简介这份资源是围绕齿轮磨损故障动态响应特征与诊断指标的研究资料适合机械工程、故障诊断与状态监测领域的研究人员和技术人员用于理解齿轮磨损机理并掌握基于振动信号的磨损检测方法。资源以理论分析与数值仿真相结合系统讲解Archard磨损模型计算磨损深度、势能法计算时变啮合刚度、将磨损等效为齿廓偏差并建立传动动力学模型重点揭示磨损对啮合频率及边频带的影响规律还构造了四个基于振动信号啮合频率边带的诊断指标并验证其有效性。压缩包内为1个docx文档约60KB文档中嵌入了完整的Python仿真代码与逐步解释覆盖从参数设置、磨损计算、刚度分析到动力学求解与频域特征提取的全流程便于读者复现论文结果并迁移到实际齿轮箱状态监测系统设计中。目前已有74人学习下载对需要开展齿轮磨损故障诊断研究或工程项目设计的人员具有实用参考价值。1. 振动信号里的齿轮磨损为什么诊断指标比“跑个深度学习”更靠谱车间里老师傅拿听音杆能判断齿轮箱好坏可让他说出门道往往就是“声音发闷”。我接手设备健康监测后最常被问的一句话是这堆振动信号里到底哪几个数能说明齿轮在磨损这个标题讨论的正是把齿轮磨损故障从振动信号里“翻译”成动态响应特征再浓缩成可报警的诊断指标最后落地成一个能运行的监测系统。用现场数据说话远比拿一套黑匣子模型去盲猜靠谱尤其当转速和负载在变时那些藏在啮合频率和边频带里的物理特征才是不会骗人的证据。适合做状态监测、设备维护或故障诊断系统开发的工程师也适合刚入门想找一条可复现路线的学生。2. 齿轮磨损的动态响应特征啮合频率、边频带和调制机理2.1 从时域到频域齿轮振动信号中藏着哪些磨损证据齿轮啮合的过程本质上是齿面接触刚度周期性变化的过程。正常情况下每个齿进入啮合和退出啮合都会产生一个冲击这个冲击的重复频率就是啮合频率它由齿数和轴转频决定。磨损发生后齿面形貌改变啮合刚度不再是规则的周期函数而是被缓慢变化的“包络”调制。于是振动信号在时域上出现幅值高低错落的冲击序列在频域上则表现为啮合频率及其谐波两侧出现边频带。注意磨损早期时域波形可能看不出异常而频域边频带已经悄悄出现。不同磨损类型的动态响应差异很明显。均匀磨损会让齿面粗糙度整体上升表现为宽带噪声增加、啮合频率谐波幅值改变点蚀故障会在齿面形成凹坑每个齿经过时产生窄脉冲冲击时域波形出现周期性尖峰峭度指标迅速升高断齿则是极端情况冲击能量巨大边频带数量明显增多且分布不对称。所以观察原始波形时我一般先做两个动作一是把均值去掉只看交流分量二是按整周期截取比如转速25Hz时截取40ms的整数倍避免截断造成频谱泄漏。很多新手直接对整段长数据做FFT结果频率分辨率很高但边频带被平均掉了这不是信号里没有而是处理方式不对。2.2 啮合频率及其谐波诊断指标的第一个锚点啮合频率是诊断齿轮磨损最基础的坐标。它的计算公式是fm Z × fr即某一级齿轮副的啮合频率等于该轴转频乘以该轴上的齿轮齿数。对定轴齿轮副来说主动轮和从动轮的啮合频率相同因为参数已经匹配好了。举例电机转速1500r/min即25Hz主动轮齿数Z123从动轮齿数Z261则第一级啮合频率fm123×25575Hz。如果中间有多级减速需要根据传动比逐级算出每根轴的转频再乘以对应齿轮齿数。这个计算要写进自动分析代码里避免拿错轴频。实际诊断时不能只看基频还要看它的谐波。2倍、3倍啮合频率处的幅值变化往往比基频更敏感。因为磨损使得啮合冲击波形变尖尖脉冲的能量天然向高次谐波扩散。我做特征提取时通常把前5阶啮合频率幅值都提取出来合成一个“谐波能量”指标。有一个需要警惕的现象轻中度磨损时齿面粗糙度增加冲击能量集中在啮合频率上幅值反而上升严重磨损到断齿或大面积点蚀时啮合刚度严重退化能量分散到更多谐波和边频带基频幅值可能回落。所以只用“啮合频率幅值高不高”判断故障并不可靠要配合边频带能量和时域冲击指标一起看。2.3 边频带与调制早期磨损的“指纹”齿轮磨损最容易识别的特征就是边频带。磨损导致啮合刚度周期性波动相当于对啮合频率信号做了幅值调制调制频率就是故障轮所在轴的转频。反映在频谱上就是fm ± n×fr 处出现峰值例如575Hz两侧的550Hz、600Hz、525Hz、625Hz等。边频带之间的间隔等于故障轴转频这个规律比幅值本身稳定得多。频率调制同样会产生边频带比如转速不均、齿距偏差、载荷波动。实际齿轮信号往往是调幅和调频叠加边频带形状不对称间距仍然等于轴转频。诊断时还要注意边频带可能不只出现在啮合基频周围在二次、三次谐波周围也会出现。我的经验是计算边频带总能量比单看某一条边频带更抗噪声。工程上常用“边频带能量占啮频带总能量的比例”作为磨损指标并且把分析带宽设为fm ± 4×fr覆盖前几对主边频带就够太宽反而把无关噪声算进来。如果现场背景噪声大还可以用包络解调先对信号做带通滤波然后通过希尔伯特变换提取包络信号再对包络做傅里叶变换。包络谱里一旦出现故障轴转频及其整数倍频说明齿轮存在以该轴为周期的冲击这是从强干扰里抠出微弱磨损特征的有效手段。我常把它作为边频带分析的补充两者互相印证比单看一条频谱可靠得多。3. 状态监测系统设计从传感器选型到数据采集的完整链路3.1 传感器与安装加速度计选型的三条硬约束振动监测系统里压电式加速度计是主流。选型时我只看三个参数量程、频率范围、灵敏度。量程方面齿轮箱正常振动常在几个g磨损严重时冲击峰值能达到几十g所以选±50g或±100g比较稳避免量程不足导致削波。频率范围要覆盖最高分析频率一般齿轮箱谐波和边频带到10kHz以内选频响上限10kHz或更高的型号。灵敏度要匹配采集卡动态范围100mV/g适合振动较小的设备10mV/g适合强振动场景不然信号太弱或太满量化噪声都会干扰特征值。安装方式是最大的坑。磁座安装方便但它的共振频率往往只有几百赫兹到1kHz高频特征会被严重衰减测齿轮啮合频率时经常“找不到峰”。我用胶粘或螺柱安装接触刚度高频响能到10kHz以上。现场实在只能用磁座那就做频响验证在传感器旁边用锤击或贴一个胶粘参考传感器对比确认高频部分没有掉太多。测点位置也很有讲究优先选靠近轴承座的刚性表面垂直径向方向通常是振动能量传递最直接的路径。传感器线缆要固定好避免线缆摆动产生虚假摩擦电荷。传感器安装对比可以这样看安装方式频响上限优点缺点磁座约1kHz移动方便高频衰减严重胶粘约5kHz频响较好表面处理要求高螺柱10kHz以上最可靠需加工螺纹孔如果是长期在线监测直接螺纹安装最省心注意别让螺纹孔位置影响齿轮箱密封。3.2 采样参数怎么定采样率、采样时长和抗混叠滤波采样参数决定了后面所有分析的上限。先用你关心的最高频率定分析带宽比如要看到第5阶啮合频率fm575Hz时就是约3kHz再考虑边频带分析到5kHz足够。采样率至少是最高分析频率的2.56倍这是振动行业从抗混叠和幅值精度折中出来的习惯。我常用25.6kHz采样率分析到10kHz这样不管一级还是二级齿轮箱都能覆盖。采样时长决定频率分辨率Δf 1/T。要分辨边频带间隔为轴转频比如25Hz频率分辨率至少要达到5Hz甚至2Hz所以采样时长至少0.2秒实用取2秒分辨率0.5Hz边频带清清楚楚。更高采样率配合更长时间会带来数据量问题但现代采集系统处理25600点每秒的2秒数据完全没有压力。抗混叠滤波是采集卡的硬性要求一定要有不然高于一半采样率的噪声会折叠进分析频带频率越高越假。实际系统里我建议把抗混叠滤波器的上限设置为采样率的一半再乘0.8给过渡带留余量。还要考虑AD位数。16位采集卡在量程范围内可以分辨到满量程的1/65536配合传感器灵敏度足够覆盖“正常振动0.1g”到“严重冲击50g”的动态范围。24位卡更好但价格高对齿轮箱这种中低频振动场景提升有限。另外一定要同步记录转速信号或者用键相脉冲否则后面做阶比分析没有依据。3.3 数据采集与存储离线采集够不够用很多设备健康监测项目野心很大一上来就要在线连续采集。实际落地时离线巡检占了一大半——工程师拿着手持采集器每台设备每月测一次回办公室分析。这种模式足够发现缓慢的齿轮磨损因为磨损进程以天甚至星期计不需要毫秒级连续监测。我建议第一版就做离线采集等特征提取和报警规则跑顺了再在关键设备上加在线传感器。离线与在线的取舍模式成本时间分辨率适用场景离线巡检低一套仪器走多台按周期天/周多数齿轮箱在线监测高每测点一通道连续关键设备、恶劣环境存储上我不推荐把原始波形一个不落存成文本文件太大。最佳实践是平时只保存计算好的特征向量时间戳、转速、负载、RMS、啮频幅值、边频带能量等存成CSV或SQLite只有触发报警或人工标记为“感兴趣”的时段才把原始时域波形压缩保存为npz或二进制文件方便事后回放。文件命名用“日期设备号测点工况”的格式后面追溯时一眼就能定位。4. 诊断指标计算与Python实现从预处理到报警阈值4.1 信号预处理去趋势、去均值和带通滤波这段代码是监测系统的核心计算模块。先读入一段振动波形采样率fs、轴转频fr、齿数Z已知。预处理做三件事去均值、去趋势消除传感器温漂、带通滤波保留啮合频率附近带宽滤掉低频摆动和高频噪声。import numpy as np from scipy.signal import butter, filtfilt def preprocess(waveform, fs, low50.0, high5000.0): 参数: waveform: 一维时域振动信号单位 m/s^2 fs: 采样率单位 Hz low, high: 带通滤波截止频率单位 Hz 返回: 滤波后的信号零均值已去趋势 # 去均值消除直流分量 sig waveform - np.mean(waveform) # 去趋势用拟合的一次项去掉传感器温漂 t np.arange(len(sig)) / fs trend np.polyfit(t, sig, 1) sig sig - np.polyval(trend, t) # 带通滤波Butterworth 4阶用filtfilt零相位滤波避免相位偏移 b, a butter(4, [low / (fs / 2), high / (fs / 2)], btypeband) sig filtfilt(b, a, sig) return sig说明Butterworth 4阶是工程折中阶数越高越陡但相位畸变越大用filtfilt是零相位不会把特征频率的峰值挪位。带宽不要设太小齿轮箱转速波动会引起啮合频率漂移几赫兹太窄会把峰值滤掉。我一般low取50Hzhigh按最高分析频率定如果只分析啮合频率附近high取fm10×fr就够这样能省掉不少高频噪声。4.2 频域特征提取RMS、峰值因子、啮合频率幅值和边频带能量特征提取是诊断指标的核心。我按“时域粗筛、频域定因”的顺序写def extract_features(sig, fs, fr, Z): 参数: sig: 预处理后的振动信号 fs: 采样率 fr: 故障轴转频单位 Hz Z: 该轴上齿轮齿数 返回: feature_dict: 包含时域和频域指标的字典 # 时域特征 rms np.sqrt(np.mean(sig**2)) peak np.max(np.abs(sig)) crest peak / rms # 峰值因子冲击型故障升高 kurtosis np.mean(sig**4) / (rms**4) # 峭度正常约3磨损冲击时升高 # 频域特征加汉宁窗后做FFT win np.hanning(len(sig)) spec np.fft.rfft(sig * win) * 2 / np.sum(win) freq np.fft.rfftfreq(len(sig), 1/fs) amp np.abs(spec) # 在啮合频率附近找峰值搜索范围 ±5Hz fm Z * fr mask (freq fm - 5) (freq fm 5) fm_amp np.max(amp[mask]) if np.any(mask) else 0.0 # 边频带能量以 fm 为中心宽度 ±4*fr 的范围扣除啮合频率自身 span 4 * fr edge_mask (freq fm - span) (freq fm span) edge_total np.sum(amp[edge_mask]**2) # 啮合频率附近5Hz的主峰能量 fm_energy fm_amp**2 sideband_energy edge_total - fm_energy # 谐波能量取前5阶啮合频率幅值平方和 harmonic_energy 0.0 for k in range(1, 6): hk k * fm h_mask (freq hk - 5) (freq hk 5) if np.any(h_mask): harmonic_energy np.max(amp[h_mask])**2 feature_dict { rms: rms, crest: crest, kurtosis: kurtosis, fm: fm, fm_amp: fm_amp, sideband_energy: sideband_energy, edge_to_fm_ratio: sideband_energy / fm_energy if fm_energy 0 else float(inf), harmonic_energy: harmonic_energy } return feature_dict参数说明汉宁窗是必须的能减少频谱泄漏代价是主瓣变宽所以搜峰范围设±5Hz。加窗后幅值会降低所以要乘以2/窗总和做幅值恢复。峭度对早期局部损伤敏感但对转速波动和电磁干扰也敏感指标要综合判断。sideband_energy、edge_to_fm_ratio和harmonic_energy是我最信任的三个磨损指标趋势比绝对值有意义。4.3 时域特征与趋势化磨损进程的量化单次测量指标是随机变量磨损诊断要靠趋势。这份代码片段展示如何把多次测量的特征组织成趋势序列def build_trend(feature_list, window5): 参数: feature_list: 按时间排序的特征字典列表 window: 滑动平均窗口长度对应几次测量 返回: 平滑后的趋势字典键值均为数组 keys list(feature_list[0].keys()) trend {k: [] for k in keys} # 对每个特征做滑动平均滤掉短期波动突出磨损趋势 for i, feat in enumerate(feature_list): lo max(0, i - window 1) group feature_list[lo:i1] for k in keys: values [g[k] for g in group if k in g] trend[k].append(np.mean(values)) return trend这里有个细节滑动平均窗口window不要太大我一般用3到5次测量。齿轮磨损是缓变过程窗口太大反而掩盖了早期突变。同时要记录每组数据对应的转速和负载做对比时必须保证工况一致否则趋势线会上下跳动。另一个有用的做法是计算指标与健康基线之比把健康阶段的特征均值作为分母当前值除以均值得到“损伤倍数”。损伤倍数超过1.5倍进入注意区超过2倍报警这样的表述现场维修人员容易接受。4.4 阈值报警自适应阈值怎么设才不误报报警阈值最怕拍脑袋。我用健康阶段的基线统计量来定并且设两个级别def set_alarm(baseline_feats, new_feat, ratio0.3): 参数: baseline_feats: 健康状态下多次测量的特征数组shape(n_samples, n_features) new_feat: 当前测量的特征数组 ratio: 报警百分比偏离例如0.3表示超过基线均值30%报警 返回: level: 0正常1注意2报警 mean np.mean(baseline_feats, axis0) std np.std(baseline_feats, axis0) # 用基线的均值2倍标准差作为“注意”均值3倍标准差或1.3倍基线作为“报警” dev (new_feat - mean) / (std 1e-12) if dev.max() 3.0 or (new_feat mean * (1 ratio)).any(): return 2 elif dev.max() 2.0: return 1 return 0参数中的ratio是百分比阈值我常用0.3即某个特征比如边频带能量超过健康基线均值30%就报警。注意特征量纲不一样应该对每个特征单独标定不要用一个全局阈值。报警还需要“连续N秒或M次超限”再触发代码里可以加一个计数器避免单次冲击误报。5. 齿轮磨损监测的常见坑与排查5条现场踩坑记录5.1 现象频谱图中找不到啮合频率原因最常是转速算错或者传感器磁座安装导致高频衰减其次是采样率不够啮合频率被混叠到别的频率。有一次我排查半天结果是电机实际转速比铭牌低了5%fm偏差28Hz整条频谱对不上。解决先用手持转速表核对轴转频确认fm值再把传感器换成胶粘并做锤击实验看频响曲线最后检查采集卡采样率是否满足2.56倍规则。如果传感器安装在高阻尼的塑料壳上高频能量会被吃掉大半这也是常见原因。5.2 现象边频带被噪声淹没原因频率分辨率太低或者窗函数泄露太大。比如采样时长只有0.1秒Δf10Hz而轴转频25Hz边频带间隔25Hz理论上还能分辨但随机噪声把幅值拉平了。解决把采样时长延长到2秒Δf降到0.5Hz加汉宁窗并确保整周期截取对多次测量做谱平均可以显著压低随机噪声。谱平均的次数一般取5~10次平均值能抑制非平稳干扰但要注意转速波动时不能直接平均时域谱否则峰值被抹平。5.3 现象转速波动导致频率模糊原因齿轮箱带载后转速漂移啮合频率随时间变化FFT把变化的信息摊平到一条宽峰边频带糊成一团。解决记录同步转速信号把时域信号重采样成角域信号等角度采样再做FFT得到阶次谱。计算阶比跟踪的具体流程是先用转速脉冲测出瞬时转速构造角度-时间映射再对原信号插值重采样使每个齿轮转一周的采样点数为整数。这样得到的阶次谱里啮合阶次就是齿数Z边频带也是稳定的阶次间隔彻底解决变速工况下的频率模糊。5.4 现象重复性差相同工况两次测量差异大原因传感器每次安装的预紧力矩不同测点位置有偏移负载和温度也不一致。解决用记号笔固定测点和传感器方向胶粘/螺柱安装时按标准力矩拧紧采样前让设备充分热机记录负载百分比只在相同负载区间内对比特征。血泪经验不要拿空载和满载的数据做趋势否则曲线像心电图。另外设备转速在启动和稳定阶段差别很大一定要等转速稳定后再采集否则频率峰值位置漂移。5.5 现象阈值报警频繁误触发原因启动和停机阶段有巨大冲击负载突变产生瞬时尖峰还有环境干扰。解决在特征计算前加转速区间判断低于某转速不提取特征报警条件设为“连续3次测量超限”或“超限持续时间超过30秒”异常值用中位数滤波先剔除。阈值不是越低越灵敏而是越低误报越多现场人员很快就不信报警了。我习惯把报警设置成两级一级提醒到设备员二级才停机给现场留出复核时间。6. 进阶验证与趋势分析让诊断指标经得起工况变化6.1 故障注入实验用人为磨损样本验证指标敏感性上真机验证前建议先造故障数据。常见做法是用电火花在齿面打几个点蚀坑或者添加磨粒跑合模拟真实磨损。采集健康、轻度、中度、重度四组样本分别计算第4章的指标画成柱状图。只有单调递增、且方差小的指标才值得做报警依据。我见过边频带能量和edge_to_fm_ratio在点蚀早期就有明显响应而RMS直到20%磨损才变化说明RMS不适合做早期指标。6.2 趋势曲线与剩余寿命预估的初步方法有了趋势曲线可以用简单的指数平滑或线性回归外推磨损速率。先归一化1代表健康基线2代表严重故障阈值。然后记录特征值到达报警阈值的时间点根据斜率估算剩余天数。这个方法只适合稳定工况转速负载一变就不准不要过度解读。实际项目里我更多用趋势做“通知检修窗口”而不是精确预测寿命把结论写成“预计在下次大修前需要检查”就足够了。6.3 我的习惯与建议我的习惯是每次验收前先跑通“数据采集-特征提取-报警触发”全链路再手动注入一个标准脉冲信号验证系统不崩溃。代码里把预处理和特征提取封装成类方便在离线分析和在线监测之间复用。我会为每台设备单独建立健康基线而不是所有设备共用一套阈值。最后建议你做一张“指标与故障程度对照表”贴在现场让维修人员也能看懂避免黑匣子式的结论让操作员不信任。希望帮到你。本文还有配套的精品资源点击获取
齿轮磨损振动诊断：从啮合频率边频带到状态监测指标
简介这份资源是围绕齿轮磨损故障动态响应特征与诊断指标的研究资料适合机械工程、故障诊断与状态监测领域的研究人员和技术人员用于理解齿轮磨损机理并掌握基于振动信号的磨损检测方法。资源以理论分析与数值仿真相结合系统讲解Archard磨损模型计算磨损深度、势能法计算时变啮合刚度、将磨损等效为齿廓偏差并建立传动动力学模型重点揭示磨损对啮合频率及边频带的影响规律还构造了四个基于振动信号啮合频率边带的诊断指标并验证其有效性。压缩包内为1个docx文档约60KB文档中嵌入了完整的Python仿真代码与逐步解释覆盖从参数设置、磨损计算、刚度分析到动力学求解与频域特征提取的全流程便于读者复现论文结果并迁移到实际齿轮箱状态监测系统设计中。目前已有74人学习下载对需要开展齿轮磨损故障诊断研究或工程项目设计的人员具有实用参考价值。1. 振动信号里的齿轮磨损为什么诊断指标比“跑个深度学习”更靠谱车间里老师傅拿听音杆能判断齿轮箱好坏可让他说出门道往往就是“声音发闷”。我接手设备健康监测后最常被问的一句话是这堆振动信号里到底哪几个数能说明齿轮在磨损这个标题讨论的正是把齿轮磨损故障从振动信号里“翻译”成动态响应特征再浓缩成可报警的诊断指标最后落地成一个能运行的监测系统。用现场数据说话远比拿一套黑匣子模型去盲猜靠谱尤其当转速和负载在变时那些藏在啮合频率和边频带里的物理特征才是不会骗人的证据。适合做状态监测、设备维护或故障诊断系统开发的工程师也适合刚入门想找一条可复现路线的学生。2. 齿轮磨损的动态响应特征啮合频率、边频带和调制机理2.1 从时域到频域齿轮振动信号中藏着哪些磨损证据齿轮啮合的过程本质上是齿面接触刚度周期性变化的过程。正常情况下每个齿进入啮合和退出啮合都会产生一个冲击这个冲击的重复频率就是啮合频率它由齿数和轴转频决定。磨损发生后齿面形貌改变啮合刚度不再是规则的周期函数而是被缓慢变化的“包络”调制。于是振动信号在时域上出现幅值高低错落的冲击序列在频域上则表现为啮合频率及其谐波两侧出现边频带。注意磨损早期时域波形可能看不出异常而频域边频带已经悄悄出现。不同磨损类型的动态响应差异很明显。均匀磨损会让齿面粗糙度整体上升表现为宽带噪声增加、啮合频率谐波幅值改变点蚀故障会在齿面形成凹坑每个齿经过时产生窄脉冲冲击时域波形出现周期性尖峰峭度指标迅速升高断齿则是极端情况冲击能量巨大边频带数量明显增多且分布不对称。所以观察原始波形时我一般先做两个动作一是把均值去掉只看交流分量二是按整周期截取比如转速25Hz时截取40ms的整数倍避免截断造成频谱泄漏。很多新手直接对整段长数据做FFT结果频率分辨率很高但边频带被平均掉了这不是信号里没有而是处理方式不对。2.2 啮合频率及其谐波诊断指标的第一个锚点啮合频率是诊断齿轮磨损最基础的坐标。它的计算公式是fm Z × fr即某一级齿轮副的啮合频率等于该轴转频乘以该轴上的齿轮齿数。对定轴齿轮副来说主动轮和从动轮的啮合频率相同因为参数已经匹配好了。举例电机转速1500r/min即25Hz主动轮齿数Z123从动轮齿数Z261则第一级啮合频率fm123×25575Hz。如果中间有多级减速需要根据传动比逐级算出每根轴的转频再乘以对应齿轮齿数。这个计算要写进自动分析代码里避免拿错轴频。实际诊断时不能只看基频还要看它的谐波。2倍、3倍啮合频率处的幅值变化往往比基频更敏感。因为磨损使得啮合冲击波形变尖尖脉冲的能量天然向高次谐波扩散。我做特征提取时通常把前5阶啮合频率幅值都提取出来合成一个“谐波能量”指标。有一个需要警惕的现象轻中度磨损时齿面粗糙度增加冲击能量集中在啮合频率上幅值反而上升严重磨损到断齿或大面积点蚀时啮合刚度严重退化能量分散到更多谐波和边频带基频幅值可能回落。所以只用“啮合频率幅值高不高”判断故障并不可靠要配合边频带能量和时域冲击指标一起看。2.3 边频带与调制早期磨损的“指纹”齿轮磨损最容易识别的特征就是边频带。磨损导致啮合刚度周期性波动相当于对啮合频率信号做了幅值调制调制频率就是故障轮所在轴的转频。反映在频谱上就是fm ± n×fr 处出现峰值例如575Hz两侧的550Hz、600Hz、525Hz、625Hz等。边频带之间的间隔等于故障轴转频这个规律比幅值本身稳定得多。频率调制同样会产生边频带比如转速不均、齿距偏差、载荷波动。实际齿轮信号往往是调幅和调频叠加边频带形状不对称间距仍然等于轴转频。诊断时还要注意边频带可能不只出现在啮合基频周围在二次、三次谐波周围也会出现。我的经验是计算边频带总能量比单看某一条边频带更抗噪声。工程上常用“边频带能量占啮频带总能量的比例”作为磨损指标并且把分析带宽设为fm ± 4×fr覆盖前几对主边频带就够太宽反而把无关噪声算进来。如果现场背景噪声大还可以用包络解调先对信号做带通滤波然后通过希尔伯特变换提取包络信号再对包络做傅里叶变换。包络谱里一旦出现故障轴转频及其整数倍频说明齿轮存在以该轴为周期的冲击这是从强干扰里抠出微弱磨损特征的有效手段。我常把它作为边频带分析的补充两者互相印证比单看一条频谱可靠得多。3. 状态监测系统设计从传感器选型到数据采集的完整链路3.1 传感器与安装加速度计选型的三条硬约束振动监测系统里压电式加速度计是主流。选型时我只看三个参数量程、频率范围、灵敏度。量程方面齿轮箱正常振动常在几个g磨损严重时冲击峰值能达到几十g所以选±50g或±100g比较稳避免量程不足导致削波。频率范围要覆盖最高分析频率一般齿轮箱谐波和边频带到10kHz以内选频响上限10kHz或更高的型号。灵敏度要匹配采集卡动态范围100mV/g适合振动较小的设备10mV/g适合强振动场景不然信号太弱或太满量化噪声都会干扰特征值。安装方式是最大的坑。磁座安装方便但它的共振频率往往只有几百赫兹到1kHz高频特征会被严重衰减测齿轮啮合频率时经常“找不到峰”。我用胶粘或螺柱安装接触刚度高频响能到10kHz以上。现场实在只能用磁座那就做频响验证在传感器旁边用锤击或贴一个胶粘参考传感器对比确认高频部分没有掉太多。测点位置也很有讲究优先选靠近轴承座的刚性表面垂直径向方向通常是振动能量传递最直接的路径。传感器线缆要固定好避免线缆摆动产生虚假摩擦电荷。传感器安装对比可以这样看安装方式频响上限优点缺点磁座约1kHz移动方便高频衰减严重胶粘约5kHz频响较好表面处理要求高螺柱10kHz以上最可靠需加工螺纹孔如果是长期在线监测直接螺纹安装最省心注意别让螺纹孔位置影响齿轮箱密封。3.2 采样参数怎么定采样率、采样时长和抗混叠滤波采样参数决定了后面所有分析的上限。先用你关心的最高频率定分析带宽比如要看到第5阶啮合频率fm575Hz时就是约3kHz再考虑边频带分析到5kHz足够。采样率至少是最高分析频率的2.56倍这是振动行业从抗混叠和幅值精度折中出来的习惯。我常用25.6kHz采样率分析到10kHz这样不管一级还是二级齿轮箱都能覆盖。采样时长决定频率分辨率Δf 1/T。要分辨边频带间隔为轴转频比如25Hz频率分辨率至少要达到5Hz甚至2Hz所以采样时长至少0.2秒实用取2秒分辨率0.5Hz边频带清清楚楚。更高采样率配合更长时间会带来数据量问题但现代采集系统处理25600点每秒的2秒数据完全没有压力。抗混叠滤波是采集卡的硬性要求一定要有不然高于一半采样率的噪声会折叠进分析频带频率越高越假。实际系统里我建议把抗混叠滤波器的上限设置为采样率的一半再乘0.8给过渡带留余量。还要考虑AD位数。16位采集卡在量程范围内可以分辨到满量程的1/65536配合传感器灵敏度足够覆盖“正常振动0.1g”到“严重冲击50g”的动态范围。24位卡更好但价格高对齿轮箱这种中低频振动场景提升有限。另外一定要同步记录转速信号或者用键相脉冲否则后面做阶比分析没有依据。3.3 数据采集与存储离线采集够不够用很多设备健康监测项目野心很大一上来就要在线连续采集。实际落地时离线巡检占了一大半——工程师拿着手持采集器每台设备每月测一次回办公室分析。这种模式足够发现缓慢的齿轮磨损因为磨损进程以天甚至星期计不需要毫秒级连续监测。我建议第一版就做离线采集等特征提取和报警规则跑顺了再在关键设备上加在线传感器。离线与在线的取舍模式成本时间分辨率适用场景离线巡检低一套仪器走多台按周期天/周多数齿轮箱在线监测高每测点一通道连续关键设备、恶劣环境存储上我不推荐把原始波形一个不落存成文本文件太大。最佳实践是平时只保存计算好的特征向量时间戳、转速、负载、RMS、啮频幅值、边频带能量等存成CSV或SQLite只有触发报警或人工标记为“感兴趣”的时段才把原始时域波形压缩保存为npz或二进制文件方便事后回放。文件命名用“日期设备号测点工况”的格式后面追溯时一眼就能定位。4. 诊断指标计算与Python实现从预处理到报警阈值4.1 信号预处理去趋势、去均值和带通滤波这段代码是监测系统的核心计算模块。先读入一段振动波形采样率fs、轴转频fr、齿数Z已知。预处理做三件事去均值、去趋势消除传感器温漂、带通滤波保留啮合频率附近带宽滤掉低频摆动和高频噪声。import numpy as np from scipy.signal import butter, filtfilt def preprocess(waveform, fs, low50.0, high5000.0): 参数: waveform: 一维时域振动信号单位 m/s^2 fs: 采样率单位 Hz low, high: 带通滤波截止频率单位 Hz 返回: 滤波后的信号零均值已去趋势 # 去均值消除直流分量 sig waveform - np.mean(waveform) # 去趋势用拟合的一次项去掉传感器温漂 t np.arange(len(sig)) / fs trend np.polyfit(t, sig, 1) sig sig - np.polyval(trend, t) # 带通滤波Butterworth 4阶用filtfilt零相位滤波避免相位偏移 b, a butter(4, [low / (fs / 2), high / (fs / 2)], btypeband) sig filtfilt(b, a, sig) return sig说明Butterworth 4阶是工程折中阶数越高越陡但相位畸变越大用filtfilt是零相位不会把特征频率的峰值挪位。带宽不要设太小齿轮箱转速波动会引起啮合频率漂移几赫兹太窄会把峰值滤掉。我一般low取50Hzhigh按最高分析频率定如果只分析啮合频率附近high取fm10×fr就够这样能省掉不少高频噪声。4.2 频域特征提取RMS、峰值因子、啮合频率幅值和边频带能量特征提取是诊断指标的核心。我按“时域粗筛、频域定因”的顺序写def extract_features(sig, fs, fr, Z): 参数: sig: 预处理后的振动信号 fs: 采样率 fr: 故障轴转频单位 Hz Z: 该轴上齿轮齿数 返回: feature_dict: 包含时域和频域指标的字典 # 时域特征 rms np.sqrt(np.mean(sig**2)) peak np.max(np.abs(sig)) crest peak / rms # 峰值因子冲击型故障升高 kurtosis np.mean(sig**4) / (rms**4) # 峭度正常约3磨损冲击时升高 # 频域特征加汉宁窗后做FFT win np.hanning(len(sig)) spec np.fft.rfft(sig * win) * 2 / np.sum(win) freq np.fft.rfftfreq(len(sig), 1/fs) amp np.abs(spec) # 在啮合频率附近找峰值搜索范围 ±5Hz fm Z * fr mask (freq fm - 5) (freq fm 5) fm_amp np.max(amp[mask]) if np.any(mask) else 0.0 # 边频带能量以 fm 为中心宽度 ±4*fr 的范围扣除啮合频率自身 span 4 * fr edge_mask (freq fm - span) (freq fm span) edge_total np.sum(amp[edge_mask]**2) # 啮合频率附近5Hz的主峰能量 fm_energy fm_amp**2 sideband_energy edge_total - fm_energy # 谐波能量取前5阶啮合频率幅值平方和 harmonic_energy 0.0 for k in range(1, 6): hk k * fm h_mask (freq hk - 5) (freq hk 5) if np.any(h_mask): harmonic_energy np.max(amp[h_mask])**2 feature_dict { rms: rms, crest: crest, kurtosis: kurtosis, fm: fm, fm_amp: fm_amp, sideband_energy: sideband_energy, edge_to_fm_ratio: sideband_energy / fm_energy if fm_energy 0 else float(inf), harmonic_energy: harmonic_energy } return feature_dict参数说明汉宁窗是必须的能减少频谱泄漏代价是主瓣变宽所以搜峰范围设±5Hz。加窗后幅值会降低所以要乘以2/窗总和做幅值恢复。峭度对早期局部损伤敏感但对转速波动和电磁干扰也敏感指标要综合判断。sideband_energy、edge_to_fm_ratio和harmonic_energy是我最信任的三个磨损指标趋势比绝对值有意义。4.3 时域特征与趋势化磨损进程的量化单次测量指标是随机变量磨损诊断要靠趋势。这份代码片段展示如何把多次测量的特征组织成趋势序列def build_trend(feature_list, window5): 参数: feature_list: 按时间排序的特征字典列表 window: 滑动平均窗口长度对应几次测量 返回: 平滑后的趋势字典键值均为数组 keys list(feature_list[0].keys()) trend {k: [] for k in keys} # 对每个特征做滑动平均滤掉短期波动突出磨损趋势 for i, feat in enumerate(feature_list): lo max(0, i - window 1) group feature_list[lo:i1] for k in keys: values [g[k] for g in group if k in g] trend[k].append(np.mean(values)) return trend这里有个细节滑动平均窗口window不要太大我一般用3到5次测量。齿轮磨损是缓变过程窗口太大反而掩盖了早期突变。同时要记录每组数据对应的转速和负载做对比时必须保证工况一致否则趋势线会上下跳动。另一个有用的做法是计算指标与健康基线之比把健康阶段的特征均值作为分母当前值除以均值得到“损伤倍数”。损伤倍数超过1.5倍进入注意区超过2倍报警这样的表述现场维修人员容易接受。4.4 阈值报警自适应阈值怎么设才不误报报警阈值最怕拍脑袋。我用健康阶段的基线统计量来定并且设两个级别def set_alarm(baseline_feats, new_feat, ratio0.3): 参数: baseline_feats: 健康状态下多次测量的特征数组shape(n_samples, n_features) new_feat: 当前测量的特征数组 ratio: 报警百分比偏离例如0.3表示超过基线均值30%报警 返回: level: 0正常1注意2报警 mean np.mean(baseline_feats, axis0) std np.std(baseline_feats, axis0) # 用基线的均值2倍标准差作为“注意”均值3倍标准差或1.3倍基线作为“报警” dev (new_feat - mean) / (std 1e-12) if dev.max() 3.0 or (new_feat mean * (1 ratio)).any(): return 2 elif dev.max() 2.0: return 1 return 0参数中的ratio是百分比阈值我常用0.3即某个特征比如边频带能量超过健康基线均值30%就报警。注意特征量纲不一样应该对每个特征单独标定不要用一个全局阈值。报警还需要“连续N秒或M次超限”再触发代码里可以加一个计数器避免单次冲击误报。5. 齿轮磨损监测的常见坑与排查5条现场踩坑记录5.1 现象频谱图中找不到啮合频率原因最常是转速算错或者传感器磁座安装导致高频衰减其次是采样率不够啮合频率被混叠到别的频率。有一次我排查半天结果是电机实际转速比铭牌低了5%fm偏差28Hz整条频谱对不上。解决先用手持转速表核对轴转频确认fm值再把传感器换成胶粘并做锤击实验看频响曲线最后检查采集卡采样率是否满足2.56倍规则。如果传感器安装在高阻尼的塑料壳上高频能量会被吃掉大半这也是常见原因。5.2 现象边频带被噪声淹没原因频率分辨率太低或者窗函数泄露太大。比如采样时长只有0.1秒Δf10Hz而轴转频25Hz边频带间隔25Hz理论上还能分辨但随机噪声把幅值拉平了。解决把采样时长延长到2秒Δf降到0.5Hz加汉宁窗并确保整周期截取对多次测量做谱平均可以显著压低随机噪声。谱平均的次数一般取5~10次平均值能抑制非平稳干扰但要注意转速波动时不能直接平均时域谱否则峰值被抹平。5.3 现象转速波动导致频率模糊原因齿轮箱带载后转速漂移啮合频率随时间变化FFT把变化的信息摊平到一条宽峰边频带糊成一团。解决记录同步转速信号把时域信号重采样成角域信号等角度采样再做FFT得到阶次谱。计算阶比跟踪的具体流程是先用转速脉冲测出瞬时转速构造角度-时间映射再对原信号插值重采样使每个齿轮转一周的采样点数为整数。这样得到的阶次谱里啮合阶次就是齿数Z边频带也是稳定的阶次间隔彻底解决变速工况下的频率模糊。5.4 现象重复性差相同工况两次测量差异大原因传感器每次安装的预紧力矩不同测点位置有偏移负载和温度也不一致。解决用记号笔固定测点和传感器方向胶粘/螺柱安装时按标准力矩拧紧采样前让设备充分热机记录负载百分比只在相同负载区间内对比特征。血泪经验不要拿空载和满载的数据做趋势否则曲线像心电图。另外设备转速在启动和稳定阶段差别很大一定要等转速稳定后再采集否则频率峰值位置漂移。5.5 现象阈值报警频繁误触发原因启动和停机阶段有巨大冲击负载突变产生瞬时尖峰还有环境干扰。解决在特征计算前加转速区间判断低于某转速不提取特征报警条件设为“连续3次测量超限”或“超限持续时间超过30秒”异常值用中位数滤波先剔除。阈值不是越低越灵敏而是越低误报越多现场人员很快就不信报警了。我习惯把报警设置成两级一级提醒到设备员二级才停机给现场留出复核时间。6. 进阶验证与趋势分析让诊断指标经得起工况变化6.1 故障注入实验用人为磨损样本验证指标敏感性上真机验证前建议先造故障数据。常见做法是用电火花在齿面打几个点蚀坑或者添加磨粒跑合模拟真实磨损。采集健康、轻度、中度、重度四组样本分别计算第4章的指标画成柱状图。只有单调递增、且方差小的指标才值得做报警依据。我见过边频带能量和edge_to_fm_ratio在点蚀早期就有明显响应而RMS直到20%磨损才变化说明RMS不适合做早期指标。6.2 趋势曲线与剩余寿命预估的初步方法有了趋势曲线可以用简单的指数平滑或线性回归外推磨损速率。先归一化1代表健康基线2代表严重故障阈值。然后记录特征值到达报警阈值的时间点根据斜率估算剩余天数。这个方法只适合稳定工况转速负载一变就不准不要过度解读。实际项目里我更多用趋势做“通知检修窗口”而不是精确预测寿命把结论写成“预计在下次大修前需要检查”就足够了。6.3 我的习惯与建议我的习惯是每次验收前先跑通“数据采集-特征提取-报警触发”全链路再手动注入一个标准脉冲信号验证系统不崩溃。代码里把预处理和特征提取封装成类方便在离线分析和在线监测之间复用。我会为每台设备单独建立健康基线而不是所有设备共用一套阈值。最后建议你做一张“指标与故障程度对照表”贴在现场让维修人员也能看懂避免黑匣子式的结论让操作员不信任。希望帮到你。本文还有配套的精品资源点击获取
