基于包络分析的齿轮故障监测及基于人工神经网络的齿轮故障分类

论文摘要

齿轮是机械传动系统中应用最为广泛的部件,现代科技的发展使机械设备越来越精密化,给这些设备的状态监测带来困难。齿轮箱是机械设备中的重要一员,其工作状态的监测必须具有实时性和有效性,这样机械设备中任何故障都能被检测到,并能在早期得到及时的维修。包络分析在轴承和齿轮的故障诊断中已经得到广泛的应用,传统方法要求监测信号在带通滤波前需进行时域同步平均处理,以提高包络分析的效果。然而,在实际应用中,齿轮振动信号的时域同步平局处理很难进行,需要其他的方法来辅助齿轮故障诊断中包络分析。针对上述问题,本文提出了一种新的解调方法,它对齿轮振动信号进行以共振频率为中心频率(一般远离具有较大幅值的齿轮啮合频率谐波分量)的带通滤波,再进行包络分析,实现两种类型,不同损伤程度的齿轮局部故障(轮齿裂纹和剥落)的诊断和分类。齿轮的局部故障将导致一对啮合的齿轮,每旋转一圈的过程中会产生低幅脉冲信号,它会和齿轮的结构共振信号产生调制现象。但是这个低能量的信号往往会被淹没在齿轮箱其他信号源产生的高能量信号中。本文提出了一个方法,它通过从监测信号中提取故障激励信号从而获得齿轮的故障信息。本文提出的包络分析方法步骤如下:①通过观察齿轮箱监测信号频谱中的共振成分,寻找合适的解调频带,以利于提取由齿轮局部故障产生的脉冲信号,用于故障诊断。②在结构共振频率附近(一般远离具有较大幅值的齿轮啮合频率谐波分量)选择带通滤波器的中心频率,通过观察原信号的频谱图,选择带通滤波器的带宽,使带通频段能覆盖整个共振频率区间,它能有效的去除齿轮啮合频率分量的影响。③通过对带通滤波后的信号进行基于Hilbert变换的解调,解调后的包络信号只包含与齿轮故障频率相关的分量。再对包络信号进行FFT变换获得其频谱图,从而可以提取并观察齿轮箱中齿轮的故障信息。④通过观察包络信号频谱中不同频率分量的特征(例如齿轮的啮合频率及其边频),可提取每个试验齿轮包络信号频谱中的可相互区别的基本频率特征,然后将这些特征作为神经网络分类器的输入,可用于不同损伤程度,不同类型的齿轮故障的辨别和分类。本文针对齿轮轮齿裂纹和剥落故障进行研究,研究结果表明,通过上述方法能获取较好的诊断结果,证明了上述方法在齿轮故障诊断中的有效性。

论文目录

• ABSTRACT
• 中文摘要
• 1 INTRODUCTION
• 1.1 Problem statement
• 1.2 Research significance
• 1.3 Literature review
• 1.3.1 Gear fault diagnosis
• 1.3.2 Gear fault classification
• 1.4 Research objectives
• 1.4.1 Objectives
• 1.4.2 Thesis summary
• 2 GEARBOX VIBRATION
• 2.1 Source of vibration in gearbox
• 2.2 Gear faults and their effect on gearbox vibration
• 2.2.1 Distributed faults
• 2.2.2 Localized faults
• 2.3 Vibration signal model
• 2.4 Vibration signal analysis methods
• 2.4.1 Time-domain analysis
• 2.4.2 Frequency-domain analysis
• 2.4.3 Time-frequency analysis
• 2.5 Feature extraction
• 2.6 Classification
• 2.6.1 Artificial neural network
• 2.6.2 Back propagation neural network
• 3 EXPERIMENT SETUP AND DATA ACQUISITION
• 3.1 Gear transmission test rig description
• 3.2 Data acquisition
• 4 DATA ANALYSIS
• 4.1 Selection of the best sensor location
• 4.2 The proposed method
• 4.3 Envelope analysis
• 4.3.1 Hilbert transform and demodulation
• 4.3.2 Vibration signal spectrum and demodulation band selection
• 4.4 The effect of demodulation band selection on envelope spectrum
• 4.5 Analysis results for 600rpm input speed
• 4.5.1 Result for gear with tooth spall
• 4.5.2 Result for gear with tooth crack
• 4.6 Analysis results for 1200rpm input speed
• 4.6.1 Result for gear with tooth spall
• 4.6.2 Result for gear with tooth crack
• 4.7 Results discussion
• 4.7.1 Gear tooth spall results
• 4.7.2 Gear tooth crack results
• 4.7.3 General discussion
• 5 GEAR FAULTS CLASSIFICATION
• 5.1 Back propagation algorithm
• 5.2 Classification
• 5.2.1 Features and neural network parameters
• 5.2.2 Classification results
• 6 CONCLUSION AND SUGGESTION
• 6.1 Conclusion
• 6.2 Suggestion
• ACKNOWLEDGEMENTS
• REFERENCES
• APPENDIX