vmd变分模态分解_【推荐文章】基于变分模态分解和广义Warblet变换的齿轮故障诊断...

《机械传动》2018年  第42卷   第7期

文章编号：1004-2539(2018)07-0157-05

DOI:10.16578/j.issn.1004.2539.2018.07.031

引用格式：杨琳, 王衍学, 何水龙. 基于变分模态分解和广义Warblet变换的齿轮故障诊断[J]. 机械传动, 2018，42(7):157-161.

YANG Lin，WANG Yanxue，HE Shuilong.Gear fault diagnosis based on VMD and generalized Warblet transform[J].Journal of Mechanical Transmission,2018, 42(7):157-161.

基于变分模态分解和广义Warblet变换的齿轮故障诊断

杨 琳 王衍学 何水龙

(桂林电子科技大学 机电工程学院， 广西 桂林 541004)

摘要 变分模态分解(Variational mode decomposition， VMD)作为一种新的信号处理方法，摆脱了传统自适应分解方法中的模态混叠、边界效应等缺陷，具有抗噪鲁棒性强、分解效率高等优点。广义Warblet变换(Generalized warblet transform， GWT)是一种新型参数化的信号时频分析方法，适合分析单分量瞬时频率呈周期或非周期变化的非平稳信号。融合VMD多模态信号分解优势以及广义Warblet解调性能，提出了一种基于VMD和GWT变换的齿轮故障诊断新方法，并通过实验分析验证了该方法的有效性。

关键词 变分模态分解 广义Warblet变换 齿轮 故障诊断

0 引言

齿轮及齿轮箱由于本身结构复杂，工作环境恶劣等原因，极易受到损害和产生故障，齿轮失效是诱发机械传动装置产生故障的重要因素[1]。同时，当齿轮发生故障时，会产生周期性的摩擦或冲击，通过加速度传感器提取的齿轮振动信号是典型的非平稳、非线性调制信号，往往表现为回转频率对啮合频率的调制[2-3]。因此，对这些振动信号调制成分的提取和分析一直都是齿轮故障诊断的难点。

近年来，齿轮故障的时频分析方法得到了迅速的发展，通过分析时频谱图可以检测齿轮的健康状况。成琼等人利用高斯线性调频小波变换的能量谱估计方法，提取出了调制边频带结构，实现了齿轮局部故障诊断[4]。对于各种线性或非线性调频信号，以线性调频小波为基函数的参数化时频变换方法具有良好的效果[5]。广义Warblet变换[6]128-140作为一种参数化的时频分析方法，在分析瞬时频率呈周期或非周期变换的调频信号方面有明显的优势，但是它和其他参数化时频方法一样，并不适用于多分量复杂调频-调幅信号。VMD[7]作为一种新的自适应信号分解方法，克服了传统自适应分解方法的不足，将信号分解转化为变分问题，通过寻找最优解，实现信号的自适应分解。Wang等人基于分形高斯噪声的仿真，研究了它的频带分解特性，并将VMD运用到转子-定子碰摩故障诊断中[8-9]。An等人利用VMD对水轮机通风管的非平稳压力波动信号进行了分析，结果表明，VMD比EMD在抑制模态混合和改善时频分辨率上有优势[10]。武英杰等人提出了一种基于变分模态分解和奇异值分解的特征提取方法，并采用模糊C均值聚类进行齿轮的状态识别与监测[11]。

本文中融合VMD多分量信号分析和广义Warblet变换在信号解调分析上的优势，通过分析齿轮的故障频率诊断出齿轮故障，实验分析验证了该方法在齿轮箱故障诊断中的有效性。

1 原理与算法

1.1 VMD算法基本原理

VMD能够非递归地将一个多分量信号分解成一系列具有调幅-调频性质的有限带宽的本征模态函数(Band-limited intrinsic mode function， BLIMF)。每一个模态uk在中心频率ωk附近波动，其带宽可以通过H1高斯平滑估计。

VMD本质上是一个约束变分问题，其所有估计的模态带宽问题可以表示为

(1)

式中，{uk}={u1， …， uK}表示分解后的K个BLIMF模态分量；{ωk}={ω1， …， ωK}表示K个模态分量的中心频率；f表示输入信号。通过引入二次惩罚因子τ和拉格朗日乘子λ(t)，式(1)中目标函数的约束变分问题转变为了无约束的问题。并且当存在高斯噪声时，二次惩罚因子τ可以确保信号的重构精度，拉格朗日乘子能够确保约束条件的严格性。增广拉格朗日乘子L为

L({uk}，{ωk}，λ)=

(2)

式(2)中的问题可以通过引入交替方向乘子法(Alternate direction method of multipliers， ADMM)解决。估计模态uk和相应的中心频率ωk在频率域更新为

(3)

(4)

式中，中心频率是其对应的模态函数功率谱的重心。时域中的模态uk(t)是通过对维纳滤波后的信号进行Fourier逆变换所得的实部部分。

从VMD的迭代过程可以看出，VMD根据信号的频率特性划分频带，并且模态和对应的中心频率在频域内不断更新，最终实现了信号的自适应分解。

1.2 广义Warblet变换

广义Warblet变换(Generalized warblet transform， GWT)[6]128-140是利用傅里叶级数作为核函数，通过引入频率旋转算子和频率平移算子的一种参数化时频变换方式，它被用来分析任意的具有周期性或非周期的高振荡瞬时频率的信号。基于目标瞬时频率的频谱，文献[6]128-140建立了一个依赖于信号的迭代过程，这使得GWT的傅里叶核函数的系数能够自适应地估计和完善，为它能够在实际中的应用奠定了基础。

由于任何振荡函数都可以通过傅里叶级数很好的逼近，所以GWT通过用傅里叶级数来代替Warblet变换中的正弦内核，从而确保信号瞬时频率的精确估计[6]128-140。具体表达为

(5)

其中，to∈R表示时间窗滑动时窗中心所在时间，wσ∈L2(R)定义了一个非负对称的标准化实窗，通常是高斯窗，即

(6)

φR(t，α，β，f)=

(7)

(8)

式中，z(t)为uk(t)的解析信号，m为正弦函数或余弦函数的总和，α={α1， α2， …， αm}与β={β1， β2， …， βm}表示傅里叶系数，α1，α2，…，αm与β1， β2，…，βm分别为余弦分量和正弦分量的系数。f={f1， f2， …， fm}为对应的谐波频率，φR(t， α， β， f)和φS(t， t0， α， β， f)分别表示频率旋转算子和频率平移算子。

1.3 基于VMD与GWT的混合解调方法

由于GWT变换只适用于单分量信号，这是所有参数化时频方法的问题[6]128-140。然而齿轮故障信号是多分量调频-调幅复杂信号，直接使用GWT效果并不理想。因此，本文中我们将VMD方法作为前处理，将信号分解成一系列单分量信号，对分解后BLIMF进行GWT变换，得到信号的时频图，进而提取故障特征与诊断。其主要步骤如下：

(1)对待分析的齿轮故障振动信号进行VMD分解。

(2)齿轮发生故障时，振动信号会表现出周期性的冲击，这些冲击信号会反映出齿轮的故障。因此从VMD分解所得的BLIMF中，选出冲击特征最明显的信号进行GWT变换。

(3)从变换得到的时频图中，可以发现冲击信号主要集中在啮合频率附近，并且冲击信号的周期与为齿轮的调制频率接近。因此通过调制频率和啮合频率，我们可以判断齿轮出现了故障。

2 齿轮故障诊断实例分析

2.1 实验装置

风力涡轮机动力传动故障诊断综合实验台(WTDS)实验装置如图1所示，动力传动系统主要由滚动轴承或套筒轴承支撑的二级平行轴齿轮箱，一个轴承负载，一个二级行星齿轮箱和一个可编程的磁力制动器组成。

图1 风力涡轮机动力传动故障诊断综合实验台(WTDS)

图2 齿轮箱内部结构及两种故障齿轮

该实验装置由3HP电机驱动，实验齿轮安装在与电机相连接的输入轴上，通过VQ数据采集系统，安装在二级平行轴齿轮箱上的加速度传感器采集振动数据。由图2(a)可以看出齿轮箱的两极减速结构， 实验过程中所用的故障齿轮包含齿根裂纹齿轮和齿面剥落两种类型，分别如图2(b)和图2(c)所示。图2(b)齿根裂纹宽为1.12 mm，深度为1.62 mm，裂纹长度为15 mm。图2(c)齿面剥落到齿根，宽度为4.2 mm。

该传动系统中输入轴转动频率均为29.81 Hz，采样频率均为2.56 kHz。输入轴小齿轮啮合频率为864.49 Hz(=29.81×29)。

2.2 齿轮齿根裂纹诊断

存在故障的齿轮振动信号中不仅存在调幅调频现象，而且通常还伴有一定的噪声。原始振动信号如图3所示，从时域波形中无法辨别出齿轮的健康状态。从频域中可以看出齿轮的振动信号频率成分很丰富，主导频率成分928 Hz实际就是输入轴转频调制的第一级啮合频率。对此信号，直接对齿根裂纹信号进行GWT，结果如图4所示，从图中不易判断齿轮是否出现故障。

图3 齿轮齿根裂纹振动信号时域图

图4 齿轮齿根裂纹GWT变换

齿轮齿根裂纹振动信号经VMD分解后的模态分量如图5所示，从图中可以看出VMD既从原始齿轮齿根裂纹振动信号中分离出低频BLIMF1模态分量，又提取出具有周期性冲击特征的BLIMF2模态分量，这在一定程度上将噪声与信号分离开来。其中，低频BLIMF2模态分量的频率值近似于轴的输入转频，BLIMF2模态分量中出现的周期性的冲击特征表明的是齿轮每转一周，在齿轮的故障点出会出现一次冲击特征。

对BLIMF2进行GWT，结果如图6所示，从图中可以看出微弱冲击信号集中在864 Hz的啮合频率附近，表明故障出现在齿轮箱第一级传动。进而，从图中低频区处可以清晰的计算出循环周期0.033 4 s(也就是循环频率29.94 Hz)，这与齿轮的第一级输入轴转动频率29.81 Hz相符合。因此，综合上述分析，可以推断出第一级传动输入轴小齿轮出现了局部故障。

图5 齿轮齿根裂纹振动信号的VMD分解模态

图6 齿轮齿根裂纹振动信号中BLIMF2模态的GWT变换

2.3 齿轮齿面剥落诊断

实验中采集的齿轮齿面剥落振动信号如图7所示，由于齿轮振动信号受相关耦合件的振动信号调制和噪声的影响，因此仅从时域波形和频域中不易辨别出齿轮的健康状态。直接做振动信号的GWT变换，结果如图8所示，图中很多有用的信息都被噪声所掩埋，无法判断出齿轮的健康状态。

齿面剥落振动信号经VMD分解后的模态分量如图9所示，从图中可以看出VMD既从原始齿轮齿面剥落振动信号中分离出低频BLIMF1模态分量，又提取出具有周期性冲击特征的BLIMF2模态分量，这在一定程度上将噪声与信号分离开来。

图7 齿轮齿面剥落振动信号时域图

图8 齿面剥落GWT变换

图9 齿面剥落振动信号的VMD分解模态

图10 齿面剥落振动信号中BLIMF2模态的GWT变换

对BLIMF2进行GWT变换，结果如图10所示，同样从图中可以看出齿轮冲击主要集中在第一级啮合频率附近。通过计算得出循环周期为0.033 7 s(也就是循环频率29.66 Hz)，这与齿轮的调制频率29.81 Hz相近。因此可以推断齿轮箱第一级传动输入轴小齿轮出现了局部故障。

3 结论

(1) VMD作为新的自适应信号分解方式，能够将多分量调频-调幅信号分解成一定数量的BLIMFs。这种信号分解方法对于从非平稳信号中提取出冲击分量和低频趋势项非常有效。

(2) 由BLIMF进行GWT变换得到的时频图，不仅能发现冲击主要集中在啮合频率附近，而且能明确的计算出冲击的周期，实现了齿轮故障的检测。与单独使用GWT变换相比，效果有了明显的改进。实验台数据分析结果验证了所提出的基于VMD的GWT变换在齿轮故障诊断应用中的有效性。

参考文献

[1] 丁康， 李巍华， 朱小勇. 齿轮及齿轮箱故障诊断实用技术[J]. 热能动力工程， 2005(4):97-99.

[2] SAWALHI N， RANDALL R B. Simulating gear and bearing interactions in the presence of faults: Part I. The combined gear bearing dynamic model and the simulation of localised bearing faults[J]. Mechanical Systems and Signal Processing， 2008， 22(8):1924-1951.

[3] 杨望灿， 张培林， 吴定海， 等. 基于EEMD与奇异熵增量谱的齿轮故障特征提取[J]. 机械传动， 2014， 38(2):141-146.

[4] 成琼， 于德介， 程军圣. 基于高斯线调频小波变换能量谱的齿轮故障诊断[J]. 振动与冲击， 2002， 21(2):83-85.

[5] 褚福磊. 机械故障诊断中的现代信号处理方法[M]. 北京：科学出版社， 2009:71-83.

[6] YANG Y， PENG Z K， MENG G， et al. Characterize highly oscillating frequency modulation using generalized Warblet transform[J]. Mechanical Systems & Signal Processing， 2012， 26(1):128-140.

[7] DRAGOMIRETSKIY K， ZOSSO D. Variational mode decomposition[J]. IEEE transactions on signal processing， 2014， 62(3):531-544.

[8] WANG Y， MARKERT R， XIANG J， et al. Research on variational mode decomposition and its application in detecting rub-impact fault of the rotor system[J]. Mechanical Systems and Signal Processing， 2015， 60:243-251.

[9] WANG Y， MARKERT R. Filter bank property of variational mode decomposition and its applications[J]. Signal Processing， 2016， 120:509-521.

[10] AN X， ZENG H. Pressure fluctuation signal analysis of a hydraulic turbine based on variational mode decomposition[J]. Proceedings of the Institution of Mechanical Engineers Part A Journal of Power & Energy， 2015， 229(8)：978-991.

[11] 武英杰， 刘长良， 甄成刚， 等. 基于变分模态分解的齿轮箱状态监测[J]. 机械传动， 2016， 40(1):161-164.

Gear Fault Diagnosis based on VMD and Generalized Warblet Transform

Yang Lin  Wang Yanxue  He Shuilong

(School of Mechanical and Electrical Engineering, Guilin University of Electronic Technology, Guilin 541004, China)

Abstract The variational mode decomposition (VMD) is a novel self-adaptive decomposition method without shortcomings of traditional adaptive decomposition methods, such as mode mixing and end effects. The VMD has the advantages of strong anti-noise robustness and high efficiency. The generalized Warblet transform (GWT) is suitable for analyzing modulated signal with periodic or nonperiodic change of instantaneous frequency. Considering the advantages of VMD in decomposing signal into sub-signals, a new method is proposed to detect gear fault based on GWT and VMD in this work. The VMD can be considered as the signal preprocessing prior to GWT. The results of the experimental analysis have demonstrated the effectiveness of the proposed method.

Key words Variational mode decomposition Generalized Warblet transform Gear Fault diagnosis

收稿日期： 2017-10-25 

收修改稿日期：2017-11-30

基金项目： 国家自然科学基金(51475098， 61463010)

广西自然科学杰出青年基金(2016GXNSFFA380008)

广西高校海外“百人计划”、广西高校高水平创新团队及“卓越学者”计划

广西制造系统与先进制造技术重点实验室主任课题(1514030001Z， 1638012004Z)

广西中青年教师基础能力提升项目(2017KY0207)

作者简介： 杨琳(1991— )， 女， 重庆大足人， 硕士研究生， 研究方向为机械信号处理与故障诊断。

通信作者： 王衍学(1980— )， 男， 山东泗水人， 博士， 教授， 博士生导师， 研究方向为机械动态信号处理与特征提取， 装备故障诊断与智能维护， 剩余寿命预测与健康管理。

专家点评：

  稿件提出了基于变分模态分解和广义Warblet变换相结合的齿轮箱故障诊断方法，建立了VMD和GWT分析模型，采用VMD作为前处理将故障信号分解成一系列单分量信号，接着将单分量信号再进行GWT变换得到信号的时频图，进而提取故障特征与诊断，最后对齿根裂纹和齿面剥落两种情况下的齿轮故障进行了诊断测试分析。结果表明,本文所提出的新方法大大地提高了故障特征提取的准确性，稿件有一定的参考价值。

END

查看更多内容，请点击