基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110398364A(43)申请公布日2019.11.01(21)申请号201910604394.4(22)申请日2019.07.05(71)申请人东南大学地址210096江苏省南京市玄武区四牌楼2号(72)发明人邓艾东朱静邓敏强孙文卿程强刘洋(74)专利代理机构南京经纬专利商标代理有限公司32200代理人葛潇敏(51)Int.Cl.G01M13/028(2019.01)权利要求书2页说明书7页附图4页(54)发明名称基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法(57)摘要本发明公开了一种基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法，包括如下步骤：1)首先使用共振稀疏分解方法将振动信号分解成高共振分量和低共振分量，剔除含有宽带信号的低共振分量；2)将含有行星齿轮箱的高共振分量作为观测信号，再对观测信号进行一次共振稀疏分解，构成虚拟通道信号；3)利用快速独立分量分析算法对观测信号和虚拟通道信号进行处理，分离出有效的故障特征分量，从而识别故障类型。本发明能够有效的提取行星齿轮箱的故障特征频率，解决EMD去噪过程中故障信息丢失、模态混叠的问题，同时也可以解决ICA中源信号数与观察信号数不同所带来的分解不准确的问题，还能准确清晰的提取出行星齿轮箱的故障特征频率。CN110398364ACN110398364A权利要求书1/2页1.基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法，其特征在于，该方法包括如下步骤：步骤1：利用振动传感器获得行星齿轮箱的振动信号；步骤2：对振动信号进行共振稀疏分解，得到高共振分量和低共振分量，并剔除低共振分量；步骤3：将含有行星齿轮箱的高共振分量作为观测信号，对观测信号进行共振稀疏分解，得到新的高共振分量即虚拟通道信号；步骤4：基于上述构建的虚拟通道信号，利用FastICA算法对观测信号进行处理，分离出有效的故障特征分量；步骤5：对筛选出的故障特征分量进行包络谱分析，提取故障特征频率，从而识别故障类型。2.根据权利要求1所述的方法，其特征在于，所述共振稀疏分解采用形态分量分析法，具体方法为：令输入信号x＝x1+x2，其中x1为包括持续振荡信号的高共振分量，x2为包括瞬态冲击的低共振分量；将信号x1和x2分别用S1和S2表示，建立形态分量的目标函数如下所示：其中S1、S2分别表示含有高品质因子、低品质因子变换的基函数库；W1、W2分别表示信号x1、x2在框架S1、S2下的变换系数；m和n分别为高、低共振分量的个数，λ1，i为高共振分量中第i个分量的正则化参数，λ2，j为低共振分量中第j个分量的正则化参数；以目标函数最小化为目的，利用分裂增广拉格朗日搜索算法求解目标函数；得到W1和W2的最优解和从而得到高共振分量和低共振分量的估计值的表达式分别如下所示：3.根据权利要求2所述的方法，其特征在于，所述基函数库S1和S2是利用品质因子可调小波变换分解输入信号得到的。4.根据权利要求1所述的方法，其特征在于，所述步骤4中的FastICA算法采用基于负熵最大的FastICA算法。5.根据权利要求4所述的方法，其特征在于，所述步骤4中分离出有效的故障特征分量的具体方法为：步骤4.1：对观测信号X进归一化和白化处理；步骤4.2：设置迭代次数t＝1，2，3，...P；P为总的迭代次数；步骤4.3：初始化随机向量即独立成分W；步骤4.4：进行第t次迭代计算，利用牛顿法计算E{Xg(WTX)}+βW＝0；其中β＝E{WTXg(WTX)}；得到W的值W*，并保存该W的值；2CN110398364A权利要求书2/2页其中E[.]为均值运算，g(.)为非线性函数；步骤4.5：对W进行标准化令步骤4.6：判断W是否收敛，如果不收敛则返回步骤4.4，否则转步骤4.7；步骤4.7：判断t是否小于P；如果t小于P，则t+1并转步骤4.4；否则停止计算；经过P次迭代算得到P个W；即P个独立成分，计算该P个W与观测信号X的线性组合WTX，选择负熵最大的线性组合作为故障特征分量。3CN110398364A说明书1/7页基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法技术领域[0001]本发明属于旋转机械故障诊断领域，尤涉及是一种基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法。背景技术[0002]行星齿轮箱在航空、工程机械、风力发电等各类传动系统中应用较为广泛，其工作环境复杂，表面承受交变载荷，对行星齿轮箱进行故障诊断和监测，对于确保机械系统正常工作和安全运行具有重要的意义。[0003]而在实际工程应用中，行星齿轮箱的振动信号是多种激励因素的耦合，其频率成分十分复杂，不仅包含各部件的旋转频率，齿轮副啮合频