欢迎来到天天文库
浏览记录
ID:21050989
大小:53.38 KB
页数:7页
时间:2018-10-19
《基于eemd的高速列车齿轮箱故障检测》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于EEMD的高速列车齿轮箱故障检测摘要为Y有效捕捉高速列车齿轮箱故障引起的本质振动模式,本文提出一种基于EEMD(ensembleempiricalmodeldecomposition)的高速列车齿轮箱故障诊断的新方法,该方法的核心是对采集的振动信号进行EEMD分解获取信号的若干振动模式,即振动信号的IMF(intrinsicmodelfunction)分量,采用信号与IMF自相关函数的最大相关系数来选择最佳IMF分景,对最佳IMF分景进行Hilbert变换提取其故障包络,利用包络信号的傅里叶谱来检测高速列车的齿轮箱的故障。应用故障实测数据对该方法进行验
2、证,结果表明该方法能够有效提取高速列车齿轮故障引起的振动模式,是一种有效的齿轮箱故障诊断方法。本文采集自网络,本站发布的论文均是优质论文,供学习和研究使用,文中立场与本网站无关,版权和著作权归原作者所右,如存不愿意被转载的情况,请通知我们删除己转载的信息,如果需要分享,请保留本段说明。关键词高速列车;齿轮箱;EEMD;相关分析;故障检测中图分类号U2文献标识码A文章编号2095-6363(2017)11-0089-03高速列车齿轮箱是高速列车关键动力、运动传递部件,直接关系到高速列车的服役性能和运行安全。一旦齿轮箱系统存在故障,不能及时发现和预警,无疑将危
3、及高速列车的运行安全或造成重大安全事故的发生,因此开展高速列车齿轮箱的故障检测具有重要应用价值和现实意义。齿牙在啮合过程中,故障会激起齿轮箱系统的瞬时冲击,使得齿轮箱系统的振动信号呈现出强非线性和非平稳的特点[1-2]。加之,早期故障十分微弱[3-4],测量噪声的不利影响[5-6],使得微弱的周期性冲击信号淹没在强噪声和其他的振动干扰中[7],无疑增加了故障检测的难度。对此,国内外学者进行丫广泛而深入的研究。如基于傅里叶变换的故障检测方法[7]、基于Wigner-Villerdistribution(WVD)分布的故障检测方法[8]、基于小波的故障检测[9
4、]。尽管这些方法为齿轮箱的故障检测发挥了重要作用,取得丰硕的研宄成果,但是傅里叶变换适合处理线性、稳态信号[1-3],WVD分析存在的交叉项妨碍了它在实际工程中的应用[4],小波分解中,一旦小波的基函数选择后,其时-频划分就确定,其分解质量取决信号与小波的基函数的相似性[4-7]。无疑,小波分解不是一种信号的自适应分解方法。EMD(Empiricalmodeldecomposition)是近年来出现的一种新的信号处理方法,十分适合处理类似齿轮箱故障引起的这种非线性非平稳信号,将信号自适应的分解为若干IMF分景。但是EMD存在模态混叠与模式破裂,对此,一种抗
5、混叠的新的EMD被提出,即EEMD[4].EEMD将信号分解为若干分量,需要寻求与故障相关的振动分量,采用相关分析来选择最佳振动分量。综上所述,本文提出一种基于EEMD(ensembleempiricalmodeldecomposition)的高速列?齿轮箱故障诊断的新方法,该方法的核心是对采集的振动信号进行EEMD分解获取信号的若干振动模式,即振动信号的IMF(intrinsicmodelfunction)分量,采用信号与IMF自相关函数的最大相关系数来选择最佳IMF分量,对最佳IMF分量进行Hilbert变换提取其故障包络,利用包络信号的傅里叶谱来检测
6、高速列车的齿轮箱的故障。应用故障实测数据对该方法进行了验证。1EEMD的故障检测模型1.1EMD和EEMD的基本原理EMD是一自适应信号分解方法,十分适合分解机械故障这类非线性非平稳。尽管EMD得到了广泛的应用,但是它依然存在模态混叠的根本的缺陷,所谓模态混叠就是一个IMF中依然包含多尺度信号。为了克服模态混叠问题,一种新的噪声辅助信号分析方法EEMD被提出,其核心思想是IMF为多次试验分析的平均。EEMD分解的主耍步骤为:第一步:添加白噪声序列到分解信号;第二步:应用EMD分解加噪声的信号;第三步:重复第一步到第二步,完成添加不同噪声幅值的信号分解;第四
7、步:获得多次分解下的平均IMF,即:(1)式中,为原始分析信号,为人工所加白噪声,是EEMD分解中IMF的分解的个数,是第IMF分量,是信号分解残差。另外,添加白噪声的幅值和组装次数对EEMD分解的性能有很大的影响,本文参照文献[4][10],添加白噪声的方差为原始信号方法的0.2倍,组装试验次数为100。1.2IMF的选择方法齿轮箱故障会引起周期性冲击信号,首先利用自相关函数凸现原始信号和IMF各自信号中含有的周期性成分,若IMF含有周期性冲击,则对应IMF与信号的相关性会增强,如IMF没有周期性冲击,其相关性会减弱。然后再分别计算原始信号与IMF的系数
8、,最大系数对应的IMF被选为最优的故障检测模式。原始分析信号、IM
此文档下载收益归作者所有