1．目的及意义（含国内外的研究现状分析）
1.1 目的及意义

随着社会生产与科技的发展,机械设备的故障诊断技术渐渐地得到了重视和完善.齿轮传动是现代机械设备中最常见的传动方式之一,齿轮是其中的核心部件,因此,对齿轮故障信号的研究与诊断具有十分重要的经济效益. 齿轮故障诊断技术通过不断吸取现代科学技术的发展新成果,从理论到实际的应用都有迅猛的发展,主要体现在以下的几个方面:

1.振动噪声机理分析与控制

较大的振动和噪声有可能会导致齿轮系统破坏和故障的形成,同时也不利于对齿轮进行故障诊断和研究,因此研究与控制齿轮的振动与噪声是很有必要的。文献[1]通过在齿轮和齿轮箱振动噪声的特性分析的基础之上,揭示振动与噪声形成的机理,提出了如何控制噪声的措施;文献[2]从理论基础上分析了齿轮联轴节对中不良的结果对转子振动形成的影响,得到了一些不同的齿轮联轴节对中不良的结果对振动诊断的信息。

2.解调分析技术

对于齿轮的振动信号,调制现象是表现故障特征的一种常见的信号形式,解调分析技术是一种现如今能够准确诊断故障部位的常用的信号处理的方法,在实际实践之中解决了不少的问题。就目前而言，在机械设备故障诊断中,不论是通过软件还是硬件实现的解调方法,最常用的有：高通绝对值分析、希尔伯特变换和检波滤波这三种方法。文献[3]分析了上面提到的三种方法的不足和局限性的问题，文献[4]提出了利用瞬态频率波动的方法来实现频率调制信号的解调,从而提取齿轮局部裂纹的信号;文献[5]通过将重抽与滤波有地结合起来，从而得到了最大细化倍数的解调谱,进而提高了解调谱的精度、分辨率和运算速度。

3.齿轮振动信号的提纯

在齿轮箱的工作过程中,箱体的内部齿轮、轴承以及轴都会产生振动信号,这些振动信号通过各种不同的传递路径传递到箱体的表面。当零件产生一些故障时,比如齿轮齿根疲劳裂纹、轴承局部的剥落和轴不对中等情况时,会导致箱体的振动信号产生不同形式的变化,我们可以通过检测这些变化来识别零件不同的故障模式。但是,通过安装在箱体表面的振动传感器拾取的振动信号，是由箱体内各种不同零件振动信号相互叠加而形成的复合信号,通常我们难以直接从复合信号中识别出各种零件的故障模式。文献[6]利用小波分析技术和时域同步平均技术分别将轴承故障振动信号、轴不对中信号和齿轮振动信号分别从箱体复合振动信号中分离出来;文献[7]提出了提纯以及重构齿轮振动信号的幅值包络、相位信启以及瞬态频率的方法,能够较为准确地反映出齿轮的故障。

4.时频分析方法的应用

在故障诊断领域中，振动信号的分析一般采用以FFT为核心的经典信号处理方法,也就是大家平常所说的频谱分析法。但是这种方法要求信号是平稳的，而当机械设备出现故障的时候,所检测的动态信号包含了大量的非平稳信号的成分。虽然对非平稳信号也可以进行频谱分析,然而分析的频谱结果是在整个被分析时间段上的平均之后的结果,不能反映出信号突变的细节。时频分析法可以很有效地应用于非平稳信号的分析,弥补了传统的基于FFT的频谱分析法只适用于平稳信号分析的缺陷,成为故障诊断领域中一种迅速发展的新方法。时频分析法中又以小波分析的实践应用最为成功。目前,小波理论和它在各领域的应用和研究进行地如火如茶,其中在应用领域,特别是在信号分析、模式识别、图像分析、语音分析、量子物理及众多非线性科学等领域,它被认为是近年来在工具和方法上的一个重大的突破,并且在这些领域有着巨大的应用前景。文献[8]将小波变换应用于直齿轮的故障诊断中，文献[9]运用小波包分解和重构技术先将齿轮冲击故障信号及其它特征分解到不同的频段内,然后再提取并重构感兴趣的频带信号,再采用Coen时频分析技术对其进行分析,从而减少了干扰,突出了冲击故障信号;文献[10]通过连续小波变换对齿轮振动信号进行分析,检测到了齿轮出现局部故障时,其振动信号中出现了幅值突变点,从而为齿轮的故障诊断提供了有力的依据。文献[11]中重点介绍了一种用于分析带有瞬变成分信号的时频分析方法--EMD,EMD是一种无干扰的指数时频分布,它结合了Choen分布和广义wigenr分布的特点;文献[12]采用了一种两级自适应放大器的方法来降低齿轮箱振动信号中的噪声水平,再通过对噪声不敏感的分段wigner谱进行分析,二者相互结合为识别故障信号提供了一种简单而又有效的方法。在设备故障的诊断技术之中，对小波分析的应用还有一些其它的新方法,比如文献[13]提出的小波系数包络谱法,通过利用正交小波基，将滚动轴承故障振动信号变换到时间-尺度域,对高频段尺度域的小波系数进行了包络细化谱分析;文献[14]重点介绍了小波包的自回归谱在时变振动故障诊断中的应用;文献[15]提出了滚动轴承早期故障的小波诊断方法,通过利用包络分析结合小波变换，抽取在强背景噪声下的滚动轴承振动信号中的故障信息;文献[16]利用小波包分解和信号重构的方法,提取了在滚动轴承振动信号中，被噪声所掩盖的，由滚动轴承剥落所引起的冲击成分,等等。这些方法在滚动轴承等旋转机械故障诊断中都得到了验证,但并未应用于齿轮故障的诊断。

1.2 国内外研究现状

最早对于齿轮故障诊断技术的研究始于上世纪的60年代，当时全世界已经开始关注齿轮的振动以及与振动相关的问题，而且将其作为一项指标来衡量齿轮装置的优劣。经过了几十年的发展，齿轮故障诊断技术已经得到了广泛的应用，同时机械行业带来了非常可观的经济效益，因此，对于更为先进的故障诊断技术的研究也成为全世界各国关注的焦点，其中欧美国家和日本等发达国家由于其强大的工业支撑，在诊断领域中占有领先的地位。1968年，英国学者H.Optiz 发表了一些齿轮故障诊断技术的著作，主要是与齿轮的振动和噪声机理相关的曲线研究；在二十世纪70 年代的初期，世界上第一个机械设备保健与状态监测的机构协成于英格兰；在美国，有很多公司（如本特利、惠普等）也一直在致力于机械设备监测产品的研发，它们研发出的产品不仅功能非常完善，诊断性能也很强，从航空航天到化工行业，从军事领域到民用领域，其应用范围非常广泛，在当时其诊断水平可以说是世界之最；而在铁钢制造、化学化工等非军事的一些领域，日本的相关诊断产品占有很大的优势；在国内，故障诊断技术的发展开始于二十世纪70年代的后期，通过各个行业学者们努力钻研，国内也研制出了一些与诊断技术相关的产品，比如哈工大研发的“机械设备组振动微型计算机监测和故障诊断系统”等[17]。如今，我国已经有许多种与齿轮故障相关的诊断技术方法，其中主要的方法有：基于振动信号的分析方法、润滑与冷却油液的成分分析法、扭转振动分析法、设备运行温度以及能量耗散监测等，在这些方法之中，对齿轮振动分析的故障诊断方法，是当前齿轮故障诊断中最基本、应用效果最好、使用最为频繁的齿轮故障诊断方法。当齿轮产生损坏时的信号与正常齿轮的信号有着许多不同之处，最主要的差异是信号能量的变化，比如能量的分布范围、

能量的大小等等。在设备运行状态下检测其振动信号，并对其进行及时分析，可以避免许多不必要的经济损失。除此之外，对机械设备振动所产生的信号特征的提取与分析的故障诊断方法，相比较其它方法的诊断效果更好，相关系统不仅开发成本低、而且能真实地反应出设备的故障情况，因此，这种方法广泛地应用于齿轮故障诊断领域[18]。纵观以往对机械设备振动信号的齿轮故障诊断方法的研究，它们主要是集中在对齿轮振动信号的预处理、故障信号特征的提取和故障种类的智能模式识别这三个方面。齿轮故障诊断一开始仅仅只是对故障齿轮振动信号进行时域分析，计算振动信号的参数和指标，再根据以往的经验知识，将设备运行中得到的这些信号参数与以前正常设备的参数作对比，通过参数的差异情况来判断设备的运行状态，这些方法虽然有一定的诊断效果，但是其灵敏度和准确率都不高。上世纪 70 年代末期，信号的频谱分析法大量地应用于齿轮故障诊断中，并逐渐地形成了许多相关的技术，比如 B.Randall 和 Jams I.Taylor等人对齿面出现磨损时，齿轮和齿根产生裂纹时的故障齿轮信号的诊断进行了大量研究，并获得了非常不错的诊断效果[19,20]。目前，出现的频域分析方法有很多，其中常用的方法有功率谱分析、解调分析、细化谱分析和倒频谱分析等。频域诊断方法的出现是在故障诊断技术领域的一大变革，它比时域分析法要先进许多，也使得齿轮故障诊断的方法变得更加丰富，然而，它的不足之处是，它跟时域分析一样，只是单独地从某一个方面去考察振动信号，而且它们大多数都是以傅立叶变换为基础，因此只适用于频率线性、平稳信号的分析[21]。近些年以来，随着大量新理论的提出与科学技术的发展，有关于齿轮故障信号的时频分析方法如雨后春笋般大量地涌现出来。其中以短时傅立叶分析、小波变换分析、维格勒威尔分布分析等应用最为广泛，这些方法也是具有代表性的信号视频分析方法，然而它们都有着各自的局限[22]，如 Short Time Fourier Transform 只是对准周期信号有很好的诊断效果；维格勒-威尔分布的频率交叉项存在的问题至今还未有人研究出有效的解决办法；而小波变换中，选取不同的小波基函数和分解尺度，会得到不同的诊断效果。由于小波变换也是以傅里叶变换为基础，因此，小波变换也不具备真正意义上的自适应性。1998 年，美国宇航局的 Norden E.Huang创造性地提出了一种具有自适应性的方法--经验模式分解法(EMD)[23]，通过这种方法可以得到原始信号完整的时频域分布[24]，由于EMD 方法能够根据不同信号的特点自适应地对信号进行分解，因此，在它被提出后至今不到二十年的时间里，它已经被广泛地应用于机械故障诊断领域[25,26]。与此同时，当前与人工智能相关的故障诊断方法，如人工神经网络、故障诊断专家系统、支持向量分类机等在齿轮故障诊断领域也得到了长远的发展与应用，此类方法既属于大数据方法，同时也属于经验性方法，它们基本上都是以大样本数据为基础，以人工经验为参照，去区分不同的机械故障类别以及去预测故障在以后发展趋势。然而，其大数据性和严重依赖人工经验也是上述方法的局限性[27,28]，因为，在实际实践操作中，获取设备的大量数据并不是一件容易的事[29]。综上所述，时域-频联合分析的方法和人工智能故障模式识别的方法是目前国内外众多学者们研究的方向，然而检测到的齿轮故障振动信号通常都呈现出非平稳性和非线性特征，同时在智能诊断中专家知识库很缺乏，这些问题的出现使得对相关诊断方法的研究都面临着严峻的挑战。

2．研究（设计）的基本内容、目标、拟采用的技术方案及措施
2.1 研究（设计）的基本内容及目标

1、阐述齿轮的故障形式、齿轮的振动机理和振动特点，对齿轮的基本振动、齿轮信号的调制现象、及其故障振动信号模型进行分析，介绍常用的齿轮故障诊断方法。

2、从傅里叶变化引出时频分析，将小波分析和傅里叶变换以及短时傅里叶变换进行比较分析。系统介绍小波变换、小波框架、多分辨分析和小波包的概念和理论。

3、提出基于自相关分析的EMD包络解调方法，首先将含噪调制信号经过自相关处理得到自相关信号，然后，用EMD分解讲自相关信号分解，得到若干imf分量，用能量算子解调方法对其解调，提取调制信息。

4、通过对齿轮故障信号的分析，文章提出的两种方法都能成功的对故障进行诊断，但是两种方法有相对好坏之分，对两种方法做一下比较。

2.2 拟采用的技术方案及措施

对齿轮故障诊断的分析:

一丶分析齿轮的故障形式

常见的齿轮故障形式有四种:即断齿、齿面磨损、齿面胶合和擦伤,以及齿面接触疲劳。

二丶分析齿轮的振动机理

1.齿轮的基本振动分析

一对啮合齿轮,可以看作是一个具有质量、弹簧和阻尼的振动系统,其力学模型如下图所示,其振动方程为:

MrX CX K(t)X=K(t)E: K(t)EZ(t)

式中X为沿作用线上齿轮的相对位移;K(t)为齿轮啮合刚度;M为齿轮副的等效质量;EZ(t）为齿轮的误差和异常造成的两个齿轮间的相对位移(亦称故障函数)。

2.齿轮振动信号的调制

调幅------幅值调制(调幅)就是载频时域信号的幅值受到调制信号的调制,它一般是由于齿面载荷波动对振动幅值的影响所造成的。

调相------相位调制(调相)就是载频信号的相位受到调制信号的调制。

3.齿轮故障振动信号模型

齿轮的振动主要是齿轮啮合激励振动,振动信号的主要成分是啮合频率及其谐波分量,因此可以用如下模型来表示:

式中,x（t）为齿轮振动信号,Φm为第m阶啮合频率谐波分量的初相位,Xm为第m阶啮合频率,fz为齿轮的啮合频率。

4.齿轮振动信号的其它成分

附加脉冲

隐含成分

轴承信号及交叉调制

三丶分析齿轮的振动及其特点------齿轮的振动属于自激振动,即使在“理想”情况下齿轮也存在振动。齿轮振动主要来源于两部分:一是由正常的交变 载荷引起的振动,包括齿轮的固有振动和啮合振动:二是与齿轮的误差和故障有关的振动,例如磨损、局部异常引起的振动。

四丶分析几种典型齿轮故障诊断方法

齿轮故障频域诊断方法：功率谱(频谱)法，倒频谱法，细化复包络谱法，瀑布图法

齿轮故障时域诊断方法：时域同步平均法，时域分析法

小波分析:

一丶傅里叶变换到时频分析

二丶小波变换---连续小波变换 ，尺度概念，等特性与多分辨率，小波综合，连续小波变换的离散化

三丶小波框架

四丶多分辨分析-----多分辨分析 ， 正交小波的构造条件， Mallat算法

五丶小波包分析-----小波包的定义，小波包的空间分解，小波包算法

基于自相关分析的 EMD 包络解调方法:

一丶EMD分解算法的原理和步骤

振动信号被EMD方法分解后获得的每个本征模式函数分量必须要满足如下两个判别条件[30]：

(1) 局部极值点的总数量和零点的数量的数量差不能大于一；

(2) 信号波形必须关于时间轴对称。EMD可以根据信号自身的特点将信号分解成一些IMF分量，用EMD分解可以将复杂信号分解成有限个简单信号之和。

EMD算法流程图

二丶基于自相关分析的 EMD 包络解调原理

分量调幅调频信号的自相关函数仍然是多分量调制信号，通过EMD方法，能够将多分量的调制信号分解成有限个单一分量的调制信号。

三丶仿真信号分析

验证基于自相关分析的EMD包络解调方法的可信性和有效性

3．进度安排

第1-3周: 完成开题报告和英文翻译；

第4-16周: 完成选题的背景调查，研究基础的学习，完成毕业设计的计算，仿真，设计，制作等相关工作，并撰写完成毕业设计论文。

第17-18周: 毕业设计论文修订，评阅，与毕业答辩。

4．阅读的参考文献不少于15篇（其中近五年外文文献不少于3篇）

参考文献：

[1]何锡如,宋福堂.齿轮与齿轮箱振动噪声机理分析及控制.振动、测试与诊断,1998,18(3):221一226

[2]刘雄,屈梁生.齿轮联轴节对中不良振动信息研究.化工机械,1994,21(4):43一45

[3]丁康,米林,王志杰.解调分析在故障诊断中应用的局限性问题.振动工程学报,1997,10(l):13一20

[4]钟发祥,罗海运.用瞬态频率波动法诊断齿轮故障.振动与冲击,1996,15(l):49一53

[5]田涛,丁康.希尔伯特变换及其在故障诊断中的应用.振动与冲击,1996,15(2):23一27

[6]张中民,卢文样,杨叔子等.变速箱振动信号的分解及在故障诊断中的应用.华中理工大学学报,1997,25(7):63

[7]张西宁.齿轮故障诊断中振动信号的提纯和重构.西安交通大学学报,1998,32(9):72一75

[8]Staszewski W J.Application of the Wavelet Transform to Fault Detection in a SPur Gear.Meehanical Systems and Signal proeessing,1994,8(3):289一307

[9]张金玉,张优云,谢友柏.时频分析方法在冲击故障早期诊断中的应用研究.振动工程学报,2000,13(2):222一228

[10]徐科,杨德斌,徐金梧.小波变换在齿轮局部故障诊断中的应用.机械工程学报,1999,35(3):105一107

[11]Zheng G T and MeFadden P D.A Time一Frequeney Distribution for Analysis of Signal swith Transient ComPonent and Its Application to Vibration Analysis.Journal of Vibration and Aeousties,1999,121(3):328一333

[12]Lee S K and White P R.Two一Stage AdaPtive Line Enhaneer and Sliced Wigner TrisPeeturm for the Charaeterization of Fault from Gearbox Vibration Data.Journal of Vibration and Aeousties,1999,121(4):488一494

[13]张中民,卢文祥,杨叔子.基于小波系数包络谱的滚动轴承故障诊断.振动工程学报,1998,11(l):65一69

[14]赵纪元,何正嘉.小波包一自回归谱分析及在振动诊断中的应用.振动工程学报,1995,3(3):198一203

[15]王丽丽,王超,蔡正敏.滚动轴承早期故障的小波诊断方法.应用力学学报,1999,16(2):95一99

[16]徐金梧,徐科.小波变换在滚动轴承故障诊断中的应用.机械工程学报,1997,33(4):50一55

[17] 王江萍. 机械设备故障诊断技术及应用. 西安：西北工业大学出版社，2001:190.

[18]丁康.齿轮及齿轮箱故障诊断实用技术[M].北京：机械工业出版社，2005：297.

[19] R. B. Randall. A new method of modeling gear faults. ASME Journal of Mechanical Design，1982，104：259-267

[20] J. C. Platt ，N. Cristianini ， J. Shawe-Taylor. Large margin DAGs for multiclass classification. Advances in Neural Information Processing Systems 12，1998，99(5)：547-553

[21] 葛宪福.振动信号分析在旋转机械故障诊断中的应用[D].保定：华北电力大学，2007.

[22] 熊军，李凤英.齿轮故障诊断技术应用综述[J].机床与液压，2005，12(4)：12-15.

[23] Huang N E，Shen Z，Long S R. A new view of non-linear water waves：the Hilbertspectrum. Annu. Rev. Fluid Mech，1999，31：417-457

[24] 胡爱军.Hilbert-Hung 变换在旋转机械振动信号分析中的应用研究[D].保定：华北电力大学，2008.

[25] 程军圣，于德介，杨宇.基于 EMD 和奇异值分解技术的齿轮故障诊断方法.振动工程学报，2007，17：461-463.

[26] 程军圣，张亢，杨宇等.局部均值分解与经验模态分解的对比研究[J].振动与冲击：2009，28(5)：13-16.

[27] 陈新中，王道平，王建斌.故障诊断专家系统中机器学习方法的研究[J].西安建筑科技大学学报，2000，32(1)：89-92.

[28] 王长林，陈鸿宝，林玮，秦启茂，宋宜梅.SVM 模式识别技术及在机械故障诊断中的应用进展[J]. 桂林电子科技大学学报，2009，23(3)：256-259.

[29] 于德介，程军圣，杨宇. 一种基于 SVM 和 EMD 的齿轮故障诊断方法.机械工程学报，2005，41（1）：140-144.

[30]Wu Z H，Huang N E.Ensemble empirical mode decomposition：a noise assisted data analysis method[J]．Advances in Adaptive Data Analysis 2009，1(1)：37－41．