行星齿轮箱齿面磨损故障诊断方法及系统

权利要求书： 1.一种行星齿轮箱齿面磨损故障诊断方法，其特征在于，包括以下步骤：

1)采用FSWT对原始振动信号进行频带选取，并进行信号重构；

2)将重构信号进行Hilbert变换，得到低频调制信号；

3)采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；

4)对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；

5)对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。

2.如权利要求1所述故障诊断方法，其特征在于，采用所述FSWT对原始振动信号进行频带选取，包括以下步骤：

1.1)对原始振动信号进行FSWT分析，提取包含瞬态脉冲丰富的频带作为故障频带；

1.2)采用FSWT逆变换对故障频带内的信号进行重构，重构信号z′(t)为：t1为起点时间,t2为终止点时间；ω1起点频率,ω2为终止点频率；W(t,ω,k)为原始振动信号z(t)的频率切片小波变换，t和ω为观测时间和观测频率，τ为时间自变量，k为频域上的尺度参数。

3.如权利要求1所述故障诊断方法，其特征在于，采用所述MOMEDA算法进行故障脉冲提取，包括以下步骤：

3.1)利用解卷积获取故障脉冲信号y(n)；

3.2)确定故障脉冲信号的故障脉冲周期，根据该故障脉冲周期选择周期区间；

3.3)在多点峭度谱中选择在周期区间峭度最大值处对应的周期，将该周期与理论脉冲周期结合计算误差率，若误差率在预设范围内，则该周期为故障脉冲周期；

3.4)利用MOMDEA准确提取故障脉冲周期的故障脉冲信号，得到所需要包含故障信息的故障信号。

4.如权利要求3所述故障诊断方法，其特征在于，所述步骤3.1)中，解卷积过程为：式中，n表示采样点个数，x(n)为原始振动信号，y(n)为故障脉冲信号，f为滤波器参数，k＝1,2,…,N?L,其中N表示解卷积范围，L代表滤波器阶数。

5.如权利要求4所述故障诊断方法，其特征在于，引入了多点D范数：式中，i为目标向量；当目标向量i与脉冲信号y(n)完全契合时，解卷积效果达到最佳，此时多点D范数MOMEDA的值取得最大值,与之对应的滤波器参数f即为最优滤波器参数。

6.如权利要求3所述故障诊断方法，其特征在于，所述多点峭度谱KMK为：式中，in为目标向量，n表示采样点个数，N表示解卷积范围，L代表滤波器阶数。

7.如权利要求3所述故障诊断方法，其特征在于，所述误差率η为：式中，δ为理论脉冲周期，T为实际峭度最大值处对应的周期。

8.如权利要求1所述故障诊断方法，其特征在于，对故障信号进行平方包络谱分析，所述平方包络谱分析算法包括以下步骤：

4.1)对故障脉冲信号y(t)进行希尔伯特变换：τ为时间自变量，y(t)′为希尔伯特变换后的信号；

4.2)构造解析信号c(t)和共轭复解析信号c(t)′：c(t)＝y(t)+jy(t)；

c(t)′＝y(t)?jy(t)′；

4.3)将解析信号和共轭解析信号求积重构出新的合成信号，得到平方包络信号g(t)：g(t)＝c(t)c(t)′；

4.4)将平方包络信号g(t)进行傅里叶变换，得到平方包络谱，在包络谱谱图中识别故障特征频率fp及其倍频成分。

9.如权利要求1所述故障诊断方法，其特征在于，采用HEI量化故障信号，HEI的值与故障特征量成正比，与振动信号中包含的故障信息的丰富度成正比；HEI采用K次根运算来归一化谐波幅值的乘积，使得谐波的个数即使发生变化也可以有效表达故障信息。

10.一种行星齿轮箱齿面磨损故障诊断系统，其特征在于，包括：第一处理模块、第二处理模块、第三处理模块、包络谱分析模块和HEI量化模块；

所述第一处理模块采用FSWT对原始振动信号进行频带选取，并进行信号重构；

所述第二处理模块将重构信号进行Hilbert变换，得到低频调制信号；

所述第三处理模块采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；

所述包络谱分析模块对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；

所述HEI量化模块对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。

说明书： 一种行星齿轮箱齿面磨损故障诊断方法及系统技术领域[0001] 本发明涉及一种齿轮故障诊断技术领域，特别是关于一种基于FSWT和MOMEDA的行星齿轮箱齿面磨损故障诊断方法及系统。背景技术[0002] 在全球风电机组累计装机容量快速增长的背景下，由部件故障导致的机组停机事故频发，其中发现造成停机最大时间的故障主要集中在风电机组的齿轮箱传动系统。对齿轮箱发生各种异常状态或故障及时、有效地监测，能提前预防或消除各种故障的发生，降低维修时间和费用，延长机组的使用寿命，提高机组发电效率和安全运行。由此可见，对风电机组发生各种异常状态或故障及时、有效地监测是非常必要的。行星齿轮箱振动信号中复杂的频率情况导致难以直接对故障特征进行提取，更多的是对啮合频率及其倍频为载波频率，故障特征频率等频率为间隔的边频带进行分析来实现故障特征提取，不能直接通过故障特征频率的出现来实现行星齿轮箱的故障诊断。发明内容[0003] 针对上述问题，本发明的目的是提供一种基于FSWT和MOMEDA的行星齿轮箱齿面磨损故障诊断方法及系统，其能实现直接对行星齿轮箱故障特征频率的准确提取，进而对行星齿轮箱齿面磨损故障进行研究和分析。[0004] 为实现上述目的，本发明采取以下技术方案：一种行星齿轮箱齿面磨损故障诊断方法，其包括以下步骤：1)采用FSWT对原始振动信号进行频带选取，并进行信号重构；2)将重构信号进行Hilbert变换，得到低频调制信号；3)采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；4)对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；5)对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。[0005] 进一步，采用所述FSWT对原始振动信号进行频带选取，包括以下步骤：[0006] 1.1)对原始振动信号进行FSWT分析，提取包含瞬态脉冲丰富的频带作为故障频带；[0007] 1.2)采用FSWT逆变换对故障频带内的信号进行重构，重构信号z′(t)为：[0008][0009] t1为起点时间,t2为终止点时间；ω1起点频率,ω2为终止点频率；W(t,ω,k)为原始振动信号z(t)的频率切片小波变换，t和ω为观测时间和观测频率，τ为时间自变量。[0010] 进一步，采用所述MOMEDA算法进行故障脉冲提取，包括以下步骤：[0011] 3.1)利用解卷积获取故障脉冲信号y(n)；[0012] 3.2)确定故障脉冲信号的故障脉冲周期，根据该故障脉冲周期选择周期区间；[0013] 3.3)在多点峭度谱中选择在周期区间峭度最大值处对应的周期，将该周期与理论脉冲周期结合计算误差率，若误差率在预设范围内，则该周期为故障脉冲周期；[0014] 3.4)利用MOMDEA准确提取故障脉冲周期的故障脉冲信号，得到所需要包含故障信息的故障信号。[0015] 进一步，所述步骤3.1)中，解卷积过程为：[0016][0017] 式中，n表示采样点个数，x(n)为原始振动信号，y(n)为故障脉冲信号，f为滤波器参数，k＝1,2,…,N?L,其中N表示解卷积范围，L代表滤波器阶数。[0018] 进一步，引入了多点D范数：[0019][0020] 式中，i为目标向量；当目标向量i与脉冲信号y(n)完全契合时，解卷积效果达到最佳，此时多点D范数MOMEDA的值取得最大值,与之对应的滤波器参数f即为最优滤波器参数。[0021] 进一步，所述多点峭度谱KMK为：[0022][0023] 式中，in为目标向量，n表示采样点个数，N表示解卷积范围，L代表滤波器阶数。[0024] 进一步，所述误差率η为：[0025][0026] 式中，δ为理论脉冲周期，T为实际峭度最大值处对应的周期。[0027] 进一步，对故障信号进行平方包络谱分析，所述平方包络算法包括以下步骤：[0028] 4.1)对故障脉冲信号y(t)进行希尔伯特变换：[0029][0030] τ为时间自变量，y(t)′为希尔伯特变换后的信号；[0031] 4.2)构造解析信号c(t)和共轭复解析信号c(t)′：[0032] c(t)＝y(t)+jy(t)；[0033] c(t)′＝y(t)?jy(t)′；[0034] 4.3)将解析信号和共轭解析信号求积重构出新的合成信号，得到平方包络信号g(t)：[0035] g(t)＝c(t)c(t)′；[0036] 4.4)将平方包络信号g(t)进行傅里叶变换，得到平方包络谱，在包络谱谱图中识别故障特征频率fp及其倍频成分。[0037] 进一步，采用HEI量化故障信号，HEI的值与故障特征量成正比，与振动信号中包含的故障信息的丰富度成正比；HEI采用K次根运算来归一化谐波幅值的乘积，使得谐波的个数即使发生变化也可以有效表达故障信息。[0038] 一种行星齿轮箱齿面磨损故障诊断系统，其包括第一处理模块、第二处理模块、第三处理模块、包络谱分析模块和HEI量化模块；所述第一处理模块采用FSWT对原始振动信号进行频带选取，并进行信号重构；所述第二处理模块将重构信号进行Hilbert变换，得到低频调制信号；所述第三处理模块采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；所述包络谱分析模块对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；所述HEI量化模块对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。[0039] 本发明由于采取以上技术方案，其具有以下优点：1、本发明采用FSWT(频率切片小波变换)实现瞬态冲击信息最丰富的故障频带的选取，并得到其频带的重构信号，缩小了振动数据的处理范围，提高了故障特征提取效率。2、本发明利用MOMEDA(多点最优调整的最小熵解卷积)对重构信号进行滤波处理，有效实现了故障脉冲的准确提取，并通过平方包络谱将故障特征频率从多个频率成分中分离出来，实现故障特征频率的解耦，能够更加清晰地提取到信号的故障特征频率。3、引入谐波有效指数(HEI)，以量化处理后信号中携带的故障特征量，通过该指标，可以确定振动信号中包含的故障信息的丰富度。附图说明[0040] 图1是本发明故障诊断方法的整体流程示意图。[0041] 图2是FSWT提取故障信号图；其中，图(a)为FSWT变换分析的输入信号；图(b)为FSWT的时频谱；图(c)为重构后的时域信号。具体实施方式[0042] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。[0043] 实施例1：[0044] 在本实施例中提供一种基于FSWT和MOMEDA的行星齿轮箱齿面磨损故障诊断方法，该方法对原始信号进行FSWT分析，提取包含瞬态脉冲最为丰富的频带，并对频率切片区间进行信号重构，提取信号中的故障信号。对重构信号进行Hilbert变换，将故障信息从复杂的信号调幅部分中分离出来，得到低频调制信号。结合理论故障周期，选择合适的周期区间，采用MOMEDA(多点最优调整的最小熵解卷积)算法有效提取了调制信号中的周期性故障冲击成分。通过平方包络谱突出信号中的瞬态能量成分，识别聚集在低频段的故障特征频率。并采用HEI(谐波有效指数)来量化信号中包含的故障信息。[0045] 如图1所示，具体的，行星齿轮箱齿面磨损故障诊断方法包括以下步骤：[0046] 1)采用FSWT(频率切片小波变换)对原始振动信号进行频带选取，并进行信号重构；[0047] 在本实施例中，原始振动信号为行星齿轮箱齿面磨损故障的振动数据，优选的采样频率为fs＝20480Hz。[0048] 2)将重构信号进行Hilbert变换，将故障信息从复杂的信号调幅部分中分离出来，得到低频调制信号。[0049] 3)采用MOMEDA算法有效提取低频调制信号中的周期性故障脉冲，得到故障信号。[0050] 4)对故障信号进行平方包络谱分析，通过平方包络谱分析突出故障信号中的瞬态能量成分，抑制噪声，识别聚集在低频段的故障特征频率。[0051] 5)对故障信号进行HEI量化处理，HEI量化处理后的故障信号中包含故障脉冲的故障信息，实现对行星齿轮箱齿面磨损的故障诊断。[0052] 上述步骤1)中，采用FSWT对原始振动信号进行频带选取，包括以下步骤：[0053] 令L2(R)为有限向量空间(R为集合实数),对任意原始振动信号z(t)∈L2(R)，频率切片小波变换为：[0054][0055] 其中，t和ω为观测时间和观测频率，u为角频率， 为母小波函数p(t)的频域形式， 为原始振动信号z(t)的频域形式；符号*代表共轭函数，频域上的尺度参数k为：[0056][0057] 式中，Δωp为频率切片函数 已知的频窗宽度；ηs为原始振动信号z(t)的频率分辨率。通过调节Δωp和ηs，来调节FSWT的频率或时间的灵敏度，进而达到多分辨率的目的。[0058] 在本实施例中，选取 作为频率切片函数，基本参数ηs＝0.025，尺度参数 利用行星齿轮箱故障的冲击性，对振动信号作FSWT变换分析全频带的时频分布特征。

[0059] 1.1)对原始振动信号进行FSWT分析，提取包含瞬态脉冲最为丰富的频带作为故障频带；[0060] 其中，图2中的图(a)作为FSWT变换分析的输入信号。然后选择观察到的FSWT频率范围，图2中的(b)为FSWT的时频谱，所选部分为时频谱中提取的故障频带，该频带被认为是故障共振频带。图中最亮色部分为幅值最高处，最暗处部分为幅值最低处，可以看出振动数据中全频率范围的时频幅值分布情况。在本实例中瞬态脉冲主要聚集于500～1500Hz的频率范围内，因此选取此范围内的频带为本组数据的故障频带。[0061] 1.2)采用FSWT逆变换对故障频带内的信号进行重构。[0062] FSWT可对分析信号进行时频分解，若 满足 原始振动信号z(t)的频率切片小波变换为W(t,ω,k)，则在时频区域(T1,T2,ω1,ω2)的重构信号z′(t)为：[0063][0064] t1为起点时间,t2为终止点时间；ω1起点频率,ω2为终止点频率。[0065] 由上式可知重构信号z′(t)可直接由快速傅里叶变换求得。故利用FSWT逆变换能方便地重构任意频带内的信号。图2中的(c)为重构后的时域信号。[0066] 上述步骤3)中，采用MOMEDA算法进行故障脉冲提取，包括以下步骤：[0067] 3.1)利用解卷积获取故障脉冲信号y(n)；[0068] 解卷积过程为：[0069][0070] 式中，n表示采样点个数，x(n)为原始振动信号，y(n)为故障脉冲信号，f为滤波器参数，k＝1,2,…,N?L,其中N表示解卷积范围，L代表滤波器阶数。[0071] 考虑到故障脉冲周期性的特点，MOMEDA引入了多点D范数，使得解卷积的效果达到最佳，即：[0072][0073] 式中，i为目标向量，定义解卷积目标冲击成分的位置和权重。当目标向量i与脉冲信号y(n)完全契合时，解卷积效果达到最佳。此时多点D范数MOMEDA的值取得最大值,与之对应的滤波器参数f即为最优滤波器参数。[0074] 3.2)确定故障脉冲信号的故障脉冲周期，根据该故障脉冲周期选择周期区间；[0075] 其中，故障脉冲周期根据采样频率和行星轮故障特征频率得到；[0076] 在本实施例中，采样频率fs＝20480Hz，行星轮故障特征频率fp＝7.03Hz，则故障脉冲周期T＝fs/fp＝2913.23。行星齿轮箱中的其它频率对应的脉冲周期与故障脉冲周期T差异明显，故周期区间可选择为[2900,2950]。[0077] 3.3)在多点峭度谱中选择在周期区间峭度最大值处对应的周期，将该周期与理论脉冲周期结合计算误差率，若误差率在预设范围内，则该周期为故障脉冲周期。[0078] 多点峭度谱KMK为：[0079][0080] 式中，in为目标向量。[0081] 在本实施例中，此区间内周期T＝2935处的峭度值最大，此时的故障脉冲周期和理论脉冲周期的误差率为0.7％，即可确定选择的故障脉冲周期为准确的故障脉冲周期。[0082] 误差率：[0083] 式中，δ为理论脉冲周期，T为实际峭度最大值处对应的周期。[0084] 3.4)利用MOMDEA准确提取故障脉冲周期的故障脉冲信号，得到所需要包含故障信息的故障信号；[0085] 例如，利用MOMDEA准确提取周期T＝2934的故障脉冲，得到所需要包含故障信息的信号。[0086] 上述步骤4)中，为了对故障信息进行精确计算，对故障信号进行平方包络谱分析，可以抑制噪声,突出聚集在低频段的故障特征频率,能更好地进行故障诊断。[0087] 平方包络算法包括以下步骤：[0088] 4.1)对故障脉冲信号y(t)进行希尔伯特变换：[0089][0090] τ为时间自变量，y(t)′为希尔伯特变换后的信号。[0091] 4.2)构造解析信号c(t)和共轭复解析信号c(t)′：[0092] c(t)＝y(T)+jy(t)；(9)[0093] c(t)′＝y(t)?jy(t)′；(10)[0094] 4.3)将解析信号和共轭解析信号求积重构出新的合成信号，得到平方包络信号g(t)：[0095] g(t)＝c(t)c(t)′；(11)[0096] 4.4)将平方包络信号g(t)进行傅里叶变换，得到平方包络谱，在包络谱谱图中识别故障特征频率fp及其倍频成分。[0097] 上述步骤5)中，采用HEI量化故障信号，HEI的值与故障特征量成正比，与振动信号中包含的故障信息的丰富度成正比。HEI为：[0098][0099] 其中，ω0为故障频率，F(ω0)为振动信号z(t)的谱图中ω0对应的幅值；K为谐频倍数。[0100] HEI采用K次根运算来归一化谐波幅值的乘积，使得谐波的个数即使发生变化也可以有效表达故障信息。[0101] 在本实例中，行星轮故障特征频率fp＝7Hz，nfp＝7nHz(n为正整数)，由于在实际分析中会存在微小误差，故在平方包络谱的频率区间[nfp?1,nfp+1]中取最大值，将前n个所选频率幅值进行乘积，并进行n次根运算，即可得到谐波有效指数(HEI),将其作为故障谐波乘?6积谱指标。此处选定n＝50，计算可知所选数据中fp的HEI值为4.331×10 。

[0102] 实施例2：[0103] 在本实施例中提供一种行星齿轮箱齿面磨损故障诊断系统，其特征在于，包括：第一处理模块、第二处理模块、第三处理模块、包络谱分析模块和HEI量化模块；[0104] 第一处理模块采用FSWT对原始振动信号进行频带选取，并进行信号重构；[0105] 第二处理模块将重构信号进行Hilbert变换，得到低频调制信号；[0106] 第三处理模块采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；[0107] 包络谱分析模块对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；[0108] HEI量化模块对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。[0109] 上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。[0110] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0111] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0112] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0113] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。