局部均值分解改進(jìn)方法研究及其在齒輪箱故障診斷中的應(yīng)用.pdf

1、作為一種著力于轉(zhuǎn)換運(yùn)動(dòng)狀態(tài)的器械，齒輪箱已廣泛應(yīng)用在工業(yè)各領(lǐng)域，其關(guān)鍵性不言而喻，同時(shí)其故障運(yùn)行所帶來(lái)的損失也是難以估計(jì)，因此本文對(duì)齒輪箱的故障診斷問(wèn)題展開(kāi)了研究。發(fā)生故障時(shí)，周期性沖擊力對(duì)齒輪箱的振幅及頻率產(chǎn)生調(diào)制，使其振動(dòng)觀測(cè)信號(hào)增加了多種成分，整體呈現(xiàn)非線性及非平穩(wěn)性，對(duì)準(zhǔn)確提取其故障信息造成干擾。如何從復(fù)雜觀測(cè)信號(hào)中準(zhǔn)確提取出齒輪箱故障特征信號(hào)，是解決齒輪箱準(zhǔn)確故障診斷的重要前提條件，也是本文的研究課題。
　　對(duì)于齒輪箱的

2、故障分析，現(xiàn)代信號(hào)處理方法提供了必要的診斷工具，其中局部均值分解（Localmeandecomposition,LMD）在自適應(yīng)分析方法中較為流行。復(fù)雜觀測(cè)信號(hào)能被LMD分解成若干個(gè)單分量的乘積函數(shù)（Productfunction,PF），整個(gè)分解過(guò)程是自適應(yīng)的，而且PF分量與復(fù)雜信號(hào)的組成成分存在對(duì)應(yīng)關(guān)系，便于從中提取出感興趣的信號(hào)成分進(jìn)行分析，避免其余成分的干擾。然而，LMD尚存在些待解決的問(wèn)題，如端點(diǎn)效應(yīng)、敏感分量選取、強(qiáng)噪聲影響

3、等。本文針對(duì)這些問(wèn)題開(kāi)展了研究，主要成果包括：
　　(1)為了挑選最為合適的齒輪箱故障信號(hào)分析方法，本文對(duì)短時(shí)傅里葉變換、小波變換、Wigner-Ville分布、希爾伯特-黃變換和LMD五種方法的適用性作了對(duì)比分析，并從中選取LMD作為本文的研究方法。
　　(2)為了抑制LMD分解結(jié)果失真，本文提出一種LMD端點(diǎn)效應(yīng)改進(jìn)方法。該方法通過(guò)自適應(yīng)搜索信號(hào)內(nèi)與端點(diǎn)處波形具有相似頻譜的波形進(jìn)行信號(hào)延拓，延拓出的波形能夠符合信號(hào)本身的

4、時(shí)頻特征，從而改善端點(diǎn)效應(yīng)問(wèn)題。
　　(3)為了從LMD分解結(jié)果中自動(dòng)篩選出包含故障信息的敏感分量，本文提出一種基于綜合特性的敏感分量提取方法。該方法采用多個(gè)時(shí)頻域指標(biāo)來(lái)區(qū)分敏感分量與無(wú)關(guān)分量，避免單一指標(biāo)的不穩(wěn)定性，從而實(shí)現(xiàn)自動(dòng)選取故障敏感分量。
　　(4)為了避免強(qiáng)噪聲對(duì)故障診斷結(jié)果的不良影響，本文提出一種自適應(yīng)帶通濾波器。該濾波器從頻域的角度出發(fā)，改進(jìn)傳統(tǒng)譜峭度中帶寬不可調(diào)的缺點(diǎn)，自適應(yīng)確定最佳濾波器參數(shù)，再與LMD方