箱获得振动信号被极其频繁地运用于状态监测。变速箱的负荷波动和齿轮缺陷的主要来源是振动特征的变化。在非常简单的系统中,这些变化的总振动的振幅的增加,可以很容易地使用简单的工具检测到。对于复杂的系统，总振动振幅的变化是由于单个机器零件的变化导致的，需要运用更加复杂的振动检测技术来检测损害。马修,阿尔弗莱德森[1],[2]提出的对滚动体轴承振动监测技术在时间和频率域进行的。王和麦克法登[3]提出的正交小波变换来检测早期生成的异常瞬变齿轮变速箱体振动造成的损失。耶拿,Panigrahi Kumar[4]已经实现了分析小波变换近似信号时间边际集成技术。Yaghouti[5]所做的比较FFT和Mexican Hat 小波分析显示小波在检测由于破损的齿轮引起的不确定性的故障上更有效。P.K. Kankar, S. C. Sharma and S.P. Harsha [6]一直专注于球轴承使用人工网络的故障诊断。上述结果表明,机器智能分析算法可用于轴承故障的自动诊断。Wang, Wong[7] and Rofe[8] 已经讨论了两种基于模型的方法、自回归(AR)模型和自回归移动平均(ARMA)模型,分析高分辨率参数估计方法。Endo和兰德尔[9]提出的基于“增大化现实”技术的基于模型的过滤技术的使用最小熵反褶积技术来提高检测在齿轮局部故障的能力。Wang, Markis[10] 应用钴AR模型的测试来确定齿轮轴的最可能的条件分析。很多研究侧重于分析残余信号获得的AR模型。目前还没有做过任何研究聚焦频率谱的AR模型齿故障检测速度不同。 对于带有波峰而没有波谷的谱线的估算，AR模型是最适合的。对于正弦建模也是非常有用的。然而ARMA模型能够提供含有波峰和波谷的频谱的数据序列值。齿轮箱的振动信号获取主要有锋利的齿轮啮合频率的峰值(GMF)及其谐波所以AR建模提供更好的齿轮箱的状态信息。 本文介绍了AR模型谱分析在齿轮故障分析各种速度。AR模型的性能已与FFT分析比较。 II .AR模型 一般AR模型的方程可以通过方程（1）描述，其中ak是AR的参数，e【t】具有零均值和方差的白噪声σ2和N是离散指数[ 11 ] (1) (2) pk,两极通过发现AR系数多项式的根的分母H[z]。AR模型的传递函数包含波兰人在分子分母加上只有微不足道的0 z = 0,所以它被称为一个适用于整机全极””模型。自H系数(z)是真实的,必须真实的或复杂的共轭双根。 故障的检测AR滤波器系数ak是要确定哪些是高度依赖于过滤器的顺序。四个主要方法有AR系数估计的Yule-Walker、伯格,最小二乘方法和最小二乘法向前向后方法[10]。AR参数和反射系数估计在所有这些方法。一般所有的四个评估方法产生类似估计当大数据样本。温和的样本大小,差异可能出现在评估方法的行为,特别是最小二乘法向前法和最小二乘法向前向后的方法,可以产生不稳定模型。 摘要Yule-Wal