基于MED和自适应VMD的行星齿轮箱故障诊断方法

发布时间：2020-12-27 07:03

　　为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率. 

【文章来源】：东南大学学报(自然科学版). 2020年04期 北大核心

【文章页数】：7 页

【部分图文】：

小波去噪后的仿真波形图

风电传动系统结构模拟试验台

对去噪后的信号进行自适应的VMD,得到K值为4,对4个分量中模糊熵值最小的分量进行包络谱分析.由图7可以得出,信号包络谱中主要分量分别在行星架转动频率及其二、三倍频和行星轮故障特征频率及其二、三倍频处.为了进一步对本文方法的有效性进行验证,本文不经过降噪直接对信号进行VMD分解,同时盲选VMD的分解个数,图8为盲选VMD后的信号波形图及包络谱图.


本文编号：2941303