[發(fā)明專利]一種基于頻譜趨勢和變分模態(tài)分解的齒輪箱故障識別方法

有效

• 申請?zhí)枺?/td>: 201711408267.4
• 申請日: 2017-12-22
• 公開（公告）號: CN107944199B
• 公開（公告）日: 2020-12-01
• 發(fā)明（設(shè)計(jì)）人: 張征;王昌明;鮑雨梅;吳化平;李吉泉;丁浩
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06F30/17
• 分類號: G06F30/17;G01M13/021
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 吳秉中

本發(fā)明公開了一種基于頻譜趨勢和變分模態(tài)分解的齒輪箱故障識別方法，它包括如下步驟：先采集目標(biāo)齒輪箱的振動(dòng)信號；再采用基于頻譜趨勢的方式對變分模態(tài)分解方法進(jìn)行改進(jìn)，利用改進(jìn)的變分模態(tài)分解方法對齒輪箱的振動(dòng)信號進(jìn)行分解，得到振動(dòng)信號的各個(gè)模態(tài)分量；接著對獲得的模態(tài)分量進(jìn)行解調(diào)分析，獲得各個(gè)模態(tài)信號的特征頻率；最后將特征頻率與齒輪箱的各個(gè)齒輪轉(zhuǎn)頻進(jìn)行對比，定位齒輪箱的故障源。本發(fā)明將時(shí)域范圍的趨勢概念引入頻域范圍內(nèi)，提出了基于頻譜趨勢的改進(jìn)變分模態(tài)分解的方法，該方法很好的解決了變分模態(tài)分解中模態(tài)數(shù)量需要預(yù)設(shè)的問題，利用頻譜趨勢極大值的歸一化橫坐標(biāo)來初始化中心頻率，使得分解的各個(gè)模態(tài)更為合理。

技術(shù)領(lǐng)域

本發(fā)明屬于齒輪箱故障識別技術(shù)領(lǐng)域，具體涉及一種基于頻譜趨勢和變分模態(tài)分解(VMD)的齒輪箱故障識別方法，它是一種基于頻譜趨勢(Spectrum Trend)的多分量個(gè)數(shù)估計(jì)并以頻譜趨勢為基礎(chǔ)來改進(jìn)變分模態(tài)分解(Variational Mode Decomposition,VMD)算法，用于多分量信號模態(tài)的提取。

背景技術(shù)

齒輪箱振動(dòng)信號具有復(fù)雜多分量和調(diào)幅調(diào)頻(AM-FM)的特點(diǎn)，幅值解調(diào)和頻率解調(diào)方法能夠避免傳統(tǒng)Fourier頻譜中的復(fù)雜邊帶分析，有效識別故障特征頻率。但是對于多分量AM-FM信號有效的解調(diào)分析的一個(gè)前提就是提取有效的模態(tài)分量，小波變換(WaveletTransform,WT)和經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)都是運(yùn)用比較廣泛的模態(tài)分量提取方法。但是WT存在小波基的選擇和小波基確定之后缺乏自適應(yīng)性的問題，而EMD是一種經(jīng)驗(yàn)性的方法，缺乏完備的理論基礎(chǔ)。

Dragomiretski等人提出VMD多分量信號分解方法，該方法采用頻域非遞歸的迭代求解方式，將信號分解轉(zhuǎn)換成以模態(tài)分量的估計(jì)帶寬之和最小為目標(biāo)的變分方式。該方法將維納濾波器內(nèi)嵌在算法之中，具有較好的魯棒性。

VMD方法在直接處理齒輪箱振動(dòng)信號時(shí)，模態(tài)分量的個(gè)數(shù)需要預(yù)設(shè)，分量個(gè)數(shù)估計(jì)的過大或者過小都會(huì)造成振動(dòng)信號分解的不合理，影響故障識別的精度。此外不同的中心頻率初始化方式也會(huì)造成分解得到的模態(tài)分量在頻譜上不同的分布，也會(huì)對故障識別造成不利影響。這些問題也影響了VMD方法在齒輪箱故障識別領(lǐng)域中的廣泛運(yùn)用。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明專利的目的在于提供一種簡便的、準(zhǔn)確度高的基于頻譜趨勢和變分模態(tài)分解的齒輪箱故障識別方法，本發(fā)明的基于頻譜趨勢(Spectrum Trend)的改進(jìn)VMD方法，命名為ST-VMD，并將其運(yùn)用于齒輪箱故障診斷領(lǐng)域。

所述的一種基于頻譜趨勢和變分模態(tài)分解的齒輪箱故障識別方法，其特征在于包括如下步驟：

步驟1采集目標(biāo)齒輪箱的振動(dòng)信號；

步驟2采用基于頻譜趨勢的方式對變分模態(tài)分解方法進(jìn)行改進(jìn)，利用改進(jìn)的變分模態(tài)分解方法對齒輪箱的振動(dòng)信號進(jìn)行分解，得到振動(dòng)信號的各個(gè)模態(tài)分量；

步驟3對獲得的模態(tài)分量進(jìn)行解調(diào)分析，獲得各個(gè)模態(tài)信號的特征頻率；

步驟4將特征頻率與齒輪箱的各個(gè)齒輪轉(zhuǎn)頻進(jìn)行對比，定位齒輪箱的故障源。

所述的一種基于頻譜趨勢和變分模態(tài)分解的齒輪箱故障識別方法，其特征在于；步驟2)采用基于頻譜趨勢的改進(jìn)變分模態(tài)分解方法來對齒輪箱的振動(dòng)信號進(jìn)行分解，得到振動(dòng)信號的各個(gè)模態(tài)分量，具體步驟如下：

2.1)對振動(dòng)信號進(jìn)行Fourier變換，獲得振動(dòng)信號的頻譜；

2.2)利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法對振動(dòng)信號的頻譜進(jìn)行自適應(yīng)性的分解，獲得信號頻譜的本征模態(tài)函數(shù)(IMFs)及其殘余；

2.3)對部分IMFs和殘余進(jìn)行重構(gòu)，獲得振動(dòng)信號的頻譜趨勢；