基于信号相关性的多源多路径行星齿轮箱故障源识别方法技术

本发明专利技术公开了基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其具体包括以下步骤：在行星齿轮箱多处布设测点，采集振动信号；基于各测点预设的阈值模型，判断各部件的状态，识别出故障区域，并寻找出导致故障产生的潜在故障源；对于潜在故障源，使用多路径字典的行星齿轮箱振动信号分离方法，分离出每个潜在故障源至发生故障报警测点处的最相关路径；将得到的最相关路径组成一个过完备字典，通过稀疏表示模型求解过完备字典的稀疏表示系数矩阵，锁定导致故障发生的故障源。本发明专利技术所提出的方法具备行星齿轮箱故障识别的广泛适用性，有效提高了对于未知故障识别的准确率。

【技术实现步骤摘要】

本专利技术属于故障源识别，具体涉及基于信号相关性的多源多路径行星齿轮箱故障源识别方法。

技术介绍

1、行星齿轮箱因其结构紧凑、传动比大、承载能力强等优势，广泛应用于航空航天、风力发电、轨道交通、船舶动力等高端装备领域。然而，其复杂的行星轮系结构（包含太阳轮、行星轮、内齿圈和行星架等多级传动部件）导致故障机理复杂，故障特征易受负载波动、噪声干扰及非线性传递路径影响，给故障识别带来极大挑战。因此针对行星齿轮箱的故障识别，特别是故障识别方法的准确率及适用性尤为重要。

2、针对当前行星齿轮箱故障识别领域，现有技术在主要包括基于信号处理的方法、传统机器学习、深度学习等。基于信号处理的方法依赖人工特征设计，对非线性、非平稳信号的适应性不足，且难以处理多故障并发场景。传统的机器学习，如svm、随机森林、k-means等可处理非线性关系，但依赖人工提取特征，且特征的有效性随系统复杂度下降；深度学习方法，如1d-cnn、lstm、注意力机制神经网络等，可以自动学习特征，且大数据量情况下精度远高于传统方法，但是其模型的训练过程需要的数据量较大。针对当前行星齿轮箱故本文档来自技高网...

【技术保护点】

1.基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，步骤S1具体为：

3.根据权利要求2所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，振动信号中的时域特征和频域特征具体包括：

4.根据权利要求1所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，步骤S2具体为：

5.根据权利要求4所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，所述最相关路径包括旋转件正常...

【技术特征摘要】

1.基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，步骤s1具体为：

3.根据权利要求2所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，振动信号中的时域特征和频域特征具体包括：

4.根据权利要求1所述的基于信号相关性的多源多路径行星齿轮箱故障源识别方法，其特征在于，步骤s2具体...

【专利技术属性】
技术研发人员：杨伟新，冷晟，苏楠阳，王祁波，黄海泽，朱如鹏，魏云鹏，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：