DDTFA初始相位选取及其在齿轮故障诊断中的应用

发布时间：2020-03-18 18:33

【摘要】：齿轮作为传动机构齿轮箱必不可少的关键部件,运行工况复杂,其状态监测与故障诊断直接影响复杂传动装置的安全正常运行,对企业乃至社会均具有巨大的经济价值和安全价值。传统对于恒定工况的齿轮故障诊断方法已无法满足实际需求,探索基于非平稳信号的变工况齿轮故障诊断方法现已成为国内外学者的研究热点。在变转速工况下,从目标信号中采用适当的非平稳信号处理方法诊断出故障信息是基于振动信号的故障诊断的关键。稀疏分解方法因其具有自适应性好,能反映信号本质等特点,近年来被广泛应用于非平稳信号的分解中。数据驱动时频分析方法(Data-Driven Time-Frequency Analysis,DDTFA)是一种新近提出的稀疏分解方法,该方法把对信号的稀疏分解等同于求解一个最优化问题,同时得到信号的时频分布,具有明确的数学理论基础,可从时变非平稳信号中精确地提取信号中的非平稳分量。论文选题源自国家自然科学基金青年科学基金项目“基于非线性匹配追踪数据驱动时频分析的变工况机械故障诊断方法研究”(51605151),对DDTFA方法进行理论研究的基础上,重点对其初始相位函数选取进行了研究提出了两种初始相位函数选取的DDTFA方法,并将DDTFA方法运用于变工况领域的齿轮故障诊断。本文的主要研究工作如下:(1)对DDTFA方法进行了理论研究,分别从分解精度、抗噪性、抗模态混叠能力等方面与EMD方法进行了对比分析;研究了初始相位函数和带宽控制参数对DDTFA分解能力的影响,仿真验证了初始相位函数趋势是影响DDTFA分解能力的关键因素。(2)针对非平稳信号,初始相位函数趋势直接影响DDTFA的分解能力,而初始相位函数的趋势在物理意义上可转换为信号的瞬时频率,基于此前提,将能精确估计信号瞬时频率的基于多尺度线调频基的稀疏信号分解方法(Multi-Scale Chirplet Sparse Decomposition,MSCSD)用于DDTFA的初始相位函数估计,提出了MSCSD-DDTFA方法,首先仿真验证了MSCSD对于非平稳信号瞬时频率估计的准确性,相对于同步压缩方法(Synchrosqueezing Transform,SST),参数化时频分析方法(General Parameterized Time-Frequency Transform,GPTFT)的优越性,然后仿真分析验证了MSCSD-DDTFA对于非平稳信号分解的准确性,最后运用MSCSD-DDTFA诊断变转速齿轮的断齿故障,验证了方法的有效性。(3)基于MSCSD-DDTFA方法时效性差、而变分模态分解(Variational Mode Decomposition,VMD)方法能快速精确地分解信号各分量的中心频率且抗噪性好的特点,将VMD用于DDTFA的初始相位选取,提出了VMD-DDTFA方法,仿真验证了VMD-DDTFA对于非平稳信号分解的准确性、抗噪性和抗模态混淆能力,并运用VMD-DDTFA诊断变转速齿轮的裂纹故障,验证了方法的有效性。(4)分别从适应性、时效性、抗模态混淆、抗噪性对MSCSD-DDTFA和VMD-DDTFA两种方法进行仿真对比研究,验证方法的有效性;并探讨了MSCSD-DDTFA和VMD-DDTFA方法不同带宽控制参数取值的情况下对非平稳仿真信号的分解结果影响。
【图文】：

存在较大的幅值失真，因此 MSCSD 适合相位函数的估计，但在时域信号的分解上存在一定的缺陷；而 DDTFA 方法根据预设的相位函数，可从低信噪比信号中分离出时变非平稳信号分量，且时域信号幅值失真小。因此，本文将 MSCSD 与DDTFA 方法相结合，提出基于初始相位函数估计的 DDTFA 方法，即采用 MSCSD方法估计相位函数，并将该方法用于齿轮故障诊断中。本文方法的具体计算步骤如下：(1) 采用 MSCSD 方法对待分析信号 S 进行分析，，获取信号的瞬时频率 fz 和时域波形 Sz；(2) 对求出的信号 Sz 进行分析，获取其相位函数 (t )；(3) 以相位函数 (t ) 作为初始相位函数，采用 DDTFA 方法对待分析信号 S 进行分析，获取时变非平稳信号分量'S ；(4)根据瞬时频率 fz 求取转频信号r z Tf f N，TN 为齿轮齿数；(5) 采用转频信号 fr 对时变非平稳信号分量'S 进行阶次包络谱分析；(6) 根据时变非平稳信号分量'S 的阶次包络谱诊断变转速齿轮故障。

工程硕士学位论文 AM-FM 信号仿真分析SD-DDTFA 分解单分量非平稳信号的有效性，设置一幅调频信号 S1(t)。信号 S1(t)的模拟齿数为 20，载波的 20 倍，即载波信号被 1 倍调制信号所调制，其表达为 4096Hz，取样时长为 1s，信号 S1(t)的波形如图 3t ) (1 cos(20 t sin(3 t ))) cos[20 (20 t sin(3 t))]
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH132.41

【参考文献】

相关期刊论文 前10条

1 刘长良;武英杰;甄成刚;;基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J];中国电机工程学报;2015年13期

2 唐贵基;王晓龙;;参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J];西安交通大学学报;2015年05期

3 郑近德;程军圣;聂永红;罗颂荣;;完备总体平均局部特征尺度分解及其在转子故障诊断中的应用[J];振动工程学报;2014年04期

4 崔玲丽;王婧;邬娜;高立新;;基于轴承故障信号特征的自适应冲击字典匹配追踪方法及应用[J];振动与冲击;2014年11期

5 李蓉;于德介;陈向民;刘坚;;基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法[J];振动与冲击;2014年03期

6 陈向民;于德介;李蓉;;基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法[J];航空动力学报;2014年01期

7 陈向民;于德介;李蓉;;基于阶次解调谱的变速齿轮箱复合故障诊断方法[J];振动工程学报;2013年06期

8 李蓉;于德介;陈向民;刘坚;;基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法[J];中国机械工程;2013年10期

9 邹今春;沈玉娣;;变工况齿轮箱故障诊断方法综述[J];机械传动;2012年08期

10 吴雪明;于德介;陈向民;;基于自适应线调频基原子分解的时域同步平均方法及其在变转速齿轮故障诊断中的应用[J];中国机械工程;2012年10期

相关博士学位论文 前4条

1 李宝庆;基于自适应最稀疏时频分析的机械故障诊断方法[D];湖南大学;2016年

2 李蓉;齿轮箱复合故障诊断方法研究[D];湖南大学;2013年

3 彭富强;多尺度线调频基稀疏信号分解及其在齿轮箱故障诊断中的应用[D];湖南大学;2010年

4 王胜春;自适应时频分析技术及其在故障诊断中的应用研究[D];山东大学;2007年

相关硕士学位论文 前6条

1 刘贞涛;基于自适应最稀疏时频分析的转子系统故障诊断方法[D];湖南大学;2017年

2 张顶成;基于最优信号共振稀疏分解的旋转机械故障诊断方法研究[D];湖南大学;2016年

3 何知义;基于自适应最稀疏时频分析的旋转机械故障诊断方法[D];湖南大学;2016年

4 张学阳;改进的数据驱动时频分析方法及其应用[D];国防科学技术大学;2012年

5 李会臣;基于时频分析的齿轮故障机理及诊断研究[D];郑州大学;2010年

6 王远程;阶次分析在齿轮变速箱故障诊断中的应用[D];同济大学;2006年

本文编号：2589029