[发明专利]一种基于局部均值分解循环频率谱的齿轮故障诊断方法

说明书

技术领域

本发明涉及一种基于局部均值分解循环频率谱的齿轮故障诊断方法。

背景技术

当齿轮箱发生故障时，其振动信号大都为多分量的调幅-调频信号，因此解调分析成为齿轮故障诊断一种常用的信号处理方法，从振动信号中提取调制信号、分析其强度和频次就可以判断零件损伤的程度和部位。然而，大多数都着重于提取调幅信息，而在相位调制方面的研究却相对较少。目前，在基于解调分析的齿轮故障诊断方法中，由于可以采用希尔伯特(Hilbert)变换提取齿轮故障信号包络的方法获得调制信息，同时希尔伯特变换又具有快速算法，因此希尔伯特变换是最常用的齿轮故障振动信号解调方法，但是它只适合于处理单分量信号。而对于大多数的齿轮故障振动信号都是多分量的调幅-调频信号，对于这类信号，传统的方法是通过带通滤波把它分解成单分量的调幅-调频信号，然后进行解调以提取频率和幅值信息。但是，在实际的齿轮故障振动信号中，载波频率成分的多少和载波频率的大小很难确定，因此对信号进行带通滤波时中心频率的选择就带有很大的主观性，这样带来解调误差，不能有效地提取齿轮故障振动信号的特征。实际上，对多分量调幅-调频信号进行解调的关键在于找到一种有效的信号分解方法，能将多分量的调幅-调频信号分解为若干个瞬时频率具有物理意义的单分量调幅-调频信号之和。多分量的调幅-调频信号具有非平稳特征，在目前的非平稳信号分解方法中，常用的有小波分解方法和经验模态分解(Empirical Mode Decomposition，简称EMD)方法。小波变换虽然具有可变的时频窗口，但是小波变换的分解尺度只与信号的采样率有关，而与信号本身无关，其本质上不是一种自适应的信号处理方法。经验模态分解方法是一种自适应的信号处理方法，能将多分量信号自适应的分解为若干个瞬时频率具有物理意义的内禀模态分量(Intrinsic Mode Function，简称IMF)分量之和，进一步采用希尔伯特变换求出每个内禀模态分量的瞬时频率和瞬时幅值，从而实现对复杂信号的解调。但是经验模态分解方法还存在一些问题，如经验模态分解方法中的包络线算法、模态混淆和端点效应问题，还有在利用希尔伯特变换形成解析信号后计算瞬时频率时会产生无法解释的负频率，这些问题需要进一步研究解决。

发明内容

为了解决现有齿轮故障振动信号诊断存在的上述技术问题，本发明提供一种基于局部均值分解循环频率谱的齿轮故障诊断方法。

本发明解决上述技术问题的技术方案包括以下步骤：

1)利用加速度传感器对齿轮箱进行测量，获得振动加速度信号；

2)采用局部均值分解方法对齿轮振动加速度信号进行分解，分解获得包络信号和纯调频信号，将包络信号和纯调频信号相乘便可以得到一个单分量的调幅-调频信号，利用纯调频信号计算其瞬时频率，循环至得到所有的单分量的调幅-调频信号及其瞬时频率；

3)对各个瞬时频率进行频谱分析，得到循环频率谱α_m＝FFT[f_m(t)]，式中FFT表示对快速傅立叶变换；

4)从循环频率谱中分析是否含有齿轮旋转频率f_s及其倍频，若有，则齿轮发生了故障。

上述基于局部均值分解循环频率谱的齿轮故障诊断方法，所述步骤2)中采用局部均值分解方法对齿轮振动加速度信号进行分解步骤如下：

1)找出齿轮振动加速度信号x(t)所有的局部极值点n_i，求出所有相邻的局部极值点的平均值，将所有相邻的平均值点用直线连接起来，然后用滑动平均法进行平滑处理得到局部均值函数m₁₁(t)；

2)计算相邻的局部极值点包络估计值，将所有相邻两个包络估计值a_i用直线连接，然后采用滑动平均方法进行平滑处理，得到包络估计函数a₁₁(t)；

3)从原始信号x(t)中减去局部均值函数m₁₁(t)，得到去掉低频信号的h₁₁(t)；

4)用h₁₁(t)除以包络估计函数a₁₁(t)，得到s₁₁(t)；

5)若满足1-Δ≤a_1n(t)≤1+Δ，Δ为小于1的变量，转到步骤6)；否则用s_1n(t)代替x(t)，重复步骤1)到4)；

6)把步骤1)到4)迭代过程中产生的所有包络估计函数相乘得到包络信号a₁(t)；