CN108458871B - 一种基于改进经验小波变换的齿轮箱故障识别方法 - Google Patents

一种基于改进经验小波变换的齿轮箱故障识别方法 Download PDF

Info

Publication number
CN108458871B
CN108458871B CN201711405096.XA CN201711405096A CN108458871B CN 108458871 B CN108458871 B CN 108458871B CN 201711405096 A CN201711405096 A CN 201711405096A CN 108458871 B CN108458871 B CN 108458871B
Authority
CN
China
Prior art keywords
frequency
frequency spectrum
spectrum
empirical wavelet
wavelet transform
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711405096.XA
Other languages
English (en)
Other versions
CN108458871A (zh
Inventor
张征
王昌明
鲍雨梅
吴化平
李吉泉
丁浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201711405096.XA priority Critical patent/CN108458871B/zh
Publication of CN108458871A publication Critical patent/CN108458871A/zh
Application granted granted Critical
Publication of CN108458871B publication Critical patent/CN108458871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis

Abstract

本发明公开了一种基于改进经验小波变换的齿轮箱故障识别方法，其主要步骤如下：先对汽车座椅水平驱动器齿轮箱振动信号进行频谱趋势‑改进经验小波变换分解，得到各个模态分量，对各个模态分量分别进行解调分析，获得特征频率；再将特征频率与齿轮箱中对应的各个齿轮的转频进行比较，用于齿轮箱故障诊断。本发明通过采用上述技术，充分结合了EMD自适应强和WT理论严谨的优势，频谱划分的更为合理，分解得到的各个模态基本未出现过分解的现象，并且得到的各个模态更利于解调分析，提高的齿轮箱故障检测的精度和准确性，很好的解决经验小波变换中模态数量需要预设的问题，以及频谱划分过于集中在信号频谱中幅值较大的频率段，造成过分解的问题。

Description

一种基于改进经验小波变换的齿轮箱故障识别方法
技术领域
本发明属于齿轮箱故障识别技术领域，具体涉及一种基于改进经验小波变换的齿轮箱故障识别方法。
背景技术
齿轮箱振动信号具有复杂多分量和调幅调频(AM-FM)的特点，幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析，有效识别故障特征频率。但是对于多分量AM-FM信号有效的解调分析的一个前提就是提取有效的模态分量，小波变换(WaveletTransform,WT)和经验模态分解(Empirical Mode Decomposition,EMD)都是运用比较广泛的模态分量提取方法。但是WT存在小波基的选择和小波基确定之后缺乏自适应性的问题，而EMD是一种经验性的方法，缺乏完备的理论基础。
经验小波变换(简称EWT)是Gilles结合EMD的自适应性和小波分析的理论框架，提出的一种新的自适应信号处理方法，该方法的核心思想是通过对信号的频谱进行自适应划分，构造合适的正交小波滤波器组以提取具有紧支撑结构的模态分量。
EWT方法在直接处理齿轮箱振动信号时，模态分量的个数需要预设，并且在通过检测频谱极大值来划分频谱的过程中，很容易出现检测的边界集中在频谱中幅值较大的频率段，造成同一个AM-FM信号被过分解的问题。这些问题导致了EWT方法不能很好的在齿轮箱故障识别中得到运用。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种基于改进经验小波变换的齿轮箱故障识别方法，它基于频谱趋势(Spectrum Trend)的多分量个数估计的方法，将时域信号中的趋势概念引入齿轮箱振动信号频谱中，命名为频谱趋势(SpectrumTrend)，并利用EMD算法自适应的提取频谱趋势。
所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于包括如下步骤：
1)对齿轮箱振动信号进行改进经验小波变换，得到各个模态分量，具体步骤如下：
2)对步骤1中获得各个模态分量分别进行解调分析，获得各个模态分量的特征频率；
3)将步骤2)中解调分析获得的特征频率与齿轮箱中对应的各个齿轮的转频进行比较，即能定位故障源。
所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤1)中各个模态分量的取得方法包括如下步骤：
101)对齿轮箱振动信号进行傅里叶变换，获得振动信号的频谱；
102)对步骤101)获得的频谱进行EMD分解，获得若干信号频谱的本征模态函数(IMFs)和残余；
103)将步骤102)中的部分IMFs和残余进行重构，获得振动信号的频谱趋势；
104)对步骤103)提取的频谱趋势的极大值个数M进行检测和统计，令N＝M，即预设模态分量个数等于频谱趋势中的极大值个数，并对频谱趋势进行边界检测；
105)利用步骤104)检测的边界对步骤101)获得的频谱进行分割；
106)对步骤105)所划分的各个频谱片段构造经验小波基函数，等效于构建带通滤波器组；
107)根据步骤106)构造的经验小波基函数对相应频谱段进行经验小波变换，最终得到N个模态分量。
所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤103)中的部分IMFs一般为最后4个或5个。
所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤3)中的解调分析的方法包括基于Hilbert变换的包络解调方法和基于Teager能量算子的解调方法。
通过采用上述技术，与现有技术相比，本发明具有如下几个显著的优点：
1)本发明通过检测频谱趋势极大值个数，自适应地解决EWT算法中模态个数预设的问题；
2)本发明通过对故障信号的频谱趋势进行边界检测，利用检测的边界来对原故障信号的频谱进行分割，有效地解决了EWT算法中很容易出现检测的边界集中在频谱中幅值较大的频率段，造成同一个AM-FM信号被分解的问题；
3)基于频谱趋势的改进EWT算法充分结合了EMD自适应强和WT理论严谨的优势，频谱划分的更为合理，分解得到的各个模态基本未出现过分解的现象，并且得到的各个模态更利于解调分析，提高的齿轮箱故障检测的精度和准确性。
附图说明
图1为本发明的基于改进经验小波变换的齿轮箱故障识别方法流程图；
图2为本发明的基于频谱趋势的改进经验小波变换算法流程图；
图3为本发明的汽车座椅水平驱动器(HDM)齿轮箱振动时域波形图；
图4为本发明的HDM齿轮箱振动信号傅里叶频谱图；
图5为本发明的傅里叶频谱的经验模态分解结果图；
图6为本发明的频谱趋势(幅值被乘以2)和振动信号的频谱图；
图7为本发明的HDM齿轮箱振动信号频谱划分图；
图8为本发明的各个模态分量时域图；
图9为本发明的各个模态分量频谱图；
图10为本发明的ST-EWT分解得到的分量3和7解调分解结果图。
具体实施方式
本发明基于改进的经验小波变换的齿轮箱故障识别方法，主要是针对原EWT方法中在处理具有复杂多分量AM-FM信号时，模态分量个数难以估计，以及频谱划分时过于集中在频谱中幅值较高的频率段的问题，提出了基于频谱趋势的改进经验小波变换(ST-EWT)方法。该方法将时域信号的趋势概念引入到振动信号的频谱范围内，因此齿轮箱振动信号频谱的整体形态变化被考虑进来，并利用EMD算法来提取振动信号的频谱趋势。频谱趋势每个波峰能够很好的反应一个AM-FM信号，波峰的个量(或频谱趋势极大值的个量)即为需要预设的模态分量个数，同时通过对频谱趋势进行边界检测能够将各个AM-FM信号频谱分割开，避免出现一个AM-FM信号被分解的情况。
本发明将改进后的经验小波变换方法被应用在齿轮箱的故障诊断上，所述基于改进的经验小波变换的齿轮箱故障识别方法，如图1所示，其具体步骤如下：
1)对齿轮箱振动信号进行频谱趋势-改进经验小波变换(ST-EWT)分解，得到各个模态分量，具体步骤如下：
101)如图2所示，对采集的齿轮箱振动信号进行傅里叶变换，获得振动信号的频谱；
102)对步骤101)获得的频谱利用经验模态分解(EMD)算法进行自适应性的分解，获得若干信号频谱的本征模态函数(IMFs)和残余；
103)将步骤102)中的部分IMFs(本发明实施例采用最后4或5个)和残余进行重构，获得振动信号的频谱趋势，该步骤中将时域信号中的趋势概念引入齿轮箱振动信号频谱中，命名为频谱趋势(Spectrum Trend)，并利用步骤2的EMD算法自适应的提取频谱趋势，将基于频谱趋势的改进经验小波变换方法命名为ST-EWT；
104)对步骤103)提取的频谱趋势的极大值个数M进行检测和统计，令N＝M，即预设模态分量个数等于频谱趋势中的极大值个数，并对频谱趋势进行边界检测；
105)利用步骤104)检测的边界对步骤101)获得的频谱(即原齿轮箱振动信号的频谱)进行分割；
106)对步骤105)所划分的各个频谱片段构造经验小波基函数，等效于构建带通滤波器组；
107)根据步骤106)构造的经验小波基函数对相应频谱段进行经验小波变换，最终得到N个模态分量；
2)对步骤1中获得各个模态分量进行解调分析，获得各个模态分量的特征频率；所述解调分析的方法包括基于Hilbert变换的包络解调方法和基于Teager能量算子的解调方法等常规方法，对于实际的齿轮箱振动信号，当获得的模态分量比较合理时，Hilbert变换解调方法和能量算子解调方法均能获得较好的解调结果；
3)将步骤2)中解调分析获得的各个特征频率与齿轮箱中对应的各个齿轮的转频进行比较，即能定位故障源。
实施例1
1)以采集的汽车座椅水平驱动器(HDM)齿轮箱的振动信号为例，其时域波形如图3所示，对其时域信号进行傅里叶变换，获得其信号频谱如图4所示；
2)利用EMD算法对获得的HDM振动信号的频谱进行分解，获得的IMFs和残余如图5所示；
3)对最后5个IMFs和残余进行重构(即IMF10～IMF14与残余res之和)，获得其频谱趋势(为了清楚的显示，频谱趋势的幅值被乘以2)和振动信号的傅里叶频谱如图6所示；
4)对频谱趋势进行极大值的检测，极大值的个数为11，令N＝11，并采用局部极小极大值对频谱趋势进行边界检测，检测的边界个数为10(图7中用竖直虚线所示)，划分的原信号频谱如图7所示；
5)对各个频谱片段构造经验小波基函数，等效于构建带通滤波器组，进行经验小波分解，最终得到各个模态分量，各个模态分量的时域图如图8所示，各个模态分量的频谱图如图9所示；
6)采用基于Hilbert变换的解调方法，分量3和7解调的结果如图10所示；
本发明图5、8-10中的纵坐标均为幅值，从图10可知，解调出来的特征频率约为53.5Hz，因此可以判断转频约为53.5Hz的齿轮存在故障。
本发明通过采用基于频谱趋势改进经验小波的方法，充分结合了EMD自适应性强和WT理论严谨的优势，与原EWT算法相比，频谱划分的更为合理，分解得到的各个模态基本未出现过分解的现象，并且得到的各个模态更利于解调分析，提高的齿轮箱故障检测的精度。

Claims (2)

1.一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于包括如下步骤：
1）对齿轮箱振动信号进行改进经验小波变换，得到各个模态分量，具体步骤如下：
101）对齿轮箱振动信号进行傅里叶变换，获得振动信号的频谱；
102）对步骤101）获得的频谱进行EMD分解，获得若干信号频谱的本征模态函数IMFs和残余；
103）将步骤102）中的部分IMFs和残余进行重构，获得振动信号的频谱趋势；
104）对步骤103）提取的频谱趋势的极大值个数M进行检测和统计，令N=M，即预设模态分量个数等于频谱趋势中的极大值个数，并对频谱趋势进行边界检测；
105）利用步骤104）检测的边界对步骤101）获得的频谱进行分割；
106）对步骤105）所划分的各个频谱片段构造经验小波基函数，等效于构建带通滤波器组；
107）根据步骤106）构造的经验小波基函数对相应频谱段进行经验小波变换，最终得到N个模态分量；
2）对步骤1中获得各个模态分量分别进行解调分析，获得各个模态分量的特征频率；
3）将步骤2）中解调分析获得的特征频率与齿轮箱中对应的各个齿轮的转频进行比较，即能定位故障源，解调分析的方法包括基于Hilbert变换的包络解调方法和基于Teager能量算子的解调方法。
2.根据权利要求1所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤103）中的部分IMFs为最后4个或5个。
CN201711405096.XA 2017-12-22 2017-12-22 一种基于改进经验小波变换的齿轮箱故障识别方法 Active CN108458871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711405096.XA CN108458871B (zh) 2017-12-22 2017-12-22 一种基于改进经验小波变换的齿轮箱故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711405096.XA CN108458871B (zh) 2017-12-22 2017-12-22 一种基于改进经验小波变换的齿轮箱故障识别方法

Publications (2)

Publication Number Publication Date
CN108458871A CN108458871A (zh) 2018-08-28
CN108458871B true CN108458871B (zh) 2020-12-01

Family

ID=63221220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711405096.XA Active CN108458871B (zh) 2017-12-22 2017-12-22 一种基于改进经验小波变换的齿轮箱故障识别方法

Country Status (1)

Country Link
CN (1) CN108458871B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211568B (zh) * 2018-09-19 2019-11-15 四川大学 基于条件经验小波变换的滚动轴承故障诊断方法
CN109948286B (zh) * 2019-03-29 2023-10-03 华北理工大学 基于改进经验小波分解的信号分解方法
CN111652031A (zh) * 2019-12-02 2020-09-11 昆明理工大学 一种基于改进经验小波变换的滚动轴承故障诊断方法
CN111666892B (zh) * 2020-06-08 2023-04-25 西南交通大学 一种基于经验小波希尔伯特变换的电力机车空转识别方法
CN112183400B (zh) * 2020-09-30 2023-04-07 福州大学 一种新型的配电变压器潜伏性故障特征提取方法及系统
CN112446329B (zh) * 2020-11-30 2023-08-08 广州大学 一种时变结构瞬时频率确定方法、系统、装置及存储介质
CN113049252B (zh) * 2021-03-25 2023-04-14 成都天佑路航轨道交通科技有限公司 一种列车轴承箱的故障检测方法
CN113176092B (zh) * 2021-04-25 2022-08-02 江苏科技大学 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN115902528B (zh) * 2023-02-21 2023-05-26 华东交通大学 一种直流牵引网振荡与短路故障辨识方法
CN117725539B (zh) * 2024-02-07 2024-04-26 东北大学 一种复杂工况下风机旋转部件的故障特征提取及分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101539896B1 (ko) * 2014-10-14 2015-08-06 울산대학교 산학협력단 유도전동기 오류 진단 방법
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法
CN106017926A (zh) * 2016-05-13 2016-10-12 山东理工大学 基于变模态分解的滚动轴承故障诊断方法
CN107316653A (zh) * 2016-04-27 2017-11-03 南京理工大学 一种基于改进的经验小波变换的基频检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101539896B1 (ko) * 2014-10-14 2015-08-06 울산대학교 산학협력단 유도전동기 오류 진단 방법
CN107316653A (zh) * 2016-04-27 2017-11-03 南京理工大学 一种基于改进的经验小波变换的基频检测方法
CN106017926A (zh) * 2016-05-13 2016-10-12 山东理工大学 基于变模态分解的滚动轴承故障诊断方法
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于变分模态分解参数估计的滚动轴承故障信息提取方法;杨洪柏 等;《轴承》;20161031(第10期);第49-52页，第55页 *
基于改进经验小波变换的行星齿轮箱故障诊断;祝文颖 等;《仪器仪表学报》;20161031;第37卷(第10期);第2193页摘要，第2194页第2栏第2段至第2200页第1栏第1段 *
祝文颖 等.基于改进经验小波变换的行星齿轮箱故障诊断.《仪器仪表学报》.2016,第37卷(第10期), *

Also Published As

Publication number Publication date
CN108458871A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
CN108458871B (zh) 一种基于改进经验小波变换的齿轮箱故障识别方法
CN107944199B (zh) 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法
CN110160791B (zh) 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
CN110186682B (zh) 基于分数阶变分模态分解的滚动轴承故障诊断方法
CN102539150B (zh) 基于连续小波变换的旋转机械部件的自适应故障诊断方法
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN111769810B (zh) 一种基于能量峭度谱的流体机械调制频率提取方法
CN108875170B (zh) 一种基于改进变分模态分解的噪声源识别方法
CN110426569B (zh) 一种变压器声信号降噪处理方法
CN104236905A (zh) 一种轴承故障诊断方法
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN111308285B (zh) 一种窄带干扰降噪方法
CN111652031A (zh) 一种基于改进经验小波变换的滚动轴承故障诊断方法
CN106908232A (zh) 一种旋转机械的振动信号故障识别方法
Sun et al. Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals
CN113033304B (zh) 一种克服频域重叠干扰的多共振频带幅值解调分析方法
CN114486263A (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
CN107941511B (zh) 一种基于信号时频分解的频率—峭度图的实现方法
CN104089778B (zh) 一种水轮机振动故障诊断方法
CN106815434B (zh) 基于小波和emd的噪声量时频分析去噪效果评价方法
CN105954031A (zh) 一种基于奇异谱分解滤波的包络分析方法
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN106840379A (zh) 一种机械振动信号的故障分析方法
Li et al. Fault feature extraction of rolling bearing based on an improved cyclical spectrum density method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180828

Assignee: Yunhe County Lixin Arts & Crafts Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2023980037396

Denomination of invention: A Gearbox Fault Identification Method Based on Improved Empirical Wavelet Transform

Granted publication date: 20201201

License type: Common License

Record date: 20230704

EE01 Entry into force of recordation of patent licensing contract