【技术实现步骤摘要】
本专利技术涉及一种齿轮箱变转速复合故障诊断方法，属于齿轮箱复合故障诊断。
技术介绍
1、大型机电装备的可靠性关乎国家发展、经济建设、人员安全，齿轮箱作为大型机电装备最重要的组成部分，它是否发生故障对整个机械设备的运行状况有很大的影响，其内部的齿轮和滚动轴承承受着高负荷和高摩擦的作用，是最容易损坏的部件，因此，对齿轮箱进行故障诊断对预防突发性故障，保护人员安全，减少经济损失具有重要意义。
2、实际工程运用中，齿轮箱常工作在瞬时载荷较高的工况下，表现为变转速工况。传统的故障诊断方法一般针对匀速工况，分析的信号都是稳态条件下的，但是由于变转速的影响，传统故障诊断方法失去其优越性。为了将变速信号转为稳态信号，阶次跟踪技术被提出。同步挤压小波变换(synchrosqueezing wavelet transform，swt)是一种特殊的时频重排方法，可以直接提取信号的瞬时转频，已被用于变转速下旋转机械的故障诊断。但swt对信号的瞬时转频很敏感，但在强噪声等环境下，swt变换容易受到干扰，使提取的瞬时转频不精确，而且由于谱重排时从算法聚焦的是信号的重心频率处，容易造成信号两端发生端点效应。
3、在实际工程运用中，齿轮箱内部传动系统非常复杂，不同零部件产生的故障信号耦合在一起，传统的故障诊断方法难以分离，增加了故障诊断的难度。多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted，momeda)方法能以多点峭度为指标从振动信号中提取故障冲
4、采用峭度与功率谱熵的比值(spse)为目标函数，依托spse对信号的冲击敏感，可以表达出周期性脉冲的均匀程度，结合网格优化算法，自适应选择momeda的参数，可以解决momeda参数选择不当造成信号提取不充分的问题，实现自适应参数选择的复合故障解耦。
5、故障特征提取的本质是提取反映信号差异的参数，多角度特取相比于单一信号特征，可以更完整的描述信号的信息，然而不相干的冗余特征，不仅不能提供齿轮箱故障的相关信息，反而增加故障诊断的计算量，造成算法时间的延长，甚至导致故障诊断精度的下降。
技术实现思路
1、目的：鉴于以上技术问题中的至少一项，本专利技术提供一种齿轮箱变转速复合故障诊断方法，基于改进同步挤压小波变换(swt)的无键相阶次分析、自适应多点最优最小熵反褶积(momeda)的复合故障解耦、多传感器和的多角度特征融合，实现未知变转速条件下齿轮箱复合故障的特征解耦及诊断识别，是一种有效的齿轮箱变转速复合故障诊断方法。
2、本专利技术采用的技术方案为：
3、第一方面，本专利技术提供一种齿轮箱变转速复合故障诊断方法，包括：
4、获取齿轮箱故障模拟的原始振动信号；
5、采用基于改进同步挤压小波变换的无键相阶次分析方法对所述原始振动信号进行预处理，得到变转速信号的重构信号；
6、采用基于自适应多点最优最小熵反褶积的复合故障解耦方法对所述重构信号进行分解，从所述重构信号中提取故障冲击成分；
7、提取所述故障冲击成分的多角度特征，选择多角度特征中的有效特征；根据多个单传感器局部诊断结果，利用多传感器融合诊断模型进行多传感器融合诊断，得到复合故障诊断结果。
8、在一些实施例中，所述原始振动信号包括齿轮箱匀速工作状态下的正常信号、轴承外圈故障信号、轴承内圈故障信号、轴承滚子故障信号、大齿轮故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号，齿轮箱变速工作状态下的正常信号、轴承外圈故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号。
9、在一些实施例中，采用基于改进同步挤压小波变换的无键相阶次分析方法对所述原始振动信号进行预处理，得到变转速信号的重构信号，包括：
10、(21)使用基于sam的改进同步挤压小波变换sam-swt算法对所述原始振动信号频域部分进行增强与降噪处理，提取出高精度的瞬时转频数据，具体包括：
11、第一步，对原始振动信号进行傅里叶变换得到信号幅值；
12、第二步，对所述信号幅值进行幂运算，并通过傅里叶逆变换将幂运算后的信号幅值与所述原始振动信号的相位进行修正，得到修正信号；
13、第三步，对所述修正信号进行连续小波变换，得到一系列小波系数；
14、第四步，对所述小波系数进行求偏导，得到信号的瞬时频率，并在时间-频率域进行挤压重排，得到sam-swt时频图，求出振动信号的瞬时转频；
15、(22)使用插值算法对所述瞬时转频数据进行处理后，进行拟合得到瞬时转频曲线；
16、(23)使用基于等角度重采样算法对所述瞬时转频曲线进行等角度重采样，得到变转速信号的重构信号。
17、在一些实施例中，使用四段式hermite插值算法对所述瞬时转频数据进行处理，具体包括：
18、将所述瞬时转频数据按照时间分为四等份，每一份瞬时转频数据单独使用分段三次hermite插值法。
19、在一些实施例中，采用基于自适应多点最优最小熵反褶积的复合故障解耦方法对所述重构信号进行分解，从所述重构信号中提取故障冲击成分，包括：
20、(31)根据齿轮和轴承的固有特征频率计算齿轮和轴承的脉冲周期tg；
21、(32)使用网格优化算法设置大步长的网格参数，所述网格参数包括滤波器长度l、周期t和搜索步长，以所述滤波器长度l和所述周期t为横纵坐标在坐标系上构造二维网格；
22、(33)将重构信号通过自适应多点最优最小熵反褶积momeda方法分解，以spse值的倒数为目标函数，比较得到所述大步长最优参数，此时滤波器阶数为ls，周期为ts；其中，所述spse值是所述峭度与所述功率谱熵的比值；
23、(34)判断获得的值是否满足最优解，若满足，则输出步骤至(35)，若不满足则返回步骤(32)；其中所述最优解通过比较网格点之间目标函数的最大值或者最小值来确定；
24、(35)设置小步长的网格参数，对网络进行更新优化，以更新后的滤波器长度l和周期t为横纵坐标更新二维网格；
25、(36)判断获得的值是否满足所述最优解，若满足，则分解出含有明显故障脉冲周期的信号，实现复合故障解耦，若不满足则继续步骤(35)。
26、在一些实施例中，提取所述故障冲击成分的多角度特征，选择多角度特征中的有效特征；根据多个单传感器局部诊断结果，利用多传感器融合诊断模型进行多传感器融合诊断，得到复合故障诊断结果，包括：
27、(41)利用多角度特征提取模型，提取所述故障冲击成分的多角度特征；
28、(42)针本文档来自技高网...
【技术保护点】
1.一种齿轮箱变转速复合故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述原始振动信号包括齿轮箱匀速工作状态下的正常信号、轴承外圈故障信号、轴承内圈故障信号、轴承滚子故障信号、大齿轮故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号，齿轮箱变速工作状态下的正常信号、轴承外圈故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号。
3.根据权利要求1所述的方法，其特征在于，采用基于改进同步挤压小波变换的无键相阶次分析方法对所述原始振动信号进行预处理，得到变转速信号的重构信号，包括：
4.根据权利要求1所述的方法，其特征在于，使用四段式Hermite插值算法对所述瞬时转频数据进行处理，具体包括：
5.根据权利要求1所述的方法，其特征在于，采用基于自适应多点最优最小熵反褶积的复合故障解耦方法对所述重构信号进行分解，从所述重构信号中提取故障冲击成分，包括：
6.根据权利要求1所述的方法，其特征在于，提取所述故
7.根据权利要求6所述的方法，其特征在于，其中所述多角度特征包括绝对均值、均方根值、标准差、排列熵和重心频率；利用改进的ReliefF方法从所述多角度特征中选择有效特征，包括：基于余弦相似度对ReliefF进行改进，得到CReliefF算法，所述CRelief算法通过特征权值和冗余度度量构建特征集合的评价函数，并使用序列前向搜索搜索和生成子集，对特征子集进行整体评价，其中评分函数L(F)定义为：
8.根据权利要求1所述的方法，其特征在于，所述单传感器局部诊断采用小波神经网络小波神经网络的学习率为0.001，权值为0.01，迭代次数为100。
9.根据权利要求1所述的方法，其特征在于，修正D-S证据理论的基本概率指派函数，构建多传感器融合诊断模型；根据多个单传感器局部诊断结果，利用多传感器融合诊断模型进行融合诊断得到复合故障诊断结果包括：
10.一种齿轮箱变转速复合故障诊断装置，其特征在于，包括处理器及存储介质；
...【技术特征摘要】
1.一种齿轮箱变转速复合故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述原始振动信号包括齿轮箱匀速工作状态下的正常信号、轴承外圈故障信号、轴承内圈故障信号、轴承滚子故障信号、大齿轮故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号，齿轮箱变速工作状态下的正常信号、轴承外圈故障信号、轴承外圈和大齿轮复合故障信号、轴承内圈和大齿轮复合故障信号、轴承滚子和大齿轮复合故障信号。
3.根据权利要求1所述的方法，其特征在于，采用基于改进同步挤压小波变换的无键相阶次分析方法对所述原始振动信号进行预处理，得到变转速信号的重构信号，包括：
4.根据权利要求1所述的方法，其特征在于，使用四段式hermite插值算法对所述瞬时转频数据进行处理，具体包括：
5.根据权利要求1所述的方法，其特征在于，采用基于自适应多点最优最小熵反褶积的复合故障解耦方法对所述重构信号进行分解，从所述重构信号中提取故障冲击成分，包括：
6.根据权利要求1所述的方法，其特征在于，提取所述故障冲击成分的多角度...
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。