張榮法， 胡佳成， 李東升， 王 堅， 馬 豪

（1.中國計量學院，浙江杭州 310018； 2.杭州嘉誠機械有限公司，浙江杭州 310018）

基于自相關算法的減速機蝸輪齒形變化故障檢測方法研究

張榮法1， 胡佳成1， 李東升1， 王 堅2， 馬 豪1

（1.中國計量學院，浙江杭州 310018； 2.杭州嘉誠機械有限公司，浙江杭州 310018）

為診斷蝸桿減速機的蝸輪齒形變化故障，提出了一種新的振動信號特征檢測方法，即將自相關分析方法與傳統(tǒng)的齒輪故障分析方法經(jīng)驗模態(tài)分解及Hilbert變換相結(jié)合的方法。采用經(jīng)驗模態(tài)分解，將蝸桿減速機振動信號分離為各個不同頻率段的本征模態(tài)函數(shù)（IMF）分量，運用自相關分析高效選取含有蝸輪故障特征信號的IMF分量，最后應用Hilbert變換提取由自相關算法選取的IMF分量中蝸輪故障特征信息。采用JD45＋齒輪測量儀分析了蝸輪齒形變化量，驗證了上述方法的可行性。

計量學；自相關分析；經(jīng)驗模態(tài)分解；Hilbert變換；蝸輪齒形變化；故障檢測

1 引 言

蝸桿減速機是機械設備中常見的一種傳動設備，蝸輪和蝸桿是蝸桿減速機的兩個主要傳動部件。其中，蝸輪比較容易出現(xiàn)故障，而齒形變化是引起蝸輪出現(xiàn)故障的主要形式之一，齒形變化是指蝸輪齒形偏離理想的齒廓線。當蝸輪出現(xiàn)齒形變化故障時［1］，會產(chǎn)生以嚙合頻率為載波頻率、蝸輪軸轉(zhuǎn)動頻率為調(diào)制頻率的嚙合頻率調(diào)制現(xiàn)象，由于齒形變化故障一般不產(chǎn)生大的沖擊振動，能量小，所以調(diào)制頻率的邊頻帶少。當齒形變化特別嚴重時，由于激振能量較大，激勵起蝸輪固有頻率，出現(xiàn)以蝸輪各階固有頻率為載波頻率、蝸輪所在軸轉(zhuǎn)動頻率為調(diào)制頻率的蝸輪共振頻率調(diào)制。包絡分析技術就是對蝸輪故障信號進行包絡解調(diào)，提取故障頻率。包絡分析技術已成為齒輪故障振動信號分析的有效方法之一。

然而，直接對原始振動信號進行包絡分析時，帶通濾波器的參數(shù)選擇通常依靠經(jīng)驗，具有一定的盲目性。經(jīng)驗模態(tài)分解（EMD）可將信號分解至不同頻域段，是一種自適應的信號分解方法。文獻［2，3］采用EMD和包絡譜相結(jié)合的方法提取齒輪故障頻率，取得了較好效果。該方法通過EMD將齒輪故障信號分解為多個本征模態(tài)函數(shù)（IMF）分量，再對故障特性明顯的IMF分量進行包絡分析。然而，故障特征明顯的IMF依然是通過經(jīng)驗獲得，缺少理論依據(jù)。文獻［4］提出一種基于小波系數(shù)熵閾值的增強型共振解調(diào)方法，利用小波包將軸承振動信號進行分解，計算各個小波包的信息熵，選取信息熵較大的小波包系數(shù)重構(gòu)信號，取得一定效果。但合適的小波包分解層數(shù)以及小波基較難確定。文獻［5］提出運用信息熵的方法來選取IMF，首先計算各IMF分量的信息熵，再設定一個信息熵閾值，選取大于信息熵閾值的IMF分量進行包絡分析，同樣也取得一定效果。但是信息熵閾值的選取對分析結(jié)果有很大影響，最佳信息熵閾值的選取很難確定。鑒于自相關算法的性質(zhì)，提出運用自相關分析的方法選取IMF分量，診斷蝸輪齒形變化故障。

2 蝸輪齒形變化故障分析方法

2.1 經(jīng)驗模態(tài)分解（EM D）原理

EMD算法是假設任意一個信號都是由許多本征模態(tài)函數(shù)（IMF）組成［4，5］。EMD算法的目的在于將性能不好的信號分解為一組性能較好的IMF，分解結(jié)果由若干IMF和一個殘余信號組成，其中任意一個IMF分量都必須滿足兩個條件：整個數(shù)據(jù)段內(nèi)，極值點的個數(shù)必須相等或相差最多不能超過一個；在任何一點，由局部極大值點形成的包絡線和由局部極小值點形成的包絡線的平均值為零。

2.2 自相關分析

相關函數(shù)描述了隨機振動樣本在不同時刻瞬時值之間的關聯(lián)程度［6，7］。如果相關函數(shù)分析是針對同一隨機樣本x（t）進行，x（t＋τ）是x（t）時移τ后的樣本，可定義自相關函數(shù)Rx（τ）為式中，T為信號觀測時間；τ為滯后時間。

自相關函數(shù)具有以下性質(zhì)：

（1）自相關函數(shù)在τ＝0時取得最大值；

（2）當τ足夠大或τ→∞時，隨機變量x（t）和x（t＋τ）之間不存在內(nèi)在聯(lián)系，彼此無關；

（3）自相關函數(shù)為偶函數(shù)，即

（4）周期函數(shù)的自相關函數(shù)仍為同頻率的周期函數(shù)，其幅值與原周期信號的幅值有關，而丟失了原始信號的相位信息。

利用自相關函數(shù)的性質(zhì)，可以準確選取含有周期性沖擊信號的IMF分量。

2.3 Hilbert變換

Hilbert變換是信號分析和處理的重要工具［8～10］。Hilbert變換器的單位抽樣為：

通過對自相關分析選取的IMF進行Hilbert變換，得到包含時間、頻率和幅值的Hilbert譜，同時也可以得到原始信號的解調(diào)譜，從中提取蝸輪齒形變化故障的信號特征。

3 蝸輪故障診斷實例

對由正常和故障的兩個蝸輪組裝的蝸桿減速機進行振動測試，得到多組振動信號數(shù)據(jù)，運用EMD、自相關分析和Hilbert變換相結(jié)合的方法對兩種振動信號進行分析。最后，利用哈爾濱精達測量儀器有限公司生產(chǎn)的JD45＋齒輪測量儀測量兩個蝸輪的齒形變化量，驗證上述方法的正確性。

3.1 減速機振動測試系統(tǒng)

本文測試的對象是兩個由杭州嘉城機械有限公司生產(chǎn)的蝸輪蝸桿減速機。為了對減速機進行振動測試，搭建了蝸輪蝸桿減速機振動測試平臺。

測試系統(tǒng)包括電動機、輸入輸出轉(zhuǎn)矩傳感器、減速機和磁粉制動器，它們之間通過法蘭盤結(jié)合在一起。當系統(tǒng)運轉(zhuǎn)時，電動機為整個系統(tǒng)提供傳動動力。輸入轉(zhuǎn)矩傳感器可以輸出減速機輸入端蝸桿軸的轉(zhuǎn)速、轉(zhuǎn)矩和功率。輸出轉(zhuǎn)矩傳感器可以輸出減速機輸出端蝸輪軸的轉(zhuǎn)速、轉(zhuǎn)矩和功率。減速機作為被測對象，被牢牢固定在實驗臺上。加速度傳感器用來采集減速機的振動信號，放置在減速機上靠近振動源蝸輪軸的位置。加速度傳感器的輸出端接到微型計算機的采集卡上，由微型計算機存儲減速機的實時振動信號，用于后期的數(shù)據(jù)處理。磁粉制動器在系統(tǒng)中起到負載的作用。測試過程中，電動機轉(zhuǎn)頻為24 Hz，信號采樣頻率為1635Hz，減速機減速比為15∶1，蝸輪有30個齒。

3.2 振動信號分析

采用EMD將兩個減速機的原始振動信號分解為多個不同頻域段的IMF分量，如圖1所示。

圖1 原始信號EMD后的前六階分量

從各IMF分量的時域圖中分辨不出是否含有故障信號，兩個減速機振動信號的前6階IMF分量的自相關函數(shù)如圖2，用符號Ri（i＝1，…，6）表示各IMF分量的自相關函數(shù)。首先分析第一個減速機振動信號的自相關函數(shù)，如圖2（a）。由R1可知，當τ稍偏離0時，自相關函數(shù)幅值由0.15大幅度衰減至0附近，并且當τ偏大時，其波形無周期性，可以判斷IMF1主要為寬帶隨機噪聲。R2和R4也是在τ偏離0時迅速衰減，但衰減的幅度比R1小得多，并且在τ較大時，其波形無周期性，可以判斷IMF2和IMF4主要為窄帶隨機信號。在R3中，當τ較大時，自相關函數(shù)沒有出現(xiàn)衰減的情況，并有明顯的周期性，依據(jù)自相關函數(shù)的性質(zhì)可以判斷IMF3中含有周期信號，在R5和R6中，隨著τ不斷增大，其自相關函數(shù)緩慢衰減，并最終趨于0，從而可以判斷IMF5和IMF6中不含周期信號。

對第一個減速機振動信號的IMF3進行頻域分

圖2 前6階IMF分量的自相關函數(shù)

析，得到結(jié)果如圖3（a）所示。從圖中看到信號在166.7 Hz（嚙合頻率的4倍頻）處出現(xiàn)峰值，且有很窄邊頻帶160.0、164.0、174.7 Hz。再對其解調(diào)分析，結(jié)果如圖4，從圖中看到，信號在1.35 Hz處出現(xiàn)峰值，判斷為蝸輪理論轉(zhuǎn)頻（理論計算值為f＝1.6 Hz），而上述邊頻帶的間隔分別為蝸輪軸轉(zhuǎn)頻的5、2、6倍頻。以上情況符合蝸輪出現(xiàn)齒形變化故障時的振動信號特征，說明第一個減速機出現(xiàn)了蝸輪齒形變化的故障，同時證明了自相關分析的正確性。

從圖2（b）中看到6個自相關函數(shù)的幅值都很小，且無周期性，無法辨別哪個分量中含有故障信號，參照第一個減速機振動信號自相關分析結(jié)果，對第二個減速機振動信號的IMF3進行頻域分析，結(jié)果如圖3（b），從圖中看到信號在216 Hz處出現(xiàn)峰值，不符合減速機出現(xiàn)蝸輪齒形變化故障時振動信號的特征，判斷該減速機沒有出現(xiàn)蝸輪齒形變化故障。

3.3 蝸輪幾何參數(shù)測量

為了驗證振動信號的分析結(jié)果，在進行振動測試實驗后，運用哈爾濱精達測量儀器有限公司生產(chǎn)的JD45＋齒輪測量儀測量兩個蝸輪的齒形變化量，測量結(jié)果如表1。

圖3 兩個減速機原始振動信號第3階IMF分量的頻域圖

圖4 第1個減速機原始振動信號第3階IMF分量的包絡圖

該實驗測量了蝸輪4個齒左右兩面的齒形變化量，從表1中的a看到，第一個減速機中蝸輪的齒形變化量較大，與廠家要求的蝸輪齒形加工精度公差值（39μm）相差很大，說明該蝸輪確實存在齒形變化的故障，測量結(jié)果與振動分析的結(jié)果吻合。從表1中的b看到，第二個減速機蝸輪的齒形變化量較小，與理論值相差很小，說明該蝸輪不存在齒形變化的故障，同樣與振動分析的結(jié)果吻合。

表1 兩個減速機中蝸輪齒形變化量μm

通過與齒輪測量儀測量結(jié)果對比，證明自相關分析可應用于EMD后IMF分量的選取，并證實上述振動分析方法可有效診斷減速機蝸輪齒形變化故障。

4 結(jié) 論

本文在分析了減速機齒形變化故障特征后，采用EMD對減速機振動信號進行分解處理，應用自相關分析選取含有蝸輪故障特征的IMF分量，運用Hilbert變換分析方法對故障信號進行解調(diào)處理，進而得到減速機齒形變化故障信號的特征頻率，并通過實驗驗證，得到以下結(jié)論：

（1）自相關分析方法可準確地選取減速機振動信號經(jīng)EMD后含有故障特征的IMF分量，提高了故障診斷效率。

（2）基于EMD分析法和Hilbert變換分析法相結(jié)合的方法能夠準確提取減速機蝸輪齒形變化故障的特征頻率，是一種診斷蝸輪蝸桿減速機齒形變化故障行之有效的方法。

（3）當減速機出現(xiàn)其他故障時，需要進一步驗證該方法的可行性。

［1］ 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.

［2］ 戴桂平，劉彬.基于小波去噪和EMD的信號瞬時參數(shù)提?。跩］.計量學報，2007，28（2）：158－162.

［3］ 陳忠，鄭時雄.基于經(jīng)驗模式分解（EMD）的齒輪箱齒輪故障診斷技術研究［J］.振動工程學報，2003，16（2）：229－232.

［4］ 崔玲麗，康晨暉，胥永剛，等.滾動軸承早期沖擊性故障特征提取的綜合算法研究［J］.儀器儀表學報，2010，31（11）：2422－2427.

［5］ 朱瑜，王殿，王海洋.基于EMD和信息熵的滾動軸承故障診斷［J］.軸承，2012，（6）：50－53.

［6］ 熊詩波，嚴普強.機械工程測試技術基礎［M］.北京：機械工業(yè)出版社，2006.

［7］ 韓振南，王志堅.循環(huán)自相關函數(shù)在風電齒輪箱試驗臺振動測試中的應用［J］.機械設計與制造，2012，（10）：71－73.

［8］ Yu Yang，Yigang He，Junsheng Cheng，et al.A gear fault diagnosisusing Hilbert spectrum based on MODWPT and a comparison with EMD approach［J］.Measurement，2009，42（4）：542－551.

［9］ 于徳介，程軍圣，楊宇.Hilbert-Huang變換在齒輪故障診斷中的應用［J］.機械工程學報，2005，41（6）：102－107.

［10］ 雷亞國.基于改進的Hilbert-Huang變換的機械故障診斷［J］.機械工程學報，2011，47（5）：71－77.

Study on Detection Method ofWorm Tooth Profile Variation in Worm Reducer Based on Autocorrelation Algorithm

ZHANG Rong-fa1， HU Jia-cheng1， LIDong-sheng1， WANG Jian2， MA Hao1
（1.China Jiliang University，Hangzhou，Zhejiang 310018，China；
2.Hangzhou Jiacheng Machinery Co.Ltd.，Hangzhou，Zhejiang 310018，China）

In order to diagnosis the fault ofworm reducer caused by worm gear tooth profile changed，a new vibration signal detectionmethod is proposed.The new method was that autocorrelation analysis was referenced to traditional gear fault analysismethod which were empiricalmode decomposition（EMD）and Hilbert transform.The worm reducer vibration signal were separated to different intrinsic mode functions component in different frequency（IMF）.The autocorrelation analysismethod is used to select IMF componentwhich containing worm gear fault characteristic signal efficiently.Finally，the fault feature of IMF component is extracted by Hilbert transform.The JD45＋measuring instrumentmeasuring the changed amount ofworm gear tooth profile is used to verify the feasibility of thismethod.

Metrology；Autocorrelation algorithm；EMD；Hilbert transform；Tooth profile variation；Fault detection

TB936

A

1000-1158（2014）06-0599-04

10．3969／j．issn．1000-1158．2014．06．17

2014-04-29；

2014-07-03

張榮法（1989－），男，山東泰安人，中國計量學院碩士研究生，主要從事蝸輪蝸桿故障檢測技術研究。15988800149＠139.com胡佳成為本文通訊作者。hujiacheng＠cjlu.edu.cn