基于信號(hào)共振稀疏分解的齒輪箱故障診斷方法研究.pdf

1、齒輪箱是機(jī)械裝備中的重要部件，在機(jī)械系統(tǒng)的動(dòng)力及旋轉(zhuǎn)運(yùn)動(dòng)的傳遞上起著至關(guān)重要的作用。齒輪箱的運(yùn)行狀態(tài)在很大程度上影響著整個(gè)機(jī)械系統(tǒng)的運(yùn)行狀況，齒輪箱故障將直接影響到整個(gè)機(jī)械設(shè)備的安全性和可靠性，因此，對(duì)齒輪箱進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷具有重要的實(shí)用價(jià)值和現(xiàn)實(shí)意義。在目前的齒輪箱故障診斷技術(shù)中，振動(dòng)診斷技術(shù)的工程實(shí)用性更高，應(yīng)用范圍更廣?；谡駝?dòng)分析的齒輪箱診斷原理是利用傳感器獲取齒輪箱的振動(dòng)信號(hào)，再?gòu)男盘?hào)中提取出故障特征信息，進(jìn)而實(shí)現(xiàn)齒輪箱

2、的故障診斷。
　　基于品質(zhì)因子可調(diào)小波變換(TunableQ-FactorWaveletTransform，TQWT),Sekesnick最近提出了信號(hào)共振稀疏分解方法，該方法根據(jù)諧波信號(hào)和沖擊信號(hào)所具有的品質(zhì)因子Q不同，利用TQWT分別對(duì)信號(hào)進(jìn)行高Q和低Q的稀疏表示，然后采用形態(tài)分量分析(MorphologicalComponentAnalysis，MCA)對(duì)信號(hào)進(jìn)行菲線性分離，得到包含諧波信號(hào)的高共振分量和包含沖擊信號(hào)的低共振

3、分量。但該方法的分解效果與分解參數(shù)的選擇密切相關(guān)，而傳統(tǒng)信號(hào)共振稀疏分解方法手動(dòng)選擇分解參數(shù)，導(dǎo)致對(duì)應(yīng)的TQWT基函數(shù)不能與信號(hào)中的各成分進(jìn)行最優(yōu)匹配，從而降低了分離效果。
　　本論文在國(guó)家自然科學(xué)基金項(xiàng)目“信號(hào)共振稀疏分解方法及其在機(jī)械故障診斷中的應(yīng)用研究”（項(xiàng)目批準(zhǔn)號(hào):51275161）和湖南大學(xué)汽車(chē)車(chē)身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室自主研究課題“汽車(chē)關(guān)鍵零部件的早期故障診斷與剩余壽命預(yù)測(cè)技術(shù)研究”(項(xiàng)目編號(hào):71375004)資

4、助下，以齒輪箱中齒輪、軸承等典型零件的振動(dòng)機(jī)理為研究基礎(chǔ)，針對(duì)傳統(tǒng)信號(hào)共振稀疏分解方法因手動(dòng)選擇分解參數(shù)導(dǎo)致分解效果不佳的問(wèn)題，將信號(hào)共振稀疏分解分別與遺傳算法、分步迭代優(yōu)化方法相結(jié)合，并將其應(yīng)用于齒輪箱故障診斷。
　　論文的主要研究工作有
　　(1)信號(hào)共振稀疏分解方法的分解效果與分解參數(shù)密切相關(guān)，而手動(dòng)選擇往往帶有隨意性，難以獲得最佳的分解效果。針對(duì)上述問(wèn)題，提出了基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷方法。

5、該方法以低共振分量的峭度最大為目標(biāo)，利用遺傳算法對(duì)信號(hào)共振稀疏分解的品質(zhì)因子進(jìn)行優(yōu)化，獲得最優(yōu)品質(zhì)因子，再利用最優(yōu)品質(zhì)因子進(jìn)行信號(hào)分解，可獲得最佳分解效果。仿真分析和應(yīng)用實(shí)例證明了該方法的有效性。
　　(2)針對(duì)遺傳算法計(jì)算效率低、運(yùn)算時(shí)間長(zhǎng)的問(wèn)題，提出了基于分步迭代優(yōu)化信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷方法。該方法以低共振分量的峭度最大為目標(biāo)，利用分步迭代優(yōu)化方法對(duì)信號(hào)共振稀疏分解的品質(zhì)因子進(jìn)行優(yōu)化，獲得最優(yōu)品質(zhì)因子，再利用最優(yōu)

6、品質(zhì)因子進(jìn)行信號(hào)分解，可獲得最佳分解效果。仿真分析和應(yīng)用實(shí)例表明，該方法能在獲得最佳的分解效果的同時(shí)，大幅縮短計(jì)算時(shí)間、提高優(yōu)化效率。
　　(3)針對(duì)傳統(tǒng)解調(diào)分析方法在復(fù)合故障診斷中的局限性，提出了基于最優(yōu)分解參數(shù)信號(hào)共振稀疏分解的齒輪箱復(fù)合故障診斷方法。該方法先利用高共振分量的平滑指數(shù)和低共振分量的峭度構(gòu)造復(fù)合指標(biāo)，再以復(fù)合指標(biāo)最大為目標(biāo)，利用遺傳算法對(duì)信號(hào)共振稀疏分解的分解參數(shù)進(jìn)行優(yōu)化，獲得最優(yōu)分解參數(shù)，再利用最優(yōu)分解參數(shù)進(jìn)行