[發明專利]一種基于APEWT和IMOMEDA的行星齒輪箱早期故障診斷方法

有效

• 申請號: 202010541496.9
• 申請日: 2020-06-15
• 公開（公告）號: CN111623982B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 李宏坤;王朝閣;胡少梁
• 申請（專利權）人: 大連理工大學
• 主分類號: G01M13/028
• 分類號: G01M13/028;G01M13/021;G06F17/14;G06F17/15
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明提供一種基于APEWT和IMOMEDA的行星齒輪箱早期故障診斷方法。首先，計算行星齒輪箱故障振動信號的離散尺度空間譜，在尺度空間譜上自適應確定頻段劃分邊界；然后，采用APEWT將故障信號自動分解為一系列模態分量，并從中選取敏感分量；其次，采用IMOMEDA對敏感分量進行解卷積處理，并對解卷積后的分量進行波形延伸得到提升信號；最后，從提升信號的包絡譜中提取故障特征頻率，并與齒輪箱理論故障特征頻率值對比，從而識別故障類型。本發明能夠清晰準確地提取出行星齒輪箱早期故障特征信息，不僅解決了EWT中參數無法自適應確定的問題，還解決了MOMEDA存在的嚴重邊緣效應的問題，提高了故障診斷的精確度。

技術領域

本發明屬于旋轉機械故障診斷與振動信號分析技術領域，涉及一種旋轉機械早期故障診斷方法，具體涉及一種基于自適應無參經驗小波變換(AdaptiveParameterlessEmpirical Wavelet Transform，APEWT)和提升的多點優化最小熵解卷積修正(Improved Multipoint Optimal Minimum Entropy Deconvolution Adjusted，IMOMEDA)的行星齒輪箱早期故障診斷方法，可用于行星齒輪箱中齒輪和滾動軸承的故障診斷。

背景技術

行星齒輪箱具有體積小，傳動比大、承載力強、運行平穩和工作效率高等優點，已被廣泛應用于直升機、風力發電、重型卡車和艦船等大型復雜機械設備中。然而，行星齒輪箱的工作環境通常比較惡劣，長期運行在高負荷、強沖擊和高污染的工況下，極易導致齒輪箱中的關鍵性部件(太陽輪、行星輪、齒圈和滾動軸承等)發生故障。而行星齒輪作為大型復雜機電裝備機械傳動系統的重要組成部分，一旦發生故障，將加速設備性能惡化，輕則引起整個動力傳輸系統失效，重則導致機毀人亡。因此，若能在齒輪箱失效早期階段實現故障溯源并及時消除隱患，對保證設備穩定安全運行，避免災難性事故的發生意義十分重大。

當行星齒輪箱內的齒輪或滾動軸承出現局部損傷時，在運轉過程中損傷部位會產生周期性、非平穩的沖擊振動，振動向外傳遞過程中會受到復雜傳遞路徑的影響逐漸減弱，同時齒輪箱中多對齒輪嚙合振動相互耦合，導致從殼體上采集到的振動響應信號表現為強背景噪聲、非平穩、非線性和耦合調制等特征。時頻分析方法是分析非平穩、非線性信號的有力工具，例如：Wigner–Ville分布、短時傅里葉變換、小波變換等。然而，這些方法都具有各自的局限性。Wigner–Ville分布用于多分量信號時存在嚴重的交叉干擾項；短時傅里葉變換具有固定時頻分辨率的缺陷；小波變換需要預先確定小波基函數和分解水平，使其缺乏自適應性。因此，非自適應信號處理方法對于實際齒輪箱故障信號的分析難以取得滿意的效果。經驗模式分解(Empirical Mode Decomposition,EMD)方法作為較早使用的自適應信號分解方法，可以根據信號自身的局部尺度特征自適應地分解為一系列固有模態函數之和，從而揭示信號的內部本質。雖然EMD方法具有很多優勢，但存在模態混疊、端點效應以及理論基礎缺乏等問題。為了彌補EMD方法的不足，出現了集合經驗模式分解(EnsembleEmpirical Mode Decomposition,EEMD)和噪聲輔助分析的總體局部平均分解(EnsembleLocal Mean Decomposition,ELMD)等改進方法，但EEMD和ELMD中添加白噪聲的兩個關鍵參數(噪聲的振幅和集成次數)選取機理尚未明確，同時添加噪聲后在信號重構過程中存在殘余噪聲污染和運算量大等問題。不同于上述的分析方法，經驗小波變換(EmpiricalWavelet Transform，EWT)是近幾年提出的一種新穎的自適應信號分解算法，它能有效地分解信號中的固有模態，具有較低的運算復雜度與完備的數學理論基礎而受到學者們的青睞。但EWT算法在應用時，需要依靠使用者來預先設置分解所需的模態個數對被分析信號的頻譜進行劃分；此外，基于頻譜極大值的頻段邊界劃分策略容易使該算法陷入局部最優，從而導致頻譜劃分過于密集，分解結果出現嚴重的模態混疊現象。