基于VMD降噪的RV減速器故障診斷

藺夢雄 焦博森 楊琰 周子煜 張瑞欽 唐少虎

［摘 要］? ?針對RV減速器內部構造復雜、采集到的振動信號受噪聲影響嚴重及低頻故障特征難以提取的問題，提出一種基于小波降噪結合變分模態分解（Variational Modal Decomposition， VMD）的故障診斷方法。首先利用小波降噪法對含噪聲的振動信號進行降噪；再通過變分模態分解得到不同頻率范圍的模態分量（Intrinsic Mode Function， IMF），計算各目標分量的峭度值和信噪比，選出目標分量并進行快速傅里葉變換（Fast Fourier Transform， FFT）；最后通過減速器模數確定特征頻率，可以準確定位RV減速器的故障點。結果表明：該方法較傳統的頻譜分析可以更有效地提取故障信息，解決了噪聲干擾、低頻信號調制等問題。

［關鍵詞］ RV減速器；小波降噪；包絡頻譜；變分模態分解；故障診斷

［中圖分類號］ TH 133.3? ［文獻標志碼］ A? ［文章編號］ 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減速器作為精密傳動領域和機器人領域的關鍵零部件之一［1］，其性能影響著整個系統的運行狀態。有些學者對RV減速器的傳動精度、誤差和效率等進行了研究。隨著對機械系統可靠性要求的提高［2］，及時發現并精準定位RV減速器的故障點成了當前亟須解決的問題。RV減速器結構復雜、振動源多，在傳動過程中難免會產生干擾信息，而在對含噪的振動信號進行分析時，難以準確地提取其故障信息。

王普等［3］提出了一種分層自適應的小波閾值降噪方法，該方法可以有效去噪并保留有用的故障信息。丁鋒等［4］利用小波降噪結合希爾伯特變換的方法，有效提取了軸承的低頻故障特征。許昕等［5］提出了一種基于改進的經驗模態分解的故障診斷方法，成功對齒輪箱的故障信號進行了降噪，提高了故障信號的信噪比。紀俊卿等［6］提出了一種基于新小波閾值的滾動軸承故障特征提取方法，解決了傳統分析方法抗干擾性差、準確率低等問題。孟祥川等［7］提出了一種基于小波新閾值降噪與互補集合經驗模態分解的方法，提高了對軸承的故障診斷率。為解決滾動軸承早期微弱故障難以提取的問題，陳鵬等［8］提出了優化變分模態分解結合改進閾值降噪的方法，并與其他降噪方法比較，結果表明該方法更優。王進花等［9］將變分模態分解與極限學習機方法相結合，解決了滾動軸承多故障診斷分類準確性低的問題。時培明等［10］提出了一種基于降噪編碼器深度特征學習和希爾伯特振動分解的智能故障診斷方法，解決了風機齒輪箱軸承振動信號的非線性和非平穩性對故障診斷的干擾問題，提高了故障診斷率。韓朋朋等［11］提出了一種基于遺傳算法優化變分模態分解與增強包絡譜相結合的診斷方法，提高了軸承的故障診斷率。朵慕社等［12］提出了一種基于改進變分模態分解結合卷積神經網絡的診斷方法，在噪聲影響大、非平穩工況下，有效提取了軸承的故障特征。

本文通過借鑒學者們的研究成果，提出了一種基于小波降噪結合變分模態分解的方法，對RV減速器的故障振動信號進行分解，得到若干固有模態分量，再選取目標分量進行包絡頻譜分析，最后通過計算RV減速器傳動頻率特征的能量峰值定位RV減速器的故障點。

1 VMD降噪法

1.1 變分模態分解

變分模態分解算法的核心是通過維納濾波、頻率混合和希爾伯特變換將各個模態的帶寬問題分解為多個約束問題，再利用一系列迭代求解的方法得到中心頻率的最優解。VMD最后將給定信號f（t）分解成k個固有模態分量（IMF），并且保證分解后IMF分量的總帶寬之和最小。

2 RV減速器故障診斷應用

2.1 RV減速器故障頻率計算

本實驗以一款RV減速器為例，RV減速器的具體模數［14］如表1所示，減速器的傳動方式采用支撐盤固定的形式。根據減速器傳動機理和模數計算出各主要部件的傳動頻率［15］，計算結果如表2所示，其中v1為輸入軸轉速。

由表2可知，RV減速器各零部件的傳動特征只與輸入軸的轉速有關，故而根據輸入軸的轉速即可計算出各零部件的傳動頻率。當減速器內部零部件受損時，在嚙合和傳動過程中將會出現定期的撞擊并會造成較大的振動。因此，在穩態傳動下，根據快速傅里葉變換（FFT）即可計算出故障頻率。

2.2 實驗分析

本實驗采用一種精密減速器綜合試驗臺［16］對RV減速器在正常情況下和故障情況下的振動信號進行監測。實驗過程采用晶鉆振動傳感器對振動信號進行采集，該傳感器測量的動態范圍大于150 dB，靈敏度為500mV/g，符合RV減速器的監測要求。實驗設置監測信號采樣頻率為25 600 Hz，分析時長為2s，采樣數為51 200點。

對故障情況下的振動信號進行小波降噪，取分解層數為5，分解結果如圖3所示。由圖3可以看出，經過降噪后的時域振動信號受噪聲信號影響較小，并且有較明顯的能量峰值間隔，降噪信號呈現周期性。信號的能量峰值點意味著RV減速器的故障特征點。

對第5層小波降噪信號進行變分模態分解，得到各個IMF分量的結果如圖4所示，包括5個IMF分量和殘差變量。各個IMF分量中包含故障信號的特征頻率和能量大小。為了對各個IMF分量的可用性進行判斷，對分解后的各個IMF分量進行峭度值和信噪比計算，結果如表3所示。

峭度值和信噪比是評判信號的重要指標。由計算結果可知，IMF2分量的峭度值和信噪比最大，說明該分量包含的故障信息最多，且降噪效果最好。因此，選擇對IMF2分量進行包絡頻譜分析，結果如圖5所示。

由圖5可知，在頻率為20 Hz處出現能量峰值，結合輸入軸轉速和表2中各零部件的故障頻率計算可知，在RV減速器滾針處出現故障。通過拆機驗證，確定RV減速器的滾針部位發生磨損，故障圖如圖6所示。減速器擺線輪隔套發生斷裂，導致滾針發生嚴重磨損，使RV減速器在傳動過程中整機振動增大。結果表明，本文所提方法可以有效定位RV減速器的故障點。

利用對比實驗，對含噪的振動信號進行快速傅里葉變換，分析結果如圖7所示。由圖7可知，傳統的頻譜分析受噪聲干擾影響，不能直觀、準確地定位RV減速器的故障點。

3 結束語

本文利用小波降噪結合變分模態分解方法，對受含噪影響的RV減速器的振動信號進行故障診斷。首先運用小波降噪法對振動信號進行降噪處理；再計算通過變分模態分解后各模態分量的峭度值和信噪比，選取目標模態分量；最后對其進行包絡頻譜分析，通過計算減速器內部各零部件的故障頻率，對減速器內的故障零部件進行診斷和定位。結果表明，此方法對受含噪影響的RV減速器進行故障診斷十分有效。

［參考文獻］

［1］ 何衛東，單麗君.RV減速器研究現狀與展望［J］.大連交通大學學報，2016，37（5）：13-18.

［2］ 張義民，孫志禮.機械產品的可靠性大綱［J］.機械工程學報，2014，50（14）：14-20.

［3］ 王普，李天垚，高學金，等.分層自適應小波閾值軸承故障信號降噪方法［J］.振動工程學報，2019，32（3）：548-556.

［4］ 丁鋒，秦峰偉.小波降噪及Hilbert變換在電機軸承故障診斷中的應用［J］.電機與控制學報，2017，21（6）：89-95.

［5］ 許昕，潘宏俠.改進的EMD在齒輪箱故障診斷中的應用研究［J］.機械傳動，2014，38（10）：4-8.

［6］ 紀俊卿，張亞靚，張靜，等.基于新小波閾值的軸承故障診斷方法［J］.小型微型計算機系統，2021，42（2）：315-319.

［7］ 孟祥川，張亞靚，紀俊卿，等.基于小波降噪和CEEMD的軸承故障診斷［J］.煤礦機械，2020，41（3）：157-159.

［8］ 陳鵬，趙小強.基于優化VMD與改進閾值降噪的滾動軸承早期故障特征提取［J］.振動與沖擊，2021，40（13）：146-153.

［9］ 王進花，胡佳偉，曹潔，等.基于自適應變分模態分解和集成極限學習機的滾動軸承多故障診斷［J］.吉林大學學報（工學版），2022，52（2）：318-328.

［10］ 時培明，范雅斐，伊思穎，等.基于HVD小波包降噪編碼深度學習的風電機組智能診斷研究［J］.振動與沖擊，2022，41（12）：196-201.

［11］ 韓朋朋，賀長波，陸思良.基于VMD與增強包絡譜的軸承早期故障診斷方法［J］.機電工程，2022，39（7）：895-902.

［12］ 朵慕社，紀國宜，朱海龍，等.基于VMD降噪和CNN的軸承故障診斷［J］.噪聲與振動控制，2021，41（5）：155-160.

［13］ 陳李果，汪久根，張靖.基于小波理論的RV減速器振動信號分析［J］.機械傳動，2018，42（5）：14-17.

［14］ 藺夢雄，張向慧，姚良博，等.階次跟蹤分析方法在機器人用精密減速器擺動疲勞試驗故障診斷中的應用［J］.機械傳動，2022，46（10）：156-162.

［15］ 徐宏海，王文濤，劉學翱，等.RV減速器工作頻率理論計算與ADAMS仿真［J］.機械傳動，2015，39（7）：38-41.

［16］ 王瑞欣，劉紅旗，張敬彩，等.機器人用RV減速器綜合性能試驗臺技術研究與開發［J］.機械傳動，2018，42（12）：143-145.

（責任編輯 白麗媛；責任校對 柴 智）