基于EMD和AFD的齿轮断齿诊断技术研究.pdfVIP

仪 器 tY-表 与检 测 技 术 《自动化技术与应用》2015年第 34卷第 5期 lnstrumentation andMeasurment 和端点效应等不利影响。 1998年，NordenE．Huang等人在对瞬时频率的概 = ( ㈤ l l、(f)) 念进行了深入研究后 ，提出了一种新的对于非线性 、非 记作q(t)：hi()，el(t)为x(t)的第一阶IMF，它 平稳信号的处理方法，即经验模态分解(EmpiricalMode 包含原始信号中最精细的尺度，则信号剩余部分 (f)为： Decomposition，简称EMD)。基于EMD的故障诊断方法 (f)= (f)一Cl(t) (5) 是近几年迅速发展的新技术 ，该方法具有很高的信噪 ()重复筛选得： 比。因为EMD方法是基于信号本身的信息进行平稳化 (f)=rn—l(f)一 () (6) 处理，产生具有不 同特征尺度的数据序列，即本征模函 当残余量 (f)小于给定值或者成为单调函数则停 数 (IntrinsicModeFunction，简称 IMF)，因此该方法能 止筛选。那么原始信号 (f)可以表示为： 够有效地分析非线性、非平稳信号，同时具有 良好的自 适应性。本文把基于EMD和AFD结合的新方法引入齿 ()=∑cf(f)+(f) (71 轮故障诊断，分析齿轮振动信号，消除端点效应，结果表 明该方法能够有效地提取故障特征信息。 EMD的基函数依赖于 自身，它在分解是使用的是 自 适应的广义基 ，EMD分解方法的基函数是一系列正弦函数 2 EMD与AFD算法概述 或者余弦函数，这些函数的幅度及频率是可变的。这也是 2．1 EMD原理 与小波分解的不同之处，小波分解的基函数是一系列提前 EMD方法的本质是对一个信号通过平稳化处理，从 设定的小波函数，分解效果的好坏基于函数的选择。 数据的特征时间尺度获得本征波动模式，对数据进行分 2．3 AFD算法 解 ，产生一系列具有不同特征尺度的数据序列，每一个 自适应滤波算法分为两类，递推最dx--乘(RLS)算法 序列即为一个本征模函数IMF，因此原始的信号即为多 和最小均方误差(LMs)算法，本文重点引用LMS算法。 个窄带信号 IMF之和，之后再选取包含主要故障信息的 首先令滤波器初始权值为0，即 (O)=0；然后由 IMF分量进行分析即可。EMD的最大优点是使非平稳 时刻n的滤波器系数矢量估值 ()、输入信号 (，z) 信号平稳化 ，从而使希尔伯特变换后的瞬时频率具有物 和期望信号 ()，计算误差信号： 理意义。 (，z)=X (，z) (，z)． (8) IMF要满足两个条件 ：(1)整个数据集的极大、极小