為解決變分模態(tài)分解(VMD)在行星齒輪箱故障特征頻率提取過程出現(xiàn)的魯棒性低及分解個數(shù)不確定的問題,提出一種基于最小熵反褶積(MED)和自適應(yīng)變分模態(tài)分解(AVMD)的齒輪箱故障診斷方法.首先通過MED對信號進行降噪,突出故障信號特征;采用瞬時頻率的新定義及變差概念,自適應(yīng)選擇VMD的級數(shù);使用VMD方法將行星齒輪箱的斷齒故障信號分解為若干個本征模態(tài)函數(shù)(IMF)分量;根據(jù)相關(guān)系數(shù)分析選取帶有故障信號的IMF分量,對其進行包絡(luò)譜分析,以提取故障特征頻率.仿真信號和試驗信號分析結(jié)果表明,使用MED去噪后信號的峰值信噪比提高了10%,解決了傳統(tǒng)VMD個數(shù)經(jīng)驗選擇出現(xiàn)的誤差問題從而實現(xiàn)此過程自適應(yīng)化,解決了VMD在強噪聲下針對非線性非平穩(wěn)信號魯棒性低的問題,準確提取了風(fēng)電齒輪箱的故障特征頻率. 

【文章來源】：東南大學(xué)學(xué)報(自然科學(xué)版). 2020年04期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

小波去噪后的仿真波形圖

風(fēng)電傳動系統(tǒng)結(jié)構(gòu)模擬試驗臺

對去噪后的信號進行自適應(yīng)的VMD,得到K值為4,對4個分量中模糊熵值最小的分量進行包絡(luò)譜分析.由圖7可以得出,信號包絡(luò)譜中主要分量分別在行星架轉(zhuǎn)動頻率及其二、三倍頻和行星輪故障特征頻率及其二、三倍頻處.為了進一步對本文方法的有效性進行驗證,本文不經(jīng)過降噪直接對信號進行VMD分解,同時盲選VMD的分解個數(shù),圖8為盲選VMD后的信號波形圖及包絡(luò)譜圖.


本文編號：2941303