[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

说明书

本发明提供一种基于APEWT和IMOMEDA的行星齿轮箱早期故障诊断方法。首先，计算行星齿轮箱故障振动信号的离散尺度空间谱，在尺度空间谱上自适应确定频段划分边界；然后，采用APEWT将故障信号自动分解为一系列模态分量，并从中选取敏感分量；其次，采用IMOMEDA对敏感分量进行解卷积处理，并对解卷积后的分量进行波形延伸得到提升信号；最后，从提升信号的包络谱中提取故障特征频率，并与齿轮箱理论故障特征频率值对比，从而识别故障类型。本发明能够清晰准确地提取出行星齿轮箱早期故障特征信息，不仅解决了EWT中参数无法自适应确定的问题，还解决了MOMEDA存在的严重边缘效应的问题，提高了故障诊断的精确度。

技术领域

本发明属于旋转机械故障诊断与振动信号分析技术领域，涉及一种旋转机械早期故障诊断方法，具体涉及一种基于自适应无参经验小波变换(AdaptiveParameterlessEmpirical Wavelet Transform，APEWT)和提升的多点优化最小熵解卷积修正(Improved Multipoint Optimal Minimum Entropy Deconvolution Adjusted，IMOMEDA)的行星齿轮箱早期故障诊断方法，可用于行星齿轮箱中齿轮和滚动轴承的故障诊断。

背景技术

行星齿轮箱具有体积小，传动比大、承载力强、运行平稳和工作效率高等优点，已被广泛应用于直升机、风力发电、重型卡车和舰船等大型复杂机械设备中。然而，行星齿轮箱的工作环境通常比较恶劣，长期运行在高负荷、强冲击和高污染的工况下，极易导致齿轮箱中的关键性部件(太阳轮、行星轮、齿圈和滚动轴承等)发生故障。而行星齿轮作为大型复杂机电装备机械传动系统的重要组成部分，一旦发生故障，将加速设备性能恶化，轻则引起整个动力传输系统失效，重则导致机毁人亡。因此，若能在齿轮箱失效早期阶段实现故障溯源并及时消除隐患，对保证设备稳定安全运行，避免灾难性事故的发生意义十分重大。

当行星齿轮箱内的齿轮或滚动轴承出现局部损伤时，在运转过程中损伤部位会产生周期性、非平稳的冲击振动，振动向外传递过程中会受到复杂传递路径的影响逐渐减弱，同时齿轮箱中多对齿轮啮合振动相互耦合，导致从壳体上采集到的振动响应信号表现为强背景噪声、非平稳、非线性和耦合调制等特征。时频分析方法是分析非平稳、非线性信号的有力工具，例如：Wigner–Ville分布、短时傅里叶变换、小波变换等。然而，这些方法都具有各自的局限性。Wigner–Ville分布用于多分量信号时存在严重的交叉干扰项；短时傅里叶变换具有固定时频分辨率的缺陷；小波变换需要预先确定小波基函数和分解水平，使其缺乏自适应性。因此，非自适应信号处理方法对于实际齿轮箱故障信号的分析难以取得满意的效果。经验模式分解(Empirical Mode Decomposition,EMD)方法作为较早使用的自适应信号分解方法，可以根据信号自身的局部尺度特征自适应地分解为一系列固有模态函数之和，从而揭示信号的内部本质。虽然EMD方法具有很多优势，但存在模态混叠、端点效应以及理论基础缺乏等问题。为了弥补EMD方法的不足，出现了集合经验模式分解(EnsembleEmpirical Mode Decomposition,EEMD)和噪声辅助分析的总体局部平均分解(EnsembleLocal Mean Decomposition,ELMD)等改进方法，但EEMD和ELMD中添加白噪声的两个关键参数(噪声的振幅和集成次数)选取机理尚未明确，同时添加噪声后在信号重构过程中存在残余噪声污染和运算量大等问题。不同于上述的分析方法，经验小波变换(EmpiricalWavelet Transform，EWT)是近几年提出的一种新颖的自适应信号分解算法，它能有效地分解信号中的固有模态，具有较低的运算复杂度与完备的数学理论基础而受到学者们的青睐。但EWT算法在应用时，需要依靠使用者来预先设置分解所需的模态个数对被分析信号的频谱进行划分；此外，基于频谱极大值的频段边界划分策略容易使该算法陷入局部最优，从而导致频谱划分过于密集，分解结果出现严重的模态混叠现象。