一種齒輪的故障診斷方法
【技術領域】
[0001] 本發明涉及機械故障檢測領域，尤其涉及一種齒輪的故障診斷方法。
【背景技術】
[0002] 齒輪傳動具有平穩、可靠、高效等特點，但由于受到工作環境惡劣、本身結構復雜 等因素的影響，使齒輪較容易發生故障，從而導致機械設備的停工停產，給企業帶來很大的 損失。在齒輪測量裝置中，加速度傳感器獲得的振動信號具備非線性、非平穩的特征。而傅 里葉變換信號處理方法是以信號平穩性為前提，無法有效的應用于非平穩的齒輪信號的分 析。
[0003] 近年來，信號處理領域出現了一系列針對非平穩信號的分解方法：短時傅里葉變 換、小波變換和經驗模式分解等。小波變換具備多分辨率分析的特點，而且能夠在時間和頻 率兩個領域表征信號的局部特征，基于上述優點，小波變換成為各類機械故障診斷最常用 的分解方法。但是，選擇一個合適的小波基函數是小波分析面臨的一個難題。經驗模式分 解方法（EMD, Empirical Mode Decomposition)利用振動信號的時間特征尺度，對信號進 行自適應分解成不同的內蘊模式分量，經驗模式分解方法已被廣泛應用于齒輪故障診斷領 域。但是，EMD方法存在邊緣效應、負頻率問題等缺陷。
【發明內容】
[0004] 為了解決上述現有技術中存在的不足，本發明提供一種齒輪的故障診斷方法，該 診斷方法分類準確度高，診斷精度高。
[0005] 本發明解決上述技術問題所采用的技術方案為：一種齒輪的故障診斷方法，包括 以下步驟：
[0006] 首先，構建齒輪故障分類器。
[0007] 然后，獲取未知齒輪的振動信號，并對該未知齒輪的振動信號進行分解，得到未知 齒輪的固有旋轉分量，進一步計算得到未知齒輪的樣本熵特征向量。
[0008] 最后，利用齒輪故障分類器對該未知齒輪的樣本熵特征向量數據進行比對分類， 得到該未知齒輪故障類型的診斷結果。
[0009] 其中，構建齒輪故障分類器的具體步驟為：
[0010] ①利用加速度傳感器獲取齒輪正常情況和各類故障情況的加速度振動信號，作為 待分解信號。
[0011] ②對該齒輪待分解信號進行分析，具體步驟如下：
[0012] ②-1、首先定義一個基線提取因子，然后利用該基線提取因子從該待分解信號中 抽取一個基線信號，該待分解信號余下的信號成為一個固有旋轉分量，表達式為：
[0013] Xt= LX t+(l-L)Xt= Lt+Ht
[0014] 式中，\為待分解信號，L為振動信號基線提取因子，L t= LX t為一次分解得到的 基線信號，Ht= (l-L)Xt為一次分解得到的高頻成分固有旋轉分量，定義一個固有旋轉分量 提取算子Η，Η = 1-L，將上述一次分解得到的高頻成分固有旋轉分量Ht改寫為HX t。
[0015] ②-2、將該一次分解得到的基線信號Lt作為新的待分解信號進行二次分解，三次 分解，…，P次分解，得到頻率依次降低的固有旋轉分量HLXt，HL2Xt，…，犯％和當前基線 信號LpXt，表達式為：
[0017] 式中，p為振動信號分解次數，k為取值在0到P-1之間的自然數，
為對待 分解信號Xt進行P次分解后得到的P個固有旋轉分量之和。
[0018] ②-3、判斷當前基線信號17心是否為一個單調信號或者一個幅值小于預設值的最 低頻率基線信號，若是，則信號分解結束，若否，則重復步驟②-2。
[0019] ③按高頻至低頻獲取至少一個齒輪振動信號固有旋轉分量的樣本熵特征向量，作 為齒輪的故障特征訓練樣本。
[0020] ④構建基于粒子群算法的Tikhonov支持向量機的齒輪故障分類器，利用該齒輪 的故障特征訓練樣本對齒輪故障分類器進行優化。
[0021] 所述的步驟①中獲取齒輪正常情況和各類故障情況的加速度振動信號的具體步 驟包括：
[0022] 構建轉子實驗臺：該實驗臺包括變速驅動電機、軸承、齒輪箱、軸、偏重轉盤、調速 器，帶有各類故障齒輪部件的系統機械部分，以及安裝在所述軸上的加速度傳感器；
[0023] 模擬齒輪各類故障：通過調節配重、部件安裝位置以及組件的有機組合來進行模 擬；
[0024] 通過加速度傳感器獲取齒輪正常情況和各類故障情況的振動信號。
[0025] 所述的齒輪各類故障情況的振動信號包括：磨損故障齒輪振動信號、點蝕故障齒 輪振動信號、斷齒故障齒輪振動信號。
[0026] 所述的步驟③中按高頻至低頻獲取至少一個齒輪振動信號固有旋轉分量的樣本 熵特征向量的具體步驟包括：
[0027] ③-1、獲取至少一個齒輪振動信號固有旋轉分量，對獲取的每個固有旋轉分量進 行分析，計算該固有旋轉分量信號局部的瞬時幅值：
[0029] 式中，假設該固有旋轉分量信號局部波形為一個準正弦波周期信號，&為信號正 半波最大幅值，^為負半波最大幅值的絕對值，t為時間，t i為信號上過零點時刻，t 2為信 號正半周期幅值最大值時刻，t3為信號下過零點時刻，t 4為負半周幅值最小值時刻，t 5為結 束時刻。
[0030] ③_2、計算該固有旋轉分量信號局部的瞬時相位：
[0032] 式中，xt為該固有旋轉分量。
[0033] ③_3、對瞬時相位微分，得到該固有旋轉分量信號局部的瞬時頻率f :
[0034] 所述的步驟④中構建基于粒子群算法的Tikhonov支持向量機的齒輪故障分類 器，利用該齒輪的故障特征訓練樣本對齒輪故障分類器進行優化的具體步驟為：
[0035] ④-1、初始化粒子個數、慣性因子，其中粒子包括懲罰因子粒子λ和核函數寬度 參數粒子〇。
[0036] ④_2、設置粒子的初始位置和速度。
[0037] ④_3、將每個粒子、齒輪的故障特征訓練樣本帶入Tikhonov支持向量機，根據適 應度函數計算適應度值。
[0038] ④_4、根據該適應度值，更新粒子的速度和位置。
[0039] ④-5、判斷是否達到最大迭代次數，若是，則輸出最優Tikhonov支持向量機的核 函數寬度參數σ、懲罰因子λ和適應度值，若否，則轉到步驟④-3。
[0040] 所述的適應度函數為齒輪故障分類的正確率函數，相應的適應度值為齒輪故障分 類精度。
[0041] 所述的最優Tikhonov支持向量機的核函數寬度參數〇 = 1. 07,懲罰因子λ = 17. 5。
[0042] 與現有技術相比，本發明的一種齒輪的故障診斷方法的優點在于：
[0043] 1)本發明為一種局域波分解方法，因此時頻分辨率不受時頻不確定的影響，能夠 得到更高的時間分辨率和頻率分辨率。
[0044] 2)本發明方法能夠分析非平穩信號，而與EMD方法相比，在分解固有旋轉分量的 過程中，沒有復雜的篩選和樣條插值過程，計算復雜度比較低，信號分解效率高。
[0045] 3)與現有的EMD方法邊緣效應隨著信號分解不斷向內部數據傳輸相比，本發明方 法振動信號分解的邊緣效應只出現在信號的第一個上過零點時刻之前，即正弦波信號首次 從負半軸到正半軸經過零點時刻之前，不會隨著信號分解不斷傳輸，提高信號分解質量。
[0046] 4)固有旋轉分量瞬時幅值和瞬時頻率系列的復雜性和不規則性能實時反映故障 信號的發生，而樣本熵是衡量系列復雜性的一個重要指標，是基于近似熵的一種改進，由此 本發明方法更少依賴時間系列的長度，本發明的齒輪故障特征向量更能反映故障信號的變 化。
【附圖說明】
[0047] 圖1為本發明一種齒輪的故障診斷方法的流程圖；
[0048] 圖2為正常齒輪振動信號；
[0049] 圖3為磨損故障齒輪振動信號；
[0050]