基于VMD降噪的RV减速器故障诊断

2023-06-06蔺梦雄焦博森杨琰周子煜张瑞钦唐少虎

北京联合大学学报 2023年3期

蔺梦雄焦博森杨琰周子煜张瑞钦唐少虎

［摘要］针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题，提出一种基于小波降噪结合变分模态分解（Variational Modal Decomposition， VMD）的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪；再通过变分模态分解得到不同频率范围的模态分量（Intrinsic Mode Function， IMF），计算各目标分量的峭度值和信噪比，选出目标分量并进行快速傅里叶变换（Fast Fourier Transform， FFT）；最后通过减速器模数确定特征频率，可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息，解决了噪声干扰、低频信号调制等问题。

［关键词］ RV减速器；小波降噪；包络频谱；变分模态分解；故障诊断

［中图分类号］ TH 133.3 ［文献标志码］ A ［文章编号］ 1005-0310（2023）03-0007-07

Abstract： The internal structure of RV reducer is complex， the collected vibration signal is seriously affected by noise， and the low frequency fault features are difficult to extract. A fault diagnosis method based on wavelet denoising combined with Variational Modal Decomposition （VMD）

is proposed. Firstly， the vibration signal with noise is denoised by wavelet denoising method. Then， the signal after noise reduction is decomposed into the Intrinsic Mode Function （IMF） in different frequency ranges through VMD. The target component is selected by calculating the kurtosis value and SNR of each target component， and the Fast Fourier Transform （FFT） is carried out. The characteristic frequency is determined by the reducer modulus， so that the fault point of the RV reducer can be accurately located. The results show that this method can extract the fault information more effectively than the traditional spectrum analysis， and solve the problems of noise interference and low frequency signal modulation.

Keywords： RV reducer；Wavelet denoising；Envelope spectrum；Variational modal decomposition；Fault diagnosis

0 引言

RV减速器作为精密传动领域和机器人领域的关键零部件之一［1］，其性能影响着整个系统的运行状态。有些学者对RV减速器的传动精度、误差和效率等进行了研究。随着对机械系统可靠性要求的提高［2］，及时发现并精准定位RV减速器的故障点成了当前亟须解决的问题。RV减速器结构复杂、振动源多，在传动过程中难免会产生干扰信息，而在对含噪的振动信号进行分析时，难以准确地提取其故障信息。

王普等［3］提出了一种分层自适应的小波阈值降噪方法，该方法可以有效去噪并保留有用的故障信息。丁锋等［4］利用小波降噪结合希尔伯特变换的方法，有效提取了轴承的低频故障特征。许昕等［5］提出了一种基于改进的经验模态分解的故障诊断方法，成功对齿轮箱的故障信号进行了降噪，提高了故障信号的信噪比。纪俊卿等［6］提出了一种基于新小波阈值的滚动轴承故障特征提取方法，解决了传统分析方法抗干扰性差、准确率低等问题。孟祥川等［7］提出了一种基于小波新阈值降噪与互补集合经验模态分解的方法，提高了对轴承的故障诊断率。为解决滚动轴承早期微弱故障难以提取的问题，陈鹏等［8］提出了优化变分模态分解结合改进阈值降噪的方法，并與其他降噪方法比较，结果表明该方法更优。王进花等［9］将变分模态分解与极限学习机方法相结合，解决了滚动轴承多故障诊断分类准确性低的问题。时培明等［10］提出了一种基于降噪编码器深度特征学习和希尔伯特振动分解的智能故障诊断方法，解决了风机齿轮箱轴承振动信号的非线性和非平稳性对故障诊断的干扰问题，提高了故障诊断率。韩朋朋等［11］提出了一种基于遗传算法优化变分模态分解与增强包络谱相结合的诊断方法，提高了轴承的故障诊断率。朵慕社等［12］提出了一种基于改进变分模态分解结合卷积神经网络的诊断方法，在噪声影响大、非平稳工况下，有效提取了轴承的故障特征。

本文通过借鉴学者们的研究成果，提出了一种基于小波降噪结合变分模态分解的方法，对RV减速器的故障振动信号进行分解，得到若干固有模态分量，再选取目标分量进行包络频谱分析，最后通过计算RV减速器传动频率特征的能量峰值定位RV减速器的故障点。

1 VMD降噪法

1.1 变分模态分解

变分模态分解算法的核心是通过维纳滤波、频率混合和希尔伯特变换将各个模态的带宽问题分解为多个约束问题，再利用一系列迭代求解的方法得到中心频率的最优解。VMD最后将给定信号f（t）分解成k个固有模态分量（IMF），并且保证分解后IMF分量的总带宽之和最小。

2 RV减速器故障诊断应用

2.1 RV减速器故障频率计算

本实验以一款RV减速器为例，RV减速器的具体模数［14］如表1所示，减速器的传动方式采用支撑盘固定的形式。根据减速器传动机理和模数计算出各主要部件的传动频率［15］，计算结果如表2所示，其中v1为输入轴转速。

由表2可知，RV减速器各零部件的传动特征只与输入轴的转速有关，故而根据输入轴的转速即可计算出各零部件的传动频率。当减速器内部零部件受损时，在啮合和传动过程中将会出现定期的撞击并会造成较大的振动。因此，在稳态传动下，根据快速傅里叶变换（FFT）即可计算出故障频率。

2.2 实验分析

本实验采用一种精密减速器综合试验台［16］对RV减速器在正常情况下和故障情况下的振动信号进行监测。实验过程采用晶钻振动传感器对振动信号进行采集，该传感器测量的动态范围大于150 dB，灵敏度为500mV/g，符合RV减速器的监测要求。实验设置监测信号采样频率为25 600 Hz，分析时长为2s，采样数为51 200点。

对故障情况下的振动信号进行小波降噪，取分解层数为5，分解结果如图3所示。由图3可以看出，经过降噪后的时域振动信号受噪声信号影响较小，并且有较明显的能量峰值间隔，降噪信号呈现周期性。信号的能量峰值点意味着RV减速器的故障特征点。

对第5层小波降噪信号进行变分模态分解，得到各个IMF分量的结果如图4所示，包括5个IMF分量和残差变量。各个IMF分量中包含故障信号的特征频率和能量大小。为了对各个IMF分量的可用性进行判断，对分解后的各个IMF分量进行峭度值和信噪比计算，结果如表3所示。

峭度值和信噪比是评判信号的重要指标。由计算结果可知，IMF2分量的峭度值和信噪比最大，说明该分量包含的故障信息最多，且降噪效果最好。因此，选择对IMF2分量进行包络频谱分析，结果如图5所示。

由图5可知，在频率为20 Hz处出现能量峰值，结合输入轴转速和表2中各零部件的故障频率计算可知，在RV减速器滚针处出现故障。通过拆机验证，确定RV减速器的滚针部位发生磨损，故障图如图6所示。减速器摆线轮隔套发生断裂，导致滚针发生严重磨损，使RV减速器在传动过程中整机振动增大。结果表明，本文所提方法可以有效定位RV减速器的故障点。

利用对比实验，对含噪的振动信号进行快速傅里叶变换，分析结果如图7所示。由图7可知，传统的频谱分析受噪声干扰影响，不能直观、准确地定位RV减速器的故障点。

3 结束语

本文利用小波降噪结合变分模态分解方法，对受含噪影响的RV减速器的振动信号进行故障诊断。首先运用小波降噪法对振动信号进行降噪处理；再计算通过变分模态分解后各模态分量的峭度值和信噪比，选取目标模态分量；最后对其进行包络频谱分析，通过计算减速器内部各零部件的故障频率，对减速器内的故障零部件进行诊断和定位。结果表明，此方法对受含噪影响的RV减速器进行故障诊断十分有效。

［参考文献］

［1］何卫东，单丽君.RV减速器研究现状与展望［J］.大连交通大学学报，2016，37（5）：13-18.

［2］张义民，孙志礼.机械产品的可靠性大纲［J］.机械工程学报，2014，50（14）：14-20.

［3］王普，李天垚，高学金，等.分层自适应小波阈值轴承故障信号降噪方法［J］.振动工程学报，2019，32（3）：548-556.

［4］丁锋，秦峰伟.小波降噪及Hilbert变换在电机轴承故障诊断中的应用［J］.电机与控制学报，2017，21（6）：89-95.

［5］许昕，潘宏侠.改进的EMD在齿轮箱故障诊断中的应用研究［J］.机械传动，2014，38（10）：4-8.

［6］纪俊卿，张亚靓，张静，等.基于新小波阈值的轴承故障诊断方法［J］.小型微型计算机系统，2021，42（2）：315-319.

［7］孟祥川，张亚靓，纪俊卿，等.基于小波降噪和CEEMD的轴承故障诊断［J］.煤矿机械，2020，41（3）：157-159.

［8］陈鹏，赵小强.基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取［J］.振动与冲击，2021，40（13）：146-153.

［9］王进花，胡佳伟，曹洁，等.基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断［J］.吉林大学学报（工学版），2022，52（2）：318-328.

［10］时培明，范雅斐，伊思颖，等.基于HVD小波包降噪编码深度学习的风电机组智能诊断研究［J］.振动与冲击，2022，41（12）：196-201.

［11］韩朋朋，贺长波，陆思良.基于VMD与增强包络谱的轴承早期故障诊断方法［J］.机电工程，2022，39（7）：895-902.