基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用.docx

基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用
摘要
本文提出了一种基于局部均值分解的阶次跟踪分析方法，该法结合了局部均值分解和阶次分析技术，可以有效地提取齿轮系统振动信号中的阶次信息，实现对齿轮故障的快速诊断。在模拟和实际试验中，该方法均取得了较好的效果，并且在齿轮故障诊断中的应用也得到了验证。
关键词：局部均值分解；阶次跟踪；齿轮故障；诊断。
Abstract
Thispaperproposesamethodofordertrackinganalysisbasedonlocalmeandecomposition,whichcombineslocalmeandecompositionandorderanalysistechnologytoeffectivelyextracttheorderinformationinthevibrationsignalofthegearsystemandachieverapiddiagnosisofgearfaults.Insimulationandpracticalexperiments,themethodhasachievedgoodresults,anditsapplicationingearfaultdiagnosishasalsobeenverified.
Keywords:localmeandecomposition;ordertracking;gearfault;diagnosis.
1.引言
齿轮是机械传动中不可或缺的一部分，其性能直接影响到整个传动系统的性能和寿命。由于受到长期运行和外界环境的影响，齿轮易出现一些故障，如齿面损伤、齿距误差、齿面疲劳等，导致传动系统振动加剧，从而对工作效率和安全带来负面影响。因此，准确地检测齿轮故障，快速地定位故障位置和类型，对于保障传动系统运行的可靠性和安全性至关重要。
传统的齿轮故障诊断方法主要基于频域分析或时域分析技术，但由于传统方法处理过程较为繁琐，需要专业的领域知识和经验支持，且难以快速地分析大量的数据。近年来，基于局部均值分解（LMD）的阶次跟踪分析成为一种热点技术，其可以将非平稳信号分解为若干个时变的窄带信号，应用于阶次分析能够快速、准确地提取信号的阶次信息，达到对齿轮故障的快速诊断目的。
2.阶次跟踪分析原理
2.1.LMD原理
LMD是一种自适应的分解算法，它可以将非平稳信号分解成若干个窄带信号，使得分解后的信号在时域或频域上是具有较好的局部能量特性，因而更便于进行后续的信号分析处理。
具体地，LMD算法的过程如下：
①.对于给定的非平稳信号x(t)，设初始分量为c1(t)=x(t);
②.计算极大值emax和极小值emin，建立包络线s(t)=(emax+emin)/2；
③.令d1(t)=x(t)—s(t)，并将d1(t)作为新的信号，重复上述过程，得到新分量c2(t)；
④.将所有分解分量相加，即可得到原信号的LMD分解表示。
2.2.阶次跟踪原理
阶次跟踪是一种常用的信号分析技术，其目的是提取振动信号中的阶次信息和轨迹信息，以确定旋转机械的运动状态、转速及其变化等。阶次跟踪的基本思想是，将非稳态振动信号根据其旋转频率进行分析，即将信号在旋转一周时间内进行重复叠加，形成了各级阶次谱，其中n阶次谱表示系统振动特征频率为n倍转速的频谱成分。
传统的阶次分析方法通常采用DFT和FFT等算法，但由于常数阶频谱干扰和窄带信号分辨率低等问题，使得该方法在实际应用过程中存在诸多限制。因此，基于适应性LMD分解技术的阶次跟踪分析成为了研究的热点。
具体地，阶次跟踪分析算法的过程如下：
①.将振动信号分段处理，进行适应性LMD分解，提取各个分解分量。
②.对于每一个分解分量，分别计算其瞬时频率和瞬时幅值，得到时频分布图。
③.将每个分解分量的时频分布图进行自动拼接和找圈，确定阶次谱的特征线（如旋转同期、对齐点等）。
④.基于已知的阶次特征线和频域特征提取出振动信号的各级阶次特征信息，并获取各级轨迹图像。
3.基于局部均值分解的阶次跟踪分析
基于局部均值分解的阶次跟踪分析方法结合了局部均值分解和阶次跟踪技术，可以有效地提取齿轮系统振动信号中的阶次信息，实现对齿轮故障的快速诊断。其具体过程如下：
①.取得齿轮系统的振动信号，进行采样处理和预处理。
②.对于预处理后的振动信号，进行局部均值分解，得到各个分解分量和相应的包络线。
③.对于各个分解分量，进行阶次跟踪分析，得到阶次特征信息和轨迹图像。
④.根据不同故障类型的特征阶次信息和轨迹图像，进行判断和诊断。
4.实验及结果分析
本文选取了模拟和实验两种情况下的齿轮系统振动信号进行分析，并利用已有的齿轮故障数据集进行验证，以验证所提出的基于局部均值分解的阶次跟踪分析方法的有效性和稳定性