基于时域和频域的小波分析在齿轮故障诊断中的应用.docxVIP

基于时域和频域的小波分析在齿轮故障诊断中的应用 齿轮箱是机械系统的重要部件。它通常在高速和负载条件下工作。错误发生的发生率非常高。因此，对故障的诊断和监测非常重要。齿轮故障诊断的关键是怎样从齿轮故障振动信号中提取故障特征。对振动信号作频谱分析时一般都采用快速傅里叶变换(FFT)方法。由于其只能分析频率不随时间变化的线性平稳信号,而齿轮故障的振动信号往往是非平稳信号,目前非平稳信号的分析处理有很多方法,包括短时傅里叶变换、小波变换、经验模态分解(EMD)、局部均值分解(LMD)、广义时频分析等,但这些方法都有各自的适用范围。将分别介绍这些信号处理技术在齿轮故障诊断中的应用并展望其发展方向。 1 振动诊断中的齿轮故障诊断中的振动信号技术 1.1 信号滑动窗识别 传统的FFT只是单独在频域中分析信号,为了分析信号的频域成分随时间的变化关系,最简单的方法就是将信号乘上一个时间的滑动窗,林京等将短时傅里叶变换引入齿轮裂纹识别中,并用信息熵对变换结果作为量化标准,识别效果有一定的改进。由于短时傅里叶变换所加窗的大小和形状都不变,故对高频突发分量和长周期分量组成的信号分析结果不错,而对信号在不同时间有不同频率精度要求时效果则较差。 1.2 齿轮故障诊断 小波分析在对低频部分分析时,它采用高频率分辨率和低时间分辨率,在对高频信号分析时,采用低频率分辨率和高时间分辨率,从而实现信号的精确分析,因而利用小波变换进行齿轮故障诊断具有良好的效果。张进等运用Morlet小波对磨损、断齿两种典型的齿轮故障信号进行小波变换,提取时间—小波能量谱并对其进行Fourier变换,得到振动信号的特征并以此判断故障的类型,表明该方法不仅可以提取相对轻微的磨损故障信息,还可以根据边频成分准确地定位发生故障的元件。小波分析虽在时域和频域都具有很好的局部化性质,但本质上仍是一种窗口可调的Fourier变换,其窗内的信号必须是平稳的,因而没有根本摆脱 Fourier分析的局限。 1.3 齿轮早期故障识别 EMD方法是近年来发展起来的一种新的非线性、非平稳信号分析方法,被认为是近年来对以Fourier变换为基础的线性和稳态谱分析的一个重大突破。它是利用分解方法将复杂信号分解成有限个固有模态函数(IMF),再求解各IMF的瞬时频率等参数,从而获得信号的时间—频率—能量分布的时频分布,最后通过Hilbert-Huang变换、Teager-Huang、支持向量机和同态滤波解调等方法处理所获得的信号,从而有效识别齿轮的早期故障。李辉等利用Teager能量算子计算各IMF的瞬时幅值和瞬时频率,得到Teager-Huang变换时频谱,且经齿轮箱裂纹故障振动试验信号的研究结果表明Teager-Huang变换时频谱优预Hilbert-Huang变换,能有效识别齿轮的裂纹故障。但EMD中还存在过包络、欠包络、模态混淆、端点效应、IMF判据等问题,利用Hilbert变换形成解析信号后计算瞬时频率时还会产生无法解释的副频率,这些问题都在仍然处在研究当中。 1.4 lmd方法的应用 由于齿轮发生故障其振动信号大多数是多分量的调幅-调频信号,采用LMD方法提取各个分量的瞬时幅值和瞬时频率,实际上是对齿轮故障振动信号进行解调,对各个分量的瞬时幅值进行频谱分析就可以提取故障信号的调制信息,从而有效地提取齿轮故障振动信号的特征,因此LMD方法是适合于分析和处理齿轮故障振动信号的。何田等将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行对比,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性。 1.5 角域采样的阶次分析方法 当对齿轮箱变速信号直接进行FFT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技术,它对时域信号通过角域重采样,将给予等时间间隔的信号转换为等角度间隔的采样信号,可有效解决“频率模糊”现象。刘小峰等对重采样后的角域信号进行AR建模实现信号的阶次谱分析,结果表明这种方法能准确提取从FFT谱中无法得到的微弱故障信息,实现特征阶次谱线的精确定位。 1.6 信号的时频分布 广义解调的时频分析方法是把时频分布为倾斜、非线性或曲线的信号变换为时频分布是线性的平行于时间轴的信号,然后采用小波包对变换后的信号分解成若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,再逆变换进行还原,得到的还是单分量信号,进一步采用Hilbert变换计算各个分量的瞬时频率和瞬时幅值,从而得到信号完整的时频分布。程军圣等采用广义解调时频分析方法将齿轮振动信号分解为若干个单分量的调幅-调频信号,然后对各分量进行包络阶次谱分析,从而有效地进行齿轮故障诊断,但是这种方法需要顾及相位函数,在实际应用中可能会有一定困难。 1