摘 要

针对齿轮疲劳损伤的检测与诊断问题，本文提取声发射信号对其进行研究分析。选用时域和频域参数借助MATLAB软件对声发射信号进行处理，拟选出能够表征齿轮疲劳损伤量的声发射信号特征参数。文章最后将所选声发射信号特征参数作为神经网络的输入，进行齿轮疲劳损伤量的神经网络识别，比较各种网络的识别率。

论文设计了两组单因素变量试验，一组是以齿轮加载扭矩为变量，采集不同载荷下齿轮的声发射信号，另一组是以齿轮转速为变量，采集转速不同时齿轮的声发射信号。扭矩的变化范围为100N·m到3000N·m，转速设置了900rmp和1000rmp两种工作状态。试验设备为齿轮疲劳试验机，配有两组齿轮，分别位于A齿轮箱和B齿轮箱中。从物理现象上看，试验开始时两组齿轮为全新状态。在试验结束后用观察发现，两组齿轮的工作齿面均有不同程度表面损伤，其中B齿轮箱中的齿轮损伤状态更为严重。从声发射信号特征参数分析结果看，时域参数峭度对损伤量的发展相对来说最为敏感，在试验后期，扭矩加载量较大时，B齿轮箱的声发射信号参数幅值明显较A箱的大。从神经网络模式识别结果比较发现，所用参数作为神经网络的输入能够完成损伤量大小的识别，但是对于损伤量相差较小的输入识别效果不佳。

关键词：齿轮疲劳；声发射；单参数分析；神经网络

Abstract

In order to solve the problem of gear fatigue damage detection and diagnosis, this paper has carried on the acoustic emission extraction and the research analysis. Using the time domain and frequency domain parameters, the acoustic emission signal is processed by MATLAB software, and the characteristic parameters of the acoustic emission signal can be selected to represent the damage amount. Finally, the selected parameters are used as the input of the neural network to identify the gear fatigue damage amount and compare the recognition rate of each network.

In this paper, two sets of single-factor variables are designed to change the gear loading torque and gear speed. The torque range is 100N · m to 3000N · m, and 900rmp and 1000rmp are set. The test equipment is gear fatigue testing machine, with two sets of gears, respectively, in the A gear box and B gear box. From the physical point of view, the beginning of the test two sets of gears for the new state. After the end of the test, it was found that the working tooth surfaces of the two gears had different degrees of surface damage, and the gear damage in the B gearbox was more serious. From the analysis results of the characteristic parameters of the acoustic emission signal, the kurtosis of the time domain parameter is very sensitive to the development of the damage amount. At the end of the experiment, when the torque loading is large, the amplitude of the acoustic emission signal of the B gear box is obviously larger than that of the A The Compared with the results of neural network pattern recognition, it is found that the parameters used as the input of the neural network can well recognize the size of the damage, and the effect of the input recognition is small.

Key Words：Gear Fatigue; Acoustic Emission; Single Parameter Analysis; Neural Network

目 录

第1章 绪论 1

1.1 论文研究目的及意义 1

1.2 声发射技术简介及国内外研究现状 1

1.2.1 声发射技术简介 1

1.2.2 声发射技术的国内外研究现状 2

1.3 声发射信号分析方法 3

1.4 本文主要结构和内容 5

第2章 试验设计 6

2.1齿轮接触疲劳 6

2.1.1 齿轮接触疲劳失效演变过程分析 6

2.1.2 齿轮接触疲劳试验机 7

2.2 声发射信号采集系统 9

2.3 试验设计 11

2.3.1 试验目的 11

2.3.2 试验设计角度 11

2.3.3 试验设计 11

第3章 变扭矩因素下声发射信号特征规律研究 13

3.1 试验数据记录与分析 15

3.2 拟选取的特征参数 16

3.2.1 时域特征参数 16

3.2.2 频域特征参数 17

3.3 声发射信号单参数分析法 18

3.3.1 时域参数特征分析 18

3.3.2 频域参数特征分析 22

3.4 本章小结 23

第4章 变转速因素下声发射信号特征规律研究 25

4.1 试验数据记录与分析 25

4.2 特征参数选择 25

4.3 特征参数受转速影响的研究 26

4.3.1 扭矩900N·m下变转速试验 26

4.3.2 扭矩1000N·m下变转速试验 28

4.4 本章小结 29

第5章 BP神经网络模式识别 31

5.1 几种神经网络模型介绍 31

5.1.1 BP神经网络模型 31

5.1.2 LVQ神经网络模型 31

5.1.3 PNN神经网络模型 32

5.1.4 SOM神经网络模型 32

5.2 神经网络的MATLAB仿真试验 33

5.2.1 对不同扭矩下信号参数的模式识别 33

5.2.2 对A/B箱信号参数的模式识别 36

5.3 仿真结果分析 37

5.4 本章小结 37

总结 39

参考文献 40

致 谢 43

第1章 绪论

1.1 论文研究目的及意义

据国内外统计数据显示，在产生损坏的机械设备中，由疲劳损伤引起的占60％到90％，由此可见机械疲劳是机械结构失效最常见的形式。因此对承受各类循环载荷的机械结构有关疲劳失效的问题必须重视。机械设备传动装置中的关键部件是齿轮，普遍应用于高速旋转机器中，工作中主要承受循环载荷，齿轮的主要失效形式是疲劳失效。因此了解机械结构破坏规律、估算疲劳寿命，对其进行故障/磨损的检测在工程领域具有十分重要的意义。若损伤或裂纹在其早期阶段被检测到，就能采取补救措施。也能预先进行预防性的维修，将机器受损部分替换。因此，及早发现部件过度磨损对机器的诊断和预测很有价值。

对于机械故障诊断近二十年发展了许多种检测方法，有直接法，如目视检查，需要停机开箱，检测时间较长且影响工作；间接法监测齿轮运行过程传递出来的各种物理信息，以此推断齿轮接触疲劳损伤程度，该方法可以实现在线检测。声发射方法是间接检测法的一种，已经被广泛地作为非破坏性监控和故障检测的有效途径，广泛应用在各种金属构件上的疲劳裂纹的定位和监控，适用于早期故障检测系统。本文提取声发射信号特征以对表征齿轮损伤量，讨论声发射信号对齿轮早期疲劳损伤的识别作用。

1.2 声发射技术简介及国内外研究现状

1.2.1 声发射技术简介

声发射（Acoustic Emission，简称AE）是在其材料内部结构发生不可逆转的变化时在固体中发生的声（弹性）波辐射现象。大多数声发射的来源都与损伤有关^[1]。声发射检测法具有以下优点：

• 可实时监测塑性变形或微观破坏的进展
• 使用多个声发射传感器可对缺陷位置进行标定
• 对于运转中的设备也能诊断

声发射技术也存在一些缺点，运用声发射技术检测故障时，对于不同的声发射源机制会产生不同的声发射信号，由于对声发射源机制认识有限，一般而言检测人员并不能区分出真正的声发射信号。其次，声发射信号的传输途径与声发射源位置、被检对象等有关，而传输途径会影响声发射信号。对于声发射信号的处理技术存在两大困难，一是声发射信号在嘈杂的环境中非常微弱，二是干扰噪声的多样性。