毕业设计(论文)外文翻译.doc

1、华南理工大学广州学院本科生毕业设计（论文）翻译英文原文名 Review of Vibration Analysis Methods for Gearbox Diagnostics and Prognostics 中文译名 对变速箱振动分析的诊断和预测方法综述 学 院 汽车工程学院 专业班级 车辆工程七班 学生姓名 刘嘉先 学生学号 201130085184 指导教师 李利平 填写日期 2015年3月15日 英文原文版出处： Proceedings of the 54th Meeting of the Society for Machinery Failure Prevention Techno

2、logy, Virginia Beach, VA, May 1-4, 2000, p. 623-634 译文成绩： 指导教师（导师组长）签名： 译文：简介特征提取技术在文献中有描述;然而，大多数人似乎掩盖所需的特定的预处理功能。一些文件没有提供足够的细节重现他们的结果，并没有一个全面的比较传统的功能过渡齿轮箱数据。常用术语，如“残差信号”，是指在不同的文件不同的技术。试图定义了状态维修社区中的常用术语和建立所需的特定的预处理加工特性。本文的重点是对所使用的齿轮故障检测功能。功能分为五个不同的组基于预处理的需要。论文的第一部分将提供预处理流程的概述和其中每个特性计算的处理方案。在下一节中,为特征

3、提取技术描述,将更详细地讨论每一个功能。最后一节将简要概述的宾夕法尼亚州立大学陆军研究实验室的CBM工具箱用于齿轮故障诊断。 特征提取概述许多类型的缺陷或损伤会增加机械振动水平。这些振动水平，然后由加速度转换为电信号进行数据测量。原则上，关于受监视的计算机的健康的信息被包含在这个振动签名。因此，新的或当前振动签名可以与以前的签名进行比较，以确定该元件是否正常行为或显示故障的迹象。在实践中，这种比较是不能奏效的。由于大的变型中，签名的直接比较是困难的。相反，一个涉及从所述振动署名数据特征提取更多有用的技术也可以使用。理想的是，这些特性更稳定，比原始签名数据本身也规矩的多。特性还提供减少数据集的应

4、用模式识别和跟踪技术。原料的预处理是指从原料或空调从传感器信号计算的特点。这些功能所需要的唯一的预处理是调节信号或去除信号的平均值。信号调理是简单地将所有的数据点的校准常数，基于加速度传感器和放大器。在这一组的特点是：均方根，峰度，三角洲RMS，波峰因数，包络和解调。TSA预处理需要时间同步平均的原始数据。时间同步平均是一种信号处理技术,用于提取重复信号附加噪声。这个过程需要一个准确的知识重复频率的期望信号或信号与期望信号的同步。原始数据被划分成段长度相等块相关同步信号和平均值。当足够的平均值,随机噪声被抵消了,留下一个改进的估计所需的信号。在信号分割之前,系列中数据点的数量增加了插值的方法。

5、这将提供一个更紧密的近似信号分割和平均。所述传感器信号分割是基于同步信号。例如,可以使用测速信号作为旋转机械的同步信号。每一部分将开始基于环脉冲的前沿,在相应的数据点结束,预示着下一个环脉冲。因为轻微的速度变化的样例和错误性心动过速脉冲,在每一段的数量可能略有不同。一直使用的一个方法是选择最低的段数分,只有平均在这个长度。这可能被认为是证明数据左边和剪切数据超出了平均长度。最后一步是平均所有的片段,毁掉回到最初的采样率。TSA组的特性是:FM0 Comblet。有三个参数涉及与TSA可以影响结果：插值因子，转数级联在一起的对齐，和平均值。增加插值因子被认为可降低“端部效应”中的错误定位，但这极

6、大提高计算时间。使用一个革命期间的数据对齐应该提供最准确的平均因为它是按照轴率保持一致。然而，这种方法是有限的轴频分辨率。增加的数量的平均值应该在平均以上的非同步组件和提高同步组件提高平均，但它是计算密集型的。McClintic等显示这些参数如何影响残余和差异分析特性加工在机械诊断测试床(MDTB)数据。RES预处理计算残余信号,它由平均的时间同步信号与主网格和轴组件以及它们的谐波移除。从文学是什么，不清楚有多少谐波，消除的主网格和轴组件。一段时间同步平均数据超过一圈，这意味着在频率域最小分辨率是轴的频率。因此,这意味着消除光谱的每一个点。产生有利的结果显示什么是通过一些数据的频率高,只有消除

7、啮合频率和谐波。高通滤波器的截止频率将取决于系统,但它应该介于直流和基本啮合频率之间的。同时,删除五网谐波产生了非常相似的结果删除所有谐波产生的结果,但这可能是对系统的依赖。RES组的特性是:NA4和NA4 *。DIF预处理部分计算的差分信号通过去除正常啮合元件从时域同步平均信号。常啮合组件包括轴频及其谐波，谐波的主要啮合频率和沿与第一阶边带。由于残余信号是删除主啮合轴频率与谐波的结果，DIF处理部分可以包括从RES信号去除的主要啮合频率的边带。假设一个高通滤波器或有限数量的轴频谐波被拆除，这意味着只有边的啮合频率及其谐波需要删除。对于其中超过一圈执行时间同步平均的情况下，边带将是一个箱柜上的

8、啮合频率的两侧。该DIF组中的特点是：FM4，M6A和M8A。在BPM预处理部分仅用于一个处理功能，NB4。本节中的TSA的信号是带通滤波围绕初级齿轮啮合频率，包括尽可能多的边带。希尔伯特变换，然后应用到滤波后的信号，以产生一个复合的时间序列。实部是带传递信号和虚部是希尔伯特变换的信号。一些特性产生多个值或品质因数的数字（FOM），而且是可以在不同的预处理阶段来计算多个功能的功能。能源，解调和包络功能等功能，返回多个参数的例子，而功能，如峰度和RMS可以在不同的预处理层次进行。每个功能的简要概述在下面的章节中讨论。特征提取技术说明RMS和Delta RMS均方根（RMS）的振动信号的值是一个时

9、间分析的特征是在振动信号的功率含量的措施。这个功能是很好的跟踪的整体噪音水平，但它不会提供任何信息，这部分是失败的。它可以检测一个主要的平衡旋转系统非常有效。下面是用于计算的方程的均方根值数据系列,xn长度n .三角洲RMS的区别仅仅是当前的均方根值和前面的。峰度峰度被定义为分布的第四时刻，并测量一个分布的相对峰度或平坦度相比正态分布。峰度提供分布的尾部的大小的量度，被用来作为主要的峰中的一组数据的一个指标。波峰因数最简单的时域测量缺陷的方法是使用RMS的方法。然而,RMS水平可能不会显示明显的早期阶段的变化齿轮和轴承损伤。更好的方法是使用“波峰因素”,它被定义为输入信号的峰值水平的比率到RM

10、S的水平。因此,峰值时间序列信号波峰因素将导致增加价值。对于正常操作,波峰因素之间可能达到2和6。一个值高于6通常是与机械有关的问题。这个功能是用来检测信号的变化模式由于脉冲振动来源如牙齿断裂齿轮或轴承外环上的一个缺陷。波峰因素特性不被认为是一个非常敏感的技术。包络包络是用于监控的高频响应机械系统周期性影响齿轮或轴承等缺点。冲动产生每次加载滚动体接触使轴承的另一个表面缺陷或故障齿接触另一个牙齿。这种冲动有一个极短的持续时间比脉冲之间的时间间隔。缺陷脉冲的能量将分布在一个非常低的水平在一个广泛的频率。正是这种能源的广泛分布,使轴承缺陷难以发觉传统的频谱分析时的振动从齿轮和其他机器组件。幸运的是,

11、通常影响激发系统的共振频率远高于振动产生的其他组件。这种结构性能量通常集中在一个狭窄的频段比广泛分布的能量更容易检测的轴承缺陷频率。牙齿磨损和破损,边带等关键频率输出轴频率附近活动预计将增加。整个光谱含有非常高的周期性信号与齿轮啮合频率有关。包络或高频技术着重于结构共振，以确定一个齿轮的健康或失败的轴承的类型。这种技术由处理结构共振能量与包络检测器。通过带通滤波的结构谐振频率周围的数据获得的结构共振。带通滤波的信号，然后由一个包络检波器，它由一个半波或全波整流器和一个峰值保持和平滑部分的处理。带通滤波器的中心频率的选择应与所研究的结构的共振频率一致。滤波器的带宽应至少两倍的最高特性的缺陷频率。

12、这将确保该过滤器将通过载波频率和至少一对调制边带。在实践中，该带宽应该稍大，以容纳所述第一两对围绕载波频率调制边带。在包络检测器的整流器导滤波信号变成单极波形的双极性。然后峰值保持平滑部分将通过平滑/过滤的快速转换的信号中去除的载波频率。然后将剩余的信号将包括的缺陷频率。这个特性会产生一些数据分析使用的优点。主图的优点是功率谱密度的峰值频率和振幅笼罩的数据。价值的其他数据包括过滤部分的RMS和峰度值和标准偏差的输出整流和平滑块。信封技术已广泛应用于许多应用，并表现出在早期检测轴承故障的成功的结果。除了早期发现，这个过程可以帮助被检查的实际轴承故障频率分辨轴承失效的真正原因。解调一个正常的齿轮在

13、一个齿上，推动另一个没有滑动。 当牙齿磨损，出现侧滑。该进入前推的能量现在将进入推动和滑动，从而导致振动的振幅或振幅调制的所述齿轮啮合频率（GMF）及其谐波的改变。解调处理识别周期性的载波的调制。在这个处理中使用的载体为GMF和2*转基因食品。解调技术检测在一个单一的频率的区域通过齿轮磨损引起的振幅调制成分，在这种情况下，转基因食品或2 * GMF。这不同于包络，其检测频率范围内的综合影响。为了实现解调技术，原始数据是高通滤波在85* GMF和115* GMF那么低通滤波。经滤波的信号的功率谱密度被搜索，以获得实际的载波频率（GMF）。实际的载体被用于振幅解调滤波的载波信号。所得到的信号的功率

14、谱密度被搜索范围内的输出轴频率为+/-5左右。优点的提取这种技术的数字峰值和幅度平方振幅的频率。宾夕法尼亚州立大学的ARL CBM工具箱煤层气的工具箱是一个聚集所有的传统特色探讨连同一些非传统的特性,如小波变换、间质和Comblet。这个工具箱在Matlab为研究人员提供了一组标准的处理例程机械预测。工具箱的灵活性允许用户轻松地添加特性和输入/输出数据文件格式。通过使用INI文件界面,用户可以很容易地更改参数和过程数据分析与Matlab命令。或直接用户可能传递数据到任何个人的特性。INI文件是文本文件格式存储参数和加速度计信息,信号调节,预处理参数和特性参数。确保没有问题的数据进行处理,所有的

15、参数和信息存储在INI文件放置在输出数据文件连同特性数据。煤层气工具箱目前有19个内置的功能，提供了优异的40个数据。所有的分析特性和输入/输出数据的文件被经由单个命令行控制，以使批量处理一件轻而易举的。结论虽然有许多方法来处理振动数据煤层气的目的，在预处理步骤的细节必须标准化，以便于可靠和可重复的评估。在煤层气社区需要给定功能分析的具体要求进行预处理的常用术语进行了讨论。本文列出了一些用于机械诊断和预测最传统的特点和提出了一些的信号处理参数，影响他们的敏感性。为了推进知识基础和评估的损失评估和跟踪这样的诊断和预后功能的性能，研究社会需要理解和文档中，这些细节的处理和敏感性。Introduct

16、ionFeature extraction techniques are described in the literature; however, most seem to gloss over the specific preprocessing needed for the feature. Some papers do not provide enough detail to reproduce their results, and there isnt a comprehensive comparison of the traditional features on transiti

17、onal gearbox data. Commonly used terms, such as “residual signal”, mean different techniques in different papers. An attempt has been made to define commonly used terms in the Condition-Based Maintenance community and establish the specific preprocessing needed for processing features. This paper is

18、 focused towards features that are used for the detection of gear faults. The features are categorized into five different groups based on their preprocessing needs. The first section of the paper will provide an overview of the preprocessing flow and where each of the features is calculated in the

19、processing scheme. The next section, entitled Feature Extraction Technique Descriptions, will discuss each of the features in more detail. The last section will give a brief overview of a Penn State ARL CBM toolbox intended for gear fault diagnostics. Feature Extraction OverviewMany types of defects

20、 or damage will increase the machinery vibration levels. These vibration levels are then converted to electrical signals for data measurement by accelerometers. In principle, the information concerning the health of the monitored machine is contained in this vibration signature. Hence, the new or cu

21、rrent vibration signatures could be compared with previous signatures to determine whether the component is behaving normally or exhibiting signs of failure. In practice, such comparisons are not effective. Due to the large variations, direct comparison of signatures is difficult. Instead, a more us

22、eful technique that involves the extraction of features from the vibrational signature data could be used. Ideally, these features are more stable and well behaved than the raw signature data itself. Features also provide a reduced data set for the application of pattern recognition and tracking tec

23、hniques.The RAW preprocessing denotes features that are calculated from the raw or conditioned signal from the sensor. The only preprocessing needed for these features is conditioning the signal or removing the mean of the signal. Signal conditioning is simply multiplying all of the data points by s

24、ome calibration constant that is based on the accelerometer and amplifier used. The features in this group are: RMS, Kurtosis, Delta RMS, Crest Factor, Enveloping and Demodulation. The TSA preprocessing entails time synchronous averaging of the raw data. Time synchronous averaging is a signal proces

25、sing technique that is used to extract repetitive signals from additive noise. This process requires an accurate knowledge of the repetitive frequency of the desired signal or a signal that is synchronous with the desired signal. The raw data is then divided up into segments of equal length blocks r

26、elated to the synchronous signal and averaged together. When sufficient averages are taken, the random noise is canceled, leaving an improved estimate of the desired signal. Before the signal is segmented, the number of data points in the series is increased by means of interpolation. This will prov

27、ide a closer approximation when the signal is segmented and averaged. The sensor signal is segmented based on the synchronous signal. For example, a tachometer signal can be used as a synchronous signal for rotating machinery. Each segment will start based on the leading edge of a tach pulse and end

28、 on the corresponding data point that precedes the next tach pulse. Because of slight speed changes over the sample and inaccuracies in the tach pulse, the number of points in each segment might vary slightly. One method that has been used is to pick the segment with the lowest number of points and

29、only average over this length. This may be thought of as justifying the data to the left and clipping off the data beyond the averaging length. The last step is to average all of the segments and decimate back to the original sampling rate. The features in the TSA group are: FM0 and the Comblet.Ther

30、e are three parameters involved with TSA that can affect the results: the interpolation factor, the number of revolutions concatenated together during the alignment, and the number of averages. Increasing the interpolation factor is thought to decrease “end effect” errors during the alignment, but t

31、his increases the computational time immensely. Using one revolution during the data alignment should provide the most accurate average since it is aligned in accordance with shaft rate. However, this method is limited to the resolution of the shaft frequency. Increasing the number of averages shoul

32、d improve the average by averaging out more of the non-synchronous components and enhancing the synchronous components, but it is more computationally intensive. McClintic, et al shows how these parameters affect the residual and difference analysis features when processed on Mechanical Diagnostics Test Bed (MDTB) data.The RES preprocessing calculates the residual signal,