齿轮箱故障诊断技术现状与展望

小波包分解， 实现了齿轮振动信号各频段成分的分离， 从很强的总体振动中提取清晰的损伤特征， 实现
早期诊断．
Ｇ Ｍｅｚ 等［应用极坐标的小波幅值映射（ｏ ｒ ｖｌ ａ ｐｔｄ Ｍａ， 对在非平稳转速 ． ｔ ｒ ｚ ｌｅ 〕 Ｐｌ Ｗａｅ ｔ ｌｕｅ ｐ Ｐ ａ ｅ ｍ ｉ ＷＭ） 工况下的齿轮进行故障诊断． 在极坐标中， 把旋转一周的幅值分割成与轮齿数量相等的分量， 这样就可 以对损坏的轮齿进行精确定位． 这种映射可用于时域平均信号， 也可用于去除了啮合频率谐波分量的残 差信号， 而且基于残差信号的极坐标幅值图（ ｓ ｕｌ ｒ ｉ ａＰ ｅｄ ＷＭ） 表现出的齿轮的故障比基于总信号幅值 （ｖｒｌ 清晰． ｏｅ ｌＰ ａ ＷＭ） 通过测试程序诊断的结果表明， 极坐标的小波幅值映射在故障检测、 定位和估计
具备的特征， 与实际情况相符． 研究结果表明将 Ｈｌ ｒＨ ａｇ ｉｅ －ｕｎ 方法用于齿轮故障振动信号分析中， ｂｔ 能
够有效地降低噪声， 提高信噪比， 突出齿轮故障振动信号的故障特征， 从而提高齿轮故障诊断的准确性． 当齿轮箱发生故障时， 实际测得的齿轮振动信号一般是非平稳和非高斯分布的信号， 通常包含较强 的噪声．
杨洁明、 熊诗波［研究了小波包分析方法在齿轮早期故障特征提取中的应用． ［ Ｉ ］ 针对两级减速器， 在 损伤预知的情况下进行试验， 两对齿轮啮合频率分别为 ３０ 和 ８． ｚ 试验前在回转频率为 ２ Ｈ ５Ｈ ｚ １７ ， Ｈ ５ ｚ 的齿轮上切割 ０２ Ｘ ｍ ． ｍ ． ｍ裂纹对疲劳裂纹进行模拟， ｍ ０２ 在齿轮箱轴承座上获取加速度信号． 若将该
２０ 年 第２ 卷 第４ ０６ ０ 期
（ 总第 ５ 期） ８
测 试 技 术 学 报
Ｊ ＵＲ Ａ Ｏ Ｔ Ｓ Ａ Ｏ Ｎ Ｌ Ｆ Ｔ ＮＤ Ａ ＵＲ ＭＥ Ｔ Ｃ ＯＬ Ｙ Ｅ ＭＥ Ｓ Ｅ Ｎ Ｔ ＨＮ ＯＧ Ｅ
Ｖｏ ． Ｎｏ ４ ０ ６ ｌ２ ０ ． ２ ０ （ ｕ Ｎｏ ５ ） Ｓ ｍ ． ８
率及其谐波的调制．
１２ 信号处理技术 ．
振动信号的处理和分析方法也在突飞猛进． 早期信号提取主要借助于傅立叶变换， 计算量很大， 直 到Ｆ Ｔ出现以后， Ｆ 经典信号分析方法才得到迅速发展．然而傅立叶变换存在频率成分的分辨率不高、 谱 图有畸变、 随机起伏明显不光滑， 不适于短数据等缺陷， 于是人们重新提出了分辨率较高的现代谱分析 法， 如最大嫡谱估计法、自回归谱估计法等． 小波分析是正在迅速发展的一种新分析方法， 具有良 好的时频局部化特性和特别的去噪能力， 在故 障诊断中得到了广泛应用并取得了一定的效果． 为了得到特殊频段的分析， 小波包分解是比小波分解更 精细的一种分解．目 前的应用主要集中在小波去噪和早期的故障诊断．
中具有极高的敏感性和精确性．
Ｈｌ ｒ Ｈ ａｇ变换是一种新的自适应信号处理方法．它包括经验模态分解（ｍ ｉｃｌ ｄ ｕｎ ｉｅ － ｂｔ Ｅ ｐ ｉ Ｍｏｅ ｒａ Ｄｃｍ ｏｉ ｎ 简称Ｅ ） ｅ ｐｓｉ ， ｏ ｔ ｏ ＭＤ 方法和 Ｈｌ ｒ变换两个过程． ＭＤ方法基于信号的局部特征时ｆ尺度， ｉｅ ｂｔ Ｅ ｌ 能
ｉｔｌｇｎｅ ｎｅ ｉ ｃ ｌｅ
０ 引 言
齿轮箱是用来改变转速和传递动力的常用机械设备， 于齿轮箱本身工作环境恶劣， 由 故容易受到损 害和出现故障； 而其中的零部件如齿轮、 轴承等加工工艺复杂， 轴、 装配精度要求高， 又常常在高速度、 重载荷下连续工作， 故障率较高， 是诱发机器故障的重要原因． 因此对齿轮箱进行诊断是自 故障诊断技
信号直接作功率谱， 谱上 ３０ 和 ８． Ｈ 的主分量非常突出， ５Ｈ ： １７ ： 而其它成分均被压抑， 特征无法提取． 选用 Ｄ ｓ 小波函数作小波包 ５ ｂ５ 层分解后， 选择（， ， ２） （， ， ２ ） （， 进行重构， ５ ２） （， ， ２） （， ， ２ ） ０ ５ １ ５ ４ ５ ５ ５ ６ 从对应的频谱图可以发现 ３０ 分变得非常突出． ５ ｚ 通过
数为 ３， ７ 转频为 ７ ， Ｈ 采样频率为 １ Ｈ ， ｚ ０４ 虽然从波形图中可以看出调幅信号的一些特征， ２ ｚ 但是要判
断齿轮的缺陷很困难． 采用 Ｅ ＭＤ对齿轮振动信号进行分解， 得到第一个满足 Ｉ ＭＦ条件的分量， 从断齿 齿轮振动信号的第一个 Ｉ ＭＦ分量的波形可以看出明显的冲击特征， 这些特征正是断齿齿轮振动信号所
术问世以来一直受到人们普遍重视的课题之一 齿轮箱状态监测与故障诊断技术是一门多学科综合技术， 涉及动态信息处理、 计算机、 人工智能等
２ ０ －８ ２ ０ ５０ －０
国家自然科学基金资助项目（０７２４ ５５５１） 魏秀业（９５ 。 博士生， １６－） 女， 主要从事机械设计及理论、 机械故障诊断方面的研究工作．
文童编号 ： ６１７４ （０６０－３８０ １７－４９２０ ）４０６－９
齿轮箱故障诊断技术现状及展望
魏 秀业， 潘宏侠
（ 中北大学 机械工程与自动化学院， 山西 太原 。０５） ３０１
摘 要： 从齿轮箱故障机理研究、 信号处理技术、 故障诊断方法等方面对齿轮箱诊断技术的现状进行了讨 论． 列举并分析了小波分析、 模态分析、 粗糙集理论、 群体智能理论、 生物免疫机理等理论在齿轮箱故障诊 断中的应用， 展望了齿轮箱故障诊断技术的发展． 对现有齿轮箱诊断技术研究急待解决的间题提出了看法，
132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
诊断方法研究和人工智能的应用等几个方面． 取、
１ １ ．
机理研究
故障机理研究是为了将故障隐患消除在设计阶段， 一般从机械动力学出发， 研究故障的原因和效 应． 齿轮箱故障的原因主要有制造误差、 装配不良、 润滑不良、 超载、 操作失误等方面． 在齿轮箱的部件 失效中齿轮、 轴承所占的比重约为 ６％ 和 １％， ０ ９ 所以齿轮箱振动的故障诊断主要是齿轮和轴承的故障 诊断． 齿轮运行的主要故障有： 齿轮磨损、 齿面胶合和擦伤、 齿面接触疲劳和断齿等． 在齿轮箱典型故障机理研究和特征提取方面， 主要是基于振动机理． 一般来说， 随着振动能量的不 同， 齿轮箱振动信号中将产生齿轮啮合频率调制、 齿轮固有频率调制、 箱体固有频率调制、 滚动轴承外 环固有频率调制 ４ 种不同的调制现象． 不管齿轮正常与否， 齿轮啮合时其啮合频率总会出现． 但其它频 率， 只在齿轮、 轴承或轴出现故障时才出现． 另外， 一旦有故障， 在这 ４ 种频率附近都将产生轴的旋转频
王华民［， ＷＸ６ Ｌｉ ［等利用高阶累积量（ｉ ｅ ｏ ｅ ｃｍ ｌ ｔ 具有对高斯噪声和对称非高斯噪 ５ ａ Ｉ 〕 Ｈｇ ｒ ｒ ｒ ｕ ｎ ） ｈ －ｄ ｕ ａ ｓ
声不敏感的特性， 将其应用在齿轮箱的故障诊断中． 在对振动信号进行短时分析的基础上， 计算原始信 号及其短时能量函数的高阶累积量． 正常和磨损信号累积量的值非常小， 如研究中振动信号累积量均值 在齿轮正常时为 ００８ 中度磨损为 ００３ 严重磨损为 ００３ 而且各样本之间差别较小。 ．４ ８ ， ．５ ０ ， ．７ ５ ， 但当出 现断齿等大的故障时， 由于信号中存在着强烈的冲击脉冲， 严重地偏离正态分布， 使得断齿信号的累积 量均值急剧增大， 达到 ３４４ 而且各样本的累积量有较大的差别． ．４ ３ ， 从高阶累积量提取的特征可有效地 将正常状态、 中度磨损状态、 严重磨损状态和断齿状态的齿轮振动信号分离开来， 尤其对于断齿诊断效
Ａ ｓ ａｔ Ｔ ｅ ｔｓ ｏ ｇａｂｘ ｌｄ ｇｏｉｔｅｒｓ ｔ ｈｏ ｇ ｓ ｉ ｕｓ ｉ ｌ ｉ ｔ ｂｔ ｃ： ｈ ｓ ｕ ｑｏ ｅｒｏ ｆ ｔ ｎｓ ｈｏｉ ａｄ ｎｌ ｉ ｉｄ ｃｓ ｄ ｕ ｎ ｈ ｒ ｔ ａ ｕ ｆ ａ ｉ ｕ ａ ｓ ｅ ｎ ｅ ｃ ｏ ｅ ｓ ｅ ｎ ｄ ｇ ｓ ｃ ｅ ｇａｂｘ ｌｓ ｄ ｏ ｉ ｍ ｃａｉ ｓ ｎｌ ｃｓｉ ｔ ｈｏ ｇ ， ｎ ｔｅ ｇｏｉｍ ｔｏｏ ｇ． ｅｒｏ ｆ ｔ ｙ ｔ ｅ ｎ ｍ， ｉ ａ ｐｏｅ ｎ ｅ ｎｌ ｙ ａｄ ｄ ｎｓ ｅ ｄｌ ｙ ａ ｔ ｕ ｕ ｎ ｓ ｈ ｓ ｇ ｒ ｓ ｇ ｃ ｏ ｈ ｉ ａ ｓ ｈ ｏ Ｓｅｉｌ， ａｐｃｔｎ ｏ ｓｍ ｎｗ ｅｒｓ ｔ ｇａ ｏ ｆ ｌ ｄ ｇｏｉ ｕｈ ｗ ｖｌ ｐｃ ｌ ｔｅ ｌａｏｓ ｏ ｅ ｔ ｏｉ ｔ ｈ ｅｒ ｘ ｔ ｎｓ ，ｓｃ ａ ａｅ ｔ ａｙ ｈ ｐ ｉ ｉ ｆ ｅ ｈ ｅ ｏ ｅ ｂ ａ ｕ ｉ ａ ｓ ｓ ｅ ａａ ｓ ，ｍ ｉｃｌ ｅ ｏ ｐｓｉ ，ｏｇ ｓ ，ｗ ｒ ｉ ｅｉ ｎｅ ｂ ｌ ｉｌ ｕｅ ｃａｉ ｎｌ ｉ ｅ ｐ ｉ ｍ ｄ ｄｃｍ ｏｉｏ ｒｕｈ ｓａｍ ｌ ｅｃ， ｉｏ ｃ ｉｍ ｎ ｍ ｈｎ ｍ， ｙｓ ｒａ ｏ ｅ ｔｎ ｅ ｔ ｎ ｌ ｔ ｇ ｏ ｇａ ｍ ｅ ｓ ｅ ． ａｅ ｅ ａｄ ｌ ｅ． ｆ ｕｅ ｈｏ ｇ ｄｖｌ ｍ ｎ ｏｇａｂｘ ｌｄ ｇｏｉｉｐｏｏｅ． ｔ ， ｒ ｌｔ ｎ ａａ ｚｄ Ｔ ｅ ｒｔ ｎｌ ｙ ｅ ｐ ｅｔ ｅｒｏ ｆ ｔ ｎｓ ｓ ｐｓ ｃ ｉ ｄ ｎ ｙ ｓ ｈ ｕ ｔ ｅ ｃ ｏ ｅ ｏ ｆ ａ ｉ ｕ ａ ｓ ｒ ｄ Ｉ ｔｅ ｓｍ ｅｉｅｔ ｂ ｍ ｏ ｇａ ｏ ｆ ｌｄ ｇｏｉａ ｐｉ ｅ ｏｔ ｎ ｅｄ ｅ ｓ ｎ ｐ ｌ ｓ ｅｒ ｘ ｔ ｎｓ ｒ ｏ ｔ ｕ． ｈ ｎ ｏ ｘ ｔ ｒ ｅ ｆ ｂ ａ ｉ ｏ ｕ ａ ｓ ｎ ｄ ｅ Ｋ ｙ ｒｓ ｇａｂｘ ｆ ｌｄ ｇｏｉ ｆ ｑｅｃ ｓｅ ｒｍ ａ ｓ ； ａｅ ｔ ｌ ｉ ｎｕａｎｔ ｓ ａ ｅ ｗ ｄ： ｅｒｏ ； ｔ ｎｓ ，ｒ ｕｎｙ ｃ ｕ ａ ｌ ｉ ｗ ｖｌ ａａ ｓ ； ｅｒｌ ；ｗ ｒ ｏ ａ ｉ ｕ ａ ｓ ｅ ｐｔ ｎ ｙｓ ｅ ｎ ｙｓ ｅ ｍ
法将齿轮故障振动信号分解为若干个固有模态函数之和， 然后选择包含故障信息的 Ｉ ＭＦ分量进行
Ｈｌ ｒ变换得到局部 Ｈｌ ｒ能量谱． ｉｅ ｂｔ ｉｅ ｂｔ 在局部瞬时能量图中可以发现齿轮故障振动信号具有明显的冲击
特征， 从而可进一步对齿轮故障进行诊断． 研究中测得断齿齿轮振动加速度信号的时域波形， 齿轮的齿
万方数据
３ ０ ７
测
试
技
术
学
报
２０ 年第 ４ ０６ 期
把复杂的信号分解为有限的内在模态函数（ ｔｎｉＭ ｄ Ｆｎｔｎ 简称 Ｉ Ｆ 之和， Ｉ ｒ ｓ ｏｅ ｃｏ ， ｎ ｉ ｃ ｕ ｉ Ｍ ） 这种自 适应的分
解方法非常适于非线性和非平稳过程的分析， 前已被应用于机械故障诊断中． 目
于德 ［， Ｎ Ｊ － ｎ 等［ Ｃ Ｅ Ｇ ＮＳｅｇ ４ 该方法对齿轮故障振动信号进行了 介［ Ｈ ３ Ｊ Ｕ ｈ ］ 用 分析， 首先采用 Ｅ Ｄ方 Ｍ
万方数据
（ 总第 ５ 期） ８
齿轮箱故障诊断技术现状及展望（ 魏秀业等）
３ ９ ６
众多领域的知识．国内外对齿轮箱状态监测与故障诊断技术取得了一定的成效， 并不断将新理论应用于 齿轮箱故障诊断之中， 本文就齿轮箱故障诊断技术的研究现状和新理论的应用进行讨论．
齿轮箱故障诊断研究现状
目前的齿轮箱故障诊断研究主要集中在振动信号处理与分析、 故障机理研究、 典型故障特征的提
（ｏ ｅｅ Ｍ ｃａｉ ｌ ｉ ｅ ｎ ａｄ ｔ ａｚｔｎ Ｎ ｒ Ｕ ｉ ｒ ｔ ｏ Ｃ ｉ ， ａ ｕｎ ０１ Ｃ ｉ ） Ｃ ｌｇ ｏ ｅｈｎ ａＥ ｇ ｅｒ ｇ Ａ ｏ ｔａｏ ， ｔ ｎ ｅ ｉ ｆ ｎ Ｔ ｉ ａ ００５， ｈ ａ ｌ ｆ ｃ ｎｎ ｉ ｎ ｕｍ ｉ ｉ ｏ ｈ ｖ ｓｙ ｈ ａ ｙ ３ ｎ
关键词： 齿轮箱； 故障诊断； 频谱分析； 小波分析； 神经网络； 群体智能
中图分类号 ： Ｔ ３． Ｈ１２４ １ 文献标识码 ： Ａ
Ｒ ｖｅ ｏ ｔｅ ａｂ ｘ ｕｔ ｇ ｏｉ Ｔ ｃ ｎ ｌｇ ｅｉｗ ｈ Ｇ ｒｏ Ｆ ｌ Ｄ ａｎ ｓ ｅｈ ｏｏｙ ｆ ｅ ａ ｉ ｓ
ＷＥ Ｘｕｅ Ｐ Ｎ ｎｇｘｔ Ｉ ｙ ， Ａ Ｈ ｉ ｏ ａ