[发明专利]一种基于改进经验小波变换的齿轮箱故障识别方法

说明书

本发明公开了一种基于改进经验小波变换的齿轮箱故障识别方法，其主要步骤如下：先对汽车座椅水平驱动器齿轮箱振动信号进行频谱趋势‑改进经验小波变换分解，得到各个模态分量，对各个模态分量分别进行解调分析，获得特征频率；再将特征频率与齿轮箱中对应的各个齿轮的转频进行比较，用于齿轮箱故障诊断。本发明通过采用上述技术，充分结合了EMD自适应强和WT理论严谨的优势，频谱划分的更为合理，分解得到的各个模态基本未出现过分解的现象，并且得到的各个模态更利于解调分析，提高的齿轮箱故障检测的精度和准确性，很好的解决经验小波变换中模态数量需要预设的问题，以及频谱划分过于集中在信号频谱中幅值较大的频率段，造成过分解的问题。

技术领域

本发明属于齿轮箱故障识别技术领域，具体涉及一种基于改进经验小波变换的齿轮箱故障识别方法。

背景技术

齿轮箱振动信号具有复杂多分量和调幅调频(AM-FM)的特点，幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析，有效识别故障特征频率。但是对于多分量AM-FM信号有效的解调分析的一个前提就是提取有效的模态分量，小波变换(WaveletTransform,WT)和经验模态分解(Empirical Mode Decomposition,EMD)都是运用比较广泛的模态分量提取方法。但是WT存在小波基的选择和小波基确定之后缺乏自适应性的问题，而EMD是一种经验性的方法，缺乏完备的理论基础。

经验小波变换(简称EWT)是Gilles结合EMD的自适应性和小波分析的理论框架，提出的一种新的自适应信号处理方法，该方法的核心思想是通过对信号的频谱进行自适应划分，构造合适的正交小波滤波器组以提取具有紧支撑结构的模态分量。

EWT方法在直接处理齿轮箱振动信号时，模态分量的个数需要预设，并且在通过检测频谱极大值来划分频谱的过程中，很容易出现检测的边界集中在频谱中幅值较大的频率段，造成同一个AM-FM信号被过分解的问题。这些问题导致了EWT方法不能很好的在齿轮箱故障识别中得到运用。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种基于改进经验小波变换的齿轮箱故障识别方法，它基于频谱趋势(Spectrum Trend)的多分量个数估计的方法，将时域信号中的趋势概念引入齿轮箱振动信号频谱中，命名为频谱趋势(SpectrumTrend)，并利用EMD算法自适应的提取频谱趋势。

所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于包括如下步骤：

1)对齿轮箱振动信号进行改进经验小波变换，得到各个模态分量，具体步骤如下：

2)对步骤1中获得各个模态分量分别进行解调分析，获得各个模态分量的特征频率；

3)将步骤2)中解调分析获得的特征频率与齿轮箱中对应的各个齿轮的转频进行比较，即能定位故障源。

所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤1)中各个模态分量的取得方法包括如下步骤：

101)对齿轮箱振动信号进行傅里叶变换，获得振动信号的频谱；

102)对步骤101)获得的频谱进行EMD分解，获得若干信号频谱的本征模态函数(IMFs)和残余；

103)将步骤102)中的部分IMFs和残余进行重构，获得振动信号的频谱趋势；

104)对步骤103)提取的频谱趋势的极大值个数M进行检测和统计，令N＝M，即预设模态分量个数等于频谱趋势中的极大值个数，并对频谱趋势进行边界检测；

105)利用步骤104)检测的边界对步骤101)获得的频谱进行分割；

106)对步骤105)所划分的各个频谱片段构造经验小波基函数，等效于构建带通滤波器组；