[发明专利]一种应用于风电机组齿轮箱故障诊断的信号自动分解方法

权利要求书

1.一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于，包括如下步骤：

步骤1：获取齿轮箱高速轴齿轮故障振动信号f，将其定义为故障振动信号x(i)=f，故障振动信号初始分解次数i=0；

步骤2：对故障振动信号x(i)进行VMD分解，将故障振动信号x(i)分解成一个高频信号u_h(i)和低频信号u_l(i)；步骤3：计算高频信号u_h(i)和低频信号u_l(i)之间的依赖指数ρ_hl(i)和中心频率差异度fd(i)；

步骤4：基于依赖指数ρ_hl(i)和中心频率差异度fd(i)的判定准则，确定分解模态u(i)；

步骤5：去除分解模态u(i)后，更新信号x(i+1)，满足下述公式：

x(i+1)= x(i)-u(i) （1）

其中，x(i+1)表示第i次分解后更新的故障振动信号，x(i)表示第i次分解前的故障振动信号，

步骤6：循环步骤2-步骤5，直至不存在欠分解和过分解问题，迭代终止；

步骤7：输出信号分解过程中的所有分解模态[u(1),u(2)，……,u(n)],完成信号自动分解，

其中，步骤4的判定准则为：

当依赖指数ρ_hl(i)≥ρs，并且中心频率差异度fd(i)≥fs时，表明本次分解效果较好，不存在欠分解和过分解问题，此时分解模态u(n)满足下述公式：

（4）

其中，n表示迭代终止时信号分解的次数，u(n)表示分解停止时的分解模态，u_h(n)表示第n次分解的高频信号，u_l(n)表示第n次分解的低频信号；

他情况下，分解模态u(i)为低频信号的结果，即满足下述公式：

（5）

ρs和fs分别为依赖指数阈值和中心频率差异度阈值，ρs=0.02，fs=0.4；

步骤3中依赖指数ρ_hl(i)的公式为：

(2)

其中i为信号分解次数，m为分解后模态向量的长度，u_h(i)(j)表示第i次分解后的高频模态向量内的第j个值，u_h(i)(j)表示第i次分解后的低频模态向量内的第j个值，j=1,2....m，ρ_hl(i)是高频信号u_h(i)和低频信号u_l(i)之间的依赖指数，用来衡量高频信号u_h(i)和低频信号u_l(i)之间的依赖性，ρ_hl(i)的范围是[-1,1]，表示高频信号u_h(i)的平均值,表示低频信号u_l(i)的平均值，

另外，通过故障信息的峭度公式进行模态的选择。

2.根据权利要求1所述的一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于，步骤3中心频率差值的计算公式为：

（3）

其中，fd(i)表示第i次分解后高频信号和低频信号之间的中心频率差异度，系数越大，表明两个信号中心频率相差越大，信号的差异性越大；系数越小，表明两个信号的中心频率相近，信号相似程度越高，fh(i)表示第i次分解后高频信号的中心频率，fl(i)表示第i次分解后低频信号的中心频率。

3.根据权利要求1所述的一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于：在步骤7信号经过自动分解成多个模态后，为了提高故障特征提取的效率，在分解后的模态选择中一个含有最多故障信息的模态进行特征提取。