[发明专利]一种基于滤波分解组合指标的齿轮故障识别方法

说明书

本发明是一种基于滤波分解组合指标的齿轮故障识别方法，其有如下步骤：在齿轮系统试验平台上进行故障模拟实验，采集齿轮不同运行工况下的振动信号；通过自适应局部迭代滤波分解将采集的振动信号分解为多个本质模态函数分量；计算各本质模态函数的排列熵；以齿轮系统的转频信号对应的本质模态函数的排列熵为界，辨别出前几个本质模态函数的排列熵来表征不同故障类型的特征；求出同类状态下N个训练样本的排列熵的平均值作为标准故障模式；计算待检测信号的排列熵与各状态下的标准故障模式的灰色关联度，从而实现不同故障的分类识别，用于齿轮系统故障诊断。本发明为齿轮系统不同故障类型的识别提供了新的技术手段。

技术领域

本发明涉及机械故障的诊断技术，特别是一种基于自适应局部迭代滤波分解、排列熵与灰色关联度的齿轮故障识别方法，简称基于滤波分解组合指标的齿轮故障识别方法。

背景技术

齿轮箱是机械设备中进行运动和动力传动的主要部件，在齿轮传动中，由于齿轮失效诱发的机器故障，会引发设备停机甚至损坏，因此，如何有效地提取齿轮故障特征参数，一直是众多学者的研究热点。自从Huang等提出经验模式分解以来，经验模式分解方法吸引了众多学者的关注，它从传统的正交基函数展开跨越到完全由数据驱动的对任意复杂信号具有自适应能力的信号表示。但是，经验模式分解方法存在一些问题，如信号中的奇异点容易导致模式混淆，在噪声干扰下不稳定等。在经验模式分解思想的启发下，一些学者提出了新的自适应模式分解方法，自适应局部迭代滤波就是其中比较有代表性的一种。自适应局部迭代滤波方法在保留经验模式分解方法思想的基础上，通过引入Fokker-Planck方程设计滤波器的方式，有效避免了分解过程中产生虚假分量，更加适合分析非线性非平稳信号。如将自适应局部迭代滤波方法用于电力系统非平稳信号的特征提取中取得了较好效果；将该方法用于滚动轴承的故障特征提取，但是在齿轮系统的故障特征提取中，利用自适应局部迭代滤波方法的研究还比较少。研究表明，齿轮故障信号表现出典型的非平稳性和非线性特征。因此，如何有效提取反映齿轮不同工况的故障特征极为重要。但是目前还没有一种准确的提取方法可供人们借鉴使用。

发明内容

针对上述问题，本发明提出一种基于自适应局部迭代滤波分解、排列熵与灰色关联度的齿轮故障识别方法，简称基于滤波组合指标的齿轮故障识别方法，使之能够对齿轮系统不同故障类型进行分类和有效识别，以此为齿轮传动的机械故障诊断提供新的技术手段。

本发明提出的这种基于滤波分解组合指标的齿轮故障识别方法，其特征在于有如下步骤：

（1）在齿轮系统试验平台上进行故障模拟实验，采集齿轮不同运行工况下的振动信号；

（2）通过自适应局部迭代滤波分解将采集的振动信号分解为多个本质模态函数分量；

（3）计算各本质模态函数的排列熵；

（4）以齿轮系统的转频信号对应的本质模态函数的排列熵为界，辨别出前多个本质模态函数的排列熵来表征不同故障类型的特征；

（5）求出同类状态下N个训练样本的排列熵的平均值作为标准故障模式；

（6）计算待检测信号的排列熵与各状态下的标准故障模式的灰色关联度或/和灰色相似关联度，从而实现不同故障的分类识别，用于齿轮系统故障诊断。

所述步骤（2）的自适应局部迭代滤波为Fokker-Planck方程，其式如下：

（1）

式中：α，β的取值范围在(0,1)之间，

自适应局部迭代滤波算法的实现过程如下：

（1）初始化：令迭代次数i=1，残余信号r₀(t) = x(t)

（2）提取第i个本质模态函数