[发明专利]一种基于KL散度与均方根值的齿轮状态监测指标提取方法

说明书

一种基于KL散度与均方根值的齿轮状态监测指标提取方法，利用键相信息通过角度域重采样去除转速波动的影响，并采用时域同步平均方法获取平稳调制信号；然后通过截止滤波滤出1倍啮合频率及其3倍边频，再利用幅值搜索确定准确啮合频率及边频，并增加啮合频率幅值使之超过边频幅值之和，应用希尔伯特变换求解信号包络得到包络信号，取30组数，绘制KL散度趋势图和归一化RMS值趋势图，结合KL散度趋势和归一化RMS值趋势评估齿轮运行状态，本发明有效地进行齿轮箱的状态监测，不容易误判。

技术领域

本发明属于齿轮状态监测指标提取技术领域，具体涉及一种基于KL散度与均方根值的齿轮状态监测指标提取方法。

背景技术

齿轮传动系统是机械设备中一种通用型连接装置和动力传输装置，在诸多领域都有所应用。由于齿轮具有极其复杂的加工工艺以及较高的装配精度，且往往工作于高速或重载的工作坏境，因此齿轮发生故障率高，这是造成机械设备故障或无法工作的重要原因之一。因此，通过提取准确、有效的齿轮运行状态指标，实现齿轮状态监测具有重要的工程意义。

齿轮本身存在缺陷或故障，或是轴弯曲等故障均会引起齿轮异常振动，振动信号主要表现为调制行为，调制的载波频率是啮合频率及其倍频，调制信号为故障轴的旋转频率及其高次谐波，故障程度不同，调制程度不同。如何有效刻画边频信息，并用于齿轮状态监测是研究的重点与难点。齿轮故障特征微弱，信噪比低。在多级传动中，低速轴由于转速低，齿轮的边频往往受噪声影响严重，现有的一些诊断方法在工业现场实践时齿轮状态指标波动较大，并且没有及时反应齿轮点蚀、裂纹等早期故障的特征。存在容易误判、故障报警滞后的缺点。Mcfadden提出了经典的时域同步平均方法，可消除信号中混有的噪声成分以及与齿轮转动无关的齿轮箱固有频率成分，提高平稳调制信号信噪比。KL散度(Kullback-Leibler divergence)是一种相对熵，用于描述两个随机分布之间的距离，可有效衡量待测信号与正常信号之间的差异程度。均方根值(RMS)用于描述信号能量大小，用于区分齿轮故障和正常的状态。目前还没有结合时域同步平均方法、KL散度和均方根值的齿轮状态监测指标提取方法。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于KL散度与均方根值的齿轮状态监测指标提取方法，通过振动加速度信号和键相信号，准确提取特定齿轮的状态信息，并根据指标的趋势实现齿轮的状态监测。

为了达到上述目的，本发明采取的技术方案为：

一种基于KL散度与均方根值的齿轮状态监测指标提取方法，包括以下步骤：

步骤1：用加速度传感器采样齿轮箱原始振动信号，使用光电传感器采样输入轴键相信号；

步骤2：根据步骤1的键相信号对原始振动信号进行角度域重采样，并对其进行时域同步平均，幅值响应函数为H₁(f)，得到低噪振动信号；

步骤3：针对齿轮参数与转速信息设计截止滤波器频响函数H₂(f)，并将步骤2得到的低噪振动信号通过截止滤波器频响函数H₂(f)提取啮合频率及其边频，得到平稳调制信号；

步骤4：通过幅值搜索找到步骤3得到的平稳调制信号中准确的啮合频率和准确的1～3倍边频，增大啮合频率幅值使其大于1～3倍边频之和，得到特征信号；

步骤5：利用希尔伯特变换求解步骤4得到的特征信号，得到包络信号；

步骤6：取组数N＝30，将30组早期采集的数据重复步骤2-步骤5，得到30组数据的包络信号，以其为基准，计算新采集数据与每一组基准数据的KL散度，得到30个值，取其中的最小值作为该采集时刻的状态监测指标，绘制KL散度趋势图；