一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法

摘要

一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法，将声发射传感器安装在齿轮箱设备需要监测的部位，一般选择齿轮箱轴承座处，用以采集齿轮箱工作状态下的声发射信号。选取不同信噪比的含噪信号进行不同分解层数下奇异谱斜率计算，随着分解层数的增加奇异谱斜率也逐渐增大，利用采集的声发射信号根据分解层数最优化实现过程选定最优化分解层数。根据选定最优化分解层数，对采集到的声发射信号利用冗余提升小波分析处理得到信号的时域图和频域图。通过对时域图和频域图的分析判定设备故障情况。能简单有效的将齿轮箱早期故障信号在复杂的噪声背景中提取出来，并通过分析诊断设备故障类型。为设备更长久运行提供了帮助。

主权项

一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法，其特征在于：该方法的实施如下，步骤(1)将声发射传感器安装在齿轮箱设备需要监测的部位，一般选择齿轮箱轴承座处，用以采集齿轮箱工作状态下的声发射信号；步骤(2)应用基于奇异谱和冗余提升小波分析的齿轮箱早期故障诊断方法的步骤如下：1)取一组等间隔采样的离散信号X＝[x(1),x(2),…,x(n)]，按照每行排列n个采样点，每行一次往后移一个采样间隔，构造出m×n阶矩阵：式中1＜n＜N,m＝N‑n+1，矩阵A称之为Hankel矩阵，又称之为重构吸引子轨迹矩阵；根据上述原理，选取冗余提升小波分解过程中的高频信号即细节信号，构成一序列S＝{s_i,i＝1,2,…N}，并对此序列进行奇异谱分析，依据一定的延时τ，将此序列嵌入到维数为m的矩阵中，经过重构得到的矢量为S_i＝{s_(j‑1)+1,s_(j‑1)+2,…s_(j‑1)+1+L}    (2)式中L＝N‑(M‑1)τ‑1将m个矢量构造成L×m的矩阵为轨道矩阵G_m，即然后对轨道矩阵G_m进行奇异值分解(SVD)，根据矩阵理论，G_m∈R^m×L中必定存在正交矩阵U∈R^m×m、V∈R^L×L满足G_m＝UDV^T，并存在一个对角矩阵D＝diag(λ₁,λ₂,…λ_m)，且满足λ₁＞λ₂＞…＞λ_m，即m个奇异值，取奇异谱为：$C_j={\lambda }_j/\frac{1}{m}\underset{j=1}{\overset{m}{\Sigma }}{\lambda }_j,j=1,2,...,m---\left(4\right)$2)基于奇异谱分析的最优分解层数的确定根据小波变换原理，如果小波分解层数不足，将导致振动信号的能量受到限制，致使其对应的小波系数容易与其他小波系数在幅值上混淆；小波系数表现为白噪声特性；如果小波分解层数逐渐增多时，有用信号的受压缩性较显著，小波系数的幅值明显大于噪声信号，说明有用信号在小波空间中占主导地位，小波系数表现为信号特性；由此容易得出，分解层数的确定是至关重要的，分解层数不足，致使信噪比差，信号奇异谱图较为平坦；当分解层数逐渐变大时，信号奇异谱出现明显的下降趋势；故可将奇异谱变化斜率K作为最佳分解层数的判定；$K_i=\frac{{\lambda }_{i1}}{{\lambda }_{im}}---\left(5\right)$式中i——当前分解层，即第i层；λ_i1——第i层分解层下经过SVD分解后最大奇异值；λ_im——第i层分解层下经过SVD分解后最小奇异值；K_i——第i层分解层下奇异谱斜率根据奇异谱变化斜率K，当分解层数逐渐增多时，信号经过冗余提升小波降噪后，信噪比明显增强；于此同时奇异谱的斜率K也呈现增大趋势；当奇异谱斜率达到到达峰值时，信号的信噪比达到最大，此时实现了分解层数的最优化，从而充分发挥了小波分析的效果；大量实验显示：当分解层数大于5时，信号大多会出现失真，故设定最大分解层数n_max为5；由此根据大量实验得出阈值的计算公式为：$K_{thl}=\frac{2}{1+\exp (-{\bar{e}}_1*4)}+0.05---\left(6\right)$式中e_j1为尺度为i＝1上细节信号的奇异值；选取不同信噪比的含噪信号进行不同分解层数下奇异谱斜率计算，随着分解层数的增加奇异谱斜率也逐渐增大，当奇异谱斜率达到某特定值后，奇异谱的斜率会随着分解层数的增加而有下降的趋势，说明当分解层数达到一定值时，有效信号的特征得到充分地增强，此时分解层数为最优；3)利用步骤(1)采集的声发射信号根据分解层数最优化实现过程选定最优化分解层数；4)根据选定最优化分解层数，对采集到的声发射信号利用冗余提升小波分析处理得到信号的时域图和频域图；通过对时域图和频域图的分析判定设备故障情况。