基于小波分析的蜗轮蜗杆减速器故障诊断系统

杨勇明

(上海理工大学 公共实验中心，上海200093)



基于小波分析的蜗轮蜗杆减速器故障诊断系统

杨勇明

(上海理工大学 公共实验中心，上海200093)

随着蜗轮蜗杆减速器的广泛应用，其故障类型表现为复杂化和隐蔽化，这不仅会带来巨大的经济损失，甚至威胁工人的生命安全。为解决这一问题，提出了基于小波分析的蜗轮蜗杆减速器故障诊断系统，系统在模拟减速器真实工作情况的基础上，采用LabView编写故障诊断系统，实现对振动信号进行采集与显示、小波分析以及离线故障诊断，实验结果表明，文中提出基于小波分析的蜗轮蜗杆减速器故障诊断系统，能够较好地实现蜗轮蜗杆减速器故障的实时诊断，适用于蜗轮蜗杆减速器技术研究和安全应用等领域。

故障诊断；小波分析；振动信号；LabVIEW

随着机械装备的精密化发展，使得装备的故障形式更为复杂和隐蔽，同时也促进了故障诊断技术的研究和发展[1-3]。例如，研究蜗轮蜗杆减速器常见的失效形式，不仅能够增加使用周期，提高生产效率，同时还能降低故障发生频率，保障工人的生命安全[4-7]。为了深入研究蜗轮蜗杆减速器的常见故障机理，文中提出基于小波分析的蜗轮蜗杆减速器故障诊断系统，用于对蜗轮蜗杆的点蚀、剥落以及断齿等故障类型进行实时监测和诊断。

1 故障诊断模型

如图1所示的蜗轮与蜗杆受力分析，蜗轮主要受到来自于蜗杆作用在径向的作用力Fr2、轴向的作用力Fa2以及切向的作用力Ft2等3个方向的分力[8-9]，定义X方向平行于蜗杆的轴向，Y方向平行于蜗轮的轴向，Z方向垂直于工作台平面方向。根据图1可知，当蜗轮蜗杆出现故障后，3个方向上的振动信号也会有相应的改变，因此需要对径向、轴向以及切向等3个方向的振动信号进行采集、分析及诊断。图2所示为的蜗轮蜗杆减速器故障诊断系统，基于小波分析的振动信号识别方法，包含信号的采集显示、处理分析及离线诊断等过程，可以实时监测和显示蜗轮蜗杆的点蚀、剥落和断齿等失效形式。

图1 蜗轮与蜗杆之间受力分析

图2 蜗轮蜗杆减速器故障诊断模型

2 基于小波分析的故障特征提取

在各种类型的信号中，振动信号含有较多的旋转机械故障信息，利用有效的方法处理与分析振动信号，能够提取出旋转机械的故障特征参数[10-14]。本文研究的蜗轮蜗杆减速器故障诊断系统，采用小波分析的方法，实现蜗轮蜗杆减速器故障特征参数提取。

2.1 小波变换

(1)连续小波变换是指作用于定义在整个实轴上的函数设φ(ω)为母小波函数，对母小波函数 进行伸缩或平移，可以得到一系列“胖瘦”和“位置”不同，但形状相似的小波，这就是小波变换的基础[15-16]，对有限能量信号φ(t)进行处理后，得到

(1)

其中，a称为尺度因子；b称为平移因子。

当a和b是连续变化的量时，φ(ω)称作连续小波基函数，且有

(2)

式(2)表示函数f(t)的连续小波变换;

(3)

信号函数f(t)=L(R)时，离散小波变换为

(4)

取a=2,τ0=1时，离散小波变换为

(5)

2.2 多尺度分析

多尺度分析是指在不同尺度上将L(R)分解为一系列子空间序列，这些子空间序列以L(R)为极限，信号函数f(t)可被描述为在L(R)中具有一组近似函数的逼近极限，则信号函数f(t)在不同尺度子空间上的投影便是这些近似函数。图3(a)所示为小波三尺度分析示意图，直观展示多尺度分析，F表示原始信号，C代表低频信号，D表示高频信号。根据图3可知，分解的关系式为

F=D1+D2+D3+C3

其中低频信号参与多尺度分析，而高频信号不参与多尺度分析，进行下一步分解时，研究对象为低频部分C3，分析结果由低频信号C4及高频信号D4组成。

图3 小波三尺度分析示意图

2.3 小波包能量分解

多尺度分析可以有效的分解信号低频部分，由于尺度分析是以二进制变化的，高频部分的分辨率较差，小波包能量分解法将多尺度分析中未细分的高频部分进一步分解，从而增大高频部分的分辨率，所以小波包能量分解具有更加广泛的应用价值。图3(b)所示为3尺度小波包能量分解示意图其中，字母C表示低频部分，字母D表示高频部分，其末端的数字代表着当前小波包能量分解的尺度数。

2.4 基于小波包能量的故障特征提取

为了提取故障特征参数，需要对采集到的数据进行小波包能量分解，从而将故障特征频率被划分到不同的频带范围，用于体现不同的故障特征。以采样频率12 800Hz为例，依据小波包能量分解原理，要使故障特征频率划分到不同频带范围，至少做6尺度(层数)小波包能量分解，同时大幅增加了数据量和时间量，为下一步的特征参数处理带来较大困难和时间损耗。对采集到的信号数据做降频处理，降至640Hz，根据奈奎斯特定理，重新采样处理后的数据依然能够保留原始信号的真实性。将降频处理后的信号数据做3尺度小波包能量分解，如图4所示。

图4 640 Hz三尺度小波包能量分解

3 实例验证

3.1 实验台简介

如图5所示为蜗轮蜗杆减速器实验台，由机械部分和控制部分组成：机械部分包括伺服电机、转速控制系统、磁粉制动器和转矩控制等系统；控制部分包括LabVIEW控制程序、NI采集卡，传感器和倍福运动控制器等系统。该实验台可以重现蜗轮蜗杆减速器的点蚀、剥落、断齿等故障形态。通过控制伺服电机的转速实现对蜗杆输入端转速的控制，通过磁粉制动器来控制蜗轮输出端的扭矩，从而实现蜗轮蜗杆减速器正常工作状态。温度、转速、振动和扭矩等传感器可以根据实验需要进行安装，从而实现对蜗轮蜗杆减速器的振动、温度、负载转矩、加载转矩和转速等信号数据的实时测量和采集。

图5 蜗轮蜗杆减速器实验台

3.2 诊断系统设计

如图6所示的基于LabVIEW的故障诊断系统软件，具有实时性、可靠性及可维护性等优点，系统界面上有数据采集与显示、数据分析、故障诊断和退出4个按钮，单击任意按钮，即可调用相应的功能子程序，实现数据采集与显示、数据分析和故障诊断等功能效果。

图6 利用LabVIEW编写的故障诊断系统

3.3 实验数据与分析

3.3.1 实验参数及数据采集

实验台使用WPA40型蜗轮蜗杆减速器， 为研究减速器不同故障类型的特征和区别，本实验在750r/min,1 000r/min,1 250r/min,1500r/min转速及6N·m负载状态下，采集蜗轮蜗杆减速器各种故障类型振动信号，采集数据如表1所示。

3.3.2 实验数据分析

(1)3层小波包能量分解。将采集到的蜗轮蜗杆减速器各种故障类型信号数据进行小波3尺度分析，分析结果如图7所示。

表1 蜗轮蜗杆减速器故障实验数据种类和数量

图7 蜗轮蜗杆减速器各种故障类型信号小波3尺度分析

从图7中很难直观地看出各种故障类型在小波3尺度分析结果上的区别，所以必须对各尺度的小波进行小波包能量分解，分解结果如表2～表5所示。

表2 正常减速器在各尺度上的小波包能量分解

表3 点蚀故障减速器在各尺度上的小波包能量分解

表4 剥落故障减速器在各尺度上的小波包能量分解

表5 断齿减速器在各尺度上的小波包能量分解

根据表2～表5中的数据对比可知，在整体的能量按其大小排列为：断齿>剥落>正常>点蚀。根据这个结果可以清楚的表示，各种故障类型的频带划分结果较好，同时也证明了小波包能量分解在提取蜗轮蜗杆减速器的故障特征上的有效性。这些小波包能量可以作为故障诊断的依据。

(2)数据分析与故障系统诊断。如图8所示的数据采集、分析及故障诊断界面，设置好参数后，点击数据分析按钮，通过调用Sym8小波函数对蜗轮蜗杆减速器X、Y、Z这3个方向上的振动信号进行小波包能量分解，如表2～表5所示，依据表2～表5的小波包能量分解情况，完成离线故障诊断并显示结果，从而实现蜗轮蜗杆减速器的点蚀、剥落以及断齿等故障类型的实时诊断。

图8 数据采集、分析及故障诊断界面

4 结束语

本文在研究故障诊断技术以及蜗轮蜗杆减速器理论的基础上，将小波包能量分解技术应用于故障类型诊断系统，通过实例验证，取得较好的实验效果，可以有效地诊断蜗轮蜗杆减速器常见的点蚀、剥落以及断齿等故障问题。

[1] 贺美义,刘凯铭.面向21世纪先进制造技术与企业竞争的关系[J].科技情报开发与经济,2003,13(9):256-257.

[2] 陈国兴.飞机远程故障协同诊断并发机制研究[D].天津：中国民航大学,2008.

[3] 赵文智.提高民航安全性的研究[D].天津：天津大学,2006.

[4] 文秀,褚福磊.转子系统碰摩故障的实验研究[J]. 清华大学学报,2005,45(5):614-617.

[5] 屈梁生.机械故障的全息诊断原理[M].北京:科学出版社,2007.

[6] 董华强.风力发电机组的振动状态监测与故障诊断技术研究[D].兰州：兰州理工大学,2013.

[7] 刘晓波.风机故障监测与诊断系统的研究与制作[D].武汉：武汉科技大学,2009.

[8] 张武,景素芳,王轲平，等.转台正、反转力矩不均匀性分析与对策[J].火控雷达技术,2013,42(1):112-115.

[9] 聂勇军,罗敬东.齿轮失效模式形成分析[J].琼州学院学报,2011,18(2):51-53.

[10]AntoniJ.Cyclostationaritybyexamples[J].MechanicalSystemsandSignalProcessing,2009,23(4):987-1036.

[11]AntoniJ,RandallRB.Thespectralkurtosis:applicationtothevibratorysurveillanceanddiagnosticsofrotatingmachines[J].MechanicalSystemsandSignalProcessing,2006,20(2):308-331.

[12]ZhongqingSu,LinYe,YeLu.Guidedlambwavesforidentificationofdamageincompositestructures:areview[J].JournalofSoundandVibration,2006,29(5):753-780.

[13] 梁晓华.基于参考独立分量分析的旋转机械故障信号提取[D].哈尔滨：哈尔滨工业大学,2010.

[14] 杨霁.基于小波多尺度变换的局部放电去噪与识别方法研究[D].重庆：重庆大学,2004.

[15] 李翔.基于小波分析的测量信号处理技术研究[D].哈尔滨：哈尔滨工业大学,2009.

[16] 晁晓洁.基于提升小波的故障诊断方法研究[D].沈阳：沈阳理工大学,2013.

Study on Fault Diagnosis System of Worm-gear Reducer Based on Wavelet Analysis

YANG Yongming

(Public Experiment Center, University of Shanghai for Science and Technology, Shanghai 200093,China)

With wide application of worm-gear reducer, the fault type is complicated and concealed, which not only bring huge economic losses, and even a threat to the safety of workers. in order to solve the problems, this paper put forward a fault diagnosis system of worm-gear reducer based on wavelet analysis, which base on real work situation, develop fault diagnosis system by adopting LabVIEW language, achieve vibration signal for acquisition and display, wavelet analysis and off-line fault diagnosis, experimental results show that the fault diagnosis system of worm-gear reducer based on wavelet analysis can better realize the worm-gear reducer fault diagnosis, so can be used in the field of technology research and safety using.

fault diagnosis; wavelet analysis; vibration signal; LabVIEW

2016- 03- 08

上海市自然科学基金资助项目(12ZR1420700)；上海市高校青年教师培养资助计划基金资助项目(1014204803)

杨勇明(1986-)，男，硕士，工程师。研究方向：机器人技术及机电一体化技术。

10.16180/j.cnki.issn1007-7820.2016.11.020

TP274.2

A

1007-7820(2016)11-065-05