论文部分内容阅读
摘要由于农用电机中的齿轮运行环境恶劣，早期故障的不易发现，鉴于故障振动信号的非平稳性、非线性，并存在于大量的噪声信号中，很难提取故障特征。该研究采用数学形态滤波与局域均值分解相结合的方法。通过多结构多尺度数学形态滤波器对齿轮故障振动信号进行背景噪声滤除和振动信号提取，结合局域均值分解对信号进行处理，进而提取能量特征参数，并作归一化处理，最后采用BP神经网络对齿轮的各种运行状态进行分类识别。通过分析齿轮的正常状态，磨损和断齿与基于LMD分解的诊断结果作比较，该方法的故障识别率高于基于LMD和神经网络。
关键词齿轮故障；数学形态滤波；LMD；故障特征频率；BP神经网络
中图分类号S220.7；TP206+.3文献标识码A文章编号0517-6611（2015）23-346-03
AbstractBecause of the bad gear running environment of agricultural machine， early failure of difficult to find， given the failure of nonstationary vibration signals， nonlinear， and exist in a lot of the noise signal is difficult to fault features， we use mathematical morphological filtering and combining local mean decomposition methods. Through a multistructure multiscale mathematical morphological filter for gear fault vibration signal to filter out background noise and vibration signal extraction， combined with local mean decomposition for signal processing， and then extract the energy characteristic parameters， and to make normalization process， and finally the use of BP neural network on various operating states to classify the gears. By analyzing the normal gear wear and broken teeth LMDbased diagnostic results compared with decomposition， fault identification rate of the method is higher than neural networkbased LMD.
Key wordsGear failure； Mathematical morphology filter； Local Mean Decomposition（LMD）； The fault characteristic frequency； BP neural network
齿轮及齿轮箱作为农用电机传递动力、改变转速的常用零部件，一旦发生故障就可能造成整套设备无法正常运行，因此，对齿轮的故障诊断非常重要。由于齿轮及齿轮箱运行环境恶劣、影响因素和环节多样、早期故障不易发现等原因，容易造成齿轮磨损或断齿。
齿轮故障振动信号具有非平稳、多分量幅值调制、周期性重复冲击等特点，而且还会夹杂着复杂的噪声信号。笔者以齿轮故障特征频率为判据，构造多结构、多尺度数学形态滤波器滤除背景噪声，并提取冲击信号，在此基础上对齿轮信号进行局部均值法分解，得到若干个PF分量；进而将PF分量中包括主要故障信息的分量进行进一步分析，提取其能量特征参数以构成故障特征向量；最后将其作为神经网络的输入样本，并对神经网络进行训练及故障识别，从而实现齿轮故障诊断。
1齿轮振动信号特征分析
2.1数学形态滤波
首先求出齿轮在正常、磨损故障、断齿故障3种运行状态下的自适应结构元素。按照自适应结构元素的产生原理，将不同运行状态下所测得的实验数据加载到信号分析处理程序中，求出不同运行状态下的结构元素参数，如表1所示。
根据以上求出的结构元素对实测齿轮数据进行基本的形态运算，分别以齿轮在正常状态、磨损故障、断齿故障时信号的强度系数为敏感结构元素的判据，求出在基本形态运算下，不同运行状态对应的敏感结构元素[9]，结果见表2。
根据表2所提取出来的敏感结构元素，分别构造齿轮正常、磨损故障、断齿故障下的最佳自适应形态滤波器。该研究只需构造3个自适应形态滤波器，分别是膨胀+腐蚀、开+闭、开闭+闭开。用所构造的数学形态滤波器分别对信号进行处理，然后将处理结果求和并取平均值作为最终选取的数学形态滤波器，处理结果见表3。由表3可知，信号经数学形态滤波后，齿轮各种运行状态下的特征频率均得到突显，3种运行状态下的分辨率也较原来有所增加。将形态腐蚀、膨胀、开、闭及其组合形式所构成的数学形态滤波器的处理结果进行分析对比可知，开+闭数学形态滤波器能有效区分故障特征频率强度系数，膨胀+腐蚀、开闭+闭开数学形态滤波器的处理效果相对较差，而通过对大量实验数据进行处理后发现以上结论基本一致。因此该研究对该齿轮特征信息提取时建议采用数学形态开+闭均值滤波器进行处理[3-4]。
2.2局域均值分解
局域均值分解可以将复杂度，瞬时频率成分较多的原始信号分解为若干个乘积分量（PF）之和，这些PF分量都有一定的物理意义，且每一个PF分量都是由一个包络信号和一个调频信号相乘得到的，该过程也称为“筛选”过程。 该研究采用自适应波形匹配延拓的局域均值分解方法对不同运行状态下（正常、磨损故障、断齿故障）自适应多结构多尺度数学形态滤波基础上的齿轮信号进行局域均值分解[4]，结果见图2～4。
经局域均值分解后的各PF分量分别表示一组特征尺度下的平稳信号，而齿轮的故障特征可以通過能量特征参数来反映。选取前4个PF分量作为特征向量提取的基础，并求它们的总能量Ei。
3基于BP神经网络的齿轮故障诊断方法
对齿轮故障振动信号进行自适应多结构多尺度数学形态滤波和局域均值分解分解，求出归一化后的向量即故障特征向量T[6]；采用BP神经网络进行分类，将前4个PF分量的故障特征向量T作为神经网络的输入。然后根据隐含层节点数确定方法确定隐含层节点数为9，网络输出分别对应正常齿轮、磨损和断齿3种状态，即网络结构为4×9×3层，其中特征输入参数为4，隐含层为9，输出为3种故障模式[6]。输出矩阵的状态编码分别为：正常齿轮[1，0，0]；磨损故障[0，1，0]；断齿[0，0，1]。每种模式分别用15个样本进行训练，每个样本有12 600个数据，经过800次训练后，网络误差达到要求，即算法的学习速率为0.1，训练截止误差为0.001，网络训练至收敛。最后将每种状态模式下的5个测试样本输入到神经网络中进行分类识别，网络输出结果全部通过测试。表4分别给出了3种运行状态对应3种模式测试样本的识别结果。
对齿轮各种运动状态的振动信号直接进行LMD分解，求出归一化后的向量即故障特征向量T；采用上述所述BP神经网络分别对正常齿轮、磨损和断齿3种故障模式进行训练测试。表5给出了3个分别对应3种模式测试样本的识别结果。
由表4、5对比可知，单独的LMD分解不能将齿轮原始信号中所有噪声信号进行滤除，而多结构多尺度数学形态滤波和LMD分解相结合的方法首先采用数学形态滤波将齿轮原始信号中的背景噪声进行滤除，然后采用LMD分解得到故障信息的能量特征参数，最后采用神经网络对齿轮故障进行分类识别，因此该方法对故障诊断更为敏感。
安徽农业科学2015年
4结论
由于数学形态学可以保持细节和抑制噪声，而LMD方法是一种自适应信号分解方法[8]，该研究首先采用多结构多尺度数学形态滤波对故障信息进行背景噪声滤除[9]，然后采用局域均值分解得到故障信息的能量特征参数，最后利用BP神经网络对齿轮故障进行分类识别。在实验中，分别对齿轮正常、磨损故障和断齿故障3种不同的运行状态进行多
关键词齿轮故障；数学形态滤波；LMD；故障特征频率；BP神经网络
中图分类号S220.7；TP206+.3文献标识码A文章编号0517-6611（2015）23-346-03
AbstractBecause of the bad gear running environment of agricultural machine， early failure of difficult to find， given the failure of nonstationary vibration signals， nonlinear， and exist in a lot of the noise signal is difficult to fault features， we use mathematical morphological filtering and combining local mean decomposition methods. Through a multistructure multiscale mathematical morphological filter for gear fault vibration signal to filter out background noise and vibration signal extraction， combined with local mean decomposition for signal processing， and then extract the energy characteristic parameters， and to make normalization process， and finally the use of BP neural network on various operating states to classify the gears. By analyzing the normal gear wear and broken teeth LMDbased diagnostic results compared with decomposition， fault identification rate of the method is higher than neural networkbased LMD.
Key wordsGear failure； Mathematical morphology filter； Local Mean Decomposition（LMD）； The fault characteristic frequency； BP neural network
齿轮及齿轮箱作为农用电机传递动力、改变转速的常用零部件，一旦发生故障就可能造成整套设备无法正常运行，因此，对齿轮的故障诊断非常重要。由于齿轮及齿轮箱运行环境恶劣、影响因素和环节多样、早期故障不易发现等原因，容易造成齿轮磨损或断齿。
齿轮故障振动信号具有非平稳、多分量幅值调制、周期性重复冲击等特点，而且还会夹杂着复杂的噪声信号。笔者以齿轮故障特征频率为判据，构造多结构、多尺度数学形态滤波器滤除背景噪声，并提取冲击信号，在此基础上对齿轮信号进行局部均值法分解，得到若干个PF分量；进而将PF分量中包括主要故障信息的分量进行进一步分析，提取其能量特征参数以构成故障特征向量；最后将其作为神经网络的输入样本，并对神经网络进行训练及故障识别，从而实现齿轮故障诊断。
1齿轮振动信号特征分析
2.1数学形态滤波
首先求出齿轮在正常、磨损故障、断齿故障3种运行状态下的自适应结构元素。按照自适应结构元素的产生原理，将不同运行状态下所测得的实验数据加载到信号分析处理程序中，求出不同运行状态下的结构元素参数，如表1所示。
根据以上求出的结构元素对实测齿轮数据进行基本的形态运算，分别以齿轮在正常状态、磨损故障、断齿故障时信号的强度系数为敏感结构元素的判据，求出在基本形态运算下，不同运行状态对应的敏感结构元素[9]，结果见表2。
根据表2所提取出来的敏感结构元素，分别构造齿轮正常、磨损故障、断齿故障下的最佳自适应形态滤波器。该研究只需构造3个自适应形态滤波器，分别是膨胀+腐蚀、开+闭、开闭+闭开。用所构造的数学形态滤波器分别对信号进行处理，然后将处理结果求和并取平均值作为最终选取的数学形态滤波器，处理结果见表3。由表3可知，信号经数学形态滤波后，齿轮各种运行状态下的特征频率均得到突显，3种运行状态下的分辨率也较原来有所增加。将形态腐蚀、膨胀、开、闭及其组合形式所构成的数学形态滤波器的处理结果进行分析对比可知，开+闭数学形态滤波器能有效区分故障特征频率强度系数，膨胀+腐蚀、开闭+闭开数学形态滤波器的处理效果相对较差，而通过对大量实验数据进行处理后发现以上结论基本一致。因此该研究对该齿轮特征信息提取时建议采用数学形态开+闭均值滤波器进行处理[3-4]。
2.2局域均值分解
局域均值分解可以将复杂度，瞬时频率成分较多的原始信号分解为若干个乘积分量（PF）之和，这些PF分量都有一定的物理意义，且每一个PF分量都是由一个包络信号和一个调频信号相乘得到的，该过程也称为“筛选”过程。 该研究采用自适应波形匹配延拓的局域均值分解方法对不同运行状态下（正常、磨损故障、断齿故障）自适应多结构多尺度数学形态滤波基础上的齿轮信号进行局域均值分解[4]，结果见图2～4。
经局域均值分解后的各PF分量分别表示一组特征尺度下的平稳信号，而齿轮的故障特征可以通過能量特征参数来反映。选取前4个PF分量作为特征向量提取的基础，并求它们的总能量Ei。
3基于BP神经网络的齿轮故障诊断方法
对齿轮故障振动信号进行自适应多结构多尺度数学形态滤波和局域均值分解分解，求出归一化后的向量即故障特征向量T[6]；采用BP神经网络进行分类，将前4个PF分量的故障特征向量T作为神经网络的输入。然后根据隐含层节点数确定方法确定隐含层节点数为9，网络输出分别对应正常齿轮、磨损和断齿3种状态，即网络结构为4×9×3层，其中特征输入参数为4，隐含层为9，输出为3种故障模式[6]。输出矩阵的状态编码分别为：正常齿轮[1，0，0]；磨损故障[0，1，0]；断齿[0，0，1]。每种模式分别用15个样本进行训练，每个样本有12 600个数据，经过800次训练后，网络误差达到要求，即算法的学习速率为0.1，训练截止误差为0.001，网络训练至收敛。最后将每种状态模式下的5个测试样本输入到神经网络中进行分类识别，网络输出结果全部通过测试。表4分别给出了3种运行状态对应3种模式测试样本的识别结果。
对齿轮各种运动状态的振动信号直接进行LMD分解，求出归一化后的向量即故障特征向量T；采用上述所述BP神经网络分别对正常齿轮、磨损和断齿3种故障模式进行训练测试。表5给出了3个分别对应3种模式测试样本的识别结果。
由表4、5对比可知，单独的LMD分解不能将齿轮原始信号中所有噪声信号进行滤除，而多结构多尺度数学形态滤波和LMD分解相结合的方法首先采用数学形态滤波将齿轮原始信号中的背景噪声进行滤除，然后采用LMD分解得到故障信息的能量特征参数，最后采用神经网络对齿轮故障进行分类识别，因此该方法对故障诊断更为敏感。
安徽农业科学2015年
4结论
由于数学形态学可以保持细节和抑制噪声，而LMD方法是一种自适应信号分解方法[8]，该研究首先采用多结构多尺度数学形态滤波对故障信息进行背景噪声滤除[9]，然后采用局域均值分解得到故障信息的能量特征参数，最后利用BP神经网络对齿轮故障进行分类识别。在实验中，分别对齿轮正常、磨损故障和断齿故障3种不同的运行状态进行多