[发明专利]用于齿轮箱设备故障诊断的信号处理方法和装置

说明书

技术领域

本发明属于信号处理技术领域，特别涉及一种用于齿轮箱设备故障诊断的信号处理方法和装置。

背景技术

齿轮箱是机械设备中的主要传动部件也是最易发生故障的部件，对于齿轮箱等传动部件的故障诊断成了众多设备维护的关键问题。由于设备现场情况复杂，故障信号往往被噪声淹没，因此如何对故障信号进行特征提取、信号净化，对设备早期故障诊断十分重要。设备故障诊断就是判断分析机械运行的状态，包括机械设备状态的监测、早期故障识别以及故障诊断等几方面。故障诊断过程包括故障信息的获取、故障特征信息的提取和状态识别三个部分，其中故障特征提取和故障诊断是两个关键环节。

通过数十年的发展，从最初时域指标分析，逐渐发展到多种分析技术，如频谱分析、解调分析、经验模式分解、小波分析、第二代小波分析等，傅里叶变换仍然是众多的信号处理方法中应用最为广泛也是最基本的方法。然而，傅里叶变换的实质是通过对信号与三角函数作内积运算，将时域信号转换为频域的表示方式。傅里叶变换主要是针对时间平稳信号，然而对于现实中非平稳的复杂信号，傅里叶变换不再满足分析的需要。

小波分析正是在这一背景下和基础上发展起来的，它在时域和频域都能描述信号局部的特征，大大改善了傅里叶变换在时域无明显分辨率、频域协调性较差等缺点。针对齿轮箱信号的降噪及早期故障特征的提取，小波分析是较为常用的方法。目前的小波分析研究主要从小波函数的确定与阈值的选取两方面进行降噪效果的分析，分解层数的确定尚未得到彻底的解决。

奇异谱分析(Singular Spectrum Analysis,SSA)是数据信号领域的一项重要技术，它打破了许多传统的方式方法，如使用的假设前提与限制条件，结合典型时间序列分析、多元统计、多元几何、动态系统、信号处理及奇异值分解(Singular Value Decomposition,SVD)^[47]各元素，成为了一类无参、独立于模型的时序分析技术。奇异谱分析方法主要是将原始序列经过延时排列成矩阵的形式，应用奇异值分解将原始序列分解成少数可解释、独立的成份之和，如缓慢变化趋势、摆动成份和随机噪声。

目前，奇异谱分析通常用作传统预测模型预处理的手段，即降噪后采用某类传统预测模型进行预测。奇异谱分析(SSA)目前已经为时序分解的有力工具之一，不仅能有效地避免傅里叶谱分析、小波分析方法的缺陷、弥补不足，同时其自身对原始序列不作统计分布、平稳性等相关假设，条件相对较为宽松。此外，与传统的功率谱分析法相比，传统的功率谱分析只能提供序列平均周期，对周期振荡时变特性描述无能为力。然而故障诊断中却是很少应用奇异谱分析，如何将奇异谱分析应用于齿轮箱设备的故障诊断中，提高故障诊断中的准确性，是目前亟待解决的技术难题。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种用于齿轮箱设备故障诊断的信号处理方法和装置，以解决现有技术中故障诊断的准确性差的技术问题。

本发明所采用的技术方案为：提供一种用于齿轮箱设备故障诊断的信号处理方法，包括：对获取的离散信号进行冗余提升小波分解，获取当前分解层的细节信号和逼近信号；对所述细节信号进行奇异谱分析，获取当前分解层的所述细节信号的奇异值；根据所述当前分解层的所述细节信号的奇异值，计算所述当前分解层的奇异谱斜率；若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数为最优分解层数。

可选的，所述离散信号的初始值为一组等间隔采样的离散信号。

可选的，所述阈值的计算公式为：

其中e_j1为尺度为i＝1上细节信号的奇异值。

可选的，所述若所述当前分解层的奇异谱斜率小于预设的阀值，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数为最优分解层数，为：若所述当前分解层的奇异谱斜率小于预设的阀值，则判断所述当前分解层的层数是否小于等于5；若是，响应于所述逼近信号，对所述离散信号进行更新，重复以上步骤；否则，获取当前分解层的层数5为最优分解层数。

可选的，还包括：若所述最优分解层数大于5，则选取5为最优分解层数。

可选的，所述方法之前，还包括：采集齿轮箱工作状态下的声发射信号作为所述离散信号的初始值。

可选的，所述采集齿轮箱工作状态下的声发射信号为：将声发射传感器安装在齿轮箱设备需要监测的部位，用以采集齿轮箱工作状态下的声发射信号。