LMD的LabVIEW實(shí)現(xiàn)及其在齒輪故障診斷中的應(yīng)用

唐貴基，王曉龍

（華北電力大學(xué)機(jī)械工程學(xué)院，河北 保定 071003）

LMD的LabVIEW實(shí)現(xiàn)及其在齒輪故障診斷中的應(yīng)用

唐貴基，王曉龍

（華北電力大學(xué)機(jī)械工程學(xué)院，河北 保定 071003）

將局部均值分解（local mean decomposition，LMD）算法在LabVIEW平臺(tái)上加以實(shí)現(xiàn)，開發(fā)出LabVIEW的LMD模塊。為減小誤差，采用三次樣條插值法代替滑動(dòng)平均法來獲得局部均值函數(shù)和包絡(luò)估計(jì)函數(shù)，用形態(tài)學(xué)濾波算法得到瞬時(shí)頻率和瞬時(shí)幅值的平滑曲線，并通過仿真信號(hào)驗(yàn)證LMD算法對(duì)于多分量信號(hào)的分解能力。最后，利用開發(fā)的模塊對(duì)實(shí)測(cè)齒輪磨損、斷齒故障信號(hào)進(jìn)行分析，成功提取出故障特征頻率信息，結(jié)果表明開發(fā)的LMD模塊可以有效應(yīng)用于齒輪故障的診斷。

LMD模塊；LabVIEW系統(tǒng)；齒輪故障

0 引言

局部均值分解（local mean decomposition，LMD）方法可以自適應(yīng)地將一個(gè)復(fù)雜的多分量復(fù)合信號(hào)分解成多個(gè)乘積函數(shù)（product function，PF）分量和一個(gè)殘量，得到的PF分量能真實(shí)反應(yīng)原信號(hào)的本質(zhì)信息。相對(duì)于EMD來說，LMD受端點(diǎn)效應(yīng)影響較小，并且可以避免EMD算法自身存在的問題。

近些年，不少學(xué)者對(duì)LMD方法進(jìn)行了深入研究，并應(yīng)用于故障診斷領(lǐng)域，文獻(xiàn)[1-2]分別運(yùn)用該方法對(duì)軸承故障和轉(zhuǎn)子裂紋故障進(jìn)行診斷，均成功提取出故障頻率信息，程軍圣等[3]對(duì)LMD算法進(jìn)行改進(jìn)，并將其應(yīng)用于轉(zhuǎn)子碰磨故障診斷，也獲得了不錯(cuò)的分析結(jié)果。鑒于LMD算法良好的應(yīng)用前景以及LabVIEW軟件在信號(hào)分析處理方面的廣泛應(yīng)用，本文開發(fā)出LabVIEW的LMD模塊，并將其應(yīng)用于齒輪故障診斷，效果明顯，證明該模塊具有一定的可靠性。

1 LabVIEW的LMD模塊設(shè)計(jì)

1.1 局部均值分解算法原理

局部均值分解算法原理的詳細(xì)介紹及具體流程可參考文獻(xiàn)[4]，算法的流程可概述為以下6個(gè)步驟：

（1）確定原給定信號(hào)x（t）的所有局部極值點(diǎn)ni。

（2）利用ni計(jì)算出平均值mi和包絡(luò)估計(jì)值ai。

（3）將計(jì)算獲得的所有平均值mi和包絡(luò)估計(jì)值ai分別用直線連接起來，平滑處理后得到局部均值函數(shù)m11（t）和包絡(luò)估計(jì)函數(shù)a11（t）。

（4）將n次循環(huán)迭代計(jì)算產(chǎn)生的所有包絡(luò)估計(jì)函數(shù)a11（t）～m1n（t）相乘，從而得到包絡(luò)信號(hào)a1（t）。

（5）將a1（t）和第n次迭代后生成的純調(diào)頻信號(hào)s1n（t）相乘得到第一個(gè)乘積函數(shù)分量PF1（t）。

（6）從x（t）中減去PF1（t），重復(fù)步驟（1）～（5），直至滿足迭代停止條件，結(jié)束全部分解過程，至此，原信號(hào)被分解成若干個(gè)乘積函數(shù)分量和一個(gè)余量。

1.2 LMD算法的程序化實(shí)現(xiàn)

根據(jù)LMD算法流程，在LabVIEW平臺(tái)上開發(fā)了LMD模塊。模塊的前面板如1所示，關(guān)鍵程序框圖如圖2所示，載入數(shù)據(jù)文件、輸入采樣參數(shù)后，運(yùn)行該程序，模塊會(huì)對(duì)信號(hào)進(jìn)行分解，并顯示分析結(jié)果。

圖1 LMD模塊前面板

圖2 LMD模塊關(guān)鍵程序框圖

圖2中，LMD模塊關(guān)鍵程序框圖包含極值延拓、樣條插值、分量判別、分量求取、余量判別、瞬時(shí)頻率求取、形態(tài)學(xué)濾波共7個(gè)子VI。在LMD算法的程序化實(shí)現(xiàn)過程中，為使開發(fā)的模塊具有更好的診斷效果，參考了部分學(xué)者的改進(jìn)算法。

由于LMD同樣受端點(diǎn)效應(yīng)影響，因此采用包絡(luò)極值延拓法對(duì)端部數(shù)據(jù)進(jìn)行處理，來抑制端點(diǎn)效應(yīng)[5]，并且為減小計(jì)算誤差，利用三次樣條插值法代替滑動(dòng)平均法來求取局部均值函數(shù)和包絡(luò)估計(jì)函數(shù)[6-7]。原始信號(hào)經(jīng)過LMD分解后獲得的瞬時(shí)幅值和瞬時(shí)頻率曲線經(jīng)常存在少許毛刺，而形態(tài)學(xué)濾波算法卻可以有效消除這種現(xiàn)象[8]，因此在本模塊最后添加了形態(tài)學(xué)濾波子VI，用來降低干擾，獲得更平滑的信號(hào)曲線。

2 仿真信號(hào)分析

LMD算法可以按照頻率由高到低的順序?qū)⒍喾至空{(diào)幅-調(diào)頻信號(hào)分解成若干個(gè)單分量調(diào)制信號(hào)，下面用一組仿真算例來驗(yàn)證LMD算法的多分量復(fù)合信號(hào)分解能力，設(shè)模擬信號(hào)為

由式（1）可以看出該復(fù)合信號(hào)由兩個(gè)調(diào)幅-調(diào)頻信號(hào)疊加構(gòu)成，其中，采樣點(diǎn)數(shù)為4096點(diǎn)，采樣頻率為10000Hz，省略掉余量后，原始信號(hào)以及經(jīng)過LMD運(yùn)算分解后得到的PF分量如圖3所示。

圖3 原始信號(hào)及PF分量

從圖3中可以發(fā)現(xiàn)，PF1對(duì)應(yīng)著原模擬信號(hào)的750Hz分量，其瞬時(shí)幅值及瞬時(shí)頻率曲線如圖4所示?？梢钥闯鯬F1分量由于受到35 Hz幅值調(diào)制的作用，其幅值在0.6～1.4之間波動(dòng)，受到40Hz的頻率調(diào)制的作用，頻率在730～770Hz之間波動(dòng)。

圖4 PF1分量的瞬時(shí)幅值與瞬時(shí)頻率曲線

圖5 PF2分量的瞬時(shí)幅值與瞬時(shí)頻率曲線

圖3中的PF2為原模擬信號(hào)的140Hz分量，其瞬時(shí)幅值及瞬時(shí)頻率曲線如圖5所示。同樣，由于存在幅值調(diào)制，PF2分量的瞬時(shí)幅值在0.6～1.4之間波動(dòng)，20Hz的頻率調(diào)制作用也使其瞬時(shí)頻率不斷發(fā)生變化。通過模擬信號(hào)LMD運(yùn)算的結(jié)果，可以看出，原仿真信號(hào)的復(fù)合成分被成功分解開來，從而也驗(yàn)證了局部均值算法對(duì)多分量調(diào)制信號(hào)的分解能力。

3 齒輪故障信號(hào)分析

本文采用QPZZ實(shí)驗(yàn)臺(tái)分別模擬了大齒輪斷齒和小齒輪磨損故障，并對(duì)振動(dòng)信號(hào)進(jìn)行采集，采樣頻率為5120Hz，分析點(diǎn)數(shù)為32768點(diǎn)。故障齒輪的振動(dòng)信號(hào)一般為多分量調(diào)幅調(diào)頻信號(hào)，利用開發(fā)的LMD模塊對(duì)采集的數(shù)據(jù)進(jìn)行分析，可獲得若干個(gè)PF分量及其包絡(luò)信號(hào)，對(duì)各PF分量的包絡(luò)信號(hào)做進(jìn)一步的幅值譜分析就可以從中提取出故障特征頻率信息。

3.1 大齒輪斷齒故障

實(shí)測(cè)輸入軸轉(zhuǎn)速840r/min，輸入軸上的正常小齒輪齒數(shù)為55，輸出軸上發(fā)生斷齒故障的大齒輪齒數(shù)為75，傳動(dòng)比I=55/75，計(jì)算可得輸入軸轉(zhuǎn)頻fi=14.0Hz，輸出軸轉(zhuǎn)頻fo=10.27 Hz，斷齒故障信號(hào)時(shí)域波形及幅值譜如圖6所示?？梢钥闯?，信號(hào)時(shí)域波形無任何規(guī)律可循，頻譜中只在嚙合頻率及其倍頻處峰值明顯，通過時(shí)域波形及幅值譜根本無法進(jìn)行故障診斷，因此對(duì)故障信號(hào)進(jìn)行包絡(luò)譜分析，得到的包絡(luò)譜如圖7所示。

圖6 斷齒故障信號(hào)時(shí)域波形及幅值譜

圖7 斷齒故障信號(hào)包絡(luò)譜

從包絡(luò)譜中可以找到4根幅值較高的譜線，其中13.91Hz及42Hz譜線分別對(duì)應(yīng)輸入軸轉(zhuǎn)頻fi及其三倍頻3fi，而10.31Hz和20.63 Hz譜線則對(duì)應(yīng)輸出軸轉(zhuǎn)頻fo及其二倍頻2fo，因此無法判斷出哪個(gè)齒輪發(fā)生故障。用開發(fā)的LMD模塊對(duì)故障信號(hào)進(jìn)行分析，共得到8個(gè)PF分量，將得到的各分量簡(jiǎn)化圖像從LMD模塊中導(dǎo)出，結(jié)果如圖8所示。

選擇能量較高的前3個(gè)PF分量，并對(duì)其包絡(luò)信號(hào)分別做幅值譜分析，從LMD模塊中導(dǎo)出各分量包絡(luò)信號(hào)幅值譜的簡(jiǎn)化圖像，結(jié)果如9所示?？梢钥闯?，PF1分量包絡(luò)譜與原信號(hào)包絡(luò)譜一樣，同時(shí)存在輸入輸出軸轉(zhuǎn)頻及其倍頻成分。在PF2分量包絡(luò)譜中，輸入軸轉(zhuǎn)頻成分消失，僅在42Hz處存在其三倍頻成分，而對(duì)應(yīng)輸出軸轉(zhuǎn)頻（10.31 Hz）及二倍頻

（20.63Hz）的譜線幅值則比較明顯。在PF3分量包絡(luò)譜中，僅在10.33Hz處存在一根與輸出軸轉(zhuǎn)頻相對(duì)應(yīng)的峰值譜線。綜合分析后可以判定，大齒輪上存在局部缺陷，理論分析與實(shí)際相符。

圖8 斷齒故障信號(hào)LMD分解結(jié)果

圖9 斷齒故障前三個(gè)PF分量包絡(luò)信號(hào)的幅值譜

3.2 小齒輪磨損故障

實(shí)測(cè)輸入軸轉(zhuǎn)速834r/min，輸入軸上發(fā)生磨損故障的小齒輪齒數(shù)為55，輸出軸上的正常大齒輪齒數(shù)為75，計(jì)算可得輸入軸轉(zhuǎn)頻fo=13.9 Hz，輸出軸轉(zhuǎn)頻fo=10.19Hz，信號(hào)時(shí)域波形及幅值譜如圖10所示。

圖10 磨損故障信號(hào)時(shí)域波形及幅值譜

同斷齒故障信號(hào)一樣，故障信號(hào)時(shí)域波形上由故障引起的沖擊并不明顯，無法了解特征頻率信息，頻譜中峰值較高的成分為系統(tǒng)固有頻率，并且邊頻成分復(fù)雜，調(diào)制現(xiàn)象明顯，但低頻段與故障相關(guān)的轉(zhuǎn)頻成分卻不突出，對(duì)信號(hào)做包絡(luò)分析，結(jié)果如圖11所示。

圖11 磨損故障信號(hào)包絡(luò)譜

圖11的包絡(luò)譜中，10.16Hz，13.9Hz和41.56Hz 3處幅值較突出，其中13.9Hz和41.56 Hz頻率成分為輸入軸轉(zhuǎn)頻及其三倍頻，而10.16Hz頻率成分則為輸出軸轉(zhuǎn)頻，僅通過包絡(luò)譜也無法對(duì)故障類型做出準(zhǔn)確判斷。再次運(yùn)用開發(fā)的模塊對(duì)其進(jìn)行診斷，將LMD分解結(jié)果以簡(jiǎn)化圖像的形式導(dǎo)出，如圖12所示。

圖12 磨損故障信號(hào)LMD分解結(jié)果

圖13 磨損故障前3個(gè)分量包絡(luò)信號(hào)的幅值譜

原磨損故障信號(hào)分解后共獲得8個(gè)PF分量，同樣選擇前3個(gè)PF分量，對(duì)其包絡(luò)信號(hào)做幅值譜分析，分析結(jié)果如13所示?？梢钥闯?，PF1的包絡(luò)譜在輸入軸轉(zhuǎn)頻及其三倍頻處峰值明顯，但輸出軸轉(zhuǎn)頻成分也比較突出，對(duì)故障類型的判斷存在一定干擾，而PF2和PF3分量的包絡(luò)譜中卻僅存在與輸入軸轉(zhuǎn)頻（13.75 Hz）及其三倍頻（41.64 Hz）相對(duì)應(yīng)的譜線。綜合分析可以斷定，輸入軸上的小齒輪存在損傷，分析結(jié)果與實(shí)際相符。

4 結(jié)束語

在LabVIEW平臺(tái)上將LMD算法程序化實(shí)現(xiàn)，開發(fā)出LabVIEW的LMD模塊，通過模擬調(diào)幅調(diào)頻信號(hào)驗(yàn)證了LMD算法的多分量信號(hào)分解能力。將LMD模塊分析實(shí)測(cè)信號(hào)得到的PF分量包絡(luò)譜簡(jiǎn)化圖像導(dǎo)出，與原故障信號(hào)的包絡(luò)譜圖進(jìn)行對(duì)比分析，結(jié)果表明，LMD算法可以弱化非故障特征頻率，在齒輪故障診斷方面具有一定優(yōu)勢(shì)，并且齒輪斷齒、磨損故障信號(hào)特征頻率的成功提取，也證明了開發(fā)的LMD模塊具有一定的工程實(shí)用性。

[1]陳亞農(nóng)，郜普剛，和田，等.局部均值分解在滾動(dòng)軸承故障綜合診斷中的應(yīng)用[J].振動(dòng)與沖擊，2012，31（3）：73-78.

[2]任達(dá)千，楊世錫，吳昭同，等.LMD時(shí)頻分析方法的端點(diǎn)效應(yīng)在旋轉(zhuǎn)機(jī)械故障診斷中的影響[J].中國(guó)機(jī)械工程，2012，23（8）：951-956.

[3]程軍圣，楊宇，張亢.基于噪聲輔助分析的總體局部均值分解方法[J].機(jī)械工程學(xué)報(bào)，2011，47（3）：55-62.

[4]Smith J S.The local mean decomposition and its application to EEG perception data[J].Journal of the Royal Society Interface，2005，2（5）：443-454.

[5]Rilling G，F(xiàn)landrin P，Goncalves P.On empirical mode decomposition and its algorithms[C]∥ IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing，2003（6）：9-11.

[6]胡勁松，楊世錫.基于樣條的振動(dòng)信號(hào)局域均值分解方法[J].數(shù)據(jù)采集與處理，2009，24（1）：82-86.

[7]毛博，高斐，孟軍.一種基于分段冪函數(shù)插值法的經(jīng)驗(yàn)?zāi)B(tài)分解方法及其應(yīng)用研究[J].中國(guó)測(cè)試，2013，39（2）：125-128.

[8]唐貴基，王維珍，胡愛軍.數(shù)學(xué)形態(tài)學(xué)在旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)處理中的應(yīng)用[J].汽輪機(jī)技術(shù)，2005，47（4）：271-273.

LMD realization by LabVIEW and its application in gear fault diagnosis

TANG Gui-ji，WANG Xiao-long
（School of Mechanical Engineering，North China Electric Power University，Baoding 071003，China）

According to the local mean decomposition （LMD）algorithm，the LabVIEW LMD module was developed.It used cubic spline interpolation instead of sliding average method to obtain local mean function and envelope estimation function in order to reduce the error and used morphological filtering algorithm to smooth the instantaneous frequency and amplitude curve.The simulation signal was used to verify the decomposition ability of LMD for multi-component signals. Finally，the developed module was used to measure wear fault signal and broken teeth fault signal and successfully extract the fault characteristic frequency information.The results show that the developed LMD module could diagnosis the gear fault effectively.

LMD；LabVIEW；gear fault

TP311.1；TH132.41；TP277；O234

：A

：1674-5124（2014）01-0101-05

10.11857/j.issn.1674-5124.2014.01.026

2013-04-21；

：2013-06-03

唐貴基（1962-），男，山東龍口市人，教授，博士，研究方向?yàn)闄C(jī)械設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷。