基于MED和自适应VMD的行星齿轮箱故障诊断方法

TK83; 为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10％,解决了传统VMD个数经验选择出现的误差问题,从而实现此...

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 50; no. 4; pp. 698 - 704
Main Authors 朱静, 邓艾东, 邓敏强, 程强, 刘洋
Format Journal Article
LanguageChinese
Published 东南大学能源与环境学院,南京210096%东南大学火电机组振动国家工程研究中心,南京210096 20.07.2020
Subjects
最小熵反褶积
变分模态分解
故障诊断
行星齿轮箱
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2020.04.014

Cover

More Information
Summary:TK83; 为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10％,解决了传统VMD个数经验选择出现的误差问题,从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2020.04.014