专利名称：基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法
技术领域：
本发明属于设备状态监测与诊断技术领域，涉及一种用于齿轮传动运行状态故障监测与诊断的方法，具体涉及一种基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法。
背景技术：
随着大型化、连续化工业设备的发展，对齿轮系统的监测诊断提出了更高的要求，不仅要提高简单齿轮系统的诊断质量，而且对各种复杂结构齿轮系统也提出了诊断测试需求，如重型机床、新型高速压缩机的齿轮变速箱、钢铁行业的高炉布料器炉顶齿轮箱、炼钢厂的大包回转台齿轮系统以及钢包倾翻台减速齿轮箱等。这些复杂结构齿轮系统的工作环境恶劣，且结构复杂、传动链长，使得传感器的安装非常困难，甚至难以实现(如高炉布料器炉顶齿轮箱)，导致基于振动方法的齿轮故障诊断技术难以实施。而现有非接触检测方法受现场工况的影响较大，因此，对上述复杂结构齿轮系统的诊断已成为传统诊断方法难以分析处理的盲点。
作为传动机构，齿轮箱由电机驱动传递扭据，通常采用定子电流信号分析法对电机故障进行诊断，该方法是基于电机定子与转子间的电磁耦合，将电机转子和定子的故障信息反映在定子电流中，再通过对电机电流信号的频谱分析实现电机定子、转子以及偏心故障的诊断，甚至可以识别电机滚动轴承的状态。因此，由电机拖动的齿轮系统中存在的齿轮缺陷也会对电机转子的运行产生影响，即导致电机定转子间电磁耦合的变化，从而将齿轮故障信息反映在定子电流信号中，且电流信号具有非接触和远距离检测的特点。与振动和其他非测量方式相比，定子电流信号检测为解决复杂结构齿轮系统故障诊断提供了一种可能的手段。
根据齿轮系统的传动规律，齿轮箱输出轴的运动表征为振动调制特性，并传递给电机转子，在定子、转子气隙磁耦合的作用下，调制信号在定子电流中表现为进一步的被调制，这样通过机电磁的作用形成多次调制，并在电机谐波频率的影响下，使得齿轮系统振动源信息在电流信号中表现为复杂调制现象，显然传统的希尔伯特解调方法并不能从电机定子电流信号中有效提取出反映齿轮系统状态的复杂频率成分。为了解决复杂结构齿轮系统的监测诊断难题，迫切需要新的齿轮振动复杂解调方法。
发明内容
为了克服上述现有技术中存在的问题，本发明的目的是提供一种基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法，能从检测到的电机定子电流信号中有效提取出由该电机拖动的复杂结构齿轮系统产生的复杂频率，实现对该复杂结构齿轮系统的监测诊断。
本发明所采用的技术方案是，基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法，以齿轮传动链中驱动电机的定子电流信号为基础，利用循环自相关函数的解调性，通过熵优化对应的循环频率处理，进行循环自相关函数的切片解调，得到包含该循环频率成分及其倍频的解调谱，并在该解调谱的基础上进行频谱校正，得到复杂齿轮系统的准确诊断结果，该解调方法按以下步骤进行 步骤1采用电流传感器采集齿轮传动链中驱动电机的电流信号，利用傅立叶变换得到该电流信号的循环平稳频谱图； 步骤2计算步骤1所得循环平稳频谱图在循环频率下切片谱图的熵值S(P)，该熵值S(P)通过以下公式计算得到 设P(p1，p2，…，pn)为一不确定的概率分布，k为任一常数，则该概率分布P(p1，p2，…，pn)范围内的熵值S(P)为 式中，pi为第i个信息状态出现的概率，-lnpi是第i个信息状态出现时带来的信息量，S(P)为熵值，表征了第i个信息状态的信息量的大小； 步骤3根据步骤2计算出的熵值绘制熵值曲线； 步骤4利用排序方法，将步骤3绘制的熵值曲线进行排序，并确定出熵值曲线中的熵极小值点，然后，通过步骤3的熵值曲线得到该熵极小值点的特征切片循环频率S(Ps) S(Ps)＝min[S(Pi)] 其中S(Ps)为熵极小值，Ps为熵极小值点，S(Pi)为各频率处的熵值； 步骤5在步骤1的循环平稳频谱图中找到与步骤4得到的特征切片循环频率对应的相应频率，则该相应频率的切片图即为特征切片频率谱； 步骤6采用频谱校正法，通过理论计算，对步骤4得到的特征切片循环频率的差值进行误差校正，并根据校正误差后的特征切片循环频率对步骤5中的特征切片频率谱进行校正，获得准确频率幅值； 步骤7根据步骤6得到的准确频率幅值，得到故障频率的特征信息。
本发明解调方法，具有如下优点 1.基于电机电流信息准确把握齿轮系统的运行状态和故障，可以消除齿轮系统状态监测和故障诊断的盲点。
2.采用特定周期信号的相关提取思路，为解决复杂调制信号的特征成分提供了可行的手段和方法，针对复杂调制的解调难题，采用能对复杂的多组幅值调制信号进行解调分析的循环平稳方法。
3.基于最优熵原理，能方便地求出三维循环谱图中各循环频率，解决了使用循环平稳方法对电流信号进行处理时，信号成分复杂性增加(如频率成分多，分布范围较大等)，其三维谱图变得复杂的问题。
4.利用频谱校正方法对优化的循环谱进行循环谱峰的校正。
图1是本发明实施例中高炉布料溜槽齿轮传动系统的结构示意图。
图2是采集的图1所示齿轮传动系统中溜槽旋转电机的驱动电流信号频谱图。
图3是图2中50Hz处频谱的局部放大图。
图4是将50Hz附近细化10倍后的幅值谱放大图。
图5是图1所示齿轮传动系统的溜槽旋转电机电流信号11Hz处频带的熵值曲线图。
图6是11.1Hz频率处的切片谱图。
图7是29.6Hz频率处切片谱图 图1中，1.第一齿轮，2.第二齿轮，3.第三齿轮，4.齿圈，5.第四齿轮，6.第五齿轮，7.第一蜗轮，8.蜗杆，9.第六齿轮，10.第七齿轮，11.第八齿轮，12.第九齿轮，13.第十齿轮，14.第十一齿轮，15.第十二齿轮，16.第十三齿轮，17.传动丝杠，18.第二蜗轮，19.第十四齿轮，20.第十五齿轮，21.溜槽旋转电机，22.溜槽倾动电机，23.布料溜槽，24.溜槽中心线。
具体实施例方式 下面结合附图和具体实施方式
对本发明进行详细说明。
本发明解调方法以齿轮传动链中驱动电机的定子电流信号为基础，利用循环自相关函数的解调性，通过熵优化对应的循环频率处理，进行循环自相关函数的切片解调，得到包含该循环频率成分及其倍频的解调谱，并在该解调谱的基础上进行频谱校正，得到复杂齿轮系统的准确诊断结果。
对复杂齿轮传动链驱动电机的定子电流信号，采用循环平稳分析进行解调，由于电流信号中的调制分量微弱，循环频率的准确程度决定了解调效果，因此，本解调方法基于最大熵的优化策略快速准确地定位循环频率，实现复杂调制电流信号的解调。
本发明解调方法，按以下步骤进行 步骤1采用电流传感器采集齿轮传动链中驱动电机的电流信号，利用傅立叶(Fourier)变换得到该电流信号的循环平稳频谱图；优点是对信号的循环自相关函数作傅立叶(Fourier)变换，得到循环谱密度函数循环统计方法谱具有相关特性，使其具有抑制噪声和干扰信号的能力； 步骤2计算步骤1所得循环平稳频谱图在循环频率下切片谱图的熵值S(P)，该熵值S(P)通过以下公式计算得到 设P(p1，p2，…，pn)为一不确定的概率分布，k为任一常数，则该概率分布P(p1，p2，…，pn)范围内的熵值S(P)为 式中，pi为第i个信息状态出现的概率，-lnpi是第i个信息状态出现时带来的信息量，S(P)为熵值，表征了第i个信息状态的信息量的大小； 在给定约束条件下，可以从所有可能的相容分布中，挑选出熵值最大时的概率分布，这就是提出的最大熵原理PME(Principle of Maximum Entropy)。最不确定的概率分布(等概率分布)具有最大的熵值，同时，概率分布越接近这种等概率分布，其熵值也就越大，反过来讲，概率分布越偏离等概率分布，信息熵就越小，信息熵的大小反映了概率分布的均匀性。在频谱图中谱线越稀疏，说明信号能量集中在少数谱线上，这样，可以利用信息熵对谱图中能量分布的均匀性进行刻画。
步骤3利用步骤2计算出的各循环频率下的熵值，并根据该各循环频率下的熵值绘制熵值曲线； 循环平稳分析中，当特征频率作为切片频率时，谱线能量集中于特征分量上，而当非特征频率作为切片频率时，谱线能量近似于均匀分布。根据最大熵原理，可以很方便地求出三维循环谱图中各循环频率所对应的二维谱图中的熵值，特征频率及其交叉频率的循环平稳切片谱图熵值较小，否则熵值较大。
步骤4利用排序方法，对步骤3绘制的熵值曲线进行排序，并确定出步骤3绘制的熵值曲线中的熵极小值点，然后，通过步骤3的熵值曲线得到该熵极小值点的特征切片循环频率S(Ps) S(Ps)＝min[S(Pi)] 其中S(Ps)为熵极小值，Ps为熵极小值点，S(Pi)为各频率处的熵值； 在循环谱图的熵曲线中，熵极小值点分别对应信号中特征频率点和特征频率之间的混频点。因此，可以根据熵极小值点确定出特征切片循环频率，以提高特征频率的搜索效率。
步骤5在步骤1的循环平稳频谱图中找到与步骤4得到的特征切片循环频率对应的相应频率，该相应频率的切片图即为特征切片频率谱，步骤4确定的熵极小值频率点即为最优循环频率点， 非零的循环频率可以刻画信号的循环平稳性，循环频率及其倍频构成循环谱。在实际使用时采用的是循环平稳频谱图(三维谱图)与二维切片图相结合的方式提取信号中的特征频率成分。
步骤6采用频谱校正法，通过理论计算，对步骤4得到的特征切片循环频率的差值进行误差校正，并根据校正误差后的特征切片循环频率对步骤5中的特征切片频率谱进行校正，获得准确频率幅值； 对于单频率谐波信号的离散频谱分析，不论是频率、幅值还是相位一般都可能存在误差。单频率谐波信号的误差适用于电流信号频谱分析。
步骤7根据步骤6得到的准确频率幅值，得到故障频率的特征信息。
实施应用案例 炼钢厂某高炉布料系统，利用物料钟炉顶技术及设备对料流进行控制。并采用控制重量的方法控制料流，取代了一直沿用的通过控制体积和时间来控制料流的方法，对改善高炉布料，提高炉顶压力，充分利用煤气的化学能和热能，以及延长高炉寿命起到了重要作用。
该高炉布料系统的布料溜槽需灵活运动布料，使得该布料溜槽通过复杂的齿轮传动系统驱动。因此，为了更好地应用物料钟炉顶技术及设备，保障产品的产量及质量，需对该布料系统中驱动布料溜槽运动的齿轮传动系统进行监测与早期故障诊断。由于高炉现场条件非常复杂，工况比较恶劣，无法在高炉回转齿轮箱上安装振动传感器，导致传统的振动分析法不适用该高炉齿轮传动系统状态的监测。
电流信号分析法具有信号获取方便、信噪比高及信息集成度高的特点，将其应用于炉顶复杂齿轮箱的状态监测，即采用电流信号分析法对炉顶齿轮传动系统进行监测，采集的电机的电流信号，然后，采用基于熵优化的循环平稳分析方法，对采集的旋转电机的电流信号进行解调，从该电流信号中提取炉顶齿轮传动链的特征频率。
如图1所示，上述炼钢高炉布料溜槽齿轮传动系统的传动机构，包括溜槽旋转电机21和溜槽倾动电机22，溜槽旋转电机21驱动第一齿轮1，第一齿轮1将动力和扭矩依次通过第二齿轮2、第三齿轮3、第六齿轮9、第七齿轮10和第八齿轮11传至第九齿轮12，第九齿轮12通过传动丝杠17将动力传递给布料溜槽24，驱动布料溜槽24沿溜槽中心线25旋转。
溜槽倾动电机22驱动蜗杆8旋转，蜗杆8将动力和扭矩依次通过第一蜗轮7、第五齿轮6、第四齿轮5、齿圈4、第十齿轮13、第十一齿轮14和第十二齿轮15传至第十三齿轮16，第十三齿轮16将动力传递给第二蜗轮18，第二蜗轮18依次通过蜗杆与第十四齿轮19将动力和扭矩传给第十五齿轮20，驱动布料溜槽24倾动。
下面布料溜槽24传动系统的运动进行分析及特征频率计算。
溜槽旋转电机21将动力与运动通过定轴轮系传给第九齿轮12，使布料溜槽24旋转。因而，溜槽旋转速度nR为
式中，n旋为溜槽旋转电机的转速，负号表示nR与n旋转动方向相反，n12表示第九齿轮12的转速，Z1、Z2、Z9、Z10、Z11和Z12分别表示第一齿轮1、第二齿轮2、第六齿轮9、第七齿轮10、第八齿轮11和第九齿轮12的齿数。
布料溜槽24的倾动则受溜槽旋转电机21和溜槽倾动电机22同时作用。溜槽旋转电机21驱动第五齿轮6、第四齿轮5和齿圈4构成的行星机构中的齿圈4旋转，溜槽倾动电机22经由蜗杆8和第一蜗轮7将动力传至该行星机构中的第五齿轮6，带动第十齿轮13旋转，得到下列速度关系
式中，n6和n7分别表示和第一蜗轮7的转速，Z7和Z8分别为第一蜗轮7齿数和蜗杆8的头数，n倾为溜槽倾动电机22的转速。
式中，n4表示齿圈4的转速，Z1、Z2、Z3和Z4外分别表示第一齿轮1的齿数、第二齿轮2的齿数、第三齿轮3的齿数和齿圈4外齿的齿数。
由齿轮链结构传动关系可以得到
式中，n13为第十齿轮13的转速，Z6和Z4内分别表示第五齿轮6的齿数与齿圈4内齿的齿数。
式中，n14为第十一齿轮14的转速，Z13和Z14分别表示第十齿轮13的齿数和第十一齿轮14的齿数。
第十齿轮13将溜槽倾动电机22传来的动力依次通过第十一齿轮14、第十二齿轮15、第十三齿轮16、第二蜗轮18和第十四齿轮19传给第十五齿轮20。第九齿轮12、第十一齿轮14和第十二齿轮15组成一组差动轮系，根据差动轮系传动原理，得到布料溜槽24的倾动速度nT为
采用基于熵优化的循环平稳分析方法对上述布料溜槽传动系统的状态进行检测和分析 a.对溜槽旋转电机21电源的B相电流进行采样，采样频率为2500Hz，将采集到的采样信号进行幅值谱分析，得到如图2所示的幅值谱图，而在如图3所示的信号50Hz附近局部放大谱图中，粗略可以判断存在一些调制分量；然而，各个谱峰完全叠加在一起，存在严重的泄漏和干涉影响，因此，需首先采用频谱细化方法对幅值谱图中相邻分量进行分离。
b.采用基于复解析带通滤波器的复调制细化选带频谱分析方法，对图2所示的幅值谱图细化10倍，得到如图4所示的细化后50Hz附近频带放大图，与图3所示图谱相比，信号频率分量得到了一定程度的分离，因此各个调制分量也得以显现，这也证明了在图3中，因为泄漏和谱线干涉严重，呈现的调制分量并不准确。
c.由于布料系统拥有多种布料方式，对应不同的倾动电机转速，而且是不断调整的，所以造成多对齿轮特征频率未知。图4是采用基于复解析带通滤波器的复调制细化选带频谱分析方法，对幅值谱细化10倍，得到细化后50Hz附近频带放大图。在图4中，对应齿轮对的比较明显的调制分量是18.5Hz、11Hz和25Hz。由公式(1)——(6)计算啮合频率可知，25Hz调制分量对应于与溜槽旋转电机21相连的第一齿轮1的回转频率，18.5Hz调制分量对应于第九齿轮12与第八齿轮11的啮合频率，11Hz调制分量对应第十齿轮13和第十一齿轮14的啮合频率。
d.根据以上分析，在预知频率范围11Hz频率周围频带10.8～11.3Hz(按照3σ定理，当步长等于0.1时，设σ＝0.1)做循环谱图熵值曲线图。信息熵的大小反映了概率分布的均匀性，在频谱图中谱线越稀疏，说明信号能量集中在少数谱线上，这样，可以利用信息熵对谱图中能量分布的均匀性进行刻画。如图5所示，图中显示在11.1Hz处有最小熵值，且11.1Hz相对主频较小能量最为集中，这样说明该频率为调制频率。
e.采用循环平稳特征分离技术对采集的溜槽旋转电机21电源的B相电流信号进行分析，可以得到以上采样信号的另外两个明显调制分量为循环频率时的循环谱图，具有与11.1Hz切片谱图(如图6)相似的结果，调制分量非常明显。
f.根据循环平稳分析原理，在三个主要调制频率的交叉频率处也应该有相应峰值存在，因此在29.6Hz(11.1+18.5)、7.4Hz(18.5-11.1)、36Hz(11.1+24.9)、13.8Hz(24.9-11.1)、43.4Hz(18.5+24.9)和6.4Hz(24.9-18.5)循环频率处分别做二维循环平稳分析，其中29.6Hz频率处的切片谱图如图7所示，图中显示，所得结果和理论分析结果完全吻合。
因此，采用基于熵优化的循环平稳解调方法可以快速有效地分离出调制源，在循环谱图中可以很好地提取出调制信息。
本发明解调方法基于循环平稳解调分析能对复杂的多调制信号进行解调分析的特点，结合熵优化技术，对驱动电机的电流特征信号进行解调分离，并提取电机故障的特征信息，对齿轮传动系统运行状态进行故障监测与诊断，不仅解决了复杂齿轮传动系统状态监测的实施性问题，也为传动系统运行故障检测及精度保持提供一种新的、高效的解决途径。
权利要求
1.基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法，以齿轮传动链中驱动电机的定子电流信号为基础，利用循环自相关函数的解调性，通过熵优化对应的循环频率处理，进行循环自相关函数的切片解调，得到包含该循环频率成分及其倍频的解调谱，并在该解调谱的基础上进行频谱校正，得到复杂齿轮系统的准确诊断结果，其特征在于，该解调方法按以下步骤进行
步骤1采用电流传感器采集齿轮传动链中驱动电机的电流信号，利用傅立叶变换得到该电流信号的循环平稳频谱步骤2计算步骤1所得循环平稳频谱图在循环频率下切片谱图的熵值S(P)，该熵值S(P)通过以下公式计算得到
设P(p1，p2，…，pn)为一不确定的概率分布，k为任一常数，则该概率分布P(p1，p2，…，pn)范围内的熵值S(P)为
式中，pi为第i个信息状态出现的概率，-ln pi是第i个信息状态出现时带来的信息量，S(P)为熵值，表征了第i个信息状态的信息量的大小；
步骤3根据步骤2计算出的熵值绘制熵值曲线；
步骤4利用排序方法，将步骤3绘制的熵值曲线进行排序，并确定出熵值曲线中的熵极小值点，然后，通过步骤3的熵值曲线得到该熵极小值点的特征切片循环频率S(Ps)
S(Ps)＝min[S(Pi)]
其中S(Ps)为熵极小值，Ps为熵极小值点，S(Pi)为各频率处的熵值；
步骤5在步骤1的循环平稳频谱图中找到与步骤4得到的特征切片循环频率对应的相应频率，则该相应频率的切片图即为特征切片频率谱；
步骤6采用频谱校正法，通过理论计算，对步骤4得到的特征切片循环频率的差值进行误差校正，并根据校正误差后的特征切片循环频率对步骤5中的特征切片频率谱进行校正，获得准确频率幅值；
步骤7根据步骤6得到的准确频率幅值，得到故障频率的特征信息。
全文摘要
基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法，采集齿轮传动链中驱动电机的电流信号，利用傅立叶变换得到该电流信号的循环平稳频谱图；计算该循环平稳频谱图在循环频率下切片谱图的熵值并绘制熵值曲线；确定熵值曲线中的熵极小值点和该熵极小值点的特征切片循环频率；在循环平稳频谱图中找到与该特征切片循环频率对应的相应频率，确定特征切片频率谱；采用频谱校正法，对特征切片循环频率的差值进行误差校正，并对特征切片频率谱进行校正，获得准确频率幅值；根据该准确频率幅值，得到故障频率的特征信息。本发明解调方法对驱动电机的电流特征信号进行解调分离，提取电机故障的特征信息，对齿轮传动系统运行状态进行故障监测与诊断。
文档编号G01R23/16GK101762746SQ20091025457
公开日2010年6月30日 申请日期2009年12月29日 优先权日2009年12月29日
发明者徐光华, 刘飞, 梁霖, 马天伟 申请人:西安交通大学