[发明专利]基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法

说明书

本发明公开了一种基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法，将变分模态分解VMD和最大重叠离散小波包变换MODWPT相结合来对齿轮故障信号进行去噪，通过实测数据的实验结果表明，本发明的方法可有效滤除信号中的噪声干扰和迭代误差成分，实现信号特征的精确提取。

技术领域

本发明涉及齿轮故障信号去噪技术领域，特别是一种基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法。

背景技术

齿轮作为最常用的传动装置被广泛应用于各类机械设备中。当齿轮出现故障时，会导致设备的整体性能下降，严重情况下会造成设备事故并带来巨大经济损失。在实际工况中，齿轮工作环境十分恶劣，环境噪声和信号衰减等因素对于早期故障特征有较大影响，而齿轮早期故障特征比较微弱，往往淹没在强背景噪声中难以提取。因此，对于齿轮故障信号去噪方法的研究具有重要意义。

当齿轮出现故障时，故障齿在啮合过程中，不仅会引起振动信号幅值和相位的变化，同时也会使振动信号的能量发生变化。相较于正常状态，齿轮的故障信号大多数是多分量的调幅-调频信号，且表现出非线性和非平稳性的特点。众多学者在该类信号降噪方面进行了大量研究。Huang等提出的经验模态分解(Empirical mode decomposition，EMD)方法是一种自适应信号处理方法，它能够根据信号的自身特性，将其分解成一些列表征信号特征的由高频到低频的固有模态函数(Intrinsic Mode Function，IMF)分量。

然而，由于自身算法的限制，EMD方法在分解过程中易产生模态混叠问题，影响信号的去噪效果。WU等针对该问题，提出一种噪声辅助分解的集合经验模态分解(EnsembleEmpirical Mode Decomposition，EEMD)。

实际计算中由于受限所添加白噪声的次数，EEMD分解过程中向信号内添加的噪声难以彻底消除，这将影响信号特征提取的准确性；同时，该方法的模态选取属于递归“筛选”，受采样频率影响较大，实际信号处理效果并不理想。近年来，Dragomiretskiy等提出一种可变尺度的非平稳信号分析方法——变分模态分解(Variational ModeDecomposition，VMD)，此方法可将复杂信号分解为多个单分量调幅-调频信号和的形式，分解过程中的模态个数可自适应地确定，有效避免了模态混叠问题的产生，并表现出更好的噪声鲁棒性。因此，针对齿轮故障信号的特性，VMD方法相较于传统递归式分解方法，具有更强的适用性。

基于上述分析，为有效地从含噪齿轮信号中提取相关故障特征信息，本专利提出一种基于VMD和最大重叠离散小波包变换(Maximal Overlap Discrete Wavelet PacketTransform，MODWPT)相结合的齿轮信号去噪方法。通过实测数据的实验结果表明，本文所提方法可有效滤除信号中的噪声干扰和迭代误差成分，实现信号特征的精确提取，为该类问题的解决提供了一种可行的方法。

发明内容

本发明的目的是要解决现有技术齿轮实际工况复杂、常伴随噪声干扰致使故障特征难以提取的问题，提供一种可有效滤除信号中的噪声干扰和迭代误差成分、实现信号特征的精确提取的基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法，包括以下步骤：

S1、采用变分模态分解VMD方法对采集到的齿轮故障信号进行分解，初始化预设尺度K值设为2，分解得到每个IMF分量的中心频率ω_k；

S2、判别预设尺度K值下分解所得各IMF分量中心频率ω_k是否出现相近值，若出现，则预设尺度K值设为K-1，否则，预设尺度K值设为K+1继续步骤S2；