專利名稱：基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于設(shè)備狀態(tài)監(jiān)測與診斷技術(shù)領(lǐng)域，涉及一種用于齒輪傳動運行狀態(tài)故障監(jiān)測與診斷的方法，具體涉及一種基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法。

背景技術(shù)：
隨著大型化、連續(xù)化工業(yè)設(shè)備的發(fā)展，對齒輪系統(tǒng)的監(jiān)測診斷提出了更高的要求，不僅要提高簡單齒輪系統(tǒng)的診斷質(zhì)量，而且對各種復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)也提出了診斷測試需求，如重型機床、新型高速壓縮機的齒輪變速箱、鋼鐵行業(yè)的高爐布料器爐頂齒輪箱、煉鋼廠的大包回轉(zhuǎn)臺齒輪系統(tǒng)以及鋼包傾翻臺減速齒輪箱等。這些復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)的工作環(huán)境惡劣，且結(jié)構(gòu)復(fù)雜、傳動鏈長，使得傳感器的安裝非常困難，甚至難以實現(xiàn)(如高爐布料器爐頂齒輪箱)，導(dǎo)致基于振動方法的齒輪故障診斷技術(shù)難以實施。而現(xiàn)有非接觸檢測方法受現(xiàn)場工況的影響較大，因此，對上述復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)的診斷已成為傳統(tǒng)診斷方法難以分析處理的盲點。
作為傳動機構(gòu)，齒輪箱由電機驅(qū)動傳遞扭據(jù)，通常采用定子電流信號分析法對電機故障進行診斷，該方法是基于電機定子與轉(zhuǎn)子間的電磁耦合，將電機轉(zhuǎn)子和定子的故障信息反映在定子電流中，再通過對電機電流信號的頻譜分析實現(xiàn)電機定子、轉(zhuǎn)子以及偏心故障的診斷，甚至可以識別電機滾動軸承的狀態(tài)。因此，由電機拖動的齒輪系統(tǒng)中存在的齒輪缺陷也會對電機轉(zhuǎn)子的運行產(chǎn)生影響，即導(dǎo)致電機定轉(zhuǎn)子間電磁耦合的變化，從而將齒輪故障信息反映在定子電流信號中，且電流信號具有非接觸和遠距離檢測的特點。與振動和其他非測量方式相比，定子電流信號檢測為解決復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)故障診斷提供了一種可能的手段。
根據(jù)齒輪系統(tǒng)的傳動規(guī)律，齒輪箱輸出軸的運動表征為振動調(diào)制特性，并傳遞給電機轉(zhuǎn)子，在定子、轉(zhuǎn)子氣隙磁耦合的作用下，調(diào)制信號在定子電流中表現(xiàn)為進一步的被調(diào)制，這樣通過機電磁的作用形成多次調(diào)制，并在電機諧波頻率的影響下，使得齒輪系統(tǒng)振動源信息在電流信號中表現(xiàn)為復(fù)雜調(diào)制現(xiàn)象，顯然傳統(tǒng)的希爾伯特解調(diào)方法并不能從電機定子電流信號中有效提取出反映齒輪系統(tǒng)狀態(tài)的復(fù)雜頻率成分。為了解決復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)的監(jiān)測診斷難題，迫切需要新的齒輪振動復(fù)雜解調(diào)方法。


發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法，能從檢測到的電機定子電流信號中有效提取出由該電機拖動的復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)產(chǎn)生的復(fù)雜頻率，實現(xiàn)對該復(fù)雜結(jié)構(gòu)齒輪系統(tǒng)的監(jiān)測診斷。
本發(fā)明所采用的技術(shù)方案是，基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法，以齒輪傳動鏈中驅(qū)動電機的定子電流信號為基礎(chǔ)，利用循環(huán)自相關(guān)函數(shù)的解調(diào)性，通過熵優(yōu)化對應(yīng)的循環(huán)頻率處理，進行循環(huán)自相關(guān)函數(shù)的切片解調(diào)，得到包含該循環(huán)頻率成分及其倍頻的解調(diào)譜，并在該解調(diào)譜的基礎(chǔ)上進行頻譜校正，得到復(fù)雜齒輪系統(tǒng)的準確診斷結(jié)果，該解調(diào)方法按以下步驟進行 步驟1采用電流傳感器采集齒輪傳動鏈中驅(qū)動電機的電流信號，利用傅立葉變換得到該電流信號的循環(huán)平穩(wěn)頻譜圖； 步驟2計算步驟1所得循環(huán)平穩(wěn)頻譜圖在循環(huán)頻率下切片譜圖的熵值S(P)，該熵值S(P)通過以下公式計算得到 設(shè)P(p1，p2，…，pn)為一不確定的概率分布，k為任一常數(shù)，則該概率分布P(p1，p2，…，pn)范圍內(nèi)的熵值S(P)為 式中，pi為第i個信息狀態(tài)出現(xiàn)的概率，-lnpi是第i個信息狀態(tài)出現(xiàn)時帶來的信息量，S(P)為熵值，表征了第i個信息狀態(tài)的信息量的大?。? 步驟3根據(jù)步驟2計算出的熵值繪制熵值曲線； 步驟4利用排序方法，將步驟3繪制的熵值曲線進行排序，并確定出熵值曲線中的熵極小值點，然后，通過步驟3的熵值曲線得到該熵極小值點的特征切片循環(huán)頻率S(Ps) S(Ps)＝min[S(Pi)] 其中S(Ps)為熵極小值，Ps為熵極小值點，S(Pi)為各頻率處的熵值； 步驟5在步驟1的循環(huán)平穩(wěn)頻譜圖中找到與步驟4得到的特征切片循環(huán)頻率對應(yīng)的相應(yīng)頻率，則該相應(yīng)頻率的切片圖即為特征切片頻率譜； 步驟6采用頻譜校正法，通過理論計算，對步驟4得到的特征切片循環(huán)頻率的差值進行誤差校正，并根據(jù)校正誤差后的特征切片循環(huán)頻率對步驟5中的特征切片頻率譜進行校正，獲得準確頻率幅值； 步驟7根據(jù)步驟6得到的準確頻率幅值，得到故障頻率的特征信息。
本發(fā)明解調(diào)方法，具有如下優(yōu)點 1.基于電機電流信息準確把握齒輪系統(tǒng)的運行狀態(tài)和故障，可以消除齒輪系統(tǒng)狀態(tài)監(jiān)測和故障診斷的盲點。
2.采用特定周期信號的相關(guān)提取思路，為解決復(fù)雜調(diào)制信號的特征成分提供了可行的手段和方法，針對復(fù)雜調(diào)制的解調(diào)難題，采用能對復(fù)雜的多組幅值調(diào)制信號進行解調(diào)分析的循環(huán)平穩(wěn)方法。
3.基于最優(yōu)熵原理，能方便地求出三維循環(huán)譜圖中各循環(huán)頻率，解決了使用循環(huán)平穩(wěn)方法對電流信號進行處理時，信號成分復(fù)雜性增加(如頻率成分多，分布范圍較大等)，其三維譜圖變得復(fù)雜的問題。
4.利用頻譜校正方法對優(yōu)化的循環(huán)譜進行循環(huán)譜峰的校正。



圖1是本發(fā)明實施例中高爐布料溜槽齒輪傳動系統(tǒng)的結(jié)構(gòu)示意圖。
圖2是采集的圖1所示齒輪傳動系統(tǒng)中溜槽旋轉(zhuǎn)電機的驅(qū)動電流信號頻譜圖。
圖3是圖2中50Hz處頻譜的局部放大圖。
圖4是將50Hz附近細化10倍后的幅值譜放大圖。
圖5是圖1所示齒輪傳動系統(tǒng)的溜槽旋轉(zhuǎn)電機電流信號11Hz處頻帶的熵值曲線圖。
圖6是11.1Hz頻率處的切片譜圖。
圖7是29.6Hz頻率處切片譜圖 圖1中，1.第一齒輪，2.第二齒輪，3.第三齒輪，4.齒圈，5.第四齒輪，6.第五齒輪，7.第一蝸輪，8.蝸桿，9.第六齒輪，10.第七齒輪，11.第八齒輪，12.第九齒輪，13.第十齒輪，14.第十一齒輪，15.第十二齒輪，16.第十三齒輪，17.傳動絲杠，18.第二蝸輪，19.第十四齒輪，20.第十五齒輪，21.溜槽旋轉(zhuǎn)電機，22.溜槽傾動電機，23.布料溜槽，24.溜槽中心線。

具體實施例方式 下面結(jié)合附圖和具體實施方式
對本發(fā)明進行詳細說明。
本發(fā)明解調(diào)方法以齒輪傳動鏈中驅(qū)動電機的定子電流信號為基礎(chǔ)，利用循環(huán)自相關(guān)函數(shù)的解調(diào)性，通過熵優(yōu)化對應(yīng)的循環(huán)頻率處理，進行循環(huán)自相關(guān)函數(shù)的切片解調(diào)，得到包含該循環(huán)頻率成分及其倍頻的解調(diào)譜，并在該解調(diào)譜的基礎(chǔ)上進行頻譜校正，得到復(fù)雜齒輪系統(tǒng)的準確診斷結(jié)果。
對復(fù)雜齒輪傳動鏈驅(qū)動電機的定子電流信號，采用循環(huán)平穩(wěn)分析進行解調(diào)，由于電流信號中的調(diào)制分量微弱，循環(huán)頻率的準確程度決定了解調(diào)效果，因此，本解調(diào)方法基于最大熵的優(yōu)化策略快速準確地定位循環(huán)頻率，實現(xiàn)復(fù)雜調(diào)制電流信號的解調(diào)。
本發(fā)明解調(diào)方法，按以下步驟進行 步驟1采用電流傳感器采集齒輪傳動鏈中驅(qū)動電機的電流信號，利用傅立葉(Fourier)變換得到該電流信號的循環(huán)平穩(wěn)頻譜圖；優(yōu)點是對信號的循環(huán)自相關(guān)函數(shù)作傅立葉(Fourier)變換，得到循環(huán)譜密度函數(shù)循環(huán)統(tǒng)計方法譜具有相關(guān)特性，使其具有抑制噪聲和干擾信號的能力； 步驟2計算步驟1所得循環(huán)平穩(wěn)頻譜圖在循環(huán)頻率下切片譜圖的熵值S(P)，該熵值S(P)通過以下公式計算得到 設(shè)P(p1，p2，…，pn)為一不確定的概率分布，k為任一常數(shù)，則該概率分布P(p1，p2，…，pn)范圍內(nèi)的熵值S(P)為 式中，pi為第i個信息狀態(tài)出現(xiàn)的概率，-lnpi是第i個信息狀態(tài)出現(xiàn)時帶來的信息量，S(P)為熵值，表征了第i個信息狀態(tài)的信息量的大?。? 在給定約束條件下，可以從所有可能的相容分布中，挑選出熵值最大時的概率分布，這就是提出的最大熵原理PME(Principle of Maximum Entropy)。最不確定的概率分布(等概率分布)具有最大的熵值，同時，概率分布越接近這種等概率分布，其熵值也就越大，反過來講，概率分布越偏離等概率分布，信息熵就越小，信息熵的大小反映了概率分布的均勻性。在頻譜圖中譜線越稀疏，說明信號能量集中在少數(shù)譜線上，這樣，可以利用信息熵對譜圖中能量分布的均勻性進行刻畫。
步驟3利用步驟2計算出的各循環(huán)頻率下的熵值，并根據(jù)該各循環(huán)頻率下的熵值繪制熵值曲線； 循環(huán)平穩(wěn)分析中，當(dāng)特征頻率作為切片頻率時，譜線能量集中于特征分量上，而當(dāng)非特征頻率作為切片頻率時，譜線能量近似于均勻分布。根據(jù)最大熵原理，可以很方便地求出三維循環(huán)譜圖中各循環(huán)頻率所對應(yīng)的二維譜圖中的熵值，特征頻率及其交叉頻率的循環(huán)平穩(wěn)切片譜圖熵值較小，否則熵值較大。
步驟4利用排序方法，對步驟3繪制的熵值曲線進行排序，并確定出步驟3繪制的熵值曲線中的熵極小值點，然后，通過步驟3的熵值曲線得到該熵極小值點的特征切片循環(huán)頻率S(Ps) S(Ps)＝min[S(Pi)] 其中S(Ps)為熵極小值，Ps為熵極小值點，S(Pi)為各頻率處的熵值； 在循環(huán)譜圖的熵曲線中，熵極小值點分別對應(yīng)信號中特征頻率點和特征頻率之間的混頻點。因此，可以根據(jù)熵極小值點確定出特征切片循環(huán)頻率，以提高特征頻率的搜索效率。
步驟5在步驟1的循環(huán)平穩(wěn)頻譜圖中找到與步驟4得到的特征切片循環(huán)頻率對應(yīng)的相應(yīng)頻率，該相應(yīng)頻率的切片圖即為特征切片頻率譜，步驟4確定的熵極小值頻率點即為最優(yōu)循環(huán)頻率點， 非零的循環(huán)頻率可以刻畫信號的循環(huán)平穩(wěn)性，循環(huán)頻率及其倍頻構(gòu)成循環(huán)譜。在實際使用時采用的是循環(huán)平穩(wěn)頻譜圖(三維譜圖)與二維切片圖相結(jié)合的方式提取信號中的特征頻率成分。
步驟6采用頻譜校正法，通過理論計算，對步驟4得到的特征切片循環(huán)頻率的差值進行誤差校正，并根據(jù)校正誤差后的特征切片循環(huán)頻率對步驟5中的特征切片頻率譜進行校正，獲得準確頻率幅值； 對于單頻率諧波信號的離散頻譜分析，不論是頻率、幅值還是相位一般都可能存在誤差。單頻率諧波信號的誤差適用于電流信號頻譜分析。
步驟7根據(jù)步驟6得到的準確頻率幅值，得到故障頻率的特征信息。
實施應(yīng)用案例 煉鋼廠某高爐布料系統(tǒng)，利用物料鐘爐頂技術(shù)及設(shè)備對料流進行控制。并采用控制重量的方法控制料流，取代了一直沿用的通過控制體積和時間來控制料流的方法，對改善高爐布料，提高爐頂壓力，充分利用煤氣的化學(xué)能和熱能，以及延長高爐壽命起到了重要作用。
該高爐布料系統(tǒng)的布料溜槽需靈活運動布料，使得該布料溜槽通過復(fù)雜的齒輪傳動系統(tǒng)驅(qū)動。因此，為了更好地應(yīng)用物料鐘爐頂技術(shù)及設(shè)備，保障產(chǎn)品的產(chǎn)量及質(zhì)量，需對該布料系統(tǒng)中驅(qū)動布料溜槽運動的齒輪傳動系統(tǒng)進行監(jiān)測與早期故障診斷。由于高爐現(xiàn)場條件非常復(fù)雜，工況比較惡劣，無法在高爐回轉(zhuǎn)齒輪箱上安裝振動傳感器，導(dǎo)致傳統(tǒng)的振動分析法不適用該高爐齒輪傳動系統(tǒng)狀態(tài)的監(jiān)測。
電流信號分析法具有信號獲取方便、信噪比高及信息集成度高的特點，將其應(yīng)用于爐頂復(fù)雜齒輪箱的狀態(tài)監(jiān)測，即采用電流信號分析法對爐頂齒輪傳動系統(tǒng)進行監(jiān)測，采集的電機的電流信號，然后，采用基于熵優(yōu)化的循環(huán)平穩(wěn)分析方法，對采集的旋轉(zhuǎn)電機的電流信號進行解調(diào)，從該電流信號中提取爐頂齒輪傳動鏈的特征頻率。
如圖1所示，上述煉鋼高爐布料溜槽齒輪傳動系統(tǒng)的傳動機構(gòu)，包括溜槽旋轉(zhuǎn)電機21和溜槽傾動電機22，溜槽旋轉(zhuǎn)電機21驅(qū)動第一齒輪1，第一齒輪1將動力和扭矩依次通過第二齒輪2、第三齒輪3、第六齒輪9、第七齒輪10和第八齒輪11傳至第九齒輪12，第九齒輪12通過傳動絲杠17將動力傳遞給布料溜槽24，驅(qū)動布料溜槽24沿溜槽中心線25旋轉(zhuǎn)。
溜槽傾動電機22驅(qū)動蝸桿8旋轉(zhuǎn)，蝸桿8將動力和扭矩依次通過第一蝸輪7、第五齒輪6、第四齒輪5、齒圈4、第十齒輪13、第十一齒輪14和第十二齒輪15傳至第十三齒輪16，第十三齒輪16將動力傳遞給第二蝸輪18，第二蝸輪18依次通過蝸桿與第十四齒輪19將動力和扭矩傳給第十五齒輪20，驅(qū)動布料溜槽24傾動。
下面布料溜槽24傳動系統(tǒng)的運動進行分析及特征頻率計算。
溜槽旋轉(zhuǎn)電機21將動力與運動通過定軸輪系傳給第九齒輪12，使布料溜槽24旋轉(zhuǎn)。因而，溜槽旋轉(zhuǎn)速度nR為
式中，n旋為溜槽旋轉(zhuǎn)電機的轉(zhuǎn)速，負號表示nR與n旋轉(zhuǎn)動方向相反，n12表示第九齒輪12的轉(zhuǎn)速，Z1、Z2、Z9、Z10、Z11和Z12分別表示第一齒輪1、第二齒輪2、第六齒輪9、第七齒輪10、第八齒輪11和第九齒輪12的齒數(shù)。
布料溜槽24的傾動則受溜槽旋轉(zhuǎn)電機21和溜槽傾動電機22同時作用。溜槽旋轉(zhuǎn)電機21驅(qū)動第五齒輪6、第四齒輪5和齒圈4構(gòu)成的行星機構(gòu)中的齒圈4旋轉(zhuǎn)，溜槽傾動電機22經(jīng)由蝸桿8和第一蝸輪7將動力傳至該行星機構(gòu)中的第五齒輪6，帶動第十齒輪13旋轉(zhuǎn)，得到下列速度關(guān)系
式中，n6和n7分別表示和第一蝸輪7的轉(zhuǎn)速，Z7和Z8分別為第一蝸輪7齒數(shù)和蝸桿8的頭數(shù)，n傾為溜槽傾動電機22的轉(zhuǎn)速。

式中，n4表示齒圈4的轉(zhuǎn)速，Z1、Z2、Z3和Z4外分別表示第一齒輪1的齒數(shù)、第二齒輪2的齒數(shù)、第三齒輪3的齒數(shù)和齒圈4外齒的齒數(shù)。
由齒輪鏈結(jié)構(gòu)傳動關(guān)系可以得到
式中，n13為第十齒輪13的轉(zhuǎn)速，Z6和Z4內(nèi)分別表示第五齒輪6的齒數(shù)與齒圈4內(nèi)齒的齒數(shù)。

式中，n14為第十一齒輪14的轉(zhuǎn)速，Z13和Z14分別表示第十齒輪13的齒數(shù)和第十一齒輪14的齒數(shù)。
第十齒輪13將溜槽傾動電機22傳來的動力依次通過第十一齒輪14、第十二齒輪15、第十三齒輪16、第二蝸輪18和第十四齒輪19傳給第十五齒輪20。第九齒輪12、第十一齒輪14和第十二齒輪15組成一組差動輪系，根據(jù)差動輪系傳動原理，得到布料溜槽24的傾動速度nT為
采用基于熵優(yōu)化的循環(huán)平穩(wěn)分析方法對上述布料溜槽傳動系統(tǒng)的狀態(tài)進行檢測和分析 a.對溜槽旋轉(zhuǎn)電機21電源的B相電流進行采樣，采樣頻率為2500Hz，將采集到的采樣信號進行幅值譜分析，得到如圖2所示的幅值譜圖，而在如圖3所示的信號50Hz附近局部放大譜圖中，粗略可以判斷存在一些調(diào)制分量；然而，各個譜峰完全疊加在一起，存在嚴重的泄漏和干涉影響，因此，需首先采用頻譜細化方法對幅值譜圖中相鄰分量進行分離。
b.采用基于復(fù)解析帶通濾波器的復(fù)調(diào)制細化選帶頻譜分析方法，對圖2所示的幅值譜圖細化10倍，得到如圖4所示的細化后50Hz附近頻帶放大圖，與圖3所示圖譜相比，信號頻率分量得到了一定程度的分離，因此各個調(diào)制分量也得以顯現(xiàn)，這也證明了在圖3中，因為泄漏和譜線干涉嚴重，呈現(xiàn)的調(diào)制分量并不準確。
c.由于布料系統(tǒng)擁有多種布料方式，對應(yīng)不同的傾動電機轉(zhuǎn)速，而且是不斷調(diào)整的，所以造成多對齒輪特征頻率未知。圖4是采用基于復(fù)解析帶通濾波器的復(fù)調(diào)制細化選帶頻譜分析方法，對幅值譜細化10倍，得到細化后50Hz附近頻帶放大圖。在圖4中，對應(yīng)齒輪對的比較明顯的調(diào)制分量是18.5Hz、11Hz和25Hz。由公式(1)——(6)計算嚙合頻率可知，25Hz調(diào)制分量對應(yīng)于與溜槽旋轉(zhuǎn)電機21相連的第一齒輪1的回轉(zhuǎn)頻率，18.5Hz調(diào)制分量對應(yīng)于第九齒輪12與第八齒輪11的嚙合頻率，11Hz調(diào)制分量對應(yīng)第十齒輪13和第十一齒輪14的嚙合頻率。
d.根據(jù)以上分析，在預(yù)知頻率范圍11Hz頻率周圍頻帶10.8～11.3Hz(按照3σ定理，當(dāng)步長等于0.1時，設(shè)σ＝0.1)做循環(huán)譜圖熵值曲線圖。信息熵的大小反映了概率分布的均勻性，在頻譜圖中譜線越稀疏，說明信號能量集中在少數(shù)譜線上，這樣，可以利用信息熵對譜圖中能量分布的均勻性進行刻畫。如圖5所示，圖中顯示在11.1Hz處有最小熵值，且11.1Hz相對主頻較小能量最為集中，這樣說明該頻率為調(diào)制頻率。
e.采用循環(huán)平穩(wěn)特征分離技術(shù)對采集的溜槽旋轉(zhuǎn)電機21電源的B相電流信號進行分析，可以得到以上采樣信號的另外兩個明顯調(diào)制分量為循環(huán)頻率時的循環(huán)譜圖，具有與11.1Hz切片譜圖(如圖6)相似的結(jié)果，調(diào)制分量非常明顯。
f.根據(jù)循環(huán)平穩(wěn)分析原理，在三個主要調(diào)制頻率的交叉頻率處也應(yīng)該有相應(yīng)峰值存在，因此在29.6Hz(11.1+18.5)、7.4Hz(18.5-11.1)、36Hz(11.1+24.9)、13.8Hz(24.9-11.1)、43.4Hz(18.5+24.9)和6.4Hz(24.9-18.5)循環(huán)頻率處分別做二維循環(huán)平穩(wěn)分析，其中29.6Hz頻率處的切片譜圖如圖7所示，圖中顯示，所得結(jié)果和理論分析結(jié)果完全吻合。
因此，采用基于熵優(yōu)化的循環(huán)平穩(wěn)解調(diào)方法可以快速有效地分離出調(diào)制源，在循環(huán)譜圖中可以很好地提取出調(diào)制信息。
本發(fā)明解調(diào)方法基于循環(huán)平穩(wěn)解調(diào)分析能對復(fù)雜的多調(diào)制信號進行解調(diào)分析的特點，結(jié)合熵優(yōu)化技術(shù)，對驅(qū)動電機的電流特征信號進行解調(diào)分離，并提取電機故障的特征信息，對齒輪傳動系統(tǒng)運行狀態(tài)進行故障監(jiān)測與診斷，不僅解決了復(fù)雜齒輪傳動系統(tǒng)狀態(tài)監(jiān)測的實施性問題，也為傳動系統(tǒng)運行故障檢測及精度保持提供一種新的、高效的解決途徑。
權(quán)利要求
1.基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法，以齒輪傳動鏈中驅(qū)動電機的定子電流信號為基礎(chǔ)，利用循環(huán)自相關(guān)函數(shù)的解調(diào)性，通過熵優(yōu)化對應(yīng)的循環(huán)頻率處理，進行循環(huán)自相關(guān)函數(shù)的切片解調(diào)，得到包含該循環(huán)頻率成分及其倍頻的解調(diào)譜，并在該解調(diào)譜的基礎(chǔ)上進行頻譜校正，得到復(fù)雜齒輪系統(tǒng)的準確診斷結(jié)果，其特征在于，該解調(diào)方法按以下步驟進行
步驟1采用電流傳感器采集齒輪傳動鏈中驅(qū)動電機的電流信號，利用傅立葉變換得到該電流信號的循環(huán)平穩(wěn)頻譜步驟2計算步驟1所得循環(huán)平穩(wěn)頻譜圖在循環(huán)頻率下切片譜圖的熵值S(P)，該熵值S(P)通過以下公式計算得到
設(shè)P(p1，p2，…，pn)為一不確定的概率分布，k為任一常數(shù)，則該概率分布P(p1，p2，…，pn)范圍內(nèi)的熵值S(P)為
式中，pi為第i個信息狀態(tài)出現(xiàn)的概率，-ln pi是第i個信息狀態(tài)出現(xiàn)時帶來的信息量，S(P)為熵值，表征了第i個信息狀態(tài)的信息量的大??；
步驟3根據(jù)步驟2計算出的熵值繪制熵值曲線；
步驟4利用排序方法，將步驟3繪制的熵值曲線進行排序，并確定出熵值曲線中的熵極小值點，然后，通過步驟3的熵值曲線得到該熵極小值點的特征切片循環(huán)頻率S(Ps)
S(Ps)＝min[S(Pi)]
其中S(Ps)為熵極小值，Ps為熵極小值點，S(Pi)為各頻率處的熵值；
步驟5在步驟1的循環(huán)平穩(wěn)頻譜圖中找到與步驟4得到的特征切片循環(huán)頻率對應(yīng)的相應(yīng)頻率，則該相應(yīng)頻率的切片圖即為特征切片頻率譜；
步驟6采用頻譜校正法，通過理論計算，對步驟4得到的特征切片循環(huán)頻率的差值進行誤差校正，并根據(jù)校正誤差后的特征切片循環(huán)頻率對步驟5中的特征切片頻率譜進行校正，獲得準確頻率幅值；
步驟7根據(jù)步驟6得到的準確頻率幅值，得到故障頻率的特征信息。
全文摘要
基于熵優(yōu)化的復(fù)雜齒輪傳動鏈電流信號循環(huán)平穩(wěn)解調(diào)方法，采集齒輪傳動鏈中驅(qū)動電機的電流信號，利用傅立葉變換得到該電流信號的循環(huán)平穩(wěn)頻譜圖；計算該循環(huán)平穩(wěn)頻譜圖在循環(huán)頻率下切片譜圖的熵值并繪制熵值曲線；確定熵值曲線中的熵極小值點和該熵極小值點的特征切片循環(huán)頻率；在循環(huán)平穩(wěn)頻譜圖中找到與該特征切片循環(huán)頻率對應(yīng)的相應(yīng)頻率，確定特征切片頻率譜；采用頻譜校正法，對特征切片循環(huán)頻率的差值進行誤差校正，并對特征切片頻率譜進行校正，獲得準確頻率幅值；根據(jù)該準確頻率幅值，得到故障頻率的特征信息。本發(fā)明解調(diào)方法對驅(qū)動電機的電流特征信號進行解調(diào)分離，提取電機故障的特征信息，對齒輪傳動系統(tǒng)運行狀態(tài)進行故障監(jiān)測與診斷。
文檔編號G01R23/16GK101762746SQ20091025457
公開日2010年6月30日 申請日期2009年12月29日 優(yōu)先權(quán)日2009年12月29日
發(fā)明者徐光華, 劉飛, 梁霖, 馬天偉 申請人:西安交通大學(xué)