基于双重降噪与谱峭度的齿根裂纹故障诊断

在实际风力发电机齿轮箱工作中，振动信号往往伴随着强烈的噪声干扰，这种干扰会使得齿轮箱的故障特征信息难以被辨识，影响故障诊断的准确性。为了应对这一问题，张雪峰和徐玉秀两位学者提出了一种双重降噪与谱峭度结合的故障诊断方法。该方法在提升信号的信噪比的同时，有效地去除了噪声干扰。 双重降噪与谱峭度结合的故障诊断方法的核心思想在于首先使用经验模态分解（EMD）来分解源信号，将复杂的信号分解为一系列固有模态函数（IMF）的组合。EMD方法是一种自适应的信号处理技术，它能够将一个复杂的非线性和非平稳信号分解为有限数量的、平稳的IMF分量，这些分量包含了原始信号从高频到低频的各种特征。通过这种方式，原本复杂且携带噪声的信号得以简化为一系列较为纯净的信号分量，从而为后续的降噪和故障特征提取提供了便利。 经过EMD分解之后，各个IMF分量还需要经过一次降噪处理。这里采用的是时延自相关处理，其基本原理是利用信号的自相关性，在时间序列上对信号进行延时处理，然后与原信号进行相关分析。通过这一过程，可以减少信号的随机噪声成分，增强信号中周期性或半周期性的特征，从而达到降噪的目的。 时延自相关处理之后的各个IMF分量，接下来进行的是谱峭度的计算。谱峭度是一种衡量信号峭度或脉冲特性的参数，它能有效地表征信号的冲击性或者周期性。通过计算各IMF分量的谱峭度，可以区分出哪些分量是包含故障特征信息的，而哪些仅仅是噪声成分。具体来说，峭度较大的分量通常对应于具有冲击特性的信号，往往与故障相关，因此，可以根据谱峭度的计算结果来选择和重构包含故障特征信息的IMF分量。 将选择好的IMF分量进行信号重构，从而实现二次降噪。在这个过程中，能够将那些不含有故障特征信息的IMF分量去除，仅保留那些含有重要故障信息的分量。对重构的信号执行傅立叶变换，以获取信号的频谱信息，从而进行故障诊断。 将这种方法应用到仿真数据和齿根裂纹的实验数据中，通过分析结果可以证明该方法在实际中的有效性。它能够提高风力发电机齿轮箱故障诊断的准确性，对于保障风电机组的稳定运行和提高发电效率具有重要的意义。 这项研究得到了国家自然青年基金项目（***）和天津市自然科学基金重点项目（10JCZDJC23400）的支持，张雪峰与徐玉秀作为作者，分别来自天津工业大学机械工程学院，并分别在机械振动及故障诊断领域及机械振动、故障诊断、结构动力学领域有着深入的研究和丰富的经验。通过这种方法的提出和应用，不仅可以帮助提高风力发电机齿轮箱的故障诊断精度，同时为相关领域的研究提供了一种新的思路和解决方案。