一种基于频率诱导变分模态分解的齿轮箱故障诊断方法与流程

1.本发明涉及故障诊断技术领域，尤其是一种基于频率诱导变分模态分解的齿轮箱故障诊断方法。


背景技术：

2.齿轮箱传动系统是风电机组的关键零部件，其运行状态对风力发电的安全性和经济性都有较大的影响。齿轮箱失效在风电机组的各类故障中占有较高的比例，并且维护难度较大，故障造成的停机时间较长。因此齿轮箱故障的准确诊断对降低运维成本、避免发生故障具有重要意义。
3.由于齿轮箱振动信号的非线性和非平稳性，传统频谱分析难以准确的提取出故障信息。区别于频谱分析，模态分解是一种非平稳信号分析方法，其通过迭代搜索模型最优解，将原始信号分解为带宽有限的本征模态函数，从而将故障信息从背景噪声中分离出来。尽管模态分解能有效的处理非平稳信号，但是其模态数量的选择依赖人为经验，这在一定程度上限制了该方法的自适应性。此外，变量的初始化位置很大程度上影响着迭代计算的效率及最终收敛结果。因此，现有技术的模态分解方法在处理噪声信号时较易陷入局部极值点，一定程度上降低了其故障特征提取能力和抗噪声能力。


技术实现要素：

4.针对现有技术的不足，本发明提供一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，可提高信号提取抗噪声能力，降低计算复杂性，能有效应用于与工业现场的齿轮箱故障诊断。
5.本发明采用的技术方案如下：
6.一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，包括以下步骤：
7.s1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量：
8.s2、对各所述窄带模态分量求包络谱，并计算故障特征频率比；
9.s3、选择故障特征频率比最大的窄带模态分量作为有效分量；
10.s4、对所述有效分量进行包络分析以识别齿轮箱的故障类型。
11.进一步技术方案为：
12.所述通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量，具体包括：
13.s11、将原始振动信号x(t)经傅立叶变换转换为频域信号x(ω)；
14.s12、根据原始振动信号的傅立叶谱x(ω)的极大值分布估计齿轮箱系统的自振频率fi；
15.s13、将自振频率fi的估计值，作为各模态分量中心频率的初始化位置，并通过交替乘子法将x(ω)自适应分解为窄带模态分量uk(ω)；
16.s14、通过傅立叶逆变换将uk(ω)转换为时域信号uk(t)。
17.所述根据原始振动信号的傅立叶谱x(ω)的极大值分布估计齿轮箱系统的自振频率fi，具体包括：
18.1)搜索傅立叶谱x(ω)中最大的极值点，将其作为自振频率估计值fi；
19.2)在fi±
μ1·fi
的范围以外搜索最大的极值点，并将其作为新的自振频率估计值f
i 1
，其中，i＝1，2...k，k为已搜索到的自振频率估计值的个数；
20.3)重复步骤2)直至fi±
μ1·fi
的范围以外所有极大值点满足x(f
i 1
)≤μ2·
max(x(f))；
21.其中，μ1、μ2均为常数。
22.优选的，μ1取值为0.1。
23.优选的，μ2取值为0.15。
24.步骤s13中，交替乘子法的迭代计算式为：
[0025][0026]
其中，x(ω)为原始振动信号x(t)的傅里叶谱，uk(ω)为分解后的窄带模态分量，a为常系数取2000，λ(ω)为拉格朗日乘子。
[0027]
拉格朗日乘子的λ(ω)的解析式为：
[0028][0029]
ωk为uk(ω)的中心频率，其计算式为：
[0030][0031]
步骤s2中，求包络谱的计算式为：
[0032][0033]
其中，y(ω)为各窄带模态分量的包络谱，uk(τ)为分解所得的窄带模态分量uk(ω)对应的时域信号，τ和t均为时间变量。
[0034]
步骤s3中，故障特征频率比仅计算3倍故障特征频率范围内的包络谱分布：
[0035][0036]
fcfr为故障特征频率比，fc为故障特征频率，c为分析的故障类别数。
[0037]
步骤s4中，根据故障特征频率在有效分量的包络谱中是否突出，来识别齿轮箱的故障类型。
[0038]
本发明的有益效果如下：
[0039]
本发明方法能够有效提取出齿轮箱振动信号中隐含的故障特征。
[0040]
本发明方法在信号处理过程中具有较强的抗噪声能力。
[0041]
本发明方法计算复杂性低，计算效率高。
[0042]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0043]
图1是本发明的故障诊断方法的流程图。
[0044]
图2是本发明实施例的齿轮箱两种状态下的振动信号的时域图。
[0045]
图3是本发明实施例的齿轮箱两种状态下的振动信号傅立叶谱和自振频率分布。
[0046]
图4是本发明实施例的齿轮箱在两种状态下振动信号的fivmd分解结果。
[0047]
图5是本发明实施例的齿轮箱两种状态下的有效分量包络谱。
[0048]
图6是本发明实施例的附加强噪声后振动信号的时域图和傅立叶谱。
[0049]
图7是本发明实施例的附加强噪声后振动信号fivmd有效分量包络谱。
[0050]
图8是本发明实施例的附加强噪声后振动信号eemd有效分量包络谱。
[0051]
图9是本发明实施例的附加强噪声后振动信号avmd有效分量包络谱。
具体实施方式
[0052]
以下结合附图说明本发明的具体实施方式。
[0053]
如图1所示，一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，包括以下步骤：
[0054]
s1、通过频率诱导变分模态分解将原始振动信号自适应分解为窄带模态分量(本征模态函数)，具体包括：
[0055]
s11、将原始振动信号x(t)经傅立叶变换转换为频域信号x(ω)；
[0056]
s12、根据原始振动信号的傅立叶谱x(ω)的极大值分布估计齿轮箱系统的自振频率fi，具体包括：
[0057]
1)搜索傅立叶谱x(ω)中最大的极值点，将其作为自振频率估计值fi；
[0058]
2)在fi±
μ1·fi
的范围以外搜索最大的极值点，并将其作为新的自振频率估计值f
i 1
，其中，i＝1，2...k，k为已搜索到的自振频率估计值的个数；
[0059]
3)重复步骤2)直至fi±
μ1·fi
的范围以外所有极大值点满足x(f
i 1
)≤μ2·
max(x(f))；
[0060]
μ1取值0.1以保证分解得到的子信号满足带宽与中心频率之比小于10％；
[0061]
μ2取值0.15以降低噪声对自振频率估计的影响；
[0062]
s13、将自振频率fi的估计值，作为各模态分量中心频率的初始化位置(即将中心频率初始化在自振频率估计值处)，并通过交替乘子法将x(ω)自适应分解为窄带模态分量uk(ω)；
[0063]
其中，交替乘子法的迭代计算式为：
[0064][0065]
上式中，uk(ω)为分解后的窄带模态分量，x(ω)为原始振动信号x(t)的傅里叶谱，a为常系数取2000。
[0066]
λ(ω)为拉格朗日乘子，其解析式为：
[0067][0068]
上式中，ωk为uk(ω)的中心频率，其计算式为：
[0069][0070]
s14、通过傅立叶逆变换将uk(ω)转换为时域信号uk(t)；
[0071]
s2、对各窄带模态分量求包络谱，并计算故障特征频率比；
[0072]
其中，包络谱的计算式为：
[0073][0074]
其中，y(ω)为各窄带模态分量的包络谱，uk(τ)为分解结果uk(ω)对应的时域信号，τ和t均为时间变量；
[0075]
故障特征频率比仅计算3倍故障特征频率范围内的包络谱分布：
[0076][0077]
fcfr为故障特征频率比，表征了各窄带模态分量的包络中故障特征占的比例；fc为故障特征频率，c为分析的故障类别数。
[0078]
s3、选择所述故障特征频率比最大的窄带模态分量作为有效分量；
[0079]
s4、根据故障特征频率在有效分量的包络谱中是否突出，来识别齿轮箱的故障类型。
[0080]
以下进一步说明本技术的基于频率诱导变分模态分解的齿轮箱故障诊断方法的有效性和优越性。
[0081]
某3mw风电机组在运行过程中发现齿轮箱振动与刚投运时相比有一定程度的增大，机组运行一段时间后停机检查，发现高速轴端的小齿轮存在断齿故障。该机组运行过程中高速轴的转速约为1800r/min，即断齿故障对应的特征频率约为30hz。振动测量采用加速度传感器，采样频率为97656hz。
[0082]
采用以下3种方法进行实验对比：
[0083]
方法1：本发明提供的基于频率诱导变分模态分解(fivmd)的齿轮箱故障诊断方法
[0084]
方法2：基于集成经验模态分解(eemd)的齿轮箱故障诊断方法；
[0085]
方法3：基于自适应变分模态分解(avmd)的齿轮箱故障诊断方法；
[0086]
有效性验证
[0087]
图2(a)和图2(b)分别给出了该机组在正常状态下和出现断齿故障后振动信号的时域图。由图2可知，故障信号的振幅相对于正常信号有所增大，然而从时域图中无法观察到断齿造成的冲击特征。
[0088]
图3(a)和图3(b)分别给出了无故障和断齿故障状态下的傅立叶谱和自振频率分布。
[0089]
由图3可知，机组在不同状态下振动信号的傅立叶谱存在较大的相似性，其极大值点及自振频率的估计值主要分布在15000hz以下，即齿轮箱在运行过程中激励的模态自振频率主要集中在15000hz以下的区域。此外，信号的高频部分(20000hz以上)分布较为均为，其主要为噪声及微弱的模态响应，从该部分信息中提取出故障特征的难度相对较大，故本发明通过μ2设置搜索阈值，减少了该部分区域的固有频率估计点。
[0090]
图4给出了振动信号的fivmd分解结果。由图4(a)可知，设备正常状态下分解出的各分量中无明显冲击成分；然而，在故障信号的分解结果中(imf
10
)存在明显的周期性冲击，即fivmd能准确的从复杂信号中分离出包含故障信息的窄带分量。
[0091]
表1给出了各本征模态函数(imf)，即为本技术前述的窄带模态分量的故障特征频率比。由表1可知，正常状态下imf5的包络谱中故障特征频率所占的比例相对较大，而故障状态下imf
10
包含相当较多的故障信息，其包络谱如图5所示。
[0092]
分析结果表明，无故障信号imf5的包络谱中无明显的突出成分，而故障信号的有效分量imf
10
中出现了明显的故障特征频率(30hz)及其倍频成分。即本发明能有效提取出故障特征，实现风电齿轮箱故障的准确诊断。
[0093]
表1
[0094]
imf无故障信号断齿故障信号14.194.0824.024.3234.343.7944.153.8855.023.8263.434.1773.894.0284.174.3493.786.0410/16.83
[0095]
抗噪声能力验证
[0096]
在原始故障信号中附加高斯白噪声以进一步分析本发明在强噪声环境下的故障特征提取能力。图6给出了附加功率为10dbw的高斯白噪声后故障信号的时域波形图和傅立叶谱。由图6可知，受强噪声影响，高频部分虚假的自振频率估计点明显增多，这在一定程度上增加了故障诊断的难度。表2给出了附加强噪声后fivmd分解结果的故障特征频率比。
[0097]
由表2可知，imf
14
包含相对较多的故障信息，其包络谱如图7所示。分析结果表明，本发明在强噪声环境下仍然能有效的提取出故障特征频率及其倍频成分，实现齿轮箱故障的有效诊断。
[0098]
表2
[0099][0100][0101]
优越性验证
[0102]
eemd和avmd是齿轮箱故障诊断中较常用的两种方法，本发明取其作为本发明优越性的参照。其中，avmd方法中模态数量k和惩罚因子α分别取10和2000。
[0103]
表3和表4分别给出了附加10dbw强噪声后，故障信号eemd和avmd分解结果的故障特征频率比。根据表中结果，分别选择imf8和imf
10
作为eemd和avmd的有效分量，其包络谱如图8和图9所示。
[0104]
分析结果表明，故障特征频率在eemd和avmd分解得到的包络谱中并不突出，且周围存在较多的干扰分量。因此，eemd和avmd无法有效的提取出故障特征，对比结果验证了本发明的优越性。
[0105]
表3
[0106]
imffcfrimffcfrimffcfr13.3764.43112.6124.2175.21121.0332.9885.47130.3044.5593.90140.2453.88103.25150.03
[0107]
表4
[0108]
imffcfrimffcfr14.4363.2124.3872.5733.6884.3443.8793.9153.94105.15
[0109]
计算复杂性分析
[0110]
通过cpu时间和内存占用来反映本发明的计算复杂性。本发明的实施例是在一台4核cpu、8gb内存的工作站上完成。表5给出了fivmd、eemd和avmd三种方法分解断齿故障振动信号和附加10dbw噪声振动信号的计算时间和内存消耗。由表5可知，与eemd和avmd相比，本发明具有相对较高的计算效率和较低的计算复杂性。
[0111]
表5
[0112]