一種行星齒輪微弱故障特征信息提取方法
【專利摘要】本發明公開了一種基于改進總體平均經驗模態分解和自適應隨機共振的行星齒輪微弱故障特征信息提取方法。包括振動信號采集、故障特征信息有效IMF提取和基于自適應隨機共振微弱故障特征提取。該方法可提取行星齒輪故障產生的微弱故障特征信息，并根據提取的微弱故障特征信息實現行星齒輪故障診斷，是一種有效的行星齒輪微弱故障特征信息提取方法。
【專利說明】一種行星齒輪微弱故障特征信息提取方法
【技術領域】
[0001] 本發明屬于行星齒輪故障診斷【技術領域】，具體涉及一種基于改進總體平均經驗模 態分解和自適應隨機共振的行星齒輪微弱故障特征信息提取方法。
【背景技術】
[0002] 行星齒輪傳動具有體積小、重量輕、傳動比大的優點，被廣泛應用于大型復雜機械 低速重載場合。行星齒輪傳動相比定軸齒輪傳動，是一個強非線性系統，由于行星齒輪傳動 系統的工況條件、內部參數變化、行星齒輪安裝誤差和制造誤差、多齒嚙合及傳遞路徑影響 導致出現較多的調幅與調頻現象，表現出更強烈的非線性、非平穩特性。同時由于行星齒輪 傳動經常工作在惡劣的工作環境之下，經常受到噪聲干擾，特征信息提取比較困難，特別當 齒輪發生早期故障時，故障特征信息十分微弱，甚至被掩埋在外界噪聲中。因此如何有效檢 測行星齒輪傳動產生的微弱故障特征信息是目前研宄的關鍵。
[0003] 在實際的行星齒輪傳動過程中，存在很多復雜的干擾信號和外界噪聲，這些復雜 的外界干擾會把早期的弱小故障特征信息淹沒。EMD分解存在2個主要的缺點即端點效應 和模態混疊，端點效應會嚴重影響MF分量的質量，模態混疊將使IMF失去其本身的物理含 義，甚至產生虛假分量，目前解決這兩個問題的主要方法分別是端點延拓和基于高斯白噪 聲頻率均一特性的EEMD分解。經過分解齒輪故障產生的主要故障特征信息一般被分解到 多個本征模態函數中，故需篩選出包含主要故障特征信息的有效頂F。但是由于行星齒輪 傳動非常復雜，即使在包含主要故障特征信息的MF中，故障特征信息仍然十分微弱。目 前微弱故障特征信息的提取方法主要分為兩種，一種為對原始信號進行降噪處理，其中降 噪處理會錯誤的消除一定的故障特征信號；另外一種是利用噪聲提高信噪比來檢測微弱信 號，主要方法利用隨機共振（StochasticResonance，SR)理論。隨機共振理論利用非線性 系統，在輸入信號和噪聲的協同作用下，會產生類似力學中的共振輸出，達到增強弱信號的 目的。隨機共振由于其在檢測微弱信號方面的優勢，是近年來的研宄熱點，但是隨機共振由 于受到絕熱近似及線性響應理論影響，導致該方法只適用處理小參數信號，針對這一問題， 很多學者都做了相應研宄。然而已有的隨機共振方法人為主觀選擇系統參數或只對單一參 數進行自適應優化，忽略了各個參數之間的交互作用，導致隨機共振在微弱特征提取中的 優勢未能充分發揮。
【發明內容】
[0004] 本發明的目的在于克服以上問題，提供一種基于改進總體平均經驗模態分解和自 適應隨機共振的行星齒輪微弱故障特征信息提取方法。該方法通過提取比較被淹沒的不同 齒輪狀態所產生的故障特征信息，可實現行星齒輪故障診斷，是一種有效的行星齒輪微弱 故障特征彳目息提取方法。
[0005] 本發明提供一種基于改進總體平均經驗模態分解和自適應隨機共振的行星齒輪 微弱故障特征信息提取方法，包括以下步驟：
[0006] 利用加速度傳感器測量行星齒輪殼體的原始振動信號，得到的原始振動信號包 括行星傳動太陽輪正常狀態、斷齒狀態和齒根裂紋三種類型。
[0007] 將原始振動信號進行分解，得到IMF分量。利用改進EEMD對原始振動信號進行分 解，首先利用回歸SVM對行星齒輪原始振動信號進行延拓，然后利用EEMD對SVM延拓信號 進行分解，分解結束后去除各MF分量的SVM延拓部分，得到抑制了端點效應、模態混疊程 度低的高純度IMF分量。
[0008]MF分量處理得到有效MF。聯合FFT，定義故障特征頻率信息信噪比即：故障特 征頻率及其邊頻功率與噪聲信號功率的比值。計算各高純度頂F分量的故障特征頻率信息 信噪比，提取故障特征頻率信息信噪比最高的4個MF分量作為包含主要故障特征信息的 有效頂F。
[0009] 重構4個有效MF，對重構信號進行預處理，采用移頻變尺度處理，使其符合隨機 共振小參數要求。
[0010] 采用粒子群優化算法以隨機共振輸出信號信噪比作為適應度值，對隨機共振系統 參數a和b進行優化，構建最優的自適應隨機共振系統。
[0011] 將移頻變尺度的重構信號（有效IMF)輸入到自適應隨機共振系統進行輸出，采用 龍格庫塔算法求解非線性隨機微分方程，根據自適應隨機共振系統輸出有效提取出行星齒 輪產生的微弱故障特征信息，并根據故障特征信息區分行星齒輪故障類型。
[0012] 改進EEMD分解過程如下：
[0013] (1)利用回歸SVM進行信號延拓，延拓長度為原始振動信號的1/8 ;
[0014] (2)選擇加入白噪聲次數M，并確定所加噪聲的幅值；
[0015] (3)得到加入第m次白噪聲的原始振動信號；
[0016] (4)對加入白噪聲的振動信號進行EMD分解，得到I個IMF;
[0017] (5)如果m〈M，m=m+1，再次進行步驟⑵和（3)，直到m=M;
[0018] (6)計算M次加入噪聲分解的每一個MF的總體平均
[0019]
【權利要求】
1. 一種行星齒輪微弱故障特征信息提取方法，其特征在于，包括以下步驟： 測量行星齒輪殼體的原始振動信號； 將所述原始振動信號進行分解，得到IMF分量； 將所述MF分量處理得到有效頂F; 將所述有效頂F重構； 構建自適應隨機共振系統； 利用所述重構的有效IMF通過所述自適應隨機共振系統提取行星齒輪微弱故障特征 信息； 根據所述故障特征信息區分行星齒輪故障類型。
2. 如權利要求1所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于：所述 行星齒輪殼體原始振動信號用加速度傳感器測定，所述原始振動信號包括行星傳動太陽輪 正常狀態、斷齒狀態和齒根裂紋三種類型。
3. 如權利要求1或2所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于： 所述原始振動信號進行分解方法為利用改進EEMD分解，首先利用回歸SVM對所述行星齒輪 原始振動信號進行延拓，然后利用EEMD對所述SVM延拓信號進行分解，分解結束后去除各 頂F分量的SVM延拓部分，得到抑制了端點效應、模態混疊程度低的純凈MF分量。
4. 如權利要求3所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于，所述 改進EEMD分解具體過程如下： (1) 利用回歸SVM進行信號延拓，延拓長度為原始振動信號的1/8 ; (2) 選擇加入白噪聲次數M，并確定所加噪聲的幅值； (3) 得到加入第m次白噪聲的原始振動信號； (4) 對加入白噪聲的振動信號進行EMD分解，得到I個IMF; (5) 如果m〈M，m=m+1，再次進行步驟⑵和（3)，直到m=M; (6) 計算M次加入噪聲分解的每一個IMF的總體平均； (7) 去除各MF的SVM延拓部分。
5. 如權利要求1、2或4任一項所述的一種行星齒輪微弱故障特征信息提取方法，其特 征在于，所述MF分量處理得到有效MF步驟為，聯合FFT，定義故障特征頻率信息信噪比 為故障特征頻率及其邊頻功率與噪聲信號功率的比值，計算各高純度頂F分量的故障特征 頻率信息信噪比，提取故障特征頻率信息信噪比最高的4個MF分量作為包含主要故障特 征信息的有效頂F，所述信噪比公式為：
式中Saj為信號在故障特征頻率&及其邊頻帶的功率；為噪聲信號功率。
6. 如權利要求5所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于：所述 有效IMF重構的步驟為，對所述重構信號采用移頻變尺度處理，使其符合隨機共振小參數 要求。
7. 如權利要求1或6所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于： 所述構建自適應隨機共振系統步驟為，采用粒子群優化算法以隨機共振輸出信號信噪比作 為適應度值，對隨機共振系統參數a和b進行優化，構建最優的自適應隨機共振系統。
8.如權利要求7所述的一種行星齒輪微弱故障特征信息提取方法，其特征在于：所述 提取行星齒輪微弱故障特征信息步驟為，將移頻變尺度的重構信號輸入到自適應隨機共振 系統進行輸出，采用龍格庫塔算法求解非線性隨機微分方程，根據自適應隨機共振系統輸 出有效提取出行星齒輪產生的微弱故障特征信息，隨機共振系統采用雙穩系統Langevin
【文檔編號】G01M13/02GK104483127SQ201410568365
【公開日】2015年4月1日 申請日期:2014年10月22日 優先權日:2014年10月22日
【發明者】程剛, 陳曦暉, 劉曉樂, 山顯雷, 劉后廣 申請人:徐州隆安光電科技有限公司
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
