基于振动加速度传感器的汽车齿轮箱故障检测

基于振动加速度传感器的汽车齿轮箱故障检测

车辆变速齿轮箱是车辆动力系统的重要部件。对齿轮箱振动信号进行分析并进行在线监测，可以对车辆安全行驶中的早期故障进行监测和诊断，对于避免车辆突然事故起到非常重要的作用。在线监测是对含有故障信息的非线性和非稳定信号进行处理和分析的，并从信号中找到与故障有关的函数参数。这些函数参数用于评估设备的状态。现在，常用的小波分析方法在时域和频率范围内具有良好的局部化性质，但在本质上仍然是一种开放式fq变换。由于小波窗口中的信号应该是稳定的，因此不需要完全取消fq分析的限制。此外，小波分解与选择的小波基和分解规模有关，不能反映信号的本质特征。经验模态分解(EmpiricalModeDecomposition,EMD)方法是近年来发展起来的一种新的非线性、非平稳信号分析方法,被认为是近年来对以Fourier变换为基础对线性和稳态谱分析的一个重大突破.论文就是利用EMD方法对汽车齿轮变速箱振动测试信号进行分解,再根据不同频带内信号所包含故障信息的能量变化对故障分析检测,通过系数-能量变化实现早期故障监测和诊断.1自适应信号分解经验模态分解(EMD)方法是将复杂信号分解成有限数目相互独立的具有稳态特性的本征模态函数(IntrinsicModeFunction,IMF)集,每个IMF可以是线性的或非线性的,任何一个信号可以分解为有限个IMF之和.与其他信号处理方法相比,EMD分解出来的IMF分量包含了信号从高到低不同频率段的成分,每个频率段包含的频率分辨率都随信号不同而变化,具有自适应多分辨分析特性,是一种自适应信号处理方法.其分解过程如下:(1)首先找出原始信号S(t)所有的极大值点和极小值点,并用三次样条函数拟合原始数据数列的上下包络线;(2)计算上下包络线的均值,记为m1(t);并将原始数据序列S(t)减去该均值可得到一个去掉低频的新数据序列h1(t),即h1(t)=S(t)-m1(t).(3)判断h1(t)是否满足IMF条件,否则对h1(t)信号重复上述两过程,直到均值趋近于零为止,这样可得到第一个IMF分量C1(t),它代表信号S(t)中最高频率的分量.(4)将原始信号与第一个IMF分量C1(t)相减,得到原始信号中不包含最高频率分量的剩余信号r1(t),即r1(t)=S(t)-C1(t).将r1(t)作为原始信号重复上述三个过程,得到其他的IMF分量Ci(t),i=2,3,…,n,直到残余函数rn(t)为单调函数为止.因此有ri(t)=ri-1(t)-Ci(t),i=2,3,…,n.根据有限次分解之后,可以得到原始信号所包含的不同频率分量的信号,则原始信号S(t)可以描述为:S(t)=n∑j=1Cj(t)+rn(t).S(t)=∑j=1nCj(t)+rn(t).EMD分解出来的IMF分量分别包含了信号不同时间特征尺度大小的成分,其尺度依次由小到大.因此,每个IMF包含了从高到低不同频率段的信号成分,且随信号本身的变化而变化.2信号的能量-故障对130汽车变速齿轮箱的实际振动测试信号进行分析,齿轮轴转速为500转/min.图1和图2分别是变速齿轮箱第一档正常齿轮和出现疲劳剥落的齿轮振动测试信号的一组数据,从上到下表示四个不同测试位置的振动测试信号.从时域信号波形很难看出正常齿轮与疲劳剥落的齿轮振动测试信号之间的差别,分别对正常齿轮的振动测试信号和出现疲劳剥落的齿轮振动测试信号进行EMD分解计算,每次取振动测试信号的长度为2000点.由于从汽车齿轮变速箱正常齿轮和疲劳脱落齿轮的振动测试信号是非平稳,非线性信号,从时域信号波形上看两者之间非常相似,很难直接判定测试信号是正常齿轮还是疲劳剥落的齿轮振动测试信号.当系统出现故障时,其信号所包含的不同频率的幅频特性和相频特性将会有不同程度的改变.从幅频特性来说,它主要表现在对不同频率段的信号具有不同的抑制和增强作用.对于正常齿轮振动信号和疲劳脱落齿轮振动信号,相同频带内信号的能量会有较大的差别,它使某些频带内信号能量减小,而使另外一些频带内信号能量增大.因此,在各频率成分信号的能量中,包含着丰富的故障信息,某种或某几种频率成分能量的改变即代表一种故障情况.基于信号各频率成分能量的变化表征了系统某些部位的损坏情况,提出基于EMD分解的“能量-故障”的故障诊断模式识别方法,该方法不需要系统的模型结构,而是直接利用各频率成分能量的变化来诊断故障.利用这一特征就可以建立能量变化到系统故障的映射关系,得到表征系统故障的特征向量.选择合适的能量特征化向量对系统故障进行特征化,可以得到系统故障的特征向量.第一步是分别对正常齿轮振动测试信号和疲劳脱落齿轮振动故障测试信号进行EMD分解,获得不同频率成分的IMF分量.第二步是求各频率成分的总能量Eck.Eck=∫|Ck(t)|2dt=n∑j=1|ckj|2(1)Eck=∫|Ck(t)|2dt=∑j=1n|ckj|2(1)其中,Ckj(j=1,2,…,2000)表示第k层分解的第j个离散点的信号幅值.第三步是构建特征向量.由于系统出现故障时,会对各频率内信号的能量有较大的影响,因此,以能量为元素可以构建一个特征向量.特征向量T构造如下(N表示EMD分解层数)Τ=[Ec1,Ec2,⋯,EcΝ](2)T=[Ec1,Ec2,⋯,EcN](2)当能量较大时,通常是某一个数较大,在数据分析上会带来一些不方便,可以对特征向量T进行改造,即对向量进行归一化处理.E=(Ν∑k=1|Eck|2)1/2(3)Τ′=[Ec1/E,Ec2/E,⋯,EcΝ/E](4)向量T′即为归一化后的向量.第四步是以实验统计的方法确定特征值.对于实验数据的重复性或稳定性较大的系统,实验次数可以取得较小,对于实验数据的重复性或稳定性较小,则要求实验次数较大.设归一化向量T′中元素的特征值为Ck=Eck/E,则对于实验数据可以进行统计处理如下(n为实验次数)Ck=n∑j=1Ckjn(5)按照所给出的算法,对第一档正常齿轮振动信号和疲劳脱落故障信号进行分析,构造出各自的特征向量,建立“特征向量-系统状态”的对应关系.并且对四个不同位置的测量信号进行相应分析,以获得齿轮不同位置的疲劳脱离故障的分析.同时对第二档正常齿轮振动信号和疲劳脱落故障信号的不同位置也进行相同的分析以获取齿轮不同位置的故障状态信息.为了使实验数据更可靠,对每一档正常状态和故障状态分别进行五组实验,并分别进行EMD分解得到不同尺度的信号成分,并计算不同尺度的能量.图3是第一档和第二档正常齿轮和疲劳脱落故障齿轮的尺度-能量图.从图中可以看出故障齿轮的振动信号和正常齿轮信号在不同的频率成分的信号幅频特性能量发生了明显的变化;而在相同频带内故障齿轮的振动信号和正常齿轮信号的能量也发生了较大的差别,通过频带能能量的变化可以明显地将故障齿轮的振动信号和正常齿轮信号区分开来,从而实现齿轮变速箱的早期故