CN104483127A - 一种行星齿轮微弱故障特征信息提取方法 - Google Patents

Abstract

本发明公开了一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法。包括振动信号采集、故障特征信息有效IMF提取和基于自适应随机共振微弱故障特征提取。该方法可提取行星齿轮故障产生的微弱故障特征信息，并根据提取的微弱故障特征信息实现行星齿轮故障诊断，是一种有效的行星齿轮微弱故障特征信息提取方法。

Description

一种行星齿轮微弱故障特征信息提取方法

技术领域

本发明属于行星齿轮故障诊断技术领域，具体涉及一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法。

背景技术

行星齿轮传动具有体积小、重量轻、传动比大的优点，被广泛应用于大型复杂机械低速重载场合。行星齿轮传动相比定轴齿轮传动，是一个强非线性系统，由于行星齿轮传动系统的工况条件、内部参数变化、行星齿轮安装误差和制造误差、多齿啮合及传递路径影响导致出现较多的调幅与调频现象，表现出更强烈的非线性、非平稳特性。同时由于行星齿轮传动经常工作在恶劣的工作环境之下，经常受到噪声干扰，特征信息提取比较困难，特别当齿轮发生早期故障时，故障特征信息十分微弱，甚至被掩埋在外界噪声中。因此如何有效检测行星齿轮传动产生的微弱故障特征信息是目前研究的关键。

在实际的行星齿轮传动过程中，存在很多复杂的干扰信号和外界噪声，这些复杂的外界干扰会把早期的弱小故障特征信息淹没。EMD分解存在2个主要的缺点即端点效应和模态混叠，端点效应会严重影响IMF分量的质量，模态混叠将使IMF失去其本身的物理含义，甚至产生虚假分量，目前解决这两个问题的主要方法分别是端点延拓和基于高斯白噪声频率均一特性的EEMD分解。经过分解齿轮故障产生的主要故障特征信息一般被分解到多个本征模态函数中，故需筛选出包含主要故障特征信息的有效IMF。但是由于行星齿轮传动非常复杂，即使在包含主要故障特征信息的IMF中，故障特征信息仍然十分微弱。目前微弱故障特征信息的提取方法主要分为两种，一种为对原始信号进行降噪处理，其中降噪处理会错误的消除一定的故障特征信号；另外一种是利用噪声提高信噪比来检测微弱信号，主要方法利用随机共振(Stochastic Resonance，SR)理论。随机共振理论利用非线性系统，在输入信号和噪声的协同作用下，会产生类似力学中的共振输出，达到增强弱信号的目的。随机共振由于其在检测微弱信号方面的优势，是近年来的研究热点，但是随机共振由于受到绝热近似及线性响应理论影响，导致该方法只适用处理小参数信号，针对这一问题，很多学者都做了相应研究。然而已有的随机共振方法人为主观选择系统参数或只对单一参数进行自适应优化，忽略了各个参数之间的交互作用，导致随机共振在微弱特征提取中的优势未能充分发挥。

发明内容

本发明的目的在于克服以上问题，提供一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法。该方法通过提取比较被淹没的不同齿轮状态所产生的故障特征信息，可实现行星齿轮故障诊断，是一种有效的行星齿轮微弱故障特征信息提取方法。

本发明提供一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法，包括以下步骤：

利用加速度传感器测量行星齿轮壳体的原始振动信号,得到的原始振动信号包括行星传动太阳轮正常状态、断齿状态和齿根裂纹三种类型。

将原始振动信号进行分解，得到IMF分量。利用改进EEMD对原始振动信号进行分解，首先利用回归SVM对行星齿轮原始振动信号进行延拓，然后利用EEMD对SVM延拓信号进行分解，分解结束后去除各IMF分量的SVM延拓部分，得到抑制了端点效应、模态混叠程度低的高纯度IMF分量。

IMF分量处理得到有效IMF。联合FFT，定义故障特征频率信息信噪比即：故障特征频率及其边频功率与噪声信号功率的比值。计算各高纯度IMF分量的故障特征频率信息信噪比，提取故障特征频率信息信噪比最高的4个IMF分量作为包含主要故障特征信息的有效IMF。

重构4个有效IMF，对重构信号进行预处理，采用移频变尺度处理，使其符合随机共振小参数要求。

采用粒子群优化算法以随机共振输出信号信噪比作为适应度值，对随机共振系统参数a和b进行优化，构建最优的自适应随机共振系统。

将移频变尺度的重构信号(有效IMF)输入到自适应随机共振系统进行输出，采用龙格库塔算法求解非线性随机微分方程，根据自适应随机共振系统输出有效提取出行星齿轮产生的微弱故障特征信息，并根据故障特征信息区分行星齿轮故障类型。

改进EEMD分解过程如下：

(1)利用回归SVM进行信号延拓，延拓长度为原始振动信号的1/8；

(2)选择加入白噪声次数M，并确定所加噪声的幅值；

(3)得到加入第m次白噪声的原始振动信号；

(4)对加入白噪声的振动信号进行EMD分解，得到I个IMF；

(5)如果m<M，m＝m+1，再次进行步骤(2)和(3)，直到m＝M；

(6)计算M次加入噪声分解的每一个IMF的总体平均

${\mathrm{IMF}}_i=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{i,m}\left(t\right)i=\mathrm{1,2},...,Im=\mathrm{1,2},...,M;$

(7)去除各IMF的SVM延拓部分。

故障特征频率信息信噪比公式为：

$\mathrm{SNR}=10\lg \frac{S\left(f_0\right)}{N\left(f_0\right)}$

式中：S(f₀)为信号在故障特征频率f₀及其边频带的功率；N(f₀)为噪声信号功率。

随机共振系统采用双稳系统Langevin方程：非线性势函数为四次方势函数：

本发明针对行星齿轮微弱故障特征信息被外界干扰噪声淹没，无法提取故障特征信息，无法区分行星齿轮故障的现状，提出了基于改进总体经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法，利用SVM延拓和EEMD分解消除端点效应和模态混叠问题，得到纯净的IMF分量，以故障特征频率信息信噪比作为筛选条件，得到包含主要故障特征信息的有效IMF，重构有效IMF，并对重构信号进行移频变尺度处理，使信号满足随机共振小参数要求，利用粒子群算法和随机共振构建自适应随机共振系统，通过对随机共振系统的输出进行频域分析，可有效提取行星齿轮产生的微弱故障特征信息，实现行星齿轮故障诊断。

本发明的有益效果是：快速、准确，可消除行星齿轮传动过程中由制造误差、安装误差、多齿传动等产生的干扰及外界噪声影响，准确有效提取微弱故障特征信息，实现行星齿轮故障诊断。一定程度上丰富和完善了特征提取、故障诊断方法，结果可靠、简单易行、通用性强，适用于大型重载机械的行星齿轮箱状态监测及诊断。

附图说明

图1是本发明所述一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法的流程图；

图2是图1中包含故障特征信息有效IMF提取步骤的详细流程图。

图3是图1中基于自适应随机共振的微弱故障特征提取步骤的详细流程图。

图4是正常齿轮、断齿齿轮、齿根裂纹齿轮三种故障状态的振动信号时域波形图；

图5a是行星齿轮太阳轮断齿故障信号的改进EEMD分解图；

图5b是行星齿轮太阳轮断齿故障信号经过改进EEMD分解得到的14个IMF和1个残项的频谱图；

图6是行星齿轮太阳轮断齿故障信号经过改进EEMD分解得到的14个IMF和1个残项的故障特征频率信息信噪比图；

图7a是前4个故障特征频率信噪比最高的IMF分量进行重构后的时域信号图；

图7b是前4个故障特征频率信噪比最高的IMF分量进行重构后的频谱图；

图8是利用粒子群优化算法得到的最优个体适应度值变化过程图；

图9a是正常齿轮的振动信号经过自适应随机共振输出的频谱图的细节部分图；

图9b是断齿齿轮的振动信号经过自适应随机共振输出的频谱图的细节部分图；

图9c是齿根裂纹的振动信号经过自适应随机共振输出的频谱图的细节部分图。

具体实施方式

下文将结合附图详细描述本发明的实施方式。应当注意的是，下述实施方式中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合和相互结合从而达到更好的技术效果。

如图1-图3所示，发明所述的一种基于改进总体平均经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法包括以下步骤：

步骤100，采集振动信号。利用加速度传感器测量行星齿轮壳体的原始振动信号,得到的信号包括行星齿轮太阳轮正常状态、断齿状态和齿根裂纹三种类型，如图4所示。

步骤200，包含故障特征信息的有效IMF提取。首先利用改进EEMD对行星齿轮原始振动信号进行分解，得到抑制了端点效应，模态混叠程度低的纯净IMF分量，然后针对各IMF分量，利用各IMF分量的故障特征频率信噪比作为参考，提取包含行星齿轮故障特征信息的IMF分量，以包含故障特征信息的IMF分量的重构信号作为分析目标。

改进EEMD分解过程如下：

步骤201，利用回归SVM进行信号延拓，延拓长度为原始振动信号的1/8。

步骤202，选择加入噪声次数M，设置为200，并确定所加噪声的幅值，噪声幅值为原始信号标准差的0.2倍。

步骤203，得到加入第m次噪声的原始振动信号

x_m(t)＝x(t)+n_m(t)   (1)

式中，x_m(t)为第m次白噪声的振动信号，x(t)为SVM延拓后的振动信号，n_m(t)为第m次加入的高斯白噪声信号。

步骤204，对加入高斯白噪声的x_m(t)振动信号进行EMD分解，得到I个IMF，EMD分解过程如下：

①时间序列信号x_m(t)，上下包络线分别为u(t)和v(t)，上下包络线的平均为w(t)，用x_m(t)减去w(t)，剩余的部分为h₁(t)

h₁(t)＝x_m(t)-w(t)

(2)

②用h₁(t)代替x_m(t)，与h₁(t)对应的上下包络线分别为u₁(t)和v₁(t)，重复移动过程，即

w₁(t)＝{u₁(t)+v₁(t)}/2   (3)

h₂(t)＝h₁(t)-w₁(t)   (4)

           ……

w_k-1(t)＝{u_k-1(t)-v_k-1(t)}/2   (5)

h_k(t)＝h_k-1(t)-w_k-1(t)   (6)

直到所得的h_k(t)满足IMF的两个条件，这样就分解得到第一个本征模函数c₁(t)和信号的剩余部分r₁(t)。r₁(t)中仍包含原始信号的频率信息，将其作为新的信号重复EMD分解过程，直到所得信号低于预先给定的值时，分解完毕。原信号可表示为所有IMF及余量之和

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_i\left(t\right)+r_n\left(t\right)---\left(7\right)$

步骤205，如果m＜M，m＝m+1，再次进行步骤(2)和(3)，直到m＝M。

步骤206，计算M次加入噪声分解的每一个IMF的总体平均

${\mathrm{IMF}}_i=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{i,m}\left(t\right)i=\mathrm{1,2},...,Im=\mathrm{1,2},...,M---\left(8\right)$

步骤207，去除各IMF的SVM延拓部分，得到抑制了端点效应，模态混叠程度低的纯净IMF分量，分解得到的IMF分量如图5所示。

在实际的EEMD分解操作中得到的IMF并不都包含我们需要的信息，有的甚至是虚假模态分量，行星齿轮故障的微弱特征频率信息被主要包含在某几个IMF分量中，因此必须筛选出包含有大部分故障特征频率信息的有效IMF，把故障特征频率信息从噪声中提取出来。定义故障特征频率信息的信噪比为：

$\mathrm{SNR}=10\lg \frac{S\left(f_0\right)}{N\left(f_0\right)}---\left(9\right)$

式中：S(f₀)为信号在故障特征频率f₀及其边频带的功率；N(f₀)为噪声信号功率。

对离散的振动信号做FFT，得到X(k)，即

$X\left(k\right)=\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}x\left(n\right)e^{-\frac{2\mathrm{\&pi;kn}}{N}}---\left(10\right)$

设故障特征频率f₀处的峰值为X(k)的第k₀个数据点，则有f₀＝(k₀/(N-1))f_s，其中f_s为采样频率，从而得到S(f₀)＝|X(f₀(k))|²。噪声平均功率N(f₀)是k₀附近位于k₀-M，…，k₀-1，k₀₊₁，…，k₀+M处的谱值的平均功率(M是根据N、f_s的大小适当选择的整数)为

$N\left(f_0\right)=\frac{1}{2M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\left|X(k_0-j)\right|}^2+{\left|X(k_0+j)\right|}^2)---\left(11\right)$

步骤208，根据式(9)可以计算各IMF分量的故障特征频率信息的信噪比SNR，如图6所示。步骤209，其中IMF8故障特征频率信噪比最高，达到-12dB，由于同一故障特征频率可能被分解到多个IMF中，因此选择前4个故障特征频率信噪比最高的IMF分量作为包含主要故障特征信息的有效IMF分量，并将这4个IMF分量进行重构，得到的包含主要故障特征频率的时域信号和频域信号如图7(a)、(b)所示。

步骤300，基于自适应随机共振的微弱故障特征的提取。步骤302，结合随机共振理论，对有效IMF分量的重构信号做移频变尺度处理，使其符合随机共振处理小参数要求。步骤303，以自适应随机共振输出信噪比最大为优化目标，采用粒子群优化算法对随机共振参数a和b进行优化。步骤305最终利用自适应随机共振实现对微弱故障特征信息的输出，准确提取出行星齿轮微弱故障特征信息。步骤306实现行星齿轮故障诊断。

步骤301-304具体如下。粒子群优化算法(Particle Swarm optimization,PSO)通过个体之间的协作寻找最优解，系统初始化为一组随机粒子，粒子(潜在的解)在解空间追随最优的粒子进行搜索，每个粒子对应一个适应度函数决定的适应度值，粒子适应度值得好坏代表了粒子的优劣。每个粒子在搜索过程中使用下列信息改变自己的当前位置(1)当前位置；(2)当前速度；(3)当前位置与自己最好位置之间的距离；(4)当前位置与群体最好位置之间的距离。通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，更新适应度值。

假设在D维空间内有n个粒子组成的种群X＝(X₁，X₂，...,X_n)，其中第i个粒子在D维空间表示成X_i＝(x_i1,x_i2,...,x_id)^T，代表第i个粒子位置。将X_i带入一个目标函数就可以计算出其适应值，在每次适应值计算过程中，根据粒子的局部极值和全局极值更新自身速度和位置，更新公式如下：

$\left\{\begin{array}{c}{V}_{\mathrm{id}}^{k=1}={\mathrm{\&omega;V}}_{\mathrm{id}}^k+c_1{r}_1(P_{\mathrm{id}}^k-X_{\mathrm{id}}^k)+c_2{r}_2(P_{\mathrm{gd}}^k-X_{\mathrm{id}}^k)\\ X_{\mathrm{id}}^{k+1}=X_{\mathrm{id}}^k+V_{\mathrm{id}}^{k-1}\end{array}\right.$

式中，V_i＝(v_i1,v_i2,...,v_id)^T为第i个粒子速度，P_i＝(p_i1,p_i2,...,p_id)^T为第i个粒子的个体极值，P_g＝(p_g1,p_g2,...,p_gd)^T为全局极值点，ω为惯性权重，d＝1,2,...,D，i＝1,2,...,n，c₁、c₂为加速度因子，为非负常数，k为迭代次数，r₁、r₂为分布在[0,1]的随机数。

随机共振系统需要三个必要因素：非线性双稳系统、弱输入信号和噪声。当这三个参数达到一定的协同，产生随机共振现象。我们采用双稳系统Langevin方程为：

$\frac{\mathrm{dx}}{\mathrm{dt}}=-U^{\&prime;}\left(x\right)+s\left(t\right)+n\left(t\right)---\left(13\right)$

式中：U(x)为非线性势函数，s(t)、n(t)分别为输入信号和噪声。非线性势函数U(x)我们采用四次方势函数：

$U\left(x\right)=-\frac{1}{2}{\mathrm{ax}}^2+\frac{1}{4}{\mathrm{bx}}^4---\left(14\right)$

式中：a、b为势阱形状参数，则非线性双稳态朗之万模型可表示为：

$\frac{\mathrm{dx}}{\mathrm{dt}}=\mathrm{ax}-b{x}^3+s\left(t\right)+n\left(t\right)---\left(15\right)$

双稳态Langevin随机共振模型属于非线性随机微分方程，采用4阶Runge-Kutta算法改进的数值求解算法进行求解，表达式如下：

$\left\{\begin{array}{c}{x}_{n+1}=x_n+\frac{1}{6}[k_1+(2-\sqrt{2})k_2+(2+\sqrt{2})k_3+k_4],n=\mathrm{0,1},...,N-1\\ k_1=h({\mathrm{ax}}_n-{\mathrm{bx}}_n^3+s_n+{\mathrm{\&eta;}}_n)\\ k_2=h[\mathrm{\&alpha;}(x_n+\frac{1}{2}{k}_1)-b{(x_n+\frac{1}{2}{k}_1)}^3+s_n+{\mathrm{\&eta;}}_n]\\ k_3=h[a(x_n+\frac{1}{2}{k}_2)-b{(x_n+\frac{\sqrt{2}-1}{2}{k}_2)}^3+\frac{2-\sqrt{2}}{2}{k}_2+s_{n-1}+{\mathrm{\&eta;}}_{n+1}]\\ k_4=h[a(x_n+k_3)-b{(x_n-\frac{\sqrt{2}}{2}{k}_2+\frac{2+\sqrt{2}}{2}{k}_3)}^3+s_{n+1}+{\mathrm{\&eta;}}_{n+1}]\end{array}\right.---\left(16\right)$

式中：s_n，η_n，x_n分别为信号、噪声信号、输出信号的第n个采样点，h为迭代步长，通常取h＝l/f_s。

结合实验综合运用上述方法进行行星齿轮故障诊断。行星齿轮故障实验在美国Spectra Quest公司的DDS机械故障综合模拟实验台上进行。本实验共测量行星齿轮太阳轮正常状态、断齿状态和齿根裂纹三种状态，通过对所采集振动信号进行分析，检验所建立的微弱故障特征信息提取方法。

在DDS机械故障综合模拟试验台上进行太阳轮故障模拟实验，共提取正常齿轮、断齿齿轮、齿根裂纹齿轮三种故障状态的振动信号，设置采样频率为5120Hz，数据分析点数为30000，电机输出转速为40Hz，行星齿轮基本参数为：太阳轮28齿，行星轮40齿，内齿圈100齿，相对应的故障特征频率分别为：太阳轮20.83Hz，行星轮4.05Hz，内齿圈5.83Hz；采集的三种太阳轮齿轮状态的振动信号如图4所示，从图4中可以看出，正常齿轮由于制造、安装等误差影响，同样存在一定的冲击，断齿齿轮相比正常齿轮展现出一定的周期性，周期间隔为0.412s，频率2.42Hz。齿根裂纹故障时域波形较正常齿轮幅值有所增大，通过对时域波形分析并不能提取出有效的故障特征信息，无法区分出齿轮的故障类型。下面采用提出的基于改进总体经验模态分解和自适应随机共振的微弱故障特征信息提取方法对振动信号进行处理，提取被淹没的齿轮故障特征频率。以行星齿轮太阳轮断齿故障为例，对其进行改进EEMD分解，分解得到的IMF时域图与频谱图如图5所示，各IMF主要特征由高频到低频顺序排列，但是针对某一频率段有可能被分解到多个IMF中，使多个IMF都包含某一频率的特征信息。随后对经过EEMD分解得到的14个IMF和1个残项计算故障特征频率信噪比，计算结果如图6所示，其中IMF8故障特征频率信噪比最高，达到-12dB，由于同一故障特征频率可能被分解到多个IMF中，因此选择前4个故障特征频率信噪比最高的IMF分量作为包含主要故障特征信息的有效IMF分量，并将这4个IMF分量进行重构，得到的包含主要故障特征频率的时域信号和频域信号如图7所示，包含主要故障特征信息的4个有效IMF重构信号的故障特征频率虽然有一点突出，但是故障特征频率还比较微弱，信噪比依旧很低，不能较好的反映故障特征。下面构建自适应随机共振系统实现微弱故障特征信息的有效提取，首先针对重构信号进行移频变尺度处理，使其符合随机共振小参数要求，变尺度压缩率设置为200，然后利用粒子群优化算法，以自适应随机共振输出信号的信噪比作为适应度值进行优化选择，选择优化粒子数50个，迭代次数为200次，得到的最优个体适应度值变化过程如图8所示，最终得到的最优个体适应度值为-12.658dB，a和b的优化结果为a＝0.07877，b＝2.84。最后将提取的包含主要故障特征信息的有效IMF重构信号输入随机共振系统，利用龙格库塔算法进行求解，即得到自适应随机共振输出信号，对其进行频率恢复，即可提取微弱的故障特征信息。

采用提出的基于改进总体经验模态分解和自适应随机共振的微弱故障特征信息提取方法对太阳轮正常状态、断齿状态和齿根裂纹三种类型振动信号进行处理，最终获得的自适应随机共振输出频谱细节如图9所示，从图中可以看出经过随机共振输出后的故障信号相比原始信号比较复杂，行星齿轮零部件发生局部故障导致其对应的特征频率发生变化，正常齿轮主要突出频率为20.14Hz，其对应于太阳轮故障特征频率，同时没有明显的边频带，当太阳轮断齿故障发生，导致故障特征频率20.14Hz幅值有一定的增大，同时出现比较明显的边频带，边频带1为18.43Hz与21.84Hz，其与20.14Hz间隔为1.7Hz，边频带2为14.34Hz与25.79Hz，其与20.14Hz间隔为5.8Hz，对应于行星齿轮内齿圈特征频率，行星齿轮太阳轮断齿引起的边频带幅值甚至超过了太阳轮故障特征频率的幅值；当太阳轮齿根裂纹故障发生，故障特征频率20.14Hz及其产生的边频带14.34Hz和25.79Hz被成功提取出来，与正常齿轮相比，齿根裂纹故障特征频率幅值有所增大，其产生的边频带幅值变化比较明显，边频带幅值超过了故障特征频率幅值，与断齿齿轮相比，齿根裂纹故障特征频率及其边频带幅值明显小于断齿齿轮故障特征频率及其边频带幅值，同时齿根裂纹齿轮产生的边频带18.43Hz和21.84Hz并不明显。表明利用本发明所述方法处理不同行星齿轮状态的振动信号，可成功提取出不同齿轮故障产生的不同的故障特征信息，通过比较所提取的微弱故障特征信息可实现行星齿轮的故障诊断。

本发明的积极效果是：该方法针对行星齿轮微弱故障特征信息被外界干扰噪声淹没，无法提取故障特征信息，无法区分行星齿轮故障的现状，提出了基于改进总体经验模态分解和自适应随机共振的行星齿轮微弱故障特征信息提取方法，利用SVM延拓和EEMD分解消除端点效应和模态混叠问题，得到纯净的IMF分量，以故障特征频率信息信噪比作为筛选条件，得到包含主要故障特征信息的有效IMF，重构有效IMF，并对重构信号进行移频变尺度处理，使信号满足随机共振小参数要求，利用粒子群算法和随机共振构建自适应随机共振系统，通过对随机共振系统的输出进行频域分析，可有效提取行星齿轮产生的微弱故障特征信息，实现行星齿轮故障诊断。本发明一定程度上丰富和完善了特征提取、故障诊断方法，结果可靠、简单易行、通用性强，适用于大型重载机械的行星齿轮箱状态监测及诊断。

本文虽然已经给出了本发明的一些实施方式，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施方式进行改变。上述实施方式只是示例性的，不应以本文的实施方式作为本发明权利范围的限定。

Claims (8)

1.一种行星齿轮微弱故障特征信息提取方法，其特征在于，包括以下步骤：

测量行星齿轮壳体的原始振动信号；

将所述原始振动信号进行分解，得到IMF分量；

将所述IMF分量处理得到有效IMF；

将所述有效IMF重构；

构建自适应随机共振系统；

利用所述重构的有效IMF通过所述自适应随机共振系统提取行星齿轮微弱故障特征信息；

根据所述故障特征信息区分行星齿轮故障类型。

2.如权利要求1所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述行星齿轮壳体原始振动信号用加速度传感器测定，所述原始振动信号包括行星传动太阳轮正常状态、断齿状态和齿根裂纹三种类型。

3.如权利要求1或2所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述原始振动信号进行分解方法为利用改进EEMD分解，首先利用回归SVM对所述行星齿轮原始振动信号进行延拓，然后利用EEMD对所述SVM延拓信号进行分解，分解结束后去除各IMF分量的SVM延拓部分，得到抑制了端点效应、模态混叠程度低的纯净IMF分量。

4.如权利要求3所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于，所述改进EEMD分解具体过程如下：

(1)利用回归SVM进行信号延拓，延拓长度为原始振动信号的1/8；

(2)选择加入白噪声次数M，并确定所加噪声的幅值；

(3)得到加入第m次白噪声的原始振动信号；

(4)对加入白噪声的振动信号进行EMD分解，得到I个IMF；

(5)如果m<M，m＝m+1，再次进行步骤(2)和(3)，直到m＝M；

(6)计算M次加入噪声分解的每一个IMF的总体平均；

(7)去除各IMF的SVM延拓部分。

5.如权利要求1、2或4任一项所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于，所述IMF分量处理得到有效IMF步骤为，联合FFT,定义故障特征频率信息信噪比为故障特征频率及其边频功率与噪声信号功率的比值，计算各高纯度IMF分量的故障特征频率信息信噪比，提取故障特征频率信息信噪比最高的4个IMF分量作为包含主要故障特征信息的有效IMF，所述信噪比公式为：

$\mathrm{SNR}=10\lg \frac{S\left(f_0\right)}{N\left(f_0\right)}$

式中S(f₀)为信号在故障特征频率f₀及其边频带的功率；N(f₀)为噪声信号功率。

6.如权利要求5所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述有效IMF重构的步骤为，对所述重构信号采用移频变尺度处理，使其符合随机共振小参数要求。

7.如权利要求1或6所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述构建自适应随机共振系统步骤为，采用粒子群优化算法以随机共振输出信号信噪比作为适应度值，对随机共振系统参数a和b进行优化，构建最优的自适应随机共振系统。

8.如权利要求7所述的一种行星齿轮微弱故障特征信息提取方法，其特征在于：所述提取行星齿轮微弱故障特征信息步骤为，将移频变尺度的重构信号输入到自适应随机共振系统进行输出，采用龙格库塔算法求解非线性随机微分方程，根据自适应随机共振系统输出有效提取出行星齿轮产生的微弱故障特征信息，随机共振系统采用双稳系统Langevin方程： $\frac{\mathrm{dx}}{\mathrm{dt}}=-U^{\&prime;}\left(x\right)+s\left(t\right)+n\left(t\right),$ 非线性势函数为四次方势函数： $U\left(x\right)=-\frac{1}{2}{\mathrm{ax}}^2+\frac{1}{4}{\mathrm{bx}}^4.$