基于信号处理的桥式起重机齿轮减速箱故障诊断

巩锐

（江苏省特种设备安全监督检验研究院无锡分院，江苏无锡 214174）

摘要：桥式起重机齿轮减速箱是典型的旋转机械，一旦减速箱中相关零部件发生故障，在运转过程中就会产生振动和噪音，严重影响整个起重机的运转。现针对桥式起重机齿轮减速箱运行故障，分析主要类型及其原因，并从传统信号处理技术、非平稳信号处理技术两方面介绍目前检测齿轮减速箱故障的主要手段。

教育期刊网 http://www.jyqkw.com
关键词：桥式起重机；齿轮减速箱；故障；信号处理；经验模态分解

0引言

齿轮减速器是起重机上关键的承载和传动部件，长期处于高负载、工况多变等状态下，非常容易发生故障，造成停机事故。通常齿轮减速器故障产生的特征信号都比较微弱，采用常规的信号检测方法难以精确地诊断故障特征。因此，需要分析减速箱的运行规律和故障类型的基本特点，并结合先进的故障特征放大技术和噪声抑制技术进行减速器故障检测和诊断［1］，这对准确地判断齿轮减速器的故障，保证桥式起重机运行稳定性具有重要的工程意义。

1齿轮减速器故障特点及类型

桥式起重机齿轮减速器是一种典型的旋转机械［2］，发生故障时，会产生异响和异常振动等故障信号，如表1所示。根据减速箱的振动信号的特点，可对其故障来源进行预先诊断。然而，对于减速箱等旋转类机械，其故障是由于很多种因素的共同作用。此外，对旋转传动类机械进行故障检测，一般不需要将设备整件解体，否则会导致再次装配精度的降低，而且某些故障特征不明显，需要缓慢长期观察才能确定，这使得旋转传动类机械的状态监测和故障诊断的难度较大。

1.1齿轮轴轴承损坏

起重机的工作类型复杂多样，减速器的正常工作时间决定了齿轮与轴承的磨损和疲劳程度，影响其使用寿命。滚动轴承的部分失效原因为疲劳点蚀，主要表现为轴承的元件在较大冲击动载荷和静载荷作用下发生塑性变形，磨粒磨损严重，导致破裂损坏，进而会产生轮齿的不正常卡阻、啮合，间接导致齿轮发生变形和折断，严重时甚至会造成减速箱卡滞现象，轴承元件点蚀造成的减速箱故障容易被发现，可通过观察减速箱的运转状况或实时监听噪音进行诊断。

1.2齿轮精度达不到要求

齿轮由于加工精度、装配误差等原因的存在，在运转工况时会产生不同幅度特征的振动。不同的原因导致不同的振动，目前最主要的振源为啮合振动。齿轮在啮入和啮出的过程中，齿与齿之间发生周期性碰撞，从而生成振动。除了啮合振动，还有如制造误差引起的损伤、外界环境引起的损伤的存在，导致齿廓、齿形等偏离正常范围，增大了碰撞冲击力度，会导致更大的振动。

1.3齿轮轴及与电机轴轴心线偏差较大

齿轮箱装配不精确，容易造成减速箱高速轴与电机轴的轴心线偏差。偏差过大时会导致减速箱轮齿的啮合出现故障，轮齿受力状况不均匀，造成齿轮轴在弯曲扭矩的作用下发生变形，弯曲扭矩的重复作用和应力集中作用会造成轮齿的过度疲劳磨损；同时也会使减速箱和电机的连接螺栓松动变形，造成电机在运行中振幅过大，增大减速箱的轮齿啮合缝隙，轮齿的连续冲击载荷导致轮齿变形折断。

2基于信号处理的齿轮减速箱故障诊断

桥式起重机齿轮减速箱发生故障时，会产生异响、异常振动和噪音，利用信号处理技术分析振动信号的时域、频域或幅值域等信号特征，进而判别齿轮减速箱的工作运行状态，可检测出故障部位及其原因。

2.1传统信号处理方法

以往主要采用时域和频域分析这两种信号处理技术来进行齿轮减速器故障诊断。前者主要是采用时域同步平均法、相关函数诊断法或概率分析法，分析振动时产生的时域信号特征，如振幅、相位、振动频率、偏度、峭度、裕度等。后者则是基于傅立叶变换（FFT）进行倒频谱、包络、频谱等方面的分析。传统的基于FFT的信号处理技术在理论和实践中已有广泛的应用，但它目前仅用于较平稳信号的分析，却不适用于工程实践中所测得的绝大多数非平稳、非线性、非高斯分布的振动信号。

2.2非平稳信号的分析方法

2.2.1小波变换

继傅立叶变换后，小波变换分析法由于具有一并提供信号的时域和频域变化信息、“数学显微”等特性，成为描述非平稳性动态信号、提取微弱信号、早期故障诊断以及分离机器零部件故障特征频率的高效分析工具［3］。虽然小波变换在工程实践的非平稳信号分析中得到了较为广泛的应用，但其也存在缺点：首先，小波变换是线性的，其本质是在窗口中可调的傅立叶变换；其次，在选择小波基和分解尺度后，会产生一个频带固定的信号，其频带范围仅与信号的采样频率有关，不受信号本身影响，这就造成小波分析变换的自适应性差，限制了其工程应用。

2.2.2经验模态分解

Hilbert-Huang变换（HHT）分析方法将任意信号分解为内在模态函数（IMF）——经验模态分解（EMD）法，然后进行时频分析，其主要包括EMD法和Hilbert变换两个过程，具体如下：（1）进行信号平稳化处理，并逐级分解出信号中不同尺度的波动，得到一系列具有不同特征尺度的IMF分量，进一步分析和提取更准确的原数据的特征信息；（2）通过EMD分解法得到每个IMF分量的信号，再对每个单分量进行Hilbert变换后能够反映其真实的物理意义，由此得到的Hilbert谱能更加精确地反映出能量在空间（或时间）尺度上的分布规律。另外，EMD分解出的分量随信号本身的变化而改变，因此，该方法具有自适应性，可对多种非平稳、非线性信号进行时频分析。

EMD方法能将非线性、非平稳信号序列x（t）有限地分解为不同信号特征的IMF的和，IMF分量分别记为c1，c2，…，cn和残差项r。其分解步骤如下：

（1）解析原始信号的所有极值点。

（2）将极大值点和极小值点分别连接起来，确保由极大值点构成的上包络曲线和由极小值点构成的下包络曲线要涵盖所有的原始数据点。

（3）求出上、下包络曲线的平均值m1，并求出：

x（t）－m1=h1（1）

（4）首先判定h1是否是IMF分量，若h1为信号x（t）的第一个IMF分量，则将其定义为c1，并直接进入步骤（5）计算；若否，则h1作为新的原始数据，并重复（1）～（4）的步骤，以此类推。

（5）将c1从x（t）中提取出来，得：

r1=x（t）－c1（2）

（6）重复（1）～（5）的步骤n次并得到有限n个IMF分量。即：