[发明专利]基于振动信号分析的传动系统齿轮故障诊断方法

说明书

技术领域

本发明涉及一种传动系统齿轮故障诊断方法，尤其是一种基于振动信号分析的传动系统齿轮故障诊断方法。

背景技术

齿轮作为机械设备传动系统中必不可少的连接和传递动力的部件，齿轮的运行状况可以直接影响到整台机械的工作效率、可靠性及其寿命。由于整个传动系统结构复杂，齿轮的工作环境十分恶劣等原因，齿轮的失效是诱发机器故障的主要原因之一，因此齿轮的故障诊断也是传动系统故障诊断中非常重要的一部分。

振动分析通过分析传动系统中旋转机械如齿轮、轴承等的振动频率，振动幅度，振动随时间转速的变化等特征对早期潜在或已有的故障进行分析判断，具有较高的精确性。传统的FFT频谱分析方法基于被分析信号的稳定性，其处理电机滚动轴承的非线性、非平稳振动信号有一定的局限性。FFT（Fast Fourier Transformation），即为快速傅氏变换。

传统的经验模式分解（Empirical Mode Decomposition，即 EMD)方法于1998年由N.E.Huang提出，因其适用于实际非线性非平稳信号的研究，广泛的应用于信号去噪障诊断和趋势预测等领域中。然而其在研究的过程中仍存在着许多的问题，如：包络线拟合、筛选终止准则选择、边界处理以及分解中的模态混叠等问题。之后的研究针对这些问题提出了多种改进方法。如模态混叠问题，针对经验模式分解（EMD）方法在分解特定的如频率相近的合成信号过程中出现的低频IMF中混有高频分量以及分解的内蕴模式分量（Intrinsic Mode Functions，即IMF）频率区段没有严格按照从高到低排列的现象。何旭在经验模式分解的研究及其在故障诊断中的应用（上海，上海交通大学,2005）文献中提出了微分方法的经验模式分解（Differential Empirical Mode Decomposition，即DEMD），但其在分解的后几阶内蕴模式分量（IMF）中会出现分解失真的现象。

发明内容

本发明是要解决解决传统的经验模式分解（EMD）方法在分解过程中出现的模态混叠问题，让各阶内蕴模式分量（IMF）的频率从高到低进行排列，使得分解的结果更能反应原始信号特征，同时改善现有的微分方法的经验模式分解（DEMD）的分解过程中在后几阶IMF分解过程中出现的失真现象，而提出一种基于振动信号分析的传动系统齿轮故障诊断方法。

为实现上述目的，本发明的技术方案是：一种基于振动信号分析的传动系统齿轮故障诊断方法，包括以下步骤：

1）将原始振动信号x(t)进行n阶微分求导，                                               ；

2）将xⁿ(t)进行一阶EMD分解，得到第一个IMF，;其中r_n1(t)为一阶EMD分解后的残余分量；

3）对IMF_n1(t)进行一次积分，；

4）对b_(n-1)1t进行一阶EMD分解，得到，若n-1＞0，则n=n-1，继续进行步骤3）、4）；

5）若n-1=0，则得到原始振动信号x(t)经DEMD分解后的第一个IMF₁；

6）令x₂(t)=x(t)-IMF₁，再进行步骤1）－5），得到x(t)经DEMD分解后的第二个IMF₂；以此进行循环，直到x_i(t)无法继续进行分解，得到x(t)经n阶DEMD分解后的IMF₁~IMF_(i-1)，x_i(t)为残余分量。