梅 杰,陳定方,李文鋒,盧全國,余 震

(武漢理工大學物流工程學院,湖北 武漢 430063)

多級行星齒輪增/減速器常用于風力發(fā)電、重要爬升設備中,是1種有效連接和傳遞動力的通用零部件.但由于多級行星齒輪傳動比大、結構復雜,而且工作環(huán)境通常又非常惡劣,所以齒輪箱零部件極易損壞并出現(xiàn)故障.若按照傳統(tǒng)方法對增/減速器實行揭蓋檢修,需要停機停產(chǎn),不僅維護費用高,而且不易預防事故的發(fā)生.因此,對多級行星齒輪增/減速器實行不解體故障診斷及在線監(jiān)測,具有重要的技術經(jīng)濟意義.

但從在線監(jiān)測系統(tǒng)到作出檢修決策,還有許多科學與技術問題尚未徹底解決.故障與狀態(tài)的診斷、判別與預測是狀態(tài)檢測的必然環(huán)節(jié),專家系統(tǒng)為設備故障診斷提供了技術支撐,而近年來人工神經(jīng)網(wǎng)絡以強有力的學習和并行處理能力為齒輪箱故障診斷提供了1種新的理論方法和實現(xiàn)手段.

1 齒輪故障診斷分析機理

齒輪箱是各類機械的變速傳動部件,一般包含軸、齒輪和軸承等零部件,其運行正常與否涉及到整臺機器的工作狀況.由于制造誤差、裝配不當或在不適當?shù)臈l件下使用,常會發(fā)生損傷等故障.齒輪箱中各類零件損壞的百分比[1,2]約為:齒輪60%、軸承19%、軸10%、箱體7%、緊固體3%、油封1%.

齒輪故障或失效形式多種多樣,由于制造與安裝不良,造成齒輪與內(nèi)圓軸線不同心、不對中以及大型齒輪的動不平衡等.在齒輪的運轉中,由于齒面間承受著交變載荷,引起齒面點蝕、剝落、膠合、磨損及斷齒等失效形式.根據(jù)相關資料[3],斷齒占齒輪故障比例的41%,點蝕為 31%,劃痕為 10%,磨損為 10%,其他為8%.

結合實驗室開發(fā)的多級行星齒輪增/減速器的物理樣機運行工況,采用振動方法,對物理樣機增/減速器進行狀態(tài)監(jiān)測與故障診斷.由于振動信號多集中于軸承座1～5(見圖1)上,所以,各狀態(tài)監(jiān)測點應布置在軸承座上,獲取多級行星齒輪增/減速器的振動信號.圖1為多級行星齒輪減速器傳動示意圖.

(1)多級行星齒輪減速器的總傳動比為5536.8,具體參數(shù)如表1所示.

圖1 多級行星齒輪減速器原理圖Fig.1 Schematic diagram of multiple level planetary gear

(2)電動機型號 YEJ2-71M2-4,額定功率 370 W,轉速 1330 r·min-1.則減速器輸入軸頻率為fr=1330 Hz/60=22.2 Hz.

(3)各軸處的特征頻率為 f1=22.2 Hz/3.7=6 Hz,f2=6 Hz/4.76=1.26 Hz,f3=1.26 Hz/10.38=0.12 Hz,f4=0.12 Hz/6.23=0.02 Hz,f5=0.02 Hz/4.929=0.004 Hz,齒輪的嚙合頻率為 f嚙合=22.2 Hz×17=337.4 Hz.

綜上分析,可以以斷齒、點蝕以及軸承故障作為主要診斷對象進行分析,通過研究各測點處的振動頻率、振幅等特征信號,研究多級行星齒輪減速器的故障情況及運行狀態(tài)[4].

(1)斷齒.輪齒折斷時表現(xiàn)為振動信號具有較大的振動沖擊.頻率成分主要有斷齒軸的轉頻、嚙合頻率及其諧波,以及在嚙合頻率及其諧波附近存在的以斷齒軸轉頻為間隔的調(diào)制邊頻帶.

(2)點蝕.齒面點蝕在頻域中表現(xiàn)為:在嚙合頻率及其高次諧波附近存在以點蝕齒輪所在軸的轉頻為調(diào)制的邊頻帶,但調(diào)制邊頻帶數(shù)量少而稀.

(3)軸承故障.由于減速箱部分大部分軸承為滾動軸承,因此,滾動軸承在運行中出現(xiàn)的故障按其振動信號特征的不同可分為磨損和表面損傷2種.軸承表面磨損表現(xiàn)為振動水平及噪聲的增大.表面損傷表現(xiàn)為低頻振動成分,其頻率與轉速和軸承的幾何尺寸有關,成為故障特征頻率.此外還包括由于損傷沖擊作用而誘發(fā)的軸承系統(tǒng)的高頻固有振動成分,如軸承內(nèi)、外圈的徑向彎曲固有振動等.

表1 多級行星齒輪減速器參數(shù)表Tab.1 Parameter table of multiple level planetary gear

2 行星齒輪故障診斷專家系統(tǒng)結構

2.1 行星齒輪減速箱故障診斷系統(tǒng)結構

行星齒輪減速箱故障診斷系統(tǒng)本質上是1個智能專家系統(tǒng),它從現(xiàn)場數(shù)據(jù)源如數(shù)據(jù)庫服務器等采集數(shù)據(jù),存儲在綜合數(shù)據(jù)庫里.數(shù)據(jù)庫中的實時和歷史數(shù)據(jù)通過推理機與知識庫相匹配,診斷結果經(jīng)解釋機制與存有詳細故障信息的數(shù)據(jù)庫交互,轉換成實時的故障診斷信息,然后送入人機界面.系統(tǒng)結構如圖2所示[5].

2.2 專家系統(tǒng)中故障診斷知識的表示

.圖2 實時故障診斷專家系統(tǒng)結構圖Fig.2 Structure diagram of real-time fault diagnosis expert system

知識表示是知識的形式化過程,需要研究如何利用最合適的形式來組織知識,使對所要解決的問題最為有利.它是專家系統(tǒng)的核心.而知識表示方法就是研究如何設計各種數(shù)據(jù)結構,以便將獲得的知識以計算機內(nèi)部代碼的形式加以合理的描述和存儲對不同的領域,采用不同的知識表示方法.目前專家系統(tǒng)中應用最為普遍的產(chǎn)生式規(guī)則表示知識的方法不僅可以表達事實,而且可以通過引入置信度因子來表示對這種事實的可信程度,使得專家系統(tǒng)實現(xiàn)非精確推理成為可能.

(1)事實的表示.對于孤立的事實,在專家系統(tǒng)中常用(特性—對象—取值)三元組表示.而對于不完全的知識的表示,經(jīng)常還在三元組表示中加入關于該事實確定性程度的數(shù)值度量,如用置信度來表示事實的可信程度:(判斷:振動基頻分量振幅占通頻振幅60%以上,基頻振動0.9).上述規(guī)則表示“振動基頻分量振幅占通頻振幅60%以上判斷為基頻振動”的置信度為90%.

(2)規(guī)則的表示.在產(chǎn)生式表示法中,一條規(guī)則可表示為

圖3 基于模型的診斷方法原理圖Fig.3 Schematic diagram of diagnosis method based on model

2.3 故障診斷專家系統(tǒng)的知識推理功能

在線監(jiān)測功能直接應用實時數(shù)據(jù)分析結果作為知識推理的初始事實,當分析結果表明增/減速箱運行出現(xiàn)異常時,就可啟動故障診斷專家系統(tǒng)根據(jù)當前事實進行推理,以便獲得專家對設備運行狀態(tài)的判斷,為設備維護提供有價值的參考.圖3為基于模型的診斷方法原理圖.通過對各個測點的測量,可結合仿真軟件對齒輪箱的轉速、頻率進行模擬仿真,根據(jù)增/減速箱的初始條件可獲得其理想狀態(tài)的運行曲線.若曲線吻合,則表明齒輪箱運行正常;若不吻合,通過時域、頻域分析,比較知識庫的故障診斷案例,可獲得其故障原因與故障部位.

3 人工神經(jīng)網(wǎng)絡樣本分析

人工神經(jīng)網(wǎng)絡是模仿人腦工作方式而設計的,它帶有大量按一定方式連接的和并行分布的處理器,網(wǎng)絡通過學習,獲取知識,解決問題,然后將知識分布存儲在連接權中.人工神經(jīng)元模型是根據(jù)生物神經(jīng)元模型的原理進行設計的.

神經(jīng)網(wǎng)絡具有自學習、自組織、自適應、分布存儲、聯(lián)想記憶良好等一系列的優(yōu)點,與專家系統(tǒng)結合,可提高專家系統(tǒng)的性能,使得它解決問題的方式與人類智能更為接近.專家系統(tǒng)代表智能的認知性,神經(jīng)網(wǎng)絡代表智能的感知性,這就形成了神經(jīng)網(wǎng)絡專家系統(tǒng)的特色.

人工神經(jīng)網(wǎng)絡基本單元的神經(jīng)元模型主要包括3個基本要素:1組連接權ωi(i=1,2,…n),連接強度由各連接上的權值表示,正表示激勵,負表示抑制;1個求和單元∑,用于求取各輸入信息的加權和;1個非線性的激勵函數(shù)φ(·),起非線性映射作用,并限制神經(jīng)元的輸出幅度在一定范圍之內(nèi).

如果1個神經(jīng)元有 N個輸入向量xj,{xj}=[x1,x2,…,xn]T,通過和它相乘的權值分量{ωj}=[ω1,ω2,…,ωn]T相連,由下式即可得出神經(jīng)元的輸出:

式中:b為輸出神經(jīng)元的閾值.

3.1 神經(jīng)網(wǎng)絡的學習方法

結合人工神經(jīng)網(wǎng)絡中δ學習律進行研究.這種方法是通過輸入實例,用已知例子作為教師,對網(wǎng)絡的權進行學習.設xi為神經(jīng)網(wǎng)絡的輸入,yj為神經(jīng)網(wǎng)絡的輸出,Wqj為神經(jīng)元q從輸入xi到輸出yj的權.當神經(jīng)網(wǎng)絡有輸入xi時,網(wǎng)絡在權的作用下,有一輸出y′j.當y′j與已知輸出yj不在輸出誤差允許的范圍內(nèi)時,需要調(diào)整權值Wqj,Wqj的改變量為

式中:η為步長;δj為神經(jīng)元網(wǎng)絡輸出期望對節(jié)點輸入的一階導數(shù);Vq為第q個神經(jīng)元的輸出;(yj-y′j)為誤差(即期望值與實際值之差).φ(·)函數(shù)根據(jù)不同的情況而定,對于多數(shù)人工神經(jīng)網(wǎng)絡,設:

圖4 BP網(wǎng)絡結構Fig.4 BP network structure

在Perceptron adaline神經(jīng)網(wǎng)絡和BP(Back Propagation)神經(jīng)網(wǎng)絡中都采用了δ學習律.該系統(tǒng)主要包括輸入層、隱層和輸出層.多級行星齒輪增/減速器的輸入特征量包括:①各分頻、工頻和倍頻振動幅值;②主要頻率處的相位;③起停機時各轉速下的振動幅值和相位;④負荷變化前后振動幅值和相位;⑤軸瓦(潤滑油)溫度;⑥其他過程參數(shù),如溫度、壓力、負荷等.輸出故障包括:①輪齒折斷;②齒輪點蝕;③軸承表面磨損;④軸承表面損傷;⑤初始彎曲;⑥軸承座松動等.圖4為BP網(wǎng)絡結構,左端為輸入,右端為輸出.

3.2 基于人工神經(jīng)網(wǎng)絡專家系統(tǒng)的診斷結果

在齒輪箱的狀態(tài)診斷中,通過對齒輪箱中1～5齒輪軸布置多個傳感器節(jié)點,測量其振動加速度信號.通過比較多測點數(shù)據(jù)以及同一個測點上不同時間的幾組數(shù)據(jù),對齒輪箱進行故障監(jiān)測與診斷.與此同時,人為設置幾種典型的故障工況,這些故障包括滾動軸承內(nèi)、外圈出現(xiàn)劃傷,軸承保持架斷裂和齒輪齒面磨損等.通過對各種工況的比較、測試,對所測得的信號進行采樣,采樣頻率為4000 Hz,選取對故障敏感的2組數(shù)據(jù)進行相應變換后提取故障特征參數(shù)[6].將0～4000 Hz頻率區(qū)間劃分成8個頻帶:0～500 Hz,500～1000 Hz,1000～1500 Hz,…,3500～4000 Hz.計算各頻帶能量,利用神經(jīng)網(wǎng)絡權值公式,設定各個測點的連接權 ωi及輸出神經(jīng)元的閾值,根據(jù)式(6)即可獲得神經(jīng)網(wǎng)絡的輸出值yi:

神經(jīng)網(wǎng)絡輸入節(jié)點數(shù)根據(jù)診斷信息特征向量維數(shù)確定,可以選用波動頻率、相位、幅值及溫度4個參量作為診斷特征參數(shù),故網(wǎng)絡輸入節(jié)點數(shù)為4.待診斷故障類別數(shù)決定了網(wǎng)絡輸出的節(jié)點數(shù),可以以輪齒折斷、點蝕、軸承表面損傷及軸初始彎曲等構成輸出故障向量F,F=[折斷點蝕軸承表面損傷軸初始彎曲].當神經(jīng)網(wǎng)絡輸出單元值為1或接近1時,表示對應的工況存在;而當輸出單元值為0或接近0時,表示狀態(tài)不存在.所以,目標向量[1000]為輪齒折斷,而[0001]則為軸初始彎曲.按照傳統(tǒng)做法,隱層節(jié)點數(shù)與輸入節(jié)數(shù)取相同數(shù)字[7].

由此在不同的工況條件下對增/減速器進行實驗,從測取的振動波形中提取作為診斷的4個特征參數(shù)作為訓練與診斷樣本,對神經(jīng)網(wǎng)絡進行訓練學習與故障診斷測試,可以獲得相應的訓練和識別診斷結果,把輸入特征樣本和目標向量之間的對應關系記憶在網(wǎng)絡結構上,并將增/減速器工作過程中檢測到的振動波形數(shù)據(jù)輸入到已訓練好的網(wǎng)絡模型,即可得到狀態(tài)識別診斷結果,根據(jù)隸屬度最大從屬原則可判斷故障類型,從而實現(xiàn)對齒輪箱故障的診斷.

4 結論

針對實驗室開發(fā)的多級行星齒輪增/減速器,實現(xiàn)了對該增/減速器的故障診斷研究.根據(jù)多級行星齒輪增/減速器的電機輸入轉速,得出了增/減速器各級軸端的特征頻率,分析了齒輪增/減速器常見的故障征兆.結合專家系統(tǒng)和神經(jīng)網(wǎng)絡的優(yōu)點,采用δ學習律實現(xiàn)專家系統(tǒng)的自學習能力.并在0～4000 Hz的采用頻率內(nèi),劃分8個頻帶對增/減速器各個軸端測點進行采樣.最終以波動頻率、相位、振幅及溫度4個參量作為診斷特征參數(shù),以輪齒折斷、點蝕、軸承表面損傷及軸初始彎曲作為輸出,實現(xiàn)多級行星齒輪箱故障的有效診斷.

[1]韓捷,張瑞林.旋轉機械故障機理及診斷技術[M].北京:機械工業(yè)出版社,1997.HAN Jie,ZHANG Ruilin.Fault mechanism and diagnosis technology of rotating machinery[M].Beijing:China Machine Press,1997.

[2]徐敏.設備故障診斷手冊[M].西安:西安交通大學出版社,1998.XU Min.Equipment fault diag nosis manual[M].Xi'an:Xi'an Jiaotong University Press,1998.

[3]丁康,朱小勇,陳亞華.齒輪箱典型故障振動特征與診斷策略[J].振動與沖擊,2001,20(3):7-12.DING Kang,ZHU Xiaoyong,CHEN Yahua.T he vibration characteristics of typical gearbox faults and its diagnosis plan[J].Journal of Vibration and Shock,2001,20(3):7-12.

[4]冷軍發(fā),荊雙喜,張新紅,等.齒輪減速器故障診斷研究[C]//徐小力,王書茂.設備監(jiān)測與診斷技術及其應用:第十二屆全國設備監(jiān)測與診斷學術會議論文集.海南:中國機械工程學會設備與維修工程分會.2005:665-669.LENG Junfa,JING Shuangxi,Zhang Xinhong,et al.Research on gear reducer fault diagnosis[C]//XU Xiaoli,WANG Shumao.Equipment monitoring and diagnosis technology and its application:the twelfth national equipment monitoring and diagnosis academic conference symposium.Hainan:Equiment and Maintenance Engineering Branch of Chinese Mechanical Engineering Society.2005:665-669.

[5]竇東陽,趙英凱.基于C語言集成產(chǎn)生式系統(tǒng)的火電廠實時故障診斷系統(tǒng)[J].電網(wǎng)技術,2008(9):89-92.DOU Dongyang;ZHAO Ying kai.Thermal power plant real-time fault diagnosis system based on CLIPS[J].Power System Technology,2008(9):89-92.

[6]黃飛,孔慶霞.基于改進的BP神經(jīng)網(wǎng)絡齒輪箱故障診斷方法的研究[J].科技信息,2008(24):80-82.HUA NG Fei,KONG Qingxia.Research on gearbox fault diagnosis method based on improved BP neural network[J].Science and Technology Information,2008,(24):80-82.

[7]王江萍,王瑋.基于RBF網(wǎng)絡的抽油機減速器故障診斷[J].石油機械,2007(1):28-31.WANG Jiangping,WANG Wei.Fault diagnosis of gear reducer in pumping unit based on RBF neural network[J].China Petroleum Machinery,2007(1):28-31.