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

技术特征：
1.一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，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：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)；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f
i
；s13、将自振频率f
i
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u
k
(ω)；s14、通过傅立叶逆变换将u
k
(ω)转换为时域信号u
k
(t)。3.根据权利要求2所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，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f
i
，具体包括：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f
i
；2)在f
i
±
μ1·
f
i
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；3)重复步骤2)直至f
i
±
μ1·
f
i
的范围以外所有极大值点满足x(f
i 1
)≤μ2·
max(x(f))；其中，μ1、μ2均为常数。4.根据权利要求3所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，步骤s13中，交替乘子法的迭代计算式为：其中，x(ω)为原始振动信号x(t)的傅里叶谱，u
k
(ω)为分解后的窄带模态分量，α为常系数取2000，λ(ω)为拉格朗日乘子。5.根据权利要求4所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，拉格朗日乘子λ(ω)的解析式为：ω
k
为u
k
(ω)的中心频率，其计算式为：
6.根据权利要求3所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，μ1取值为0.1。7.根据权利要求3所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，μ2取值为0.15。8.根据权利要求2所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，步骤s2中，求包络谱的计算式为：其中，y(ω)为各窄带模态分量的包络谱，u
k
(τ)为分解所得的窄带模态分量u
k
(ω)对应的时域信号，τ和t均为时间变量。9.根据权利要求8所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，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：fcfr为故障特征频率比，f
c
为故障特征频率，c为分析的故障类别数。10.根据权利要求1所述的基于频率诱导变分模态分解的齿轮箱故障诊断方法，其特征在于，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。

技术总结
本发明涉及一种基于频率诱导变分模态分解的齿轮箱故障诊断方法，首先，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：将原始振动信号通过傅里叶转换为频域信号，根据振动信号傅立叶谱的极大值分布估计齿轮箱系统的自振频率，将固有频率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原始信号自适应分解为本征模态函数(窄带模态分量)；然后，对各窄带模态分量求包络谱，并计算故障特征频率比；选择故障特征频率比最大的窄带模态分量作为有效分量；最后，通过对有效分量的包络分析实现齿轮箱故障的有效识别。本发明诊断精度高、抗噪声能力强、计算复杂性低，能有效应用于与工业现场的齿轮箱故障诊断。齿轮箱故障诊断。齿轮箱故障诊断。


技术研发人员：马天霆 韩冰 孙振波 张天羽 沈立祥 邓艾东 曹明 邓敏强
受保护的技术使用者：南京东振测控技术有限公司
技术研发日：2021.10.28
技术公布日：2022/2/8