您当前的位置:检测资讯 > 行业研究

声发射检测技术在齿轮故障诊断中的研究与应用现状

嘉峪检测网        2023-04-23 13:47

齿轮作为旋转机械的核心零件之一,被广泛用于航空航天、风力发电、工程机械、游乐设施以及仪器仪表等多个领域,常常工作在高载荷、周期运行的极端复杂工况中,极易发生各种故障,对旋转机械的正常运行和结构安全造成影响。由于齿轮安装精密,拆卸不易,因此需要采用快速有效的监测及检测手段来判断齿轮运转状态,确保齿轮的安全运行。
 
目前针对齿轮箱的监测手段主要有振动检测、油液监测、温度监测以及声发射检测等技术。这些方法各有优缺点,振动检测可采集大量的信息,传感器安装方便,但是不便排除低频干扰,不易发现齿轮早期故障;油液监测通过对齿轮箱的润滑油进行理化分析、污染测试来判断齿轮的磨损状态,但是无法对脂状润滑油进行测试,且无法进行实时监测;温度监测具有滞后性,无法进行故障预测。
 
声发射检测技术
 
是一种成熟的技术手段,作为实时、动态的无损检测技术,能够在旋转结构运转的时候实现检测,具有实时性和连续监测的特点,可以反映出声源动态响应特性,及时发现齿轮早期故障。将声发射检测技术应用于齿轮箱等设备的监测诊断,对减少停工和降低维护成本极其有效。
 
齿轮的故障类型
 
常见齿轮箱中的齿轮包括直齿轮、斜齿轮以及行星齿轮。这些齿轮发生故障的原因包括制造时产生的误差、装配不良、润滑不当以及长时间处于恶劣工况中,产生的故障主要有断齿(占比约41%)、点蚀(占比约31%)、磨损(占比约10%)、裂纹与划痕(占比约10%)等类型。
 
齿轮故障的声发射检测原理
 
材料表面和内部结构变化,会快速释放应变能产生弹性波,发生声响,称为声发射。齿轮声发射检测原理如图1所示,齿轮运转及故障产生的声发射信号通过机械结构传播到齿轮箱表面被声发射传感器接收,再经过一系列的信号处理技术,最终得到齿轮的运行状态。
 
图1 齿轮声发射检测原理示意
 
从微观来看,齿轮是金属材料,金属材料中声发射的来源跟晶体有关,晶体中的塑性变形、断裂、相变和磁效应都会产生声发射。在无故障齿轮的传动过程中,声发射往往由齿轮表面粗糙接触带来的弹性变形引起。在故障状态下,裂纹会因齿轮传动的应力变化而产生声发射信号;表面的点蚀、磨损等会改变齿轮表面粗糙度和接触时的受力状态,从而产生与无故障状态下不同的声发射信号。齿轮传动时的粗糙接触是齿轮啮合产生的,经过长期试验,研究人员将粗糙接触分为滑动接触和滚动接触,连续型声发射信号一般由滑动接触产生,而滚动接触是产生突发型声发射信号的原因。
 
齿轮故障声发射检测研究现状
 
1、齿轮运行参数对声发射信号的影响
 
齿轮的运行常常伴随着载荷、转速、环境温度以及润滑状态的变化,对于这些因素如何影响声发射信号,许多学者进行了大量研究。
 
TAN等探讨了部分弹流润滑下直齿圆柱齿轮的声发射与载荷、速度和粗糙度之间的关系。通过试验观察到:在等温条件下,负载对声发射RMS(有效值电压)值的影响极小,而齿轮转速对声发射RMS值有显著影响,RMS值随转速增大而增大。根据弹性流体力学理论,速度的增加会导致润滑膜更厚(从而减少粗糙接触),TAN等将观察到的试验现象归因于粗糙接触的较高应变率,认为在低速范围下提高转速时增加的声发射RMS值大于在高速范围内提高转速时增加的RMS值,甚至可能在某个时候,声发射水平会降低,因为在更高速度下的润滑膜效应对RMS值的影响将大于较高应变率的粗糙接触对RMS值的影响。
 
在TAN的其他研究中,对有故障齿轮的变速箱进行了声发射测量试验,以探究温度、油膜厚度和声发射RMS值之间的关系。试验观察到幅值最大的声发射脉冲并不总是由故障齿啮合产生。试验认为温度会改变润滑剂粘度,从而改变润滑膜厚度。试验还观察到在润滑油温度达到平衡之前,声发射RMS值在几个小时内变化很大。分析发现存在两个相反的效应,即:一方面随着温度的升高,润滑膜厚度减小,从而出现更多的粗糙接触;另一方面,啮合表面由于磨损而接触时,其粗糙度会降低。试验还发现当润滑剂温度不变时,外加载荷对声发射RMS值的影响不大。
 
HAMZAH等在特定油膜厚度对直齿轮和斜齿轮声发射的影响的研究中,试验观察到RMS值随着特定薄膜厚度的增大而减小,其对此的解释是薄膜厚度增大会导致粗糙接触减少。在相同的试验条件下,正齿轮的比膜厚值高于斜齿轮的。两种齿轮的比膜厚值都随着转速的增大而增大,但斜齿轮比膜厚值的增大量小于直齿轮的。关于负载的影响,对正齿轮和斜齿轮的试验表明,随着负载的增加,声发射RMS值持续增大。他们将这些结果归因于弹性流体动力润滑条件下载荷对润滑油膜厚度的影响,较高的载荷会产生较薄的润滑膜,从而产生更多的粗糙接触和声发射活动。
 
在对行星齿轮的相关研究中,VICUNA等介绍了温度、负载和转速对无故障行星齿轮声发射的影响,通过试验发现声发射RMS值随着温度升高而变化很大;转速对行星齿轮声发射的影响很大,在较低转速下,载荷对声发射的影响可能很大;在较高的转速下,负载影响被转速影响所掩盖。NOVOA等发现低转速下的声发射活性不仅受载荷的影响,还受润滑剂粘度的影响,在相同的载荷和转速条件下,当行星齿轮箱中含有较低粘度的润滑剂时,声发射活性增加,因为低粘度的润滑剂生成的润滑膜较薄;还发现在高速范围内增加转速比低速下增加转速对声发射的影响更大。
 
综上所述,转速、润滑油粘稠度、负载和温度等运行条件会通过改变润滑油膜厚度和粗糙接触率影响声发射的产生,但是对具体如何影响的结论却不一定一致,这可能是因为试验条件的不一致,齿轮类型、表面粗糙度等因素都会对采集到的声发射信号产生影响。
 
2、齿轮故障声发射理论模型
 
齿轮的运行环境十分复杂,导致声发射的产生涉及到多种物理机制的共同作用,而数学模型有助于人们理解齿轮传动时声发射的产生机理,不少专家进行了相关的理论研究。
 
BARANOV等基于随机函数的偏差理论建立了固体滑动摩擦作用下声发射特性的理论模型,该模型以计算声发射脉冲幅度分布、参数和计数率的数学关系式描述了声发射显示在摩擦学试验中的主要行为。
 
FAN等建立了基于材料弹性粗糙接触的声发射与滑动摩擦关系的理论模型,利用该模型可以从声发射测量中估算出粗糙表面所承受的接触载荷,从而评价机械的润滑状况。
 
SHARMA等在前人的研究基础上,基于凹凸体随机分布理论、赫兹接触、弹流理论、转速以及负载区载荷分布建立了边界润滑下的渐开线直齿圆柱齿轮声发射模型,该模型以数学表达式的方式将声发射RMS值与齿轮表面粗糙度、载荷等参数建立联系;随后又在该模型基础上提出了正齿轮点蚀时的声发射数学模型,建立了缺陷尺寸与齿轮啮合时产生的声发射RMS值之间的关系,且通过试验验证了模型的可靠性。
 
SHARMA等以线弹性断裂力学为基础,建立了预测直齿圆柱齿轮裂纹扩展声发射的数学模型。该模型将直齿圆柱齿轮裂纹扩展产生的声发射RMS值与裂纹扩展长度、裂纹增量面积、裂纹长度和应力强度联系起来,用试验数据对数学模型进行了验证。试验结果和建立的模型均表明裂纹长度的改变会导致直齿圆柱齿轮声发射RMS值的变化,且遵循相同的趋势。
 
3、齿轮故障声发射信号处理与分析
 
在齿轮箱的故障诊断研究中,常常会用到各种方法对声发射信号进行处理与分析,主要包括参数分析、波形分析、模式识别以及其他分析方法。
 
(1)参数分析方法
 
参数分析方法通过波形特征参数表征声发射信号,再对其进行统计分析,实现对故障的诊断。声发射主要的特征参数定义示意如图2所示,其主要包括幅值、能量、有效电压值以及振铃计数等。参数分析法简洁快速,是近几十年来使用最广泛的经典分析方法,但是容易丢失细节信息。
 
图2 声发射参数定义示意
 
石鹏飞以撞击数描述齿轮接触疲劳状态,通过接触疲劳试验机采集了疲劳裂纹扩展时的声发射信号并进行分析,发现撞击数与齿轮疲劳裂纹的扩展存在规律,得到了在载荷幅度不变时齿轮接触疲劳裂纹扩展阶段的扩展速率不变的结论。
 
QU等使用了一种基于外差的技术来解调声发射信号并将其转换到较低的频率范围,即通过基于外差技术的硬件设备采集声发射信号,再进行时间同步平均(TSA)处理。通过声发射TSA信号计算的RMS值和峰度可以清楚地观察到故障齿轮信号和健康齿轮信号的明显区别。根据试验得出结论,峰度是故障齿轮的良好状态指标,峰度值不受速度的影响,因此可以用于变速下的齿轮检测故障。
 
FERRANDO等将声发射技术应用于风电机组齿轮箱的健康诊断中,研究了运行条件对风电机组齿轮箱声发射产生的影响。通过试验发现,RMS值、信息熵和峰值随着功率输出的增加而增加;RMS值和计数与负载的增加直接相关;信息熵对功率输出最敏感,均方根也随扭矩的增加呈现出类似的趋势。
 
有学者将声发射技术应用到游乐设备减速器的健康监测中,通过对采集的大摆锤减速机信号进行参数分析,发现幅值达到饱和,能量和计数的声发射特征不明显,而RMS值能反映大摆锤减速机的运行规律。但是其未进一步对故障情况下的声发射信号进行研究。
 
(2)波形分析方法
 
波形分析法是指通过分析所采集的声发射信号原始波形,得到其中所包含的信息,以此达到故障诊断的目的。目前常用的波形分析法主要有小波分析、频谱分析、时频分析以及模态分析,这些方法在齿轮故障识别时常会组合使用。
 
GU等提出了一种基于离散小波变换的包络分析的声发射信号处理方法,且通过测试的齿轮箱声发射信号验证了该方法的有效性。
 
GAO等开发了比传统小波方法去噪能力更强的冗余第二代小波变换方法,并成功应用于低速重载齿轮的声发射故障诊断中。
 
LI等利用蚁群优化算法对小波变换的参数进行优化,实现了对齿轮故障的定位,成功在齿轮箱中确定了损坏齿轮的位置。
 
姚俊将小波变换应用到齿轮箱断齿故障诊断中,对断齿前后信号能量谱系数的变化情况进行重构,再对重构信号作频谱分析,可以识别出断齿故障。
 
安海博等通过建立RV减速器在不同旋转角度下的声发射信号衰减模型,再结合小波变换对声发射信号进行分析,得到不同频段的时频分量特征,从而建立减速器声发射信号在不同磨损状态下的演化趋势模型。
 
LI等提出了一种基于经验模态分解的旋转机械健康监测方法,以提高故障诊断的敏感性,通过在经验模态分解(EMD)中加入阈值去噪技术,提高声发射信号的信噪比,再提取多个特征融合成单个压缩特征,基于统计方法,将压缩特征用于故障检测。
 
郭福平等将EMD结合Hilbert变换方法应用到齿轮磨损的故障诊断中,通过EMD得到经验模态分解图、边际谱、时频谱,之后利用Hilbert变换进行分析。
 
朱静等提出一种基于改进的集合经验模态分解(EEMD)和声发射技术的行星齿轮箱断齿故障诊断方法,该方法结合EEMD分解高频到低频的特点以及模糊熵对本征模式函数(IMF)分量的筛选,能够有效提取行星齿轮断齿故障特征频率,且能去除噪声的干扰。
 
FERRANDO等采用Hilbert变换提取风力发电齿轮箱声发射信号,并计算快速傅立叶变换(FFT)提取声发射包络的特征频率,发现采集的信号包络谱由齿轮啮合频率和主频带等调制频率构成,但少数信号中还存在两倍于齿轮啮合频率的调制频率,他们将其归因于突发强风或阵风带来的齿轮箱负载突变,但未对故障齿轮的声发射信号进行分析。
 
(3)模式识别
 
模式识别是根据故障特征,利用计算机将样本划分到特定的故障中,从而实现故障诊断的技术。常用的方法包括神经网络、K-最近邻算法(KNN)以及支持向量机(SVM)等算法。
 
YOON等利用硬件的外差法采集了不同故障的行星齿轮声发射信号,利用EMD分析声发射信号,从信号的波形、包络和能量算子的本征模式函数计算多个统计特征,再将这些特征输入神经网络进行故障诊断。
 
HE等使用希尔伯特-黄变换(基于经验模态分解)从声发射信号中提取故障特征。该研究从与齿轮啮合频率最相关的IMF分量中计算RMS值、峰度和峰值振幅等特征,用以训练用于故障检测的K-最近邻算法(KNN);并且通过对具有断齿故障的分扭矩齿轮箱的测试,验证了该方法可用于齿轮故障诊断。
 
耿开贺等利用小波阈值降噪法对不同运行条件下的齿轮声发射信号进行预处理,将时域、频域特征参数作为BP神经网络的输入以实现不同工况下声发射信号的识别,发现小扭矩、低转速下的声发射信号识别率高于大扭矩、高转速下的,在高能量频段信号中提取的特征参数具有更高的识别率。
 
于洋等提出了一种基于遗传算法优化的支持向量机齿轮故障诊断方法。该方法采用了遗传算法进行参数寻优,从而提高支持向量机对故障的识别率,且采集磨损的齿轮声发射信号进行训练,优化后诊断方法的识别率比优化前的提高了10%。
 
LI等利用原始声发射信号,采用增广卷积稀疏自动编码器方法进行齿轮点蚀故障诊断,该方法直接从原始声发射信号中自动提取故障特征,而不需要对声发射信号进行时域和频域转换。
 
(4)其他方法
 
VICUNA等提出了一种减少声发射数据并保留原始声发射信息的方法,该方法将原始声发射信号中存在的声发射脉冲包络成三角形,所构造的信号被称为“三角信号”,其已成功应用于行星齿轮箱的故障诊断中。
 
有学者针对因噪声基底幅度有显著变化难以获得合适阈值的问题,提出了一种浮动阈值方法解决了声发射的齿轮箱背景噪声太大的问题,该方法将信号平均值与3倍标准差之和作为阈值,超出阈值的所有数据都被挑选出来进行详细分析,能成功识别出裂纹的产生和扩展。
 
张宇等提出了一种根据行星齿轮中声发射信号的衰减特性进行故障定位的方法。该方法利用行星齿轮结构和声发射传播的衰减特性,建立故障源定位方程组,通过求解方程组得到故障源位置,最后通过试验验证了该方法的有效性。
 
结论
 
从齿轮的故障类型、声发射检测技术原理出发,阐述了声发射检测技术在齿轮故障诊断中的研究现状,主要得出以下结论:
 
在分析运行条件对声发射信号的影响时,润滑条件、温度、载荷和转速等运行条件会以不同的方式影响声发射信号,在某些研究中不同的研究人员得出了不一样的结论,这些分析是否需要考虑更多因素(如齿轮表面条件、齿轮结构以及声发射传感器采集点的选择)还需要进一步的研究。
 
理论研究有利于理解齿轮传动产生声发射的物理机制,但是这方面的研究很少,目前只有直齿轮建立的数学模型,关于斜齿轮、行星齿轮等其他齿轮产生的声发射数学模型还未出现。
 
近十年来,齿轮箱齿轮的声发射信号处理与分析技术得到快速发展,尤其体现在波形分析和模式识别方面。这些信号处理与分析技术常通过分析得到某齿轮无故障和有故障的声发射信号,得到不同故障类型与状态下的频率、熵、能量和峭度等特征值对齿轮进行故障诊断研究。其中,参数分析法简洁快捷,适合齿轮箱现场快速诊断;波形分析方法中小波分析和模态分析被用于去除背景噪声、故障诊断、故障定位以及损伤程度的量化等研究。
 
模式识别对齿轮的故障诊断,是建立在参数分析或波形分析基础上的,其通过预先采集齿轮典型故障信号,利用参数分析或者波形分析得到特征参量,随后通过特征参数建立特征集作为样本建立模型,实现齿轮箱齿轮快速故障诊断,故需要大量试验获取齿轮的典型声发射信号。另外,未来需要进一步研究探索,更加快速智能的齿轮故障诊断方法。
 
结合齿轮运行参数对声发射信号的影响和声发射信号处理进行研究时,齿轮运行条件和自身的表面和结构条件对声发射有很大影响,这些影响因素会同时影响声发射信号,导致齿轮故障诊断模型不具有通用性,具有通用性的故障诊断方法也是未来的重点研究方向。
 
 
分享到:

来源:无损检测NDT