自适应局部迭代滤波在齿轮故障识别中的应用
郭德伟
普亚松
江洁
俞利宾
闵洁
张文斌
1.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自6611992.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自6611993.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自6611994.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自6611995.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自6611996.红河学院工学院,云南蒙自661199;云南省高校高原机械性能分析与优化重点实验室,云南蒙自661199
摘要：针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题,提出将自适应局部迭代滤波应用到齿轮故障识别中,与样本熵、灰色关联度相结合实现齿轮的故障识别.利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数,通过计算各本质模态函数的样本熵,发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界,前几个本质模态函数的样本熵能表征不同故障类型的特征;计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值,将其作为对应工况标准故障模式的参考值;计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度,与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型.实例分析结果表明,通过自适应迭代滤波能有效抑制模态混叠现象,发现明显的齿轮转频信号,而采用集合经验模式分解(EEMD)方法进行信号分解后,模态混叠现象比较明显,且在EEMD的分解结果中基本看不出齿轮的转频分量;4种工况的样本熵曲线形状存在明显差异,说明样本熵能有效表征齿轮故障特征的变化;灰色关联度方法能有效地将4种不同的故障类型进行分类识别,分类识别性能优于BP神经网络,对小样本数据具有较好的分类识别能力.
关键词：齿轮故障识别自适应局部迭代滤波样本熵灰色关联度转频信号
分类号：TD67(矿山电工)
资助基金：国家自然科学基金(51769007)云南省地方本科高校基础研究联合专项重点项目(2019FH001-007)云南省高校重点实验室建设计划资助项目(2018ZD022)
论文发表日期：2021-01-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 74-80,99 )
英文信息