[发明专利]一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法

说明书

技术领域

本发明涉及一种齿轮传动噪声分析方法，特别是基于集合经验模态分解(EEMD)和支持向量机(SVM)的齿轮传动噪声分析方法。属于齿轮传动噪声测量和故障诊断领域。

背景技术

齿轮传动噪声信号分析，主要用于齿轮故障诊断。分析过程应用到非平稳信号的去噪，有用信号提取，特征分析和智能识别等领域。信号去噪和有用信号提取直接关系到特征分析以及智能识别的正确性。

传统的信号谱分析方法，主要是基于快速傅里叶变换，或者是基于时间序列模型的谱分析，这两种方法的前提条件假定信号是平稳的。但对于齿轮传动过程，信号往往是非平稳的或非线性的，若仍定义数据是平稳或线性进行计算，则会得到错误的分析结果。为了提取齿轮的非平稳性故障特征信号，将齿轮振动信号在时频域平面内展开，观察其时间-频率变化特性，是齿轮故障诊断的重要研究方向，常用的方法有小波变换，经验模态分解和Wigner-Ville变换等。Wang和McFadden利用小波变换分析振动信号的局部特征，小波变换可以同时适应大尺度和小尺度的信号，能够检测到分布式和局部故障，但是小波分析依赖于基函数的选取，增加了分析的难度，另外存在时间分辨率和频率分辨率不能同时达到最佳的问题。Huang等人提出的基于经验模态分解(EMD)的方法应用于齿轮故障诊断之中，但存在固有模态边界失真的问题。Wigner-Ville分布是一种双线性分布，其运算过程中的双线性分布会引起不同分量之间的交叉项干扰使频谱难以识别。

专利名称“一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法(申请号：201510053013X)”的发明专利，提出了利用分数阶傅里叶变换的方法进行齿轮故障特征的提取并利用支持向量机方法进行训练识别。齿轮传动噪声信号在某一特定的分数阶傅里叶变换域呈现出能量聚集特性，可以保留与故障有关的有用信号分量；该方法虽具有许多独特性能却无法表征信号局部特征，这对于齿轮故障信号的特征提取造成了一定的局限性。

集合经验模态分解(Ensemble empirical mode decomposition，EEMD)是针对经验模态分解(Empirical mode decomposition，EMD)方法的不足提出的一 种噪声辅助数据分析方法。它的核心思想是利用了白噪声具有频率均匀分布的特性，在信号上加入白噪声以后，使得原始信号在不同时间尺度上具有了连续性，改变了极值点的分布特性，从而有效避免了EMD存在的模态混叠现象，能有效分离与故障无关的背景噪声信号，保留与故障有关的有用信号分量。

为此有必要发明一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法，有效提取故障特征信息，提高齿轮传动噪声测量和故障诊断的效率和精度。

发明内容

技术的齿轮传动噪声信号分析方法，目的是提供一种基于集合经验模态分解和支持向量机结合的齿轮传动噪声测量和故障诊断方法，使之能够在生产现场快速地对齿轮进行信号分析并据此判断齿轮的品质和故障类型。本方法具有精度高、快速和智能高效等特点。

为达到以上目的，本发明是采取如下技术方案予以实现的：

图3为齿轮传动噪声实验台，包括主动轮、从动轮、输入主轴箱、输出主轴箱、加速度传感器1、加速度传感器2、数据采集卡和PC机。输入主轴箱、输出主轴箱分别对应安装有主动轮、从动轮；加速度传感器1安装于输入主轴箱的输入主轴X方向上，加速度传感器2安装于输出主轴箱的输出主轴X方向上，加速度传感器1、加速度传感器2均与数据采集卡连接，数据采集卡与PC机连接。利用数据采集卡分别采集到输入、输出主轴所含有背景噪声w(t)和齿轮传动噪声信号x(t)的混合信号s(t)输送到PC机进行数据处理，t为采样时间。

一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法，包括下述步骤：

步骤一：采用加速度传感器采集齿轮传动噪声信号x(t)，叠加高斯白噪声进行多次经验模态分解。利用高斯白噪声具有频率均匀分布的统计特征，通过每次加入同等幅值的不同白噪声来改变信号的极值点特征，之后对多次经验模态分解得到的相应IMF(Intrinsic Mode Function，即固有模态函数)进行总体平均来抵消加入的白噪声。EEMD分解步骤如下:

1)初始化总体平均次数M。

2)给加入的白噪声添加数值幅值，并使i＝1。

3)把一个给定幅值的白噪声n_i(t)加到原始信号x(t)上，以产生一个新的信号，即