一种行星齿轮微弱故障特征信息提取方法
【专利摘要】本发明公开了一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法。包括振动信号采集、故障特征信息有效IMF提取和基于自适应随机共振微弱故障特征提取。该方法可提取行星齿轮故障产生的微弱故障特征信息，并根据提取的微弱故障特征信息实现行星齿轮故障诊断，是一种有效的行星齿轮微弱故障特征信息提取方法。
【专利说明】一种行星齿轮微弱故障特征信息提取方法
【技术领域】
[0001] 本发明属于行星齿轮故障诊断【技术领域】，具体涉及一种基于改进总体平均经验模 态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法。
【背景技术】
[0002] 行星齿轮传动具有体积小、重量轻、传动比大的优点，被广泛应用于大型复杂机械 低速重载场合。行星齿轮传动相比定轴齿轮传动，是一个强非线性系统，由于行星齿轮传动 系统的工况条件、内部参数变化、行星齿轮安装误差和制造误差、多齿啮合及传递路径影响 导致出现较多的调幅与调频现象，表现出更强烈的非线性、非平稳特性。同时由于行星齿轮 传动经常工作在恶劣的工作环境之下，经常受到噪声干扰，特征信息提取比较困难，特别当 齿轮发生早期故障时，故障特征信息十分微弱，甚至被掩埋在外界噪声中。因此如何有效检 测行星齿轮传动产生的微弱故障特征信息是目前研宄的关键。
[0003] 在实际的行星齿轮传动过程中，存在很多复杂的干扰信号和外界噪声，这些复杂 的外界干扰会把早期的弱小故障特征信息淹没。EMD分解存在2个主要的缺点即端点效应 和模态混叠，端点效应会严重影响MF分量的质量，模态混叠将使IMF失去其本身的物理含 义，甚至产生虚假分量，目前解决这两个问题的主要方法分别是端点延拓和基于高斯白噪 声频率均一特性的EEMD分解。经过分解齿轮故障产生的主要故障特征信息一般被分解到 多个本征模态函数中，故需筛选出包含主要故障特征信息的有效頂F。但是由于行星齿轮 传动非常复杂，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为两种，一种为对原始信号进行降噪处理，其中降 噪处理会错误的消除一定的故障特征信号；另外一种是利用噪声提高信噪比来检测微弱信 号，主要方法利用随机共振（StochasticResonance，SR)理论。随机共振理论利用非线性 系统，在输入信号和噪声的协同作用下，会产生类似力学中的共振输出，达到增强弱信号的 目的。随机共振由于其在检测微弱信号方面的优势，是近年来的研宄热点，但是随机共振由 于受到绝热近似及线性响应理论影响，导致该方法只适用处理小参数信号，针对这一问题， 很多学者都做了相应研宄。然而已有的随机共振方法人为主观选择系统参数或只对单一参 数进行自适应优化，忽略了各个参数之间的交互作用，导致随机共振在微弱特征提取中的 优势未能充分发挥。
【发明内容】
[0004] 本发明的目的在于克服以上问题，提供一种基于改进总体平均经验模态分解和自 适应随机共振的行星齿轮微弱故障特征信息提取方法。该方法通过提取比较被淹没的不同 齿轮状态所产生的故障特征信息，可实现行星齿轮故障诊断，是一种有效的行星齿轮微弱 故障特征彳目息提取方法。
[0005] 本发明提供一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮 微弱故障特征信息提取方法，包括以下步骤：
[0006] 利用加速度传感器测量行星齿轮壳体的原始振动信号，得到的原始振动信号包 括行星传动太阳轮正常状态、断齿状态和齿根裂纹三种类型。
[0007] 将原始振动信号进行分解，得到IMF分量。利用改进EEMD对原始振动信号进行分 解，首先利用回归SVM对行星齿轮原始振动信号进行延拓，然后利用EEMD对SVM延拓信号 进行分解，分解结束后去除各MF分量的SVM延拓部分，得到抑制了端点效应、模态混叠程 度低的高纯度IMF分量。
[0008]MF分量处理得到有效MF。联合FFT，定义故障特征频率信息信噪比即：故障特 征频率及其边频功率与噪声信号功率的比值。计算各高纯度頂F分量的故障特征频率信息 信噪比，提取故障特征频率信息信噪比最高的4个MF分量作为包含主要故障特征信息的 有效頂F。
[0009] 重构4个有效MF，对重构信号进行预处理，采用移频变尺度处理，使其符合随机 共振小参数要求。
[0010] 采用粒子群优化算法以随机共振输出信号信噪比作为适应度值，对随机共振系统 参数a和b进行优化，构建最优的自适应随机共振系统。
[0011] 将移频变尺度的重构信号（有效IMF)输入到自适应随机共振系统进行输出，采用 龙格库塔算法求解非线性随机微分方程，根据自适应随机共振系统输出有效提取出行星齿 轮产生的微弱故障特征信息，并根据故障特征信息区分行星齿轮故障类型。
[0012] 改进EEMD分解过程如下：
[0013] (1)利用回归SVM进行信号延拓，延拓长度为原始振动信号的1/8 ;
[0014] (2)选择加入白噪声次数M，并确定所加噪声的幅值；
[0015] (3)得到加入第m次白噪声的原始振动信号；
[0016] (4)对加入白噪声的振动信号进行EMD分解，得到I个IMF;
[0017] (5)如果m〈M，m=m+1，再次进行步骤⑵和（3)，直到m=M;
[0018] (6)计算M次加入噪声分解的每一个MF的总体平均
[0019]
【权利要求】
1. 一种行星齿轮微弱故障特征信息提取方法，其特征在于，包括以下步骤： 测量行星齿轮壳体的原始振动信号； 将所述原始振动信号进行分解，得到IMF分量； 将所述MF分量处理得到有效頂F; 将所述有效頂F重构； 构建自适应随机共振系统； 利用所述重构的有效IMF通过所述自适应随机共振系统提取行星齿轮微弱故障特征 信息； 根据所述故障特征信息区分行星齿轮故障类型。
2. 如权利要求1所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述 行星齿轮壳体原始振动信号用加速度传感器测定，所述原始振动信号包括行星传动太阳轮 正常状态、断齿状态和齿根裂纹三种类型。
3. 如权利要求1或2所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于： 所述原始振动信号进行分解方法为利用改进EEMD分解，首先利用回归SVM对所述行星齿轮 原始振动信号进行延拓，然后利用EEMD对所述SVM延拓信号进行分解，分解结束后去除各 頂F分量的SVM延拓部分，得到抑制了端点效应、模态混叠程度低的纯净MF分量。
4. 如权利要求3所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于，所述 改进EEMD分解具体过程如下： (1) 利用回归SVM进行信号延拓，延拓长度为原始振动信号的1/8 ; (2) 选择加入白噪声次数M，并确定所加噪声的幅值； (3) 得到加入第m次白噪声的原始振动信号； (4) 对加入白噪声的振动信号进行EMD分解，得到I个IMF; (5) 如果m〈M，m=m+1，再次进行步骤⑵和（3)，直到m=M; (6) 计算M次加入噪声分解的每一个IMF的总体平均； (7) 去除各MF的SVM延拓部分。
5. 如权利要求1、2或4任一项所述的一种行星齿轮微弱故障特征信息提取方法，其特 征在于，所述MF分量处理得到有效MF步骤为，联合FFT，定义故障特征频率信息信噪比 为故障特征频率及其边频功率与噪声信号功率的比值，计算各高纯度頂F分量的故障特征 频率信息信噪比，提取故障特征频率信息信噪比最高的4个MF分量作为包含主要故障特 征信息的有效頂F，所述信噪比公式为：
式中Saj为信号在故障特征频率&及其边频带的功率；为噪声信号功率。
6. 如权利要求5所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述 有效IMF重构的步骤为，对所述重构信号采用移频变尺度处理，使其符合随机共振小参数 要求。
7. 如权利要求1或6所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于： 所述构建自适应随机共振系统步骤为，采用粒子群优化算法以随机共振输出信号信噪比作 为适应度值，对随机共振系统参数a和b进行优化，构建最优的自适应随机共振系统。
8.如权利要求7所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述 提取行星齿轮微弱故障特征信息步骤为，将移频变尺度的重构信号输入到自适应随机共振 系统进行输出，采用龙格库塔算法求解非线性随机微分方程，根据自适应随机共振系统输 出有效提取出行星齿轮产生的微弱故障特征信息，随机共振系统采用双稳系统Langevin
【文档编号】G01M13/02GK104483127SQ201410568365
【公开日】2015年4月1日 申请日期:2014年10月22日 优先权日:2014年10月22日
【发明者】程刚, 陈曦晖, 刘晓乐, 山显雷, 刘后广 申请人:徐州隆安光电科技有限公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
