Page 66 - 无损检测2023年第三期
P. 66

苟东荣, 等:

   声发射检测技术在齿轮故障诊断中的研究与应用现状

   健康监测中, 通过对采集的大摆锤减速机信号进行                           号包络谱由齿轮啮合频率和主频带等调制频率构
   参数分析, 发现幅值达到饱和, 能量和计数的声发射                         成, 但少数信号中还存在两倍于齿轮啮合频率的调
   特征不明显, 而 RMS 值能反映大摆锤减速机的运                         制频率, 他们将其归因于突发强风或阵风带来的齿
   行规律。但是其未进一步对故障情况下的声发射信                            轮箱负载突变, 但未对故障齿轮的声发射信号进行
   号进行研究。                                            分析。
   3.3.2 波形分析方法                                      3.3.3 模式识别
       波形分析法是指通过分析所采集的声发射信号                               模式识别是根据故障特征, 利用计算机将样本
   原始波形, 得到其中所包含的信息, 以此达到故障诊                         划分到特定的故障中, 从而实现故障诊断的技术。
   断的目的。目前常用的波形分析法主要有小波分                             常用的方法包括神经网络、 K- 最近邻算法( KNN ) 以
   析、 频谱分析、 时频分析以及模态分析, 这些方法在                        及支持向量机( SVM ) 等算法。
   齿轮故障识别时常会组合使用。                                        YOON 等    [ 27 ] 利用硬件的外差法采集了不同故
       GU 等  [ 20-21 ] 提出了一种基于离散小波变换的包               障的行星齿轮声发射信号, 利用 EMD 分析声发射
   络分析的声发射信号处理方法, 且通过测试的齿轮                           信号, 从信号的波形、 包络和能量算子的本征模式函
   箱声发射信号验证了该方法的有效性。 GAO 等                    [ 21 ]  数计算多个统计特征, 再将这些特征输入神经网络
   开发了比传统小波方法去噪能力更强的冗余第二代                            进行故障诊断。
   小波变换方法, 并成功应用于低速重载齿轮的声发                               HE 等  [ 28 ] 使用希尔伯特 - 黄变换( 基于经验模态
   射故障诊断中。 LI等         [ 22 ] 利用蚁群优化算法对小波            分解) 从声发射信号中提取故障特征。该研究从与
   变换的参数进行优化, 实现了对齿轮故障的定位, 成                         齿轮啮合频率最相关的IMF 分量中计算 RMS值、
   功在齿轮箱中确定了损坏齿轮的位置。姚俊                     [ 4 ] 将小  峰度和峰值振幅等特征, 用以训练用于故障检测的
   波变换应用到齿轮箱断齿故障诊断中, 对断齿前后                           K- 最近邻算法( KNN ); 并且通过对具有断齿故障的
   信号能量谱系数的变化情况进行重构, 再对重构信                           分扭矩齿轮箱的测试, 验证了该方法可用于齿轮故
   号作频谱分析, 可以识别出断齿故障。安海博等                     [ 23 ]  障诊断。
   通过建立 RV 减速器在不同旋转角度下的声发射信                               耿开贺等    [ 29 ] 利用小波阈值降噪法对不同运行
   号衰减模型, 再结合小波变换对声发射信号进行分                           条件下的齿轮声发射信号进行预处理, 将时域、 频域
   析, 得到不同频段的时频分量特征, 从而建立减速器                         特征参数作为 BP神经网络的输入以实现不同工况
   声发射信号在不同磨损状态下的演化趋势模型。                             下声发射信号的识别, 发现小扭矩、 低转速下的声发
       LI 等 [ 24 ] 提出了一种基于经验模态分解的旋转                  射信号识别率高于大扭矩、 高转速下的, 在高能量频
   机械健康监测方法, 以提高故障诊断的敏感性, 通过                         段信号中提取的特征参数具有更高的识别率。
   在经验模态分解( EMD ) 中加入阈值去噪技术, 提高                           于洋等   [ 30 ] 提出了一种基于遗传算法优化的支
   声发射信号的信噪比, 再提取多个特征融合成单个                           持向量机齿轮故障诊断方法。该方法采用了遗传算
   压缩特征, 基于统计方法, 将压缩特征用于故障检                          法进行参数寻优, 从而提高支持向量机对故障的识
   测。郭福平等       [ 25 ] 将 EMD 结合 Hilbert变换方法应         别率, 且采集磨损的齿轮声发射信号进行训练, 优化
   用到齿轮磨损的故障诊断中, 通过 EMD 得到经验                         后诊断方法的识别率比优化前的提高了10% 。
   模态分解图、 边际谱、 时频谱, 之后利用 Hilbert变                        LI 等 [ 31 ] 利用原始声发射信号, 采用增广卷积
   换进行分析。朱静等          [ 26 ] 提出一种基于改进的集合             稀疏自动编码器方法进行齿轮点蚀故障诊断, 该方
   经验模态分解( EEMD ) 和声发射技术的行星齿轮箱                       法直接从原始声发射信号中自动提取故障特征, 而
   断齿故障诊断方法, 该方法结合 EEMD 分解高频到                        不需要对声发射信号进行时域和频域转换。
   低频的特点以及模糊熵对本征模式函数( IMF ) 分量                       3.3.4 其他方法
   的筛选, 能够有效提取行星齿轮断齿故障特征频率,                              VICUÑA 等    [ 33 ] 提出了一种减少声发射数据并
   且能去除噪声的干扰。                                        保留原始声发射信息的方法, 该方法将原始声发射
       FERRANDO 等     [ 19 ] 采用 Hilbert 变换提取风力       信号中存在的声发射脉冲包络成三角形, 所构造的
   发电齿轮箱声发射信号, 并计算快速傅立叶变换                            信号被称为“ 三角信号”, 其已成功应用于行星齿轮

   ( FFT )提取声发射包络的特征频率, 发现采集的信                       箱的故障诊断中。
    3
     2
          2023年 第45卷 第3期
          无损检测
   61   62   63   64   65   66   67   68   69   70   71