齿轮振动信号去趋势波动分析及其在故障分类中应用.docVIP

齿轮振动信号去趋势波动分析及其在故障分类中应用 　　摘要： 针对齿轮振动信号具有非线性和非平稳性的特点，采用去趋势波动分析对振动信号特征进行提取。应用该方法对采自实验台的齿轮振动信号进行分析，获得对数尺度波动函数图。发现齿轮振动信号在不同时间尺度上具有不同的幂率关系，信号具有双标度性。分析了双标度产生的原因，提出将去趋势波动分析双对数图中小尺度下的尺度指数与截距组成齿轮振动信号的特征向量。应用高斯混合模型对100组不同故障模式的齿轮振动信号进行特征描述，然后采用最大贝叶斯分类器对50组齿轮测试信号进行分类，结果表明：应用该特征提取方法可获得较高的故障识别率。关键词： 故障诊断； 信号分析； 去趋势波动分析； 特征提取； 高斯混合模型 　　中图分类号： TH165+.3； TN911.6文献标志码： A文章编号：2015 　　DOI：10.16385/j.cnki.issn2015.02.021 　　引言 　　设备故障信号特征提取是设备故障诊断领域的研究热点之一。目前人们广泛采用的方法包括基于振动信号的统计量，如振动烈度、峭度和偏态等；基于线性系统的频谱分析、小波分析和WignerVille分布等。然而统计特征量多用于简易诊断，而无论是频谱方法还是混合时频分析方法，都需要预先了解系统的频率结构。实际上，当设备处于故障状态时，其振动信号往往具有非线性、非平稳特征[1，2]，其频域信号具有“伪随机”性和“宽频”性，频谱分析诊断容易出现误差。近年来有学者将非线性时间序列分析方法用于故障识别，利用分形维、熵和李亚普诺夫指数等特征量进行故障识别[3]，取得了一定的效果。然而有些非线性特征提取方法并未考虑到时间序列的特点而直接加以应用，例如，有些时间序列实际上是多分形时间序列，却采用单分形时间序列的特征提取方法，这样往往达不到理想的效果。 　　水纹工程师赫斯特第一个提出基于随机步理论的重整尺度分析法（Rescaled range analysis，R/S）并提取赫斯特指数，该指数可用于描述时间序列的长程相关性。但该方法是针对平稳分形时间序列的分析方法。去趋势波动分析（Detrended fluctuation analysis，DFA）是C K Peng等人提出的一种时间序列长程相关性标度指数计算方法，其优点在于可以将各种不同阶的外来趋势从时间序列中清除，从而准确地观察到时间序列本身所具有的统计行为特征。因此故障信号的DFA分析结果比R/S分析的结果更真实可靠，更适合于非平稳信号的分析。 　　去趋势波动分析目前在金融[4]、医学信号处理[5]、水文和气象学[6]领域应用广泛。在设备故障诊断领域，E P de Moura等人采用DFA进行齿轮故障的识别，选取DFA分析过程中一些尺度下的波动函数值（均方根）作为特征向量组，然后进行主成分分析（Principal component analysis，PCA），达到降维和分类的目的，效果显著[7]。这种方法并没有应用DFA对长程相关性的描述作用，其实质是将DFA作为一种数据空间转化到测度空间的映射。林近山等人的研究表明，齿轮箱振动信号具有双标度性，但并未对双标度性进行深入研究[8]。本文采用DFA进行振动信号的特征提取，对双标度性的成因进行研究，并提出针对性的故障特征提取方案。将所提出的特征提取方法与高斯混合模型相结合，对齿轮故障进行分类，应用齿轮故障实验台所采集的信号对算法进行了验证。 　　由表1和2的分类结果可看出，无论双标度DFA还是单标度DFA均存在一定误判，特别是磨损和断齿，出现误判的概率更大。从频谱角度分析，正常、磨损和断齿故障的区别在于特定频率，如转频、啮合频率及其倍频上的幅值大小不同，随着故障程度的增加，频谱强度也会缓慢增加，加上噪音的干扰，使得三种故障模式之间的频谱强度并无明显界限，从而造成误判。 　　但本文针对齿轮振动信号的双标度性特点，提取小尺度下的尺度指数和截距组成特征向量，所获得的分类结果优于单标度DFA所获得的分类结果。特别对于磨损和断齿这两类故障状态，故障识别率提高了8%，而正常和周节误差这两类故障状态则可达到100%，表明本文所提出的特征提取方法能获得更好的故障识别效果。 　　4结论 　　应用去趋势波动分析方法分析了齿轮振动信号的双标度性及其成因，根据信号的这一特性，提出将小尺度下的标度指数和截距组成特征向量，并分析了其原因。采用这一方法对4种齿轮故障信号进行故障识别实验，结果表明齿轮振动信号在相对较小的时间尺度上提取的特征向量对故障区分更好。结合高斯混合模型与最大贝叶斯分类器进行齿轮故障的识别，取得了较好的识别率。 　　若对不同齿轮箱上所采集的信号进行去趋势波动分析，会发现双标度性