【技术实现步骤摘要】
一种行星齿轮退化状态识别方法
本专利技术涉及一种行星齿轮退化状态识别方法，属于行星齿轮故障诊断
技术介绍
行星齿轮传动具有体积小、质量轻、传动比大的优点，被广泛应用于大型复杂机械的传动系统，其长期运行在恶劣工况条件下，极易产生局部损伤，并经历不同的退化状态演变为致命故障，直接影响到机电装备的运行可靠性。因此，准确的识别行星齿轮当前所处的退化状态对于有目的的进行行星轮系维护工作，进一步预测行星轮系故障的发展态势，避免发生突发性故障具有重大的意义。在实际工程中，行星齿轮工作环境相对恶劣，加上自身结构的特殊性和复杂性，其振动信号具有强烈的非线性和非平稳性。同时，行星齿轮所经历的不同退化状态仍属于同一种故障类型，仅仅损伤程度不同，其特征差异更小，故障特征信息更加微弱。因此，行星齿轮的退化状态识别相比于一般的故障诊断问题具有更大的难度。目前故障特征提取方法主要采用信号分解结合特征量化，仍然存在一定的缺点。基于经验模态分解的这类方法当处理间歇信号时，容易产生模态混叠，同时其获得的分解结果本征模态函数(Intrinsicmodefunction,IMF)分量缺乏物理意...
【技术保护点】
1.一种行星齿轮退化状态识别方法，其特征在于，包括以下步骤：(1)进行加速度振动传感器优化布置，测量行星齿轮壳体的原始振动信号；(2)将所述原始振动信号进行自适应改进的奇异谱分解，得到一系列奇异谱分解分量；(3)提取所述奇异谱分解分量的多尺度增强信息维度，构成奇异谱分解分量尺度增强信息维度特征矩阵；(4)构建基于卷积神经网络的行星齿轮退化状态识别模型。
【技术特征摘要】
1.一种行星齿轮退化状态识别方法，其特征在于，包括以下步骤：(1)进行加速度振动传感器优化布置，测量行星齿轮壳体的原始振动信号；(2)将所述原始振动信号进行自适应改进的奇异谱分解，得到一系列奇异谱分解分量；(3)提取所述奇异谱分解分量的多尺度增强信息维度，构成奇异谱分解分量尺度增强信息维度特征矩阵；(4)构建基于卷积神经网络的行星齿轮退化状态识别模型。2.根据权利要求1所述的一种行星齿轮退化状态识别方法，其特征在于：所述步骤(1)中，所述原始振动信号包括正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态，共9种退化状态。3.根据权利要求1所述的一种行星齿轮退化状态识别方法，其特征在于，所述步骤(2)中，将所述原始振动信号进行自适应改进的奇异谱分解，包括：(21)自适应选取嵌入维数m：j＝1时，设置m＝N/3；j＞1时，设置m＝l·(fs/fmax)，其中，j表示迭代次数，fs为采样频率，fmax为vj(n)的功率谱密度中最大峰值所对应的频率，N表示原始振动信号的信号点数，l是调整窗长和想要的信号成分的平均周期的比值因子；(22)构建轨迹矩阵：将原始振动信号时间序列{x1,x2,...,xN}转换为轨迹矩阵其中，(23)进行分量分组与分量重构：第一次迭代时，如果所检测的分量是一个趋势项，则利用第一个左右特征向量进行构成g(1)(n)，即：其中，dia()代表对角平均计算，X1为所构建的相空间矩阵，σ1为第一个奇异值，u1为左特征向量，v1T为右特征向量；如果在第一次迭代中所检测的分量不是一个趋势项，则继续进行迭代，对于第j次迭代，j＞1，根据以下规则获得一系列的奇异谱分解分量序列g(j)(n)：从所有的特征值集合中创建一个子集Ij＝{i1,i2,...,ip}，其中，ip为第p个特征值；子集Ij的确定原则为：根据左特征向量在频带[fmax-Δf,fmax+Δf]范围中具有突出主频率的所有特征组和对选取信号分量的主峰能量贡献最大的一个特征组，然后通过矩阵XIj＝Xi1+Xi2+…+Xip的对角平均可重构获得所对应的信号分量；其中，Xip为利用第p个特征值进行奇异值分解反过程获得的空间矩阵；(24)判断是否达到终止条件，是则分量分组重构结束，否则重新进行分量分组与分量重构。4.根据权利要求3所述的一种行星齿轮退化状态识别方法，...
【专利技术属性】
技术研发人员：陈曦晖，杨泽南，杨子豪，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。