一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法与流程

本发明属于齿轮箱故障识别技术领域，具体涉及一种基于频谱趋势和变分模态分解(vmd)的齿轮箱故障识别方法，它是一种基于频谱趋势(spectrumtrend)的多分量个数估计并以频谱趋势为基础来改进变分模态分解(variationalmodedecomposition,vmd)算法，用于多分量信号模态的提取。

背景技术：

齿轮箱振动信号具有复杂多分量和调幅调频(am-fm)的特点，幅值解调和频率解调方法能够避免传统fourier频谱中的复杂边带分析，有效识别故障特征频率。但是对于多分量am-fm信号有效的解调分析的一个前提就是提取有效的模态分量，小波变换(wavelettransform,wt)和经验模态分解(empiricalmodedecomposition,emd)都是运用比较广泛的模态分量提取方法。但是wt存在小波基的选择和小波基确定之后缺乏自适应性的问题，而emd是一种经验性的方法，缺乏完备的理论基础。

dragomiretski等人提出vmd多分量信号分解方法，该方法采用频域非递归的迭代求解方式，将信号分解转换成以模态分量的估计带宽之和最小为目标的变分方式。该方法将维纳滤波器内嵌在算法之中，具有较好的鲁棒性。

vmd方法在直接处理齿轮箱振动信号时，模态分量的个数需要预设，分量个数估计的过大或者过小都会造成振动信号分解的不合理，影响故障识别的精度。此外不同的中心频率初始化方式也会造成分解得到的模态分量在频谱上不同的分布，也会对故障识别造成不利影响。这些问题也影响了vmd方法在齿轮箱故障识别领域中的广泛运用。

技术实现要素：

针对现有技术中存在的上述问题，本发明专利的目的在于提供一种简便的、准确度高的基于频谱趋势和变分模态分解的齿轮箱故障识别方法，本发明的基于频谱趋势(spectrumtrend)的改进vmd方法，命名为st-vmd，并将其运用于齿轮箱故障诊断领域。

所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于包括如下步骤：

步骤1采集目标齿轮箱的振动信号；

步骤2采用基于频谱趋势的方式对变分模态分解方法进行改进，利用改进的变分模态分解方法对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量；

步骤3对获得的模态分量进行解调分析，获得各个模态信号的特征频率；

步骤4将特征频率与齿轮箱的各个齿轮转频进行对比，定位齿轮箱的故障源。

所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于；步骤2)采用基于频谱趋势的改进变分模态分解方法来对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量，具体步骤如下：

2.1)对振动信号进行fourier变换，获得振动信号的频谱；

2.2)利用经验模态分解(emd)算法对振动信号的频谱进行自适应性的分解，获得信号频谱的本征模态函数(imfs)及其残余；

2.3)对部分imfs和残余进行重构，获得振动信号的频谱趋势；

2.4)统计频谱趋势中的极大值个数m并将所有极大值的横坐标并归一化为xm；

2.5)设置模态个数估计量k＝m，初始的中心频率

2.6)利用步骤2.5)中设置的参数对振动信号进行变分模态分解，最终得到振动信号的各个模式函数。

所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于步骤2.3)中的部分imfs一般为最后4个或5个。

所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤3中的解调分析的方法包括基于hilbert变换的包络解调方法和基于teager能量算子的解调方法。

所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤2.5)中将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率。

通过采用上述技术，与现有技术相比，本发明的有益效果体现在：

1)本发明通过检测频谱趋势极大值个数，自适应地解决了vmd算法中模态个数预设的问题；

2)本发明通过将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率，使初始化的中心频率更符合振动信号频谱的分布，从而更具适应性；

3)本发明通过st-vmd方法分解得到的模态分量在频谱上的分布更加合理，提高了齿轮箱故障识别的精度。

附图说明

图1为本发明的基于改进变分模态分解的齿轮箱故障识别方法流程图；

图2为本发明的基于频谱趋势的改进变分模态分解算法流程图；

图3为本发明的汽车座椅水平驱动器(hdm)齿轮箱振动时域波形图；

图4为本发明的hdm齿轮箱振动信号傅里叶频谱图；

图5为本发明的傅里叶频谱的经验模态分解结果图；

图6为本发明的频谱趋势(幅值被乘以2)和振动信号的频谱图；

图7为本发明的各个模态分量时域图；

图8为本发明的各个模态分量频谱图；

图9为本发明的各个模态分量频谱分布图；

图10为本发明的st-vmd分解得到模态分量的解调分解结果图。

具体实施方式

以下结合说明书附图对本发明作进一步的描述，但本发明的保护范围并不仅限于此：

本发明基于频谱趋势和变分模态分解的齿轮箱故障识别方法，主要是针对原vmd方法在处理具有复杂多分量am-fm信号时，模态分量个数难以估计，以及分解得到的各个模态分量不合理的问题，提出了基于频谱趋势的改进变分模态分解(st-vmd)方法。该方法将时域信号的趋势概念引入到振动信号的频谱范围内，因此齿轮箱振动信号频谱的整体形态变化被考虑进来，并利用emd算法来提取振动信号的频谱趋势。频谱趋势每个波峰能够很好的反应一个am-fm信号，波峰的个数(或频谱趋势极大值的个数)即为需要预设的模态分量个数，同时将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率，提高初始化的中心频率的适应性，也使得分解得到的模态分量在频谱上的分布更加合理。

如图1所示，本发明的基于频谱趋势和变分模态分解的齿轮箱故障识别方法，具体步骤如下：

步骤1，采集齿轮箱的振动信号，对齿轮箱振动信号采用基于频谱趋势的方式对变分模态分解方法(st-vmd)进行改进，利用改进的变分模态分解方法对齿轮箱的振动信号进行分解，得到各个模态分量，其具体步骤如图2所示：

1.1)对齿轮箱振动信号进行傅里叶变换(fourier变换)，获得振动信号的频谱；

1.2)对步骤1.1)获得的频谱进行emd分解，获得若干模态分量imfs和残余；

1.3)将步骤1.2)中部分imfs和残余进行重构，获得振动信号的频谱趋势；

1.4)统计频谱趋势中的极大值个数m和所有极大值的横坐标并归一化为xm；

1.5)设置模态个数估计量k＝m，初始的中心频率

1.6)利用步骤1.5)中设置的参数对振动信号进行vmd分解，最终得到振动信号的各个模态分量；

步骤2，对步骤1中获得各个模态分量进行解调分析，得到特征频率，解调的方法可以是基于hilbert变换的包络解调方法，也可以是基于teager能量算子的解调方法，在本发明中，对于实际的齿轮箱振动信号，当获得的模态分量比较合理时，hilbert变换解调方法和能量算子解调方法均能获得较好的解调结果；

步骤3，将步骤2中解调分析获得的特征频率与齿轮箱中各个齿轮的转频进行比较，对故障源定位，从而实现齿轮箱的故障诊断。

实施例1

如图1-2所示，基于频谱趋势和变分模态分解的齿轮箱故障识别方法，包括如下步骤：

1)以采集的汽车座椅水平驱动器(horizontaldrivingmachine，hdm)齿轮箱的振动信号为例，其时域波形如图3所示，对其进行fourier变换，获得其信号频谱如图4所示；

2)利用emd算法对获得的hdm振动信号的频谱进行分解，获得的imfs和残余如图5所示；

3)对最后4个imfs和残余进行重构(即imf10～imf13与残余res之和)，获得其频谱趋势(为了清楚的显示，频谱趋势的幅值被乘以2)和振动信号的傅里叶频谱如图6所示；

4)检测到频谱趋势的极大值点的个数为7，将7个极大值点的横坐标进行归一化为xm；

5)设置模态个数估计量k＝7，初始的中心频率

6)利用步骤5)中设置的参数对振动信号进行vmd分解，最终得到振动信号的各个模式函数，各个模态分量的时域图如图7所示，各个模态分量的频谱图如图8所示，图9显示的是各个模态分量在频谱中的分布；

7)利用teager能量算子对各个模态分量进行解调，解调分析的结果如图10所示；

8)本发明图5、7、8、10中的纵坐标均为幅值，从图10可知，解调出来的特征频率约为53.5hz，因此可以判断转频约为53.5hz的齿轮存在故障。

本发明与原vmd算法相比，根据频谱趋势的极大值的个数，自适应的解决了模态分量需要预设的问题，此外利用极大值点的横坐标初始化的中心频率更加符合振动信号在频域的分布，分解得到的模态分量也更加合理，从而提高了齿轮箱故障识别的准确度。