基于EEMD高速列车齿轮箱故障检测.docVIP

基于EEMD高速列车齿轮箱故障检测 　　摘 要 为了有效捕捉高速列车齿轮箱故障引起的本质振动模式，本文提出一种基于EEMD （ensemble empirical model decomposition）的高速列车齿轮箱故障诊断的新方法，该方法的核心是对采集的振动信号进行EEMD分解获取信号的若干振动模式，即振动信号的IMF（intrinsic model function）分量，采用信号与IMF自相关函数的最大相关系数来选择最佳IMF分量，对最佳IMF分量进行Hilbert变换提取其故障包络，利用包络信号的傅里叶谱来检测高速列车的齿轮箱的故障。应用故障实测数据对该方法进行验证，结果表明该方法能够有效提取高速列车齿轮故障引起的振动模式，是一种有效的齿轮箱故障诊断方法。 　　关键词 高速列车；齿轮箱；EEMD；相关分析；故障检测 　　中图分类号 U2 文献标识码 A 文章编号 2095-6363（2017）11-0089-03 　　高速列车齿轮箱是高速列车关键动力、运动传递部件，直接关系到高速列车的服役性能和运行安全。一旦齿轮箱系统存在故障，不能及时发现和预警，无疑将危及高速列车的运行安全或造成重大安全事故的发生，因此开展高速列车齿轮箱的故障检测具有重要应用价值和现实意义。 　　齿牙在啮合过程中，故障会激起齿轮箱系统的瞬时冲击，使得齿轮箱系统的振动信号呈现出强非线性和非平稳的特点[1-2]。加之，早期故障十分微弱[3-4]，测量噪声的不利影响[5-6]，使得微弱的周期性冲击信号淹没在强噪声和其他的振动干扰中[7]，无疑增加了故障检测的难度。 　　对此，国内外学者进行了广泛而深入的研究。如基于傅里叶变换的故障检测方法[7]、基于Wigner-Viller distribution（WVD） 分布的故障检测方法[8]、基于小波的故障检测[9]。尽管这些方法为齿轮箱的故障检测发挥了重要作用，取得丰硕的研究成果，但是傅里叶变换适合处理线性、稳态信号[1-3]，WVD分析存在的交叉项妨碍了它在实际工程中的应用[4]，小波分解中，一旦小波的基函数选择后，其时-频划分就确定，其分解质量取决信号与小波的基函数的相似性[4-7]。无疑，小波分解不是一种信号的自适应分解方法。 　　EMD（Empirical model decomposition）是近年来出现的一种新的信号处理方法，十分适合处理类似齿轮箱故障引起的这种非线性非平稳信号，将信号自适应的分解为若干IMF分量。但是EMD存在模态混叠与模式破裂，对此，一种抗混叠的新的EMD被提出，即EEMD[4].EEMD 将信号分解为若干分量，需要寻求与故障相关的振动分量，采用相关分析来选择最佳振动分量。 　　综上所述，本文提出一种基于EEMD （ensemble empirical model decomposition）的高速列?齿轮箱故障诊断的新方法，该方法的核心是对采集的振动信号进行EEMD分解获取信号的若干振动模式，即振动信号的IMF（intrinsic model function）分量，采用信号与IMF自相关函数的最大相关系数来选择最佳IMF分量，对最佳IMF分量进行Hilbert变换提取其故障包络，利用包络信号的傅里叶谱来检测高速列车的齿轮箱的故障。应用故障实测数据对该方法进行了验证。 　　1 EEMD 的故障检测模型 　　1.1 EMD和EEMD的基本原理 　　EMD是一自适应信号分解方法，十分适合分解机械故障这类非线性非平稳。尽管EMD得到了广泛的应用，但是它依然存在模态混叠的根本的缺陷，所谓模态混叠就是一个IMF中依然包含多尺度信号。为了克服模态混叠问题，一种新的噪声辅助信号分析方法EEMD被提出，其核心思想是IMF为多次试验分析的平均。EEMD分解的主要步骤为： 　　第一步：添加白噪声序列到分解信号； 　　第二步：应用EMD分解加噪声的信号； 　　第三步：重复第一步到第二步，完成添加不同噪声幅值的信号分解； 　　第四步：获得多次分解下的平均IMF，即： 　　（1） 　　式中，为原始分析信号，为人工所加白噪声，是EEMD分解中IMF的分解的个数，是第 IMF分量，是信号分解残差。 　　另外，添加白噪声的幅值和组装次数对EEMD分解的性能有很大的影响，本文参照文献[4][10]，添加白噪声的方差为原始信号方法的0.2倍，组装试验次数为100。 　　1.2 IMF的选择方法 　　齿轮箱故障会引起周期性冲击信号，首先利用自相关函数凸现原始信号和IMF各自信号中含有的周期性成分，若IMF含有周期性冲击，则对应IMF与信号的相关性会增强，如IMF没有周期性冲击，其相关性会减弱。然后再分别计算原始信号与IMF的系数，最大系数对应的IMF被选为最优的故障