齿轮箱振动信号频谱分析与故障诊断

齿轮故障的振动诊断及案例分析齿轮故障的振动诊断及案例分析振动案例齿轮传动的常见故障有齿断裂，齿磨损，齿面疲劳，点蚀( 剥落) 和齿轮安装不当。

由结构和工作时受力条件决定，齿轮传动的振动信号较为复杂，故障诊断需同时进行时域与频域分析。

齿轮工作过程中的故障信号频率基本表现为两部分，一为啮合频率及其谐波（高频部分) 构成的载波信号；二为低频成分的幅值和相位变化所构成的调制信号。

1、啮合频率及其谐波当轮齿进入或脱离啮合时，载荷和刚度均突然增大或减小，形成啮合冲击。

齿轮啮合频率为F m=f1·z1=f2·z2当齿轮出现故障时，将引起啮合频率及其各次谐波幅值的变化。

2、幅值调制和频率调制所构成的边频带（1）幅值调制，幅值调制相当于两个信号在时域上相乘，假定载波信号为 g(t ) 调制信号为e(t) 则调制后的时域总信号为X(t)=g(t)·e(t)将上式转换到频域上, 则为X(f)=g(f)·e(f)通常幅度调制的调制频率为旋转频率。

（2）频率调制，齿轮的转速波动，若载波信号为Asin(2∏f m t+Φ0)，调制信号为βsin2∏f m t；频率调制可表示为X(t)=Asin[2∏f m t+βsin(2∏f r t)+ Φ0] 频率调制不仅产生围绕啮合频率f m的一族边频带，而且在相位信号中产生一个正弦波，通常频率调制的频率为分度不均匀齿轮的转频，实际上，齿轮故障中调幅与调频现象可能同时存在，因而在频谱上得到调幅与调频综合影响下形成的边频带。

3、由齿轮转频的低次谐波构成的附加脉冲齿轮的低频故障不平衡, 不对中等也会对齿轮振动时域波形产生影响，但不会在齿轮频率两侧产生边频带4、由齿轮加工误差形成的隐含成分该成分的振动通常由加工机床分度齿轮误差造成，它对齿轮的整体运行影响很小。

以下是一个齿轮故障的案例分析。

1、某采油平台原油外输泵 '螺杆泵) 传动齿轮局部断齿（1）设备形式及参数% 电机驱动直联双螺杆泵，螺杆之间以同步齿轮传动，齿轮齿数 Z=67，电机转速 ,n=995r/min（16.57HZ）（2）故障现象泵的非驱动端（同步齿轮安装在此侧) 振动速度值增加，图 1图2是时域波形及频谱图。

设备管理与维修2021翼4（上）基于特征频谱对齿轮箱的振动监测和故障诊断肖湘平，陈立立，高波（荆州市巨鲸传动机械有限公司，湖北荆州434000）摘要：提出一种基于深度神经网络智能监测与诊断的方法。

考虑到现有故障信号数据量及多样性不足以直接用来训练神经网络，提出一种基于特征频段的诊断神经网络。

具体是利用现有数据进行频谱与包络谱分析，然后提取相应的故障频段与无故障频段。

通过少量信号数据便可以提取足够数量的频段数据用以训练神经网络，利用该神经网络对齿轮箱进行振动监测。

关键词：振动监测；齿轮；特征频段；神经网络中图分类号：TH17文献标识码：B DOI ：10.16621/ki.issn1001-0599.2021.04.680引言齿轮箱是现代工业生产制造中的一个重要部件，齿轮箱大量应用在矿山、冶金、煤炭、电力、建材及军工等行业中。

但是由于齿轮箱结构紧凑和运行工况的复杂性，并且齿轮箱通常是使用在高速重载的环境中，因此齿轮箱中的零部件极易因为疲劳失效而导致局部失效，使得设备无法正常运行。

齿轮箱中齿轮故障占总故障的60%，因此对于齿轮的振动监测和故障诊断很有必要[1-2]。

当前，齿轮箱齿轮的振动监测依赖于专业技术人员进行，这种方式的人工成本、时间成本高，并且随着振动监测技术的发展，监测的齿轮箱越来越多，采集的数据量也越来越大，人工成本、时间成本也因此越来越高。

在传统的齿轮箱齿轮的诊断中，主要是通过收集齿轮箱关键部位的振动信号，然后对振动信号进行时域分析和频域分析，实现对齿轮箱齿轮状态的监测，但是在监测过程中对于信号的处理、识别、分析以及诊断结果的准确性十分依靠专业人员的个人能力。

因此提出了一种基于特征频段的诊断深度神经网络，在传统的神经网络训练过程中往往需要大量的样本去训练，但是通常在诊断早期是十分缺少样本的，因此结合现有的齿轮诊断理论以及专业人员的经验，具体的是利用现有数据进行频谱与包络谱分析，然后提取相应的故障频段与无故障频段。

低温环境下风力发电齿轮箱的振动故障诊断随着世界对可再生能源的需求增长，风力发电作为清洁能源的重要代表之一，得到了广泛的应用。

而风力发电齿轮箱作为其中的核心部件，负责将风轮传来的力量转换成机械能，进而生成电能。

然而，低温环境对风力发电齿轮箱的正常运行产生了一定的挑战，其中振动故障是一个重要的问题，本文将重点探讨低温环境下风力发电齿轮箱的振动故障诊断方法和技术。

低温环境下的风力发电齿轮箱振动故障主要表现为齿轮箱的振动异常、噪声变大、工作温度升高等现象。

这些问题不仅会降低齿轮箱的寿命，还会影响发电机的效率。

因此，及早发现和解决低温环境下的振动故障对于风力发电系统的正常运行至关重要。

在低温环境下，风力发电齿轮箱的振动故障诊断可以利用多种方法和技术。

其中，振动信号分析是最常用的一种方法。

通过对齿轮箱振动信号的采集、预处理和分析，可以确定故障源的位置和性质。

常见的振动信号分析方法包括频谱分析、时域分析、波形分析等。

通过将这些分析方法相结合，可以获得更加准确的故障诊断结果。

此外，温度监测也是低温环境下风力发电齿轮箱振动故障诊断的重要手段。

由于低温环境下润滑油的黏度增大，容易导致齿轮箱内部润滑不良，从而引起齿轮箱的振动故障。

通过在齿轮箱中布置温度传感器，监测齿轮箱各部件的工作温度，并进行实时分析，可以判断齿轮箱是否存在异常热点，及时采取相应的维修措施，避免故障进一步扩大。

除了振动信号分析和温度监测，还可以借助图像处理技术进行低温环境下风力发电齿轮箱振动故障的诊断。

通常情况下，齿轮箱的故障表现为齿面磨损、断裂、裂纹等。

利用高分辨率摄像机对齿轮箱进行拍摄，并采用图像处理技术对拍摄的图像进行分析，可以判断齿轮箱是否有磨损、损坏等问题，从而辅助故障诊断工作。

在低温环境下风力发电齿轮箱振动故障诊断中，机器学习技术也发挥了重要的作用。

通过对大量历史数据的分析和训练，可以建立故障模型，并对新的振动信号进行故障诊断。

常用的机器学习算法包括支持向量机、人工神经网络、决策树等。

滚动轴承和齿轮振动信号分析与故障诊断方法目录一、内容综述 (2)二、滚动轴承振动信号分析 (3)1. 滚动轴承工作原理及结构特点 (4)2. 振动信号产生机制 (5)3. 振动信号采集与处理 (6)三、齿轮振动信号分析 (7)1. 齿轮工作原理及故障类型 (8)2. 振动信号特征提取 (10)3. 齿轮故障识别与诊断 (11)四、滚动轴承与齿轮振动信号分析方法 (12)1. 时域分析 (13)2. 频域分析 (14)3. 时频域联合分析 (16)五、故障诊断方法 (17)1. 基于振动信号特征的故障诊断 (18)2. 基于模型的故障诊断 (20)3. 基于智能算法的故障诊断 (21)六、实验与应用实例 (22)1. 实验设计 (24)2. 实验结果与分析 (25)3. 应用实例介绍 (26)七、结论与展望 (28)1. 研究结论 (29)2. 展望未来发展趋势 (29)一、内容综述本文档旨在全面阐述滚动轴承和齿轮振动信号分析与故障诊断方法的研究现状、发展趋势及其重要性。

随着工业领域的快速发展，滚动轴承和齿轮作为机械设备中的关键部件，其运行状态的正常与否直接关系到整个系统的稳定性和效率。

针对滚动轴承和齿轮的振动信号分析以及故障诊断方法的研究具有极其重要的实际意义。

滚动轴承和齿轮的故障诊断主要依赖于振动信号分析，通过对振动信号的特征提取和模式识别，实现对设备状态的实时监测和故障诊断。

随着信号处理技术和人工智能技术的不断进步，滚动轴承和齿轮振动信号分析的方法日趋成熟，为设备的故障诊断提供了有力的技术支持。

本文首先概述了滚动轴承和齿轮的基本结构、工作原理及其在机械设备中的重要地位。

然后重点介绍了振动信号分析的基本原理和方法，包括信号采集、特征提取、模式识别等关键环节。

接着详细阐述了基于振动信号的故障诊断方法，包括传统方法如频谱分析、包络分析等，以及近年来新兴的基于机器学习和深度学习的诊断方法。

对滚动轴承和齿轮振动信号分析与故障诊断方法的未来发展趋势进行了展望。

齿轮主要振动故障特征及实测频谱案例一、齿轮故障的频谱特征1、齿的磨损、过载齿轮的均匀性磨损、齿轮载荷过大等原因引起的故障，都会在轮齿之间产生很高的冲击力，此时会产生以啮合频率的谐波频率为载波的频率，其中啮合频率的幅值相对正常状态将明显增大，但在啮合频率及其谐波周围不产生边频带。

随着齿轮磨损劣化，啮合频率及谐波幅值会继续增长。

2、断齿、齿面剥落等属于齿轮集中缺陷的局部性故障，在齿轮运行至缺陷部位时，会激发瞬时的冲击，产生一个高幅值的波峰。

此时，啮合频率将受到旋转频率的调制，在啮合频率其及谐波两侧产生一系列的边频带，其频谱特点是边频带数量多、范围广、分布均匀且较为平坦。

随着此类缺陷的扩大，边频带在宽度范围及幅值上也会增大。

3、点蚀、胶合点蚀、胶合等分布比较均匀的缺陷，同样也将产生周期性冲击脉冲和调幅、调频现象。

但是，与断齿等局部性故障不同的是，由于点蚀、胶合都属于浅表缺陷，在齿轮啮合时不会激发瞬态冲击，因此在啮合频率及其谐波两侧分布的边频带阶数少且集中，其频谱特点是边频带数量分布范围窄、幅值起伏变化大。

二、诊断实例对某减速箱的例行巡检过程中发现，该齿轮箱存在周期约为0.5s 的振动冲击，但减速箱本身振动值没有明显变化。

该减速箱为核心设备，一旦该设备出现问题停运，整条生产线将被迫停车，造成巨大的经济损失。

鉴于现场减速箱无明显振动，通过听棒听诊及振动检测等常规方式均无法判断出振动冲击的部位及形成原因，故对该减速箱进行现场振动信号采集和诊断。

查看频谱图，明显存在第三轴和第四轴四级啮合频率(28.15Hz )，且振动能量的缓慢增加，说明磨损在缓慢增长。

随着状态恶化，振动值缓慢增长，三级与四级啮合频率幅值增长明显，同时啮合频率周围开始产生以第三轴转频(2.01Hz )为间隔的边频，而且边频带体现的特征为数量多、范围广(24~60Hz )、分布均匀且较为平坦，如下图所示。

通过时域波形图可以发现，时域信号明显存在着周期约为0。

想要对齿轮箱进行振动分析，先要了解故障特征是什么？—振迪检测想要对齿轮箱进行振动分析，首先要了解齿轮箱的故障特征，下面由振迪检测来为您叙述齿轮箱的故障特征。

正常状态频谱：正常状态频谱显示1X和2X转速频率和齿轮啮合频率GMF；齿轮啮合频率GMF通常伴有旋转转速频率边带；1、齿载荷的影响齿载荷的影响症状特征：齿轮啮合频率往往对载荷很敏感；高幅值的齿轮啮合频率GMF未必说明齿轮有故障；每次分析都应当在载荷下进行。

2、齿磨损齿磨损症状特征：激起自振频率同时伴有磨损齿轮的1X转速频率的边带说明齿磨损；边带是比齿轮啮合频率GMF更好的磨损指示；当齿轮的齿磨损时齿轮啮合频率的幅值可能不变。

3、齿轮偏心和侧隙游移齿轮偏心和侧隙游移症状特征：齿轮啮合频率GMF两侧较高幅值的边带说明，齿轮偏心侧隙游移和齿轮轴不平行；有故障的齿轮将调制边带；不正常的侧隙游移通常将激起齿轮自振频率振动。

全部的振动尖峰的幅值都较低，没有自振频率。

4、齿轮不对中齿轮不对中症状特征：齿轮不对中总是激起二阶或更高阶的齿轮啮合频率的谐波频率，并伴有旋转转速频率边带；齿轮啮合频率基频（1XGMF）的幅值较小，而2X和3X齿轮啮合频率的幅值较高；为了捕获至少2XGMF频率，设置充足高的分析频率Fmax很紧要。

5、断齿/裂齿断齿/裂齿症状特征：断齿或裂齿将产生该齿轮的1X转速频率的高幅值的振动；它将激起自振频率振动，并且在其两侧伴有旋转转速基频边带；利用时域波形指示断齿或裂齿故障；两个脉冲之间的时间间隔就是1X转速的倒数。

6、齿磨损摇摆的齿症状特征：摇摆的齿轮的振动是低频振动，常常疏忽它。

振迪检测可供给的振动分析服务，适用于齿轮箱、风机、鼓风机、冷却水塔等转动设备，假如您也有难以解决的设备故障问题，欢迎前来咨询，:（微信号相同）。

浅析齿轮箱震动信号频谱分析与故障诊断摘要齿轮箱作为机械设备重要构成部分,在实际的机械生产和应用中涉及十分广泛,而其在恶劣复杂的工作环境中性能的发挥将直接对整个机械设施的运转产生重要影响。

若是齿轮箱在正常的运转过程中出现问题，不但会影响正常的生产，对经济效益造成影响，甚至会对人身安全产生威胁。

所以，在确保机械设施能够维持正常运转且不具备安全隐患的基础上针对其进行有效的安全检查和定期维保有着十分重要的意义。

关键词：齿轮箱；故障诊断；频谱分析前言近年来，随着科技的不断发展，各个行业有了先进的科学作为基础，呈现出向好发展的趋势，其中，人工智能技术被应用到机械设备领域，对机械设备进行改造，使机械设备变得更智能、更高效、更精确，进一步提高人类生活水平。

在机械设备变得智能化的同时，对机械设备本身的要求也会更高，其中任何一处问题都可能会导致机械设备故障，从而引发重大安全事故。

齿轮传动是较为常用的机械设备传动方式，齿轮传动的应用非常广泛，如为发电机组关键部件，其中齿轮箱为其传动装置，齿轮箱的特点是结构紧密并且传动比大，因此它被运用到各行各业，对的日常生活有很大的影响。

齿轮在使用过程中，一般都处于高速运转状态，冲击力也比较大，在这样的工作环境下，齿轮容易产生很多故障，比如纹裂和断齿等。

在机械运作的过程中，齿轮的损坏可能会导致其他零件的损坏，造成机械故障，从而引发巨大损失。

齿轮箱的主要零部件有齿轮轴、轴承、齿轮和箱体。

齿轮箱根据用途可以选用有平行轴、交错轴及相交轴三种内部形式。

齿轮箱在高运转、高负荷、高冲击的环境下运行时很容易发生故障，可能会导致其他设备故障，从而引发事故的产生。

不仅会造成经济损失，还会威胁人类生命健康，所以针对齿轮箱的实际运行状态进行实时的监控并有针对性的制定应预案，对设备定期展开维护检查，在最大程度上保证设备的稳定安全运转，对人们的安全健康保障有着重要的意义。

1.设备振动信号分析方法1.1时域分析分析系统振动情况时,针对在设备振动信号中存在在时域中时变数据的分析方法是时域分析。

风力发电增速齿轮箱的振动信号处理和故障诊断算法引言随着风力发电行业的迅速发展，风力发电机组在电力产业中扮演着重要角色。

然而，由于工作环境恶劣且处于长期运行状态，风力发电机组的齿轮箱常常会出现故障。

通过对齿轮箱振动信号进行处理和故障诊断算法的开发，可以实现对风力发电机组的实时监测和准确的故障诊断，进一步提高风力发电机组的可靠性和可用性。

一、风力发电机组的齿轮箱振动信号处理风力发电机组的齿轮箱振动信号包含丰富的故障信息，如齿轮损伤、轴承故障等。

处理振动信号的主要目标是提取有用的故障特征信号，并降低其他噪声干扰。

1. 振动信号采集与预处理振动信号的采集是故障诊断的基础。

通过安装合适的振动传感器，可以实时监测风力发电机组的齿轮箱振动信号。

在采集信号之前，需要对信号进行预处理，如滤波去除高频噪声、降采样等，以提高信号的质量和信噪比。

2. 振动信号的时频分析时频分析可以将振动信号从时域转化为频域，提供更多关于故障特征的信息。

常用的时频分析方法包括短时傅里叶变换（STFT）、小波变换等。

通过对振动信号进行时频分析，可以得到故障频率、能量分布等特征。

3. 特征提取与选择从时频分析的结果中提取和选择适合故障诊断的特征。

常见的特征包括频谱特征、统计特征、时域特征等。

特征提取的目的是将原始信号映射到一个低维空间，保留关键信息，并减少噪声和冗余信息的影响。

二、风力发电机组齿轮箱的故障诊断算法基于振动信号处理的齿轮箱故障诊断算法可以实现对风力发电机组的实时监测和故障诊断，及时发现和预测潜在故障。

1. 基于模式识别的故障诊断算法模式识别技术在故障诊断领域有着广泛应用。

通过构建合适的特征向量和分类模型，可以对齿轮箱振动信号进行分类识别，判断是否存在故障。

常用的模式识别算法包括支持向量机（SVM）、人工神经网络（ANN）等。

2. 基于机器学习的故障诊断算法机器学习算法可以通过学习振动信号的模式和规律，实现自动化的故障诊断。

常用的机器学习算法包括决策树、随机森林、深度学习等。

齿轮箱中齿轮故障的振动分析与诊断摘要：齿轮箱常见的失效类型为齿轮箱，所以定期监控其工作状况，以减少故障率，提供预测型的检修计划。

应用结果显示，该技术能够对变速箱进行有效的判断，并能正确地判断出变速箱的故障部位和严重性，从而为船员制定相应的检修计划，降低无用维护费用，防止机械和机械的非计划停运。

关键词：风力发电机组；齿轮箱；故障诊断引言：在回转机构中，最常见的是齿轮，它的工作状态对整个机器的工作情况有很大的影响。

齿面磨损、表面接触疲劳、齿面塑性、齿面弯曲和齿面折断等是常见的失效类型。

一、齿轮箱故障诊断的意义在风力发电机组中，齿轮箱作为重要传动设备，为风能转化为电能提供源源不断的动力，发挥着十分重要的功能。

风力发电机组中的齿轮箱，不仅体积、质量较大，而且结构十分复杂，这也导致在发电机组运转过程中，齿轮箱容易发生各种故障，进而使发电机组的运行受到较大影响，甚至蒙受重大损失。

近年来，陆续爆发出多起因为齿轮箱故障而导致风力发电机组停运的实践，不仅让发电机组受到极大影响，而且带来重大经济损失。

所以说，对风力发电机组齿轮箱实施有效的故障诊断措施，从而尽发现问题，解决问题，保证其稳定性，不仅具有极大的经济意义，而且有很强的社会意义[1]。

传统的齿轮箱故障诊断主要是通过人工方式实现的，通过人工巡检加定期维护的方式，排除齿轮箱故障。

然而，这种模式，一方面带有很强的滞后性，通常都是齿轮箱发生故障以后，并且对发电机组造成影响之后，才能够去被动的应对，依然无法完全避免损失；另一方面，齿轮箱结构复杂，人工方式诊断故障，不仅准确率不高，而且耗费大量的时间和人力。

因此，通过对齿轮箱实施在线监控，并通过监控数据对齿轮箱实施故障诊断，一旦发现异常立刻予以维护、维修，只有这样，才能够真正有效的预防齿轮箱故障，将隐患消除，从而最大程度降低对风力发电机组的影响。

二、齿轮箱故障诊断机理实现齿轮箱的故障诊断，首先必须了解齿轮箱的故障机理，以此为基础选择合适的诊断技术，才能有有效保障故障诊断的及时性与准确性。