基于小波变换的风机齿轮箱振动信号故障特征提取
来源:用户上传
作者:姜慧
摘要：为了提高风机齿轮箱故障诊断率，本文提出了一种基于小波变换的特征提取方法。分别对齿轮箱输入轴电机侧、输出轴电机侧、输入轴负载侧及输出轴负载侧轴承垂直方向振动信号进行提取，并对其时域波形图及小波变换后的波形图进行对比分析，证明经过小波变换后故障特征显现更加明显，为诊断率的提高奠定了基础。
关键词：齿轮箱;振动信号;小波变换;特征提取
中图分类号：TP393 文献标识码：A
文章编号：1009-3044（2020）15-0032-04
能源危机日益严重，人类迫切需要寻找新型能源。风能是一种清洁的可再生能源，成为人类解决能源匮乏问题不可缺少的力量。
由于风存在着不可控性，再加上机组所处的环境恶劣，造成机组故障频繁发生，降低了机组运行的可靠性。研究表明，维护风电机组的费用占到机组全部成本的25%以上。因此风力发电技术研究的重点之一就在于风电机组故障预测及诊断。由于齿轮箱是风力发电机组的核心传动部件，也是故障发生率最高的部件，据相关统计，在风力发电机故障中，46%是齿轮箱的故障嘲。对风电机组齿轮箱进行状态检测与故障预测诊断，是保障风力发电机组运行可靠性的重要手段。
欧美等国家风电行业起步较早，在风电机组故障诊断方面已取得了很多成果。文献[3]中采用基于模糊神经网络的齿轮箱状态监测与故障诊断方法，诊断正确率可达97.6%。文献中提取了齿轮箱振动参数，用小波神经网络分析得到了其故障特征机理，并验证了该方法的优越性和实用性。文献嘲中采用小波神经网络对齿轮箱振动参数进行分析，得到故障特征机理，并验证了该方法的高效性。在文献[6]中采用基于BP神经网络的齿轮箱故障诊断方法，通过实验验证该方法高效可行。
20世纪80年代，国内出现了状态监测与故障诊断的相关研究。文献中提出了一种基于改进的多元统计分析的故障诊断方法，采用综合重构技术成功识别故障。文献[8]主要是采用小波分析、统计学方法研究电动机定子线圈故障信号的非稳态特性。在文献中，作者建立了一种基于混沌理论的风电机组运行状态的预测模型，然而实验结果表明预测精度较低。文献，通过自主研发的嵌入式微处理器对风电机组振动信号的频谱、倒频谱分析，以故障原因进行初步判断，并在齿轮箱验证了方法的有效性。
现在的研究表明，风电机组的齿轮箱在高空工作时损坏率极高。因此有必要对齿轮箱进行故障预测及诊断，从而提高风电机组的可靠性。
1齿轮的常见故障
齿轮是一种应用最为主泛的传动部件，其常见的故障有点蚀、磨损和断齿。
1.1点蚀
齿轮啮合面承受交变载荷和挤压，如果齿轮材质不佳，表面会出现坑洞以及点蚀现象。如果齿轮继续工作，则会出现恶性破坏。主要特征：齿轮的啮合波形异常，幅值增加，齿轮振动过程中所携带的动能以及包络能都会增大。
1.2磨损
磨损是接触面中一种常见的形式，正常情况的磨损不会影响齿轮的使用，但如果磨损加剧加深，则会出现齿面磨损，齿厚变小，导致噪声出现直至齿轮失效。在齿轮箱中，会产生异常振动，主要特征是：齿轮转动谐波幅值以及啮合频率明显增大，阶数增加，幅值变大，振动幅值能量呈现出变大的趋势。
1.3断齿
断齿是指齿轮无法承受负载而发生断裂的情况，主要有两种：第一种情况是齿轮齿根长期承受循环弯曲应力，当应力超过齿根承受极限时，齿根可能产生裂纹。如果继续工作，裂纹逐渐加深则可能导致齿轮的疲劳断裂。第二种情况是当齿轮突然承受超过其极限的应力时，也会出现断裂。一旦发生齿轮断裂，齿轮箱中的振动信号就会出现异常，主要特征是：齿轮谐波调试边频带变宽，啮合频率随之增加，齿轮的振动动能及幅值增加，齿轮的包络能和幅度变大。
2离散小波变换
小波分析是近年来发展起来的应用数学分支，目前在信号检测、特征提取、数据压缩等领域得到了成功的应用。小波变换是时域和频域的局部变换，具有多分辨率的特点，可以由粗及精地逐步观察信号，在时、频两域都具有表征信号局部特征的能力，被誉为“分析信号的数学显微镜”。
1989年，S MaHm提出了一种离散小波变换的快速算法——Mallm算法，极大地推动了小波分析的发展，其实现公式为：
由上式可知：离散信号x（t）为原始信号Ao，x（t）在某个尺度如第2j尺度上的近似部分，即第j层低频小波系数Aj，是通过其上一层（j-1层）即第2j-1尺度的小波系数Aj-1与小波分解滤波器H卷积，再通过隔点采样取得的;细节部分的小波系数Dj的算法也类似，离散信号x（t）在某个尺度如第2j尺度上的细节部分，即第j层的高频小波系数Dj，是通过其上一层（j-1层）的即第2j-1尺度的小波系数Dj-1与小波分解滤波器G卷积，再通过隔点采样取得的。通过Mallm算法，可以将原始离散信号x（t）以及每一层信号，分解为它下一层的高频小波系数和低频小波系数。
Mallat分解算法的图解如下图所示：
3齿轮箱故障特征提取
为验证小波变换在齿轮箱振动信号故障特征提取中的有效性，本文采取实测的齿轮箱故障信号进行检验。齿轮振动数据信号来自江苏千鹏诊断工程有限公司搭建的QPZZ-II机械故障模拟及试验平台。所采用的齿轮箱为单级直齿轮减速传输，输入轴齿轮齿数为75，输出轴齿数为55，模拟了齿轮的正常运行状态及常见的三种故障状态：点蚀、磨损及断齿。齿轮箱输入轴转速为880r/min，采样频率为5210HZ，采样时间1S，分别提取了输入轴电机侧、输出轴电机侧、输入轴负载侧及输出轴负载侧轴承垂直方向振动信号。
3.1齿轮箱輸入轴电机侧轴承垂直方向振动信号特征提取
图2为正常、点蚀、磨损及断齿四种情况下齿轮箱输人轴电机侧轴承垂直方向振动信号时域波形图。 （a）正常运行输入轴电机侧轴承垂直方向振动信号
图3为正常、点蚀、磨损及断齿四种情况下齿轮箱输入轴电机侧轴承垂直方向振动信号经过一级小波分解后在近似信号和细节信号波形图，小波函数采用db4小波。图中左侧为近似信号波形图，右侧为细节信号波形图。
对比输入轴电机侧轴承垂直方向振动信号时域上的波形图，正常运行和故障状态下的波形图有较大区别，但三种故障状态下的波形图相似度较高，而经过一级小波分解后，点蚀状态的波形图与磨损、断齿两种状态下的细节信号波形图存在着较大的区别，根据这一特性我们可以将点蚀故障特征提取出来。
3.2齿轮箱输出轴电机侧轴承垂直方向振动信号特征提取
图4为正常、点蚀、磨损及断齿四种情况下齿轮箱输出轴电机侧轴承垂直方向振动信号时域波形图。
图5为正常、点蚀、磨损及断齿四种情况下齿轮箱输出轴电机侧轴承垂直方向振动信号经过一级小波分解后在近似信号和细节信号波形图，小波函数采用db4小波。图中左侧为近似信号波形图，右侧为细节信号波形图。
对比输出轴电机侧轴承垂直方向振动信号时域上的波形图，正常运行和故障状态下的波形圖有较大区别，但三种故障状态下的波形图相似度较高，而经过一级小波分解后，磨损状态的波形图与点蚀、断齿两种状态下的细节信号幅值及波形图存在着较大的区别，根据这一特性我们可以将磨损故障特征提取出来。
3.3齿轮箱输入轴负载侧轴承垂直方向振动信号特征提取
图6为正常、点蚀、磨损及断齿四种情况下齿轮箱输入轴负载侧轴承垂直方向振动信号时域波形图。
图7为正常、点蚀、磨损及断齿四种情况下齿轮箱输人轴负载侧轴承垂直方向振动信号经过一级小波分解后在近似信号和细节信号波形图，小波函数采用db4小波。图中左侧为近似信号波形图，右侧为细节信号波形图。
对比输入轴负载侧轴承垂直方向振动信号时域上的波形图，正常运行和故障状态下的波形图有较大区别，但三种故障状态下的波形图相似度较高，而经过一级小波分解后，断齿状态的波形图与点蚀、断齿两种状态下的细节信号波形图存在着较大的区别，根据这一特性我们可以将断齿故障特征提取出来。
3.4齿轮箱输出轴负载侧轴承垂直方向振动信号特征提取
图8为正常、点蚀、磨损及断齿四种情况下齿轮箱输出轴负载侧轴承垂直方向振动信号时域波形图。
图9为正常、点蚀、磨损及断齿四种情况下齿轮箱输出轴负载侧轴承垂直方向振动信号经过一级小波分解后在近似信号和细节信号波形图，小波函数采用db4小波。图中左侧为近似信号波形图，右侧为细节信号波形图。
对比输出轴负载侧轴承垂直方向振动信号时域上的波形图，正常运行和故障状态下的波形图有较大区别，但三种故障状态下的波形图相似度较高，而经过一级小波分解后，磨损状态的波形图与点蚀、断齿两种状态下的细节信号幅值及波形图存在着较大的区别，根据这一特性我们可以将磨损故障特征提取出来。
4结论
经过以上对比，我们可以发现振动信号经过小波分解后，特征区分更加明显。输入轴电机侧轴承垂直方向振动信号经过一级小波分解后，点蚀状态的特征明显;输出轴电机侧轴承垂直方向振动信号经过一级小波分解后，磨损状态的特征明显;输人轴负载侧轴承垂直方向振动信号经过一级小波分解后，断齿状态的特征明显;输出轴负载侧轴承垂直方向振动信号经过一级小波分解后，磨损状态的特征明显。这些对比分析为齿轮箱故障特征提取提供了实验数据支持。今后还可以尝试多种小波分解或增加小波分解级数的方式，寻找出更加有效区别各种故障的特征提取方式。
转载注明来源:https://www.xzbu.com/8/view-15266734.htm
