基于振动测量技术的齿轮损伤监测评估外文翻译资料

 2022-05-30 22:14:25

英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料

基于振动测量技术的齿轮损伤监测评估

每种齿轮损坏监测技术都有其优点和局限性。这篇论文通过实验研究目前被广泛接受的灵敏度和鲁棒性技术：相位和幅度解调，beta峰度和小波变换。被使用的四齿轮测试案例：健康的齿轮，裂纹，削齿齿轮。振动信号在齿轮箱上进行测量，并在三个“过滤”下在线处理条件：一般信号平均，总体残差和主导啮合频率残差。测试结果显示贝塔峰度是一种非常可靠的时域诊断技术。相位调制对齿轮缺陷非常敏感，但其他信息应该是用于确认其诊断结果连续小波变换提供了良好的视觉效果尤其是使用残留信号时的检查。诊断仅基于主导。但是，啮合频率残差不应该独立用于齿轮健康状态监测，它可能会产生误报。

1 引言

齿轮箱的典型应用包括电力公用事业，汽车工业，船舶和其他行业直升机。一个实用和强大的监测系统是极其需要提供的尽早发出损坏或故障警告，以避免突然失效。 目前，有三种类型的方法来检测齿轮系统中的故障：声学信号分析，碎片监测和振动分析。基于振动的诊断已经完成。由于易于测量，它一直是最流行的监测技术。 什么时候获得一个部件的振动特征，其健康状况可以通过确定将这些模式与对应于其正常和故障条件的模式进行比较。这种模式分类过程可以通过目测或推断进行方法[1,2]。

目前有许多基于振动的监测技术可供使用检测齿轮故障。 根据分析领域，他们可以被分类频率/倒谱分析，时间/统计分析和时间}频率分析。 下面给出了每一个的简要回顾。

频率/ 倒谱分析

光谱分析是传统的齿轮诊断技术。 通过比较的频谱一个损坏的变速箱，其参考频谱处于健康状态，一些齿轮故障可以被检测到[3]。 例如，对于仅包含几对齿轮的齿轮箱，情况就是如此可以通过检查齿轮周围的调制边带来识别牙齿损伤啮合频率及其谐波。 倒谱是逆傅里叶变换对数功率谱。 因此，它突出显示了频谱的周期性。可以识别由齿轮故障引起的频谱中的周期性信号[4,5]。 对于复杂齿轮系统，然而，从光谱或倒谱识别故障是很难的，因为涉及大量的组件。

时间/统计分析

时间同步平均（TSA）是一个大量的信号平均过程与齿轮箱中特殊轴的运行速度同步，可以移除不仅是背景噪音，而且周期性事件也不完全同步齿轮被监测。插值和重采样技术的使用可以减少轴转速的变化，消除锁相频率的需要

乘数[6]。先进的齿轮损伤通常可以通过直接的方式识别检查TSA轨迹。McFadden [7]建议使用相位和振幅主要啮合频率残差的解调用于牙齿裂纹检测

在许多情况下被证明是非常成功的技术。另外，kurtosis的相位调制及其派生也可用于齿轮故障诊断[7,8]。伊斯梅尔等人。 [9]使用贝塔函数的峰度强调瞬态产生的牙齿裂缝。他们还提出了一个统计指标来评估齿轮损伤。 Golnaraghi等人。 [10]从混沌动力学和非线性时间序列分析中引入了一个新思想以检测系统动态的全球变化。此外，Lin等人[11]研究了这些影响，齿轮齿裂纹对齿轮箱振动信号的相关维度具有影响。然而，[10,11]中的实验证据是有限的，并且建议进行进一步的研究这两个作品。

时间频域分析

时间频率分析正变得越来越对于重要损伤诊断。短时傅立叶变换（STFT）是经典的时间频率分析技术，通过检查能量分布可以检测出一些齿轮故障信号在时间上的频率空间[12]。 STFT的一种不同形式，Wigner} Ville分布，通过信号自相关和傅里叶变换过程获得。它的分辨率不受不确定性原理的限制[13]。虽然它不产生积极的在所有情况下的分布，它有时可以很好地洞察信号特性，因此可以用于齿轮故障检测[14]。小波变换的最新进展（WT）为齿轮损伤诊断提供了非常强大的工具。与STFT相反，WT在高频时使用窄时间窗，在低时使用宽时间窗

频率[15];因此，它非常适合于瞬态和非平稳的分析信号。 Wang等人使用离散[16]和连续[17] WT来检测异常在齿轮损坏的早期阶段产生瞬变。他们发现，即使是离散的WT提供了一个非常有效的表示和没有冗余，获得时间尺度的地图提供了有限的细节，因此信息量不大。 Lin等人[18]引入了一个线性WT概念，其中小波图根据信号幅度而不是能量。 Boulahbal等人[19]使用WT的幅度和

阶段同时评估破裂和缺口牙齿缺陷。他们提出的极地代表性可用于帮助查明WT中齿轮损坏的位置地图。

到目前为止，还没有一个全面的调查，其中大量的使用所测量的相同振动数据将上述监测技术进行比较，在不同的操作条件下，在同一个变速箱上。 这样的研究将是在这里尝试。 但是，对于我们目前认为最重要的部分，这将受到限制文献中成功和可接受的监测技术包括：时间同步平均，相位和幅度解调，beta峰度和连续WT。 为了完整起见，每种方法的基本表述是包括在附录中。

图一

我们首先介绍实验装置和数据采集和预处理方法。如图所示，将使用四个齿轮测试案例。在图1中：（a）健康齿轮，（b）具有根部厚度的20％的横向切割以模拟一个齿裂纹，（c）一个“引导牙齿在节点周围（50％的牙齿表面）进行模拟剥落损伤和（d）切齿，从节点上的零厚度到20％厚度在齿顶，以模拟严重的磨损和打分故障。一个典型的处理将详细讨论每个齿轮测试案例的结果。三种扭矩水平下的三种速度将用于每个档位状态。此外，还有三种数据预处理方法利用：使用原始时间信号平均值，使用去除齿轮啮合后的数据频率（MF）及其谐波，并使用带通后的数据“对平均值进行滤波主导谐波的信号。由于生成的地块数量非常大，在目前的研究过程中，只会呈现样本测试用例的结果，每个档位状况。一个总结表，包括对成功的主观评估将提供每个测试案例中的诊断。它将显示beta峰度一个非常可靠的时域诊断技术。相位调制对齿轮非常敏感不完善之处，但应使用其他信息来确认其诊断结果。当残留信号出现时，持续的WT特别提供了良好的视觉检查用过的。但是，仅基于优势MF残差的诊断不应该被使用独立进行齿轮健康状况监测;它可能会产生误报。

2.进行实验

本研究中使用的齿轮测试设备如图2所示两个1马力永磁直流电机（PM9100ATF）和一个单级变速箱。一双直径为1.5 mm的正齿轮进行了测试。传动齿轮有16个齿，从动齿轮有14个齿。电机和变速箱安装在一个坚固的工字梁上这是锚定到一个巨大的混凝土块。速度控制器允许变速箱在200-1400rpm的范围内操作。负载转矩由电网提供电阻连接到负载电机。功率电阻器消除了静音机制，因此它们不会给测试台带来额外的振动。该驱动电机和电阻网络的速度可以连续调整至适应速度/扭矩操作条件的范围。测量振动带有加速度传感器（PCB308），灵敏度为104 mV / g，安装在变速箱上住房在齿轮行动的方向。光学传感器安装在靠近一个连接在驱动轴上的开槽盘，其提供了用于同步求平均过程的每脉冲一个脉冲信号。 来自两个传感器的信号经过适当放大，然后馈送到贝塞尔型（KH3362）的反走样“滤波器组，因为这些滤波器提供最小相位失真。 “振动信号的过滤器切割频率设置得足够高，以捕捉齿轮MF的第5次谐波，而切割o！ 为了降低“过滤后的脉冲波形失真”，将参考信号的频率设定得足够高（例如12kHz）。

图2

3.数据采集和预处理

低通滤波信号通过PCI-E系列馈送到Pentium计算机数据采集板（CB-68LP）。 以C ##编写的驱动程序被应用于将数据存储到Matlab的环境中以利用其信号处理工具箱。

在数据采集过程中，首先选择每转采样的数量，例如cedil;“16]64”1024。 轴的转速n（rpm）是根据轴的数量来计算的。参考脉冲在特定的时间间隔内进行。采样频率fs“n / 60 *cedil;（Hz），数据大小根据两者来确定噪声衰减要求[3]和计算机内存限制。 为收集信号，每旋转一圈的样本数量可能不会完全相等，由于轴速变化而导致另一个。 这个＃标准会影响时域的平均值不利。 为了克服这个问题，采用了三次插值方法[6]，在每次旋转中对获得的数据进行重采样。 通过这种方式，每个样品都有相同的样品，变化可以得到保证。

信号平均在一个完整的旋转中获得后，它被标准化，在！1和1之间，以减少不同数据集之间的差异条件。 另外，信号平均值也应该调整以使其开始，从牙齿数据块的开始，以促进基于牙齿的beta;峰度分析。

4.信号处理

这里采用的所有诊断算法都是在Matlab环境下编码的。该振动信号在三个“过滤条件下处理：（a）使用原件。TSA数据没有进一步“过滤”，（b）使用通过数字获得的总体残差。“消除齿轮MF及其谐波，并（c）使用主要MF残差，

通过带通获得“消除了占主导地位的MF和谐波周围的信号平均值，18轴顺序的带宽，并将其在该频率（bin）处的幅度设置为零。这些“过滤方法已在文献中的几个作品中实施，例如 [7，19]。

5.结果

试验的转矩为3,4,5和6Nm，每个转速为400,800和800转/分钟1200转/分钟。 最大速度和扭矩受试验台本身的限制。 在每个测试中，在线监测振动，并且仅在签名图案后收集数据稳定。 样本结果在下面讨论。

5.1 健康的装备

首先，作为参考，测试了一对健康的齿轮。图3显示了结果1200 rpm和4.5Nm。图3（a）中的信号平均值清楚地显示了对应的16个峰值到16牙周期。 beta;峰度的特征[图 3（b）]，振幅[图。 3（c）]和相[图。 3（d）]调制都显示出一些小的缺陷，可能是一个齿轮跳动。在WT地图中，虚线表示齿轮MF及其谐波。从WT幅度图[图。 3（e）]，可以看出能量主要是以320 Hz的MF为中心，在这种情况下也是占主导地位的MF。同样的时间，图3（f）中该频率下的相应相位有16个相位跳跃相关每个齿啮合.WT相位图不显示下面频率的清晰模式200Hz由于齿轮不可避免的不准确性。另外，从这个阶段信号，我们可以看到有32（16）2）和48（16）3）这样的相位跳跃第二和第三MF谐波在640和960赫兹，分别对应于2和在每个牙齿周期期间3次信号峰值。

图4显示了使用总体残差信号的相同数据。 尽管如此，还是有更多的问题小，出现在TSA的痕迹[图 4（a）]，峰度[图 4（b）]和幅度调制。[图 4（c）]，由于制造可能导致的牙齿表面缺陷不准确，偏心，弹性变形等。这些缺陷是不可避免的，一个强大的诊断技术应该对这些小的错误不敏感。 在图4d中，然而，在403附近有一个很大的阶段跳跃，可能是由解包错误造成的，

这将在自动在线监测系统中发出虚假警报。 在图4（e）中，MF与其二次谐波之间的分布能量相当均匀，因此确实如此在这种情况下不表示任何异常。 与此同时，[图4（f）]已经通过这个“过滤”过程显着改变，并且很难画出

这张地图的任何结论。

图3

图4

图5

[图 4（f）]已经通过这个“过滤”过程显着改变，并且很难画出这张地图的任何结论。

图5中的签名是基于显性残差的处理结果MF。 可以看出，TSA中903和2703附近存在较大的幅度不规则性。追踪图5（a）。 这些是由齿轮不圆度造成的; 现成的齿轮是无聊到轴，这是一个齿轮轮缘厚度大大减小的过程在加工过程中以及在夹紧齿轮时不可避免地引起偏心，使用固定螺丝将轴固定到轴上。 有趣的是，齿轮跳动的效果也是如此。表现在所有其他的图5（b）} 5（f）。一方面，目前的过滤技术可以给出关于牙齿损伤等的错误警报，但另一方面，小心检查获得的地图可以帮助识别与之相关的偏心问题制造或装配过程。

5.2 损坏的齿轮

在三个故障齿轮箱中，为了更好地观察，损坏的齿被设定为约1803的参考信号。 以这种方式，预计振动特征的变化发生在时间/位置（水平）轴的中间附近。 根据不同的测试结果过滤操作总结在表1中。符号CI意味着清楚指示牙齿缺陷。 SI表示存在一些，但不是“无”的指示需要更多的信息来确认这个诊断结果，没有明确的故障指示。 由于幅度调制实际上是包络对应的TSA信号的分析结果未在表1中列出。另外，从以下讨论中可以看出，小波相位特征相对较难作为独立的诊断工具使用，其结果也未列出。 我们在这里应该强调的是，上述分类条件CI，SI和NI的分类是相当粗糙，并使用对获得的地图的主观评估来创建。 进一步需要进行研究以量化不同的诊断措施并最终开发这种度量结合了这些度量方法，可以提高准确性和鲁棒性的故障检测。

表1

在讨论表1中的结果之前，让我们先拿出样本地图。对于每种损坏类型，都以相同的转速1200转，扭矩4.5牛米。类似于健康齿轮的情况，将使用三种数据集来呈现图，TSA信号，总体残差和主要MF残差，如前所述。 这些样品

将有助于说明我们的分类“诊断齿轮健康状况纳入NI，SI和CI。

对于使用TSA信号的情况下的裂纹齿的结果没有进一步“过滤”。如图6所示，根据图6（a）中的信号平均迹线，存在一些指示（SI）1803年左右（第9颗牙齿）的不规则性。振幅和相应的相位图6（c）和（d）中的签名清楚地显示（CI）1803年左右存在牙齿缺损。图6（b）中的Beta峰度也提供了一个清晰的牙齿损伤指示（CI），但是在周围第十颗牙齿。不同的牙齿位置的原因是贝塔峰度分析的基础在数据块上，每个数据块对应一个牙齿周期。自牙齿时期开始用于计算可能不是实际啮合周期中的确切起始位置，与这个牙齿块相关的一些数据可以在相邻之间共享块。因此，真正受损的牙齿可能是与牙齿中可见牙齿相邻的牙齿峰度图。图6（f）中的小波相分叉特征清楚地识别（CI）牙齿

如箭头所示。同时，也有一些不规则的表达（SI）在小波幅度图[图。 6（e）]围绕第二个MF谐波，但约为1在阶段签名之前的牙齿周期。这与上述观察结果一致[19]。类似的相位滞后也可以从幅度和相位调制中识别从1803年到2003年的痕迹。

6 结论

从这个实验调查中，已经发现beta;峰度和小波变换幅值是齿轮健康状态监测的可靠技术; 他们有对所使

全文共5804字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[11476]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章