第 42 卷 第 5 期 噪 声 与 振 动 控 制 Vol 42 No.

5
2022 年 10 月 NOISE AND VIBRATION CONTROL Oct. 2022

1006-1355(2022)05-0154-05
文章编号：

基于最大相关峭度解卷积行星齿轮箱
微弱故障诊断
刘 峰，任丽佳
( 上海工程技术大学 电子电气工程学院，上海 201620 )
摘 要：最小熵解卷积(MED)是一种常规的微弱故障特征提取方法，对局部故障脉冲有比较好的提取效果， 但是对
于含有周期性故障脉冲的振动信号， 故障特征识别率比较低。微弱故障时候的行星齿轮箱产生的振动信号通常是周
期性的， MED 不能取得比较好的识别效果。针对行星齿轮微弱故障特征难以提取的问题， 将最大相关峭度解卷积
(MCKD)方法应用到行星齿轮箱微弱故障特征提取中。MCKD 避免了最小熵解卷积对周期性冲击识别度低的缺点， 同
时可以有效抑制行星齿轮箱中谐波和噪声分量， 准确地识别出行星齿轮箱所处状态。为了验证该方法在行星齿轮箱
中的应用价值， 将两种方法分别应用在传动系统综合诊断平台收集到的振动信号中， 结果表明 MCKD 算法对于行星齿
轮箱微弱故障识别有比较好的效果。
关键词：故障诊断； 行星齿轮箱；
微弱故障；最小熵解卷积；最大相关峭度解卷积
中图分类号：TP202+.1 文献标志码：A DOI 编码：
10.3969/j.issn.1006-1355.2022.05.025

Weak Fault Diagnosis of Planetary Gearboxes Based on

Maximum Correlation Kurtosis Deconvolution
LIU Feng , REN Lijia
( School of Electronic and Electrical Engineering, Shanghai University of Engineering Science,
Shanghai 201620, China )
Abstract : Minimum entropy deconvolution (MED) is a conventional weak fault feature extraction method, which has
good extraction effect on local fault pulse. However, for the vibration signal containing periodic fault pulse, the fault feature
recognition rate is relatively low. The vibration signal generated by the planetary gearbox with weak faults is usually period-
ic, and MED cannot achieve better recognition results. Aiming at this problem, this paper applies the maximum correlation
kurtosis deconvolution (MCKD) method to the weak fault feature extraction of planetary gear boxes. MCKD can avoid the
disadvantage of low recognition rate of periodic impact of minimum entropy deconvolution, and can effectively suppress har-
monic wave and noise components in planetary gearboxes, and accurately identify the state of the planetary gearboxes. In or-
der to verify the application value of this proposed method in planetary gearboxes, the two methods of MED and MCKD are
applied to the analysis of the vibration signals collected by the comprehensive diagnosis platform of transmission systems.
The results show that the MCKD algorithm has a better effect on the weak fault identification of planetary gear boxes than
MED.
Key words : fault diagnosis; planetary gearbox; weak fault; MED; MCKD

行星齿轮箱被广泛地应用于各种传动系统中， 性冲击，
通过常规的时-频分析手段即可诊断出。但
例如：
风力涡轮机、
直升机、
卡车等，
其工作状态正常 是在实际工业环境中，
往往要求对行星齿轮箱进行
与否会影响整个传动系统的效率。当行星齿轮箱发 早期故障诊断 ，为机器决策维修提供充裕的时间。
生严重（晚期）故 障 时 ，振 动信号表现出明显的周期 因此，
行星齿轮箱进行微弱故障特征的提取，
识别出
行星齿轮箱故障状态，
对保证行星齿轮箱的可靠性
2021－07－18
收稿日期： 运行起到了至关重要的作用。怎样及时地发现行星
作者简介：刘峰(1991－)， 男， 河南省安阳市人， 硕士研究生， 齿轮箱的微弱故障特征，
避免造成重大事故一直是
专业方向为行星齿轮箱微弱故障诊断。
国内外研究的热点。
E-mail: 412910347@qq.com
通信作者：任丽佳， 女， 硕士生导师， 专业方向为在线监测技 近些年来，
微弱故障特征提取一直是研究的重
术和电气设备自动化的研究。 点和难点[1]。可用于微弱故障特征检测和诊断方法
 第5期 基于最大相关峭度解卷积行星齿轮箱微弱故障诊断 155

有许多种 ，其中振动信号分析最为广泛[2－3]。谱峭 常适合处理非线性，

非平稳的信号。LMD 方法的创
[4] [5] [6] [7]
度 、
最小熵解卷积 、
经验模态分解 、
奇异值分解 新点在于将一个单分量的调幅-调频信号看成是其
等方法分别对传感器收集到的振动信号进行处理， 本身的包络信号和一个纯调频信号的乘积，
通过定
分析提取出的振动冲击信号，
并且可以提取出微弱 义局部均值函数和包络估计函数，
在对原始信号不
故障特征，
诊断行星齿轮箱故障状态。为了能够更 断平滑的过程中获得瞬时频率，
然后将纯调频信号
好、
更准确地识别出微弱故障，
有时候也将上面的两 和包络信号相乘便可以得到一个 PF 分量 ，每个 PF
种或几种方法结合起来[8－9]。 分量实际上是一个单分量的调幅-调频信号，
这样使
本文主要针对最小熵解卷积在旋转机械微弱故 得 LMD 方法非常适合于处理非平稳和非线性信号。
将 MCKD 应用到行星齿轮箱
障特征提取中的不足， 当行星齿轮箱在微弱故障状态下运行时，
周期
微弱故障特征提取中半角，
改为全角取得比较好的 性冲击分量非常小，
通常淹没在谐波分量和解调分
效果。旋转机械微弱故障中夹杂着冲击性脉冲振动 本文用 LMD 对处于
量中。为了去除这些干扰分量，
End 首次将 MED 算法用于机械故障诊断中，
信号， 微弱故障状态的振动信号进行分层，
然后用快速谱
取得比较好的效果。之后好多专家成功将 MED 应 峭度图选取含有丰富冲击分量的层数进行信号重
用到旋转机械微弱故障诊断中。尽管 MED 算法效 构，
为下文求最大化相关峭度奠定基础。
果比较好，
但是现实中都是多种周期性冲击卷积在
2 最大相关峭度解卷积
（MCKD）
）
一起 ，MED 对这种振动信号没有取得比较好的效
果，
微弱故障特征难以提取。为了更好地解决微弱 峭度是无量纲参数，
它与机械的转速、尺寸、载
故障的提取问题 ，提出了 MCKD 算法。通过计算 荷等无关，
对单一冲击信号特别敏感，
特别适合于早
MCKD 算法滤波后的信号，
分析包络谱就可以诊断 期故障的诊断。但是对于混杂着周期性故障冲击分
出行星齿轮箱的健康状态。 量的旋转机械信号 ，峭度不能取得比较好的效果。
本文首先对收集到的行星齿轮箱信号进行烈度 由于周期性故障分量的增加，
峭度将会逐渐变小，
最
因子分析，
通过烈度可以识别出处于不同故障状态 终与正常状态的峭度值相等 ，识别效果不够理想。
的行星齿轮箱。然后对处于微弱故障状态中的信号 MCKD 算法对处理这类信号有比较好的效果，
可以
根据各个 PF 分量的快速
进行局部均值分解（LMD）， 突出信号中被谐波和噪声掩盖的周期性冲击分量，
选取含有丰富冲击分量的 PF，
谱峭度图， 对信号进 提高振动信号的信噪比。
行重构。最后 MCKD 算法对重构信号进行处理，
之 为了提取序列中的周期性冲击分量，
本文提出
后对处理过的信号进行包络谱分析。通过分析包络 周期为 T，
了相关峭度， 时延阶为 M 的相关峭度在式
谱谱线 ，可以准确识别出行星齿轮箱所处的故障 （2）中表示：
M+1

K C, M ( T ) = ∑k = 1 (∏ ) (∑
2
状态。 N M
m=0
y k - mT
N
k=1
y k2 ) (2)

y n = ∑f k x n - k + 1
L
1 特征提取 (3)
k=1
1.1 烈度因子 N 是信号中采样点数；
式中： M 是移位的周期个数；
T
烈度因子可以反映出行星齿轮箱运行状况的真 是冲击信号感兴趣的周期。当 M=1，
T=0 时候，
相关
实状态，
而且受外界干扰的影响小，
国内外很多专家 峭度变为峭度。如图 1 所示，
相关峭度与峭度相比，
经常把振动烈度当作机器的振动标准。振动烈度定 对于单个冲击信号，
峭度发生明显变化。但是当信
义为频率 10 Hz～1 000 Hz 范围内的振动速度的均 号中周期性分量增加，
相关峭度值会变大，
峭度值会
方值，
其可以准确反映行星齿轮箱运行状态的特征 变小。通过最大化相关峭度来提取周期性故障脉
因子。烈度定义为： 对于收集到离散振动速度信号 冲，
可以还原出微弱故障产生的周期性冲击分量，
提
v ( t )，
假定振动信号有 N 个点，
计算公式如下： 高感兴趣周期性脉冲所占比重，
增加行星齿轮箱的
1 N-1 2
N∑
微弱故障特征识别率。
V= v (n) （1）
n=0 在 MCKD 算法中，
通过最优化设计解卷积滤波
行星齿轮箱的振动程度可以由振动烈度反映出 器 f，这 样 做 的 目 的 是 得 到 最 大 化 的 相 关 峭 度
来，
通过振动烈度可以反映出行星齿轮箱所受的不 K C, M ( T ) 值，
如式（4）所示：
同故障程度。 max
f
[ K C, M ( T ) ] =

( ) (∑ )
2 M+1
é N M ù
êê∑ ∏y k - mT
1.2 局部均值分解
（LMD）
） N
max
f
y 2
k úú (4)
LMD 是一种自适应非平稳信号的处理方法,非 ëk=1 m=0 n=1
û
 156 噪 声 与 振 动 控 制 第 42 卷

é y 1 y 1 - T ⋯ y 1 - MT ù
ê y 2 y 2 - T ⋯ y 2 - MT ú
β=ê ú ，
ê⋮ ú
ë y N y N - T ⋯ y N - MT ûN × 1

1 - mT ( y 1 y 1 - T ⋯ y 1 - MT )
é y -1 2
ù
êê 2 ú
ú
êê y -1 ( y y ⋯ y ) úú
α m = ê 2 - mT 2 2 - T 2 - MT
úú 。
ê⋮
êê 2ú ú
y N - mT ( y N y N - T ⋯ y N - mT )
-1

图 1 四种信号的峭度和相关峭度值
ë û N×1

对 上 式（4）推 导 ，可 得 到 MCKD 最 优 滤 波 器 MCKD 算法的流程图如图 2 所示。

系数： 3 实验验证
2

f =
y ( X 0 X 0T ) ∑X mT α m =
-1
M
本文收集到的振动信号来自传动系统诊断综合
2
( M + 1 ) β  m=0
平 台（DDS）。 该 综 合 平 台 的 装 置 实 物 图 如 图 3
2
y ( X 0 X 0T )
-1
A (5)
所示。
2
( M + 1 ) β  图中展示的实验平台是由一个 2 级平行轴齿轮
T
f = [ f 1 , f 2 , ⋯, f L ] ，
在式（5）中： 其中 T 为转置； 一个 2 级行星齿轮箱，
箱， 变频器，
电机，
联轴器，
制
动器和加速度传感器组成。其中故障齿轮是第二级
é x1 x2 ⋯ xN ù
ê0 ⋯ xN - 1 ú 传动的太阳轮，
其他一切完好无损，
没有任何故障。
A = ∑X mT α m ；
x1
X0 = ê
M
,
m=0 ⋮ ⋮ ⋱ ⋮ ú 行星齿轮箱中各个齿轮分布情况在表（1）。在本实
ê ú
ë0 0 ⋯ xN - L + 1 û L × N 验中，
加速度传感器用于收集振动信号，
放于太阳轮
实验中输入的转速为 40
有故障的行星齿轮箱顶部，
é x1 x2 ⋯ x N - mT ù
r/s，
采样频率为 3 200 Hz，
负载 25.2 N∙m。
ê0 x1 ⋯ x N - mT - 1 ú
X mT =ê ú ，
⋮ ⋮ ⋱ ⋮ 表 1 行星齿轮箱中各齿轮齿数
ê ú
ë0 0 ⋯ x N - mT - L + 1 ûL × N 太阳轮 z s 行星轮（数量）z p 齿圈 z r
第一级传动 20 40（3 个） 100
第二级传动 28 36（4 个） 100

图 2 最大相关峭度解卷积流程图
 第5期 基于最大相关峭度解卷积行星齿轮箱微弱故障诊断 157

图 5 行星齿轮箱不同时刻烈度图

用 LMD 算法对选
选取处于微弱阶段振动信号，
取出的信号进行预处理。LMD 把行星齿轮箱微弱
阶段信号分解成有限 PF 分量之和，
微弱故障特征信
图 3 传动系统诊断综合平台（DDS）实物图
号特征都展现在各个 PF 分量之中，
如图 6 所示。然
图 4 中表示了行星齿轮箱振动信号时-频图。整 后对每一个 PF 分量进行快速谱峭度分析，
得到关于
个运行时间段看不出有规律的冲击特征；
频谱中也 各个 PF 分量的快速谱峭度图，
如图 7 所示。通过快
没有明显的故障特征频率成分，
只有一些突出的干 速谱峭度图可以看出 PF1 和 PF2 中包含的故障信息和
扰成分和噪声频率。 冲击成分比较丰富。选取 PF1 和 PF2 分量，
对振动信
号进行重构。信号重组可以更有效地保留原始信号
中更多的故障信息，
获得信噪比更高的故障特征信
为 MCKD 处理信号奠定基础。
号，

图 4 行星齿轮箱振动信号

为 了 提 取 出 行 星 齿 轮 箱 微 弱 状 态 特 征 ，将
MCKD 算法应用到收集的振动信号中。 图 6 微弱故障状态下振动信号 LMD 分解
为了识别行星齿轮箱的不同状态。把收集到的 MCKD 可以提取出微弱的周期性冲击成分。但
振动信号每 100 个点求一个烈度，
然后得到一系列 尤其是位移数 M，
其降噪效果受参数的影响较大， 滤
如图 5 所示。根据信号中一系列的烈度值，
烈度值， 波器长度 L。对于位移数 M， M 越大提取的信息越完
可以看出在 40 和 80 时刻，
烈度发生阶跃性变化，
表 整，一般情况下， 令 M ≤ 7 。滤波器长度 L 影响计算
40 时刻行星齿轮箱
明行星齿轮箱状态发生了变化， 一般把 L 设定为一倍到两倍的解卷积周期。
的时间，
80 时刻行星齿轮箱进入严重故
进入微弱故障状态， 对于 DDS 传动系统，
MCKD 算法中的 L=400，
M=7。
障时刻。 对重构信号进行 MCKD 算法处理，
增加行星齿轮的

(a) PF1 快速谱峭度图 (b) PF2 快速谱峭度图 (c) PF3 快速谱峭度图

图 7 各 PF 分量快速谱峭度图
 158 噪 声 与 振 动 控 制 第 42 卷

早期故障冲击信号。最后对 MCKD 处理后的信号 4 结 语

进行包络谱分析。为了对比分析，
同时对重构信号
将 MCKD 算法应用
本文在相关峭度的基础上，
图 8(a)为经过 MED
进行最小熵解卷积(MED)处理，
于行星齿轮箱微弱故障识别中，
有效地解决了行星
图 8(b)为经过 MED 算法后的
处理后的振动信号图，
齿轮箱微弱故障特征难以提取的问题，
提高了微弱
包络谱分析。将经过 MED 和 MCKD 算法处理过的
故障识别的准确性和鲁棒性。最后将该方法应用于
可以看出经过 MCKD
振动信号的包络谱进行比较，
DDS 平台收集到的振动信号中，
取得了不错的效果。
处理过的振动信号，
隐藏在重构信号中的周期性冲
通过实验，
得出下面几点结论：
击特征明显地展示出来，
可以将振动信号中的噪声
（1）通过求行星齿轮箱不同时刻的烈度，
判别
成分有效地滤除。重组的振动信号经 MCKD 处理，
行星齿轮箱所处不同健康状态。
然后通过包络谱分析。图 9(b)中谱线在 1 倍频、2 倍
（2）LMD 分解可以有效地克服模态混叠的问
3 倍频、
频、 4 倍频和 5 倍频处，
有明显的谱峰，
可以清
题，
非常适合于分析行星齿轮箱处于微弱状态的信
晰地识别出行星齿轮箱处于微弱故障状态。
号。根据对各个 PF 分量进行快速谱峭度图重构信
号，
使重构信号中含有更多的冲击分量。
（3）重构信号进行 MCKD 算法可以提高信号中
克服了 MED 只对局部冲击信号
的周期性冲击分量，
敏感的缺陷；
提取的故障特征频率幅值更大，
识别率
更准确，
增加了工程应用价值。此外该方法也适用
于其他旋转机械（例如轴承，
其他型号齿轮箱等）的
微弱故障提取。
参考文献：

[1] 王国彪，
何正嘉， 等 . 机械故障诊断基础研究“何
陈雪峰，
去何从”[J]. 机械工程学报，
2013，
49(1)：
63-72.
[2] 张妮， 吴小进 . 基于数据驱动的故障诊断技术研
车立志，
图 8 重构信号 MED 信号图和包络谱
2017，
究现状及展望[J]. 计算机科学， 44(S1)：
37-42.
[3] LEI Y, JING L, ZUO M, et al. Condition monitoring and
fault diagnosis of planetary gearboxes: A review[J]. Mea-
surement, 2014, 48(1): 292-305.
[4] 王星河， 刘国庆 . 基于谱峭度的滚动轴承故障诊
王红军，
2021(9)：
断方法[J]. 设备管理与维修， 151-153.
[5] 刘鲲鹏，
白云川， 等 . MED 在内燃机滚动轴承振
李泽华，
2018(8)：
动信号处理中的应用[J]. 内燃机与配件， 77-79.
[6] 陈永毅， 薛焕新 . 基于集合经验模态分解的滚动轴
张丹，
2021，
承智能故障诊断方法[J]. 高技术通讯， 31(5)：
559-
568.
[7] 孙传铭，
魏隆， 等 . 自适应奇异值分解局放信号
张梦楠，
2021，
降噪方法[J]. 电工电能新技术， 40(5)：
34-41.
[8] 王强，
孙娜 . 基于变分模态分解和奇异值差分谱的轴承
图 9 重构信号 MCKD 信号图和包络谱 2021，
故障诊断方法[J]. 机械设计与研究， 37(2)：
66-69.
[9] 齐鹏， 冯早 . 敏感 SVD 和 EEMD 的故障诊断方
范玉刚，
2018，
法研究[J]. 传感器与微系统， 37(2)：
67-71.