一种齿轮箱及其故障诊断方法技术

本申请提供了一种齿轮箱故障诊断方法，包括：通过加速度传感器采集齿轮箱的振动信号；对齿轮箱植入故障，并人为的对采集到的齿轮箱各类故障设置标签，作为训练集；将非平稳的齿轮箱振动信号进行双树复小波变换分解分解，得到若干不同频段平稳的分量；对各频带分量求最大熵谱估计谱，选择其中含有特征信息较多的分量，并计算其能量熵作为信号的特征矩阵；将不同故障状态的齿轮箱特征矩阵输入到惯性权重线性递减的粒子群优化PNN分类器的诊断模型，进行模型训练；提取待检测的齿轮箱状态特征并输入到训练好的分类器中，根据输出结果判断齿轮箱故障状态。轮箱故障状态。轮箱故障状态。

【技术实现步骤摘要】
一种齿轮箱及其故障诊断方法


[0001]本申请属于故障诊断
，特别涉及一种齿轮箱及其故障诊断方法。

技术介绍

[0002]机械故障诊断是保证设备安全运行和提高产品使用寿命的重要手段，故障诊断的重点在于信号的特征提取与模式的识别。齿轮作为传动装置的关键零件，在其全寿命阶段都处于性能不断退化的过程。如果能对齿轮的故障状态进行高效而精确的预测，就能够有效避免机械设备发生相应的事故。因此，针对齿轮传动进行有效、及时地状态监控和故障诊断就具有十分重要的意义。
[0003]为了实现对齿轮故障状态的判断，必须要提取出精准的信号特征，并对其准确识别。对于齿轮非平稳信号的特征提取和识别，现有技术中提出有采用小波包分解提取故障信息，将频带能量作为特征参数，并将特征参数及其变化当作故障预警的依据。还有为解决列车轴承在运行过程中非纯滚动而存在提取误差的问题，现有技术只提出有一种单瞬态多普勒调制小波分析的故障特征提取方法，利用相关滤波法从轴承诊断信号中提取冲击成分。此外针对信号特征非线性、复杂多变的柴油机气缸故障，现有技术只提出有一种新的方法，用模糊熵结合一种类型的小波包用于故障诊断的特征的提取，再利用模糊熵进行特征筛选。
[0004]然而以上方法在故障特征提取方面都存在不精确和不稳定的问题。

技术实现思路

[0005]本申请的目的是提供了一种齿轮箱故障诊断方法，以解决或减轻
技术介绍
中的至少一个问题。
[0006]本申请的技术方案是：一种齿轮箱故障诊断方法，所述方法包括：
[0007]步骤S1，通过加速度传感器采集齿轮箱的振动信号；
[0008]步骤S2，对齿轮箱植入故障，并人为的对采集到的齿轮箱各类故障设置标签，作为训练集；
[0009]步骤S3，将非平稳的齿轮箱振动信号进行双树复小波变换分解分解，得到若干不同频段平稳的分量；
[0010]步骤S4，对各频带分量求最大熵谱估计谱，选择其中含有特征信息较多的分量，并计算其能量熵作为信号的特征矩阵；
[0011]步骤S5，将不同故障状态的齿轮箱特征矩阵输入到惯性权重线性递减的粒子群优化PNN分类器的诊断模型，进行模型训练；
[0012]步骤S6，提取待检测的齿轮箱状态特征并输入到训练好的分类器中，根据输出结果判断齿轮箱故障状态。
[0013]进一步的，所述步骤S3中，将非平稳的齿轮箱振动信号进行双树复小波变换分解得到若干不同频段平稳分量的过程包括：
[0014]双树复小波变换由实部树和虚部树构成，双树复小波变换分解得到的细节系数和近似系数是由两树各自运算结果分别组合而成，即：
[0015][0016][0017]式中：和分别为实部树的细节系数和近似系数，和分别为虚部树的细节小波系数和近似小波系数，j为尺度因子，J为分解层数，k＝1,2,...,n.；
[0018]根据双树复小波变换分解的构造方式，其用公式表示为：
[0019][0020]式中：和是2个实小波，i为虚数单位。
[0021]进一步的，所述步骤S4中，对各频带分量求最大熵谱估计谱，选择其中含有特征信息较多的分量，并计算其能量熵作为信号的特征矩阵的过程包括：
[0022]假设齿轮振动的信号序列满足高斯随机过程，则每个样本的熵正比于下工式：
[0023]式中：P
xx
(f)为信号序列的功率谱密度；f为信号包含的频率；
[0024]在满足约束条件下，使上式达到极大，并利用拉格朗日乘子法，最终得到信号序列的最大熵谱估计，即为齿轮最大熵谱分析数学模型：
[0025][0026][0027]式中：k＝0,1,...,p，p为估计阶数，a[k]为谱估计参数，为功率预测误差。
[0028]进一步的，所述步骤S5中的优化PNN分类器参数包括输入层节点、决策层、最优平滑因子及分类标签。
[0029]进一步的，所述步骤S6中，提取待检测的齿轮箱状态特征并输入到训练好的分类器中，根据输出结果判断齿轮箱故障状态，包括以下步骤：
[0030]步骤S61，将待检测图像进行步骤S3和步骤S4操作，提取齿轮箱状态特征矩阵；
[0031]步骤S62，将待测的齿轮箱状态特征矩阵输入到步骤S5中训练的参数优化PNN分类器中，根据输出结果判断断齿轮箱故障状态。
[0032]另外，本申请还提供了一种齿轮箱，所述齿轮箱根据如上任一的齿轮箱诊断方法得到。
[0033]本申请提供的齿轮箱故障诊断方法通过双树复小波分解能将非平稳信号中包含特征信息的信号与其他干扰信号分解到不同的频带上，实现了特征信息与干扰信息的分离，对双树复小波分解的各频带信号进行最大熵谱估计分析，能有效提取出包含特征信息
的频带并去除干扰成分，与此同时，这些频带信号的能量熵能有效反映齿轮的运行状态，利用LDWPSO
‑
PNN建立的故障诊断模型，可以通过网络输出的数值对齿轮运行状态进行判别，具有较高的识别精度。
附图说明
[0034]为了更清楚地说明本申请提供的技术方案，下面将对附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例。
[0035]图1为本申请的齿轮箱故障诊断方法流程示意图。
[0036]图2为本申请一实施例中齿轮箱正常状态下双树复小波分解的分量时域波形。
[0037]图3为本申请一实施例中齿轮箱断齿状态下双树复小波分解的分量时域波形。
[0038]图4为本申请一实施例中齿轮箱正常状态下前5阶分量频域波形。
[0039]图5为本申请一实施例中齿轮箱断齿状态下前5阶分量频域波形。
[0040]图6为本申请一实施例中DTCWT
‑
MESE特征提取样本散点图。
[0041]图7为本申请一实施例中DT
‑
CWT特征提取样本散点图。
[0042]图8为本申请的方法中LDWPSO
‑
PNN的流程图。
[0043]图9为本申请一实施例的检测结果示意图。
具体实施方式
[0044]为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
[0045]如图1所示，本申请提供的齿轮箱故障诊断方法包括如下步骤：
[0046]步骤S1，通过加速度传感器采集齿轮箱的振动信号；
[0047]步骤S2，对齿轮箱植入故障，并人为的对采集到的齿轮箱各类故障设置标签，作为训练集；
[0048]步骤S3，将非平稳的齿轮箱振动信号进行DT
‑
CWT分解，得到若干不同频段平稳的分量；
[0049]步骤S4，对各频带分量求最大熵谱估计谱，选择其中含有特征信息较多的分量，并计算其能量熵作为信号的特征矩阵；
[0050]步骤S5，将不同故障状态的齿轮箱特征矩阵输入到惯性权重线性递减的粒子群优化PNN(LDWPSO
...

【技术保护点】

【技术特征摘要】
1.一种齿轮箱故障诊断方法，其特征在于，所述方法包括：步骤S1，通过加速度传感器采集齿轮箱的振动信号；步骤S2，对齿轮箱植入故障，并人为的对采集到的齿轮箱各类故障设置标签，作为训练集；步骤S3，将非平稳的齿轮箱振动信号进行双树复小波变换分解分解，得到若干不同频段平稳的分量；步骤S4，对各频带分量求最大熵谱估计谱，选择其中含有特征信息较多的分量，并计算其能量熵作为信号的特征矩阵；步骤S5，将不同故障状态的齿轮箱特征矩阵输入到惯性权重线性递减的粒子群优化PNN分类器的诊断模型，进行模型训练；步骤S6，提取待检测的齿轮箱状态特征并输入到训练好的分类器中，根据输出结果判断齿轮箱故障状态。2.如权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述步骤S3中，将非平稳的齿轮箱振动信号进行双树复小波变换分解得到若干不同频段平稳分量的过程包括：双树复小波变换由实部树和虚部树构成，双树复小波变换分解得到的细节系数和近似系数是由两树各自运算结果分别组合而成，即：是由两树各自运算结果分别组合而成，即：式中：和分别为实部树的细节系数和近似系数，和分别为虚部树的细节小波系数和近似小波系数，j为尺度因子，J为分解层数，k＝1,2,...,n.；根据双树复小波变换分解的构造方式，其用公式表示为：式中：和是2个实小波，i为虚数单位。3.如权利要求...

【专利技术属性】
技术研发人员：孙程阳，周国强，朱帅，李尧，张喜双，刘潇，
申请(专利权)人：中国航空工业集团公司沈阳飞机设计研究所，
类型：发明
国别省市：