CN108801630A - 单通道盲源分离的齿轮故障诊断方法 - Google Patents

Abstract

本发明公开了一种单通道盲源分离的齿轮故障诊断方法，涉及齿轮箱中齿轮故障诊断方法技术领域。所述方法利用单个加速器传感器采集齿轮箱的振动信号；对采集的单通道信号进行小波软阈值降噪；将降噪后的信号进行CEEMD分解，得到多个IMF分量和残余分量；采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；将选取的IMF分量和源信号作为盲源分离的输入信号，采用CICA方法提取目标信号；对提取的信号进行频谱分析，识别齿轮的故障特征。所述方法原理简单，容易实现，能够在强噪声下准确利用单通道测量信号进行齿轮故障诊断。

Description

单通道盲源分离的齿轮故障诊断方法

技术领域

本发明涉及齿轮箱故障诊断技术领域，尤其涉及一种单通道盲源分离的齿轮故障诊断方法。

背景技术

齿轮广泛应用于各类旋转机械设备当中，已成为设备最为关键的部件之一，因而对其进行故障诊断有着重要意义。目前诊断齿轮故障的主要方法是振动信号分析，但由于故障信号经常淹没在强噪声背景当中，如何成功提取出故障特征信息成为最关键的一步。齿轮的振动信号是非平稳信号，其常常是叠加有强噪声的，经典的基于傅立叶变换的滤波方法去除噪声已经不再有效。小波变换具有良好的时频局部化和多分辨率分析的特点，因而适用于非平稳信号和强噪声信号的处理，具备良好的降噪能力。

EMD算法直观简单，能够将信号分解为一系列固有模态函数，这些模态函数能够对输入信号进行不同尺度的描述，并且具有正交性、完备性以及自适应性等特点，处理非平稳信号有很大的优势。虽然EMD具有很多的优点，但其分解不稳定，存在模态混叠现象，导致某一个IMF分量包含不同尺度的信号，或者相似的尺度信号存在于不同IMF分量中，这使得EMD分解很有局限性。EEMD是EMD的改进方法，其对原始信号加入一定的白噪声，使得信号在不同尺度上具有连续性，这个方法需要多次加入不同的辅助白噪声，然后通过平均的方式消除引入噪声的影响，最终使分解过程具有抗噪特性，但仍无法完全消除模态混叠现象。CEEMD是基于EMD和EEMD提出的一种改进算法，采用正、负成对的形式加入辅助噪声，这样就能够很好地消除重构信号中的残余辅助噪声，而且加入的噪声集合次数可以很低，计算效率较高，进一步削弱了模态混叠的现象。

ICA是一种从混合信号中分离出具有独立统计特性的单个源信号的分离方法。由于其在分离过程中需要的独立源信号的先验信息很少，并且有明显的分离效果，ICA已在无线通信、语音处理和机械故障诊断等领域具有广泛的应用。在实际应用中，因为源信号次序不确定性和数目不容易确定等问题，限制了其在齿轮故障特征提取中的应用。近年来，在ICA基础上发展起来的CICA对其算法进行改进，将上述问题有效地解决，它在不需要知道源信号数量情况下，首先利用先验信息产生参考信号，进而提取出感兴趣的独立分量。

发明内容

本发明所要解决的技术问题是如何提供一种能够利用单通道的齿轮箱振动信号，来有效的提取出齿轮箱中齿轮故障信号的故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：一种单通道盲源分离

的齿轮故障诊断方法，其特征在于包括如下步骤：

对采集到的齿轮箱单通道振动信号进行小波软阈值降噪；

将降噪后的信号进行CEEMD分解，得到若干个IMF分量和残余分量；

采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；

将选取的IMF分量与源信号作为盲源分量的输入信号，采用CICA方法提取出目标信号；

对提取出的目标信号进行频谱分析，识别故障特征，完成齿轮故障的诊断。

进一步的技术方案在于，所述方法还包括：用单个加速度传感器采集齿轮箱振动信号。

进一步的技术方案在于，所述的进行小波软阈值降噪的方法包括如下步骤：

小波基函数与分解层数的选择：根据信号的特点选择小波基函数，小波基函数的正则性及波形与数据的结构相似程度会影响信号降噪的效果，symN小波基与机械振动波形相似，因此选择symN小波基函数来进行小波软阈值降噪；不同分解层数降噪效果不同，合理选择分解层数；

选择阈值并确定阈值函数：通过比较各个分解尺度下小波系数与阈值的大小，经过处理得到净化后的系数值；

小波重构：将小波低频系数和各层分解的高频系数进行重构，得到降噪后的信号。

进一步的技术方案在于，所述的将降噪后的信号进行CEEMD分解包括如下步骤：

向降噪预处理后的信号中加入n组辅助白噪声，辅助噪声是以正、负对的方式加入的，因此生成两套集合的IMF分量：

其中：S为降噪预处理后的信号；N为符合正态分布的白噪声；M₁、M₂分别为加入正、负成对噪声的信号；

对集合中的每一个信号分别做EMD分解，每个信号得到一组IMF分量，其中第i个信号的第j个IMF分量表示为c_ij；

通过多组分量组合的方式得到分解结果：

其中：c_j表示CEEMD分解最终得到的第j个IMF分量，n表示辅助白噪声的组数。

进一步的技术方案在于，所述的基于峭度和连续均方误差准则相结合的方法如下：

计算各IMF的峭度，当齿轮箱正常运转时，采集的振动信号幅值分布会近似于正态分布，因此其峭度值等于3，当齿轮存在故障时，峭度值会变大；

连续均方误差(CMSE)的准则，即:

其中，H为信号的总长度，r为分解的IMF数目；

根据下面两条原则确定临界的IMF分量：

如果CMSE在整体极小值前面存在局部极小值，那么取第一个局部极小值所对应的位置加1；

如果不存在局部极小值，则取整体最小值所对应的位置加1，包含故障信息多的是所临界IMF分量及其之后的IMF分量，将与峭度相结合选择有效的IMF分量。

进一步的技术方案在于，所述的采用CICA方法提取目标信号包括以下步骤：

基于齿轮的故障信号特征频率构造参考脉冲信号r(t)，将待提取的目标信号y和参考信号r(t)的距离函数定义为ε(y,r)，用来表示目标信号与参考信号的接近程度；ε(y,r)用均方误差ε(y,r)＝E{(y-r)}度量，CICA算法的数学模型如式(4)和式(5)所示：

目标函数：

max J(y)≈ρ{E[G(y)]-E[G(v)]} (4)

约束条件：

其中：ρ为正常数；G(·)为非线性函数；v为具有与y相同协方差矩阵的高斯变量；ξ为阈值；式(5)通过拉格朗日乘数法对其求解，可得到源信号的最佳估计，提取出所需的信号。

采用上述技术方案所产生的有益效果在于：所述方法使用小波软阈值进行降噪处理，能够有效的提高信噪比，使得盲源分离有良好的效果。通过CEEMD分解得到多路虚拟通道，利用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量，将其与源信号作为盲源分离的输入信号，通过CICA方法提取目标振动信号，识别故障特征，所述方法是一种有效的齿轮故障诊断方法。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例所述方法的流程图；

图2是本发明实施例中DDS实验台的结构图；

图3是本发明实施例中齿轮箱传动系统图；

图4是本发明实施例中故障齿轮位置图；

图5是本发明实施例中局部断齿的齿轮图；

图6a是原始采集信号时域图；

图6b是原始采集信号小波降噪后的时域图；

图7a是小波降噪后的信号幅值谱；

图7b是小波降噪后的信号包络谱；

图8是各IMF的峭度值；

图9是各IMF的CMSE；

图10是选出的合适IMF分量；

图11是参考信号及提取故障信号时域波形；

图12是提取故障信号的幅值谱；

图13是提取故障信号的包络谱。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

如图1所示，本发明实施例公开了一种单通道盲源分离的齿轮故障诊断方法，具体的实施方式包括以下步骤：

步骤1，用单个加速度传感器采集齿轮箱振动信号，对采集到的振动信号进行小波软阈值降噪；

步骤2，将降噪后的信号进行CEEMD分解，得到多个IMF分量和残余分量；

步骤3，采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；

步骤4，将选取的IMF分量与源信号作为盲源分量的输入信号，采用CICA方法提取出目标信号；

步骤5，对提取出的目标信号进行频谱分析，识别故障特征，完成齿轮故障的诊断。

所述的步骤1中，小波软阈值降噪方法包括如下步骤：

1-1)小波基函数与分解层数的选择：根据信号的特点选择小波基函数，小波基函数的正则性及波形与数据的结构相似程度会影响信号降噪的效果，symN小波基与机械振动波形相似，因此选择symN小波基函数来进行小波软阈值降噪；不同分解层数降噪效果不同，合理选择分解层数。

1-2)选择阈值并确定阈值函数：通过比较各个分解尺度下小波系数与阈值的大小，经过处理得到净化后的系数值。

1-3)小波重构：将小波低频系数和各层分解的高频系数进行重构，得到降噪后的信号。

所述的步骤2中，用CEEMD分解信号包括如下步骤：

向降噪预处理后的信号中加入n组辅助白噪声，辅助噪声是以正、负对的方式加入的，因此生成两套集合的IMF分量：

其中：S为降噪预处理后的信号；N为符合正态分布的白噪声；M₁、M₂分别为加入正、负成对噪声的信号；

对集合中的每一个信号分别做EMD分解，每个信号得到一组IMF分量，其中第i个信号的第j个IMF分量表示为c_ij；

通过多组分量组合的方式得到分解结果：

其中：c_j表示CEEMD分解最终得到的第j个IMF分量；n表示辅助白噪声的组数。

所述的步骤3中，基于峭度和连续均方误差准则相结合的方法如下：

计算各IMF的峭度，当齿轮箱正常运转时，采集的振动信号幅值分布会近似于正态分布，因此其峭度值等于3，当齿轮存在故障时，峭度值会变大。

连续均方误差(CMSE)的准则，即:

其中，H为信号的总长度，r为分解的IMF数目。

根据下面两条原则确定临界的IMF分量：如果CMSE在整体极小值前面存在局部极小值，那么应取第一个局部极小值所对应的位置加1；如果不存在局部极小值，则取整体最小值所对应的位置加1，包含故障信息比较多的是所临界IMF分量及其之后的IMF分量。将与峭度相结合选择有效的IMF分量；

所述步骤4中采用的CICA方法提取目标信号包括以下步骤：

基于齿轮的故障信号特征频率构造参考脉冲信号r(t)，将待提取的目标信号y和参考信号r(t)的距离函数定义为ε(y,r)，用来表示目标信号与参考信号的接近程度。ε(y,r)可用均方误差ε(y,r)＝E{(y-r)}度量，CICA算法的数学模型如式(4)和式(5)所示：

目标函数：

max J(y)≈ρ{E[G(y)]-E[G(v)]} (4)

约束条件：

其中：ρ为正常数；G(·)为非线性函数；v为具有与y相同协方差矩阵的高斯变量；ξ为阈值。式(5)实际上是一个约束优化问题，通过拉格朗日乘数法对其求解，可得到源信号的最佳估计，提取出目标源信号。

实施例1：

为了验证上述方法在的有效性，采用SpectraQuest公司设计的可模拟工业动力传动的故障诊断综合实验台(DDS)进行实验分析，见图2。该实验台动力传动系统由一个1级行星齿轮箱，一个2级平行轴齿轮箱，一个轴承负载和一个可编程的磁力制动器组成，齿轮箱的传动系统图如图3所示。

所述方法研究将齿轮局部故障设置在定轴齿轮箱的输出级Z6/Z7的主动轮Z6位置，如图4所示的位置，其它位置齿轮(含行星齿轮箱)及所有轴承均无故障。定轴齿轮箱齿轮Z6的单一故障设置为局部断齿故障，其中断齿的宽度约为齿宽的30％，如图5所示；电机输入转速为40Hz(2400r/min)，传递到平行齿轮箱中间轴的转频为2.537Hz，齿数为36，啮合频率为91.35Hz。利用DASP数据采集仪采集数据，采样频率为5120Hz，总采样时长为10s。

采集齿轮箱单通道的振动数据，，首先小波软阈值降噪进行预处理来提高信噪比，图6a-图6b为采集的时域源信号和降噪后的信号；图7a-7b为预处理后的幅值谱和包络谱，从幅值谱上可以看到明显峰值39.86Hz，接近电机输入转频40Hz，还可以看到接近中间轴上齿轮的啮合频率91.18Hz峰值，但是未出现明显的边频带，还有其他频率的影响，且包络谱中齿轮故障所在轴的转频依然不可分辨，可见利用小波软阈值可达到一定的降噪效果，但并不能直接有效地分辨出齿轮的故障特征。

进一步对初步降噪后的单通道信号进行CEEMD分解，得到10个IMF分量和一个残余分量。计算各IMF的峭度值和CMSE值，如图8和图9所示。由峭度图可看出IMF3、IMF5和IMF6峭度值是比较大的；从CMES图中用文中所述的原则选择合适的IMF为IMF3后的分量。综合考虑，最终判断IMF3、IMF5和IMF6属于振动模式分量，如图10所示。将选取出的IMF分量与源信号作为CICA的输入信号，经过CICA得到的参考信号和目标提取信号如图11所示。

对提取出的齿轮故障信号做幅值谱分析，如图12所示，可清楚观察到故障齿轮的啮合频率(理论值91.35Hz)及其两侧被转频2.53Hz调制的边频；做包络谱分析，如图13，可明显看到故障齿轮所在的中间轴转频(理论值2.53Hz)及其倍频成分。

本发明实施例子中的测试数据处理结果验证了该方法的有效性。

Claims (6)

1.一种单通道盲源分离的齿轮故障诊断方法，其特征在于包括如下步骤：

对采集到的齿轮箱单通道振动信号进行小波软阈值降噪；

将降噪后的信号进行CEEMD分解，得到若干个IMF分量和残余分量；

采用基于峭度和连续均方误差准则相结合的方法选取合适的IMF分量；

将选取的IMF分量与源信号作为盲源分量的输入信号，采用CICA方法提取出目标信号；

对提取出的目标信号进行频谱分析，识别故障特征，完成齿轮故障的诊断。

2.如权利要求1所述的单通道盲源分离的齿轮故障诊断方法，其特征在于所述方法还包括：用单个加速度传感器采集齿轮箱振动信号。

3.如权利要求1所述的单通道盲源分离的齿轮故障诊断方法，其特征在于所述的进行小波软阈值降噪的方法包括如下步骤：

小波基函数与分解层数的选择：根据信号的特点选择小波基函数，小波基函数的正则性及波形与数据的结构相似程度会影响信号降噪的效果，symN小波基与机械振动波形相似，因此选择symN小波基函数来进行小波软阈值降噪；不同分解层数降噪效果不同，合理选择分解层数；

选择阈值并确定阈值函数：通过比较各个分解尺度下小波系数与阈值的大小，经过处理得到净化后的系数值；

小波重构：将小波低频系数和各层分解的高频系数进行重构，得到降噪后的信号。

4.如权利要求1所述的单通道盲源分离的齿轮故障诊断方法，其特征在于所述的将降噪后的信号进行CEEMD分解包括如下步骤：

向降噪预处理后的信号中加入n组辅助白噪声，辅助噪声是以正、负对的方式加入的，因此生成两套集合的IMF分量：

其中：S为降噪预处理后的信号；N为符合正态分布的白噪声；M₁、M₂分别为加入正、负成对噪声的信号；

对集合中的每一个信号分别做EMD分解，每个信号得到一组IMF分量，其中第i个信号的第j个IMF分量表示为c_ij；

通过多组分量组合的方式得到分解结果：

其中：c_j表示CEEMD分解最终得到的第j个IMF分量，n表示辅助白噪声的组数。

5.如权利要求1所述的单通道盲源分离的齿轮故障诊断方法，其特征在于所述的基于峭度和连续均方误差准则相结合的方法如下：

计算各IMF的峭度，当齿轮箱正常运转时，采集的振动信号幅值分布会近似于正态分布，因此其峭度值等于3，当齿轮存在故障时，峭度值会变大；

连续均方误差(CMSE)的准则，即:

其中，H为信号的总长度，r为分解的IMF数目；

根据下面两条原则确定临界的IMF分量：

如果CMSE在整体极小值前面存在局部极小值，那么取第一个局部极小值所对应的位置加1；

如果不存在局部极小值，则取整体最小值所对应的位置加1，包含故障信息多的是所临界IMF分量及其之后的IMF分量，将与峭度相结合选择有效的IMF分量。

6.如权利要求1所述的单通道盲源分离的齿轮故障诊断方法，其特征在于：所述的采用CICA方法提取目标信号包括以下步骤：

基于齿轮的故障信号特征频率构造参考脉冲信号r(t)，将待提取的目标信号y和参考信号r(t)的距离函数定义为ε(y,r)，用来表示目标信号与参考信号的接近程度；ε(y,r)用均方误差ε(y,r)＝E{(y-r)}度量，CICA算法的数学模型如式(4)和式(5)所示：

目标函数：

maxJ(y)≈ρ{E[G(y)]-E[G(v)]} (4)

约束条件：

其中：ρ为正常数；G(·)为非线性函数；v为具有与y相同协方差矩阵的高斯变量；ξ为阈值；式(5)通过拉格朗日乘数法对其求解，可得到源信号的最佳估计，提取出所需的信号。