|
胥永刚，魏志恒，徐 海，朱立欢 （北京工业大学 机电学院 先进制造技术北京市重点实验室，北京 100124） 摘 要：轧机齿轮箱传动系统是轧机系统的重要组成部分，也是较易出现机械故障的部分。轧机齿轮箱出现故障后其异常振动会严重影响轧制过程的稳定性，造成轧辊轴承损坏、轧件质量变差等不良后果。通过声发射监测技术实现振动信号的采集，并结合基于EMD的ICA信号处理方法，得出发现和诊断轧机齿轮箱各类故障的有效方法。通过对某钢厂轧机齿轮箱实测信号的分析验证了此方法的可靠性。该方法的应用极大提高了轧机系统在轧制过程中的稳定性，为实现精密轧制提供了帮助。 关键词：齿轮箱；声发射；信号处理；故障诊断 1 声发射技术声发射检测技术是通过物体内部以弹性波释放的应变能来了解物质或结构内部状态，这种应变能是物体内部微粒由于相对运动而产生的，随着声发射检测仪器系统硬件与软件的迅猛发展，声发射技术已经被广泛应用于机械制造等众多领域[1]。声发射信号是结构本身发出的一种应力波，它的高频特性能够有效抑制噪声的干扰有效的解决传统振动信号容易淹没在低频噪音中的缺陷。波形分析法是声发射分析方法的一种，通过对声发射信号的时域图、频谱图、相关函数等进行分析来获得其包含的声发射源信息。所测波形中包含了声发射源的所有信息，因此理论上通过波形能够比较精确的描述声发射源特征。  图1 声发射检测的原理图 2 基于EMD的ICA信号处理方法2.1 经验模态分解（EMD） 经验模态分解方法是一种自适应信号时频分析方法。适用于EMD方法的信号需满足以下假设：信号至少具有1个极大值点和1个极小值点；信号的局部时域特征由极值点间的时间尺度唯一确定；若信号只有拐点而没有极值点，需对信号作一次或者多次微分求得极值点，然后再对得到的结果积分。EMD是将一个时间序列分解为不同尺度的本征模态分量（IntrinsicModeFunction，IMF），本征模态分量应该符合以下两个条件：（1）信号的整个时间范围内，局部极值点的数目与过零点的数目必须相同，或者最多不能超过一个。（2）信号的任一时刻上，该信号局部极大值点构成的上包络线和局部极小值点构成的下包络线的均值为0。 EMD实现信号分解的基本步骤如下： （1）对于信号x（t），找出极大值点和极小值点分别用三次样条曲线进行拟合成上包络线u（t）和下包络线v（t）。求出上、下包络线的平均值 m1=（u（t）+v（t））/2，信号 x（t）减去 m1可以获得一个新的数据序列h1，序列h1去掉了信号x（t）中的低频部分，即：  （2）由于不能确定h1是否是一个平稳数据序列，将h1当作新的信号x（t）继续重复步骤（1），直到h1满足本征模态分量的两个条件，则其就是从原始信号中分离出的首个IMF分量。 （3）将h1从x（t）中分离出来可获得一个差值信号r1，即：  这样，信号被分解成个本征模态分量和一个残余项，即  式中：rn（t）—残余量，表示信号中的平稳趋势。 通过上述的分解步骤可知，各IMF分量hj（t）分别代表信号不同频率段的成分，越早分解出来的本征模态分量其频率越高。 2.2 独立分量分析（ICA） 独立分量分析（Independent Component Analysis，ICA）算法是指当源信号与线性变换均未知时，仅通过观测信号来估计出源信号的一种信号处理方法[4]，其可描述如下：设m个传感器拾取到的个观察信号为：x（t）=（x1（t），x2（t），…xm（t））T 每个观测信号所包含的n 个未知源信号为：s（t）=（s1（t），s2（t），…sn（t））T，A 是一个未知的 m×n 的混合矩阵（m≥n），则观测 由于信号源s（t）和混合矩阵A均未知，独立分量分析的目的就是利用一个分离矩阵W将相互独立的源信号从混合信号中 式中：y（t）—源信号的s（t）估计独立分量分析方法的关键是如何度量结果的独立性，FastICA算法是利用负熵来作为独立性判决准则。根据中心极限定理可知，一些相互独立的随机变量组成的某一变量，如果各独立变量具备有限的均值和方差，那么该变量近似于高斯分布，因此各分量结果的高斯性可用来判断各独立分量的分离是否完成，当高斯性最弱时说明分离完成。非高斯性的估计是ICA模型的重点，负熵可以用来度量非高斯性：  式中：yGauss—与y同方差的高斯变量； f（y）—变量y的概率密度函数。 同方差概率分布中，若变量y是高斯分布，则信息熵H（y）最大，负熵J（y）最小，非高斯性最弱。因此，负熵J（y）可以用来度量非高斯性。由于变量的概率分布函数在实际应用中是未知的，则负熵必须进行估计[5]。因此，估计负熵可用如下近似公式：  式中：G—可采用不同形式的非线性函数。 FastICA算法主要是先去除混合信号x（t）中的均值，并且将该混合信号作白化处理，进而得到具有单位方差的信号向量～x（t），最后通过分离矩阵～W提取出各独立分量[6]。FastICA算法是目前应用比较广泛的ICA算法，因此采用的ICA分离算法就是FastICA算法。 2.3 基于EMD的ICA信号处理方法 基于EMD的ICA信号处理方法利用了EMD和ICA两种方法各自的优点，该方法首先利用EMD对原始信号进行自适应分解，将原始信号与自适应分解得到的IMF组成混合信号作为新的输入信号，这样很好解决了传统ICA不能对单一采样信号准确识别的问题。EMD-ICA故障源分离方法步骤如下：（1）将原始的声发射信号利用经验模态分解方法进行分解得到多个本征模态分量，然后将原始的声发射信号与周期性和冲击性明显的本征模态分量重新组合成混合信号。（2）将重新组成的混合信号作为FastICA的输入数据进行分离，得到独立分量分析分离后的信号，将分离后的信号进一步作频谱分析，进而获得原始信号中的故障特征信息。 3 工程实例分析某钢厂对轧机齿轮箱传动系统进行声发射检测，分析声发射信号的时域图和频域局部放大图发现时域图中没有明显故障特征信息，频谱图中具有间隔为258Hz左右的谐波，该频率与齿轮的啮合频率259.4Hz非常接近，猜测齿轮箱的齿轮可能具有隐患故障，对比相同位置的振动传感器同时刻采集到的振动信号则未能体现这一特征，如图2、图3所示。  图2 声发射信号时域图  图3 声发射信号频谱图局部放大（1500～5000）Hz 声发射信号的原始频域图1000Hz以内没有明显的特征，3000Hz左右具有间隔为258Hz左右的谐波，但尚不能确定该齿轮箱的运行状况。为了更深入的分析，首先对声发射信号进行EMD分解，可以得到12个本征模态分量，如图4所示。选取其中冲击性和周期性比较明显的本征模态分量与原始声发射信号组合成混合信号作为ICA的输入数据，得到独立分量分析计算后的分量，如图5所示。将ICA计算后的分量作FFT变换得到其频谱图，如图6所示。  图4 EMD分解图 图5 ICA计算后的分量图 通过图6分析可以发现经过上述步骤处理后的频谱图具有齿轮箱啮合频率259.4Hz以及其倍频，无明显的调制现象且幅值较大，通过综合分析可以认为齿轮箱中的齿轮可能具有磨损和轻微剥落等故障，而原始的声发射信号频谱图没有明显的故障特征信息，如图7所示。现场拆机检查发现齿轮箱中一个齿轮的齿面已经磨损，这与分析诊断结果相符。因此，这里所提到的声发射检测技术以及基于EMD的ICA信号处理方法用来对轧机齿轮箱传动系统进行故障诊断具有一定的实用性。 图6 ICA分量的频谱图 图7 声发射信号的频谱图 4 结论声发射技术在机械设备故障上的应用克服了传统的振动信号采集过程中低频噪音等因素的干扰，提高了原始信号的可靠性。基于EMD的ICA信号处理方法在优良原始信号的基础上有效的提取了轧机齿轮箱的故障特征。通过对工程实际信号的分析及检修发现，此方法能有效的发现设备故障隐患，定性故障类型，为实现轧机齿轮箱故障预知与诊断提供了方法。 参考文献 ［1］李孟源，尚振东，蔡海潮.声发射检测及信号处理［M］.北京：科学出版社，2010：03-10.（Li Meng-yuan，Shang Zhen-dong，Cai Hai-chao.Acoustic Emission Detection and Signal Processing［M］.Beijing：Science Press，2010：3-10.） ［2］王建国，刘永亮，秦波.基于EMD与多特征的支持向量机故障诊断［J］.机械设计与制造，2015（10）：64-67.（Wang Jian-guo，Liu Yong-liang，Qin Bo.Fault diagnosis of support vector machine based on EMD and multi features［J］.Mechanical Design and Manufacture，2015（10）：64-67.） ［3］陈群涛.基于声振信号EMD与ICA的铣刀状态监测技术研究［D］.上海：上海交通大学，2012：12-22.（Chen Qun-tao.Research on state monitoring technology of milling cutter based on acoustic vibration signal EMD and ICA［D］.Shanghai：Shanghai Jiaotong University，2012：12-22.） ［4］Paraschiv-Ionescu A，Jutten C，etal.Wavelet denoising for highly noisysource separation［J］.IEEE International Symposium on Circuits and Sysstems，2002（1）：201-203. ［5］胥永刚，李强，王正英.基于独立分量分析的机械故障信息提取［J］.天津大学学报，2006（9）：1066-1071.（Xu Yong-gang，Li Qiang，Wang Zheng-ying.Mechanical fault information extraction based on independent component analysis［J］.Journal of Tianjin University，2006，39（9）：1066-1071. ［6］BellAJ，SejnowskiTJ.An information-maximization approach to blind separation and blind deconvolution［J］.Neural Computation，1995（7）：1129-2259. Fault Diagnosis of Rolling Mill Gear Box Based on Acoustic Emission and ICA Signal Processing XU Yong-gang，WEI Zhi-heng，XU Hai，ZHU Li-huan Abstract：Rolling mill gear box drive system is an important part of the rolling mill system，and it is also a part of the more prone to mechanical failure.After the failure of the rolling mill gear box，its abnormal vibrations will seriously affect the rolling process stability，resulting in roll bearing damage，the rolled pieces quality variation and other adverse consequences.Through the acoustic emission monitoring technology to realize the vibration signal acquisition，and combined with the ICA signal processing method based EMD，obtained the effective method to find and diagnose all kinds of faults of rolling mill gear box.The reliability of this method is verified by the analysis of the measured signal of a rolling mill gear box in a steel mill.The application of this method greatly improves the stability of rolling mill system in the rolling process，and provides the help for the realization of precision rolling. Key Words：Gear Box；Acoustic Emission；Signal Processing；Fault Diagnosis 中图分类号：TH16 文献标识码：A 文章编号：1001-3997（2017）10-0005-03 来稿日期：2017-04-08 基金项目：国家自然科学基金资助项目（51375019） 作者简介：胥永刚，（1975-），男，河北人，博士研究生，副教授，主要研究方向：机械设备故障诊断；魏志恒，（1991-），男，山东人，硕士研究生，主要研究方向：动力学 |
|
|
