LMD与阶次跟踪结合的齿轮故障诊断新法：多成分调制信号处理

本文主要探讨了局部均值分解（Local Mean Decomposition, LMD）在机械故障诊断领域的应用，特别是在齿轮故障检测中的创新性方法。作者张亢、程军圣和杨宇基于湖南大学汽车车身先进设计制造国家重点实验室的研究，针对齿轮在升降速过程中遇到的复杂问题——故障振动信号通常包含多个分量，并且故障特征频率会随转速变化这一特性，提出了结合阶次跟踪分析（Order Tracking Analysis, OTA）与LMD的诊断策略。 首先，他们利用阶次重采样技术将齿轮在时域的非平稳振动信号转换为角域的平稳信号，这一步骤有助于减少信号处理中的噪声和复杂性，使得后续分析更为精确。阶次跟踪分析在此起到关键作用，因为它能够有效地跟踪和分离不同阶次的信号成分，这对于多分量调制信号的处理至关重要。 接着，通过LMD算法，对角域信号进行分解，得到一系列的乘积函数（Product Functions, PF）分量。LMD是一种数据自适应分解方法，它通过局部平滑数据并保留高频细节来提取信号的内在结构，这使得它特别适合于分析非平稳信号，如齿轮的故障振动信号。 对每个PF分量进行瞬时幅值的频谱分析，作者能够提取出齿轮故障的关键特征频率，这些特征是判断齿轮健康状态的重要指标。与传统的故障诊断方法相比，这种结合LMD和阶次跟踪分析的方法具有更高的灵敏度和准确性，特别是在处理转速变化导致的特征频率变化时，显示出优越的性能。 通过齿轮齿根裂纹的故障试验振动信号分析，研究结果证实了这种方法的有效性和实用性。文章的关键词包括阶次跟踪分析、局部均值分解、齿轮、调制和故障诊断，这些关键词突出了论文的核心技术和研究领域。此外，文章还引用了中图分类号TN911.7和TH165.3，表明该研究属于机械工程和技术科学的范畴，且具体涉及齿轮工程。 总结来说，这篇论文提供了一种新颖的齿轮故障诊断策略，利用LMD和阶次跟踪分析技术，能够有效处理多分量调制信号，对于提升机械系统的健康监测和维护具有实际意义。