[发明专利]一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法

说明书

本发明公开了一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，它包括如下步骤：先采集目标齿轮箱的振动信号；再采用基于频谱趋势的方式对变分模态分解方法进行改进，利用改进的变分模态分解方法对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量；接着对获得的模态分量进行解调分析，获得各个模态信号的特征频率；最后将特征频率与齿轮箱的各个齿轮转频进行对比，定位齿轮箱的故障源。本发明将时域范围的趋势概念引入频域范围内，提出了基于频谱趋势的改进变分模态分解的方法，该方法很好的解决了变分模态分解中模态数量需要预设的问题，利用频谱趋势极大值的归一化横坐标来初始化中心频率，使得分解的各个模态更为合理。

技术领域

本发明属于齿轮箱故障识别技术领域，具体涉及一种基于频谱趋势和变分模态分解(VMD)的齿轮箱故障识别方法，它是一种基于频谱趋势(Spectrum Trend)的多分量个数估计并以频谱趋势为基础来改进变分模态分解(Variational Mode Decomposition,VMD)算法，用于多分量信号模态的提取。

背景技术

齿轮箱振动信号具有复杂多分量和调幅调频(AM-FM)的特点，幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析，有效识别故障特征频率。但是对于多分量AM-FM信号有效的解调分析的一个前提就是提取有效的模态分量，小波变换(WaveletTransform,WT)和经验模态分解(Empirical Mode Decomposition,EMD)都是运用比较广泛的模态分量提取方法。但是WT存在小波基的选择和小波基确定之后缺乏自适应性的问题，而EMD是一种经验性的方法，缺乏完备的理论基础。

Dragomiretski等人提出VMD多分量信号分解方法，该方法采用频域非递归的迭代求解方式，将信号分解转换成以模态分量的估计带宽之和最小为目标的变分方式。该方法将维纳滤波器内嵌在算法之中，具有较好的鲁棒性。

VMD方法在直接处理齿轮箱振动信号时，模态分量的个数需要预设，分量个数估计的过大或者过小都会造成振动信号分解的不合理，影响故障识别的精度。此外不同的中心频率初始化方式也会造成分解得到的模态分量在频谱上不同的分布，也会对故障识别造成不利影响。这些问题也影响了VMD方法在齿轮箱故障识别领域中的广泛运用。

发明内容

针对现有技术中存在的上述问题，本发明专利的目的在于提供一种简便的、准确度高的基于频谱趋势和变分模态分解的齿轮箱故障识别方法，本发明的基于频谱趋势(Spectrum Trend)的改进VMD方法，命名为ST-VMD，并将其运用于齿轮箱故障诊断领域。

所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于包括如下步骤：

步骤1采集目标齿轮箱的振动信号；

步骤2采用基于频谱趋势的方式对变分模态分解方法进行改进，利用改进的变分模态分解方法对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量；

步骤3对获得的模态分量进行解调分析，获得各个模态信号的特征频率；

步骤4将特征频率与齿轮箱的各个齿轮转频进行对比，定位齿轮箱的故障源。

所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于；步骤2)采用基于频谱趋势的改进变分模态分解方法来对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量，具体步骤如下：

2.1)对振动信号进行Fourier变换，获得振动信号的频谱；

2.2)利用经验模态分解(EMD)算法对振动信号的频谱进行自适应性的分解，获得信号频谱的本征模态函数(IMFs)及其残余；

2.3)对部分IMFs和残余进行重构，获得振动信号的频谱趋势；