基于LabVIEW的齒輪故障智能診斷系統

段志偉 高丙坤 王煥躍 龐永貴

( 1．東北石油大學電氣信息工程學院，黑龍江 大慶163318;2．大慶油田電力集團，黑龍江 大慶 163453；3．大慶物探一公司，黑龍江 大慶 163357)

齒輪是機械設備中廣泛使用的重要部件,它的損傷常常導致傳動系統或整機的故障,從而導致重大安全事故。據統計，傳動機械中80%的故障是由齒輪引起的，旋轉機械中齒輪故障占其故障的10%左右[1]。因此，研究和開發齒輪故障診斷系統具有重要的意義。LabVIEW是一種圖像化的編程語言， 以其開發速度快、數據處理功能強大的優勢廣泛應用于故障診斷系統[2，3]。筆者利用LabVIEW平臺研發了齒輪故障智能診斷系統。

1 齒輪故障診斷系統的構成①

齒輪故障診斷系統由加速度傳感器、信號調理、數據采集和計算機4部分構成。首先采用加速度傳感器拾取齒輪振動信號，采集到的振動信號微弱，且不可避免地受到噪聲的影響，因此對傳感器的輸出信號要進行放大和濾波，調理后的模擬信號由數據采集卡進行模數轉換，轉換為數字信號送入計算機進行處理。計算機部分采用LabVIEW語言研發了齒輪故障診斷系統，該系統主要包括文件管理、預處理、信號特征提取、共振解調診斷及BP神經網絡診斷等模塊。故障診斷平臺總體結構如圖1所示。

在該系統中對采集的振動信號先進行小波消噪和頻域分析，根據頻域分析結果可通過Hilbert共振解調和小波包共振解調兩種方法進行故障診斷。對預處理后信號進行特征提取，可提取時域統計特征，包括有量綱和無量綱參量；小波包相對能量特征，即通過小波包分解求取齒輪振動信號各頻帶的相對能量特征值。根據時域或小波包特征值，由神經網絡進行故障診斷。本系統提供兩種診斷方法，一種是基于共振解調的故障診斷方法，一種是基于神經網絡的故障診斷方法。

圖1 故障診斷平臺總體結構

2 基于共振解調的故障診斷方法

當齒輪局部發生缺陷時，相當于齒輪每轉一圈產生一個脈沖激勵，齒輪的嚙合頻率被一個短的周期脈沖所調制。調制后的信號在頻譜中表現為在嚙合頻率兩側有大量的邊頻帶。共振解調就是通過提取調制波的包絡，對其包絡進行傅里葉變換，得到其包絡譜，從包絡譜中的基頻以及倍頻上識別故障特征頻率。本模塊采用了Hilbert解調和小波包解調兩種方法。

2.1 Hilbert共振解調

實函數x(t)的Hilbert變換[4]為：

(1)

構造解析信號：

(2)

信號zm(t)的包絡：

(3)

周期性脈沖調制信號經過Hilbert解調后，可以獲取脈沖的出現頻率。Hilbert變換法只能近似應用于窄帶信號，齒輪故障信號是一個寬帶信號，因此，經帶通濾波后，其輸出可近似為窄帶信號。Hilbert共振解調的過程如圖2所示。

圖2 Hilbert解調過程

實驗設備采用故障模擬實驗平臺QPZZ-II，模擬的故障類型為斷齒、磨損。齒輪的幾何參數為大齒輪齒數75，小齒輪齒數55。小齒輪為主動輪，大齒輪為從動輪。Hilbert解調程序如圖3所示。對齒輪斷齒故障信號進行Hilbert解調分析如圖4所示。從圖4可以看出，在14.66Hz和倍頻處存在明顯的譜線。與大齒輪的轉軸頻率15.67Hz相近，可診斷為大齒輪故障。

圖3 Hilbert解調模塊程序

圖4 斷齒信號的Hilbert解調分析

2.2 小波包共振解調

由于振動信號是一種非平穩信號，可采用時頻分析方法進行處理。小波包變換是繼小波變換后出現的一種時頻分析方法，可在低頻和高頻頻帶同時進行分解。本系統研究了基于小波包的共振解調故障診斷模塊。通過對故障信號進行小波包分解，將包含固有頻率的共振頻帶的小波包系數保留，令其他頻帶小波包系數為零,然后進行小波包系數重構。最后對重構信號進行Hilbert共振解調分析。小波包解調程序如圖5所示，解調結果如圖6所示。

通過圖6可知，在16Hz和倍頻處存在明顯的譜線。與大齒輪的轉軸頻率15.67Hz相對應，可診斷為大齒輪故障。檢測到的頻率比Hilbert方法準確。通過解調分析，能夠提取大齒輪和小齒輪的轉軸頻率，但無法診斷是哪種故障類型,因此可通過神經網絡識別故障類型。

圖5 小波包解調程序

圖6 小波包解調的包絡譜

3 基于BP神經網絡的診斷方法

3.1 特征模塊提取

3.1.1時域特征提取

主要通過計算有量綱和無量綱參量，對比分析找到特征明顯、區分度較大的參量作為特征量。有量綱參量有：峰值、最小值、均值及均方根等；無量綱參量有：峰值因子、峭度因子、脈沖因子、裕度因子和波形因子。時域特征計算程序如圖7所示，對比分析如圖8所示。通過計算可知，均方根和峭度因子、裕度因子、峰值因子、脈沖因子、波形因子對各故障類型的區分度較大，可作為齒輪時域特征。

圖7 時域特征計算程序

圖8 齒輪時域參數對比折線圖

3.1.2小波包相對能量特征提取

對于非平穩的振動信號，本系統提供一種時頻特征提取方法，采用小波包相對能量作為特征，步驟為：

a. 小波包分解。各頻段小波包系數記為Dj，其中j=1,2,…,2J，J為分解層數。

e. 構造特征向量ρ=[ρ1,ρ2,…,ρ2J]。

對正常、斷齒、磨損信號進行小波包分解，計算各頻段小波包相對能量，柱狀圖如圖9所示。由于故障特征都位于低頻段，為減少計算量，通常可選擇前6個小波包相對能量作為特征。

圖9 相對小波能量柱狀圖

3.2 BP神經網絡故障診斷模塊

BP神經網絡是一種多層前饋神經網絡，具有良好的聯想記憶能力，已廣泛應用于故障診斷領域[5]。本模塊采用時域特征或小波包相對能量作為BP神經網絡的輸入向量，故障類型作為輸出向量，進行故障診斷。

3.2.1神經網絡結構

采用三層BP神經網絡。輸入層為齒輪的故障特征，輸入層的節點個數為6個，分別為時域特征參量均方根、峰值因子、裕度因子、波形因子、脈沖因子、峭度因子或小波包分解后的前六層相對能量；齒輪故障模式主要包括斷齒和磨損故障兩種，加上正常工作模式，共3種。采用二進制編碼方式，3種模式的編碼為正常狀態(1 0 0)、斷齒故障(0 1 0)、磨損故障(0 0 1)，因此輸出層節點個數為3。隱含層節點的個數由經驗公式計算m=2n，可取12。其中m為隱含層節點數，n為輸入層節點數。所采用的三層神經網絡結構為6-12-3。隱含層神經元激活函數采用tansig；輸出層神經元激活函數采用purelin。

3.2.2神經網絡訓練

筆者選用的樣本數據來自實驗數據，抽取了90組實驗數據作為訓練樣本，學習率0.05，訓練步100，訓練目標誤0.001。采用Levenberg-Marquardt算法對BP神經網絡進行訓練。訓練程序如圖10所示。部分訓練數據見表1。

圖10 BP神經網絡訓練程序

序號均方根峰值因子裕度因子波形因子脈沖因子峭度因子實際輸出理想輸出故障類型10.0357.59313.6791.44310.9585.368(0.93003-0.047480.10984)(100)正常20.0715.86810.831.4558.5383.739(-0.018240.989910.00688)(010)斷齒30.0447.13614.5591.55211.0746.418(0.02775-0.050070.97034)(001)磨損

3.2.3神經網絡診斷

把時域特征或小波包相對能量作為神經網絡的輸入向量，調用已訓練好的神經網絡進行故障診斷，診斷程序如圖11所示。

在故障診斷系統的前面板上正常為紅燈顯示，斷齒為綠燈顯示，磨損為黃燈顯示，以及彈出對話框提示齒輪故障原因，如圖12所示。經測試本系統正確率為97%，錯誤率為3%左右。

圖11 神經網絡故障診斷程序

圖12 神經網絡齒輪故障診斷系統前面板

4 結束語

利用LabVIEW語言研發的齒輪智能故障診斷系統，通過Hilber共振解調或小波包共振解調分析識別是大齒輪故障還是小齒輪故障，但無法確定具體故障類型；然后可通過神經網絡進行故障類型診斷。BP神經網絡的輸入向量可采用時域特征參量或小波包相對能量，輸出向量采用故障類型。實驗表明：通過解調診斷和神經網絡診斷，該系統能有效識別齒輪故障。

[1] 馬亮.小波包絡分析在滾動軸承和齒輪故障診斷中的應用[D]. 沈陽：東北大學，2007：4～5.

[2] 謝三毛.基于虛擬技術的齒輪故障智能診斷研究[J]. 化工自動化及儀表，2013，40(6)：762～765.

[3] 孟祥海，王金全，劉淵，等.基于LabVIEW的柴油機故障診斷虛擬儀器開發[J].儀表技術與傳感器，2011， (11)：40～47.

[4] 鞏曉斌，韓捷，陳宏矢.Hilbert解調及其在齒輪故障診斷中的應用[J].機械強度，2010，32(6)：1008～1011.

[5] 顧秀江，姚竹亭，王潔，等.基于改進BP網絡的柴油機燃油故障診斷的應用[J].電子測試，2011，(8)：4～7.