基于Chirp-Z与局部均值分解的齿轮故障诊断新策略

本文主要探讨了一种结合Chirp-Z变换（CZT）和局部均值分解（LMD）的齿轮故障诊断分析方法。齿轮故障振动信号通常具有复杂非线性和非稳态特性，这对传统的故障诊断技术提出了挑战。作者Wang Jiying、Liu Zhenxing、HU Jiquan和LI Chenrui针对这一问题，提出了一种综合的故障诊断策略。 首先，LMD是一种时频分析工具，它通过将原始振动信号分解成多个具有物理意义的站域成分（Stationary Product Functions, PF），这些组件能更好地揭示信号的不同频率成分及其随时间的变化。LMD能够有效地处理非平稳信号，捕捉到信号中的关键信息，有助于提取故障特征。 在分解后的组件中，作者挑选出包含主要故障信息的部分进行进一步分析。Chirp-Z变换作为一种高效的快速傅里叶变换变种，特别适用于处理非周期性信号，如齿轮的非均匀磨损或振动。通过CZT的局部聚焦特性，可以对选定的PF组件进行精细的频域分析，这有助于识别出与故障密切相关的频率模式和瞬时频率变化。 LMD的边际谱在本文中起着关键作用，它是通过对LMD分解过程中的子带信号进行统计分析得到的，提供了关于信号复杂性的额外洞察。这种边际谱能够揭示故障信号的局部特性，从而帮助区分正常运行状态与故障状态的差异。 该方法通过结合LMD的信号分解和CZT的频域分析，提供了一种有效的方法来处理齿轮故障诊断中的复杂信号特性。它不仅提高了故障识别的精度，还减少了对预处理的需求，为实际工业应用提供了实用且可靠的故障诊断工具。该研究对于提高齿轮系统维护效率和预测性维修具有重要的理论和实践价值。