基于信號共振稀疏分解的齒輪箱故障診斷方法研究.pdf

1、齒輪箱是機械裝備中的重要部件，在機械系統的動力及旋轉運動的傳遞上起著至關重要的作用。齒輪箱的運行狀態(tài)在很大程度上影響著整個機械系統的運行狀況，齒輪箱故障將直接影響到整個機械設備的安全性和可靠性，因此，對齒輪箱進行狀態(tài)監(jiān)測與故障診斷具有重要的實用價值和現實意義。在目前的齒輪箱故障診斷技術中，振動診斷技術的工程實用性更高，應用范圍更廣?；谡駝臃治龅凝X輪箱診斷原理是利用傳感器獲取齒輪箱的振動信號，再從信號中提取出故障特征信息，進而實現齒輪箱

2、的故障診斷。
　　基于品質因子可調小波變換(TunableQ-FactorWaveletTransform，TQWT),Sekesnick最近提出了信號共振稀疏分解方法，該方法根據諧波信號和沖擊信號所具有的品質因子Q不同，利用TQWT分別對信號進行高Q和低Q的稀疏表示，然后采用形態(tài)分量分析(MorphologicalComponentAnalysis，MCA)對信號進行菲線性分離，得到包含諧波信號的高共振分量和包含沖擊信號的低共振

3、分量。但該方法的分解效果與分解參數的選擇密切相關，而傳統信號共振稀疏分解方法手動選擇分解參數，導致對應的TQWT基函數不能與信號中的各成分進行最優(yōu)匹配，從而降低了分離效果。
　　本論文在國家自然科學基金項目“信號共振稀疏分解方法及其在機械故障診斷中的應用研究”（項目批準號:51275161）和湖南大學汽車車身先進設計制造國家重點實驗室自主研究課題“汽車關鍵零部件的早期故障診斷與剩余壽命預測技術研究”(項目編號:71375004)資

4、助下，以齒輪箱中齒輪、軸承等典型零件的振動機理為研究基礎，針對傳統信號共振稀疏分解方法因手動選擇分解參數導致分解效果不佳的問題，將信號共振稀疏分解分別與遺傳算法、分步迭代優(yōu)化方法相結合，并將其應用于齒輪箱故障診斷。
　　論文的主要研究工作有
　　(1)信號共振稀疏分解方法的分解效果與分解參數密切相關，而手動選擇往往帶有隨意性，難以獲得最佳的分解效果。針對上述問題，提出了基于最優(yōu)品質因子信號共振稀疏分解的滾動軸承故障診斷方法。

5、該方法以低共振分量的峭度最大為目標，利用遺傳算法對信號共振稀疏分解的品質因子進行優(yōu)化，獲得最優(yōu)品質因子，再利用最優(yōu)品質因子進行信號分解，可獲得最佳分解效果。仿真分析和應用實例證明了該方法的有效性。
　　(2)針對遺傳算法計算效率低、運算時間長的問題，提出了基于分步迭代優(yōu)化信號共振稀疏分解的滾動軸承故障診斷方法。該方法以低共振分量的峭度最大為目標，利用分步迭代優(yōu)化方法對信號共振稀疏分解的品質因子進行優(yōu)化，獲得最優(yōu)品質因子，再利用最優(yōu)

6、品質因子進行信號分解，可獲得最佳分解效果。仿真分析和應用實例表明，該方法能在獲得最佳的分解效果的同時，大幅縮短計算時間、提高優(yōu)化效率。
　　(3)針對傳統解調分析方法在復合故障診斷中的局限性，提出了基于最優(yōu)分解參數信號共振稀疏分解的齒輪箱復合故障診斷方法。該方法先利用高共振分量的平滑指數和低共振分量的峭度構造復合指標，再以復合指標最大為目標，利用遺傳算法對信號共振稀疏分解的分解參數進行優(yōu)化，獲得最優(yōu)分解參數，再利用最優(yōu)分解參數進行