英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
利用在线振动和声发射测量对带有齿轮裂纹的单级齿轮箱进行状态监测
T.H. Loutas, G. Sotiriades, I. Kalaitzoglou, V. Kostopoulos*
Department of Mechanical Engineering and Aeronautics, University of Patras,Patras GR-26500, Greece
文章信息
文章历史：
2008年10月7日收到
2009年4月15日以修订形式收到
2009年4月16日接受
2009年5月17日在线提供
关键词
先进的信号处理
声发射
振动
状态监测
变速器
摘要
本工作的目标是使用不同的无损检测方法和先进的信号处理技术处理采集的波形对实验室规模的单级变速箱进行状态监测。声发射（AE）和振动测量被用于此目的。文章详细介绍了每种监测方法的实验装置和仪器，强调了采集振动和声发射信号的信号处理方法，以便从监测波形中提取常规或新颖的具有潜在诊断值的参数 。基于小波的参数是利用离散小波变换提出的。提供选定的参数/特征与测试时间的演变规律，并评估具有诊断意义的参数。讨论了各种无损检测技术参数演变的差异，总结了声发射对振动记录的优越性，为齿轮系统自然磨损的早期诊断提供了依据。
2009爱思唯尔有限公司保留所有权利。
1．引言
一般而言，在变速箱和动力传动系中，齿轮损坏检测通常非常关键，并且可以使航空和工业领域的安全性提高。因此，对其定期无损检测和在线健康监测的需求日益增长，有效的诊断技术和方法是过去50年研究的目标。研究小组已经发布了来自长期测试的实验数据，以了解自然齿轮点蚀对振动记录的影响。 Dempsey等人[1-4]和Decker与Lewicki [5]在GRC / NASA进行了一些优秀的实验性工作，并在利用振动和油碎屑测量的特殊测试台上进行了广泛的齿轮测试，发表了结果。为了改善当前直升机变速箱健康监测系统的性能，他们已经在高速轴上测试了多小时（高达250小时）的齿轮，并提取了相关的特殊功能（基于高阶动量）用测试过程中积累的铁碎片质量形成振动记录。他们将他们的结果整合到一个基于模糊逻辑的健康监测系统中，并取得令人满意的性能。该领域的研究人员主要致力于先进的信号处理技术，这些技术主要应用于短时间测试中主要来自人造齿轮缺陷的振动记录，而不是用于多小时测试中的齿轮点蚀损伤。
通过振动进行状态监测的出版物种类繁多。谈到先进的信号处理技术，必须提及Wang和McFadden [6,7]的著作，它们利用了时频分析技术，并表明谱图与Wigner-Ville分布相比在分析振动信号方面具有优势。同样的作者也采用了小波变换[8,9]来分析振动信号的局部特征，并且显示出不同于包含恒定时间和频率分辨率的时间频率分布，小波变换可以适应同时在信号中同时包含大和小比例尺，可以检测分布式和局部故障。 Baydar和Ball [10,11]提出了瞬时功率谱，并表明它能够检测标准工业斜齿轮齿轮中的局部齿故障。通过监测功率谱分布特征的变化来识别局部故障的传播。同样的作者也应用了Wigner-Ville分布[12]和小波变换[13]，以获得相同的目的。
声发射（AE）应用于旋转机械中的条件监测相对较新，并在过去十年中显著增长。旋转机械中的AE被定义为由运动中的两种介质即一对齿轮的相互作用产生的弹性波。旋转机械中AE的来源包括粗糙面接触，循环疲劳，摩擦，材料损失，空化，泄漏等。AE技术已经引起了人们的注意，因为它提供了超越经典振动监测的一些优势。首先，由于AE是一种非定向技术，与可能需要三轴信息的振动监测相比，一个AE传感器就足够了。由于AE是在微观层面上生产的，与其他状态监测技术相比，它是高度敏感的，并提供了在早期阶段识别缺陷的机会。由于AE主要检测高频弹性波，因此不受结构共振和典型机械背景噪声（低于20 kHz）的影响。 Tandon和Mata [14]将AE应用于变速箱试验台中的齿轮。他们模拟了恒定深度的坑，但在测试期间监测了可变尺寸和AE参数，如能量，振幅和计数。在早期检测齿轮小缺陷的振动数据方面，AE被证明是优越的。 Singh等[15]也将AE技术应用于试验台变速箱的状态监测，而振动方法也被用于比较目的，即将加速度计放置在变速箱壳体上。他们还得出结论，AE提供了振动监测的早期损伤检测。 Toutountzakis等[16]研究了油温和油膜厚度对连续运行背靠背变速箱试验台时AE活动和AE信号的影响。据观察，随着齿轮箱达到稳定温度，AE RMS随时间变化，AE活动RMS的变化可能高达33％。
Tan和Mba [17]更详细地讨论了油温对AE的影响，并得出产生齿轮啮合爆发的AE机制的来源是来自于粗糙面接触。 Tout-ountzakis和Mba [18]对由于未对准和自然点蚀引起的AE活动提出了一些观察结论，并且认为AE技术适用于监测齿轮损伤。 最后，在AE和振动之间进行了一项比较性研究[19]，以显示每种技术在单级齿轮箱几次多日测试中的诊断和预测能力。
目前的工作报告了对一个缺陷齿轮系统进行长期（50小时）实验得出的结果，横向切削厚度为根部厚度的25％，以模拟齿裂纹。 通过对记录信号（来自振动监测和AE）的分析得出不同的参数，并且它们的诊断值在用于开发状态监测系统的方向上进行讨论。 此外，还提供了不同诊断参数的系统比较，以评估哪些是用于变速箱和传动系状态监测的最稳健可靠的诊断参数。 本文结论便是从这项研究中得出。
2.实验设置
图1显示了用于齿轮测试的实验装置。 试验台包括两个由045M15钢制成的齿轮和一个3毫米模块，压力角20°，齿数53和齿25，齿宽7毫米。 齿轮的轴由两个滚珠轴承支撑。 整个系统安装在油盆内以确保正确的润滑。 齿轮箱由电机供电并在发电机上消耗功率。 其特点如下：
- 带两个齿轮的一级齿轮箱（25和53齿）;
- 由变频器控制的3相5马力电机（220 V，9 A，50 Hz，1400 rpm）
- 具有持续功率消耗控制（负载波动）的单相发电机，4.2 KVA，3000 rpm，50 Hz;
- 油泵是无油再循环的湿式油泵;
- 轴支撑滚珠轴承
运行过程中采用了两种非破坏性技术来监测变速箱，即振动和声发射。 两个Bruel＆Kjaer加速度计用于安装在齿轮箱上的振动监测，每个侧轴一个。 采用的采样频率为50 kHz，记录持续时间为1 s的信号。 此外，物理声学公司（PAC）制造的三个宽频带声发射传感器的频率响应范围为100-800kHz，以2MHz的采样率记录100ms持续时间的连续AE信号。 1显示所有传感器的位置。
一个AE传感器安装在输出轴（AE通道1）上，另一个安装在同一轴的一个轴承上（AE通道3），第三个（AE通道2）与输入旋转齿轮摩擦接触。 一种特殊的创新设备在室内设计并在别处讨论[20]，以便将AE传感器安装在旋转部件上，而无需文献中通常使用的昂贵而苛刻的滑环解决方案。
来自加速度计和AE传感器的所有上述数据的记录由National Instruments NI-6070 1MS / SEC FIREWIRE数据采集设备实现，并由Labview编程环境内部开发的专用软件协助实现。 最后，变速箱内油浴的温度通过热电偶测量。
3.信号处理方法
大量的努力专门用于测试期间获得的振动和AE波形的信号处理。事先设定的目标是计算一些参数 - 信号提取的特征，并在测试过程中检查它们的行为，以确定可能用于齿轮系统的损伤检测和状态监测的最有前途的参数。在文献中，很少有研究小组参与了长期的齿轮测试，他们主要使用更高阶的动量和它们的组合来形成诊断参数[1-5]。在这项工作中，除了文献中常见的参数之外，我们还引入了一些更先进的信号处理技术，如离散小波变换和从信号中创新的基于小波的参数。总共有超过40个参数被检查其诊断能力，从而识别比较能够监测问题的参数。
3.1 常规参数
表1显示了计算出的时间和频率域的常规参数。 其中n（n）是n = 1,2，...，N的信号序列，N是信号采样的数量，s（k）是k = 1,2，...，K的傅里叶变换，K是数字 谱线的频率值，fk是第k谱线的频率值。 参数p1是信号的均值，p2是其均方根，p5显然是信号的绝对最大值，p4是标准偏差，p6和p7是第三和第四时刻，而p8-p11是由前一个参数的组合构成的域。相应地，p12-p24在频域中被提取。
这些参数是可以从任何信号中提取的时间和频率域中的典型参数。
3.2 基于离散小波变换的参数
利用小波变换开发新参数并在测试过程中观察它们的行为。小波的主要优点是它们以不同的精度执行局部分析的固有能力。 小波变换以低分辨率和高分辨率的高频处理低频[21]。 小波源自滤波器和滤波器组的迭代（具有重新缩放），因此它们本质上是正交的或双正交的。 与傅立叶分析相比，傅里叶分析包括将信号分解为各种频率的正弦波，小波分析将信号分解为原始（母体）小波的偏移和缩放版本。
逆离散小波变换可以表示为：
f（t）=c (1)
其中一个常数仅取决于式。（1）是当前工作的主干，也是使用小波分析瞬态和非平稳信号的整个理念，因为它表明给定的时间序列信号可以通过离散小波变换分解成其小波水平，这些电平的总和代表原始输入信号。分解的小波电平以这样一种方式被引导，即每个电平对应于所采集信号的特定频率范围。在这项工作中使用的基于DWT的方法在其他地方被引入和描述[21,22]。图2总结了完整的程序。它包括时间同步平均采集的振动信号的离散小波变换（DWT）和使用lsquo;db10#39;小波的10个分解级别的AE信号。就离散变换的小波类型而言，lsquo;db10#39;是一个很好的平滑函数折中，相比低位的lsquo;db#39;小波没有尖锐的边缘。
Daubechies小波族被选中是因为它包含双正交，紧凑支持的小波，令人满意的不对称规则。 其他与Daubechies家族具有相似特性的小波，如symlets或coiflets也被试用，但对结果影响很小。 分解后的小波水平以每个水平对应于特定频率范围的方式被分割。 经过10级分解后，计算每个级别的能量（10个细节和一个近似值）。 因此产生了十一个参数，即ED1-ED10（详情）和Ea10（近似值）。
此外还计算了子带小波熵（SWE）。 SWE是根据波导系数的相对小波能量定义的。 每个分辨率级j的能量定义如下:
小波系数的总能量将由下式给出：
= （2）
然后; 标准化的值表示为：
= （3）
而分辨率为j的SWE被定义为：
=log （4）
然后计算另外11个参数HD1-HD10和HA1。
4.测试程序和结果
实验装置在本工作的第二部分进行了分析。 进行了许多测试，以便校准多传感器配置，并确保录音的可重复性和正确操作，同时采集卡，放大器，前置放大器以及各种电缆和连接的噪声最小.
结果 - 根据试验过程中各种参数的变化情况，从齿根系统横向切割25％齿根厚度以模拟齿裂纹的典型试验（图3）将在本研究中进行详细介绍。在相同的配置下进行了两次额外的测试，得到相似的参数行为。每隔5分钟记录一次，共记录650次（测试持续时间ge;54小时），直到试验终止，即在齿被切断后约2小时。为了有机会监测两种损伤模式，即自然齿轮磨损和裂纹扩展，这种类型的测试是优选的，尽管后者在测试之后面对齿轮的最小磨损所见的两者之间占主导地位。根据所记录的振动和AE波形，第3节中所述的整套参数 - 特征是利用Matlab环境中开发的内部算法计算的。在下面的章节中，从诊断的角度来看，最好的行为是以分析方式呈现的。
4.1 振动结果
从总共约50个参数中，其中约12个似乎具有明确的诊断潜力。 对于振动记录，证明参数p4，p6，p7，p12，p13，p17，p21，p24，ED1，ED2和ED3能够识别齿轮上的损伤累积，并且在测试过程中显示出几乎单调的行为。 这里提醒，p4，p6和p7参数来自时域，参数p12，p13，p17，p21和p24来自频域，而ED1，ED2和ED3是基于小波的参数。 图4显示了在测试过程中ch1的四个选择参数，即ED1，p6，p7和p13的演变。 显示的所有参数均在（0-1）范围内归一化。 乍一看，似乎没有发生重大变化，直到大约第420次记录（~35小时）。
为了在测试的这个阶段更准确地观察参数演变，在图5的图中绘制了放大率。 在图5a-c中，在测试中间的第325次记录（~27小时）附近的区域中的转变被观察到。 这第一个（在整个测试过程中观察到的三个转换）转换的大小取决于所看到的参数，并且在p6参数达到2200％的情况下。 在此之前，没有观察到参数的显著变化。 尽管如此，这种转变在图5d中并不明显。 根据图4a-d，在第530次记录的区域（~44h）识别出第二次转变。 参数p7的上升百分比达到2800％。 第3次过渡 - 与齿切断有关 - 发生在大约第625次记录（~52小时），如图5中的所有图表所示。图 4清楚地表明。 参数ED1增加了700％。
这些转换非常重要，具有诊断价值，因为它们可以用来定义和表征齿轮损伤累积和演变的关键阶段。
来自ch2的振动信号处理的结果在图6中示出。大约第625次录像（~52小时）的第3次转换非常明显，而第2次在任何选定参数中都不
全文共11091字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8986]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
