[发明专利]单通道盲源分离的齿轮故障诊断方法

说明书

本发明公开了一种单通道盲源分离的齿轮故障诊断方法，涉及齿轮箱中齿轮故障诊断方法技术领域。所述方法利用单个加速器传感器采集齿轮箱的振动信号；对采集的单通道信号进行小波软阈值降噪；将降噪后的信号进行CEEMD分解，得到多个IMF分量和残余分量；采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；将选取的IMF分量和源信号作为盲源分离的输入信号，采用CICA方法提取目标信号；对提取的信号进行频谱分析，识别齿轮的故障特征。所述方法原理简单，容易实现，能够在强噪声下准确利用单通道测量信号进行齿轮故障诊断。

技术领域

本发明涉及齿轮箱故障诊断技术领域，尤其涉及一种单通道盲源分离的齿轮故障诊断方法。

背景技术

齿轮广泛应用于各类旋转机械设备当中，已成为设备最为关键的部件之一，因而对其进行故障诊断有着重要意义。目前诊断齿轮故障的主要方法是振动信号分析，但由于故障信号经常淹没在强噪声背景当中，如何成功提取出故障特征信息成为最关键的一步。齿轮的振动信号是非平稳信号，其常常是叠加有强噪声的，经典的基于傅立叶变换的滤波方法去除噪声已经不再有效。小波变换具有良好的时频局部化和多分辨率分析的特点，因而适用于非平稳信号和强噪声信号的处理，具备良好的降噪能力。

EMD算法直观简单，能够将信号分解为一系列固有模态函数，这些模态函数能够对输入信号进行不同尺度的描述，并且具有正交性、完备性以及自适应性等特点，处理非平稳信号有很大的优势。虽然EMD具有很多的优点，但其分解不稳定，存在模态混叠现象，导致某一个IMF分量包含不同尺度的信号，或者相似的尺度信号存在于不同IMF分量中，这使得EMD分解很有局限性。EEMD是EMD的改进方法，其对原始信号加入一定的白噪声，使得信号在不同尺度上具有连续性，这个方法需要多次加入不同的辅助白噪声，然后通过平均的方式消除引入噪声的影响，最终使分解过程具有抗噪特性，但仍无法完全消除模态混叠现象。CEEMD是基于EMD和EEMD提出的一种改进算法，采用正、负成对的形式加入辅助噪声，这样就能够很好地消除重构信号中的残余辅助噪声，而且加入的噪声集合次数可以很低，计算效率较高，进一步削弱了模态混叠的现象。

ICA是一种从混合信号中分离出具有独立统计特性的单个源信号的分离方法。由于其在分离过程中需要的独立源信号的先验信息很少，并且有明显的分离效果，ICA已在无线通信、语音处理和机械故障诊断等领域具有广泛的应用。在实际应用中，因为源信号次序不确定性和数目不容易确定等问题，限制了其在齿轮故障特征提取中的应用。近年来，在ICA基础上发展起来的CICA对其算法进行改进，将上述问题有效地解决，它在不需要知道源信号数量情况下，首先利用先验信息产生参考信号，进而提取出感兴趣的独立分量。

发明内容

本发明所要解决的技术问题是如何提供一种能够利用单通道的齿轮箱振动信号，来有效的提取出齿轮箱中齿轮故障信号的故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：一种单通道盲源分离

的齿轮故障诊断方法，其特征在于包括如下步骤：

对采集到的齿轮箱单通道振动信号进行小波软阈值降噪；

将降噪后的信号进行CEEMD分解，得到若干个IMF分量和残余分量；

采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；

将选取的IMF分量与源信号作为盲源分量的输入信号，采用CICA方法提取出目标信号；

对提取出的目标信号进行频谱分析，识别故障特征，完成齿轮故障的诊断。

进一步的技术方案在于，所述方法还包括：用单个加速度传感器采集齿轮箱振动信号。

进一步的技术方案在于，所述的进行小波软阈值降噪的方法包括如下步骤：