一种齿轮的故障诊断方法
【技术领域】
[0001] 本发明涉及机械故障检测领域，尤其涉及一种齿轮的故障诊断方法。
【背景技术】
[0002] 齿轮传动具有平稳、可靠、高效等特点，但由于受到工作环境恶劣、本身结构复杂 等因素的影响，使齿轮较容易发生故障，从而导致机械设备的停工停产，给企业带来很大的 损失。在齿轮测量装置中，加速度传感器获得的振动信号具备非线性、非平稳的特征。而傅 里叶变换信号处理方法是以信号平稳性为前提，无法有效的应用于非平稳的齿轮信号的分 析。
[0003] 近年来，信号处理领域出现了一系列针对非平稳信号的分解方法：短时傅里叶变 换、小波变换和经验模式分解等。小波变换具备多分辨率分析的特点，而且能够在时间和频 率两个领域表征信号的局部特征，基于上述优点，小波变换成为各类机械故障诊断最常用 的分解方法。但是，选择一个合适的小波基函数是小波分析面临的一个难题。经验模式分 解方法（EMD, Empirical Mode Decomposition)利用振动信号的时间特征尺度，对信号进 行自适应分解成不同的内蕴模式分量，经验模式分解方法已被广泛应用于齿轮故障诊断领 域。但是，EMD方法存在边缘效应、负频率问题等缺陷。
【发明内容】
[0004] 为了解决上述现有技术中存在的不足，本发明提供一种齿轮的故障诊断方法，该 诊断方法分类准确度高，诊断精度高。
[0005] 本发明解决上述技术问题所采用的技术方案为：一种齿轮的故障诊断方法，包括 以下步骤：
[0006] 首先，构建齿轮故障分类器。
[0007] 然后，获取未知齿轮的振动信号，并对该未知齿轮的振动信号进行分解，得到未知 齿轮的固有旋转分量，进一步计算得到未知齿轮的样本熵特征向量。
[0008] 最后，利用齿轮故障分类器对该未知齿轮的样本熵特征向量数据进行比对分类， 得到该未知齿轮故障类型的诊断结果。
[0009] 其中，构建齿轮故障分类器的具体步骤为：
[0010] ①利用加速度传感器获取齿轮正常情况和各类故障情况的加速度振动信号，作为 待分解信号。
[0011] ②对该齿轮待分解信号进行分析，具体步骤如下：
[0012] ②-1、首先定义一个基线提取因子，然后利用该基线提取因子从该待分解信号中 抽取一个基线信号，该待分解信号余下的信号成为一个固有旋转分量，表达式为：
[0013] Xt= LX t+(l-L)Xt= Lt+Ht
[0014] 式中，\为待分解信号，L为振动信号基线提取因子，L t= LX t为一次分解得到的 基线信号，Ht= (l-L)Xt为一次分解得到的高频成分固有旋转分量，定义一个固有旋转分量 提取算子Η，Η = 1-L，将上述一次分解得到的高频成分固有旋转分量Ht改写为HX t。
[0015] ②-2、将该一次分解得到的基线信号Lt作为新的待分解信号进行二次分解，三次 分解，…，P次分解，得到频率依次降低的固有旋转分量HLXt，HL2Xt，…，犯％和当前基线 信号LpXt，表达式为：
[0017] 式中，p为振动信号分解次数，k为取值在0到P-1之间的自然数，
为对待 分解信号Xt进行P次分解后得到的P个固有旋转分量之和。
[0018] ②-3、判断当前基线信号17心是否为一个单调信号或者一个幅值小于预设值的最 低频率基线信号，若是，则信号分解结束，若否，则重复步骤②-2。
[0019] ③按高频至低频获取至少一个齿轮振动信号固有旋转分量的样本熵特征向量，作 为齿轮的故障特征训练样本。
[0020] ④构建基于粒子群算法的Tikhonov支持向量机的齿轮故障分类器，利用该齿轮 的故障特征训练样本对齿轮故障分类器进行优化。
[0021] 所述的步骤①中获取齿轮正常情况和各类故障情况的加速度振动信号的具体步 骤包括：
[0022] 构建转子实验台：该实验台包括变速驱动电机、轴承、齿轮箱、轴、偏重转盘、调速 器，带有各类故障齿轮部件的系统机械部分，以及安装在所述轴上的加速度传感器；
[0023] 模拟齿轮各类故障：通过调节配重、部件安装位置以及组件的有机组合来进行模 拟；
[0024] 通过加速度传感器获取齿轮正常情况和各类故障情况的振动信号。
[0025] 所述的齿轮各类故障情况的振动信号包括：磨损故障齿轮振动信号、点蚀故障齿 轮振动信号、断齿故障齿轮振动信号。
[0026] 所述的步骤③中按高频至低频获取至少一个齿轮振动信号固有旋转分量的样本 熵特征向量的具体步骤包括：
[0027] ③-1、获取至少一个齿轮振动信号固有旋转分量，对获取的每个固有旋转分量进 行分析，计算该固有旋转分量信号局部的瞬时幅值：
[0029] 式中，假设该固有旋转分量信号局部波形为一个准正弦波周期信号，&为信号正 半波最大幅值，^为负半波最大幅值的绝对值，t为时间，t i为信号上过零点时刻，t 2为信 号正半周期幅值最大值时刻，t3为信号下过零点时刻，t 4为负半周幅值最小值时刻，t 5为结 束时刻。
[0030] ③_2、计算该固有旋转分量信号局部的瞬时相位：
[0032] 式中，xt为该固有旋转分量。
[0033] ③_3、对瞬时相位微分，得到该固有旋转分量信号局部的瞬时频率f :
[0034] 所述的步骤④中构建基于粒子群算法的Tikhonov支持向量机的齿轮故障分类 器，利用该齿轮的故障特征训练样本对齿轮故障分类器进行优化的具体步骤为：
[0035] ④-1、初始化粒子个数、惯性因子，其中粒子包括惩罚因子粒子λ和核函数宽度 参数粒子〇。
[0036] ④_2、设置粒子的初始位置和速度。
[0037] ④_3、将每个粒子、齿轮的故障特征训练样本带入Tikhonov支持向量机，根据适 应度函数计算适应度值。
[0038] ④_4、根据该适应度值，更新粒子的速度和位置。
[0039] ④-5、判断是否达到最大迭代次数，若是，则输出最优Tikhonov支持向量机的核 函数宽度参数σ、惩罚因子λ和适应度值，若否，则转到步骤④-3。
[0040] 所述的适应度函数为齿轮故障分类的正确率函数，相应的适应度值为齿轮故障分 类精度。
[0041] 所述的最优Tikhonov支持向量机的核函数宽度参数〇 = 1. 07,惩罚因子λ = 17. 5。
[0042] 与现有技术相比，本发明的一种齿轮的故障诊断方法的优点在于：
[0043] 1)本发明为一种局域波分解方法，因此时频分辨率不受时频不确定的影响，能够 得到更高的时间分辨率和频率分辨率。
[0044] 2)本发明方法能够分析非平稳信号，而与EMD方法相比，在分解固有旋转分量的 过程中，没有复杂的筛选和样条插值过程，计算复杂度比较低，信号分解效率高。
[0045] 3)与现有的EMD方法边缘效应随着信号分解不断向内部数据传输相比，本发明方 法振动信号分解的边缘效应只出现在信号的第一个上过零点时刻之前，即正弦波信号首次 从负半轴到正半轴经过零点时刻之前，不会随着信号分解不断传输，提高信号分解质量。
[0046] 4)固有旋转分量瞬时幅值和瞬时频率系列的复杂性和不规则性能实时反映故障 信号的发生，而样本熵是衡量系列复杂性的一个重要指标，是基于近似熵的一种改进，由此 本发明方法更少依赖时间系列的长度，本发明的齿轮故障特征向量更能反映故障信号的变 化。
【附图说明】
[0047] 图1为本发明一种齿轮的故障诊断方法的流程图；
[0048] 图2为正常齿轮振动信号；
[0049] 图3为磨损故障齿轮振动信号；
[0050]