齿轮局部故障的滑窗相关和重叠群稀疏诊断方法 .pdfVIP

齿轮局部故障的滑窗相关和重叠群稀疏诊断

方法

作者：吴芳坦林慧斌何国林

来源：《振动工程学报》2020年第05期

摘要：齿轮发生局部故障时会产生周期性冲击激励，如何在早期故障阶段或强背景噪声下

提取齿轮局部故障分量一直是故障诊断的难点。针对此问题，提出一种基于滑窗相关和重叠群

稀疏的齿轮局部故障特征提取方法。该方法先利用移不变K-SVD算法学习到的故障冲击模式

与原始信号进行滑窗相关，对隐藏在噪声中的冲击分量进行特征增强，再利用冲击分量所具有

的群稀疏特性，通过重叠群稀疏算法直接从相关信号中提取包含故障周期特征的群稀疏成分，

并进一步重构出冲击信号。利用所提方法，齿轮局部故障仿真和实验信号中的故障特征和冲击

分量均被很好地提取出来。此外，通过与谱峭度以及其他同类方法的对比进一步说明了所提方

法的优越性，通过在正常齿轮信号上的分析也验证该方法不会产生误诊。

关键词：故障诊断;齿轮;移不变K-SVD重叠群稀疏;滑窗相关

+

中图分类号：TH165.3;TH132.41;TN911.7文献标志码：A文章编号：1004-4523（2020）

05-1084-10

：DOI10.16385/j.cnki.issn.1004-4523.2020.05.023

引言

齿轮传动系统在风力发电机组、汽车变速箱等复杂机械设备中得到了广泛的应用。然而，

受强负荷、长期高速连续运行等恶劣工作状态的影响，齿轮容易出现故障，进而造成重大事

故。因此，对其进行状态监测以发现早期故障并进行预警具有重大意义。

当齿轮存在点蚀、剥落或断齿等局部故障，其振动信号在时域中会表现为一系列冲击，然

而受正常齿轮啮合振动以及强背景噪声的影响，传感器采集到的机械振动信号往往是复杂的混

合信号，难以直接从原始振动信号中获得故障信息。为解决上述问题，许多新兴的信号处理方

法，如小波变换、谱峭度（SpectrumKurtosis，SK）和稀疏表示均被用于信号分解和故障诊

断。由于稀疏表示理论基于过完备字典对信号进行稀疏分解，能用少数原子對信号进行稀疏逼

近，在复杂信号分解和特征提取上具有明显优势，在故障诊断领域受到广泛关注。如文献[5]

建立单位脉冲响应原子组成的冲击调制字典用于提取齿轮局部故障信号;文献[6]采用调Q小波

对齿轮故障信号进行稀疏分解有效提取故障特征。

通常稀疏表示问题需要先基于待分析信号的先验知识建立字典，再通过匹配追踪、基追踪

等优化算法进行稀疏系数求解，其中字典的选择直接决定信号的稀疏度。但当原始信号很长

时，建立的稀疏字典维度通常也很大，那么通过上述算法求解就需要庞大的计算资源和时问。

为了避免建立稀疏字典带来的缺陷，文献[9]提出滑窗降噪K-sVD算法，只对包含冲击的一小

段信号进行学习，通过滑窗内积提取轴承故障特征。文献[10]提出了一种基于非凸罚正则化稀

疏低秩矩阵的轴承故障特征提取方法，直接从振动信号中提取冲击故障特征。最近提出的重叠

群稀疏（OverlappingGroupSparsity，OGs）算法利用非凸惩罚函数来提升总体目标凸函数稀

疏性，能够有效从含噪信号中直接提取成簇出现的大幅值群稀疏成分。由于旋转机械局部故障

产生的周期性冲击在时域同样具有群稀疏特性，该算法很快被用于机械故障信号降噪。如王友

仁等利用重叠群稀疏算法对行星齿轮箱角域信号进行降噪，并结合变分模态信号分解实现故障

诊断;吴定海等提出对双树复小波变换后的系数进行的重叠块阈值降噪方法，并通过滚动轴承

故障振动信号得到验证;文献[14]利用OGs算法提升轴承振动信号的调Q小波变换（Tunable-Q

waveletTransform，TQWT）系数的稀疏性，再通过反变换重构出故障特征信号。此外，为了

降低对字典的依赖，He等提出在优化目标函数的正则项加入故障周期信息的周期重叠群稀疏

算法，直接在时域提取故障特征，但在实际应用中故障周期往往是个未知数。

齿轮局部故障激起的冲击激励虽然在时域具有大幅值点成簇出现的群稀疏特性，但实际采

集到的齿轮信号受齿轮啮合振动及其他背景噪声的影响，加之冲击响应本身的衰减特性，其群

稀疏特性容易被噪声淹没。故为了提取齿轮局部冲击故障分量，本文提出了一种基于滑窗相关

和重叠群稀疏算法的齿轮局部故障的诊断方法，其利用移不变K-sVD算法学习到一个与故障

信号相适应的冲击模式，再利用该冲击模式与原始信号进行滑窗相关以增强故障特征，然后通

过重叠群稀疏算法直接从相关信号中提取包