[发明专利]齿轮箱瞬变工况特征分量循频提取方法

说明书

技术领域

本发明涉及齿轮箱状态监测与诊断领域，更具体的说，是涉及一种瞬变工况下频率呈曲线变化的特征分量提取方法。

背景技术

齿轮箱在工程传动领域被广泛应用，其状态的好坏直接影响机械设备的正常运转，甚至造成更大的经济损失，采用有效方法对齿轮箱进行状态监测，并及时诊断出早期微弱故障，对减少经济损失，维持设备高效运行，具有十分重要的现实意义，也是研究的热点和难点问题。

齿轮箱早期故障之所以难以诊断，一是特征微弱，稳态运行时不易暴露；二是在加速、减速和加减速等瞬变工况下，更容易暴露微弱特征，但此时振动信号频率呈曲线变化，其他干扰也更强，需要有效的方法将包含故障信息的特征分量从干扰中剥离出来，尽量减少其他干扰的影响，才更有希望提取到暴露出的早期故障微弱特征。

由于瞬变工况下信号频率呈曲线变化，经典滤波器不能处理此类非平稳信号，自适应滤波器需要输入参考信号进行滤波，基于稀疏信号分解的自适应时变滤波器能有效滤波，但根据振动信号估计中心频率时计算量过大，需要选择合适的滤波器并设计其参数。基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)的单阶自适应滤波，计算速度快，不需要选择和设置复杂滤波器，对多分量线性调频(LFM)信号有很好的滤波效果，对频率呈曲线变化的信号，需要进行多阶FRFT自适应滤波，即在不同的分数阶域对频率呈曲线信号进行多次单阶FRFT滤波，就能完成对频率呈曲线变化信号的准确滤波，但需要准确确定多个分数阶域滤波阶次和滤波中心参数。FRFT滤波原理及存在的问题：

1.FRFT滤波原理

分数阶傅里叶变换可以解释为信号在时频平面内绕原点旋转一定角度后所构成的分数阶域上的表示，设两分量LFM信号的时频分布如图1所示，其中一个LFM分量的时频分布与时间轴的夹角为β，只要分数阶傅里叶变换的旋转角度α与β正交，则该LFM分量在分数阶傅里叶域上就应该聚集在u₀一点上，以分数阶域聚集点u₀为中心做窄带滤波，再进行-α角度旋转，就实现了LFM分量的单阶FRFT滤波，此时的α为FRFT变换最佳角度，p＝2α/π为最佳阶次。该过程相当于一个开环的自适应窄带通时频滤波器，其中心频率跟随LFM信号的瞬时频率做线性变化，实现了对信号的自适应滤波。不需要选择和设置复杂的滤波器及参数，对多分量LFM信号分离非常有效。

实际上，需要处理的信号往往不会是理想的纯线性调频信号，只要瞬时频率值在时频面上的某一线段(将该线段作为基准轴线)方向上变化缓慢，就可以找到信号相对集中的分数阶域，就能实现单阶FRFT自适应滤波。

图2中两个分量的频率都呈曲线变化，只旋转一个角度的单阶FRFT自适应滤波失效。多阶FRFT自适应滤波，通过依次旋转多个角度α₁,α₂,…,α₄，在多个分数阶域u₁,u₂,…,u₄上以u₀₁,u₀₂,…,u₀₄为中心滤波，理论上可以分离图2所示信号，但确定合适的α₁,α₂,…,α₄和u₀₁,u₀₂,…,u₀₄参数是关键。

2.多阶FRFT滤波存在问题

(1)多阶FRFT滤波要求进行不同阶次的单阶FRFT滤波时，各段信号频率要近似线性变化，因此，对频率呈曲线任意变化的信号，需要有效的方法能自适应地将信号分成若干近似线性调频信号段，而且分段数尽量少；

(2)要准确确定各段单阶FRFT滤波的参数(p₀,u₀)，只有p₀准确，才能保证目标分量在该阶次的分数阶域上具有最好的聚集性，只有u₀准确，才能准确滤波分离目标分量，隔离其他分量。