李懷俊

(廣東交通職業(yè)技術(shù)學(xué)院 軌道交通學(xué)院， 廣東 廣州 510650)

齒輪系統(tǒng)的能量信號(hào)監(jiān)測(cè)與故障診斷系統(tǒng)研究

李懷俊

(廣東交通職業(yè)技術(shù)學(xué)院 軌道交通學(xué)院， 廣東 廣州 510650)

基于LabVIEW虛擬技術(shù)平臺(tái)，以齒輪傳動(dòng)系統(tǒng)的輸入功率信號(hào)為處理對(duì)象,對(duì)能量信號(hào)監(jiān)測(cè)與診斷系統(tǒng)進(jìn)行研究。系統(tǒng)首先通過HHT時(shí)頻域信號(hào)變換方法建立高維特征向量庫(kù),然后運(yùn)用核主元分析、模糊K均值聚類等數(shù)據(jù)處理方法對(duì)其降維并提取出核主元特征,開展故障模式判別。運(yùn)行結(jié)果顯示,系統(tǒng)可對(duì)典型的非線性、非平穩(wěn)信號(hào)進(jìn)行有效分析并實(shí)現(xiàn)特征融合,在齒輪等旋轉(zhuǎn)系統(tǒng)的故障狀態(tài)實(shí)時(shí)監(jiān)測(cè)與診斷方面具有良好性能。

齒輪系統(tǒng)； 故障診斷; 能量信號(hào); HHT; KPCA

隨著計(jì)算機(jī)信息處理能力的不斷提升,機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)的功能不斷完善。本系統(tǒng)以工程技術(shù)領(lǐng)域中的控制論、可靠性理論、信息論以及智能計(jì)算技術(shù)為理論基礎(chǔ),以包括集成傳感器在內(nèi)的儀表裝置和嵌入式處理模塊為技術(shù)手段,結(jié)合監(jiān)測(cè)對(duì)象的實(shí)際工況,可以有效地對(duì)各種運(yùn)行參數(shù)進(jìn)行連續(xù)監(jiān)測(cè),并對(duì)狀態(tài)做出實(shí)時(shí)評(píng)價(jià),實(shí)現(xiàn)故障預(yù)警,使企業(yè)的設(shè)備維修管理工作從常規(guī)周期性檢修、突發(fā)事故被動(dòng)維修逐步升級(jí)過渡到以狀態(tài)監(jiān)測(cè)為主的主動(dòng)預(yù)防性維修。故障診斷系統(tǒng)的開發(fā)是工況監(jiān)測(cè)與故障診斷技術(shù)的主要發(fā)展方向,也為實(shí)現(xiàn)設(shè)備故障的主動(dòng)防護(hù)提供了科學(xué)依據(jù)和可靠保證[1]。

本文將Matlab數(shù)據(jù)分析功能與LabVIEW虛擬儀器應(yīng)用軟件相結(jié)合,以齒輪箱的輸入功率信號(hào)為處理對(duì)象,通過時(shí)頻域信號(hào)分析、故障特征向量建立、特征提取與模式識(shí)別等技術(shù)環(huán)節(jié),開展了能量信號(hào)監(jiān)測(cè)與診斷系統(tǒng)的研究。

1 系統(tǒng)功能設(shè)計(jì)

能量信號(hào)監(jiān)測(cè)與診斷系統(tǒng)可以在齒輪系統(tǒng)運(yùn)行過程中,周期性地測(cè)量和記錄診斷參數(shù),實(shí)時(shí)完成能量數(shù)據(jù)采集和數(shù)據(jù)分析工作,系統(tǒng)框圖見圖1。能量信號(hào)是指齒輪傳動(dòng)系統(tǒng)的輸入功率信號(hào),即瞬時(shí)能量信號(hào),由齒輪箱體前端的扭矩和轉(zhuǎn)速映射得出[2]。系統(tǒng)硬件包括前端數(shù)據(jù)采集裝置、信號(hào)調(diào)理電路、數(shù)據(jù)采集卡等,系統(tǒng)軟件包括虛擬儀器測(cè)試子系統(tǒng)和信號(hào)分析與故障診斷子系統(tǒng)兩部分,前者包含數(shù)據(jù)接收與前期處理模塊、LabVIEW應(yīng)用軟件、數(shù)據(jù)庫(kù)；后者包括能量信號(hào)特征提取與特征參數(shù)庫(kù)建立、特征聚類與故障模式識(shí)別、用戶查詢等功能模塊。其中數(shù)據(jù)庫(kù)包括數(shù)據(jù)模型庫(kù)、程序庫(kù)、數(shù)據(jù)存儲(chǔ)與調(diào)用模塊等。

圖1 能量信號(hào)監(jiān)測(cè)與故障診斷系統(tǒng)框圖

2 系統(tǒng)開發(fā)

2.1 基于虛擬儀器技術(shù)的能量信號(hào)監(jiān)測(cè)子系統(tǒng)

LabVIEW技術(shù)是典型的虛擬儀器技術(shù),基于信號(hào)采集與處理技術(shù)、數(shù)據(jù)庫(kù)技術(shù)、所見即所得的可視化技術(shù)等,建立了多角度分析的人機(jī)界面,是一種基于圖形化、用圖標(biāo)代替文本創(chuàng)建應(yīng)用程序的計(jì)算機(jī)編程語(yǔ)言[3]?；谔摂M儀器的能量數(shù)據(jù)采集過程框圖見圖2。

圖2 數(shù)據(jù)采集過程框圖

如圖3所示，系統(tǒng)的前端是齒輪傳動(dòng)試驗(yàn)臺(tái),其由JZQ250型齒輪箱、電機(jī)、減速器、磁粉加載器、聯(lián)軸器等部件組成,還包括轉(zhuǎn)速傳感器、扭矩傳感器、振動(dòng)加速度傳感器、油溫傳感器等。采集系統(tǒng)的硬件驅(qū)動(dòng)程序是應(yīng)用軟件對(duì)硬件的編程接口,實(shí)現(xiàn)了軟件與硬件之間的數(shù)據(jù)傳遞[4]。傳感器采集到的輸入功率信號(hào)、振動(dòng)信號(hào)都是以電信號(hào)的形式呈現(xiàn),經(jīng)變換、放大、調(diào)制等將信號(hào)轉(zhuǎn)換為數(shù)據(jù)采集卡可接收的電壓信號(hào)。

圖3 信號(hào)監(jiān)測(cè)子系統(tǒng)

2.2 系統(tǒng)數(shù)據(jù)庫(kù)

系統(tǒng)所包含的數(shù)據(jù)庫(kù)信息主要包括齒輪參數(shù)、工況參數(shù)、功率參數(shù)、振動(dòng)參數(shù)、故障狀態(tài)、故障特征信息等,數(shù)據(jù)庫(kù)類型為ACCESS數(shù)據(jù)庫(kù)。齒輪數(shù)據(jù)庫(kù)信息如表1所示。

表1 齒輪數(shù)據(jù)庫(kù)信息

在基于數(shù)據(jù)庫(kù)的虛擬儀器測(cè)量監(jiān)測(cè)系統(tǒng)中,很重要的一部分工作是對(duì)實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行查詢、統(tǒng)計(jì)與報(bào)表分析等。這其中最主要的事項(xiàng)是軟件與數(shù)據(jù)庫(kù)系統(tǒng)的交互,即對(duì)測(cè)量數(shù)據(jù)的讀取和寫入。LabVIEW數(shù)據(jù)庫(kù)訪問技術(shù)通過創(chuàng)建一個(gè)應(yīng)用數(shù)據(jù)庫(kù)管理采集任務(wù)的數(shù)據(jù)、存儲(chǔ)測(cè)試數(shù)據(jù),并且能夠總結(jié)測(cè)試結(jié)果并提供測(cè)試報(bào)表,代表性技術(shù)是LabSQL,這是一個(gè)免費(fèi)的、多數(shù)據(jù)庫(kù)、跨平臺(tái)的LabVIEW數(shù)據(jù)庫(kù)訪問工具包,其利用Microsoft ADO以及SQL語(yǔ)言來完成數(shù)據(jù)庫(kù)訪問,將復(fù)雜的底層ADO及SQL操作封裝成一系列的LabSQL VIs,與數(shù)據(jù)庫(kù)之間通過ODBC連接,用戶需要在ODBC中指定數(shù)據(jù)源名稱和驅(qū)動(dòng)程序[5]。因此在使用LabSQL之前,首先要在系統(tǒng)中的ODBC數(shù)據(jù)源中創(chuàng)建一個(gè)數(shù)據(jù)源名,即DSN(data source name)。LabSQL與數(shù)據(jù)庫(kù)之間的連接就是建立在DSN基礎(chǔ)之上的。利用LabSQL可訪問大多數(shù)類型數(shù)據(jù)庫(kù),執(zhí)行各種查詢,對(duì)記錄進(jìn)行各種操作,優(yōu)點(diǎn)是易于理解,操作簡(jiǎn)單。齒輪數(shù)據(jù)庫(kù)訪問過程如圖4所示。

圖4 齒輪數(shù)據(jù)庫(kù)訪問過程

2.3 信號(hào)分析與故障診斷子系統(tǒng)

LabVIEW虛擬儀器庫(kù)中提供了與Matlab的接口,通過內(nèi)嵌Matlab實(shí)現(xiàn)與之連接,進(jìn)而通過接口將調(diào)理后的信號(hào)數(shù)據(jù)送入分析與診斷子系統(tǒng),實(shí)現(xiàn)一系列處理步驟,最終實(shí)現(xiàn)根據(jù)機(jī)械設(shè)備的狀態(tài)參數(shù)判斷設(shè)備的狀態(tài),進(jìn)行故障狀態(tài)監(jiān)測(cè)。信號(hào)分析、采樣點(diǎn)的幅值時(shí)域顯示,可以通過離散傅里葉變換的方法轉(zhuǎn)換為頻域顯示。信號(hào)的HHT(Hilbert-Huang Transform)分析以邊際譜、時(shí)頻譜的結(jié)果來呈現(xiàn),分別以頻率、時(shí)間為橫坐標(biāo)變量來描述信號(hào)的幅值、相位的變化規(guī)律。

本子系統(tǒng)主要包括時(shí)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(shí)別[8-9]等環(huán)節(jié)。

HHT方法較傅里葉及小波分析等需依賴先驗(yàn)函數(shù)基的方法，更適合于處理非平穩(wěn)信號(hào),其不需要依據(jù)全部波形來計(jì)算局部頻率,可以將奇異信號(hào)從低頻部分辨識(shí)出來,是一種更具適應(yīng)性的時(shí)頻局部化分析方法[10],核心環(huán)節(jié)之一是EMD(wmpirical mode decomposition,經(jīng)驗(yàn)?zāi)B(tài)分解)過程[11-12]。齒輪輸入功率信號(hào)經(jīng)EMD分解處理后,各模態(tài)函數(shù)分別代表了一組特征尺度下的平穩(wěn)信號(hào),各個(gè)頻帶的能量變化表征了不同的工作狀況,可選取各個(gè)尺度下,即各個(gè)IMF(intrinsic mode function,本征模態(tài)函數(shù))分量的能量分布作為構(gòu)成特征向量的參數(shù)之一。同時(shí)從考慮序列復(fù)雜性和統(tǒng)計(jì)量化的角度出發(fā),將各階IMF分量的近似熵作為參數(shù)之一。最終系統(tǒng)構(gòu)成了包含前6階IMF的歸一化能量Ei、偏度Si、峰度Ki、標(biāo)準(zhǔn)差Di和近似熵Pi,以及各IMF分量的頻譜的最大幅值A(chǔ)i，其對(duì)應(yīng)的頻率值fi的42維故障特征向量B,這里i∈(1,6)。然后針對(duì)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(shù)將輸入空間的數(shù)據(jù)映射到線性特征空間,然后在該特征空間中計(jì)算相應(yīng)的特征主元分量。與其他非線性方法相比,核主元分析與標(biāo)準(zhǔn)的主元分析一樣簡(jiǎn)單,僅需要利用線性代數(shù)求解特征值問題,而不涉及到非線性優(yōu)化,且由于使用核函數(shù),適用性較廣,對(duì)于齒輪系統(tǒng)中非線性明顯特征的振動(dòng)信號(hào)或輸入能量信號(hào)進(jìn)行降維與提取特征效果明顯。后續(xù)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(duì)齒輪正常、點(diǎn)蝕、剝落、斷齒4種工況的各60個(gè)測(cè)試能量信號(hào)樣本數(shù)據(jù)進(jìn)行HHT變換,建立60×42的特征向量庫(kù),經(jīng)過KPCA特征提取后,形成前3個(gè)核主元的聚類結(jié)果,如圖5所示,可以看出齒輪4種狀態(tài)的核主元聚類趨勢(shì)很明顯,可以清晰地辨識(shí)出齒輪各工況。

圖5 KPCA前3個(gè)核主元聚類圖

3 系統(tǒng)測(cè)試應(yīng)用

數(shù)據(jù)分析子系統(tǒng)中的故障識(shí)別模塊包含已有故障模式信息表、故障原因庫(kù)、KEFKM識(shí)別規(guī)則參數(shù)、診斷結(jié)論等設(shè)置。故障模式模糊識(shí)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(xiàn)特征,將其通過HHT方法處理信號(hào)、KPCA特征提取、FKM算法特征模糊識(shí)別等環(huán)節(jié)聯(lián)系組織起來,生成識(shí)別知識(shí)庫(kù)。圖6為故障識(shí)別過程中的執(zhí)行聚類操作界面,這是針齒輪4種典型工況下的共計(jì)200個(gè)訓(xùn)練樣本,采用基于高斯核函數(shù)[15](核參數(shù)σ=12)的KPCA降維后,形成200×3的核主元向量庫(kù),對(duì)特征核主元聚類后形成了4個(gè)故障聚類中心(按累計(jì)貢獻(xiàn)率大于82%來選取前3個(gè)核主元,以便于生成3維示意圖),即是故障模糊識(shí)別規(guī)則的核心數(shù)據(jù),詳細(xì)如表2所示。同時(shí)選取各種工況下的待識(shí)別樣本各20個(gè)進(jìn)行處理,識(shí)別結(jié)果如表2中的后3列所示,經(jīng)分析發(fā)現(xiàn),斷齒故障識(shí)別效果最好,點(diǎn)蝕由于屬于弱故障,其中有2個(gè)樣本落入了正常樣本中,而剝落故障中有1個(gè)樣本被歸入了點(diǎn)蝕樣本,總體而言,系統(tǒng)對(duì)齒輪典型故障的識(shí)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(guī)則數(shù)據(jù)(聚類中心)待識(shí)別樣本數(shù)實(shí)際識(shí)別數(shù)識(shí)別率正常{0.2037,0.1321,-0.5218}202290%點(diǎn)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(jié)束語(yǔ)

本文圍繞齒輪傳動(dòng)系統(tǒng)能量信號(hào)監(jiān)測(cè)與故障診斷系統(tǒng)的設(shè)計(jì)展開了研究,分析了系統(tǒng)的基本結(jié)構(gòu)以及信息獲取、處理以及信息融合等環(huán)節(jié)的實(shí)現(xiàn)過程,開發(fā)了能量信號(hào)監(jiān)測(cè)與故障診斷系統(tǒng),可實(shí)現(xiàn)能量信息融合、故障模式模糊識(shí)別等功能。運(yùn)行結(jié)果顯示,系統(tǒng)可對(duì)典型的如輸入功率等非線性、非平穩(wěn)信號(hào)進(jìn)行有效分析并實(shí)現(xiàn)低維特征融合,在齒輪等旋轉(zhuǎn)系統(tǒng)的故障狀態(tài)實(shí)時(shí)監(jiān)測(cè)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(tài)自相關(guān)和時(shí)頻切片分析的軸承故障診斷方法[J].振動(dòng)工程學(xué)報(bào),2014,33(4):11-16.

[2] 李懷俊,謝小鵬,黃恒.基于主元熵的發(fā)動(dòng)機(jī)能量數(shù)據(jù)聚類與故障識(shí)別[J].華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,41(11):137-142.

[3] 羅建,雷勇,黃昊.基于LabVIEW的遠(yuǎn)程電機(jī)實(shí)驗(yàn)臺(tái)的構(gòu)建[J].實(shí)

驗(yàn)技術(shù)與管理,2014,31(3):122-125.

[4] 李湘林,江兵,封馳.基于LabView的遠(yuǎn)程實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].測(cè)控自動(dòng)化,2012(28):47-49.

[5] 全曉莉,周南權(quán),李雙,等.基于LabVIEW的數(shù)字信號(hào)處理虛擬實(shí)驗(yàn)的構(gòu)建[J].實(shí)驗(yàn)技術(shù)與管理,2011,28(10):82-84.

[6] 張焱,湯寶平,鄧?yán)?基于譜聚類初始化非負(fù)矩陣分解的機(jī)械故障診斷[J].儀器儀表學(xué)報(bào),2013,34(12):2806-2812.

[7] 胡榮華,樓佩煌,唐敦兵,等.基于EMD和免疫參數(shù)自適應(yīng)SVM的滾動(dòng)軸承故障診斷[J].計(jì)算機(jī)集成制造系統(tǒng),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(dòng)軸承故障診斷中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào),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(xué)民.基于等距離映射的非線性動(dòng)態(tài)故障檢測(cè)方法[J].上海交通大學(xué)學(xué)報(bào),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(shí)別方法研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2012,32(11):112-116.

[13] 李兵,張培林,任國(guó)全,等.運(yùn)用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動(dòng)、測(cè)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(yè),潘宏俠,王福杰.基于粒子群優(yōu)化的核主元分析特征的提取技術(shù)[J].振動(dòng)、測(cè)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(yōu)秀青年教師培養(yǎng)項(xiàng)目(Yq2013178)

李懷俊(1978—)，男，山西襄汾，博士，副教授，主要研究方向?yàn)樵O(shè)備智能故障診斷技術(shù).

E-mail：solarlee@126.com

TH132.41;TP277

A

1002-4956(2015)6- 0090- 04