基于最大相关峭度解卷积与形态滤波的齿轮故障特征提取

发布时间：2021-11-17 18:47

　　为了准确地进行齿轮故障特征提取,结合最大相关峭度解卷积和形态滤波,给出了一种新的方法;首先利用最大相关峭度解卷积恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征并解调出包络,最后求取包络谱以进行故障特征提取;通过齿轮断齿故障振动数据的分析,验证了方法的有效性。 

【文章来源】：计算机测量与控制. 2020,28(07)

【文章页数】：5 页

【部分图文】：

基于MCKD与形态滤波的齿轮故障诊断流程图

依托QPZZ-II试验平台系统进行基于MCKD与形态滤波的齿轮故障诊断方法的验证。该试验平台可采集齿轮振动信号直接运用成熟方法进行信号分析和故障诊断，并可将数据以文本格式导出，便于深入研究。系统装配了大、小两级圆柱齿轮，大、小齿轮的齿数分别为75、55，模数为2。试验中对试验平台配置的小齿轮进行了故障处理，模拟了小齿轮断齿故障。在调速器中将电机转速设置为880r/min，通过传感器测得实际转速871r/min，由图2可知小齿轮的转频等于电机轴的转频，以实际转速计算，可以得到为小齿轮转频约为14.5Hz，按照两个齿轮的齿数比，可计算大齿轮的转频约为10.6Hz，此时，试验平台传动系统的啮合频率为797.5Hz。设置数据采样频率为5 120 Hz，采样2s的齿轮故障振动信号作为原始数据，即数据点数为10 240。

图3给出了实验数据的时域波形、频谱及Hilbert包络谱。在图3(a）的时域波形中可以发现原始信号有周期性冲击信号，但波形相对杂乱。图3(b）的频谱中可以找到5个明显的共振频带，但不易找到故障特征的信息。在图3(c）的包络谱中，可以发现14.5Hz及29Hz处存在较为明显的谱线，14.5Hz、29Hz为小齿轮转频的1倍频和2倍频，可以给出小齿轮故障的结论，但谱线的幅值与噪声成分的幅值相差不大，高次倍频成分也并不明显，即故障特征不够明显。用本文的方法进行齿轮故障特征的提取。首先，对信号进行MCKD处理，MCKD的参数设置为：滤波器长度L为300，周期T为353，迭代次数为30，移位数M为1。然后，应用形态滤波方法进行降噪、解调处理，将形态滤波结构元素设为直线，长度设为70。最后，对包络信号求取频谱，得到如图4所示的MCKD-形态滤波包络谱。

【参考文献】：
期刊论文
[1]基于MCKD-EMD的风电机组轴承早期故障诊断方法[J]. 赵洪山,李浪.  电力自动化设备. 2017(02)
[2]基于最大相关峭度解卷积的炼胶机齿轮箱早期故障诊断[J]. 冷军发,王志阳,荆双喜.  机械强度. 2016(05)
[3]Teager能量算子结合MCKD的滚动轴承早期故障识别[J]. 刘尚坤,唐贵基,何玉灵.  振动与冲击. 2016(15)
[4]最小熵解卷积在滚动轴承早期故障诊断中的应用[J]. 冷军发,杨鑫,荆双喜.  机械传动. 2015(08)
[5]基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究[J]. 钟先友,赵春华,陈保家,田红亮.  振动与冲击. 2015(07)
[6]基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取[J]. 王宏超,陈进,董广明.  机械工程学报. 2013(01)
[7]形态学滤波方法改进及其在滚动轴承故障特征提取中的应用[J]. 沈长青,朱忠奎,孔凡让,黄伟国.  振动工程学报. 2012(04)
[8]基于数学形态滤波的齿轮故障特征提取方法[J]. 章立军,杨德斌,徐金梧,陈志新.  机械工程学报. 2007(02)

硕士论文
[1]数学形态滤波与局域均值分解在齿轮故障诊断中的应用[D]. 李枝荣.昆明理工大学 2014
[2]基于最小熵解卷积的滚动轴承故障诊断研究[D]. 江瑞龙.上海交通大学 2013
[3]数学形态学在振动信号处理中的应用研究[D]. 孙敬敬.华北电力大学 2012



本文编号：3501473