科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对行星齿轮箱多振源耦合导致故障源辨识困难、较弱故障特征容易被噪声和较强故障特征掩盖，以及由传播路径引起的信号衰减导致的故障特征微弱等问题，提出一种自适应参数优化的共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）和最大二阶循环平稳盲解卷积（Maximum second order cyclostationary blind deconvolution，CYCBD）的行星齿轮箱多故障耦合信号分离及诊断方法。根据轴承和齿轮故障的不同共振属性，用RSSD算法将多故障耦合信号分解为包含齿轮故障特征的高共振分量和主要包含轴承故障特征的低共振分量后，通过CYCBD算法分别对高、低分量进行解卷积，消除传播路径影响和噪声干扰，实现微弱故障特征的增强和提取。特别地，针对RSSD和CYCBD中参数优化困难、依赖人工经验和自适应差等问题，提出基于松鼠算法（Squirrel search algorithm，SSA）的参数自适应优化方法，设计了融合包络谱峭度、自相关函数最大值均方根和特征频率比在内的复合指标作为优化目标。最后对解卷积后的信号进行包络解调提取故障特征频率，识别不同故障源。通过行星齿轮箱多故障模拟信号和实测信号验证了所提方法的有效性和可行性，进一步地，将所提算法集成在边缘计算设备中，为行星齿轮箱等旋转机械的状态检测诊断及远程运维提供解决方案。本文所用数据https://gitee.com/phm720/Gearbox-Fault-Data。
- 单位
