齒輪箱故障診斷.doc

基于小波分析風(fēng)力發(fā)電齒輪箱的故障診斷摘 要為研究風(fēng)力發(fā)電機齒輪箱的故障診斷特性，提出采用小波分析。根據(jù)理論分析建立簡單的齒輪故障信號模型，采用小波進(jìn)行降噪處理，并對去噪信號進(jìn)行分解得到細(xì)節(jié)部分，利用小波變換獲取故障信號的細(xì)節(jié)參數(shù),然后對細(xì)節(jié)部分進(jìn)行進(jìn)一步分析，本文是通過希爾伯特包絡(luò)譜分析提取非穩(wěn)態(tài)的故障特征，來對齒輪箱故障進(jìn)行診斷和確定故障具體位置。關(guān)鍵詞：小波分析 風(fēng)力發(fā)電 齒輪箱1、齒輪箱的故障分析風(fēng)力發(fā)電機組傳動系統(tǒng)包過一個齒輪箱、離合器和一個使風(fēng)力發(fā)電機在緊急情況下停止運行的剎車系統(tǒng)。風(fēng)力發(fā)電機通常利用齒輪箱把風(fēng)輪的低轉(zhuǎn)速提高到能使發(fā)電機發(fā)電的轉(zhuǎn)速，如果齒輪箱發(fā)生故障，就很容易造成設(shè)備損壞。在齒輪箱故障中，齒輪折斷和齒面疲勞故障的發(fā)生率較高，還有齒面點蝕、膠合、齒根斷裂、軸承損壞、滲漏油等其他常見故障。2、齒輪箱故障診斷方法齒輪箱在故障運行過程中，不同故障部位和原因會對齒輪箱的振動信號產(chǎn)生不同的影響，使得振動信號在時域和頻域發(fā)生變化，在相同頻帶內(nèi)，不同狀態(tài)信號的能量就會出現(xiàn)明顯不同。在齒輪箱故障診斷中應(yīng)用小波變換的思想是把原始振動信號先分解成近似信號和細(xì)節(jié)信號，然后把分解得到的近似信號繼續(xù)分解為近似信號和細(xì)節(jié)信號, 依此類推,可以分解到N層的近似信號和細(xì)節(jié)信號。為了將分解后的低頻信號和高頻信號的時間分辨率提高到原始信號的時間分辨率，對分解后的信號進(jìn)行重構(gòu)。小波分解得到的近似信號是信號的低頻部分，細(xì)節(jié)信號是信號的高頻部分。在物理信號中，低頻部分是表征信號本身特征的，而高頻部分則是表征信號的細(xì)微差別，小波變換得到的近似信號是齒輪箱正常狀態(tài)下的信號, 而細(xì)節(jié)信號表征的是齒輪箱的故障信號。基于小波分析的一維信號消噪原理如下: 由于實際的工程應(yīng)用中，有用信號通常表現(xiàn)為低頻信號或是一些比較平穩(wěn)的信號，而噪聲信號則通常表現(xiàn)為高頻信號。所以在進(jìn)行消噪過程中可以按照如下的方法進(jìn)行處理: 首先對需要處理的信號( 有用信號加噪聲) 進(jìn)行小波分解，則噪聲部分通常包含在每一次分解的高頻部分中，因此，可以以門限閾值等形式對小波系數(shù)進(jìn)行處理，然后對信號進(jìn)行重構(gòu)即可以達(dá)到消噪的目的。所以，一維信號的消噪過程可以分為三個步驟進(jìn)行:(1) 一維信號的小波分解：選擇一個合適的小波并確定一個小波分解的層次N，然后對信號進(jìn)行N 層小波分解。(2) 小波分解高頻系數(shù)的閾值量化：對第1到第N層的每一層高頻系數(shù)，選擇一個閾值進(jìn)行軟閾值量化處理。(3) 一維小波的重構(gòu)：根據(jù)小波分解的第N 層的低頻系數(shù)和經(jīng)過量化處理后的第1層到第N層的高頻系數(shù)，進(jìn)行一維信號的小波重構(gòu)。3、建模與仿真根據(jù)齒輪箱出現(xiàn)故障時的振動機理和調(diào)制現(xiàn)象分析，以及故障信號在頻域中呈現(xiàn)邊頻帶分布的特點，我們可以通過matlab軟件對振動信號出現(xiàn)故障時進(jìn)行仿真，在此對故障齒輪進(jìn)行分析，對于嚙合頻率的振動模型，振動信號幅度調(diào)制和頻率調(diào)制都存在時，只考慮單頻率調(diào)制情況，可以建立以下模型:式中A為信號幅度，fn為調(diào)制頻率（軸的旋轉(zhuǎn)頻率），B為調(diào)幅的調(diào)制指數(shù)，為調(diào)頻的調(diào)制系數(shù)，fz為載波頻率（齒輪嚙合頻率）。上式說明了旋轉(zhuǎn)頻率為fn的軸上的齒輪出現(xiàn)故障時，產(chǎn)生了調(diào)制現(xiàn)象。使可構(gòu)造簡單的齒輪出現(xiàn)故障時的故障信號來進(jìn)行分析，用Matlab對構(gòu)造的信號進(jìn)行仿真分析，時域和頻域圖形如下：圖1 齒輪出現(xiàn)故障時的振動信號圖2 故障信號的功率譜圖由功率譜圖可以發(fā)現(xiàn)振動信號的頻域會產(chǎn)生以齒輪嚙合頻率及其諧波為載波頻率, 齒輪所在軸轉(zhuǎn)頻及其倍頻為調(diào)制頻率的嚙合頻率邊頻帶，說明了相對應(yīng)的軸上的齒輪可能出現(xiàn)了故障。但對于現(xiàn)實中的故障信號，信息相當(dāng)復(fù)雜，不可能得到如此簡單清晰的頻譜圖，而且絕大多數(shù)都是非穩(wěn)定信號，直接對信號進(jìn)行傅里葉變換不太實用，通過直接對信號進(jìn)行頻譜分析，很多情況下根本得不到想要的信息。在實際采集的信號中常含有噪聲，只有通過降噪才能有效地變現(xiàn)出原始信號的信息，通過分析可知噪聲主要分布在高頻區(qū)域，可應(yīng)用Matlab軟件中的randn函數(shù)產(chǎn)生一個均值為0、方差為1的正態(tài)分布序列的信號，把該信號作為高頻的噪聲信號，并加到原有的故障信號上，構(gòu)成含有噪的信號，來進(jìn)行含噪信號的仿真，波形如下：圖3 加噪聲的齒輪故障信號采用sym6小波對加噪的故障信號進(jìn)行分析，對信號進(jìn)行4層分解，用無偏似然估計的閾值選取原則選取閾值，并用軟閾值對小波系數(shù)進(jìn)行量化處理，來進(jìn)行小波去噪，去噪后的信號波形如下：圖4 去噪后的齒輪故障信號下面對去噪后的齒輪故障信號進(jìn)行分析，我們采用db4小波對去噪信號進(jìn)行4層分解，分解后得到小波的細(xì)節(jié)信號，程序和細(xì)節(jié)信號圖形如下：t=1:512;t=t*1/2048;y=2*cos(2*pi*20*t).*cos(2*pi*100*t+0.2*sin(2*pi*20*t)+2*cos(2*pi*100*t)signal=y+randn(1,512);wname=sym6;lev=4; xd=wden(signal,rigrsure,s,mln,lev,wname)c,l=wavedec(xd,4,db4);d4=wrcoef(d,c,l,db4,4);d3=wrcoef(d,c,l,db4,3);d2=wrcoef(d,c,l,db4,2);d1=wrcoef(d,c,l,db4,1);subplot(4,1,1);plot(d4,LineWidth,1);ylabel(d4);subplot(4,1,2);plot(d3,LineWidth,1);ylabel(d3);subplot(4,1,3);plot(d2,LineWidth,1);ylabel(d2);subplot(4,1,4);plot(d1,LineWidth,1);ylabel(d1);xlabel(時間 t/s);圖5 去噪信號通過小波分解的高頻細(xì)節(jié)部分一般情況下, 信號的突變部分包含豐富的高頻信息, 在對信號的小波分解中, 第2層中d2和第4層中d4高頻細(xì)節(jié)信號表現(xiàn)出周期性的變化,有沖擊信號存在，正好體現(xiàn)齒輪在轉(zhuǎn)動過程中故障信號出現(xiàn)周期性, 說明可能是某一個齒輪出現(xiàn)故障。但不能得到齒輪出現(xiàn)故障的具體位置，為了進(jìn)一步得到故障信號頻率,以確定其故障發(fā)生的位置 ，對第2層細(xì)節(jié)信號和第4層細(xì)節(jié)部分進(jìn)行包絡(luò)譜分析，程序和包絡(luò)譜圖如下：fs=2048;nfft=2048;y=hilbert(d2);ydata=abs(y);ydata=ydata-mean(ydata);p=abs(fft(ydata,nfft);figure(3);plot(0:nfft/4-1)/nfft*fs,p(1:nfft/4);xlabel(頻率 f/Hz);ylabel(功率譜 P/W);title(小波包絡(luò)譜) 圖6 第一層細(xì)節(jié)信號的包絡(luò)譜圖（d2）圖7 第二層細(xì)節(jié)信號的包絡(luò)譜圖(d4)4、實驗結(jié)果從圖6發(fā)現(xiàn)第一層細(xì)節(jié)信號的包絡(luò)譜出現(xiàn)的故障調(diào)制頻率比較明顯，故障頻率為20Hz，通過齒輪箱故障特征頻率可以得出，轉(zhuǎn)頻為20Hz的軸上的齒輪出現(xiàn)了故障，進(jìn)而說明了仿真實驗分析的正確性。在利用小波進(jìn)行信號分析時，選擇合適的小波基是非常重要的，在上面的實驗仿真中，通過對小波基使用效果比較，選用了sym6和db4小波進(jìn)行分析，得到了很好的效果。本文中用小波變換的多分辨率技術(shù)和去噪技術(shù)對齒輪故障信號進(jìn)行處理，清晰分辨出信號的總體及細(xì)節(jié)特征,并運用包絡(luò)譜分析更進(jìn)一步找到故障頻率，即通過對振動信號進(jìn)行小波變換和包絡(luò)譜聯(lián)合分析, 提取故障信號的有效