[发明专利]基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法

说明书

本发明涉及一种基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法，包括：对原始信号使用尺度空间根据频带划分为若干以齿轮的各阶啮合频率为中心的频段分量信号；为频段分量信号构造无噪声DCT字典；构建用于对频段分量信号进行稀疏分解的观测字典，包括基于奇异值分解算法在正交匹配追踪算法迭代过程中向无噪声DCT字典的原子中添加噪声信号获得含噪声DCT字典；以最小方差和内积的融合指标为准则选取观测字典中的最优原子；基于正交匹配追踪算法利用观测字典对频段分量信号进行稀疏重构；解调谱分析然后提取齿轮箱故障特征频率。本发明用于提取齿轮箱故障特征，较其他方法具有更高的时频分辨率和重构精度。

技术领域

本发明涉及旋转机械振动信号分析技术领域，尤其是一种基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法。

背景技术

齿轮箱作为工业场景中常用的旋转机械之一，齿轮箱有固定的传动比，大的驱动扭矩和紧凑的结构，已广泛用于各种机械中。齿轮箱通常在恶劣的条件下工作，容易出现故障，所以对齿轮箱的故障诊断研究有着重要的现实意义。但是，在实际工程中测得的振动信号总是非线性、非平稳的特性，其受到部件间多传递路径耦合作用的影响，振动信号中掺杂着强背景噪声和干扰源信号，致使齿轮箱的故障特征提取极其复杂和困难。因此，如何有效恢复强背景噪声及干扰源信号下的齿轮箱故障特征信息值得深入研究。

近年来，出现各种各样的非线性、非平稳信号分解和分析的方法。经验模态分解(EMD，empirical mode decomposition)作为典型的自适应时频分析方法，具有良好的时频聚集性，且无需构造任何匹配信号分量的基函数。但EMD存在模态混叠、端点效应等缺陷，缺乏必要的数学理论，模型复杂。为解决EMD模态混叠的问题，集合经验模态分解(EEMD，Ensemble Empirical Mode Decomposition)等方法先后被提出，但这些方法并不能完全弥补EMD的缺陷。基于EMD分解理论的非参数时频分析方法如变分模态分解(VMD，VariationalMode Decomposition)等方法相继被人们提出，可参考[黄衍，林建辉，刘泽潮，黄晨光.基于自适应VMD的高速列车轴箱轴承故障诊断[J].振动与冲击，2021，40(03)：240-245]。但VMD算法非常依赖于对模态分量(IMF)个数的确定以及相应的中心频率确定与频段带宽的设定。

现有技术中涉及稀疏分解的专利有“基于改进的稀疏分解算法的齿轮故障检测方法(202010732900.0)”，在过完备字典中选取最优原子是采用内积最大原则，该原子在信号噪声较大时，选取的原子并不是局部最优原子。发明专利“稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法(201810532020.1)”对原始振动信号进行滤波，需要确定滤波器的参数，不能实现算法的自适应分解。

发明内容

针对现有技术的缺陷，本发明提出一种基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法，以解决时频分辨率和重构精度低的问题。

本发明采用的技术方案如下：

一种基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法，所述方法包括：

步骤一、获得所需要分解的齿轮箱振动原始信号；

步骤二、对所述原始信号使用尺度空间根据频带划分为若干以齿轮的各阶啮合频率为中心的频段分量信号；

步骤三、为所述频段分量信号构造无噪声DCT字典；

步骤四、构建用于对所述频段分量信号进行稀疏分解的观测字典，包括：

基于正交匹配追踪算法在迭代过程中向所述无噪声DCT字典的每个原子中添加噪声信号，获得含噪声DCT字典，所述含噪声DCT字典结合所述无噪声DCT字典形成所述观测字典；所述噪声信号根据奇异值分解算法求得；

同时，以最小方差和内积的融合指标为准则选取所述观测字典中的最优原子；