齒輪箱復(fù)合故障診斷特征提取的若干方法研究.pdf

1、在機(jī)械設(shè)備中齒輪箱是最重要的動(dòng)力傳動(dòng)部件，其健康狀況直接影響著機(jī)械設(shè)備能否正常工作，若能準(zhǔn)確的預(yù)測(cè)故障的位置，就可以有效的避免故障所帶來的巨大人力和財(cái)力損失，因此研究新型復(fù)合故障診斷方法對(duì)齒輪箱的正常運(yùn)行具有舉足輕重的作用。通過振動(dòng)加速度傳感器所采集到的振動(dòng)信號(hào)通常是非平穩(wěn)信號(hào)，尤其是在工作現(xiàn)場(chǎng)采集到的信號(hào)更是受到各種背景噪聲的干擾，導(dǎo)致微弱故障特征經(jīng)常被噪聲所淹沒。此外，當(dāng)齒輪箱出現(xiàn)故障時(shí)，往往產(chǎn)生了位置不同、形式不同、程度不同的復(fù)合

2、故障，每個(gè)故障之間相互干擾、相互影響、相互耦合。尤其是在強(qiáng)背景噪聲條件下，微弱故障還極易被噪聲淹沒，從而給故障診斷帶來了挑戰(zhàn)。因此對(duì)強(qiáng)背景噪聲下復(fù)合故障進(jìn)行診斷是當(dāng)今的技術(shù)難點(diǎn)。本論文針對(duì)以上問題，在國家自然基金(50775157);山西省基礎(chǔ)研究項(xiàng)目(2012011012-1);山西省高等學(xué)校留學(xué)回國人員科研資助項(xiàng)目(2011-12)的資助下，把齒輪箱作為研究對(duì)象，以近幾年比較新的降噪方法作為研究手段，同時(shí)以齒輪箱復(fù)合故障作為研究目標(biāo)

3、，對(duì)強(qiáng)背景噪聲環(huán)境下，從復(fù)合故障振動(dòng)信號(hào)中準(zhǔn)確的提取故障特征信息，進(jìn)一步對(duì)故障特征進(jìn)行分離進(jìn)行了深入的研究。
　　論文主要研究結(jié)論如下:
　　(1)用EEMD(Ensemble Empirical Mode Decomposition)對(duì)強(qiáng)噪聲的多調(diào)制源多載波頻率的仿真信號(hào)進(jìn)行分解，發(fā)現(xiàn)單一的白噪聲幅值直接影響著EEMD的分解效率。針對(duì)這個(gè)問題，論文提出了CMF(Combined ModeFunction)，即將EMD(Em

4、pirical Mode Decomposition)分解得到的與原信號(hào)相關(guān)性較強(qiáng)的IMFs按高低頻進(jìn)行疊加，形成兩個(gè)新的組合模態(tài)函數(shù)Ch和CL，然后通過添加不同的白噪聲幅值對(duì)Ch和CL分別進(jìn)行EEMD分解，最后對(duì)敏感的IMFs分別進(jìn)行循環(huán)自相關(guān)函數(shù)解調(diào)分析，將提出的方法應(yīng)用于仿真信號(hào)和復(fù)合故障齒輪箱試驗(yàn)臺(tái)，成功提取了多故障特征，驗(yàn)證了此方法的有效性。
　　(2)針對(duì)強(qiáng)噪聲環(huán)境下滾動(dòng)軸承故障信號(hào)微弱、故障特征難以提取等問題，本文提

5、出基于最小熵反褶積(Minimum entropy deconvolution，MED)和EEMD相結(jié)合的方法來提取復(fù)合故障中滾動(dòng)軸承微弱故障特征。通過對(duì)仿真信號(hào)分析發(fā)現(xiàn):在強(qiáng)背景噪聲下EEMD對(duì)微弱信號(hào)的特征提取具有很大的局限性。為了剔除噪聲干擾，提取微弱故障的特征信息，本文選取MED作為EEMD的前置濾波器，驗(yàn)證了其強(qiáng)大的降噪功能。同時(shí)將MED與EEMD相結(jié)合的方法用于復(fù)合故障的微弱故障特征提取，即先用MED對(duì)強(qiáng)背景噪聲下風(fēng)電齒輪箱

6、試驗(yàn)臺(tái)進(jìn)行降噪處理，然后再對(duì)降噪后的信號(hào)進(jìn)行EEMD，最后對(duì)敏感的本征模態(tài)函數(shù)(IMFs)進(jìn)行循環(huán)自相關(guān)函數(shù)解調(diào)分析。這種方法與EEMD進(jìn)行對(duì)比分析，表明了此方法有效性，從而為多故障共存并處于強(qiáng)背景噪聲下的微弱特征提取提供了一種新的方法。
　　(3)循環(huán)平穩(wěn)信號(hào)具有非平穩(wěn)性特點(diǎn)，因此用循環(huán)平穩(wěn)的特征來研究循環(huán)統(tǒng)計(jì)量是很有必要的。循環(huán)二階譜適用于周期性振動(dòng)信號(hào)，但通過仿真信號(hào)發(fā)現(xiàn)在強(qiáng)背景噪聲下，時(shí)域的離散化并沒有導(dǎo)致循環(huán)自相關(guān)函數(shù)在

7、循環(huán)域內(nèi)周期化。此外，多載波頻率共存或比較接近時(shí)在高頻處不可避免的出現(xiàn)了混迭現(xiàn)象。
　　(4)研究了最大相關(guān)峭度反褶積(Maximum correlated Kurtosisdeconvolut on，MCKD)的降噪特點(diǎn)，同時(shí)對(duì)它的參數(shù)（位移數(shù)、周期和迭代次數(shù)）進(jìn)行了討論和分析。
　　(5)針對(duì)多調(diào)制源、多載波信號(hào)的循環(huán)自相關(guān)函數(shù)解調(diào)分析存在交叉項(xiàng)的干擾，這使循環(huán)自相關(guān)函數(shù)解調(diào)方法的實(shí)際應(yīng)用產(chǎn)生了局限性。本文提出了基于最大

8、相關(guān)峭度反褶積(Maximum correlated Kurtosis deconvolution，MCKD)和循環(huán)自相關(guān)解調(diào)方法，先通過MCKD對(duì)原信號(hào)進(jìn)行降噪，以便提取感興趣的周期成分，再對(duì)降噪后的周期信號(hào)通過循環(huán)自相關(guān)解調(diào)分析，有效地抑制了多調(diào)制源、多載波對(duì)循環(huán)平穩(wěn)結(jié)果帶來的交叉項(xiàng)干擾，提高了分析的可靠性。將該方法運(yùn)用于復(fù)合齒輪箱故障診斷中，成功地從振動(dòng)信號(hào)中分離出故障源。
　　針對(duì)旋轉(zhuǎn)機(jī)械在強(qiáng)噪聲背景下的復(fù)合故障診斷是當(dāng)前