基于形态分量分析的变工况齿轮箱故障诊断技术研究

The method of fault diagnosis for gearbox under fluctuating load and speed condition is the problem of complex structure, complex condition, non-linear, unsteady, non-stationary, non-additive white noise. The traditional time frequency analysis not only has the defect of inadequate time-frequency aggregativeness, anti-noise performance, but also can not process the non-stationary signal which has the severe changes of instantaneous frequency. Therefore, the traditional time frequency analysis technique can not process the problem of fault diagnosis under fluctuating load and speed condition efficiently. A new approach of fault diagnosis based on sparse signal processing and morphological component analysis is put forward in this study. The method of adaptive dictionary selection, adaptive dictionary learning, thresholding strategy will be studied. The morphological component analysis based on sparse signal representation is used to feature extraction of gearbox under fluctuating load and speed condition. Therefore, the validity and reliability of the fault diagnosis of gearbox are improved. The research achievements not only solve the problem of gearbox fault diagnosis under fluctuating load and speed condition completely, but also expand the theory of morphological component analysis and mechanical fault detection effectively.

变工况条件下的齿轮箱故障诊断，属于复杂结构、复杂工况、非线性、非定常、非稳态和非加性白噪声条件下的诊断问题，而传统时频分析方法又存在时频聚集性不够、抗噪能力弱，不能有效分析瞬时频率变化大的非平稳信号的问题，因而难以有效处理变工况条件下的齿轮箱故障诊断问题。本项目基于稀疏信号处理技术和形态分量分析方法，提出一种变工况条件下的齿轮箱故障诊断新方法。深入系统地研究基于自适应字典选择、自适应字典学习和迭代阈值更新策略、基于稀疏信号表示的形态分量分析方法的齿轮箱故障特征提取方法，并将其应用于变工况下齿轮箱多故障振动信号故障特征的提取，以有效提取齿轮箱轴承、齿轮的故障特征，提高齿轮箱多故障诊断的准确性和可靠性。其研究成果不仅能有效解决变工况下复杂结构齿轮箱的故障诊断难题，而且还将完善和拓展形态分量分析理论，拓展机械故障诊断的新理论和新方法。

结合国家自然科学基金项目“基于形态分量分析的变工况齿轮箱故障诊断技术研究”（项目编号51375319），采用理论研究与实验研究相结合的方法，提出了一种新的现代信号处理方法—基于稀疏信号分解的形态分量分析方法，并将其应用于工况变化的复杂结构齿轮箱多故障诊断，深入系统地研究了基于自适应字典选择和TH-MOM阈值更新策略、基于形态分量分析的降噪技术、基于形态分量分析的齿轮箱动态调制边频带提取方法等技术。并将其应用于齿轮箱多故障振动信号故障特征信息的提取，有效解决了复杂工况条件下齿轮箱故障诊断的准确性和可靠性问题，拓展了机械故障诊断的理论与技术，为齿轮箱的故障检测和诊断提供了一种新的研究方法。研究的主要内容及创新成果如下：.1）提出了形态分量分析技术中字典选择、字典学习和迭代阈值更新方法.提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略，该方法不仅能将形态各异的多分量信号进行有效分离，提高了信噪比，能有效地识别轴承的故障类型和部位。.2）提出了基于形态分量分析的变工况下非平稳信号降噪方法.针对强噪声环境中有用信号提取的难题，提出了基于广义形态分量分析的降噪方法。该方法通过引入虚拟测量信号，将一维测量信号扩展为多维虚拟测量信号，再通过广义形态分量分析，实现测量信号的盲源分离，从而达到降噪的目的。.3）提出了基于形态分量分析的变工况条件下非平稳信号解调、解耦方法.针对变速变载工况下的非平稳过程，难以从产生严重幅值、相位调制和信号耦合的复杂信号中提取有用振动信号的难题，综合利用形态分量分析方法和角域幅值、相位分析解调技术，解决了变工况条件下非平稳信号解调、解耦难题。.4）提出了基于形态分量分析的变工况条件下齿轮箱多故障模式识别方法.针对齿轮箱复合故障难以检测和诊断难题，充分利用信号的形态多样性，构建自适应信号字典，以匹配信号的结构特征、有效分离有用信号。