一种基于加权导数动态时间规整的齿轮微弱故障诊断方法技术

本发明专利技术公开了一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，包括以下步骤：基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理、基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取、基于希尔伯特变换方法的包络谱故障特征分析。本发明专利技术能够更加高效的提取齿轮微弱局部故障特征，能够及时对微弱故障做出诊断，更加适用于实际工业生产环境。

A weak fault diagnosis method of gear based on dynamic time regulation of weighted derivative

【技术实现步骤摘要】
一种基于加权导数动态时间规整的齿轮微弱故障诊断方法
本专利技术涉及振动故障诊断领域，特别是一种基于加权导数动态时间规整的齿轮微弱故障诊断方法。
技术介绍
齿轮箱目前被广泛应用于工业生产领域，在其中扮演十分重要的角色，发挥着至关重要的作用，一旦发生故障，将严重影响工业生产，造成经济损失或者人身伤害。对齿轮箱进行故障诊断显得至关重要，其中齿轮作为动力传递的关键部件长时间、高负荷工作容易发生故障。大部分齿轮故障都是从微弱状态逐渐恶化，最终演变成严重的故障状态，所以有效的对齿轮的微弱故障进行及时检测和诊断，便可以有效的预防事故的发生。齿轮在制造和安装过程中都会存在合理的误差，这些误差将有可能作为振动的激励源，引起齿轮箱振动，在故障诊断时所采集到的齿轮箱振动信号会包含这些振动信号，微弱故障发生时由于故障水平微弱，其所引起的振动水平也比较微弱，微弱故障信息容易淹没在振动信号中。因此，对齿轮进行准确的故障诊断必须要解决以下关键问题：(1)提高信号的信噪比，使信号尽可能包含更多的原始故障信息。(2)排除齿轮自身存在的加工制造缺陷或者安装误差的干扰。(3)能够对微弱故障做出及时诊断，对微弱故障敏感。(4)能够准确处理非线性非平稳信号，具有较强的鲁棒性和快速性。目前大多数的研究都集中在滚动轴承的故障诊断方面，齿轮故障诊断也取得许多成果，但是对于齿轮微弱故障的诊断效果不佳。时域分析方法的指标较多，不同的应用场合需要使用不同的时域指标，小波包分析方法依赖于小波基的选取，深度学习方法计算量较大、计算速度慢。
技术实现思路
本专利技术的目的是为了解决上述问题，设计了一种基于加权导数动态时间规整的齿轮微弱故障诊断方法。实现上述目的本专利技术的技术方案为，一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，包括以下步骤：步骤1：基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理；步骤2：基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取；步骤3：基于希尔伯特变换方法的包络谱故障特征分析。进一步地，所述的步骤1中，基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理，其具体步骤为：步骤1.1：使用EEMD算法分解原始健康振动信号OH(t)和原始故障振动信号OF(t)；步骤1.2：通过频率相关性选择法分别选择所需的本征模态函数(IMF)分量。进一步地，所述的步骤2中，基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取，其具体步骤为：步骤2.1：构建WDDTW算法的最优规整匹配路径WR；步骤2.2：通过求残差运算获得原始残差向量信号OR；步骤2.3：使用重采样技术将序列恢复原长。进一步地，所述的步骤3中，基于希尔伯特变换方法的包络谱故障特征分析，其具体步骤为：步骤3.1：对残差向量信号R进行希尔伯特变换；步骤3.2：包络谱故障特征分析。进一步地，所述的步骤1.1中，使用EEMD算法分解原始健康振动信号OH(t)和原始故障振动信号OF(t)，其具体步骤为：步骤1.1.1：齿轮箱在无故障状态下测得的振动信号作为原始健康振动信号OH(t)，齿轮箱中的齿轮发生微弱故障状态下测得的振动信号作为原始故障振动信号OF(t)；步骤1.1.2：EEMD方法分别分解原始健康振动信号OH(t)和原始故障振动信号OF(t)，获得多个本征模态函数(IMF)分量。进一步地，所述的步骤1.2中，通过频率相关性选择法分别选择所需的IMF分量，其具体步骤为：步骤1.2.1：将原始健康振动信号OH(t)及其经EEMD算法分解所得到的所有IMF分量、原始故障振动信号OF(t)及其经EEMD算法分解所得到的IMF分量进行快速傅里叶变换；步骤1.2.2：计算原始健康振动信号OH(t)和原始故障振动信号OF(t)的频率相关值；步骤1.2.3：分别计算原始健康振动信号OH(t)和原始故障振动信号OF(t)经EEMD算法分解后得到的所有IMF分量的频率相关值；步骤1.2.4：计算各个IMF分量的频率相关性；步骤1.2.5：按照从小到的原则排列各个IMF分量的频率相关性的大小，选择频率相关性最大的IMF分量作为后续处理信号。进一步地，所述的步骤2.1中，构建WDDTW算法的最优规整匹配路径WR，其具体步骤为：步骤2.1.1：通过频率相关性选择法选择的原始健康振动信号称为健康信号H(t)，作为WDDTW算法的参考信号A，通过频率相关性选择法选择的原始故障振动信号称为故障信号F(t)，作为WDDTW算法的测试信号B；步骤2.1.2：将参考信号A与测试信号B同时输入到WDDTW算法，获得最优匹配规整路径WR。进一步地，所述的步骤2.2中，通过求残差运算获得原始残差向量信号OR，其具体步骤为：步骤2.2.1：根据最优规整匹配路径WR，计算新的健康振动信号和新的故障振动信号；步骤2.2.2：将新的故障振动信号和新的健康振动信号作差，获得原始残差向量信号OR。进一步地，所述的步骤3.2中，包络谱故障特征分析，其具体步骤为：步骤3.2.1：根据齿轮箱中齿轮的基本参数计算故障特征频率；步骤3.2.2：从包络谱中读取特征频率，与理论计算的故障特征频率进行对比，实现故障诊断及定位。进一步地，所述的步骤1.2.4中，计算各个IMF分量的频率相关性，其具体计算方式如下：其中，N表示IMF分量经快速傅里叶变换后的频率值的总数量，原始健康振动信号OH(t)和原始故障振动信号OF(t)统称为原始信号，M表示原始信号经快速傅里叶变换后的频率值的总数量，Fm表示原始信号的第m个频率值，Am表示原始信号的第m个频率值的幅值，Fin表示第i个IMF分量的第n个频率值，Am表示第i个IMF分量的第n个频率值的幅值。SiN表示第i个IMF分量的频率相关值，SM表示原始信号的频率相关值。利用本专利技术的技术方案制作的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，通过该方法可以首先通过EEMD方法对原始健康振动信号OH(t)和原始故障振动信号OF(t)进行分解，能够部分分离信号的噪声，利用频率相关性选择法选择合适的IMF分量，可以科学准确的选择所需要的IMF分量，实现降噪，提高了信号的信噪比，再利用WDDTW算法将健康信号与故障信号规整对齐，通过求残差运算获得原始残差向量信号OR，此时便排除了齿轮自身存在的合理加工与安装误差对微弱故障诊断的影响，使用重采样技术重采样原始残差向量信号OR，得到恢复原长的残差向量信号R，最后利用希尔伯特变换方法的强大的分解解调能力分解处理残差向量信号，对残差向量信号进行包络谱故障特征分析，与理论计算的故障特征频率进行对比，实现故障定位与故障诊断。该方法可以有效的实现齿轮微弱故障的诊断，通过信号的预处理减少了处理信号的数量，具有更快的计算速度，WDDTW算法具有强大的规整本文档来自技高网...

【技术保护点】
1.一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，包括以下步骤：/n步骤1：基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理；/n步骤2：基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取；/n步骤3：基于希尔伯特变换方法的包络谱故障特征分析。/n

【技术特征摘要】
1.一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，包括以下步骤：
步骤1：基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理；
步骤2：基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取；
步骤3：基于希尔伯特变换方法的包络谱故障特征分析。


2.根据权利要求1所述的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，所述的步骤1中，基于集合经验模态分解(EEMD)算法和频率相关性选择法的信号预处理，其具体步骤为：
步骤1.1：使用EEMD算法分解原始健康振动信号OH(t)和原始故障振动信号OF(t)；
步骤1.2：通过频率相关性选择法分别选择所需的本征模态函数(IMF)分量。


3.根据权利要求1所述的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，所述的步骤2中，基于加权导数动态时间规整(WDDTW)算法的残差向量信号提取，其具体步骤为：
步骤2.1：构建WDDTW算法的最优规整匹配路径WR；
步骤2.2：通过求残差运算获得原始残差向量信号OR；
步骤2.3：使用重采样技术将原始残差向量信号OR恢复原长，获得残差向量信号R。


4.根据权利要求1所述的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，所述的步骤3中，基于希尔伯特变换方法的包络谱故障特征分析，其具体步骤为：
步骤3.1：对残差向量信号R进行希尔伯特变换；
步骤3.2：包络谱故障特征分析。


5.根据权利要求2所述的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，所述的步骤1.1中，EEMD算法分解原始健康振动信号OH(t)和原始故障振动信号OF(t)，其具体步骤为：
步骤1.1.1：齿轮箱在无故障状态下测得的振动信号作为原始健康振动信号OH(t)，齿轮箱中的齿轮发生微弱故障状态下测得的振动信号作为原始故障振动信号OF(t)；
步骤1.1.2：EEMD方法分别分解原始健康振动信号OH(t)和原始故障振动信号OF(t)，获得多个本征模态函数(IMF)分量。


6.根据权利要求2所述的一种基于加权导数动态时间规整的齿轮微弱故障诊断方法，其特征在于，所述的步骤1.2中，通过频率相关性选择法分别选择所需的IMF分量，其具体步骤为：
步骤1.2.1：将原始健康振动信号OH(t)及其经EEMD算法分解所得到的所有IMF分量、原始故障振动信号OF(t)及其经EEMD算法分解所得到的IMF分量进行快...

【专利技术属性】
技术研发人员：尚志武，高茂生，李万祥，刘霞，俞燕，周士琦，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津;12