傳動齒輪早期故障的聲學(xué)信號檢測技術(shù)研究

張榮生

(山西國營大眾機械廠工模具加工中心,山西 太原 030024)

1 傳動齒輪故障發(fā)生原因及常見檢測方式

齒輪是非常重要的機械零部件之一，被廣泛的應(yīng)用于各類傳動部件當(dāng)中。其故障的發(fā)生具有較高的隱蔽性，特別是在早期，齒輪故障不易被察覺，從而大大增加了設(shè)備安全事故或產(chǎn)生嚴(yán)重經(jīng)濟損失的概率。齒輪故障的發(fā)生通常是由三個方面的原因引起的：一是人為的操作失當(dāng)，人為操作失當(dāng)和維護不規(guī)范，以及設(shè)備使用不規(guī)范都會對齒輪造成慢性損傷；二是超負(fù)荷的設(shè)備運作，長期超負(fù)荷的齒輪運轉(zhuǎn)，容易導(dǎo)致齒輪的輪齒磨損、斷裂；三是齒輪硬件缺陷，加工制造齒輪時就存在的質(zhì)量問題，例如齒輪偏心、齒距和齒形偏差等。除此之外齒輪關(guān)鍵零配件的故障、齒輪組的裝配不良都會導(dǎo)致齒輪故障[1]。

針對這些故障原因，其檢測方法主要包括靜態(tài)檢測與動態(tài)檢測兩類。其中靜態(tài)檢測是基礎(chǔ)常規(guī)類的檢測方法，是在設(shè)備停止運行的狀態(tài)下，對設(shè)備進行故障檢測，方法直觀且易實現(xiàn)，可作為設(shè)備定期維護的常規(guī)手段。動態(tài)檢測，是在設(shè)備運轉(zhuǎn)過程中，通過采集與分析齒輪運轉(zhuǎn)的動態(tài)信息，對其進行故障的排查與檢測。依據(jù)齒輪故障類型不同，常見的動態(tài)檢測方式主要有以下幾種：

1) 振動頻率檢測法，主要用于檢測齒輪的構(gòu)造缺陷。通過齒輪的嚙合振動頻率分量分析，檢測齒輪的輪齒構(gòu)造故障，是最為常用一種的動態(tài)檢測方式。

2) 潤滑油液觀察法，主要用于檢測齒輪的磨損故障。齒輪磨損過度，其表面會產(chǎn)生磨損顆粒，通過對其表面潤滑油液的觀察，能夠判斷齒輪的磨損情況。

3) 聲學(xué)信號檢測法，針對齒輪各類故障的綜合性檢測方式，利用齒輪發(fā)生故障時的瞬時應(yīng)變波能變化，捕捉到齒輪運行狀態(tài)的變化。該方法是一種新型的動態(tài)檢測方式，如何精準(zhǔn)獲取到相關(guān)數(shù)據(jù)，并對其進行有效分析，是相關(guān)領(lǐng)域的研究難點之一，也是本文的重點研究內(nèi)容。

2 傳動齒輪早期故障聲學(xué)信號檢測技術(shù)

2.1 聲學(xué)信號的技術(shù)檢測原理

齒輪在運轉(zhuǎn)過程中，如果遇到非正常的外力或內(nèi)力干擾，其應(yīng)力分布就會變得不均勻，有些局部應(yīng)力會過高，當(dāng)由此產(chǎn)生的應(yīng)變能持續(xù)積累一段時間后，高能狀態(tài)愈加不穩(wěn)定，并逐漸向穩(wěn)定的低能狀態(tài)過渡，過渡過程中極易造成齒輪部件的變形、斷裂等，同時應(yīng)變能會得到釋放，有一部分的應(yīng)變能會以彈性波形式釋放，這些彈性波信號就稱為聲學(xué)信號。聲學(xué)信號檢測技術(shù)就是通過特殊的監(jiān)控儀器對彈性波信號進行監(jiān)測，再通過特征分析與比對，監(jiān)控齒輪的運行狀態(tài)是否出現(xiàn)故障。其檢測原理如圖1所示。

圖1 彈性波信號的檢測原理

當(dāng)材料表面產(chǎn)生斷裂、破損時，一瞬間釋放出彈性波形的應(yīng)變能是一種常見現(xiàn)象，通過對彈性波信號的捕捉、放大，再采用相應(yīng)的方式進行特征提取與分析，并最終對齒輪的運行狀態(tài)做出評估，就完成了一次對齒輪故障的動態(tài)檢測。其中最為重要的環(huán)節(jié)就是對信號特征的分析處理，信號特征的精準(zhǔn)分析與有效處理是聲學(xué)信號檢測方式是否能達到故障檢測目的重要保障。

2.2 聲學(xué)信號的特征提取方式

聲學(xué)信號主要有兩種：連續(xù)性信號與突發(fā)性信號。連續(xù)性信號是指信號在一段時間內(nèi)持續(xù)發(fā)生的、特征相似的波形，很難進行區(qū)分；突發(fā)性信號是指信號特征波形的產(chǎn)生是斷斷續(xù)續(xù)的，在時間上能夠進行區(qū)分，傳動齒輪運行不良時，兩種信號都有可能產(chǎn)生。針對聲學(xué)信號產(chǎn)生的這兩種情況，相應(yīng)檢測方式主要有[2]：

短時傅里葉變換，是在傅里葉變換基礎(chǔ)上改進后的檢測方式，適用于連續(xù)性信號的特征分析。短時傅里葉變換方法仍然以傅里葉變換算法為核心，并對信號的連續(xù)時域進行分段、加窗預(yù)處理，再對信號頻譜進行特征分析，但分析效果較差。

量子分布時頻變換，是一種基于能量型信號分布的時頻分析方式，適用于突發(fā)性信號的特征檢測。但當(dāng)分量信號產(chǎn)生交叉后，分析效果會很差。

小波變換，是目前應(yīng)用最為廣泛的一種基于波形特征參數(shù)檢測的方法，也是聲學(xué)信號檢測的經(jīng)典方法。小波變換采用多分辨率模式，在不同的分辨率下對信號的細(xì)節(jié)特征進行比對分析，大大提高了檢測算法的自適應(yīng)性與準(zhǔn)確性。但小波變換算法最關(guān)鍵的基函數(shù)設(shè)定，卻一直是個研究難點。為了有效改善這一難點問題，相關(guān)研究提出了基于機器學(xué)習(xí)的智能檢測技術(shù)。

2.3 聲學(xué)信號的智能檢測技術(shù)

基于機器學(xué)習(xí)的智能檢測技術(shù)以最新的網(wǎng)絡(luò)移動技術(shù)、大數(shù)據(jù)分析技術(shù)為基礎(chǔ)，構(gòu)建智能的人工神經(jīng)網(wǎng)絡(luò)，通過大量的樣本學(xué)習(xí)對智能網(wǎng)絡(luò)系統(tǒng)進行不斷的人工訓(xùn)練，在訓(xùn)練過程中，智能網(wǎng)絡(luò)隨著數(shù)據(jù)樣本的海量累加，不斷實現(xiàn)檢測系統(tǒng)的自我迭代與改進。而人工神經(jīng)網(wǎng)絡(luò)下的樣本訓(xùn)練算法也有很多，大致可分為兩類：基于向量機的低維樣本非線性映射矩陣的算法和無監(jiān)督樣本學(xué)習(xí)的聚類算法。其中聚類算法在樣本數(shù)據(jù)挖掘與學(xué)習(xí)模式識別等方面能夠起到非常重要的作用，并且在很多領(lǐng)域都得到了較好應(yīng)用，在機械制造領(lǐng)域也逐漸得到了更多應(yīng)用。但是在齒輪故障的聲學(xué)信號的分解過程中，會產(chǎn)生“模態(tài)混合”現(xiàn)象，也就是信號的耦合現(xiàn)象，采用聚類算法對其進行分解時，必須找準(zhǔn)其凝聚點和分裂點，才能準(zhǔn)確的檢測到故障。而這兩個關(guān)鍵點參數(shù)的設(shè)定，也是聚類算法下一步的重點改進內(nèi)容。

3 結(jié)論

本研究在對齒輪早期故障發(fā)生原因及通用檢測方式做了相關(guān)了解之后，重點研究學(xué)習(xí)了齒輪故障的聲學(xué)信號原理，在此基礎(chǔ)上對基于聲學(xué)信號的幾種故障檢測技術(shù)展開了深入研究與分析，并對基于機器學(xué)習(xí)的智能檢測技術(shù)算法進行了討論，對聚類算法的研究難點進行了梳理，為下一步研究工作提供了方向。