[发明专利]一种齿轮系统复合故障特征提取方法及故障试验装置

说明书

本发明涉及一种齿轮系统复合故障特征提取方法及故障试验装置，属于机械设备故障诊断领域。通过布置在齿轮箱体表面的加速度传感器，采集得到时域上的齿轮系统振动信号f，应用自适应优化的变分模态分解方法对采集的齿轮系统振动信号f进行分解；对分解后得到的所有子信号进行包络功率谱分析，将所有子信号从时域转换到频域，得到所有子信号在包络功率谱上的频率分布情况，从而实现故障特征的提取。本发明克服了现行VMD方法难以确定最佳参数的不足，可更为有效地提取齿轮系统复合故障特征，能够极大地节省试验的经济成本和时间成本，实现在不便于进行工业现场实测的情况下，为齿轮系统故障诊断提供替代试验条件。

技术领域

本发明属于机械设备故障诊断领域，尤其涉及一种齿轮系统复合故障特征提取方法及故障试验装置。

背景技术

机械设备故障诊断是保障设备运行可靠性、安全性和可维护性的重要前提之一，一直以来都是国内外研究的热点问题。齿轮系统是机械设备的重要组成部分，由于其 内部零件繁多、装配精度要求高、运行环境复杂，因而在实际工作中极易出现故障。 一旦出现故障，轻则造成设备停机，重则造成重大经济损失，甚至出现人员伤亡。因 此，研究齿轮系统故障诊断方法及其故障产生和恶化的机理具有重要意义。

齿轮是齿轮系统中出现故障频率最高的一类零部件之一。实际工况下，齿轮系统的故障形式通常并不单一，往往表现为复合故障。由于齿轮系统复合故障的振动信号 成分复杂、具有非平稳和非线性的特性，因此，传统的频域分析方法已无法有效地处 理故障信号。针对含有多种频率成分的复杂信号，一种有效的方法是将复合信号分解 成若干个子信号，再应用已有的信号处理方法进行进一步分析。经验模态分解 (Empirical ModeDecomposition,EMD)是一种自适应时频分析方法，其具有正交性、 自适应性等优良特性，能够处理非线性、非平稳信号，已广泛应用于机械系统故障诊 断领域中。不同于小波分析需要根据信号特征设定小波基，EMD可在不知晓信号特征 的前提下，将信号自适应分解成若干个近似单频率成分的本征模态函数(Intrinsic Mode Function,IMF)，再针对这些IMF进行包络分析，进而实现故障特征提取。但是，由于 EMD是递归分解，前一次分解的误差会累积并影响后一次分解，使得其存在端点效应 和模态混叠问题，无法将复合故障进行有效分离，依然存在较大的改进空间。

变分模态分解(Variational Mode Decomposition,VMD)是近年来提出的一种非递 归式自适应信号处理方法，其具有完备的理论基础和良好的噪声鲁棒性，能够克服 EMD的缺陷，将复杂信号分解成一系列的模态，即本征模态函数(Band-limited IntrinsicMode Function,BLIMF)，在复合故障特征提取方面有极大的应用潜力。然而，VMD的 分解效果主要取决于其预设的模态数量K和平衡系数α，参数选取不当会极大影响 VMD的信号分解性能。目前普遍的参数选取方法是中心频率观察法，即选取不同的K 值进行多次试验，通过观察每次试验得到的K个模态所对应的中心频率是否出现重合， 选取中心频率在不重合情况下所对应的最大模态数作为最终的K值。然而，该方法需 要手动进行多次尝试实验并根据人为经验判断选取参数，容易造成参数选取不当。此 外，该方法将平衡系数设为默认值，仅考虑了模态数量的选取，并未考虑平衡系数对 分解性能的影响。因此，需要对VMD的参数进行最优选取，从而最大程度发挥其信 号分解性能。

VMD方法的基本工作原理为：将输入信号分解成一系列模态，每个模态在频域上都是围绕一个中心频率的有限带宽本征模态函数(BLIMF)。VMD的求解目的是使得 所有分解得到的模态在频域上带宽之和最小，且在时域上所有模态之和等于输入信号。 VMD的求解是一个约束优化问题，通过引入拉格朗日算子λ和平衡系数α，可将其转 化成一个无约束优化问题，再利用乘子交替方向法(ADMM)，实现VMD的最终求解。