[发明专利]基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法

说明书

技术领域

本发明属于故障诊断技术领域，涉及一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法。

背景技术

齿轮作为旋转机械设备中重要的零部件，其发生故障会导致机器工作效率降低，甚至造成重大经济损失。因此，研究齿轮的状态监测与故障诊断技术对于提高机械设备的运行效率及维修效能，避免人员财产损失具有重要的现实意义。

基于振动信号分析的齿轮故障诊断技术是一种行之有效的诊断方式，具有较高的精度。常见的诊断方法如：时频特征参数法、倒频谱法、EMD分解等。但是在进行信号处理的过程中，对于齿轮传动产生的非线性、非平稳信号，这些方法都有各自的局限性。时频特征参数法中的不同指标只对特定的齿轮缺陷判别较为有效；针对强噪声背景等复杂状况，倒频谱法难以发现齿轮的缺陷频率；传统的经验模式分解(Empirical Mode Decomposition，EMD)方法于1998年由N.E.Huang提出，因其适用于非线性、非平稳信号的研究，近年来得到了广泛的应用，但是EMD方法仍存在诸多问题，包括端点效应、模态混叠、迭代循环次数多等。EEMD方法在EMD的基础上加以改进，利用了高斯白噪声具有频率均匀分布的统计特性，当信号加入白噪声之后，将使信号在不同尺度上具有连续性，以减小模态混叠的程度。

发明内容

本发明的目的是提供一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，针对强噪声背景对齿轮运转状态进行监测，以发现并判断齿轮故障，避免机械设备出现较为严重的故障。

本发明所采用的技术方案是，一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，包括以下步骤：

步骤1，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型；

步骤2，利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理；

步骤3，利用EEMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数选取有效的IMF分量；

步骤4，将得到的每组有效IMF分量进行样本熵计算，并构建由IMF样本熵组成的特征向量；

步骤5，利用PNN神经网络识别四种不同的齿轮故障。

本发明的特征还在于，

步骤2中SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理的过程包括以下步骤：

对于含有噪声的齿轮故障振动信号y(k)(k＝1,2,…,N)，根据相空间重构理论，将其映射到m×n(m<n)维相空间内，得到满足m+n+1＝N的Hankle矩阵B_m，对B_m进行奇异值分解，求取矩阵B_m的奇异值，保留前k个的奇异值而置零其他位置的奇异值，利用奇异值分解的逆过程得到B'_m，B'_m即为B_m的一个最佳逼近，这样就达到了降噪的效果，再对B'_m中的反对角元素取平均即完成信号降噪过程；

轨道矩阵B_m的重构阶次的选择，通过信号的信噪比和相关系数确定有效重构阶次，其中，

1)相关系数的计算公式: