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技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术属于齿轮箱故障识别
，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(SpectrumTrend)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(VariationalModeDecomposition,VMD)算法，用于多分量信号模态的提取。
技术介绍
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(EmpiricalModeDecomposition,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。
技术实现思路
针对现有技术中存在的上述问题，本专利技术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，本专利技术的基于频谱趋势(SpectrumTrend)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；2.4)统计频谱趋势中的极大值个数M并将所有极大值的横坐标并归一化为xm；2.5)设置模态个数估计量K＝M，初始的中心频率2.6)利用步骤2.5)中设置的参数对振动信号进行变分模态分解，最终得到振动信号的各个模式函数。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2.3)中的部分IMFs一般为最后4个或5个。所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤3中的解调分析的方法包括基于Hilbert变换的包络解调方法和基于Teager能量算子的解调方法。所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤2.5)中将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率。通过采用上述技术，与现有技术相比，本专利技术的有益效果体现在：1)本专利技术通过检测频谱趋势极大值个数，自适应地解决了VMD算法中模态个数预设的问题；2)本专利技术通过将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率，使初始化的中心频率更符合振动信号频谱的分布，从而更具适应性；3)本专利技术通过ST-VMD方法分解得到的模态分量在频谱上的分布更加合理，提高了齿轮箱故障识别的精度。附图说明图1为本专利技术的基于改进变分模态分解的齿轮箱故障识别方法流程图；图2为本专利技术的基于频谱趋势的改进变分模态分解算法流程图；图3为本专利技术的汽车座椅水平驱动器(HDM)齿轮箱振动时域波形图；图4为本专利技术的HDM齿轮箱振动信号傅里叶频谱图；图5为本专利技术的傅里叶频谱的经验模态分解结果图；图6为本专利技术的频谱趋势(幅值被乘以2)和振动信号的频谱图；图7为本专利技术的各个模态分量时域图；图8为本专利技术的各个模态分量频谱图；图9为本专利技术的各个模态分量频谱分布图；图10为本专利技术的ST-VMD分解得到模态分量的解调分解结果图。具体实施方式以下结合说明书附图对本专利技术作进一步的描述，但本专利技术的保护范围并不仅限于此：本专利技术基于频谱趋势和变分模态分解的齿轮箱故障识别方法，主要是针对原VMD方法在处理具有复杂多分量AM-FM信号时，模态分量个数难以估计，以及分解得到的各个模态分量不合理的问题，提出了基于频谱趋势的改进变分模态分解(ST-VMD)方法。该方法将时域信号的趋势概念引入到振动信号的频谱范围内，因此齿轮箱振动信号频谱的整体形态变化被考虑进来，并利用EMD算法来提取振动信号的频谱趋势。频谱趋势每个波峰能够很好的反应一个AM-FM信号，波峰的个数(或频谱趋势极大值的个数)即为需要预设的模态分量个数，同时将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率，提高初始化的中心频率的适应性，也使得分解得到的模态分量在频谱上的分布更加合理。如图1所示，本专利技术的基于频谱趋势和变分模态分解的齿轮箱故障识别方法，具体步骤如下：步骤1，采集齿轮箱的振动信号，对齿轮箱振动信号采用基于频谱趋势的方式对变分模态分解方法(ST-VMD)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，得到各个模态分量，其具体步骤如图2所示：1.1)对齿轮箱振动信号进行傅里叶变换(Fourier变换)，获得振动信号的频谱；1.2)对步骤1.1)获得的频谱进行EMD分解，获得若干模态分量IMFs和残余；1.3)将步骤1.2)中部分IMFs和残余进行重构，获得振动信号的频谱趋势；1.4)统计频谱趋势中的极大值个数M和所有极大值的横坐标并归一化为xm；1.5)设置模态个数估计量K＝M，初始的中心频率1.6)利用步骤1.5)中设置的参数对振动信号进行VMD分解，最终得到振动信号的各个模态分量；步骤2，对步骤1中获得各个模态分量进行解调分析，得到特征频率，解调的方法可以是基于Hilbert变换的包络解调方法，也可以是基于Teager能量算子的解调方法，在本专利技术中，对于实际的齿轮箱振动信号，当获得的模态分量比较合理时，Hilbert变换解调方法和能量算子解调方法均能获得较好的解调结果；步骤3，将步骤2中解调分析获得的特征频率与齿轮箱中各个齿轮的转频进行比较，对故障源定位，从而实现齿轮箱的故障诊断。实施例1如图1-2所示，基于频谱趋势和变分模态分解的齿轮箱故障识别方法，包括如下步骤：1)以采集的汽车座椅水平驱动器(HorizontalDrivingMachi本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
1.一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。2.根据权利要求1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...

【专利技术属性】
技术研发人员：张征，王昌明，鲍雨梅，吴化平，李吉泉，丁浩，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33