[发明专利]基于改进的稀疏分解算法的齿轮故障检测方法

说明书

本发明公开了一种基于改进的稀疏分解算法的齿轮故障检测方法，涉及故障检测技术领域，该方法在传统基于参数字典稀疏重构的基础上，增加了对信号的预处理及对参数字典的优化设计，利用双树复小波分解结合最大峭度原则实现信号的预处理，大大降低了噪声对后续处理的影响，基于拉普拉斯小波的相关滤波确定目标特征参数从而构建过完备字典，不仅可以有效的缩减字典冗余度而且可以使得设计的字典与故障特征更为相似，最后结合匹配追踪算法以实现对振动信号中冲击特征的提取实现故障检测，该方法可以提高稀疏表示的计算效率，实现有效的故障诊断。

技术领域

本发明涉及故障检测技术领域，尤其是一种基于改进的稀疏分解算法的齿轮故障检测方法。

背景技术

齿轮作为旋转机械中不可或缺的部件之一，在电力、石油、运输、农业等现代化工业设备中被广泛使用。由于实际工程中齿轮运转工况复杂多变，不可避免的发生故障，据统计，传统机械中80％的设备故障是由齿轮引起的，因此，对齿轮进行有效的故障诊断对减少经济损失与人员伤亡具有十分重要的意义。

目前，基于振动分析的诊断方法是旋转机械故障判别的重要途径之一，振动信号的时域、频域及时域特征是故障诊断的重要依据，但是实际应用中，由于背景噪音的影响以及早期故障特征不明显，使得故障诊断变得十分困难，普通的时频分析手段难以进行有效的故障识别。近年来，稀疏表示理论被应用于故障诊断领域，基于稀疏分解的特征提取成为新的研究热点，但是稀疏分解在故障诊断中的应用仍存在着诸多问题，由于实际的振动信号十分复杂，为保证采集到完备的故障信息，要求较大的数据量，这导致计算量急剧增加，此外，构造一个合适的过完备字典，对稀疏重构的效果起着至关重要的作用。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于改进的稀疏分解算法的齿轮故障检测方法，本发明的技术方案如下：

一种基于改进的稀疏分解算法的齿轮故障检测方法，其特征在于，方法包括：

采集振动信号样本，对振动信号样本进行双树复小波分解获得若干个信号分量，并根据最大峭度原则从所有信号分量中选取包含故障特征信息最多的目标信号分量；

基于拉普拉斯小波的相关滤波对目标信号分量进行参数识别确定目标特征参数；

以目标特征参数构造的拉普拉斯小波原子作为核函数生成与故障特征信息匹配的过完备字典；

获取待检测齿轮的待检测振动信号，基于匹配追踪算法利用过完备字典对待检测振动信号进行稀疏重构得到重构信号；

对重构信号进行解调分析实现对待检测齿轮的故障检测。

其进一步的技术方案为，基于拉普拉斯小波的相关滤波对目标信号分量进行参数识别确定目标特征参数，包括：

以拉普拉斯小波为核函数，通过对拉普拉斯小波的特征参数进行离散构造形成小波特征库；

计算小波特征库中各个小波与目标信号分量的相关系数；

确定相关系数最大的小波的特征参数为目标特征参数。

其进一步的技术方案为，计算小波特征库中各个小波与目标信号分量的相关系数，包括对于小波特征库中的每个小波：

按照公式计算小波与目标信号分量的相关系数，其中，k_r为相关系数，ψ_γ(t)为小波，x(t)为目标信号分量。

其进一步的技术方案为，以目标特征参数构造的拉普拉斯小波原子作为核函数生成与故障特征信息匹配的过完备字典，包括：

以目标特征参数构造的拉普拉斯小波原子作为核函数，对核函数在信号时间历程上进行平移，生成过完备字典。