[发明专利]一种基于APEWT和IMOMEDA的行星齿轮箱早期故障诊断方法

权利要求书

1.一种基于APEWT和IMOMEDA的行星齿轮箱早期故障诊断方法，其特征在于，包括如下步骤：

步骤S1：将加速度传感器安装在行星齿轮箱壳体的正上方，用于采集故障振动信号x(n)，其中，n＝1_,2,...,N，N为信号的数据点数；

步骤S2：对行星齿轮箱故障信号x(n)进行快速离散傅里叶变换得到信号频谱X(f)，将高斯核函数与信号频谱X(f)进行卷积运算得到其离散尺度空间谱L(f,s)；

其中，离散尺度空间谱的计算过程为：将步骤S1中采集到的故障振动信号进行快速离散傅里叶变换得到其频谱X(f)，并与高斯核函数g(f,s)进行卷积运算得到尺度空间谱，则信号傅里叶频谱的离散尺度空间表示为：

式中，s为尺度参数；f代表频率；高斯核函数为P为高斯核函数的长度，取以使其逼近误差；如果尺度参数设定为固定值s₀，那么尺度空间L(f,s₀)的每个局部极大值对应一个单分量成分，该单分量的频段由相邻的两个局部极小值确定；选取尺度参数s＝9f_ch²，f_ch为故障特征频率；

步骤S3：在尺度空间谱L(f,s)上自适应确定频段的划分边界，具体过程为：首先搜索离散尺度空间谱中的局部极大值点，将极大值点中的局部极小值点作为尺度空间谱划分的初始边界点，对离散尺度空间谱进行初始频段划分；假设初始边界将离散尺度空间谱划分为M段,所对应的初始频率边界为ω_initial＝{ω_i,i＝0,1...M}，其中ω₀＝0，ω_M＝f_s/2，f_s为信号的采样频率；然后，在初始划分的每个频段区间内，搜索幅值最大值点L_max(n)，其对应的频率值为ω_max(f)，并且在每个频率区间内最大值点的左侧搜索极小值点L_lmin(n)，其对应的频率值为ω_lmin(f)；在最大值点的右侧搜索极小值点L_rmin(n)，其对应的频率值ω_rmin(f)；其次，通过spline三次样条插值方法拟合离散尺度空间谱上所获取的极大值点ω_max和极小值点ω_lmin及ω_rmin，从而得到离散尺度空间谱的变化曲线Y(k)，其中k＝1,2,...,N/2；最后，通过选取变化曲线Y(k)上的局部极小值点所对应尺度空间谱上的频率值作为尺度空间谱的最终频段划分的边界点，其中，p＜＝M，

如果在[ω₀,ω₁]之间有多个新频率边界ω_new，选择最接近ω₁的新边界作为最终频谱边界划分的第一个频率边界，则最终频率划分边界表示为否则，最终的频率划分边界ω_final＝ω_new；

步骤S4：由于尺度空间谱与信号傅里叶频谱的频率轴相互对应，基于步骤S3划分得到的频段边界，在信号傅里叶频谱中构建正交小波滤波器组，采用APEWT算法将行星齿轮箱故障振动信号分解为一系列模态分量z(n)；

步骤S5：根据敏感分量筛选准则，从APEWT分解的模态分量中选取敏感分量z_max(n)作进一步的分析；

敏感分量筛选准则为：计算APEWT分解得到的各模态分量与原始故障信号之间的余弦相似度值C_S，选取最大C_S值对应的模态作为敏感分量进行下一步的处理；其中，余弦相似度值C_S的计算公式如下：

式中，X₁(n)和X₂(n)分别代表不同的信号；

步骤S6：采用IMOMEDA算法对敏感分量z_max(n)进行解卷积处理，从而实现微弱故障特征的增强；

IMOMEDA算法输入参数具体为：滤波器长度设置为1500；选取长度为3的矩形窗作为窗函数；故障周期搜索范围设置为[0,f_s/2],迭代步长为0.2；

步骤S7：采用波形延伸策略对步骤S6解卷积处理后的分量信号进行信号波形延伸，得到提升后的解卷积信号

对解卷积后信号进行波形延伸的具体策略为：找解卷积后信号左侧的局部极值点及其位置，确定对称中心，对信号进行波形延伸；

确定信号延伸的对称中心的具体方法为：设a、b和c分别为信号的前三个局部极值点，若a≥c＞b，则选取极值点a作为对称中心；若c＞a≥b，则选取极值点b作为对称中心；若b＞c≥a，则选取极值点a作为对称中心；若b＞a≥c，则选取极值点b作为对称中心；

对信号进行波形延伸具体方法为：在确定对称中心后，选取对称中心后面一定数量的样本点作为扩展对象，然后取对称中心的镜像，得到扩展的信号波形；

步骤S8：对步骤S7中获取的提升信号进行包络解调分析，从其包络谱中提取故障特征频率信息，并与行星齿轮箱中齿轮和滚动轴承的理论故障特征频率值进行对比，从而判别故障类型与位置。