一种齿轮故障诊断方法

摘要

本发明公开一种齿轮故障诊断方法，将广义线性Chirplet(调频小波)变换算法得到的时频图上的故障频率和循环周期判断出故障齿轮的位置，用于齿轮故障源的定位；同时将时域、频域和小波能量特征指标用于故障齿轮振动信号的特征提取，获取更加精细故障信息，利用粒子群优化的支持向量机对优化后的特征进行分类。通过将齿轮故障源定位和故障类型的识别相结合，能够提高诊断效率和增加识别精度，实现了齿轮故障的完整诊断。

权利要求

1.一种齿轮故障诊断方法，其特征是，包括步骤如下：

步骤1、通过振动传感器采集齿轮的原始振动信号；

步骤2、将步骤1所采集到的原始振动信号输入到广义线性调频小波变换算法中，通过广义线性调频小波变换算法输出的时频图可以得到故障频率和循环周期；

步骤3、将步骤2得到的故障频率与齿轮的实际啮合频率进行比较，以判断出齿轮的第几级传动出现了故障；

步骤4、由步骤2得到的循环周期计算出循环频率，并将循环频率和齿轮的转动频率进行比较，以判断出齿轮的哪个转轴出现了故障；

步骤5、综合上述步骤3关于故障频率和步骤4关于循环周期的分析结果，即可定位出齿轮的故障位置；

步骤6、通过振动传感器采集步骤5定位出的故障齿轮的故障振动信号；

步骤7、提取步骤6所采集到故障振动信号的时域特征和频域特征，并对采集到的故障振动信号进行小波分解，得到小波能量特征；上述时域特征、频域特征和小波能量特征构成特征集；

步骤8、将特征集进行正规化，得到经过正规化后的特征集；对于正规化后的特征集中的特征，根据每个特征的权重对特征进行选择，得到优化后的特征；

步骤9、将优化后的特征作为粒子群优化的支持向量机的输入，粒子群优化的支持向量机对故障类型进行分类从而识别出齿轮的故障类型；

步骤10、综合步骤5所定位出的齿轮故障位置和步骤9所识别出的齿轮故障类型，即可给出故障源定位和故障类型的综合诊断结论。

2.根据权利要求1所述的一种齿轮故障诊断方法，其特征是，步骤1和6中，振动传感器为压电加速度传感器。

3.根据权利要求1所述的一种齿轮故障诊断方法，其特征是，步骤7中，所提取的时域特征包括均值、峰值指标、均方根值、峰值因子、裕度指标和峭度；所提取的频域特征包括频率均值、中心频率、频率均方根和频率标准偏差。

说明书

一种齿轮故障诊断方法

技术领域

[0001] 本发明涉及齿轮故障诊断技术领域，具体涉及一种齿轮故障诊断方法。

背景技术

[0002] 近年来，随着我国经济的发展和科学技术水平不断提升，各种类型的机电装备被广泛应用到了工程实际中。而齿轮作为装备系统的重要传动部件，一旦发生故障，有可能造成财产损失，甚至会造成人员伤亡。因此，对齿轮故障进行及时诊断具有重要意义。

[0003] 齿轮在出现故障时会发生振动，振动的频率不同，齿轮故障类型也不同。现有的齿轮故障诊断方法往往只针对识别齿轮故障的类型或者由循环频率判断出哪一级齿轮出现故障即故障源的定位提出具体的故障诊断方法，但在工程实际中齿轮箱内齿轮众多，如果只诊断出齿轮故障类型而不能确定故障源的位置，可能需要花费大量的时间和精力去寻找。齿轮箱由于结构复杂往往也不便拆卸，只诊断出齿轮故障源位置而不清楚具体故障的类型同样也很麻烦。

发明内容

[0004] 本发明所要解决的是现有齿轮故障诊断方法无法同时识别出故障类型并对该故障进行定位的问题，提供一种齿轮故障诊断方法。

[0005] 为解决上述问题，本发明是通过以下技术方案实现的：

[0006] 一种齿轮故障诊断方法，包括步骤如下：

[0007] 步骤1、通过振动传感器采集齿轮的原始振动信号；

[0008] 步骤2、将步骤1所采集到的原始振动信号输入到广义线性调频小波变换算法中，通过广义线性调频小波变换算法输出的时频图可以得到故障频率和循环周期；

[0009] 步骤3、将步骤2得到的故障频率与齿轮的实际啮合频率进行比较，以判断出齿轮的第几级传动出现了故障；

[0010] 步骤4、由步骤2得到的循环周期计算出循环频率，并将循环频率和齿轮的转动频率进行比较，以判断出齿轮的哪个转轴出现了故障；

[0011] 步骤5、综合上述步骤3关于故障频率和步骤4关于循环周期的分析结果，即可定位出齿轮的故障位置；

[0012] 步骤6、通过振动传感器采集步骤5定位出的故障齿轮的故障振动信号；

[0013] 步骤7、提取步骤6所采集到故障振动信号的时域特征和频域特征，并对采集到的故障振动信号进行小波分解，得到小波能量特征；上述时域特征、频域特征和小波能量特征构成特征集；

[0014] 步骤8、将特征集进行正规化，得到经过正规化后的特征集；对于正规化后的特征集中的特征，根据每个特征的权重对特征进行选择，得到优化后的特征；

[0015] 步骤9、将优化后的特征作为粒子群优化的支持向量机的输入，粒子群优化的支持向量机对故障类型进行分类从而识别出齿轮的故障类型；

[0016] 步骤10、综合步骤5所定位出的齿轮故障位置和步骤9所识别出的齿轮故障类型，即可给出故障源定位和故障类型的综合诊断结论。

[0017] 上述步骤1和6中，振动传感器为压电加速度传感器。

[0018] 上述步骤7中，所提取的时域特征包括均值、峰值指标、均方根值、峰值因子、裕度指标和峭度；所提取的频域特征包括频率均值、中心频率、频率均方根和频率标准偏差。

[0019] 与现有技术相比，本发明提出了一种以广义线性调频小波变换(GLCT)和特征提取与粒子群优化的支持向量机(PSO-SVM)为核心的齿轮故障诊断方法，辅助一般的操作人员，使其在不需要理解系统原理的情况下进行可靠的决策，具有下列显著优势：

[0020] 1、本发明将齿轮故障类型识别和齿轮故障源的定位相结合，能够实现齿轮故障的完整诊断；由于分类算法诊断的原理是通过训练样本数据，然后对实际数据进行分类测试，而样本数据的选择很关键，特征明显的样本数据有利于提高分类的精度，若直接对原始振动信号进行故障分类会存在大量的干扰，故障分类精度会受到限制，因此本发明通过提取所定位出的故障齿轮的故障振动信号，可以改善故障分类算法的效果；

[0021] 2、在故障识别的过程中，本发明同时提取了大量的时域、频域及能量特征，以从中获取更加精细的故障信息；同时，给出了特征选择方法，使得次要特征和干扰特征被去除，提高了诊断效率，增加了识别精确度；

[0022] 3、本发明可用于机电装备中齿轮故障的诊断，减少人力成本，避免突发性事故发生，减小经济损失。

附图说明

[0023] 图1为一种齿轮故障诊断方法的流程图。

[0024] 图2为PSO-SVM算法流程图。

[0025] 图3为原始信号振动波形和频谱图；(a)断齿振动波形；(b)断齿频谱；(c)齿根裂纹振动波形；(d)齿根裂纹频谱。

[0026] 图4为齿轮断齿故障时频图。

[0027] 图5为齿轮齿根裂纹故障时频图。

[0028] 图6为齿轮断齿故障优化特征。

[0029] 图7为齿轮齿根裂纹故障优化特征。

[0030] 图8为几种优化支持向量机算法分类正确率对比。

具体实施方式

[0031] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

[0032] 参见图1，本发明所提出的一种齿轮故障诊断方法，将广义线性Chirplet(调频小波)变换算法得到的时频图上的故障频率和循环周期判断出故障齿轮的位置，用于齿轮故障源的定位；同时将时域、频域和小波能量特征指标用于故障齿轮振动信号的特征提取，获取更加精细故障信息，利用粒子群优化的支持向量机对优化后的特征进行分类。通过将齿轮故障源定位和故障类型的识别相结合，能够提高诊断效率和增加识别精度，实现了齿轮故障的完整诊断。该方法具体步骤如下：

[0033] 第一步：采集振动信号，并存储于计算机中。

[0034] 针对机电装备中的齿轮传动部件，采用振动传感器，如压电加速度传感器、位移传感器或者电涡流位移传感器等采集振动信号。在本实例中，采用美国Spectra Quest公司小型数据采集仪和LW149536型压电式加速度传感器。该加速度传感器的性能指标如表1所示。

[0035] 表1 LW149536型压电式加速度传感器特性参数表

[0036]

[0037] 振动信号及其频谱如图3所示。

[0038] 第二步：故障源的定位。

[0039] 将原始信号及相关初始参数输入到GLCT算法中。通过GLCT算法输出的时频图可以得到故障频率和循环周期，通过故障频率和循环周期分别判断齿轮箱第几级传动出现了故障和哪个转轴出现了故障，综合以上两种分析，定位出故障齿轮的位置。

[0040] GLCT算法的原理如下：在GLCT中引入了一个解调因子。考虑到线性调制率 是关于时间的函数，且解调因子是时变的。这样考虑了时变解调因子的信号S(t)短时傅里叶变换可以写为：

[0041]

[0042] 式中w(u)——窗函数，c(t’)——调制因子 时间t′处的参数。

[0043] 对于式(1)，采用瞬时频率 形式表征的信号S(t)的短时傅里叶变换幅值为：

[0044]

[0045] 由式(2)可知，如果解调因子与分析信号的调制部分一致，其采用瞬时频率形式表征的短时傅里叶变换幅值可以达到最大值，这样时频表征将在瞬时频率IF处取得最佳的聚焦性。但在多数实际情况下，信号的瞬时频率是未知的，这会使解调因子很难准确确定，特别是当信号为多成分时。

[0046] 一个可行的办法是采用一系列的分散解调因子去近似解调因子。考虑到离散解调因子的短时傅里叶变换公式为：

[0047]

[0048] 对于每一个时频面上的点(t′,w)，如果离散解调因子 与信号的调制因子足够接近，时频表征接近瞬时频率处将具有高的能量汇聚性，并且幅值|S(t′,w,c)|将会取到最大值。对于每一个时频点来说，最佳参数c为：

[0049] c′＝argmax|S(t′,w,c)|   (4)

[0050] GLCT的时频GS(t′,w)表征可写为：

[0051] GS(t′,w)＝S(t′,w,c’)   (5)

[0052] 这样对应时频谱Spec(t′,w)可以定义为：

[0053] Spec(t′,w)＝|GS(t′,w)|2   (6)

[0054] 通过引入参数α来确定离散解调因子

[0055]

[0056] 其中Ts为采样时间、Fs为采样频率

[0057] 将公式(7)带入公式(3)中即为GLCT变换

[0058]

[0059] 在实际算法中，需要提前知道原始信号S(t)，采样点数N,采样频率Fs，窗函数的长度hlength。算法的结果是得到信号的时频表示即时频图。

[0060] 根据GLCT算法输出的时频图，可以得到故障频率和循环周期。故障频率是和齿轮的啮合频率相对应的。将得到的故障频率和实际啮合频率计算结果进行比较可以判断出齿轮箱第几级传动出现了故障。通过时频图上周期性的循环，获得循环周期，将循环周期求倒数即可算出循环频率。将循环频率和齿轮的转动频率相比较可以判断出哪个转轴出现了故障。其中啮合频率和转动频率的计算公式如下：

[0061] fm＝f1·z1＝f2·z2   (9)

[0062]

[0063] 其中，fm为齿轮啮合频率，i为齿轮传动比，f1、f2为输入、输出轴转动频率，z1、z2为输入、输出轴齿数。

[0064] 在本实施例中，将原始信号分段，本实例中截取了其中的4096个数据点。将分段后的数据作为GLCT算法的输入并设定初始参数，其中采样点数N为4096，采样频率Fs为25600Hz,窗函数的长度hlength为120。通过GLCT算法计算并最终得到时频图。齿轮断齿故障和齿根裂纹故障的时频图分别如图4、图5所示，其中齿数为29的小齿轮为故障齿轮，分别是断齿故障和齿根裂纹故障。齿轮的输入轴转动频率为30Hz,二轴转频为8.7Hz,输出轴转频为3.48Hz,一级啮合频率为870Hz，二级啮合频率为313.2Hz。

[0065] 由时频图得到齿轮断齿故障和齿根裂纹故障各自的故障频率和循环周期，将得到的故障频率和实际啮合频率计算结果进行比较可以得到齿轮箱第几级传动出现了故障，再由循环周期计算出循环频率，将循环频率和齿轮的转动频率相比较可以判断出哪个转轴出现了故障，综合以上两种分析，定位出故障齿轮的位置。由图4可知，故障频率在868.8Hz左右，而实际一级啮合频率为870Hz从而判断出齿轮箱第一级传动出现了故障，但第一级传动的有两个齿轮，分别是齿数为29的小齿轮和齿数为100的大齿轮。仅仅通过这一点无法判断出哪一个齿轮出现了故障。由于时频图上可以清晰的看到周期性的循环，得到循环周期为0.03406s,从而得到循环频率为29.36Hz。这与输入轴的转频很接近，基本可以确定是连在输入轴上的小齿轮出现了故障。同样的，由图5也可以确定故障齿轮的位置，这与实际的结果是相符的。从而实现了故障源的定位。

[0066] 第三步：采集步骤二所定位出的故障齿轮的振动信号，并对该故障振动信号进行时域、频域和小波包分解的特征提取。

[0067] 由于分类算法诊断的原理是通过训练样本数据，然后对实际数据进行分类测试，而样本数据的选择很关键，特征明显的样本数据有利于提高分类的精度。因此考虑到第一步所采集到的原始振动信号，一定存在大量的干扰，故障分类精度会受到限制，本发明通过提取所定位出的故障齿轮的故障振动信号，可以改善故障分类算法的效果。

[0068] 采集安装在故障齿轮主轴上压电加速度传感器的信号，并对其进行时域、频域和小波包分解的特征提取。其中，时域、频域特征按照表2进行提取，小波分解采用DB10小波基、分解层数为3。

[0069] 表2提取的时域和频域特征指标

[0070]

[0071] 假定故障齿轮的振动信号经过小波包分解后得到j个子频带，分解k层的第j个子频带能量公式如下：

[0072]

[0073] 经过特征提取后时域特征为6*j、频域特征为4*j、小波能量特征为j。综上得到的特征总数为11*j。

[0074] 第四步：特征选择。

[0075] 在特征提取过程中会产生大量的次要特征和干扰特征。如果不进行剔除，不断会大大增加计算量还可能干扰诊断的结果。为此，本发明提出一种特征选择方法。步骤如下：

[0076] 假定特征的类型数为i,子频带样本数为j，特征集记为{xi,j}i＝1,2,…,11；j＝1,2,…,J[0077] (i)xi,j经过公式12的正规化，得到经过正规化后的特征集{xm,k}

[0078]

[0079] (ii)对特征集{xm,k}进行权重计算得到优化后的特征Xi,j

[0080]

[0081] 在上一步特征提取中共获得了11*j个特征，如果将其都输入到PSO-SVM算法中在实际中并不现实。由于每个特征具有不同的权重，通过特征选择算法选出权重最大的特征作为PSO-SVM算法的输入不仅可以提高诊断效率，而且可以增加识别精度。

[0082] 本实例中，特征总数为88个。对88个特征使用特征选择算法，选出的优化特征如图6和图7所示。

[0083] 第五步：齿轮故障类型的识别。

[0084] 将优化后的特征Xi,j作为PSO-SVM算法的输入，使用PSO-SVM算法对故障进行分类从而识别出故障的类型。算法假定在一个n维的目标搜索空间中，有m个粒子组成一个种群，其中第i个粒子表示为一个n维的空间向量 其中i＝1,2,…,m，即第i个粒子在n维搜索空间中的位置是 每个粒子的位置即为潜在解。将其带入目标函数f(Xi)可以计算出其适应值 根据适应值 的大小衡量 的优劣。第i个粒子的飞行速度为n维的向量，记为 第i个粒子当前能够搜索到的最优位置记为
整个粒子群当前搜索到的最优位置为 PSO
算法运行过程中对粒子的速度和位置进行如下操作：

[0085]

[0086]

[0087] 其中：Wk为惯性因子，为非负数； 为第k次迭代粒子i飞行速度矢量；c1、c2为学习因子，通常取c1＝c2＝2； 为介于[0,1]之间的随机数； 为第k次迭代后粒子i的最好位置； 为第k次迭代后粒子i的位置矢量； 为第k次迭代后群体的最好位置。

[0088] 利用上述算法优化SVM中的惩罚参数c和核函数的参数g，具体流程如图2如所示。

[0089] 使用PSO-SVM算法实现齿轮故障类型的识别。最后，给出故障源定位和故障类型的综合诊断结论。

[0090] 本实例选取齿轮断齿故障和齿根裂纹故障作为待诊断对象。将上一步优化特征对应的50个特征值，两种故障共计100个特征值作为PSO-SVM算法的输入，将两种故障特征值的前25个特征值作为训练样本、后25个特征值作为测试样本。分类正确率达到了96％，几种算法分类准确率如图8所示。根据上述步骤，可以得出齿轮故障的类型和故障源的定位的综合诊断结论。

[0091] 本发明通过固定在齿轮箱的传感器采集振动信号，采集到的信号存储于计算机中。将采集到的信号输入到GLCT算法中，通过GLCT算法输出的时频图可以得到故障频率和循环周期，将得到的故障频率和实际啮合频率计算结果进行比较可以得到齿轮箱第几级传动出现了故障，由循环周期可以计算出循环频率，将循环频率和齿轮的转动频率相比较可以判断出哪个转轴出现了故障，综合以上两种分析从而确定故障齿轮的位置。对故障齿轮进行振动信号的采集，使用时域、频域和小波包分解方法得到信号的时域特征、频域特征和小波能量特征，并根据每个特征的权重对特征进行选择，使用特征选择算法选出优化后的特征；将优化后的特征作为PSO-SVM算法的输入识别出齿轮故障的类型。最后给出齿轮故障诊断的综合结果。

[0092] 需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。