齿轮传动系统故障诊断方法研究综述

李怀俊 彭育强

(广东交通职业技术学院轨道交通学院, 广东 广州 510650)

齿轮传动系统故障诊断方法研究综述

李怀俊 彭育强

(广东交通职业技术学院轨道交通学院, 广东 广州 510650)

针对国内外近年来在齿轮传动系统故障诊断领域的研究成果，基于不同数据源进行了分类总结，剖析了常用的振动、油液等分析方法的优势与不足。对振动信号处理中的传统与现代方法进行了评析；同时总结了基于能量视角的故障诊断方法的研究现状和技术特点，说明了能量与振动信号之间的密切关系。通过挖掘能量信号所隐含的故障特征，可以开展有效的能量信号非线性处理方法研究，形成一种新型的面向齿轮等旋转设备的故障诊断方法。

齿轮传动 故障诊断 振动分析 油液分析 能量信号 相干分析

0 引言

1 振动分析故障诊断方法

在齿轮传动系统故障诊断中，振动分析方法的研究起步较早，目前这方面的研究重点体现在故障机理分析、信号降噪与处理、特征参数提取、智能故障诊断等若干方面。

在特征参数提取方面，研究视野逐渐从早期的直接测量一些简单的时域振动参数，过渡到振动频域分析方法，这主要是因为信号处理技术特别是FFT方法的有效性。早期研究以James I. Taylor和Bridal的工作为代表[1]。文献[2]研究了采用最小方差倒谱方法对滚动轴承的微弱故障进行辨识。文献[3]基于阶次跟踪技术实现振动信号重采样，在转速变化很小时仍可用包络分析获得较准确的特征数据，并用于齿轮轴系变工况故障诊断。近10年来，随着时频分析(time-frequency analysis)、小波分析(wavelet analysis)、经验模态分解(empirical mode decomposition, EMD)、希尔伯特-黄变换(Hilbert-Huang transform, HHT)等现代信号分析方法的不断涌现，分析手段也得以丰富，非平稳信号分析效果日趋提升。Combet[4]提出了一种基于时域同步平均的包络谱解调技术，用于齿轮箱变工况下特征谐波的提取，取得了不错的诊断效果。褚福磊、Staszewski W J、陈进等在齿轮箱等旋转机械故障诊断领域研究了时频分析技术[5-6]。Yan等[7]提出了一种新的时频分析方法：频率切片小波变换(FSWT)，通过引入频率切片函数使传统的Fourier变换可以实现时频分析的功能，能灵活地实现信号的滤波与分割。王凤利[8]围绕转子系统不同工况的时频特征提出了基于关联维数的局域波故障诊断方法。Parey[9]等应用基于EMD的统计方法实现了局部缺陷齿轮的早期故障特征检测。Loutridis[10]应用瞬时能量密度特征对齿轮故障特征进行了提取，结果表明了EMD提取瞬时能量密度的性能要优于WT和WV分布方法。

同时，对于结构和工况均比较复杂的齿轮传动故障诊断问题，单一方法也难以准确获取到故障特征，而是需要多种方法交叉使用、相互影响，才可能形成有效的诊断分析结果。这主要是因为以上这些信号分析方法的自身特点原因限定其适用范围。因此，基于流形学习(manifold learning,ML)、核主元分析(kernel principal component analysis,KPCA)等思想的非线性特征信息融合与提取方法也逐渐应用于机械设备故障诊断中。栗茂林等[11]在轴承早期故障诊断中提出并应用了一种局部空切算法，试验效果较好。张妮等[12]研究了一种动态等距离映射流形学习算法，通过选择自适应学习近邻点参数，可维持数据样本的结构流形。文献[13]利用邻域正交的方法实现了高维特征向量的降维进而提取特征，简化了旋转设备的故障模式识别流程。Viet[14]将核主成分分析与主成分法进行了比较，并研究了其在轴承故障诊断中的运用，结果表明KPCA在提取故障信号的非线性特征方面表现良好。

在智能故障诊断方法研究方面，成果丰富，表现在将各种信号分析方法与专家系统、智能决策、粗糙集理论、神经网络、信息融合技术等有机结合的技术特点，进而形成多技术组合的智能诊断方法。故障模式的识别一般通过故障分类器进行分类，分类器有贝叶斯最优核判别、线性判别、聚类判别、支持向量机等策略。文献[15]在提取故障特征时采用了小波分析，并分别基于神经网络模型和模糊函数判定规则进行齿轮早期故障识别。文献[16]在诊断齿轮故障时首先利用EMD分解出本征模态函数，辨识出故障特征，并使用SVM作为分类器完成分类。文献[17]则提出了计算EMD的各阶分量的能量熵与奇异熵，并把遗传算法与SVM相结合，为分类器开展齿轮故障识别与诊断。文献[18]运用EMD和免疫参数自适应SVM，在小样本数据集情况下对滚动轴承进行了故障诊断。文献[19]提出了一种基于多尺度模糊熵和SVM的滚动轴承故障诊断方法。文献[20]研究了粗糙集与SVM的特征提取方法，将数据属性值通过SOM网络实现离散化，再利用粗糙集公式约简，实现了设备故障诊断。

2 油液分析故障诊断方法

油液分析技术是通过分析被监测齿轮系统的在用润滑油的性能变化和携带的磨粒，获得机器动力传递系统的有关润滑及磨损状态信息，进而评价齿轮系统工况、开展故障预测的技术。目前，齿轮传动系统油液故障诊断研究主要集中在油液磨损规律研究、油液参数提取、油液故障诊断方法以及油液和振动信息融合诊断技术等领域。

在油液与振动信息融合方面，Ebersbach等[21]采用振动与磨粒信息融合方法针对过载情况下的直齿圆柱齿轮箱体进行了故障机理研究，并对多种故障中两者之间的关系作了概述分析。在其他旋转设备故障诊断中也有相似研究，如Maru等[22]针对球型轴承的振动和磨损信息耦合关系从受污染润滑油的影响角度出发，分析了高频段振动信号峰峰值及均方值的变化与摩擦界面磨损颗粒参数之间的联系。在国内，曹一波等[23]利用DS证据理论，将油液分析和振动分析方法相融合对齿轮磨损故障诊断技术进行了研究。高经纬等[24]通过建立齿轮磨损故障融合诊断数学模型的策略将振动和油液分析相结合，并通过试验验证了模型的正确性。冯伟博士等[25]建立了齿轮摩擦学系统能量耗损监测模型，通过试验研究了齿轮磨损颗粒与振动之间的相关性，并对齿轮磨损与振动的相关性模型进行了分析。

磨损检测方法虽然可通过分析润滑油中所含微量金属粉末颗粒的组成、大小及多少来判断齿轮箱设备的磨损状态，但磨损颗粒很难在线提取，离线分析又对系统的正常运行造成干扰，这也是影响诊断精度和效率的一个重要缺陷。同时油液分析对仪器的精密度要求严格，取样过程较繁杂。文献[26]针对滚动轴承监测其润滑脂温度以及振动信号，形成了多状态监测系统。试验数据表明，当出现早期弱故障时，润滑脂温度变化不敏感，当发生分布性故障时温度才明显升高，这说明了润滑油液状态在反映弱故障信号时的不足。

3 能量分析故障诊断方法

目前，国内外针对机械设备的故障诊断研究大多以分析各种振动信号为出发点，但振动传感器都要粘附在设备表面才能获取到信号，由于安装不便或现场环境恶劣，使得振动分析技术的应用受到了不少限制。同时，对于齿轮箱内部的传动故障，又只能通过拾取外围的振动信号进行分析，信号传递路径复杂，导致信噪比低而且失真严重。另一方面，在汽轮机、高铁列车变速箱及高速发动机等鲁棒性较弱的设备中，早期微弱故障都可能会带来严重后果，而这些故障信号又容易淹没在周围相对能量较大的低频噪声中，从而无法有效进行故障辨识。据统计，磨损与振动分析技术各自只能实现30%～50%的设备故障检测率，对于某些高温、高腐蚀等恶劣环境下的设备，布设信号线也比较困难。同时，随着无线测试技术的发展，针对机械设备的瞬时输入功率、扭矩、转速等能量信号要素的测量方式越来越简便，因此发展基于设备输入能量信号分析的故障诊断技术是可行而且非常必要的。

针对齿轮等旋转机械的能量耗损研究方面，在国内，华南理工大学黄平教授等[27]的研究表明，在摩擦界面的原子因位置等因素导致其具有的能量未均匀分布，能量在传递过程中会不可逆耗散，这也是旋转机械能部分转为无效热能的过程。Wang等[28]研究了能量边界法，并从微观角度展开振动的响应分析。Diab等[29]通过建立齿轮非线性动力学模型来计算齿轮的损失功率。张秀芳等[30]推导了通过滚动轴承传递到箱板振动功率流的模态解，对振动能量通过滚动轴承传递的特性及影响因素进行研究分析。这些研究只涉及设备能量传递的动力学角度理论分析，都没有延伸到基于数值分析的机械设备故障诊断范畴。冯伟等[31]围绕齿轮摩擦学系统能量耗损监测问题，研究了能量耗损与磨损振动之间的相关性。华南理工大学谢小鹏教授[32]提出了能量耗损故障诊断理论，并选取发动机的瞬时油耗率作为特征参数之一，通过对比振动与油液监测数据，验证了柴油机活塞磨损故障诊断中能量耗损分析的有效性。肖海兵等[33]通过获取摩擦学系统的振动、磨损各类能量耗损信息，建立特征库并进行了故障诊断研究，但由于仍将传统的振动、磨损数据打包一并分析，并非真正意义上的能量信号分析。

对照组当中的患者主要采用常规的护理方式进行护理，主要为规范化脑血管病二级防治，主要包括抗血小板聚集，活血化瘀，调整血压，控制血脂、血糖，维持患者酸碱、电解质和水平衡，呼吸道功能保持畅通，预防感染且要对症治疗。同时积极进行康复训练。治疗组在常规基础上加用加味桂枝茯苓丸颗粒剂，1天2次，连续2周。

目前，基于旋转机械能量视野的研究主要集中在设备磨损及振动中的能量耗损理论方面的探索，针对输入能量的设备多种信息的相关性方面研究也较少。自2009年以来，国内基于功率信号开展故障诊断的研究论文仅10余篇，均为电动机故障诊断范畴。而至于采用非线性信号分析方法，开展基于能量信号分析视角的齿轮传动等旋转机械故障诊断技术研究，国内外还没有相关文献见刊。

4 能量诊断方法有效性分析

从能量传递角度来看，齿轮箱振动的过程就是振动能量的传播过程，能量在传递过程中也就发生了损耗，振动幅值大小也与输入能量的强度密切相关。当齿轮传动系统出现故障时，将会导致其内部出现循环功率[7]，严重降低传动系统的性能，此时由振源传递出去的振动能量将发生变化，外在表现是箱体结构本身的振动强度，以及向周围传播的由能量转化而成的噪声。

从模态分析的角度来看，齿轮箱体的振动过程中产生了振动能量损耗，因此，齿轮箱传动系的输入功率与箱体振动信号之间形成了稳定的输入输出映射关系。齿轮传动系统能量与振动关系模型如图1所示。

图1 齿轮传动系统能量与振动关系模型

定义输入信号与输出信号的相干函数为：

(1)

式中：Sxx(f)、Syy(f)分别为输入、输出信号的自功率谱密度函数；Sxy(f)为互功率谱密度函数。

进一步整理可得:

(2)

式中:Snn(f)为噪声信号的自功率谱密度函数;H(f)为系统频响函数。

显然对于理想的单输入单输出线性系统，由于功率谱密度的计算其实是基于数据序列的估计，相干函数也相当于用概率统计的形式代表了输入信号x(t)对于总输出信号y(t)的贡献比例大小，从频域角度揭示了二者的相关关系。相干值越大，表示在该频点处的振动耗能越明显，反之则越微弱。这就从经典控制理论角度印证了齿轮振动机理分析的有关内容，说明了能量信号与振动之间的密切关系。

5 结束语

对于复杂传动系统中的时变非平稳信号，小波分析、Wigner-Ville分布、盲源分离、HHT和高阶统计量分析等现代振动信号处理方法对非平稳非线性的原始振动信号能够得到较好的分析结果，具有一定的时频域局部分析能力和较好的自适应性，但仍存在着理论不够完善、现实条件无法充分满足与广泛的实际工程应用、推广仍有一定的距离等应用瓶颈。

故障诊断系统的最大价值应是能够从复杂多变的海量高维观测数据中，去除虚假或非关键的信息成分，准确高效地挖掘出数据的内部特征。因此，进行创新性的故障诊断技术研究、提高故障诊断效率也是势在必行。输入能量信号实时反映了系统能量传递、耗损的变化过程，也必然能更真实地反映出机械设备的故障状态。将其作为故障诊断研究的数据处理对象来开展研究，与振动、油液等监测技术相比，具有装置简便、干扰量小、测量准确、易于现场应用等特点，理论与实际应用价值均较高。可以挖掘潜藏于能量信号之中的故障模式规律，在研究有效的能量信号非线性处理、特征提取等方法的过程中，建立一种新型的面向齿轮传动系统等旋转机械的故障诊断方法。

[1] Yan R Q, Gao R X. Multi-scale enveloping spectrogram for vibration analysis in bearing defect diagnosis[J].Tribology International, 2009, 42(2):293-302.

[2] Park C S, Choi Y C, Kirn Y H. Early fault detection in automotive ball bearings using the minimum variance spectrum[J].Mechanical Systems and Signal Processing, 2013, 38(2):534-548.

[3] Borghesani P, Ricci R, Chatterton S, et al. A new procedure for using envelope analysis for rolling element bearing diagnostics in variable operating conditions[J].Mechanical Systems and Signal Processing, 2013, 38(1):23-35.

[4] 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.

[5] 钟先友, 赵春华, 陈保家, 等. 基于形态自相关和时频切片分析的轴承故障诊断方法[J].振动工程学报, 2014, 33(4):11-16.

[6] 张进, 玛志鹏, 褚福磊. 滚动轴承故障特征的时间-小波能量谱提取方法[J].机械工程学报, 2011, 47(17):44-49.

[7] Yan Z, Miyamoto A, Jiang Z. Frequency slice wavelet transform for transient vibration response analysis[J].Mechanical Systems and Signal Processing, 2009, 23(5):1474-1489

[8] 王凤利, 马孝江. 基于局域波时频分析的齿轮故障诊断[J].农业机械学报, 2006, 37 (12):221-225.

[9] Parey A, Tandon N. Impact velocity modeling and signal processing of spur gear vibration for the estimation of defect size[J].Mechanical Systems and Signal Processing, 2007, 21(1):234-243.

[10]Jang Q S, Jia M P, Hu J Z. Manifold Laplacian eigenmap method for fault diagnosis[J].Chinese Journal of Mechanical Engineering, 2013, 21(3):90-93.

[11]栗茂林, 王孙安, 梁霖. 利用非线性流形学习的轴承早期故障特征提取方法[J].西安交通大学学报, 2010(5):45-49.

[12]张妮, 田学民. 基于等距离映射的非线性动态故障检测方法[J].上海交通大学学报, 2011(8):1202-1206.

[13]李锋, 汤宝平, 董绍江. 基于正交邻域保持嵌入特征约简的故障诊断模型 [J].仪器仪表学报, 2011(3):621-627.

[14]Viet H N, Golinval J C. Fault detection based on kernel principal component analysis[J].Engineering Structures, 2010, 32(1):3683-3691.

[15]Saravanan N, Ramachandran K I. Incipient gear box fault diagnosis using discrete wavelet transform(DWT) for feature extraction and classification using artificial neural network (ANN)[J].Expert Systems with Applications, 2010, 37(6):4168-4181.

[16]于德介, 杨宇, 程军圣. 一种基于SVM和EMD的齿轮故障诊断方法[J].机械工程学报, 2005, 41(1):140-144.

[17]李兵, 张培林, 任国全, 等. 运用EMD和GA-SVM的齿轮故障特征提取与选择[J].振动、测试与诊断, 2009, 29(4):445-449.

[18]胡荣华, 楼佩煌, 唐敦兵, 等. 基于EMD和免疫参数自适应SVM的滚动轴承故障诊断[J].计算机集成制造系统, 2013, 19(2):440-441.

[19]郑近德, 陈敏均, 程军圣, 等. 多尺度模糊熵及其在滚动轴承故障诊断中的应用[J].振动工程学报, 2014, 27(1):145-151.

[20]Li N, Zhou H, Hu Q H, et al. Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine[J].Mechanical Systems and Signal Processing, 2012, 28(4):608-621.

[21]Ebersbach S, Peng Z, Kessissoglou N J. The investigation of the condition and faults of a spur gearbox using vibration and wear debris analysis techniques[J].Wear, 2006, 260(1-2):16-24.

[22]Maru M M, Castillo R S, Padovese L R. Study of solid contamination in ball bearings through vibration and wear analyses[J].Wear, 2007, 40(3):433-440.[23]曹一波. 融合油液分析和振动分析的齿轮磨损故障诊断研究[D].广州:华南理工大学, 2007.

[24]高经纬, 姜乐华, 张培林, 等.基于油液和振动信息融合的自行火炮齿轮箱故障诊断方法[J].火炮发射与控制学报, 2008, 25(12):104-106.

[25]谢小鹏, 冯伟, 黄墩烈.基于能量耗损的摩擦学系统状态识别方法研究[J].润滑与密封, 2010, 35(2):27-31.

[26]David M, Bin R R.Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings,pumps,gearboxes, engines and rotating structures[J].The Shock and Vibration Digest, 2006, 38(1):3-16.

[27]许中明, 黄平. 摩擦微观能量耗散机理的复合振子模型研究[J].物理学报, 2006, 55(5): 2427-2432.

[28]Wang A, Vlahopoulos N. Development of an energy boundary element formulation for computing high-frequency sound radiation from incoherent intensity boundary condition[J].Sound and Vibration, 2004(278):413-436.

[29]Diab Y, Ville F, Velex P. Investigations on power losses in high speed gears[J].Journal of Engineering Tribology, 2006, 220 (3):191-198.

[30]张秀芳,霍睿,周振.滚动轴承支承的齿轮传动轴-板耦合结构功率流传递特性研究[J].振动与冲击, 2013,32(9):63-67.

[31]冯伟.基于摩擦学与动力学的齿轮系统故障诊断相关性研究[D].广州:华南理工大学, 2010.

[32]李怀俊,谢小鹏,黄恒.基于主元熵的发动机能量数据聚类与故障识别[J].华南理工大学学报:自然科学版, 2013, 41(11):137-142.

[33]肖海兵.基于能量耗损的机械设备故障诊断理论与方法研究[D].广州:华南理工大学, 2013.

Research Summary of the Default Diagnosis Approach for Gear Transmission System

In accordance with the research achievements in gear transmission system fault diagnosis field of worldwide, and based on different diagnostic data source, the advantages and disadvantages of commonly used analysis methods, such as vibration analysis or oil analysis are dissected, and the traditional and modern methods in vibration signal processing are evaluated; in addition, the current status of research and technical features of the fault diagnostic methods based on energy perspective are summarized, the close relationship between energy and vibration signal is described. It is commented that through excavating the implied fault characteristics of energy signal, the study of effective nonlinear processing method for energy signal can be conducted, to form a new type of fault diagnostic method suitable for rotating equipment including gears, etc.

Gear transmission Fault diagnosis Vibration analysis Oil analysis Energy signal Coherence analysis

广东省高校优秀青年教师培养基金资助项目(编号：Yq2013178)。

李怀俊(1978-)，男，2014年毕业于华南理工大学机械电子工程专业，获博士学位，副教授；主要从事动态系统故障诊断与预测方面的研究。

TP206+.3

A

10.16086/j.cnki.issn1000-0380.201510004

修改稿收到日期：2015-01-04。