[发明专利]一种基于频率诱导变分模态分解的齿轮箱故障诊断方法

说明书

本发明涉及一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，首先，通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量：将原始振动信号通过傅里叶转换为频域信号，根据振动信号傅立叶谱的极大值分布估计齿轮箱系统的自振频率，将固有频率的估计值作为各模态分量中心频率的初始化位置，并通过交替乘子法将原始信号自适应分解为本征模态函数(窄带模态分量)；然后，对各窄带模态分量求包络谱，并计算故障特征频率比；选择故障特征频率比最大的窄带模态分量作为有效分量；最后，通过对有效分量的包络分析实现齿轮箱故障的有效识别。本发明诊断精度高、抗噪声能力强、计算复杂性低，能有效应用于与工业现场的齿轮箱故障诊断。

技术领域

本发明涉及故障诊断技术领域，尤其是一种基于频率诱导变分模态分解的齿轮箱故障诊断方法。

背景技术

齿轮箱传动系统是风电机组的关键零部件，其运行状态对风力发电的安全性和经济性都有较大的影响。齿轮箱失效在风电机组的各类故障中占有较高的比例，并且维护难度较大，故障造成的停机时间较长。因此齿轮箱故障的准确诊断对降低运维成本、避免发生故障具有重要意义。

由于齿轮箱振动信号的非线性和非平稳性，传统频谱分析难以准确的提取出故障信息。区别于频谱分析，模态分解是一种非平稳信号分析方法，其通过迭代搜索模型最优解，将原始信号分解为带宽有限的本征模态函数，从而将故障信息从背景噪声中分离出来。尽管模态分解能有效的处理非平稳信号，但是其模态数量的选择依赖人为经验，这在一定程度上限制了该方法的自适应性。此外，变量的初始化位置很大程度上影响着迭代计算的效率及最终收敛结果。因此，现有技术的模态分解方法在处理噪声信号时较易陷入局部极值点，一定程度上降低了其故障特征提取能力和抗噪声能力。

发明内容

针对现有技术的不足，本发明提供一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，可提高信号提取抗噪声能力，降低计算复杂性，能有效应用于与工业现场的齿轮箱故障诊断。

本发明采用的技术方案如下：

一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，包括以下步骤：

S1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量：

S2、对各所述窄带模态分量求包络谱，并计算故障特征频率比；

S3、选择故障特征频率比最大的窄带模态分量作为有效分量；

S4、对所述有效分量进行包络分析以识别齿轮箱的故障类型。

进一步技术方案为：

所述通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量，具体包括：

s11、将原始振动信号x(t)经傅立叶变换转换为频域信号X(ω)；

S12、根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f_i；

S13、将自振频率f_i的估计值，作为各模态分量中心频率的初始化位置，并通过交替乘子法将X(ω)自适应分解为窄带模态分量U_k(ω)；

S14、通过傅立叶逆变换将U_k(ω)转换为时域信号u_k(t)。

所述根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f_i，具体包括：

1)搜索傅立叶谱X(ω)中最大的极值点，将其作为自振频率估计值f_i；