机械设备中齿轮故障诊断技术与应用分析.docVIP

机械设备中齿轮故障诊断技术与应用分析 　　【摘 要】机械故障诊断是一门涉及到设备运行、维护和安全作业的新兴综合技术，正受到越来越多的关注。其中齿轮传动作为机械运行最主要的形式，应加强对齿轮故障的诊断技术研究。本文通过分析齿轮故障的基本特征及诊断原理，针对故障诊断中的关键技术及应用问题进行探讨。以期通过本文的阐述为有效推进现代机械设备诊断技术发展，提高齿轮的使用效率提供理论参考。 　　【关键词】齿轮；故障诊断；诊断技术、 　　1.齿轮故障的基本特征及诊断原理 　　齿轮故障分大周期故障和小周期故障。 　　大周期故障是指以齿轮的回转频率为基本频率特征的故障。如偏心、裂纹和断齿等，它们有的以误差形式影响频谱，有的则以突变的刚度形式影响响应。小周期故障是指以轮齿的啮合频率为基本频率特征的故障如胶合、点蚀和磨损等，它们大都以变相位的误差形式影响频谱。其基本特征表现如下： 　　（1）具有大周期故障的齿轮在回转频率及其谐波处的振幅随故障的恶化而加大，而具有小周期故障的齿轮在啮合频率及其谐波处的振幅随故障的恶化而加大。 　　（2）具有大周期故障的齿轮在啮合频率及其谐波处产生以故障齿轮的回转频率为间隔的边频带族，并随着故障的恶化而加剧。 　　（3）具有大周期故障的齿轮，在啮合频率及其谐波处的振幅与故障关系不大，而具有小周期故障的齿轮，在回转频率及其谐波处的振幅与故障无关。 　　齿轮传动的故障监测与诊断的目的是要及时准确地把握设备的工作状态，实现预防维修，提高设备运行的可靠性、安全性。因此，及早发现齿轮系统的各类故障并预测故障的发展趋势十分重要。振动检测往往测量的是箱体表面的振动量，所测振动信号通常包含有传动系统各个零部件运动所引起的各种常规振动和齿轮故障所引起的振动 这些振动分量之间相互影响、相互耦合，组成非常复杂的振动系统。所以，齿轮箱的故障信号中常常包含了非平稳成分。传统的时域分析方法或频域分析方法只适用于分析信号的频率分量或信号的统计量不随时间变化的平稳信号。 　　当齿轮存在局部故障时，由于齿的损伤???能激发瞬态的冲击信号，齿轮啮合频率及其谐频被调制边频带紧紧包围而形成密集边频带。频域中主要表现在齿轮转速频率的倍频成分上，更重要的一点表现在啮合频率的边频带上。 　　2.齿轮故障诊断的关键技术及应用 　　2.1模糊诊断分类法 　　以模糊数学为基础，利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障征兆之间的不确定关系，进而实现故障的检测诊断。 　　由于模糊诊断可以处理一些不完整的或模糊的知识，更接近实际工况，目前模糊诊断方法在故障诊断领域的应用较为广泛，使故障诊断的精度得到提高.BocanialacD等使用模糊分类器进行故障精确诊断，对每一种故障，范围从可以忽略的小故障到大型故障，根据故障强度分为20个等级，值得注意的是，通过试验建立了精确的故障分类表，例如建立了通常使用的大、中、小故障的界限分别为5%～30%，35%～60%和65%～100%.与以往单一的大、中、小分类相比，把正常状态和故障状态区分开的精度达99.60%，诊断结果的精度大大提高，存在的问题是如何建立更加灵活、精确的故障分类表以减少不同故障之间的遗漏。 　　2.2神经网络故障诊断方法 　　对于故障诊断而言其核心技术是故障模式识别，而人工神经网络由于其本身信息处理的特点，如并行性、自学习、自组织、联想记忆功能等，使得其能够出色地解决那些传统模式识别方法难以解决的问题，所以故障诊断是人工神经网络的重要应用领域之一。 　　目前，已经提出的神经网络大约有几十种，其中较为有名的有贺浦菲特（Hopfield）模型、多层感知器（MuhilayerPerceptron，简称MLP）模型、自适应共振理论（Adaptive ResonanceTheory，简称ART）、Boltzmann机、自组织特征映射（Self—OrganizationMap，简称SOM）等.它们在故障诊断领域的应用主要集中于三个方面： 　　（1）从模式识别角度应用神经网络作为分类器进行故障诊断。 　　（2）从预测角度应用神经网络作为动态预测模型进行故障预测。 　　（3）从知识处理角度建立基于神经网络的诊断专家系统。 　　杜设亮等Do]将BP神经网络应用于齿轮箱故障诊断中.列出齿轮10种常见的故障特征，以齿轮箱的故障征兆参数作为网络的输入层，以被测齿轮常见的4种典型故障状态类别为输出层，建立了拓扑结构为10-5-4的BP神经网络.在结构模型及相关网络因子确定后，输入齿轮的各故障特征模式样本作为训练样本集，对网络进行训练学习，根据网络的输出确定齿轮故障的状态类别，诊断的均方误差在0.08以内，很好地实现了由齿轮故障征兆到其故障类别的欧氏空间上的非线性映射.其存在的问题是：