基于经验模式分解的轧机齿轮箱故障诊断

基于经验模式分解的轧机齿轮箱故障诊断

赵中元

赵中元

南京高精齿轮集团有限公司江苏南京210012

摘要：轧机齿轮箱故障直接影响着轧线的生产，对轧机齿轮箱进行状态管理是现代冶金设备管理的发展方向。本文通过对经验模式分解方法进行介绍并通过经验模式分解(EMD)方法对现场齿轮箱振动信号进行处理，对处理前后的振动信号进行比较并对处理后的振动信号进行分析,对齿轮箱故障进行诊断，对现场轧机齿轮箱状态进行把握，最终实现设备的状态管理。

关键词：轧机齿轮箱，经验模式分解，故障诊断

1前言

关齿轮箱的监测诊断已经有很多有效的技术,比如振动信号的功率谱分析、小波分析、魏格纳分布、短时富立叶分析、现代谱分析等各种频谱和时频分析,大部分是与传统的富立叶变换相关的信号分析技术。齿轮箱传动系统的振动源包括齿轮箱的传动齿轮的啮合冲击振动、轴承部件的冲击振动、这些部件因故障破损引起的附加振动、动力输入、输出装置的振动、结构的共振等其它振动源。根据振动的传播可知,这些振源产生的振动通过连接结构以纵波和弯曲波的形式散射和反射传播,最后汇聚到检验点,这样所获得的信号实际上是很复杂的,不是简单的线性叠加,而是非线性的。显然,应用以上信号分析技术分析齿轮箱振动信号从理论上来说是有缺陷的。

2经验模式分解

经验模式分解(EMD)是有效的非线性、非平稳信号处理方法，它可以将任意信号分解为若干个基本模式分量(IMF)及一个余项的和，从而反映信号的内部特征。EMD方法能将信号自适应地分解到不同的时间尺度上，非常适合于非平稳信号处理，并广泛应用于工程领域。基于基本模式分量的定义，我们可以提出信号的模式分解原理，信号模式分解的目的就是要得到使瞬时频率有意义的时间序列——基本模式分量。而基本模式分量必须满足两个条件。EMD先分解出时间尺度最小的模式分量,然后所分解出的模式分量的时间尺度逐步增大,直到分解结束。所得到的模式分量要满足两个条件:(1)分解得到的IMF模式分量的极值(包括极大值和极小值)数目和过零点数目要相等或仅差1;(2)由极大值所确定的上包络与由极小值所确定的下包络计算出的局部均值是零。根据这两个条件,获得IMF模式分量的方法简单来说是通过不断的筛除得到的。其中要通过不断地求解由所有的极大值、极小值构成的三次样条包络确定的瞬时平均,不断地进行筛除(从信号中除去瞬时平均),最后按一定的误差准则使筛除过程停止,得到一个IMF模式分量。

3轧机齿轮箱参数

主减速器齿数：12z/z=30/39。轴承类型和主要参数：（1）高速轴AS侧（测点4）：SKF316077A双列短圆柱轴承，节径532，滚动体直径45，滚动体个数33；（2）高速轴BS侧（测点5）：SKFBT2B331854/HA1双列圆锥滚子轴承，节径690，滚动体直径59.1，滚动体个数36，压力角12°；（3）低速轴AS侧（测点6）：轴承SKF331678B双列圆锥滚子轴承，节径604，滚动体直径57，滚动体个数33，压力角11°；（4）低速轴BS侧（测点7）：SKFBC2B316522双列短圆柱轴承，节径582，滚动体直径60，滚动体个数28。

4齿轮箱振动的EMD分解及故障诊断技术

4.1齿轮箱振动的EMD分解及IMFPSD216指标

齿轮磨损故障：当齿轮出现磨损故障，所采集到的振动信号往往表现为以故障齿轮的旋转周期为间隔的冲击信号。同时，由于脉冲激励的作用，其振动信号也表征为调幅调频形式，且在解调谱中表现为明显的故障齿轮旋转频率及其倍频。文中所用的齿轮箱振动数据来源于荷兰Delf大学的研究项目[3]。所获得的实验数据是由位于荷兰Lemmer的“Buma”泵站的泵水系统中齿轮箱的振动加速度数据。原数据为7通道振动加速度数据,这里采用通道1作为分析之用。所采用的振动数据分为4个数据集:齿轮齿面严重剥落故障和齿轮无失效两种情况分别在重载和轻载下的振动加速度数据,把这4种数据集分别称为:故障重载、故障轻载、正常重载和正常轻载。已知齿轮箱为两级传动,第一级主动轮轮齿齿数为13,输入转速为997r/min;采样频率3200Hz。因此,啮合频率为216Hz。本文针对第一级齿轮的失效运用EMD分解来分离出相关的振动模式分量,以便更好地诊断出轮齿失效故障。对振动信号取1024点进行EMD分解,图1中仅列出故障轻载的分解结果,其它省略。从分解结果可以看出IMF3代表了第一级齿轮的啮合振动(216Hz),由于EMD分解存在模式混叠,特别是在信号突变或冲击时,就会在本模式中嵌入其它时间尺度的模式信号。同样的重载负荷下,216Hz的功率谱值分别为0.12和0.13,不能直接作出判定,而只能根据其谐波的不同来评定。但对EMD的分解分量IMF2作PSD后,可以发现仅需对216Hz处的功率谱值作出直接的评定就可以断定齿轮的故障。故障重载、故障轻载、正常重载和正常轻载的IMF2的PSD在216Hz处的值(称为IMFPSD216指标)分别为:0.037,0.012,0.013,0.0054。可以看出,在同样负载下,凭借IMFPSD216指标可明显地判定齿轮的失效情况。

4.2IMF模式分量的滤波分析及IMFFLT指标

根据上面的分析,由于216Hz的振动模式嵌入在IMF2内,因此需要对它进行滤波。这里,采用Butterworth滤波器对IMF2分量作带通和带阻滤波,然后对带通滤波结果进行统计分析。为了有可比性,对结果作了相对量处理。对滤波后的IMF2的两段1024点数据进行以上分析后,每种工况获得10个数据,再计算每种工况的IMFFLT指标10点平均。

5结束语

针对齿轮箱故障信号的特点,提出了一种基于互补的总体经验模式分解(CEEMD)方法的齿轮箱故障诊断方法。对齿轮箱故障诊断的结果表明,本文中我们提出的方法既有效地克服了EMD算法中出现的模态混叠和能量泄露现象,又大大提高了EEMD算法的计算效率,适合于作为齿轮箱故障信号的特征提取方法。将CEEMD方法应用于齿轮箱的故障诊断,虽然在一定程度上解决了EMD/EEMD方法在齿轮箱故障诊断中出现的问题,但是仍然有许多问题需要解决,例如白噪声添加量的问题,因此还需要进一步解决CEEMD算法在齿轮箱故障诊断中出现的问题。未来的发展方向是将本文中提出的方法与神经网络或支持向量机等分类方法相结合,建立智能的齿轮箱故障诊断系统。

参考文献：

[1]张建新.基于经验模式分解的轧机齿轮箱故障诊断[A].中国金属学会（TheChineseSocietyforMetals）、宝钢集团有限公司（BaosteelGroupCopora

tion）.“第十届中国钢铁年会”暨“第六届宝钢学术年会”论文集[C].中国金属学会（TheChineseSocietyforMetals）、宝钢集团有限公司（BaosteelGroupCoporation）:,2015:5.

[2]张德祥,汪萍,吴小培,高清维.基于经验模式分解和Teager能量谱的齿轮箱故障诊断[J].振动与冲击,2010,29(07):109-111+138+239.

[3]林近山.基于互补的总体经验模式分解算法的齿轮箱故障诊断[J].机械传动,2012,36(08):108-111.

[4]陈忠,郑时雄.基于经验模式分解(EMD)的齿轮箱齿轮故障诊断技术研究[J].振动工程学报,2003(02):97-100.