基于經(jīng)驗模態(tài)分解的港機減速箱故障特征提取

嚴華 沈炎

摘 要：減速箱是港口起重機的重要運行部件，其運行狀態(tài)對港口起重機的安全性和可靠性有著重要影響。為了防止減速箱突發(fā)故障，在工程上通常采用定時維修的方式。但是，由于減速箱故障存在偶然性且壽命分布較為分散，在此情況下，定時維修的方式容易造成“過度維修”和“維修不足”。所以，需要視情維修來代替定時維修。而視情維修的核心就需要完善的狀態(tài)監(jiān)測技術和故障診斷算法。本文著力于故障診斷算法的研究，基于當前處于研究熱點的信號處理方法和機器學習算法，從減速箱振動加速度信號入手，從特征量選取方面對減速箱故障診斷開展研究。

關鍵詞：經(jīng)驗模態(tài)分解;故障特征提取;港口起重機;減速箱

1 研究背景

隨著全球一體化的進程以及我國一帶一路倡議影響力的持續(xù)增強，港口航運業(yè)呈現(xiàn)蓬勃發(fā)展的態(tài)勢。港航企業(yè)出于降低運輸成本和提高作業(yè)效率的需要，船舶大型化和裝卸機械自動化成為發(fā)展潮流。自1993年荷蘭鹿特丹港建成世界第一個自動化集裝箱碼頭以來，到如今已有多個自動化碼頭在國內外相繼建成投產。而2017年底投產試運營的上海洋山港四期全自動化碼頭更是以90%的自動化率成為了名副其實的“無人港”。

隨著港口起重機的大型化、自動化，其突發(fā)的故障會對港口運營及生產秩序造成嚴重的影響甚至是災難性的后果。因為自動化碼頭是集群調度配合的生產模式，單臺設備發(fā)生的故障都被放大，使其影響的范圍由單個泊位擴大到堆場乃至整個轉運流程，使港口的傳送鏈路產生混亂。因此，迫切地需要引入可靠性更高的檢測技術來對起重機的運行狀態(tài)進行監(jiān)測，從而降低突發(fā)故障的發(fā)生率。

根據(jù)上海振華重工對港口起重機歷年故障類型和概率統(tǒng)計的結果，發(fā)現(xiàn)導致起重機突發(fā)停機的故障中，因結構疲勞導致的開裂和變形等導致的約占15%，災害和事故導致的約占30%，剩余的55%基本是由傳動機構故障導致的。著眼傳動機構的機械故障，依照故障類型統(tǒng)計：起升機構作為主要做功的機構，由于載荷大、動作頻繁，其故障率占到了其中的46%;依照故障部件統(tǒng)計：軸承工作在較高轉速、大負荷且負荷方向和大小實時變化的惡劣工況下，導致軸承故障率占到總故障率近70%。

從測試和試驗數(shù)據(jù)可以了解到：即使是采用同樣的設計和制造方法生產出的減速箱，在基本接近的使用環(huán)境和工況下，其使用壽命也無法通過簡單的統(tǒng)計分析進行預測。具體表現(xiàn)在即使是同一批次的減速箱，有的在超過設計年限后仍可穩(wěn)定良好的運轉，而個別減速箱卻發(fā)生故障提前需要進行大修。這表明減速箱使用壽命呈現(xiàn)一定的離散特性。在此情況下，可能出現(xiàn)好零件因為到使用時限而被更換的浪費現(xiàn)象，也可能出現(xiàn)壞零件因為使用時限未到而繼續(xù)使用的風險問題。

本課題以港口應用廣泛的岸邊集裝箱起重機（簡稱：岸橋）為主要樣本，研究其起升減速箱的故障特征，以及故障診斷算法技術。將定時維修改為視情維修，提前發(fā)現(xiàn)和診斷定位減速箱的故障，保障港口起重機安全、穩(wěn)定地運行。同時有效地避免不必要的維修，節(jié)省維護保養(yǎng)經(jīng)費。

2 經(jīng)驗模態(tài)分解理論

經(jīng)驗模態(tài)分解（Empirical Mode Decomposition， EMD）方法在對信號進行分解前不必提前確定用于分解的函數(shù)基，擁有優(yōu)良的自適配能力，非常適合對非線性的不穩(wěn)定信號進行處理。EMD以信號時間范圍的不同，將復合雜亂的原始信號依次分解為多個固有模函數(shù)（Intrinsic Mode Function， IMF）。這些分解出來的函數(shù)之間以頻率高低排序，包含了原信號的實際有效信息。IMF各階函數(shù)的能量大小，直接反映了原信號在各個劃分頻段的能量分布，對信號特征的辨識有著重要作用。

2.1 EMD基本概念

傅里葉變換是用原信號的正余弦函數(shù)來計算頻率，這時的頻率反映了全部信號的特征。若將傅氏變換用于穩(wěn)定信號分析，能獲得較好的效果。但是對于不穩(wěn)定的信號，其頻率時刻處于變化的狀態(tài)，再用傅氏變換計算得到頻率，僅能反映信號被平均之后的特征，而忽略了更能反映特定時刻信號特點的瞬時特征。因此需要引入瞬時頻率ω，將其表示為時間的函數(shù)。

通過以上算式可計算出x（t）所包含的若干混疊分量瞬頻的疊加，仍然是對全局信號特征的體現(xiàn)。因此，EMD引入固有模函數(shù)概念。

2.2 EMD分解理論

從起重機等實際作業(yè)環(huán)境中獲取的原始信號總是若干個不同振動源信號的疊加，因此需要采用EMD分解，取得原始信號的各階固有模函數(shù)IMF。分解步驟如下：

（1）找到原始信號的全部極值點。

（2）對找到的全部極值點進行樣條擬合，生成上下包絡。

（3）統(tǒng)計上下包絡線的均值，再把所有和均值相等的分量從原信號中去除，從而形成全新的信號。若通過以上步驟得到的信號無法滿足IMF需要達到的條件，則反復執(zhí)行以上步驟到達到條件為止，即得到第1個IMF。為了保證得到的IMF分量保留關于振幅的信息，引入篩選停止機制。即對兩次相臨篩選得到的結果計算其標準差，如果標差未超過預定值就停止篩選。

（4）用原始信號與IMF 1相減形成新信號。反復執(zhí)行上述步驟。當最后剩下的分量比預定值小，或者已經(jīng)是單調函數(shù)時為止。這樣就得到了若干IMF分量與一個殘余分量。

2.3 EMD算法測試

為驗證前述特征提取和選擇的算法，根據(jù)減速箱故障特性，構造了基于式（5）的信號用于算法驗證。圖1為仿真信號時域波形圖，此仿真信號中囊括了幅值調制信號、周期脈沖信號以及隨機高頻噪聲。

從圖1可以看到，幅值調制信號和噪聲已經(jīng)完全淹沒了周期脈沖信號，僅從時域波形中很難分析出沖擊周期等信息。所以，使用EMD分解的手段來從仿真信號的雜亂波形中獲得有價值的信息。圖2列出了由原始仿真信號經(jīng)EMD后得到的前四階IMF分量的波形圖。根據(jù)圖中所示波形，IMF1是以高頻噪聲為主要成分，IMF2呈現(xiàn)出幅值調制信號，而IMF3能夠較為清晰地顯示出原始仿真信號中的周期脈沖信號，可以直接計數(shù)到10個脈沖及其產生的時間。這就表明了EMD分解后得到的IMF分量能夠較好地表達信號的本質特征，選用IMF分量作為特征進行提取是恰當?shù)摹?/p>

3 經(jīng)驗模態(tài)分解特征提取

本文采用縮比減速箱故障試驗臺來模擬減速箱振動信號，通過預制故障來獲取減速箱的故障樣本，并結合減速箱的正常狀態(tài)信號形成一系列樣本集。

3.1 齒輪故障試驗分析

試驗中共用到8個振動加速度傳感器，均安裝在減速箱各傳動軸的軸承座表面。進行齒輪點蝕故障采樣時，電機轉速設定為1200rpm;進行齒輪斷齒故障采樣時，電機轉速降低到500rpm以保證安全。圖3為兩類故障的振動信號各取2048點的時域波形圖和頻譜圖。

對上述兩種故障信號進行EMD分解，計算得到其各自的IMF分量，并統(tǒng)計各階分量的能量分布，形成圖4。由圖4的能量分布圖清晰看出，兩組故障信號的IMF能量在第6階以后已經(jīng)趨近于0，因此本文選擇信號的IMF1～6階作為主要的特征量，并作出其對應的圖譜，如圖5。

3.2 軸承故障試驗分析

試驗中共設置了軸承的外圈故障、內圈故障、滾動體故障三種主要的故障類型，電機轉速為1200rpm，由安裝在高速軸軸承座的傳感器進行數(shù)據(jù)采樣。每種故障類型分別截取2048點的時域信號，分別進行頻域計算和EMD分解后生成對應的圖譜，如圖6。圖7則是各個故障類別下其各階IMF能量的分布情況。由上述圖譜亦可觀察到，在不同的故障類型下，軸承的振動信號能量也是主要分布在前6階IMF分量中。

3.3 特征值的確定

由第二部分對EMD分解的原理和理論的介紹可知，對于減速箱中齒輪及軸承之類的不穩(wěn)定且非線性的信號，通過EMD分解能夠較好的提取信號中隱藏的周期信息，從而可以較為清晰地反映齒輪及軸承在故障處的非線性沖擊響應，使故障的更多信息能夠被發(fā)掘出來。在此基礎上，本文將振動信號的IMF能量矩作為表征減速箱故障的一類特征，能夠通過這類特征反映出減速箱運轉過程中故障沖擊響應帶來的能量變化。

又根據(jù)本節(jié)分別對齒輪故障和軸承故障IMF能量分布的對比，發(fā)現(xiàn)不同種類的故障，其IMF分量的能量主要分布在前6階，因此本文選取IMF（1～6）分量的能量矩作為故障特征。

參考文獻：

[1] 沈科宇， 嚴華. 基于融合特征支持向量機的港口起重機減速箱故障診斷[J].中國水運，2020，05（20），100-103

[2] 尹蘋. 基于相關EEMD和階比跟蹤的變轉速滾動軸承健康診斷方法[D].北京郵電大學， 2018

[3] 楊建華， 韓帥， 等. 強噪聲背景下滾動軸承微弱故障特征信號的經(jīng)驗模態(tài)分解[J]. 振動工程學報， 2020，03（017），582-589.