基于盲源分離的齒輪箱低頻故障特征提取方法研究.pdf

1、齒輪箱作為機(jī)械設(shè)備中必不可少的傳遞運動與動力的關(guān)鍵部件，廣泛應(yīng)用于現(xiàn)代工業(yè)各種大型、重型機(jī)械設(shè)備中，其工作和運行環(huán)境一般比較差。一旦出現(xiàn)故障可能導(dǎo)致整個機(jī)器不能正常工作，不僅增加了設(shè)備維護(hù)費用，還可能造成巨大的經(jīng)濟(jì)損失，甚至是人員傷亡。因此，研究齒輪箱故障診斷技術(shù)和方法具有重要的學(xué)術(shù)意義和應(yīng)用價值。故障特征提取是齒輪箱狀態(tài)監(jiān)測與故障診斷的關(guān)鍵問題，特別在低速區(qū)時，因高頻嚙合振動、傳遞通道及強(qiáng)噪聲等多方面因素影響，造成有效故障特征信息非常

2、微弱，給齒輪箱的低頻故障特征提取帶來諸多難題。因此，有必要尋找合適的振動信號處理技術(shù)與方法，有效地從復(fù)雜振動信號中分離故障信號及提取微弱故障特征。基于盲源分離技術(shù)對齒輪箱振動信號的普適性，本文就齒輪箱恒轉(zhuǎn)速工況條件下，深入地研究和豐富了基于盲源分離的低頻故障特征提取新方法，并將其成功應(yīng)用于試驗齒輪箱和礦用齒輪箱的故障特征提取與故障診斷。主要研究內(nèi)容有：
　　(1)闡述了論文的選題背景和研究意義，分析了齒輪箱的時頻分析方法、盲源分離

3、等方面的國內(nèi)外研究現(xiàn)狀，針對盲源分離技術(shù)在齒輪箱低頻故障特征提取存在的問題，確立了本文的研究路線和主要研究內(nèi)容。
　　(2)考慮到振動源信號可能直接混有源噪聲，信號之間的統(tǒng)計獨立性與非高斯性相對更弱，增加了齒輪箱微弱故障信號盲提取的難度。將源噪聲引入盲源分離的線性瞬時混合和卷積混合模型中，使其更符合齒輪箱振動系統(tǒng)的實際情況，為含源噪聲條件下的齒輪箱低頻故障特征盲提取方法的提出奠定了基礎(chǔ)。
　　(3)約束獨立分量分析(Cons

4、trained independent component analysis，cICA)算法對于多通道傳感器測量噪聲具有很強(qiáng)的免疫能力，但對源信號含源噪聲的分析效果卻很差。針對這個問題，提出了小波變換(Wavelet transform，WT)特征增強(qiáng)的cICA的齒輪箱故障特征提取方法，該方法可以減少其他振源及強(qiáng)噪聲的干擾，提高信噪比，增強(qiáng)cICA的故障特征提取效果。將其應(yīng)用于試驗齒輪箱和礦用皮帶輸送機(jī)齒輪箱的故障診斷，分別提取出了表征

5、各自故障的低頻振動特征。
　　(4) cICA算法要求觀測信號數(shù)目不少于源信號數(shù)目，不能直接提取單通道測量信號的故障信息。集成經(jīng)驗?zāi)B(tài)分解(Ensemble empirical mode decomposition， EEMD)能夠有效減少模態(tài)混疊和除噪，然而該算法會產(chǎn)生虛假分量。通過計算互相關(guān)系數(shù)與峭度來選擇合適的本征模態(tài)函數(shù)(Intrinsic mode function，IMF)分量，并與原測量信號組成虛擬觀測向量，以減少虛

6、假成分。結(jié)合兩者的優(yōu)點，提出了基于EEMD特征增強(qiáng)的cICA的齒輪箱故障特征提取方法。通過仿真、試驗與工程應(yīng)用結(jié)果表明，該方法對齒輪箱單通道測量信號的低頻故障特征提取具有很好的效果。
　　(5)針對最小解熵解卷積(Minimum entropy deconvolution，MED)算法易受強(qiáng)噪聲和野值的影響，引出了最大相關(guān)峭度解卷積(Maximum correlated kurtosis deconvolution，MCKD)的齒

7、輪箱故障特征提取方法，克服了MED算法的不足。然而憑先驗信息選取的故障周期，可能導(dǎo)致MCKD解卷積效果很差。因此提出了MCKD算法的最佳故障周期搜索思路，即在合適的濾波器階數(shù)L下，故障周期的搜索可以在步距M取較大值時，限定于理論計算周期左右的某一范圍內(nèi)，使不同步距M關(guān)于最佳周期的最大相關(guān)峭度達(dá)到全局最優(yōu)，以確保了MCKD算法具有良好的解卷積效果。通過試驗齒輪箱和礦用齒輪箱的微弱低頻故障特征提取佐證了最佳故障周期搜索思路的可行性和MCKD