基于改进小波去噪预处理和EEMD的采煤机齿轮箱故障诊断.pdf

第4 7 卷第1 0 期 2 0 1 6 年1 0 月 中南大学学报 自然科学版 J o u r n a lo fC e n t r a lS o u t hU n i v e r s i t y S c i e n c ea n dT e c h n o l o g y V b l ．4 7N o ．1 0 O c t ．2 0 1 6 D O I 1 0 ．1 1 8 1 7 ／j ．i s s n ．1 6 7 2 - 7 2 0 7 ．2 0 1 6 ．1 0 ．0 1 6 基于改进小波去噪预处理和E E M D 的 采煤机齿轮箱故障诊断 李力1 ，2 一，倪松松1 1 ．中南大学机电工程学院，湖南长沙，4 1 0 0 8 3 ； 2 ．高性能复杂制造国家重点实验室，湖南长沙，4 1 0 0 8 3 ； 3 ．深海矿产资源开发利用技术国家重点实验室，湖南长沙，4 1 0 0 1 2 摘要针对采煤现场强噪声背景下采煤机齿轮箱振动信号集合经验模态分解 E E M D 故障特征不明显和分解效率 较低的问题，提出基于改进小波去噪预处理和E E M D 的故障诊断方法。采用小波改进阈值函数法对振动信号进行 去噪预处理，与传统小波阈值函数法相比能够有效地提高信号的信噪比。对去噪后的信号进行E E M D 分解得到若 干个本征模态分量 I M F ，计算各I M F 分量的相关度并剔除虚假分量。将该方法应用于采煤机齿轮箱行星轮的故 障诊断，通过对真实的I M F 分量进行频谱分析并提取信号的故障特征频率，与未去噪的信号进行对比。研究结果 表明该方法能够突出故障特征频率，使分解效率提高1 7 ．3 5 ％，并能进一步减小模态混叠现象。 关键词采煤机齿轮箱；故障特征；分解效率；改进小波去噪；集合经验模态分解；行星轮；模态混叠 中图分类号T H l 6 5 ．3 T D 4 2 1文献标志码A 文章编号1 6 7 2 - 7 2 0 7 2 0 1 6 1 0 - 3 3 9 4 - 0 7 S h e a r e rg e a r b o xf a u l td i a g n o s i sb a s e do n i m p r o v e dw a v e l e td e n o i s i n gp r e t r e a t m e n ta n dE E M D L IL i l 一．N IS o n g s o n 9 1 1 ．S c h o o lo f M e c h a n i c a la n dE l e c t r i c a lE n g i n e e r i n g ，C e n t r a lS o u t hU n i v e r s i t y , C h a n g s h a4 1 0 0 8 3 ，C h i n a ； 2 ．S t a t eK e yL a b o r a t o r yo f H i g hP e r f o r m a n c eC o m p l e xM a n u f a c t u r i n g ，C h a n g s h a4 1 0 0 8 3 ，C h i n a ； 3 ．S t a t eK e yL a b o r a t o r yo f D e e pS e aM i n e r a lR e s o u r c e sD e v e l o p m e n ta n dU t i l i z a t i o nT e c h n o l o g y , C h a n g s h a4 1 0 0 1 2 ，C h i n a A b s t r a c t I ns t r o n gn o i s eb a c k g r o u n do ft h ec o a lm i n i n g ，t h ef a u l tf e a t u r e so fs h e a r e rg e a r b o xv i b r a t i o ns i g n a le n s e m b l e e m p i r i c a lm o d ed e c o m p o s i t i o n E E M D w a sn o to b v i o u s ，a n dt h ed e c o m p o s i t i o nw a si n e f f i c i e n t ，f o rw h i c ham e t h o d b a s e do nt h ei m p r o v e dw a v e l e td e n o i s i n gp r e t r e a t m e n ta n dE E M Dw a sp r e s e n t e d ．T h eo r i g i n a ls i g n a lw a sd e n o i s e db y t h em e t h o do fw a v e l e ti m p r o v e dt h r e s h o l df u n c t i o n ；t h es i g n a l - - t o n o i s er a t i ow a si m p r o v e de f f e c t i v e l yc o m p a r e dt o t r a d i t i o n a lt h r e s h o l df u n c t i o nm e t h o d ．T h ed e n o i s e ds i g n a lw a sd e c o m p o s e di n t os e v e r a li n t r i n s i cm o d ef u n c t i o n s I M F s b yE E M D ．T h er e l e v a n c eo fI M F sw e r ea n a l y z e dt og e tr i do ft h ei l l u s i v ec o m p o n e n t so fd e c o m p o s i t i o nr e s u l t s ．T h i s m e t h o dw a sa p p l i e di nt h es h e a r e rg e a r b o xp l a n e t a r yg e a rf a u l td i a g n o s i s ，a n dt h ef a u l tc h a r a c t e r i s t i cf r e q u e n c yo f d e n o i s e ds i g n a lw a se x t r a c t e db yt h es p e c t r a la n a l y s i sm e t h o di nu s e f u lI M F s ．T h ee x p e r i m e n t a lr e s u l t sw e r ec o m p a r e d w i t ht h ea n a l y s i sr e s u l t so ft h eo r i g i n a ls i g n a l ．T h er e s u l t ss h o wt h a tt h ep r o p o s e dm e t h o dc a nm a k et h ef a u l tf e a t u r e s m o r ed i s t i n c ta n di m p r o v ed e c o m p o s i t i o ne f f i c i e n c yb y17 ．3 5 ％，a n df u r t h e rr e d u c et h em o d a lm i x i n gp r o b l e m ． K e yw o r d s s h e a r e rg e a r b o x ；f a u l tf e a t u r e s ；d e c o m p o s i t i o ne f f i c i e n c y ；i m p r o v e dw a v e l e td e n o i s i n g ；e n s e m b l ee m p i r i c a l m o d ed e c o m p o s i t i o n ；p l a n e t a r yg e a r ；m o d em i x i n g 收稿日期2 0 1 5 - 1 卜1 2 ；修回日期2 0 1 6 - 0 12 4 基金项N F o u n d a f i o n i t e m 国家重点基础研究发展计划 9 7 3 讨‘划 项目 2 0 1 4 c B 0 4 6 3 0 5 国家大洋专项项H D Y l 2 5 1 4 T - 0 3 P r o j e c t 2 0 1 4 C B 0 4 6 3 0 5 s u p p o s e db yt h eN a t i o n a lB a s i cR e s e a r c hD e v e l o p m e n tP r o g r a m 9 7 3P r o g r a m o fC h i n a ；P r o j e c t D Y l 2 5 1 4 一T - 0 3 s u p p o s e db yC h i n aO c e a n M i n e r a lR e s o u r c e sR DA s s o c i a t i o n 通信作者李力，教授，从事机械电子工程、工程机械等研究E m a i l l i l i c s u v i p ．s i n a ．t o m 万方数据 第1 0 期李力，等基于改进小波去噪预处理和E E M D 的滩堡垫堕丝笪垫 垦 垒堂 3 3 9 5 采煤机齿轮箱由多级平行轴齿轮系和两级行星轮 系组成，是整机部件中最复杂的部件。煤矿井下工作 的采煤机会受到采掘所产生的冲击以及煤尘和水汽的 污染和侵蚀，瓦斯安全等多种恶劣因素的影响。采煤 机齿轮箱极易出现齿轮的腐蚀、磨损、裂纹和变形等 故障，从而引起停机带来生产损失，而复杂的工作环 境使得采煤机的维护十分困难，因此，研究采煤机齿 轮箱的故障诊断方法对煤矿的正常生产具有重要意 义。基于振动分析的故障诊断方法是齿轮箱故障诊断 中最常用、最有效的方法之一[ 1 】。传统采煤机齿轮箱 信号处理方法大都以傅里叶变换为基础，如短时傅里 叶变换、功率谱分析、小波分析和小波包分析等，但 在处理此类信号方面存在缺陷。集合经验模态分解 e n s e m b l ee m p i r i c a lm o d ed e c o m p o s i t i o n ，E E M D 是一 种更直观的非线性、非平稳信号自适应处理方法[ 2 - 3 ] ， 能把复杂的信号分解成有限个本征模态分量 i n t r i n s i c m o d ef u n c t i o n ，I M F 。E E M D 是针对经验模态分解 e m p i r i c a lm o d ed e c o m p o s i t i o n ，E M D 方法的不足提出 的一种噪声辅助数据分析方法，比E M D 方法具有更 强的抗模态混叠能力。目前，E E M D 方法已成功应用 于齿轮箱的故障诊断，并取得了一定的成果。杨望灿 等【4 】针对齿轮振动信号非线性、非平稳的特点，提出 了一种基于E E M D 与奇异熵增量谱的齿轮故障特征 提取方法。林近山[ 5 】针对E M D 和E E M D 算法在齿轮 箱故障诊断中的缺陷，提出了一种基于互补的总体经 验模式分解算法的齿轮箱故障诊断方法。李辉等【6 】提 出了一种基于E E M D 和T e a g e r - H u a n g 变换的齿轮箱 故障诊断方法。雷亚国等[ J 7 】提出了一种行星轮故障检 测的自适应E E M D 方法。但是采煤机工作现场采集的 振动信号存在较强的随机噪声干扰，造成E E M D 分解 精度不高，得到的I M F 分量受噪声影响较大，故障特 征不明显。同时，E E M D 需进行几十至几百次E M D 运算，效率较低。在E E M D 分解中，对信号添加白噪 声是为了改变信号中极值点的分布，但由于添加的白 噪声和原始信号中引起模态混淆的间歇信号以及噪声 等异常信号在E M D 分解中最先被分解出，然后信号 趋于平稳，因此，对原始信号进行去噪预处理能够有 效减少每次E M D 的分解时问，提高E E M D 的分解效 率。同时，信号去噪预处理能减少边界效应造成的累 计误差，降低分解得到的I M F 分量中的噪声干扰。为 此，本文作者将小波去噪和E E M D 方法相结合，提出 基于改进小波去噪预处理和E E M D 的采煤机齿轮箱 故障诊断方法。将改进小波去噪作为信号预处理单元， 然后对去噪后信号进行E E M D 分解。 1采煤机齿轮箱行星轮振动信号 特征 在采煤机运行过程中，齿轮箱中的行星轮既与太 阳轮啮合又与齿圈啮合，多个齿轮的相对运动造成振 动频率的复杂组合，这些频率具有强烈的非线性和非 平稳性的特点【8 1 。同时，齿轮故障、行星轮和传感器 相对位置的改变会出现多种调制模式[ 9 】。 假设行星轮系中某个齿轮存在局部故障，局部故 障的啮合冲击对啮合振动产生调幅和调频作用。通过 调幅和调频函数来表示齿轮啮合点处的振动信号模 型，齿轮的啮合频率及其倍频成分为载波频率，故障 齿轮的振动特征频率及其倍频成分为调制频率，行星 齿轮的振动信号模型表示为【炉1 1 】 三 x t ∑a k t c o s 2 兀k f ．t b k t O k 1 k 0 其中 a k t 口∑心知c o s 2 喊H ‰ n 0 A 砌c o s 2 r c n f p f y 由 A 砌c o s 2 n n f r t y 砌 ] b k t ∑[ B s k ls i n 2 1 t ／f ／ f a s t 1 0 B 蜊s i n 2 n ／f p t f O p k t B r k ls i n 2 n 圻t 伊加 ] 式中a k t 为调幅函数；锨f 为调频函数；气扫，A 幽， A 砌分别为太阳轮、行星轮和齿圈分布式故障引起的 调幅强度；B 舭B 蒯和B r k l 分别为太阳轮、行星轮和 齿圈分布式故障引起的调频强度；6 c 为量纲一变量； 工为齿轮的啮合频率；工，f p 和Z 分别为太阳轮、行星 轮和齿圈的故障特征频率；媛轴，％砌，挚‰，妒舯9 州， 妒删和仇为初始相位；k ，胛和，为常数。 随着行星架的旋转，太阳轮、行星轮和齿圈之间 的相互啮合点相对于传感器的位置发生变化，传感器 采集到信号的幅值强度也会随之发生变化。由于行星 齿轮的公转会对各齿轮之间的啮合振动信号x ∽产生 调幅效应，其调幅效应表示为 x f 1 一c o s 2 r d V f c t x f 2 式中坝0 为调幅后的信号；疋为行星架的旋转频率； Ⅳ为行星齿轮的个数。 2 改进小波去噪预处理 2 ．1 改进小波去噪原理 小波去噪具有多分辨率和适应时变信号处理的特 万方数据 中南大学学报 自然科学版第4 7 卷 点，可以有效减少采煤机齿轮箱故障振动信号中大量 的干扰噪声。首先确定小波分解层次并进行分解运算， 然后对各个分解尺度下的高频系数选择1 个阈值进行 软化阈值量化处理，最后根据小波分解后的低频和高 频系数进行小波重构【1 2 - 13 ] 。因此，如何选择阈值以及 进行阈值量化是小波去噪的关键，传统的小波去噪阈 值方法有硬阈值法和软阈值法[ 14 1 。硬阈值法使用简 单，但是函数整体不连续，会使重构后的信号产生附 加的振动现象。软阈值法整体虽然连续，但是幅值较 大的小波会产生衰减现象，使处理后的信号产生恒定 的偏差。针对硬、软阈值法的不足，本文在软阈值法 函数的基础上构造出1 个新的阈值函数，改进的阈值 函数信号S 的形式为 s s n 帅卜再t 事⋯ 。3 ， 0 ，lX1 ≤t 式中t 为阈值；肝为调节系数。当珂取值很大时，改 进的阈值函数趋向于软阂值函数当胛趋于0 时，改 进的阈值函数趋向于硬阈值函数。通过调节厅可以调 节改进阈值函数的类型，在软、硬阈值函数之间取得 折中，尽可能消除软阂值函数的恒定偏差。同时，改 进的阂值函数在原始信号与噪声干扰信号之间形成1 个平滑过渡区域，保证阈值函数的连续性。 2 ．2 仿真分析 截割部齿轮箱第1 级行星轮中，太阳轮、行星轮 偿| [ 量为4 个 和齿圈的齿数分别为1 9 ，2 9 和7 7 个。 截割部齿轮箱第1 级行星轮振动特征频率中，啮合频 率为15 1 ．6 3 9H z ，太阳轮和行星架的绝对旋转频率分 别为9 ．9 5H z 和1 ．9 6 9H z ，太阳轮、行星轮和齿圈的 分布式故障特征频率分别为7 ．9 8lH z ，5 ．2 2 9H z 和 1 ．9 6 9H z 。将这些采煤机截割部齿轮箱第1 级行星轮 参数代入式 1 和 2 建立仿真信号模型，并在仿真信号 中加入高斯白噪声，得到的信号时波如图1 所示。 对含有噪声的行星齿轮箱仿真振动信号分别采用 硬阈值、软阈值和改进阈值3 种方法进行去噪处理。 在去噪过程中，通过对不同的小波基函数进行去噪效 果对比，选用d b 6 小波基函数，分解层数为4 层，去 噪后的效果如图2 所示。 为定量分析3 种小波阈值函数的去噪效果，对去 噪后的信号采用信噪比 尺s N 和均方根误差 E I t M s 这2 项指标进行分析，计算结果如表1 所示。从表1 可知， 从去噪效果看，改进阈值法与硬阈值和软阈值法相比， 能够有效地提高信号的信噪比，降低信号的均方根误 差，减少噪声对信号的干扰。 二4 n 8 1 0 时| 1 { J h 图1行星轮仿真振动信号时域波形 S i m u l a t e dv i b r a t i o ns i s a lw a v e f o 咖o f p l a n e m r yg e a r ．II | I | i L l I “。』【jIUl0j -Il【UI 址 f1㈣ 『1 ’ _Tf。 ’7 I 11TI1 I I| 1 1 1 7f|lf l c 一 山．．扎l J j Im 山LIJ． JJ 。m乩 U山L 上．“ 呷仆 f 丌f I l f 什 W 邗 ”I f II f T 。1 1 旷 ” 。邢邢 1二4nX0 时问『、 a 硬阈值去噪； b 软阂值去噪 c 改进阈值去噪 图2 行星轮去噪后信号时域波形 F i g ．2 D e n o i s e dv i b r a t i o ns i s a lw a v e f o m so f p l a n e 呻g e a r 0 5 O 5 0 一已．Lu＼迥馨巡蚓量 “ 一0．LLl／堇五～删乓 一0．Lu迂一孥掣缎曩 一__三童薹J|l型型一[f 万方数据 第l o 期 李力，等基于改进小波去噪预处理和E E M D 的采煤机齿轮箱故障诊断 塑 表1 不同阈值函数的去噪效果 T a b l e1 D e n o i s i n ge f f e c to fd i f f e r e n tw a v e l e t t h r e s h o l df u n c t i o n s 3E E M D 方法 3 ．1E E M D 原理 E E M D 是由H U A N G 等针对E M D 容易产生模态 混淆效应而在E M D 的基础上提出的一种新的信号处 理方法[ 1 5 - 1 7 】。利用高斯白噪声频率均匀分布的特性使 信号在不同尺度上具有连续性，进行足够多次数的平 均值处理后，噪声就会相互抵消，得到真正的分解结 果。对信号x 0 进行E E M D 分解的过程如下[ 1 8 - 1 9 】。 1 在原始信号工 力中多次加入高斯白噪声，高斯 白噪声的幅值均值为0 ，标准差为常数，得到加噪后 的信号为 x i t x f n i f 4 式中x 又力为第i 次加入高斯白噪声后的信号；n i t 为 加入的高斯白噪声。 2 对x f 进行E M D 分解，得到若干个I M F 分量 c “f 和1 个余项瓜f 。c “0 表示在第i 次加入白噪声后 E M D 分解得到的第，个I M F 分量。 3 对步骤1 和步骤2 进行Ⅳ次重复运算，得到 多个I M F 分量。 1 卫 c j t 专∑勺 5 o ’i 1 式中c 又力为始信号经E E M D 分解后得到的第，个I M F 分量。E E M D 分解结果为 三 x f 芝c 『 f r t 6 ， l 式中“力为本征模态分量I M F ；H f 为最终的残余分 量。E E M D 方法中含有总体平均次数Ⅳ和高斯白噪声 的幅值2 个重要参数。w u 掣2 0 1 建议，在N 1 0 0 时， 高斯白噪声的标准差为原始信号标准差的0 ．2 倍，将 有效地避免模态混叠问题。 3 ．2 虚假分量的去除 由于E E M D 分解过程中噪声的加入，造成E E M D 分解后得到的I M F 分量中含有虚假分量。为了有效提 取采煤机齿轮箱故障信号特征，对信号进行E E M D 分 解后，根据信号各个I M F 分量与原始信号的相关系数 来辨别并剔除虚假分量。原始信号x O 分解成若干个 I M F 分量c i t ，各分量与原始信号之间的相关系数计 算式为 月 ∑x t c ∥ ‰ T 尘坠一 7 。 Hn 、／∑x 2 f ∑C i 2 f Vk 0 k 0 4 采煤机齿轮箱故障诊断实例分析 为了验证基于改进小波去噪预处理和E E M D 的 故障诊断方法的有效性，将该方法应用于采煤机截割 部齿轮箱的故障诊断。实验中齿轮箱中某个行星轮齿 轮存在局部点蚀损伤，在信号采集过程中将传感器安 装在与第1 级行星轮系齿圈相连的箱体上，采样频率 为1 0 ．2 4k H z ，太阳轮的旋转频率疋为9 ．9 5H z ， 行星架的旋转频率疋为1 ．9 6 9H z ，齿轮的啮合频 率．厶为1 5 1 ．6 3 9H z ，行星轮的故障特征频率．届为 5 ．2 2 9H z 。 图3 所示为采集到的行星轮故障振动信号时域波 形，计算得到其信噪比为4 ．6 6 9 ，均方根误差为0 ．3 7 56 ， 有大量的噪声干扰存在。对信号进行改进小波去噪预 处理，结果如图4 所示，经计算，其信噪比为6 ．8 2 60 ， 均方根误差为0 ．2 9 31 ，噪声信号明显降低。将去噪后 的信号进行E E M D 分解，得到1 2 个I M F 和1 个残余 分量r ，如图5 所示。 对E E M D 分解得到的I M F 根据式 7 计算相关度， 结果如表2 所示。设定最大I M F 相关系数的1 ／1 0 为 阈值，可以判定信号的真实分量主要集中在前4 个 I M F 中。 对含有主要故障信息的前4 个I M F 分量的频谱进 行分析，结果如图6 所示。从图6 可以看出在I M F l 的频谱中，在频率分坼 约1 2 5 ．5H z ，工锑 约1 3 0 ．7 1 0 图3 行星轮故障信号时域波形 F i g ．3S i g n a lw a v e f o r mo ff a u l t yp l a n e tg e a rv i b r a t i o n 0 5 0 5 0 万方数据 3 3 9 8 中南大学学报 自然科学版第4 7 卷 f ∽ 三 晕 蜘 蠢 { } 蜊 到 o 』 U』UIJ』．iI』』I1 ．●蛐 Ji』．。 啊 |l’『 - n f|r If f l I l 哪 1f f11． 04681 0 H 寸[ h J l ／s 图4 行星轮故障信号去噪后时域波形 F i g ．4 D e n o i s e dv i b r a t i o ns i g n a lw a v e f o r mo ff a u l t y p l a n e t a r yg e a r 噩f 篓量 罂f 蚕量 主 墨f 簧量 量 O 68l O O24 时[ h J t ／s O24681 0 枷 高f 嚣‘ 谣l5 目 0 ．1 0 0 ．1 0 O 0 二4681 0 时间，／s a I M F I ； b I M F 3 ； c I M F 5 ； d I M F 7 e I M F 9 ； f I M F l l ； g 残余分量r 图5 行星轮故障振动信号E E M D 分解结果 F i g ．5 E E M Dd e c o m p o s i t i o nr e s u l t so f f a u l t yp l a n e t a r yg e a rv i b r a t i o ns i g n a l H z ，五一珥 约1 3 5 ．9I - I z ，詹一珥 约1 4 1 ．2H z ，五- f c 频 率 约1 4 9H z ，石 f o 嘎 约1 5 4 ．3n z ，二 2 磊 约1 6 2 ．1 H z ，付坼 约1 6 7 ．3H z ，五 铞 约1 7 2 ．5H z ，矗 斩嘎 约1 7 5 ．2n z 和五 诉嘎 约1 8 0 ．4H z 处的峰值谱线明 显。I M F 2 的频谱中，在．尼的1 7 倍频 约8 7 ．8 9I - I z 和 1 8 倍频 约9 5 ．7 6H z 处的峰值谱线明显。I M F 3 的频谱 中，在磊的7 倍频 约3 6 ．6 2H z 和9 倍频 约4 6 ．7 5H z 处的峰值谱线明显。I M F 4 频谱中，在．厶的4 倍频 约 19 ．4 7H z 处峰值谱线明显。这些峰值谱线的频率均与 采煤机行星轮的故障特征频率无有关，在采煤机运行 过程中，行星轮局部故障会造成载荷在行星架上的分 布不均匀，增强了行星轮的通过效应对齿轮啮合振动 的调幅效应，使得频率在五十妩处峰值增大。 表2 行星轮故障振动信号各I M F 相关系数 T a b l e2I M F sc o r r e l a t i o no ff a u l t yp l a n e t a r yg e a rv i b r a t i o n s i g n a l I M F 分量相关系数 I M F 分量 相关系数 I M F l0 ．9 3 0 4I M F 70 ．0 3 26 I M F 20 ．1 6 67I M F 80 ．0 2 10 I M F 30 ．1 4 85I M F 90 ．0 1 65 I M F 40 ．1 2 69I M F l 00 ．0 1 47 I M F 50 ．0 8 07I M F l l0 ．0 0 39 I M F 60 ．0 5 03I M F l 20 ．0 0 09 对未去噪信号进行E E M D 分解，并对前4 个I M F 分量进行频谱分析，结果如图7 所示。在未去噪信号 I M F l 的频谱中，在幅值较低的故障频率处 如1 2 5 ．5H z 和13 0 ．7I - I z 干扰特征频率较突出，容易造成误判。在 I M F 2 ，I M F 3 和I M F 4 的频谱中，可以明显地观察到 故障信号被淹没在干扰信号中，难以提取故障特征。 同时，I M F 2 和I M F l 频谱的一些故障特征频率 如 1 3 0 ．7 ，1 3 5 ．9 和1 6 2 ．1H z 出现重合，对其他故障特征 频率的提取存在较大干扰。而对信号采用改进小波进 行去噪预处理后，模态混叠程度较小 如图6 所示 ， 表明对信号采用改进小波去噪预处理能够进一步抑制 模态混叠现象。将原始信号与改进小波去噪后的信号 E E M D 分解时间进行对比，结果如表3 所示。从表3 可以看出采用改进小波去噪预处理后的E E M D 分解 比直接E E M D 分解时间明显减小，分解效率平均提高 1 7 ．3 5 ％。实验表明，对信号进行改进小波去噪预处理 能够有效提高E E M D 的分解效率。 0 5 0 5 O 万方数据 箜 塑奎垄笠 茎堕垄尘鎏圭竖亟丝望塑里曼 竺笪墨燮垫堂丝笪垫堕垒堑 ≥窆2 z 0 ．8 盖0 ．6 要0 4 剖0 ．2 f z ■ 三 涮 连 } 掣 型 口 1 h 1 鼍 阳’ l j 4 1 p 一。 一 1 4 I2 、 ⋯。。 铡 一o ．2 0 厂] 垂∽，o l“ 刊 争o s L L 一．．I 0 0l5 02 0 02 5 03 0 0O 频率f l H z 频率f , i t I z ／7 - 【∽ 三 章 碰 馨 捌 幽 口 o Ol5 02 0 02 5 03 0 0 频率f l H z 频率．，／} I z a 去噪后信号I M F I 的频谱； b 去噪后信号I M F 2 的频谱 C 去噪后信号I M F 3 的频谱； d 去噪后信号I M F 4 的频谱 图6 去噪后的行星轮故障信号各I M F 频谱 F i g ．6 I M F ss p e c t n t mo f f a u l t yp l a n e t a r yg e a rd e n o i s e dv i b r a t i o ns i g n a l f ， 三 芒 葛 } 型 剖 f ， 三 ≤ 坦 诗 } 型 刘 C 频率f l H z f O 4 量吣 墨吡 型 誓o o r 1 ， 三 章 涮 警 揪 划 口 o 、 b 一 】3 1 ’ ”■；* I } 札Ll 山 一 。。洫川 0 015 02 0 02 5 03 0 0 频率∥H z a 未去噪信号I M F l 的频谱； b 未去噪信号I M F 2 的频谱 C 未去噪信号I M F 3 的频谱 d 未去噪信号I M F 4 的频谱 图7 未去噪的行星轮故障各I M F 频谱 F i g ．7 I M F ss p e c t r u mo ff a u l t yp l a n e t a r yg e a ro r i g i n a lv i b r a t i o ns i g n a l 表3 分解时间比较 T a b l e3 C o m p a r i s o no fd e c o m p o s i t i o nl i m e s 5 结论 1 利用改进小波去噪方法对原始信号进行预处 理，与传统方法相比，能有效地提高信号的信噪比， 降低均方根误差，减少故障特征提取时的噪声干扰。 2 用E E M D 方法能够实现对非平稳、非线性信 号的自适应分解，在剔除虚假分量后，从有用的I M F 万方数据 3 4 0 0 中南大学学报 自然科学版第4 7 卷 ’‘’’- _ - - _ _ _ ，_ 二．- ．一 一一 一 中能够有效地提取故障特征。 3 采用改进小波去噪预处理和E E M D 结合的采 煤机齿轮箱故障诊断方法，能够有效地降低噪声信号 的干扰，使诊断效率提高1 7 ．3 5 ％，并能进一步抑制模 态混叠现象，有效提高采煤机齿轮箱故障诊断的准 确性。 参考文献 [ 2 】 【3 ] 【4 】 [ 5 】 [ 6 】 [ 7 1 【8 】 徐永强，邵忍平．齿轮振动信号的分析与故障诊断研究[ J ] ． 机械科学与技术，2 0 0 9 ，2 8 9 1 2 1 6 1 2 2 0 ． X UY o n g q i a n g ，S H A OR e n p i n g ．V i b r a t i o ns i g n a la n a l y s i sa n d f a u l td i a g n o s i so fg e a r s [ J ] ，M e c h a n i c a lS c i e n c ea n dT e c h n o l o g y f o rA e r o s p a c eE n g i n e e r i n g ，2 0 0 9 ，2 8 9 1 2 1 6 1 2 2 0 ． 张超，陈建军，郭迅．基于E E M D 能量熵和支持向量机的齿 轮故障诊断方法[ J 】．中南大学学报 自然科学版 ，2 0 1 2 ，4 3 3 9 3 2 - 9 3 9 ． Z H A N GC h a o ，C H E NJ i a n j u n ，G U OX u n ．G e a rf a u l td i a g n o s i s m e t h o db a s e do ne n s e m b l e e m p i r i c a lm o d ed e c o m p o s i t i o n e n e r g ye n t r o p ya n ds u p p o r tv e c t o rm a c h i n e [ J ] ．J o u r n a lo f C e n t r a l S o u t hU n i v e r s i t y S c i e n c ea n dT e c h n o l o g y ，2 0 1 2 ，4 3 3 9 3 2 - 9 3 9 ． W UZ h a o h u a ．H U A N GNE ．As t u d yo ft h ec h a r a c t e r i s t i c so f w h i t en o i s eu s i n gt h ee m p i r i c a lm o d ed e c o m p o s i t i o nm e t h o d [ J ] ． P r o c e e d i n g so ft h eR o y a lS o c i e t yA M a t h e m a t i c a lP h y s i c a l ＆ E n g i n e e r i n gS c i e n c e s ，2 0 0 4 ，4 6 0