下载文档原格式
第42卷第3期2021年3月自动化仪表P R O C E S S A U T O M A T I O N I N S T R U M E N T A T I O NV o l.42No. 3M a r. 2021基于改进L M D方法的风电机组齿轮箱故障诊断研究李辉，邓奇(西安理工大学电气工程学院，陕西西安710048)摘要:局部均值函数的求取是局部均值分解（L M D)的关键环节。
针对局部均值函数求取存在偏差进而造成模态混叠的问题，提出 了一种基于局部积分均值的L M D风电机组齿轮箱故障诊断方法。
该方法改变了对相邻两极值点求平均值的思路，采用求取相邻两极值点的局部积分均值，再通过滑动平均法进行平滑处理，最终得到局部均值函数。
为实现风电机组齿轮箱故障诊断，首先采用改进L M D方法对信号进行降噪处理，然后采用多尺度熵提取降噪处理后信号的特征向量，最后采用极限学习机进行故障诊断。
通过仿真分析，证明了该方法能有效解决模态混叠现象，提高了 L M D的分解精度。
试验验证分析表明，该方法的故障诊断准确率为100%，通 过对比分析表明，该方法优于其他故障诊断方法，具有工程应用价值。
关键词:局部积分均值；风机齿轮箱；局部均值分解；故障诊断；极值点；多尺度熵；极限学习机；模态混叠中图分类号：T H132. 41 文献标志码：A D0I： 10. 16086/j. cnki. issn 1000-0380. 2020060025Study on Fault Diagnosis of Wind Turbine GearboxBased on Improved LMD MethodLI H u i,D E N G Qi(School of Electrical E n g i n e ering,Xi5an University of T e c h n o l o g y,X i'an 710048,China)A b s t r a c t：F i n d i n g the local m e a n function is the k e y link of the local m e a n d e c o m p o s i t i o n(L M D). A fault diagnosis for the g e a r b o x of the L M D w i n d turbine b a s e d o n the local integral m e a n is p r o p o s e d c o n s i d e r i n g its deviation a n d m o d e m ixing. T h i s m e t h o d a p p l i e d local integral m e a n v a l u e of the a d j a c e n t t w o e x t r e m e points t h e n s m o o t h i n g b y the m o v i n g a v e r a g e m e t h o d to finally obtains the local m e a n function instead of a v e r a g i n g the t w o a d j a c e n t e x t r e m e points. In or d e r to realize the fault diagnosis of w i n d turbine g e a r b o x,t h e i m p r o v e d L M D m e t h o d for d e-n o i s i n g the signal a n d multi-scale e n t r o p y for extracting the feature vector of the d e-n o i s e d signal, a n d finally the limit learning m a c h i n e is used. S i m u l a t i o n analysis p r o v e s that this m e t h o d c a n effectively solve the m o d e m i x i n g p h e n o m e n o n a n d i m p r o v e the d e c o m p o s i t i o n a c c u r a c y of L M D.T h r o u g h e x p e r i m e n t a l verification,this m e t h o d h a s a fault diagnosis a c c u r a c y rate of 100%. T h r o u g h c o m p a r a t i v e analysis,it is of e n g i n e e r i n g applicatin va l u e superior to other fault diagnosis m e t h o d s.Key w ords：L o c a l integral m e a n；W i n d turbine g e a r b o x；L o c a l m e a n d e c o m p o s i t i o n；Fault d i a g n o s i s；E x t r e m e p o i n t；Multiscale e n t r o p y；E x t r e m e learning m a c h i n e；M o d e m i x i n g〇引言近年来，由于全球环境恶化和资源短缺，使得世界 各国逐渐开始重视开发和利用可再生能源。
0引言随着现代工业和智能设备的飞速发展，机械设备正向着高转速、高效率、高强度、自动化和高可靠性的方向发展[1，2]。
齿轮传动机构可靠、准确，传递的速度和功率范围较大，因而是机械设备中最常用的传动方式，被广泛地应用于各类机械设备的动力传递中[3]。
当齿轮发生点蚀、磨损等局部故障时，将会引起连锁反应，导致整个设备无法正常运行，甚至瘫痪[4]。
因此，提高设备的安全性和可靠性迫在眉睫。
有效的故障诊断和状态监测是提高设备可靠运行的保证。
在2005年，Jonathan S.Smith 提出了一种自适应时频分析方法———局部均值分解（Local Mean Decomposition ，LMD ）方法[5]。
它的原理是将一个多分量信号分解成从高频到低频的乘积函数（Production Function ，PF ），其中最后一个是残余分量。
而每个PF 分量由包络信号和调频信号相乘组成。
这种方法能够有效克服EMD 出现的端点效应、模态混叠等问题；排列熵（Permutation Entropy ，PE ）[6]是由Bandt 等人提出的一种用来衡量非线性信号的不规则性及复杂性的方法，它计算迅速便捷、具有良好的抗噪能力及鲁棒性，对信号突变的敏感性较强。
因此，本文采用LMD 进行信号处理，分解出若干个PF 分量，然后计算每个PF 分量的排列熵，形成特征向量，最终将特征向量输入到支持向量机中完成对齿轮的故障识别及分类。
1LMD 方法LMD 方法[7]在进行分解前需计算其局部均值函数和包络估计函数，计算它们最常用的方法是滑动平均法和极值上下包络线法。
但这两种方法存在缺陷。
三次Hermite 插值是一种能够克服上述两种方法缺点的曲线构造方法，它只需满足其节点的一阶导数连续，就能具备保形特性，适用于非平稳信号。
因此，本文运用三次Hermite 插值来计算LMD 局部均值函数与包络估计函数。
其算法步骤如下：①对原始信号x （t ）的极值点序列n k 进行端点延拓，得到新的极值点序列X k 。
LMD的LabVIEW实现及其在齿轮故障诊断中的应用唐贵基;王晓龙【摘要】将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块.为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力.最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断.【期刊名称】《中国测试》【年(卷),期】2014(040)001【总页数】5页(P101-105)【关键词】LMD模块;LabVIEW系统;齿轮故障【作者】唐贵基;王晓龙【作者单位】华北电力大学机械工程学院,河北保定071003;华北电力大学机械工程学院,河北保定071003【正文语种】中文【中图分类】TP311.1;TH132.41;TP277;O234局部均值分解（local mean decomposition，LMD）方法可以自适应地将一个复杂的多分量复合信号分解成多个乘积函数（product function，PF）分量和一个残量，得到的PF分量能真实反应原信号的本质信息。
相对于EMD来说，LMD受端点效应影响较小，并且可以避免EMD算法自身存在的问题。
近些年，不少学者对LMD方法进行了深入研究，并应用于故障诊断领域，文献[1-2]分别运用该方法对轴承故障和转子裂纹故障进行诊断，均成功提取出故障频率信息，程军圣等[3]对LMD算法进行改进，并将其应用于转子碰磨故障诊断，也获得了不错的分析结果。
鉴于LMD算法良好的应用前景以及LabVIEW软件在信号分析处理方面的广泛应用，本文开发出LabVIEW的LMD模块，并将其应用于齿轮故障诊断，效果明显，证明该模块具有一定的可靠性。
基于谱熵的齿轮故障诊断方法研究
胡军辉;邵忍平;曾泽君
【期刊名称】《机械传动》
【年(卷),期】2007(31)5
【摘要】齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。
在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。
谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。
本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。
【总页数】4页(P84-87)
【关键词】谱熵;特征提取;故障诊断;齿轮传动系统
【作者】胡军辉;邵忍平;曾泽君
【作者单位】西北工业大学,陕西西安710072
【正文语种】中文
【中图分类】TH132.41
【相关文献】
1.基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究 [J], 孟宗;刘东;岳建辉;詹旭阳;马钊;李晶
2.基于EEMD和二维边际谱熵的齿轮箱故障诊断 [J], 马百雪;潘宏侠;杨素梅
3.基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用 [J], 曹展;王细洋
4.基于Winger谱时频熵在齿轮故障诊断中的应用 [J], 孙宁;秦洪懋
5.基于高阶倒谱熵的齿轮故障诊断 [J], 熊军;李凤英;沈玉娣
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的 LMD 方法及其在滚动轴承故障诊断中的应用研究李琳;张永祥;明廷锋【摘要】To decrease the error induced by the boundary effect in the process of LMD,a new method based on the changing grades was introduced.After comparison with other methods by simulation,this method was proved to be more accurate.As the vibration signal of the faulty rolling element bearing was composed by a series of modulating signal,the improved LMD was applied to the fault diagnosis of bearing.This application,in which the SVD was used for noise reduction,was proved tobe effective and feasible by experiment.%针对局部均值分解（Local Mean Decomposition，LMD）方法存在的端点效应问题，提出一种基于梯度变化的端点效应抑制方法对局部均值分解进行改进，通过仿真对比不同端点抑制方法的效果，证明了该方法的准确性；针对滚动轴承故障振动信号为一系列调制信号的特点，将改进的局部均值分解方法应用于滚动轴承故障诊断中；利用奇异值分解降噪方法降低噪声污染对分解结果的影响；通过实验验证了该方法在滚动轴承故障诊断中的有效性和可行性。
【期刊名称】《振动与冲击》【年(卷),期】2016(035)008【总页数】4页(P183-186)【关键词】局部均值分解;端点效应;奇异值分解;滚动轴承;故障诊断【作者】李琳;张永祥;明廷锋【作者单位】海军工程大学船舶与动力学院，武汉 430033;海军工程大学船舶与动力学院，武汉 430033;海军工程大学船舶与动力学院，武汉 430033【正文语种】中文【中图分类】TP206当滚动轴承出现故障时，机械故障振动信号往往表现为一定的调制形式，其实际故障振动信号通常为多个调幅调频信号的叠加。
齿轮故障诊断技术研究综述齿轮是机械装置中极其重要的一种传动元件，广泛应用于工业生产和日常用品的设计中。
随着工业机械的发展，齿轮的使用范围不断扩大，它的使用寿命也越来越长，但由于其在长期使用过程中，会出现故障，因而研究齿轮故障的诊断技术在工程上具有重要的意义。
一、齿轮故障的分类根据齿轮故障的特点，可以将齿轮故障分为两大类：一类是外部故障，即外部因素引起的齿轮故障；另一类是内部故障，即齿轮内部结构或材料问题引起的齿轮故障。
外部故障可以再分为双向故障和单向故障，根据受力方向的不同，双向故障又分为咬合面故障、端面故障和传动轴故障；而内部故障可以分为齿轮磨损故障、齿轮断裂故障、齿轮滑动故障和齿轮松动故障等。
二、齿轮故障诊断技术研究（1）力学诊断技术力学诊断技术是一种检测齿轮机械性能参数，如偏心度、轴向剪力和各向异性变形等的诊断技术。
主要有谐振力学诊断技术（RE-VMD）方法、离散式动态诊断技术（DDT）方法、数字信号处理诊断技术（DSPD）等。
谐振力学诊断技术（RE-VMD）方法：它基于谐振响应在连续调整中的反应，由谐振响应曲线快速识别和分离齿轮故障，并在振动信号折射系数法的基础上，对故障参数进行定量化分析，利用谐振响应曲线实现齿轮故障的智能诊断。
（2）声学诊断技术声学诊断技术是指利用声学信号来诊断齿轮故障的技术，主要有测量式诊断、模式识别诊断和小波变换诊断等方法。
测量式诊断：是指通过对齿轮的声学信号进行测量，以此来诊断齿轮故障的方法。
其主要包括谐振分析、动态皮带法、调频技术和抑制技术等方法。
模式识别诊断：是指利用机器学习算法，通过声学信号的特征，来实现对齿轮机械故障的智能化诊断。
小波变换诊断：是基于小波变换分析器实现对齿轮故障的检测和诊断，其以小波变换系数为基础，来诊断齿轮故障。
三、结论以上是对齿轮故障诊断技术的研究综述，从齿轮故障的分类和诊断技术的研究中可以看出，当前齿轮故障的诊断技术研究大多以力学诊断技术和声学诊断技术为主，其中，力学诊断技术主要以谐振力学诊断技术（RE-VMD）方法、离散式动态诊断技术（DDT）方法、数字信号处理诊断技术（DSPD）等为代表；而声学诊断技术主要包括测量式诊断、模式识别诊断和小波变换诊断等技术。
