曹亮 王景霖 單添敏 李勝男 徐智 沈勇

摘要：針對直升機主減速器大傳動比行星傳動結(jié)構(gòu)故障診斷的需求，本文提出了一種基于行星傳動結(jié)構(gòu)振動信號時域、頻域特征的故障診斷方法，通過提取行星傳動結(jié)構(gòu)時域、頻域特征，構(gòu)建表征行星傳動結(jié)構(gòu)典型故障類型的特征向量矩陣，并利用支承向量數(shù)據(jù)描述的方法在高維特征空間中實現(xiàn)了對行星傳動結(jié)構(gòu)故障類型的辨識。

關(guān)鍵詞：核函數(shù)；支承向量數(shù)據(jù)描述；行星傳動結(jié)構(gòu)；振動監(jiān)測；故障診斷

中圖分類號：TP277文獻標識碼：ADOI：10.19452/j.issn1007-5453.2021.07.007

自直升機投入使用以來，直升機使用中頻繁出現(xiàn)的問題和災(zāi)難性事故引起了人們對直升機飛行安全的高度關(guān)注。美軍通過研究發(fā)現(xiàn)，在機械故障導(dǎo)致的直升機飛行事故中，68%的事故可歸咎于動力裝置和傳動系統(tǒng)的故障，且動力裝置和傳動系統(tǒng)的維修費用占總維修費用的一半左右。傳動系統(tǒng)作為直升機的關(guān)鍵組成部分，較高的故障率給直升機安全帶來巨大隱患。

而傳動系統(tǒng)中，所有的動力中轉(zhuǎn)都需要經(jīng)過主減速器的行星齒輪結(jié)構(gòu)才能完成，因此，行星傳動結(jié)構(gòu)的健康與否直接關(guān)系著直升機整機的健康狀態(tài)。相比于普通行星齒輪箱，直升機大傳動比行星齒輪結(jié)構(gòu)具有自身在環(huán)境與工況上的特殊性，主要體現(xiàn)在：部件承載更大、工作中承受不斷變化的高低循環(huán)疲勞載荷、承受著更惡劣的復(fù)雜氣候環(huán)境。鑒于以上原因，往往直升機行星結(jié)構(gòu)更復(fù)雜，受疲勞載荷和其他隨機因素的影響機會增大，由此而引發(fā)的故障概率也越大?；诂F(xiàn)實的需求，國內(nèi)外學(xué)者都開展了相關(guān)的一些研究，如邊杰[1]提出的基于局部均值分解（LMD）的齒輪剝落故障信號分析，通過LMD分解實現(xiàn)對剝落特征信號包絡(luò)譜的辨識和確定。Zhao J[2]等應(yīng)用EMD對行星齒輪箱振動信號進行分解，篩選出敏感分量，并提取能量特征作為參數(shù)進行行星齒輪箱故障診斷。LEI等[3]針對行星齒輪箱中太陽輪典型故障的特點，提出了其在時域和頻域的敏感故障表征參數(shù)，為實現(xiàn)故障的判別做基礎(chǔ)。Li H等[4]提取了振動信號的時頻域特征參數(shù)，采用歐化距離法提取故障敏感表征參數(shù)，分析故障狀態(tài)下敏感參數(shù)與故障模式的交聯(lián)關(guān)系并判斷故障模式。Sujoy Paul等[5]基于特征子集和所選特征的權(quán)重，提出一種針對特征選擇和特征權(quán)重計算的進化特征選擇算法，來提高齒輪結(jié)構(gòu)的故障診斷能力。

本文通過行星兩級行星齒輪時頻特征對比分析，在時頻域特征與能量特征的基礎(chǔ)上，開展針對多工況的行星齒輪故障診斷的研究，并實現(xiàn)了對行星齒輪結(jié)構(gòu)典型基本故障的分類判別。

1支持向量數(shù)據(jù)描述算法

支持向量數(shù)據(jù)描述[6-7]的基本思路是在多維向量空間中尋找能夠包圍目標樣本點的最小區(qū)域空間，稱其為超球體；并且讓目標樣本點盡可能多地包圍在這個空間中，而非目標樣本點則盡可能少或不被包含在此空間中，進而通過超球體將樣本劃分為兩類。超球體內(nèi)的樣本是目標樣本，而超球體外的樣本為非目標樣本，這種方法已在故障診斷領(lǐng)域中得到相關(guān)應(yīng)用[8]。圖1為二維空間狀態(tài)下的超球體分類圖。

2試驗條件

2.1試驗設(shè)備

本次試驗以動力傳動系統(tǒng)故障診斷綜合試驗臺為基礎(chǔ)，試驗平臺由變速驅(qū)動電機、多功能可編程控制面板、二級行星齒輪箱、二級齒輪傳動齒輪箱、可編程磁力制動器、壓電式加速度傳感器、轉(zhuǎn)速傳感器、IMC數(shù)據(jù)采集器等構(gòu)成，如圖2、圖3所示。

2.2試驗項目及工況

根據(jù)現(xiàn)有故障件的故障類型，確定故障試驗具體試驗項目見表1。

為模擬行星齒輪在不同轉(zhuǎn)速及負載條件下的工作狀態(tài)，以便后續(xù)驗證工況對振動數(shù)據(jù)的影響，根據(jù)驅(qū)動電機轉(zhuǎn)速范圍及磁力制動器負載能力，擬定工況條件見表2。其中每種故障模式下均按照工況1～工況9的試驗參數(shù)進行。

3特征分析

本次試驗分析的參數(shù)主要包括：時域特征參數(shù)、統(tǒng)計特征參數(shù)、頻域特征參數(shù)、基于小波包變換的故障特征提取和基于希爾伯特-黃變換的故障特征提取。下面將對其時域的兩個主要特征進行對比分析，行星輪故障RMS特征對比圖如圖4～圖7所示。行星輪不同故障類型在三種轉(zhuǎn)速和4種不同負載狀態(tài)下的RMS趨勢變化圖顯示，隨著負載的增加其對信號整體振動幅度的影響增大，且向同負載狀態(tài)下，轉(zhuǎn)速越高，其造成的信號影響幅度越大。同時，在較低轉(zhuǎn)速狀態(tài)下，信號增長趨勢是比較平穩(wěn)的；但在較高轉(zhuǎn)速下，負載越大，其信號變化趨勢越明顯。

行星輪不同轉(zhuǎn)速下峭度值對比狀態(tài)圖如圖8～圖11所示。通過對比分析，行星輪故障狀態(tài)信號的峭度值均比正常狀態(tài)的大，這說明故障狀態(tài)的峭度值指標能夠反映出故障狀態(tài)；在不同轉(zhuǎn)速狀態(tài)下，低載荷工況下的峭度值比高載荷工況下的峭度值要大，主要是由于故障件拆裝造成的結(jié)構(gòu)狀態(tài)的影響，使得高負載下運行狀態(tài)比低負載狀態(tài)下更穩(wěn)定。

根據(jù)行星輪故障類型和信號特點，分別選取行星輪故障信號的分布式故障特征、局部故障特征點、RMS值、峭度值，以及4層16階小波包歸一化能量譜共計20個特征，作為表征行星輪故障類型的特征，利用支持向量描述（SVDD）對行星輪正常狀態(tài)特征參數(shù)與故障狀態(tài)特征參數(shù)進行故障區(qū)分，結(jié)果如圖12～圖15所示。

經(jīng)過統(tǒng)計，行星輪缺齒故障診斷準確率99.63%，行星輪齒根裂紋故障診斷準確率91.7%，行星輪斷齒故障診斷準確率94.9%，行星輪磨損故障診斷準確率86.6%。

4結(jié)束語

本文提出了一種基于振動信號時頻域能量譜特征的行星齒輪故障診斷方法，實現(xiàn)了對行星齒輪基本故障模型的識別。本文所用的特征向量維度較高，計算時間較長，因此，在接下來的工作中，需要進一步開展特征融合和優(yōu)化，并構(gòu)建新的故障特征表征指標，實現(xiàn)整個網(wǎng)絡(luò)結(jié)構(gòu)的精簡。

參考文獻

[1]邊杰.齒輪剝落故障信號的LMD包絡(luò)譜分析[J].航空科學(xué)技術(shù)，2017，28（2）：74-78. Bian Jie. Gear spalling fault diagnosis based on LMD envelope spectrum[J]. Aeronautical Science & Technology， 2017， 28（2）：74-78.（in Chinese）

[2]Zhao J，Li H，Liu J，et al. Planetary gearboxes fault diagnosis based on EMD and EDT[C]//Prognostics and System Health Management Conference，2015：1-5.

[3]Lei Y，Li N，Lin J，et al. Two new features for condition monitoring and fault diagnosis of planetary gearboxes[J]. Journal of Vibration and Control，2015，21（4）：755-764.

[4]Li H，Zhao J，Yang R，et al. Research on planetary gearboxes feature selection and fault diagnosis based on EDT and FDA[C]//Prognostics and System Health Management Conference， 2014：178-181.

[5]Paul S，Das S. Simultaneous feature selection and weighting an evolutionary multi-objective optimization approach[J]. Pattern Recognition Letters，2015，65（C）：51-59.

[6]Tax D M J，Duin R P W. Support vector data description[J]. Machine Learning，2001，54（1）：45-66.

[7]Xin Dong，Wu Zhaohui，Zhang Wanfeng. Support vector domain description for speaker recognition[C]//2001 IEEE Signal Processing Society Workshop，F(xiàn)almouth，2001.

[8]李凌均，韓捷，郝偉，等.支持向量數(shù)據(jù)描述用于機械設(shè)備狀態(tài)評估研究[J].機械科學(xué)與技術(shù)， 2005， 12（24） ： 1426-1429. Li Lingjun， Han Jie，Hao Wei，et al. Condition evaluation for mechanical equipment by means of support vector data description [J]. Mechanical Science and Technology for Aerospace Engineering， 2005， 12（24） ： 1426-1429.（in Chinese）

[9]Vapnik V.Statistical learning theory[M].New York：Wiley，1998.

[10]杜京義.基于核算法的故障智能診斷理論及方法研究[D].西安：西安科技大學(xué)，2006. Du Jingyi. Study on theory and methods of intelligent fault diagnosis based on kernel algorithm[D].Xian： Xian University of Science and Technology，2006.（in Chinese）

Research on Planetary Gear Fault Diagnosis Technology Based on Support Vector Data Description

Cao Liang，Wang Jinglin，Shan Tianmin，Li Shengnan，Xu Zhi，Shen Yong

Aviation Key Laboratory of Science and Technology on Fault Diagnosis and Health Management，AVIC Shanghai

Aero Measurement-Controlling Research Institute，Shanghai 201601，China

Abstract： Aiming at the needs of the fault diagnosis of the planetary drive structure with large transmission ratio of the helicopter main reducer， this paper proposes a fault diagnosis method based on the time domain and frequency domain characteristics of the vibration signal of the planetary drive structure. A feature vecter is constructed matrix that characterizes typical fault types of planetary transmission structures， and support vector data is used to describe the identification of typical fault types of planetary transmission structures in a high-dimensional feature space.

Key Words： kernel function； support vector data description； planetary transmission structure； vibration monitoring； fault diagnosis