一种基于频率诱导变分模态分解的齿轮箱故障诊断方法技术

本发明专利技术涉及一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，首先，通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量：将原始振动信号通过傅里叶转换为频域信号，根据振动信号傅立叶谱的极大值分布估计齿轮箱系统的自振频率，将固有频率的估计值作为各模态分量中心频率的初始化位置，并通过交替乘子法将原始信号自适应分解为本征模态函数(窄带模态分量)；然后，对各窄带模态分量求包络谱，并计算故障特征频率比；选择故障特征频率比最大的窄带模态分量作为有效分量；最后，通过对有效分量的包络分析实现齿轮箱故障的有效识别。本发明专利技术诊断精度高、抗噪声能力强、计算复杂性低，能有效应用于与工业现场的齿轮箱故障诊断。齿轮箱故障诊断。齿轮箱故障诊断。

【技术实现步骤摘要】
一种基于频率诱导变分模态分解的齿轮箱故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其是一种基于频率诱导变分模态分解的齿轮箱故障诊断方法。

技术介绍

[0002]齿轮箱传动系统是风电机组的关键零部件，其运行状态对风力发电的安全性和经济性都有较大的影响。齿轮箱失效在风电机组的各类故障中占有较高的比例，并且维护难度较大，故障造成的停机时间较长。因此齿轮箱故障的准确诊断对降低运维成本、避免发生故障具有重要意义。
[0003]由于齿轮箱振动信号的非线性和非平稳性，传统频谱分析难以准确的提取出故障信息。区别于频谱分析，模态分解是一种非平稳信号分析方法，其通过迭代搜索模型最优解，将原始信号分解为带宽有限的本征模态函数，从而将故障信息从背景噪声中分离出来。尽管模态分解能有效的处理非平稳信号，但是其模态数量的选择依赖人为经验，这在一定程度上限制了该方法的自适应性。此外，变量的初始化位置很大程度上影响着迭代计算的效率及最终收敛结果。因此，现有技术的模态分解方法在处理噪声信号时较易陷入局部极值点，一定程度上降低了其故障特征提取能力和抗噪声能力。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，可提高信号提取抗噪声能力，降低计算复杂性，能有效应用于与工业现场的齿轮箱故障诊断。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，包括以下步骤：
[0007]S1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量：
[0008]S2、对各所述窄带模态分量求包络谱，并计算故障特征频率比；
[0009]S3、选择故障特征频率比最大的窄带模态分量作为有效分量；
[0010]S4、对所述有效分量进行包络分析以识别齿轮箱的故障类型。
[0011]进一步技术方案为：
[0012]所述通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量，具体包括：
[0013]s11、将原始振动信号x(t)经傅立叶变换转换为频域信号X(ω)；
[0014]S12、根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f
i
；
[0015]S13、将自振频率f
i
的估计值，作为各模态分量中心频率的初始化位置，并通过交替乘子法将X(ω)自适应分解为窄带模态分量U
k
(ω)；
[0016]S14、通过傅立叶逆变换将U
k
(ω)转换为时域信号u
k
(t)。
[0017]所述根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f
i
，具体包括：
[0018]1)搜索傅立叶谱X(ω)中最大的极值点，将其作为自振频率估计值f
i
；
[0019]2)在f
i
±
μ1·
f
i
的范围以外搜索最大的极值点，并将其作为新的自振频率估计值f
i+1
，其中，i＝1，2...K，K为已搜索到的自振频率估计值的个数；
[0020]3)重复步骤2)直至f
i
±
μ1·
f
i
的范围以外所有极大值点满足X(f
i+1
)≤μ2·
max(X(f))；
[0021]其中，μ1、μ2均为常数。
[0022]优选的，μ1取值为0.1。
[0023]优选的，μ2取值为0.15。
[0024]步骤S13中，交替乘子法的迭代计算式为：
[0025][0026]其中，X(ω)为原始振动信号x(t)的傅里叶谱，U
k
(ω)为分解后的窄带模态分量，a为常系数取2000，λ(ω)为拉格朗日乘子。
[0027]拉格朗日乘子的λ(ω)的解析式为：
[0028][0029]ω
k
为U
k
(ω)的中心频率，其计算式为：
[0030][0031]步骤S2中，求包络谱的计算式为：
[0032][0033]其中，Y(ω)为各窄带模态分量的包络谱，u
k
(τ)为分解所得的窄带模态分量U
k
(ω)对应的时域信号，τ和t均为时间变量。
[0034]步骤S3中，故障特征频率比仅计算3倍故障特征频率范围内的包络谱分布：
[0035][0036]FCFR为故障特征频率比，f
c
为故障特征频率，C为分析的故障类别数。
[0037]步骤S4中，根据故障特征频率在有效分量的包络谱中是否突出，来识别齿轮箱的故障类型。
[0038]本专利技术的有益效果如下：
[0039]本专利技术方法能够有效提取出齿轮箱振动信号中隐含的故障特征。
[0040]本专利技术方法在信号处理过程中具有较强的抗噪声能力。
[0041]本专利技术方法计算复杂性低，计算效率高。
[0042]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0043]图1是本专利技术的故障诊断方法的流程图。
[0044]图2是本专利技术实施例的齿轮箱两种状态下的振动信号的时域图。
[0045]图3是本专利技术实施例的齿轮箱两种状态下的振动信号傅立叶谱和自振频率分布。
[0046]图4是本专利技术实施例的齿轮箱在两种状态下振动信号的FIVMD分解结果。
[0047]图5是本专利技术实施例的齿轮箱两种状态下的有效分量包络谱。
[0048]图6是本专利技术实施例的附加强噪声后振动信号的时域图和傅立叶谱。
[0049]图7是本专利技术实施例的附加强噪声后振动信号FIVMD有效分量包络谱。
[0050]图8是本专利技术实施例的附加强噪声后振动信号EEMD有效分量包络谱。
[0051]图9是本专利技术实施例的附加强噪声后振动信号AVMD有效分量包络谱。
具体实施方式
[0052]以下结合附图说明本专利技术的具体实施方式。
[0053]如图1所示，一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，包括以下步骤：
[0054]S1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量(本征模态函数)，具体包括：
[0055]S11、将原始振动信号x(t)经傅立叶变换转换为频域信号X(ω)；
[0056]S12、根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f
i
，具体包括：
[0057]1)搜索傅立叶谱X(ω)中最大的极值点，将其作为自振频率估计值f
i
；
[0058]2)在f
i
±<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，包括以下步骤：S1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量；S2、对各所述窄带模态分量求包络谱，并计算故障特征频率比；S3、选择故障特征频率比最大的窄带模态分量作为有效分量；S4、对所述有效分量进行包络分析以识别齿轮箱的故障类型。2.根据权利要求1所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，所述通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量，具体包括：S11、将原始振动信号x(t)经傅立叶变换转换为频域信号X(ω)；S12、根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f
i
；S13、将自振频率f
i
的估计值，作为各模态分量中心频率的初始化位置，并通过交替乘子法将X(ω)自适应分解为窄带模态分量U
k
(ω)；S14、通过傅立叶逆变换将U
k
(ω)转换为时域信号u
k
(t)。3.根据权利要求2所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，所述根据原始振动信号的傅立叶谱X(ω)的极大值分布估计齿轮箱系统的自振频率f
i
，具体包括：1)搜索傅立叶谱X(ω)中最大的极值点，将其作为自振频率估计值f
i
；2)在f
i
±
μ1·
f
i
的范围以外搜索最大的极值点，并将其作为新的自振频率估计值f
i+1
，其中，i＝1，2...K，K为已搜索到的自振频率估计值的个数；3)重复步骤2)直至f
i
±
μ1·

【专利技术属性】
技术研发人员：马天霆，韩冰，孙振波，张天羽，沈立祥，邓艾东，曹明，邓敏强，
申请(专利权)人：南京东振测控技术有限公司，
类型：发明
国别省市：