基于多尺度形态学分析的齿轮故障诊断方法

摘要

本发明公开了一种基于多尺度形态学分析的齿轮故障诊断方法。其步骤为：利用加速度传感器获取齿轮振动加速度信号；采用EMD分解方法将获得的振动加速度信号分解为多个IMF分量；从分解的IMF分量中选取包含故障主要信号的高频IMF分量，利用选取的IMF分量重构信号；对重构信号进行多尺度形态学解调分析；观察解调结果频谱图是否在故障特征频率或其倍频处存在明显峰值，进而判断旋转机械是否发生故障。本发明方法可较准确判断该旋转机械是否发生故障。

说明书

技术领域

本发明涉及一种齿轮故障诊断方法，特别涉及一种基于多尺度形态学分析的齿轮故障诊断方法。

背景技术

齿轮、滚动轴承发生故障时，会产生周期性的脉冲冲击力，从而产生振动信号的调制现象，频谱上表现为在啮合频率或固有频率两侧出现间隔均匀的调制边频带，从信号中提取调制信息，分析其强度和频次就可以判断齿轮、滚动轴承产生故障的部位和损伤程度，这一分析过程称为解调。常用的解调方法有广义检波滤波解调、希尔伯特变换解调，运用这些解调方法可以分析齿轮、滚动轴承调制性故障，是故障诊断的重要和有效的分析手段，但是，采用这些解调方法分析时还存在一定局限性，广义检波滤波由于取绝对值、检波过程或平方过程都会使载波频率有可能出现高次谐波而产生混频效应，在解调谱上会出现无法分析的频率成分；希尔伯特解调由于希尔伯特算子不可避免的加窗效应，使得解调结果出现非瞬时响应特性，即在解调出的调制信号两端及有突变的中间部位将产生调制，表现为幅值按指数衰减的波动，从而使解调误差增大；

发明内容

为了解决上述技术问题，本发明提供一种基于多尺度形态学分析的齿轮故障诊断方法。

本发明解决上述技术问题的技术方案包括以下步骤：

利用加速度传感器获取齿轮振动加速度信号；

采用EMD分解方法将获得的振动加速度信号分解为多个IMF分量；

从分解的IMF分量中选取包含故障主要信号的高频IMF分量，利用选取的IMF分量重构信号；

对重构信号进行多尺度形态学解调分析；

观察解调结果频谱图是否在故障特征频率或其倍频处存在明显峰值，进而判断旋转机械是否发生故障。

本发明的技术效果在于：1)本发明将旋转机械加速度振动信号经EMD分解后选取包含故障特征频率的主要IMF分量重构信号，能一定程度的消除噪声对多尺度形态学操作的影响，且本发明采用多尺度形态学解调方法较传统的解调方法更为优势，原因为多尺度形态学的结构元素由信号产生，具有一定的适应性，能更有效地提取信号的冲击特征，提高诊断准确度；2)本发明对故障振动信号进行多尺度形态学操作，提取故障信号的冲击特征，然后进行频谱分析，能较好的达到解调的目的。与传统的解调分析比较，由于算法只涉及加减运算，不需要对信号进行绝对值、希尔伯特算子等运算，一方面可以减少由于算子运算产生的混频效应、加窗效应等，另一方面极大降低了算法的复杂度。而且还不需要对运算结果进行低通滤波，无需预先选择截止频率。

下面结合附图和实施例对本发明作进一步说明。

附图说明

图1是本发明的流程图。

图2为本发明中内圈故障滚动轴承加速度振动信号时域波形图。

图3为本发明中内圈故障滚动轴承加速度振动信号的多尺度形态学解调结果图。

图4为本发明中内圈故障滚动轴承加速度振动信号加入方差为2的随机白噪声后的信号时域波形图。

图5为本发明中加噪后内圈故障滚动轴承加速度振动信号的多尺度形态学解调结果图。

图6为本发明中加噪后内圈故障滚动轴承加速度振动信号的基于EMD的多尺度形态学解调结果图。

图7为本发明中断齿齿轮加速度振动时域波形图。

图8为本发明中断齿齿轮加速度振动信号的希尔伯特包络谱图。

图9为本发明中断齿齿轮加速度振动信号的基于EMD的多尺度形态学解调结果图。

具体实施方式

参见图1，图1是本发明的流程图。下面结合流程图对本发明的步骤作详细说明。

首先利用加速度探头对旋转机械如滚动轴承、齿轮箱等进行测量获得振动加速度信号；

采用EMD分解方法将获得的振动加速度信号分解为多个IMF(intrinsic modefunction)分量，EMD(empirical mode decomposition，)是经验模式分解；

从分解的IMF分量中选取包含故障主要信号的高频IMF分量(一般选取前三个IMF分量)，利用选取的IMF分量求和重构信号；

对重构信号进行多尺度形态学解调；其具体过程为：

1)设重构得到的信号为X，采用基于局部极值自适应搜索的方法，得到长度尺度λ_l的最大值和最小值分别为：

因此长度尺度λ_l＝{λ_lmin，λ_lmin+1，…，λ_lmax}，其中i_n为信号X的极值间隔，高度尺度λ_h定义为：

λ_h＝{β[p_nmin+j·(p_nmax-p_nmin)/(λ_lmax-λ_lmin)]}

式中j＝0，1，2...，λ_lmax-λ_lmin，其中p_nmin，p_nmax分别为信号X极值的最大和最小值，β是尺度的幅值系数，(0＜β＜1)，本发明取β＝1/3；

2)本发明中采用的结果元素B为三角形结构元素，即B＝[0，1，0]，利用步骤1自适应搜索得到结构元素尺度λ＝(λ_l，λ_h)，计算得到信号X对应的每个λB，设得到的结构元素为λB＝{λ_1B，λ_2B，...，λ_nB}，其中λ_1B，λ_2B，...，λ_nB分别是由式：λ_l＝{λ_lmin，λ_lmin+1，…，λ_lmax}按顺序计算得到的结构元素；

3)用结构元素λ_1B对重构得到的信号X进行形态学差值操作(简记为DIF操作)，即执行其中${{\mathrm{DIF}}_{\lambda }}_{1B}\left(X\right)={\lambda }_{1B}\mathrm{DIF}(X/{\lambda }_{1B}),$令得到的信号为x₁(t)，再用结构元素λ_2B对x₁(t)进行DIF操作，得到x₂(t)，重复上述过程，第n-1次得到x_n-1(t)，用λ_nB对x_n-1(t)进行DIF操作，得到信号x_n(t)；

4)对信号x_n(t)进行傅立叶分析，并作傅立叶频谱图；

根据傅立叶频谱图判断在旋转机械的故障特征频率处是否存在明显的峰值，若存在明显峰值，则判断该旋转机械发生故障，否则判断该旋转机械正常。

附图2.为一设置有内圈故障的6311型球滚动轴承加速度振动信号的波形图，该振动加速度信号由安装在轴承座上的加速度传感器来拾取，实验时设置轴的转频为25Hz，采样频率为4096Hz，其中内圈故障是通过激光切割在内圈上开槽来设置的，槽宽为0.15mm，槽深为0.13mm。经计算轴承的故障特征频率为99.4HZ。

附图3为附图2所示的内圈故障滚动轴承信号的多尺度形态学解调结果图，图3在故障特征频率及其倍频处都存在明显的峰值，即可判断该滚动轴承发生内圈故障，从而验证了多尺度形态学解调的有效性。

附图4为对附图2所示的滚动轴承加速度振动信号加入了方差为2的随机白噪声后的时域波形图，而附图5为其多尺度形态学解调结果图，从图5上无法判断该滚动轴承是否发生了故障，也就是说加入的随机白噪声影响了多尺度形态学的解调效果。

附图6为附图4所示信号的基于EMD的多尺度形态学解调结果图，从图6可看出在滚动轴承内圈故障特征频率处存在明显的峰值，可见信号经过EMD分解，再选取包含故障主要信息的前三个IMF分量进行重构可一定程度的消除噪声对多尺度形态学解调结果的影响。

附图7为一断齿齿轮加速度振动信号波形图，该断齿齿轮的齿数为37，转频为6Hz，实验时设置采样频率为1024Hz。

附图8为附图7所示的断齿齿轮的Hilbert包络谱图，从图7上很难判断该齿轮是否发生故障，但是用基于EMD的多尺度形态学解调方法处理该断齿齿轮振动加速度信号，解调谱如图9所示，在转频的二倍频处出现了明显的峰值谱线，这说明了基于EMD的多尺度形态学解调方法较Hilbert包络谱方法具有更好的解调效果。