TVF-EMD在齿轮故障声发射检测的应用.pdf

电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering144齿轮是旋转机械中广泛应用的一种机械部件，其运行状态对机械影响很大，在齿轮箱各类故障中，齿轮故障占到了 60%1，因此对齿轮故障诊断具有重大意义。声发射检测是一种新型的无损检测方法，常用于故障诊断领域，且对故障较为敏感。在检测过程中，机械运转以及周围噪声会对声发射信号造成干扰，导致特征提取结果不准确，影响后续故障诊断。针对声发射非线性、非平稳性的特点，常使用经验模态分解对信号进行特征提取，但在信号分解过程中常发生模态混叠现象，因此学者对传统算法进行改进。高2等应用局部均值(Local mean decomposition,LMD)对行星齿轮箱故障信号进行分解，可以有效提取故障信息；曹3等为解决端点效应对分解效果的影响，运用集合经验模态(Ensemble empirical mode decomposition,EEMD)对正常和失效滚动轴承信号进行分解，得到了滚动轴承的准确故障信息；蒋4等提出在分解的各阶段添加自适应高斯噪声优化 EEMD，提出自适应噪声完备经验模态(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对 3 种不同程度螺旋锥齿轮断齿故障信号进行分解，并计算各个分量的排列熵，验证了 CEEMDAN 算法的可行性。针对经验模态分解出现模态混叠现象导致特征提取不准确的问题，本文提出应用 TVF-EMD 对齿轮故障的声发射信号进行分解，通过仿真实验验证了该算法的鲁棒性，可以分离出信号中的高频噪声，提取出主要的故障信息。1 EMD经验模态分解5是 Norden e.Huang 博士在 1998 年提出的一种处理非平稳信号的方法，常用于故障诊断方面。该方法就是将复杂的非平稳信号分解为有限个本征函数(Intrinsic mode function,IMF)，其分解过程为：（1）计算原始信号 x(t)的极值点，组词拟合极大极小值，分别形成上下包络线，以此覆盖原始信号。（2）计算上下包络线的均值 m1，得到新的信号序列 h1，即h1=x(t)-m1 （1）（3）判断 h1是否满足 IMF 条件，如果满足则记h1=c1，c1则为第一个 IMF 分量。反之重复上一步，直到满足 IMF 条件为止。（4）去掉原始信号中的 c1，剩下记为 r1，将 r1作为原始信号，重复上述步骤 n 次，得到 c1、c2、.、ck，直到rn为一个单调函数。最终原始信号x(t)可以表示为：（2）最终可以得到若干 IMF 和一个残差，每个 IMF 分量表示信号的不同特征。EMD 分解常出现模态混叠，其形成的主要原因：无法区分频率在一个倍频内的两个分量，且容易受到噪声的间歇性影响。上述两种问题都会导致分解所得的 IMF 分量包含的频域范围较大，没能有效的提取信号特征。2 TVF-EMD为解决 EMD 的模态混叠问题，Li 等提出基于时变滤波器的经验模态分解6，利用时变滤波器对 EMD 分解进行优化，具体方法如下：（1）通过 Hilibert 变换得到信号 x(t)的瞬时频率A(t)和瞬时频率：TVF-EMD 在齿轮故障声发射检测的应用徐婧雯1杨平1赵帅锋2（1.沈阳工业大学 辽宁省沈阳市 110870 2.沈阳仪表科学研究院有限公司 辽宁省沈阳市 110043）摘要：本文为解决齿轮故障声发射信号的特征提取问题，应用时变滤波经验模态分解（Time varying filter empirical mode decomposition,TVF-EMD）对信号进行处理。为验证算法的可行性，分别利用 EMD、TVF-EMD 对仿真信号进行分解，证明在信噪比低的情况下 TVF-EMD 可以更好的提取故障信息。最后对实测齿轮声发射信号进行处理，并通过计算相关系数对分量进行选取，表明 TVF-EMD 能够有效的提取故障信息。关键词：特征提取；声发射；时变滤波经验模态分解；故障诊断电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering145 （3）（4）（5）（2）找到 A(t)的局部最小值 tmin和最大值 tmax。（3）z(t)可以看作是两个分量相加，设为瞬时幅值的变化程度，则 （6）分别对和进行插值运算，得到 （7）（4）用同样插值的算法，计算和：（8）（5）计算局部截止频率如式（9）：（9）（6）解决间歇性问题，调整截止频率，找出信号 x(t)局部最大值，记为 ui（i=1，2，3），若 ui满足式（10），则记为 ej=ui（j=1，2，3）。（10）若，ej为上升沿，反之为下降沿。对每个ej进行判断，如果处于上升沿，则为底，如果处于上升沿，则为底，其余部分为峰。在两个峰值之间进行插值，得到最终的截止频率。（7）通过，计算 h(t)，取 h(t)的极值点，并采用 B 样条逼近，最终得到节点 m(t)。（8）计算停止准则，如式（11），若，则x(t)被视为局部窄带，若不满足，则设 x(t)=x(t)-m(t)并重复步骤 1-7。（11）（12）（13）对比 EMD 算法，TVF-EMD 可以更好的抑制模态混叠，在筛选的过程中应用了时变滤波器，保持了EMD 的时变特性，适用于非平稳信号，且该算法中参数物理意义明确易于选择。3 仿真实验为验证 TVF-EMD 算法的可行性，通过齿轮故障仿真进行验证，设置齿轮故障信号 x(t)如式（14）所示：（14）其中，fz=220Hz 为载波频率，模拟故障齿轮啮合频率，fr为调制频率，模拟齿轮轴的转频，l 为啮合频率的谐波数，Al为啮合频率l次谐波的幅值。赋值后如式（15）所示，应用三角函数变换后可得式（16）：图 1：x(t)时域图图 2：x(t)频域图图 3：信号加噪声时域图电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering146 （15）（16）应用Matlab软件进行仿真，x(t)的时域、频域如图1-2所示，经过 FFT 变换后可以在频域观察到故障齿轮啮合频率 fz=200Hz。为验证本文算法在低信噪比下可行性，分别在信号中加入 SNR=20、SNR=10、SNR=5 的高斯噪声，其时域如图 3 所示。分别对 3 种信号进行 EMD、TVF-EMD 分解，参数设置为：带宽阈值 为.01，B 样条阶次为 26。分解所得故障频率如表 1 所示，在信噪比较高时，两种算法分解所得故障频率相差不多，当添加 SNR=5 的高斯噪声时，EMD 分解所得故障频率与本文所用算法相比误差较大。表 1：分解所得故障频率SNR=20SNR=10SNR=5EMDf=200Hzf=180Hzf=269.9HzTVF-EMDf=200Hzf=200Hzf=210Hz以 SNR=5 为 例，图 4 为 EMD 分 解 后 IMF 的 时域图和频域图，IMF1-2 都产生了严重的模态混叠现象，通过 IMF4 分量的频域图可知分解所得故障频率f=269.9Hz，误差为 34.95%。图 5-6 为 TVF-EMD 分解后 IMF 的时域图和频域图，前几个 IMF 分量分离了信号中大部分的高频噪声，IMF12 分量的频域图可知分解所得的故障频率为f=210Hz，误差为 5%。4 实测信号分析为证明 TVF-EMD 方法在齿轮故障诊断的可行性，图 4：EMD 分解后的时域频域图（SNR=5）图 5：tvf-emd 分解后的时域图（SNR=5）图 6：tvf-emd 分解后的频域图（SNR=5）图 7：正常、故障齿轮声发射时域波形电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering147利用实测齿轮声发射信号进行验证，应用 QPZZ-型实验平台采集齿轮声发射信号，设置齿轮转速为 600r/min，小齿轮齿数为 55，大齿轮齿数为 75，在大齿轮进行加工模拟磨损故障，设置采样频率为 3MHz，图 7 为正常齿轮和磨损故障齿轮的声发射时域波形。对两种波形分别进行 TVF-EMD 分解，分别得到 26个 IMF 分量，并计算各分量的相关系数，其中前 14 个IMF 分量相关系数如表 2 所示。选取正常齿轮的 IMF9 和磨损齿轮的 IMF8 进行分析，图 8 为两分量的包络谱，可以看出相关系数可以有效筛选 IMF 分量，且 TVF-EMD 可以提取出故障频率。5 结论针对齿轮故障声发射信号非线性非平稳性的特点，提出应用 TVF-EMD 对信号进行特征提取。通过对低信噪比仿真信号分解与 EMD 算法的对比，TVF-EMD 有效抑制了 EMD 的模态混叠效应。最后通过对实测信号进行分解，其分量的包络谱中可以看到明显的故障频率，证明本文所用方法可以准确提取出故障特征，实现齿轮磨损故障诊断。参考文献1 薛皓天.基于声发射的行星齿轮箱故障识别研究D.电子科技大学,2021.2 高素杰,巫世晶,周建华,等.基于 LMD 排列熵和BP 神经网络的行星齿轮箱故障诊断方法 J.机械传动,2022,46(10):10-16+23.3 曹玲玲,李晶,彭镇,等.基于 EEMD 和快速谱峭度的滚动轴承故障诊断研究 J.机电工程,2021,38(10):1311-1316.4 蒋玲莉,谭鸿创,李学军,等.基于 CEEMDAN 排列熵与 SVM 的螺旋锥齿轮故障识别 J.振动.测试与诊断,2021,41(01):33-40+198-199.5 N.E.Huang,Z.Shen,S.R.Long,et al.,The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysisJ.Proceedings Of The Royal Society Of London Series A-mathematical Physical A,454(1998)903-995.6 H.Li,Z.Li,W.Mo,A time varying filter approach for empirical mode decompositionJ.Signal Process,2017,138:146158.作者简介徐婧雯（1998-），女，辽宁省沈阳市人。硕士研究生。研究方向为故障诊断。杨平（1984-），男，辽宁省昌图市人。博士学历，讲师。研究方向为声发射检测技术、装备在线监测及故障诊断。赵帅锋（1981-），男，河南省洛阳市人。正高级工程师。研究方向为光学薄膜技术、生物医学光学滤光技术及产品研发设计。图 8：IMF 分量包络谱表 2：各 IMF 相关系数正常齿轮磨损齿轮IMF10.0533410.040824IMF20.0463310.025336IMF30.0796310.067933IMF40.155740.14524IMF50.308210.29033IMF60.357470.32935IMF70.425310.44205IMF80.462180.57053IMF90.524080.43101IMF100.208240.24782IMF110.151690.070279IMF120.0661020.046861IMF130.0323990.020925IMF140.0120620.006918