基于形态分量分析的变工况齿轮箱轴承故障诊断方法技术

本发明专利技术公开了一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法，涉及齿轮或传动机构的测试方法技术领域。所述方法可将齿轮箱轴承故障信号中与齿轮振动相关的谐振分量和与轴承故障信息相关的冲击分量用不同的字典进行稀疏表示，利用形态分量分析并结合其他信号处理方法可将信号中具有不同形态分量的故障成分进行有效地分离。所述方法原理简单，算法容易实现，信号的物理含义明确，是一种有效的齿轮箱轴承故障诊断方法，且该方法还可以降低角域重采样阶次，减少阶次跟踪的计算量。

【技术实现步骤摘要】

本专利技术涉及齿轮或传动机构的测试方法
，尤其涉及一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法。
技术介绍
近年来，在国内外经常有因齿轮箱中各种故障而造成的灾难性事故发生，而这些事故主要是由于齿轮箱在运行过程中发生的故障而引起的。目前，为了防止此类事故的发生而必须定期频繁地进行检修以排除齿轮箱故障，这样不但增加了齿轮箱的正常运行和维护成本，而且会使齿轮箱的正常运行受到严重影响，容易造成齿轮箱的损坏。研究快速有效的齿轮箱故障诊断方法，对于防止齿轮箱突发性故障，降低其维护修理费用，保障齿轮箱运行安全，避免造成重大经济损失和人员伤亡意义重大。形态分量分析(MCA)方法可利用信号组成成分的形态差异性和稀疏性，将多分量信号中不同形态分量信号进行分离。传统的信号分解方法大都是基于各信号分量频率带的不同而分离，而MCA方法即使各信号分量的频率带存在相互叠加的情况，依然可将信号进行分离。MCA方法原理简单，具有更好的自适应性，算法容易实现，而且稀疏表示后的信号结构简单，信号的物理含义明确。阶次跟踪是一种针对变转速振动信号进行分析处理与故障诊断的重要方法，其基本思想是将转速信号与非平稳振动信号结合起来，从而使非平稳振动信号能够进行角域重采样而转化为角域准平稳信号。现常用的计算阶次跟踪方法利用键相装置来采集脉冲信号，利用相应的传感器同时采集齿轮箱的振动信号及其转速信号，再利用软件的形式对采集到的非平稳信号进行角域重采样，用以得到其角域准平稳信号。因基于硬件方式的阶次跟踪方法的相关装置安装复杂，成本较贵，且不适用于转速较快的场合，这一定程度上限制了其应用范围。与这种方法相比，计算阶次跟踪技术则具有精度高、实时性好、容易实现，成本低等优点。根据计算阶次跟踪技术理论，阶次的定义为振动频率与相应参考轴转速的比值。在角域重采样过程中，存在着与时域采样定理近似的角域重采样定理。目前，若已知信号中所包含的最大阶次，则可依据采样定理确定重采样阶次，但实际应用过程中往往不清楚信号中的最大阶次，这样就会导致出现阶次混叠的现象。阶次跟踪中重点的问题是怎样确定角域重采样阶次，从而避免上述现象。本方法提出了基于低通滤波的改进方案，其主要是为了保证在进行重采样过程中避免出现上述现象，该方法还可以降低角域重采样阶次，从而减少阶次跟踪的计算量。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法，所述方法可将齿轮箱轴承故障信号中与齿轮振动相关的谐振分量和与轴承故障信息相关的冲击分量有效地进行分离，具有原理简单，容易实现，稀疏表示后的信号结构简单，信号的物理含义明确等优点。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法，其特征在于包括如下步骤：1)构建出局部离散余弦变换字典和非抽样离散小波变换字典，分别用于稀疏地表示齿轮箱原始轴承故障信号中存在的谐振成分和冲击成分，利用选定的字典及其参数，设定形态分量分析的前提条件，通过形态分量分析方法对原始故障信号进行分解，得出与齿轮振动相关的谐振分量和与轴承元件故障相关的冲击分量；2)根据故障振动信号中想要分析的最大阶次来设置阶次跟踪方法中低通滤波器的截止频率fc，进而计算出经滤波后信号中所隐藏的最高阶次Ohide，最后计算得出角域重采样阶次Os；3)对经形态分量分析方法分解得出的冲击分量进行Hilbert包络分析，用以获取其包络；4)对冲击分量的包络信号进行角域重采样，获取其角域包络信号，再对其进行离散傅里叶变换，得出其包络阶次谱，通过分析角域包络信号阶次谱中的故障特征阶次，诊断轴承故障相关信息。进一步的技术方案在于：齿轮箱轴承故障信号的提取通过以下手段实现：采用压电式加速度传感器采集齿轮箱轴承振动信号，得到变工况下滚动轴承外圈轻微裂纹的故障信号；采用激光传感器采集转轴的转速信号。进一步的技术方案在于：所述的步骤1)中利用形态分量分析方法分解振动信号的过程包括以下步骤：1)选择形态字典Φk(k＝1,…,K)，采用非抽样离散小波变换字典用来稀疏地表示原信号中的瞬态冲击成分，其小波函数采用8阶消失矩Symlet小波，小波的粗分解尺度为0；采用局部离散余弦变换字典用来稀疏表示原信号中的谐振成分，加窗函数采用正弦窗函数，其窗间重叠度为50％，窗宽为N/8，N为信号的长度，假定最大的迭代次数为Lmax，设定阈值δk＝Lmax×λk/2，其中，λk为初始化变量；2)对各形态分量sk＝0,k＝1,…,K进行初始化；3)计算出各残余的形态分量4)对信号rj+sk进行计算，求得各形态分量的稀疏变换系数5)对各稀疏变换系数αk采用选定的阈值筛选法进行去噪，阈值为δk，得到更新以后的稀疏变换系数α'k；6)利用稀疏变换系数α'k结合算法对信号进行重构，即sk＝Φkα'k；7)得到更新以后的阈值δk＝δk-λk/2；8)若更新以后的阈值δk＞λk/2，则跳至第3)步进入循环，否则结束循环，得到各形态分量sk(k＝1,…,K)和残余成分进一步的技术方案在于：所述的步骤2)中角域重采样阶次Os的求解包括如下步骤：假设转速信号采样频率为fs，nmax为参考轴的最高转速，nmin为参考轴的最低转速，Omax为所需分析的最高阶次，最高阶次Omax内的阶次分量的频率变化范围为f(O≤Omax)≤Omax×nmax/60 (1)计算得出低通滤波器的截止频率fc为fc≥Omax×nmax/60 (2)使在阶次带宽Om范围内信号的全部特征信息得以保留；若信号中存在k阶阶次分量，那么该阶次分量所对应的频率范围为Ok×nmin/60≤fk≤Omax×nmax/60，在信号通过低通滤波后，f≥fc的频率范围内的阶次分量都被过滤掉，故信号经过低通滤波后的最高阶满足Ohide×nmin/60＝fc (3)此时，信号中的最高阶次为Ohide＝60×fc/nmin (4)通过转速范围得出信号中所隐藏的最高阶次，再根据采样定理来得到其角域重采样阶次，保证在重采样过程中不发生阶次混叠现象；得出信号的角域重采样阶次为Os≥2Ohide＝120×fc/nmin (5)。采用上述技术方案所产生的有益效果在于：所述方法利用故障振动信号中形态的差异性，且各形态均可用相应的字典进行稀疏表示，结合其他的信号处理方法可将信号中形态不同的分量进行有效地分离。在实测信号中该方法可将齿轮箱轴承故障信号中与齿轮振动相关的谐振分量和与轴承故障信息相关的冲击分量有效地进行分离，同时该方法还具有原理简单，算法容易实现，而且稀疏表示后的信号结构简单，信号的物理含义明确等优点。附图说明图1实施例中仿真信号的转速曲线图；图2实施例中变转速齿轮噪声源仿真振动信号；图3实施例中变转速轴承元件故障仿真振动信号；图4实施例中受噪声干扰的变转速轴承故障仿真振动信号；图5a实施例中仿真信号经MCA分离后的谐振分量；图5b实施例中仿真信号经MCA分离后的冲击分量；图6实施例中采用传统阶次跟踪的冲击分量阶次谱；图7实施例中经改进后的阶次跟踪的冲击分量阶次谱；图8实施例中传统阶次跟踪避免阶次混叠现象的阶次谱；图9实施例中变转速轴承外圈故障信号的时域波形；图10实施例中故障信号的转速曲本文档来自技高网...

【技术保护点】
一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法，其特征在于包括如下步骤：1)构建出局部离散余弦变换字典和非抽样离散小波变换字典，分别用于稀疏地表示齿轮箱原始轴承故障信号中存在的谐振成分和冲击成分，利用选定的字典及其参数，设定形态分量分析的前提条件，通过形态分量分析方法对原始故障信号进行分解，得出与齿轮振动相关的谐振分量和与轴承元件故障相关的冲击分量；2)根据故障振动信号中想要分析的最大阶次来设置阶次跟踪方法中低通滤波器的截止频率fc，进而计算出经滤波后信号中所隐藏的最高阶次Ohide，最后计算得出角域重采样阶次Os；3)对经形态分量分析方法分解得出的冲击分量进行Hilbert包络分析，用以获取其包络；4)对冲击分量的包络信号进行角域重采样，获取其角域包络信号，再对其进行离散傅里叶变换，得出其包络阶次谱，通过分析角域包络信号阶次谱中的故障特征阶次，诊断轴承故障相关信息。

【技术特征摘要】
1.一种基于形态分量分析的变工况齿轮箱轴承故障诊断方法，其特征在于包括如下步骤：1)构建出局部离散余弦变换字典和非抽样离散小波变换字典，分别用于稀疏地表示齿轮箱原始轴承故障信号中存在的谐振成分和冲击成分，利用选定的字典及其参数，设定形态分量分析的前提条件，通过形态分量分析方法对原始故障信号进行分解，得出与齿轮振动相关的谐振分量和与轴承元件故障相关的冲击分量；2)根据故障振动信号中想要分析的最大阶次来设置阶次跟踪方法中低通滤波器的截止频率fc，进而计算出经滤波后信号中所隐藏的最高阶次Ohide，最后计算得出角域重采样阶次Os；3)对经形态分量分析方法分解得出的冲击分量进行Hilbert包络分析，用以获取其包络；4)对冲击分量的包络信号进行角域重采样，获取其角域包络信号，再对其进行离散傅里叶变换，得出其包络阶次谱，通过分析角域包络信号阶次谱中的故障特征阶次，诊断轴承故障相关信息。2.如权利要求1所述的基于形态分量分析的变工况齿轮箱轴承故障诊断方法，其特征在于，齿轮箱原始故障信号的提取通过以下手段实现：采用压电式加速度传感器采集齿轮箱轴承振动信号，得到变工况下滚动轴承外圈轻微裂纹的故障信号；采用激光传感器采集转轴的转速信号。3.如权利要求1所述的基于形态分量分析的变工况齿轮箱轴承故障诊断方法，其特征在于，所述的步骤1)中利用形态分量分析方法分解振动信号的过程包括以下步骤：1)选择形态字典Φk(k＝1,…,K)，采用非抽样离散小波变换字典用来稀疏地表示原信号中的瞬态冲击成分，其小波函数采用8阶消失矩Symlet小波，小波的粗分解尺度为0；采用局部离散余弦变换字典用来稀疏表示原信号中的谐振成分，加窗函数采用正弦窗函数，其窗间重叠度为50％，窗宽为N/8，N为信号的长度，假定最大的迭代次数为Lmax，设定阈值δk＝Lmax×λ...

【专利技术属性】
技术研发人员：郝如江，牛志雷，王胜江，杨红娜，李辉，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13