由于方法选择不当,齿轮箱中复合故障的特征提取会出现漏诊断或误诊断现象,LMD(Local mean deconvolution)对信号分解时由于噪声影响,会出现EMD(Empirical mode decomposition)相似的模态混叠现象,常导致能量泄漏或误诊现象。提出了一种CPFs-MOMEDA(Combined physical functions-Multipoint optimal minimum entropy deconvolution adjusted)的齿轮箱复合故障诊断方法。首先通过LMD对原信号降噪,得到一系列的PFs,通过相关系数法剔除虚假分量和残余成分;计算每层PF(Production function)的多点峭度,提取故障特征周期,将不含周期性冲击的PFs二次剔除,为了保持原信号的完整性,通过组合乘积函数方法重新组合具有相同周期的PF;最后设定不同的周期区间,通过MOMEDA对组合后的信号降噪,进一步提取故障特征。并将此方法应用在齿轮箱复合故障特征提取中,验证了此方法的可行性。

在实际工况下,齿轮箱故障经常包含多个故障信息,而弱故障信号相比强故障信号和噪声属于微弱信号,故复合故障中的弱故障信号提取一直是旋转机械故障诊断的一大难点。基于上述问题,考虑到MED（Minimum Entropy Deconvolution）具有强降噪性能、VMD（Variational Mode Decomposition）分解出的本征模态函数在强噪声环境中会失真、VMD分解精度由惩罚因子α和分解次数k决定,提出了一种基于MED-VMD的滚动轴承微弱故障提取方法。首先对原信号用MED降噪;进一步设置初始参数α和k,对降噪后的信号通过VMD分解,计算相邻本征模态函数的相关系数,确定最佳惩罚因子α和分解次数k;最后对本征模态函数进行包络谱分析,提取了齿轮箱中轴承的微弱故障信息。通过仿真信号和实测数据均验证了所提方法的有效性,给强噪声环境的复合故障的微弱故障特征提取提供一种新思路。

在强噪声环境下,针对局部均值分解(Local Mean Decomposition,LMD)出现的模态混叠现象,提出了总体局部均值分解方法(Ensemble Local Mean Decomposition,ELMD),但ELMD中所添加的白噪声不能完全被中和,这会导致PF分量受到所加白噪声的影响,导致重构误差增大。因此,提出基于PE-CELMD(Permutation Entropy-Complementary Ensemble Local Mean Decomposition)的齿轮箱复合故障诊断方法,该思路是在ELMD的基础上通过添加成对白噪声再结合排列熵(PermutationEntropy,PE)的方法优化LMD。将该方法应用于仿真信号和实测信号,并通过与LMD、CELMD对比,结果表明,PE-CELMD方法是一种有效的复合故障特征提取方法。

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。