姜慧

摘要：為了提高風(fēng)機齒輪箱故障診斷率，本文提出了一種基于小波變換的特征提取方法。分別對齒輪箱輸入軸電機側(cè)、輸出軸電機側(cè)、輸入軸負載側(cè)及輸出軸負載側(cè)軸承垂直方向振動信號進行提取，并對其時域波形圖及小波變換后的波形圖進行對比分析，證明經(jīng)過小波變換后故障特征顯現(xiàn)更加明顯，為診斷率的提高奠定了基礎(chǔ)。

關(guān)鍵詞：齒輪箱;振動信號;小波變換;特征提取

中圖分類號：TP393 文獻標(biāo)識碼：A

文章編號：1009-3044（2020）15-0032-04

能源危機日益嚴重，人類迫切需要尋找新型能源。風(fēng)能是一種清潔的可再生能源，成為人類解決能源匱乏問題不可缺少的力量。

由于風(fēng)存在著不可控性，再加上機組所處的環(huán)境惡劣，造成機組故障頻繁發(fā)生，降低了機組運行的可靠性。研究表明，維護風(fēng)電機組的費用占到機組全部成本的25%以上。因此風(fēng)力發(fā)電技術(shù)研究的重點之一就在于風(fēng)電機組故障預(yù)測及診斷。由于齒輪箱是風(fēng)力發(fā)電機組的核心傳動部件，也是故障發(fā)生率最高的部件，據(jù)相關(guān)統(tǒng)計，在風(fēng)力發(fā)電機故障中，46%是齒輪箱的故障嘲。對風(fēng)電機組齒輪箱進行狀態(tài)檢測與故障預(yù)測診斷，是保障風(fēng)力發(fā)電機組運行可靠性的重要手段。

歐美等國家風(fēng)電行業(yè)起步較早，在風(fēng)電機組故障診斷方面已取得了很多成果。文獻[3]中采用基于模糊神經(jīng)網(wǎng)絡(luò)的齒輪箱狀態(tài)監(jiān)測與故障診斷方法，診斷正確率可達97.6%。文獻中提取了齒輪箱振動參數(shù)，用小波神經(jīng)網(wǎng)絡(luò)分析得到了其故障特征機理，并驗證了該方法的優(yōu)越性和實用性。文獻嘲中采用小波神經(jīng)網(wǎng)絡(luò)對齒輪箱振動參數(shù)進行分析，得到故障特征機理，并驗證了該方法的高效性。在文獻[6]中采用基于BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷方法，通過實驗驗證該方法高效可行。

20世紀(jì)80年代，國內(nèi)出現(xiàn)了狀態(tài)監(jiān)測與故障診斷的相關(guān)研究。文獻中提出了一種基于改進的多元統(tǒng)計分析的故障診斷方法，采用綜合重構(gòu)技術(shù)成功識別故障。文獻[8]主要是采用小波分析、統(tǒng)計學(xué)方法研究電動機定子線圈故障信號的非穩(wěn)態(tài)特性。在文獻中，作者建立了一種基于混沌理論的風(fēng)電機組運行狀態(tài)的預(yù)測模型，然而實驗結(jié)果表明預(yù)測精度較低。文獻，通過自主研發(fā)的嵌入式微處理器對風(fēng)電機組振動信號的頻譜、倒頻譜分析，以故障原因進行初步判斷，并在齒輪箱驗證了方法的有效性。

現(xiàn)在的研究表明，風(fēng)電機組的齒輪箱在高空工作時損壞率極高。因此有必要對齒輪箱進行故障預(yù)測及診斷，從而提高風(fēng)電機組的可靠性。

1齒輪的常見故障

齒輪是一種應(yīng)用最為主泛的傳動部件，其常見的故障有點蝕、磨損和斷齒。

1.1點蝕

齒輪嚙合面承受交變載荷和擠壓，如果齒輪材質(zhì)不佳，表面會出現(xiàn)坑洞以及點蝕現(xiàn)象。如果齒輪繼續(xù)工作，則會出現(xiàn)惡性破壞。主要特征：齒輪的嚙合波形異常，幅值增加，齒輪振動過程中所攜帶的動能以及包絡(luò)能都會增大。

1.2磨損

磨損是接觸面中一種常見的形式，正常情況的磨損不會影響齒輪的使用，但如果磨損加劇加深，則會出現(xiàn)齒面磨損，齒厚變小，導(dǎo)致噪聲出現(xiàn)直至齒輪失效。在齒輪箱中，會產(chǎn)生異常振動，主要特征是：齒輪轉(zhuǎn)動諧波幅值以及嚙合頻率明顯增大，階數(shù)增加，幅值變大，振動幅值能量呈現(xiàn)出變大的趨勢。

1.3斷齒

斷齒是指齒輪無法承受負載而發(fā)生斷裂的情況，主要有兩種：第一種情況是齒輪齒根長期承受循環(huán)彎曲應(yīng)力，當(dāng)應(yīng)力超過齒根承受極限時，齒根可能產(chǎn)生裂紋。如果繼續(xù)工作，裂紋逐漸加深則可能導(dǎo)致齒輪的疲勞斷裂。第二種情況是當(dāng)齒輪突然承受超過其極限的應(yīng)力時，也會出現(xiàn)斷裂。一旦發(fā)生齒輪斷裂，齒輪箱中的振動信號就會出現(xiàn)異常，主要特征是：齒輪諧波調(diào)試邊頻帶變寬，嚙合頻率隨之增加，齒輪的振動動能及幅值增加，齒輪的包絡(luò)能和幅度變大。

2離散小波變換

小波分析是近年來發(fā)展起來的應(yīng)用數(shù)學(xué)分支，目前在信號檢測、特征提取、數(shù)據(jù)壓縮等領(lǐng)域得到了成功的應(yīng)用。小波變換是時域和頻域的局部變換，具有多分辨率的特點，可以由粗及精地逐步觀察信號，在時、頻兩域都具有表征信號局部特征的能力，被譽為“分析信號的數(shù)學(xué)顯微鏡”。

1989年，S MaHm提出了一種離散小波變換的快速算法——Mallm算法，極大地推動了小波分析的發(fā)展，其實現(xiàn)公式為：

由上式可知：離散信號x（t）為原始信號Ao，x（t）在某個尺度如第2j尺度上的近似部分，即第j層低頻小波系數(shù)Aj，是通過其上一層（j-1層）即第2^j-1尺度的小波系數(shù)Aj-1與小波分解濾波器H卷積，再通過隔點采樣取得的;細節(jié)部分的小波系數(shù)Dj的算法也類似，離散信號x（t）在某個尺度如第2j尺度上的細節(jié)部分，即第j層的高頻小波系數(shù)Dj，是通過其上一層（j-1層）的即第2j-1尺度的小波系數(shù)Dj-1與小波分解濾波器G卷積，再通過隔點采樣取得的。通過Mallm算法，可以將原始離散信號x（t）以及每一層信號，分解為它下一層的高頻小波系數(shù)和低頻小波系數(shù)。

Mallat分解算法的圖解如下圖所示：

3齒輪箱故障特征提取

為驗證小波變換在齒輪箱振動信號故障特征提取中的有效性，本文采取實測的齒輪箱故障信號進行檢驗。齒輪振動數(shù)據(jù)信號來自江蘇千鵬診斷工程有限公司搭建的QPZZ-II機械故障模擬及試驗平臺。所采用的齒輪箱為單級直齒輪減速傳輸，輸入軸齒輪齒數(shù)為75，輸出軸齒數(shù)為55，模擬了齒輪的正常運行狀態(tài)及常見的三種故障狀態(tài)：點蝕、磨損及斷齒。齒輪箱輸入軸轉(zhuǎn)速為880r/min，采樣頻率為5210HZ，采樣時間1S，分別提取了輸入軸電機側(cè)、輸出軸電機側(cè)、輸入軸負載側(cè)及輸出軸負載側(cè)軸承垂直方向振動信號。

3.1齒輪箱輸入軸電機側(cè)軸承垂直方向振動信號特征提取

圖2為正常、點蝕、磨損及斷齒四種情況下齒輪箱輸人軸電機側(cè)軸承垂直方向振動信號時域波形圖。