齒輪系統的能量信號監測與故障診斷系統研究

李懷俊

(廣東交通職業技術學院 軌道交通學院， 廣東 廣州 510650)

齒輪系統的能量信號監測與故障診斷系統研究

李懷俊

(廣東交通職業技術學院 軌道交通學院， 廣東 廣州 510650)

基于LabVIEW虛擬技術平臺，以齒輪傳動系統的輸入功率信號為處理對象,對能量信號監測與診斷系統進行研究。系統首先通過HHT時頻域信號變換方法建立高維特征向量庫,然后運用核主元分析、模糊K均值聚類等數據處理方法對其降維并提取出核主元特征,開展故障模式判別。運行結果顯示,系統可對典型的非線性、非平穩信號進行有效分析并實現特征融合,在齒輪等旋轉系統的故障狀態實時監測與診斷方面具有良好性能。

齒輪系統； 故障診斷; 能量信號; HHT; KPCA

隨著計算機信息處理能力的不斷提升,機械設備狀態監測與故障診斷系統的功能不斷完善。本系統以工程技術領域中的控制論、可靠性理論、信息論以及智能計算技術為理論基礎,以包括集成傳感器在內的儀表裝置和嵌入式處理模塊為技術手段,結合監測對象的實際工況,可以有效地對各種運行參數進行連續監測,并對狀態做出實時評價,實現故障預警,使企業的設備維修管理工作從常規周期性檢修、突發事故被動維修逐步升級過渡到以狀態監測為主的主動預防性維修。故障診斷系統的開發是工況監測與故障診斷技術的主要發展方向,也為實現設備故障的主動防護提供了科學依據和可靠保證[1]。

本文將Matlab數據分析功能與LabVIEW虛擬儀器應用軟件相結合,以齒輪箱的輸入功率信號為處理對象,通過時頻域信號分析、故障特征向量建立、特征提取與模式識別等技術環節,開展了能量信號監測與診斷系統的研究。

1 系統功能設計

能量信號監測與診斷系統可以在齒輪系統運行過程中,周期性地測量和記錄診斷參數,實時完成能量數據采集和數據分析工作,系統框圖見圖1。能量信號是指齒輪傳動系統的輸入功率信號,即瞬時能量信號,由齒輪箱體前端的扭矩和轉速映射得出[2]。系統硬件包括前端數據采集裝置、信號調理電路、數據采集卡等,系統軟件包括虛擬儀器測試子系統和信號分析與故障診斷子系統兩部分,前者包含數據接收與前期處理模塊、LabVIEW應用軟件、數據庫；后者包括能量信號特征提取與特征參數庫建立、特征聚類與故障模式識別、用戶查詢等功能模塊。其中數據庫包括數據模型庫、程序庫、數據存儲與調用模塊等。

圖1 能量信號監測與故障診斷系統框圖

2 系統開發

2.1 基于虛擬儀器技術的能量信號監測子系統

LabVIEW技術是典型的虛擬儀器技術,基于信號采集與處理技術、數據庫技術、所見即所得的可視化技術等,建立了多角度分析的人機界面,是一種基于圖形化、用圖標代替文本創建應用程序的計算機編程語言[3]?；谔摂M儀器的能量數據采集過程框圖見圖2。

圖2 數據采集過程框圖

如圖3所示，系統的前端是齒輪傳動試驗臺,其由JZQ250型齒輪箱、電機、減速器、磁粉加載器、聯軸器等部件組成,還包括轉速傳感器、扭矩傳感器、振動加速度傳感器、油溫傳感器等。采集系統的硬件驅動程序是應用軟件對硬件的編程接口,實現了軟件與硬件之間的數據傳遞[4]。傳感器采集到的輸入功率信號、振動信號都是以電信號的形式呈現,經變換、放大、調制等將信號轉換為數據采集卡可接收的電壓信號。

圖3 信號監測子系統

2.2 系統數據庫

系統所包含的數據庫信息主要包括齒輪參數、工況參數、功率參數、振動參數、故障狀態、故障特征信息等,數據庫類型為ACCESS數據庫。齒輪數據庫信息如表1所示。

表1 齒輪數據庫信息

在基于數據庫的虛擬儀器測量監測系統中,很重要的一部分工作是對實時采集的數據進行查詢、統計與報表分析等。這其中最主要的事項是軟件與數據庫系統的交互,即對測量數據的讀取和寫入。LabVIEW數據庫訪問技術通過創建一個應用數據庫管理采集任務的數據、存儲測試數據,并且能夠總結測試結果并提供測試報表,代表性技術是LabSQL,這是一個免費的、多數據庫、跨平臺的LabVIEW數據庫訪問工具包,其利用Microsoft ADO以及SQL語言來完成數據庫訪問,將復雜的底層ADO及SQL操作封裝成一系列的LabSQL VIs,與數據庫之間通過ODBC連接,用戶需要在ODBC中指定數據源名稱和驅動程序[5]。因此在使用LabSQL之前,首先要在系統中的ODBC數據源中創建一個數據源名,即DSN(data source name)。LabSQL與數據庫之間的連接就是建立在DSN基礎之上的。利用LabSQL可訪問大多數類型數據庫,執行各種查詢,對記錄進行各種操作,優點是易于理解,操作簡單。齒輪數據庫訪問過程如圖4所示。

圖4 齒輪數據庫訪問過程

2.3 信號分析與故障診斷子系統

LabVIEW虛擬儀器庫中提供了與Matlab的接口,通過內嵌Matlab實現與之連接,進而通過接口將調理后的信號數據送入分析與診斷子系統,實現一系列處理步驟,最終實現根據機械設備的狀態參數判斷設備的狀態,進行故障狀態監測。信號分析、采樣點的幅值時域顯示,可以通過離散傅里葉變換的方法轉換為頻域顯示。信號的HHT(Hilbert-Huang Transform)分析以邊際譜、時頻譜的結果來呈現,分別以頻率、時間為橫坐標變量來描述信號的幅值、相位的變化規律。

本子系統主要包括時頻域分析[6]、希爾伯特-黃變換(HHT)處理[7]、核主元特征提取與故障模式識別[8-9]等環節。

HHT方法較傅里葉及小波分析等需依賴先驗函數基的方法，更適合于處理非平穩信號,其不需要依據全部波形來計算局部頻率,可以將奇異信號從低頻部分辨識出來,是一種更具適應性的時頻局部化分析方法[10],核心環節之一是EMD(wmpirical mode decomposition,經驗模態分解)過程[11-12]。齒輪輸入功率信號經EMD分解處理后,各模態函數分別代表了一組特征尺度下的平穩信號,各個頻帶的能量變化表征了不同的工作狀況,可選取各個尺度下,即各個IMF(intrinsic mode function,本征模態函數)分量的能量分布作為構成特征向量的參數之一。同時從考慮序列復雜性和統計量化的角度出發,將各階IMF分量的近似熵作為參數之一。最終系統構成了包含前6階IMF的歸一化能量Ei、偏度Si、峰度Ki、標準差Di和近似熵Pi,以及各IMF分量的頻譜的最大幅值Ai，其對應的頻率值fi的42維故障特征向量B,這里i∈(1,6)。然后針對高維向量B降維處理。

特征降維采取核主元分析方法(kernel principal component analysis,KPCA)[13]。KPCA的基本思想是首先通過積分算子和非線性核函數將輸入空間的數據映射到線性特征空間,然后在該特征空間中計算相應的特征主元分量。與其他非線性方法相比,核主元分析與標準的主元分析一樣簡單,僅需要利用線性代數求解特征值問題,而不涉及到非線性優化,且由于使用核函數,適用性較廣,對于齒輪系統中非線性明顯特征的振動信號或輸入能量信號進行降維與提取特征效果明顯。后續的特征聚類方法采用模糊K均值聚類(Fuzzy K-Means,FKM)方法[14],限于篇幅在此略過不表。

針對齒輪正常、點蝕、剝落、斷齒4種工況的各60個測試能量信號樣本數據進行HHT變換,建立60×42的特征向量庫,經過KPCA特征提取后,形成前3個核主元的聚類結果,如圖5所示,可以看出齒輪4種狀態的核主元聚類趨勢很明顯,可以清晰地辨識出齒輪各工況。

圖5 KPCA前3個核主元聚類圖

3 系統測試應用

數據分析子系統中的故障識別模塊包含已有故障模式信息表、故障原因庫、KEFKM識別規則參數、診斷結論等設置。故障模式模糊識別過程通過獲得齒輪故障模式、齒輪故障原因以及多種工況下的表現特征,將其通過HHT方法處理信號、KPCA特征提取、FKM算法特征模糊識別等環節聯系組織起來,生成識別知識庫。圖6為故障識別過程中的執行聚類操作界面,這是針齒輪4種典型工況下的共計200個訓練樣本,采用基于高斯核函數[15](核參數σ=12)的KPCA降維后,形成200×3的核主元向量庫,對特征核主元聚類后形成了4個故障聚類中心(按累計貢獻率大于82%來選取前3個核主元,以便于生成3維示意圖),即是故障模糊識別規則的核心數據,詳細如表2所示。同時選取各種工況下的待識別樣本各20個進行處理,識別結果如表2中的后3列所示,經分析發現,斷齒故障識別效果最好,點蝕由于屬于弱故障,其中有2個樣本落入了正常樣本中,而剝落故障中有1個樣本被歸入了點蝕樣本,總體而言,系統對齒輪典型故障的識別效果明顯。

圖6 齒輪典型故障特征模糊聚類界面

故障類型故障規則數據(聚類中心)待識別樣本數實際識別數識別率正常{0.2037,0.1321,-0.5218}202290%點蝕{0.0179,0.8821,-0.3736}201995%剝落{0.2817,0.6774,-0.2356}201995%斷齒{0.6317,0.4815,-0.1378}2020100%

4 結束語

本文圍繞齒輪傳動系統能量信號監測與故障診斷系統的設計展開了研究,分析了系統的基本結構以及信息獲取、處理以及信息融合等環節的實現過程,開發了能量信號監測與故障診斷系統,可實現能量信息融合、故障模式模糊識別等功能。運行結果顯示,系統可對典型的如輸入功率等非線性、非平穩信號進行有效分析并實現低維特征融合,在齒輪等旋轉系統的故障狀態實時監測與診斷方面具有良好性能。

References)

[1] 鐘先友,趙春華,陳保家,等.基于形態自相關和時頻切片分析的軸承故障診斷方法[J].振動工程學報,2014,33(4):11-16.

[2] 李懷俊,謝小鵬,黃恒.基于主元熵的發動機能量數據聚類與故障識別[J].華南理工大學學報：自然科學版,2013,41(11):137-142.

[3] 羅建,雷勇,黃昊.基于LabVIEW的遠程電機實驗臺的構建[J].實

驗技術與管理,2014,31(3):122-125.

[4] 李湘林,江兵,封馳.基于LabView的遠程實驗系統設計與實現[J].測控自動化,2012(28):47-49.

[5] 全曉莉,周南權,李雙,等.基于LabVIEW的數字信號處理虛擬實驗的構建[J].實驗技術與管理,2011,28(10):82-84.

[6] 張焱,湯寶平,鄧蕾.基于譜聚類初始化非負矩陣分解的機械故障診斷[J].儀器儀表學報,2013,34(12):2806-2812.

[7] 胡榮華,樓佩煌,唐敦兵,等.基于EMD和免疫參數自適應SVM的滾動軸承故障診斷[J].計算機集成制造系統,2013,19(2):440-441.

[8] 鄭近德,陳敏均,程軍圣,等.多尺度模糊熵及其在滾動軸承故障診斷中的應用[J].振動工程學報,2014,27(1):145-151.

[9] Ding M T,Zheng T,Xu H X.Adaptive kernel principal component analysis[J].Signal Processing,2012,90(5):1542-1553.

[10] 張妮,田學民.基于等距離映射的非線性動態故障檢測方法[J].上海交通大學學報,2011(8):1202-1206.

[11] Jarboui B,Derbel H.Variable neighborhood search for location routing[J].Computers and Operations Research,2013(40):47-57.

[12] 韓中合,朱霄殉,李文華.基于K-L散度的EMD虛假分量識別方法研究[J].中國電機工程學報,2012,32(11):112-116.

[13] 李兵,張培林,任國全,等.運用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動、測試與診斷,2009,29(4):445-449.

[14] Combet F,Gelman L.Novel adaptation of the demodulation technology for gear damage detection to variable amplitudes of mesh harmonics[J].Mechanical Systems and Signal Processing,2011,25(3):839-845.

[15] 魏秀業,潘宏俠,王福杰.基于粒子群優化的核主元分析特征的提取技術[J].振動、測試與診斷,2009,29(2):162-166.

Research on gear system energy signal monitoring and fault diagnosis system

Li Huaijun

(Rail Traffic College, Guangdong Communication Polytechnic, Guangzhou 510650, China)

The energy signal monitoring and diagnosis system is researched and designed in view of input power signal of gear transmission based on LabVIEW virtual technology.Firstly, the high-dimensional feature vector library is established using the signal frequency domain transform method of HHT.Then, the fault mode is discriminated through the dimensional reduction and extracting kernel principal component characteristics using kernel principal component analysis,fuzzy K-Means clustering data processing method.The running results show that the system can be used to the typical nonlinear and nonstationary signal analyis and data feature fusion effectively,which has a good performance in state real-time monitoring and fault diagnosis of rotating system such as gear, etc.

gear system; fault diagnosis; energy signal; HHT; KPCA

2014- 12- 16 修改日期：2014- 12- 29

廣東省高校優秀青年教師培養項目(Yq2013178)

李懷俊(1978—)，男，山西襄汾，博士，副教授，主要研究方向為設備智能故障診斷技術.

E-mail：solarlee@126.com

TH132.41;TP277

A

1002-4956(2015)6- 0090- 04