发布时间 : 星期三 文章行星齿轮箱状态监测和故障诊断概述更新完毕开始阅读044ea9a45727a5e9856a6198
之间的关系。Parker和Lin[49]提升了行星齿轮箱的建模，并检查分析了影响行星齿轮箱噪声和振动的关键因素。并且他们进一步改善了太阳轮和内齿圈间时变啮合刚度的模型，阐述了导致参数不稳定的操作条件。GUO和Parker[51]建立了含有轴承间隙，轮齿分离和啮合刚度变化等问题的行星齿轮箱的集中参数和有限元模型。SUN和Hu[52]建立了带有多重反向冲击，时变啮合刚度和误差激励的行星齿轮系统的变扭耦合模型，Bahgat等人[53]利用基于动力学和运动学相互依赖的分析模型，研究了轴承间隔对行星齿轮动力学特征的影响。
3.2信号处理方法
大多数行星齿轮故障诊断和状态监测方面发表的文章都要用到信号处理方法，这一节主要按照下面的分类方法回顾这些文章。时域方法，频域方法，时频域方法和其他信号处理方法。
3.2.1时域方法
时域信号处理方法，例如统计指标法和时域同步平均法，与频域法和时频法相比要相对简单和直接些，因此，这两种方法在行星齿轮箱的状态监测和故障诊断方面应用较广。例如，McFadden[15]提出了一种计算单个行星齿轮和太阳轮的轮齿啮合振动的时域平均值的方法。这种方法通过带有点状损伤的行星齿轮箱测试台架测得的数据进行了说明[54]。Wu等人[55.56]使用平方差和标准差等指数来区分直升机行星齿轮箱行星架是否含有裂纹。Bartelmus和Zimroz[57]系统研究了外部变载荷对行星齿轮箱振动信号的影响。这两个人进一步提出了一种诊断特征来监控时变操作条件下的行星齿轮箱。Smidt[59]试图将传感器装在行星架内部来收集振动数据并研究用于行星齿轮箱状态监测的共时平均技术。Yip[60]使用共时平均技术预处理振动数据，然后从预处理信号中提取出健康指数来诊断用在油沙工作环境下的行星齿轮箱。Sparis和Vachtsevanos[61]根据共时平均信号选择两个特征来分辨出行星齿轮箱行星架的故障。Keller和Grabill[62]改进了几个传统诊断参数，例如FMO和FM4，目标是应用在行星齿轮箱中。他们两个发现在实验室条件下只有两个参数是相对有效的，但是在航空条件下，这两个参数也是无效的。
上一段介绍了使用时域方法来监控和诊断行星齿轮箱的文章，时域中通常使用的方法是时域同步平均法和指标法。由于行星齿轮箱中有很多同步组件和复杂的传动结构，所以传统技术和指标已经不再重要，并且遇到了新的问题。
3.2.2 频域方法
除了上面提到的时域方法，频域方法也已被研究人员应用于行星齿轮箱的故障诊断和状态监测，这一节将主要介绍使用频域方法的文章。作为对参考文献[42]的早期研究所做的扩展，Mark[63]推断出由行星架扭矩幅值产生的频谱所具有的附加边带，这可能掩盖掉由行星齿轮箱损伤所产生的边带。为了实现行星内齿圈的早期故障诊断，Mark等人[64]也提出了一种简单的频域方法，这种方法能够减小传感器和传递路径引起的幅值改变所带来的影响。Singleton[65]通过检验地下煤矿使用的行星齿轮箱的每个组件的故障特性频率来诊断内齿圈的损伤。Sparis和Vachtsevanos[66]使用快速付立叶变换设计指标向量，目的是分辨直升机行星齿轮箱行星架的故障。Hines等人[13]基于前处理信号使用时域同步平均技术建立了一种频域特征，称之为能量比率，用其进行行星架裂纹的诊断。McNames[1]使用了傅里叶分析来处理来直升机行星齿轮箱的振动数据，并试图阐明频谱中观
察到的对称现象的根源。
由于付立叶变换是诊断转动部件最简单也是最基础的工具，所以它被广泛应用于行星齿轮箱的状态监测和故障诊断。然而，大多数论文中，付立叶变换是与其他信号处理方法联合分析信号而不是单独使用。这是因为实际行星齿轮箱产生的信号是非常复杂而且非静态的。
3.2.3时频方法
时频法通常比时频联合法更有效。研究人员已经开发出多种时频法，例如Wigner-Ville分布和小波，这些都可用于诊断行星齿轮箱。Chaari等人[3]模拟了两个经常遇到的行星齿轮箱的故障模式，如齿面点蚀和齿面裂纹，然后使用Wigner-Ville分布来分析模拟信号。Zimroz等人[67,68]建立一个流程来估算非平稳工作状态下的行星齿轮箱的瞬时速度并分析其振动。Meltzer和Ivanor[67,70]用时域分析方法对汽车上的行星齿轮箱进行故障诊断。Schon[71]结合时域方法提出了一种自适应滤波技术，用来判断行星齿轮箱是否处于健康状态。Liu等人[72]使用局部均值分解来诊断风力涡轮机的裂纹故障。Feng等人[73]基于集合经验模式分解和能量分离算法提出了一种幅频联合解调方法，用于诊断行星齿轮箱的测试台架的太阳轮损伤。Saxena等人[74]使用复数域Morlet小波提取出某些特征，用于区分直升机行星齿轮箱的行星架是否有故障。Yu[75]提出了最大能量小波系数的自协发差，用于估算处于油砂工作条件下的行星齿轮箱的故障程度。He等人[76]使用小波变换来处理声发信号，并用于定位行星齿轮箱的齿轮故障。Jiang等人[77]基于自适应Morlet小波和奇异值分解技术提出了一种降噪方法，并应用这种方法来提取风力涡轮机行星齿轮箱的脉冲特征。Samuel和Pines[78]使用多传感器方法将行星齿轮有关的振动信号分离出来，并进一步使用连续小波变换分析分离出的信号，进而检测行星齿轮故障。他们两人也对振动信号进行了协小波变换，并获得了均方小波谱，并用其进行齿轮的故障分类[79]。而且，他们使用约束自适应提升格式建立了用于处理行星齿轮箱传动系统振动信号的小波[80-82]。
上一段对使用时频法进行行星齿轮箱故障诊断的文献进行了概述。通过回顾这些文献，我们发现大多数文章在行星齿轮箱故障诊断中采用小波变换。实际上，最近几年出现了许多新提出的或改进过的时域方法，并且使用这些方法，行星齿轮箱的状态监测和故障诊断方面的研究也取得了进步。
3.2.4其他信号处理方法
在行星齿轮箱的状态监测和故障诊断中还有一些其他的信号处理方法在使用。这些方法不属于时域、频域和时频域方法。我们将这些信号处理方法总结一下。Zhang等人[83-86]介绍一种盲式反卷积去噪方法，并以行星齿轮箱行星架上的裂纹为例子阐述了这种方法。Barszcz和Randall[87]阐述了使用谱峭度检测风力涡轮机的行星齿轮箱内齿圈的齿裂纹的潜在可能性。Bondardot等人[88]采用无看管式订单跟踪算法进行角域中的噪声消除，并用来诊断直升机行星齿轮箱的故障。Orchard和Vachtsevanos[89]建立了一种在线微粒过滤方法，用于直升机行星齿轮箱传动系统的行星架的故障诊断。Bartelmus[90]总结了他的研究团队在振动诊断方法方面的工作，尤其是将循环平稳分析应用于行星齿轮箱的故障特征的提前。Zimroz和Bartelmus[91]研究了信号循环平稳特性的使用，而后基于监测矿业用的行星齿轮箱的诊断特征建立了一种光谱相干图。Zimroz和Bartkowiak[92]通过主
成分分析研究了行星齿轮箱的谱结构，他们也提出使用典型判别分析来处理行星齿轮箱的基于矢量的15维能量测量，并用在低维空间将其可视化[93]。Tumer和Huff[94]通过监控一个直升机一级行星齿轮箱得到了三轴数据，并对这些数据进行了主要成分分析。Lei等人[95]提出了一种称作自适应随机共振的噪声利用方法，并用这种方法诊断含有裂纹和断齿的太阳轮故障。Villa等人[96]提出了一种角重采样方法用于诊断风力涡轮机的传动机构的不平衡和未对准问题，而这个传动机构中含有一个行星齿轮传动系统。Randall[97]使用轴承和齿轮的信号分离技术来实现直升机齿轮箱行星齿轮轴承的故障诊断。Mosher[98]引进了一种算法，用来将行星齿轮系统中每个齿轮产生的振动信号分离开来。根据这些分离出的信号，可以估计齿轮的状态。Blunt和Beller[12]提出了两种方法：行星架方法和行星分离法，用于监测直升机行星传动系统齿轮架上的疲劳裂纹。
看到其他的高级信号处理技术已经应用于行星齿轮箱的监控和诊断，我们是感到备受鼓舞的。这些高级的技术包括反卷积、谱峭度、循环平衡分析，随机共振等。在行星齿轮箱故障诊断领域，这些技术已经显出他们的优势（如高准确率）和缺点（如鲁棒性差）。
3.3 智能诊断方法
尽管信号处理技术在行星齿轮箱监测和诊断领域已经取得了一些成功，但是，从输出信号中分析出具体的故障依然需要高超的技术水平。智能故障诊断方法具有克服这些缺点的潜力。因此，在行星齿轮箱的故障诊断中已经引进和报道了多种智能方法。例如，Khazaee等人[99]基于智能方法提出了一种支持向量机用于区分三种行星齿轮箱的健康状况，即无故障、带有一个磨损齿的内齿圈和带有一个磨损齿的行星齿轮。Khawaja等人[100]基于最小平方支持矢量机提出了一种方法，用于监测行星齿轮箱行星架上不断扩展的裂纹。刘等人[101]综合使用支持矢量机和线性鉴别法来辨别行星齿轮箱测量台架上的行星齿轮的破坏等级。他们也提出了三种方法用于特征简化和选择，并应用这些方法进行故障等级诊断[102-104]。使用以上同样的数据，Qu等人[105]根据支持矢量机对特征选择方法进行了研究，并用于故障分类。Patrick等人[106]使用贝叶斯算法设计了一个集成框架，用于监测故障和预测直升机行星齿轮箱的剩余使用寿命。Lei等人[107,108]使用自适应神经模糊推理系统提出了一种多传感器数据融合方法，用于行星齿轮箱的故障模型和损伤等级，Samuel和Pines[109]采用标准能量矩阵作为一个特征向量，采用自组织神经网络作为直升机行星齿轮传动的自动故障诊断的分类器。Dong等人[110]使用隐式半马尔科夫模型来区分直升机传动系统的行星架的健康状态。Li等人[111]从振动信号和声发射系统中提取出故障特征，并将这些特征输入到K最近邻域算法来检测行星齿轮箱的故障。Dybala[112]根据最近边界矢量算法提出了一个模态识别方法，并应用于轮式铲斗挖掘机上的行星齿轮箱的故障诊断。Zhao等人[113]使用顺序分级方法来保存顺序信息，并用来确认行星齿轮箱测试台架的损伤等级。Chin等人[114]研究了一个故障模式分类系统，这个系统包括一个量子矩阵和一个多值影响矩阵。使用这个系统可以辨识直升机行星齿轮箱的故障模式。Bartkowiak和Zimroz[115]开发出局外分析法和一级分析法用于非静态条件下使用的行星齿轮箱的故障诊断。
以上总结的内容描绘出人工智能应用于行星齿轮箱故障诊断的情况。能够看到在这个研究领域中，研究人员已经作了很多研究。很明显，有必要使用人工智能技术，但不能限于解决小课题，例如，静态条件下使用的简单齿轮箱的点蚀扩
展问题。
3.4 其他方面的研究
除了基于模型、信号处理和智能诊断方面的方法，还有一些其他方法应用在行星齿轮箱的故障诊断方面。这一节主要是总结这些方法。Fair[116]将同步采样数据系统应用到斜齿行星齿轮上，用来增进对所收集的信号的边带特性的理解。Lundvall和Klarbring[117]提出一种非平滑牛顿法来预测重型卡车传动装置的行星齿轮组的磨损。Cheon和Parker[118]综合使用标准运动学分析和混合有限元法来描述制造误差对行星齿轮箱的轴承力的影响所具有的特征。Hayashi等人[119]提出了一种行星齿轮组动态载荷的测量方法。Lu和Chu[120]在风涡轮的行星齿轮箱的故障诊断中讨论了振动、噪声和声发射信号方面的方法。Bartelmus[121]总结了他的研究团队在复杂齿轮箱（包括行星齿轮和固定轴齿轮）的故障诊断方面所发表的全部论文。
4 目前的研究存在的问题
在第3章中，我们总结了行星齿轮箱的故障诊断和状态监测方面的很多研究成果。然而，由于本领域的研究文献的数量巨大，种类繁多，所以以上的总结不可能包括本领域的全部文献，一些文献没有覆盖到也再所难免。与此同时，由于本文作者语言能力有限，而与课题有关的一些文献是用其他语言写的，所以我们没有将非英语文献考虑进来。
为了给本领域的研究人员提供快速浏览第3章所参考过的文章，我们按照诊断方法（如模型、信号处理和智能诊断）进行分类，将第3章提到的参考文献汇总到表3中。基于第3章对文献的综述以及表3中所提到的参考文献，研究人员已经意识到行星齿轮箱和固定轴齿轮箱在故障诊断方面的不同。据此，在最近几年，研究人员已经引进了新的方法用于行星齿轮箱的故障诊断，并取得了显著的进展。然而，几个基本问题依然没有解决，如下所示。
(1) 已经发表的论文中所建立的模型作了太多的假设。因此，这些模型不能准确
反映真实行星齿轮箱的动态特性。而且，大多数模型专注于研究无故障行星齿轮箱，而很少专注与有故障的齿轮箱的研究。实际上，建立并研究带有多种损伤形式的行星齿轮箱的模型将比行星齿轮箱的故障诊断更有用。
(2) 大多数文献中的诊断对象是太阳轮、内齿圈和行星架。这些组件与固定轴齿
轮箱相似，都是绕着他们自己的固定轴转动。实际上，行星齿轮运动最为复杂，它不但绕自身中心转动，也绕太阳轮中心转动，并同时与太阳轮和内齿圈啮合。因此，行星轮以及其轴承的故障诊断更加困难。然而，在行星齿轮的故障诊断和状态监测方面的研究非常有限。