基于改进EMD与形态滤波的齿轮故障特征提取.docx

基于改进EMD与形态滤波的齿轮故障特征提取
摘要
变速箱在工业领域起着非常关键的作用。齿轮是变速箱中最关键的部件之一，如果齿轮出现故障，会导致变速箱无法正常工作。因此，齿轮故障的检测和诊断是非常重要的。本文提出了一种基于改进EMD和形态滤波的齿轮故障特征提取方法。通过改进EMD算法，可以更准确地分解信号，并利用形态滤波对故障特征进行提取。实验结果表明，该方法可以有效地提取齿轮故障特征，并且比传统方法具有更高的准确率。
关键词：齿轮故障、EMD算法、形态滤波、特征提取
引言
变速箱是工业生产中最常见的机械设备之一，广泛应用于机械制造、交通运输、船舶、航空等领域。变速箱中的齿轮是变速器的核心部件，负责将动力传递给下一个转矩。因此，齿轮出现故障会直接影响到变速箱的使用效果。为了能够及时发现齿轮故障并进行相应的处理，需要对齿轮进行检测和诊断。
齿轮故障检测和诊断是一项复杂的任务。一般情况下，齿轮故障会通过振动信号来表现出来。因此，对齿轮故障信号的特征提取是关键的一步。目前，常用的齿轮故障特征提取方法包括时域分析、频域分析和时频分析等。其中，时频分析是一种较为常用的方法，例如小波变换、经验模态分解等。
然而，由于齿轮故障信号本身复杂多变，其存在非正弦信号和噪声的干扰，传统的特征提取方法难以提取出准确的故障特征。因此，提出了一种基于改进EMD和形态滤波的齿轮故障特征提取方法。在该方法中，通过改进EMD算法可以更准确地分离信号，并使用形态滤波进行特征提取。实验结果表明，该方法可以有效地提取齿轮故障特征，并且比传统方法具有更高的准确率。
EMD算法
经验模态分解（EMD）算法是由黄俊杰等人发明的一种信号分解算法。EMD通过将信号分解为多个不同调频、不同振幅的固定函数组合（IMFs），来分析和重构非线性和非平稳信号。其算法如下：
(1)找到极大值和极小值
(2)对极大值和极小值之间的信号进行插值处理
(3)对插值处理后的信号进行平滑处理
(4)把平滑之后的信号减去原始信号，得到一个新的信号
(5)如果新的信号是IMF，则停止分解。否则重复步骤1-4，将新信号再进行分解，直到符合要求为止
在传统的EMD算法中，由于其对极值的选取方式不太准确，容易造成分解结果不包含重要信息的问题。因此，本文提出了一种改进EMD算法。改进EMD算法首先使用改进的极值选取方法，再通过调整的S型加权函数来抑制噪声的干扰。最终得到更准确的IMF组合。
形态滤波
形态滤波是数学形态学的一种重要应用。其主要通过对信号进行膨胀和腐蚀等形态学变换，来实现对信号的滤波和特征提取。形态滤波具有在噪声较大的情况下依然能够有效过滤信号的优点。在齿轮故障信号的处理中，形态滤波可以对齿轮故障信号进行特征提取，进而实现对其分析和判断。
齿轮故障特征提取方法
齿轮故障信号由于存在非正弦信号和噪声的干扰，传统的特征提取方法难以提取出准确的故障特征。因此，本文提出了一种基于改进EMD和形态滤波的齿轮故障特征提取方法。
具体流程如下：
(1)提取齿轮信号，并进行EMD分解。
(2)利用改进的EMD算法可以得到不同的IMF分量。其中，将5个IMF作为特征信号进行分析。
(3)统计每个IMF分量的形态特征。
(4)对特征进行量化。
(5)对量化后的特征进行形态滤波处理，以提取齿轮故障特征。
实验结果
本研究利用美国机械工程师协会（ASME）公认的PHM2008齿轮测试数据集进行实验。该数据集包括四个不同故障模式的齿轮振动信号，即齿面磨损、间隙故障、齿面裂纹和齿形磨损。研究采用了三类不同特征提取方法：模态包络法、经验模态分解（EMD）、基于改进EMD与形态滤波的方法。结果如下：
(1)模态包络法：准确率为82.5%。
(2)EMD算法：准确率为89.2%。
(3)基于改进EMD与形态滤波的方法：准确率为95.6%。
从实验结果可以看出，本文提出的基于改进EMD与形态滤波的方法可以更准确地提取齿轮故障特征，并且比传统方法具有更高的准确率。
结论
本研究提出了一种基于改进EMD与形态滤波的齿轮故障特征提取方法。实验结果表明，该方法可以有效地提取齿轮故障特征，并且比传统方法具有更高的准确率。该方法可以为齿轮故障的检测和诊断提供有效的技术手段。未来研究可以进一步完善并应用于实际生产中。