[发明专利]基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法

摘要

基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法，属于故障诊断技术领域，该方法包括：1、利用加速度传感器对摆线锥齿轮副进行测量，采集加速度振动信号作为待分析信号；2、将采集的信号导入Matlab中，得到原始信号，利用经验模态分解(EMD)方法将原始信号分解为一系列固有模态函数(IMF)分量；3、对前几阶固有模态函数分量进行倒频谱分析，得到其幅值倒频谱；4、采用Matlab软件的绘图工具绘制出幅值倒频谱图，根据倒频谱图中幅值的分布，提取故障特征信息。本发明方能够运用于摆线锥齿轮的故障诊断中，并能准确地提取出故障特征频率。本发明为摆线锥齿轮的故障诊断提供了新方法，且为其他旋转机械故障诊断技术提供了有效借鉴。

主权项

基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法，其特征在于：具体步骤如下：S1利用加速度传感器对摆线锥齿轮副进行测量，采集该种齿轮的加速度振动信号作为待分析信号；S2将采集的待分析信号导入Matlab软件中，得到原始信号x(t)，采用经验模态分解法将原始信号进行分解，得到一系列固有模态函数IMF分量；S2.1.确定原始信号x(t)的所有局部极值点，用三次样条曲线将所有的极大值点连接起来形成x(t)的上包络线，同样连接所有的极小值点形成x(t)的下包络线，上下包络线应该包络所有的数据点；记上下包络线的平均值为m₁(t)，并计算x(t)和m₁(t)的差值h₁(t)，得到：h₁(t)＝x(t)‑m₁(t)；S2.2.对于不同的原始信号x(t)，h₁(t)可能满足固有模态函数IMF的条件，也可能不满足；若不满足IMF条件，此时将h₁(t)作为原始信号，重复步骤S2.1得到h₁(t)的分解步骤，得到：h₁₁(t)＝h₁(t)‑m₁₁(t)其中，m₁₁(t)为h₁(t)的上、下包络线均值；S2.3.如果h₁₁(t)不满足IMF的条件，则分解继续，重复上述步骤2.1中的分解k次，得：h_1k(t)＝h_1(k‑1)(t)‑m_1k(t)S2.4.判定h_1k(t)是否为一个IMF分量，必须要有分解终止准则，它可以定义为连续两个分解结果之间的标准差SD值：$\mathrm{SD}=\frac{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{|h_{1(k-1)}\left(t\right)-h_{1k}\left(t\right)|}^2}{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{h}_{1(k-1)}^2\left(t\right)}$S2.5.当h_1k(t)满足IMF的条件或SD值小于某一设定值，即认为h_1k(t)是一个IMF分量，记C₁(t)＝h_1k(t)，得到第一个IMF分量；C₁(t)表示原始信号的第1阶IMF分量；S2.6.令r₁(t)＝x(t)‑C₁(t)，将r₁(t)作为新的待分析信号重复S2.1至S2.5的步骤，经过多次分解可以得到：r_i(t)＝r_i‑1(t)‑C_i(t)  i＝2,3,...,n当C_n(t)或r_n(t)小于预定的误差；或r_n(t)成为一个单调函数且不可再从中分解出满足IMF条件的分量时，分解结束；至此，信号x(t)被分解为：$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{C}_i\left(t\right)+r_n\left(t\right)$S3、对IMF分量C_i(t)进行倒频谱分析，得到IMF分量的幅值倒频谱；S3.1.对IMF分量进行傅里叶变换得到：C_i(f)＝F[C_i(t)]式中，C_i(t)表示原始信号的第i阶IMF分量；F表示傅里叶变换；记IMF分量的功率谱为G_i(f)，则：G_i(f)＝|C_i(f)|²＝|F[C_i(t)]|²S3.2.对IMF分量的功率谱作自然对数转换后再进行傅里叶变换后得到IMF分量的幅值倒频谱，并记为C_i(τ)，即：C_i(τ)＝|F[lnG_i(f)]|   i＝1,2,3...,n其中，τ为倒频率；C_i(τ)表示第i阶IMF分量的倒频谱；S4、采用Matlab软件中绘图工具绘制出幅值倒频谱图，根据倒频谱图中明显幅值处的倒频率值求取相应的频率值，倒频率的倒数即为频率值，并将得到的频率值与齿轮轴转频相比较，从而有效提取故障特征频率。