一种齿轮故障诊断平台及齿轮故障诊断方法技术

本发明专利技术公开了一种齿轮故障诊断平台及齿轮故障诊断方法，在该平台上通过模拟齿轮故障采集振动信号，采用改进的局部保持投影算法与贝叶斯分类器结合，通过贝叶斯分类器正确分类率来判断模式识别的效果，通过振动加速度传感器测量齿轮故障的振动信号，先采用主成分分析，然后采用核变换、构造最邻近图、求映射空间等；根据多故障分类下贝叶斯分类器分类识别。与主成分分析、拉普拉斯算法、局部保持投影相比，改进的局部保持投影故障识别率大大提高。改进的局部保持投影算法与贝叶斯分类器结合的故障模式识别方法提高了故障识别率和精确度，提高了齿轮的故障模式识别的效果。本发明专利技术结构简单，为齿轮的故障识别提供了一个高精度的诊断平台。

【技术实现步骤摘要】

本专利技术涉及齿轮故障诊断
，特别涉及。
技术介绍
目前，齿轮故障诊断实验台是用来模拟齿轮故障的实验台，通过对齿轮加载，采集齿轮故障下的故障信号振动分析，建立诊断数据库，为齿轮故障诊断提供有效的依据。振动分析是在齿轮故障实验台上应用各种动态测试仪器采集、记录和分析齿轮中振动部件的振动时频域信号变化。振动分析技术通过对振动部位的时频域分析确定故障产生的部位。振 动信号处理主要包括时域分析、频域分析和时频域分析等。振动诊断的关键是怎样提取微弱的故障信息并进行故障模式识别。目前振动故障信息特征提取与模式识别方法有主成分分析、多维尺度变换、流形学习、线性判别、贝叶斯分类法、支持向量机等方法。由于齿轮故障的复杂性，通常要求对齿轮多类故障判别。然而，主成分分析等线性降维方法在处理非线性结构数据时效果不佳；非线性降维主要是通过局部保持映射等流形学习方法，这种方法只考虑高维数据的局部和全局结构，没有考虑样本数据点间的类别信息，是非监督分类。这些方法故障分类识别率不够理想。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点和不足，提供，提高诊断速度和精确度，提高了故障识别的能力。本专利技术通过下述技术方案实现一种齿轮故障诊断平台，包括台架、电机、减速器、联轴器、数据采集卡、转速扭矩传感器、联轴器、加速度传感器、齿轮箱、节油阀、联轴器、磁粉加载器、张力控制器、振动分析仪及计算机；电机输出的轴联接减速器、减速器通过联轴器与转速扭矩传感器连接，转速扭矩传感器与齿轮箱连接，齿轮箱与磁粉加载器连接；所述磁粉加载器与张力控制器连接；所述电机、转速扭矩传感器、加速度传感器分别与数据采集卡连接，所述数据采集卡与振动分析仪及计算机连接。所述电机还设置有调速器，所述齿轮箱还设置有油温传感器。一种齿轮故障诊断方法，包括下述步骤I)主成分分析特征提取数据采集卡在采样频率内，通过加速度传感器采集齿轮箱振动加速度信号，振动分析仪及计算机对该加速度信号分析，使用主成分分析方法的映射矩阵映射到线性子空间，线性子空间表示为(X1, X2, X3,...，XmI ；2)核变换将(X1, X2, X3, , XmI通过核方法变换高维的核空间，并核空间的特征向量进行降维，实现有监督核局部保持映射算法，提取非线性特征，定义Ω是一种非线性映射，将原始样本数据空间Rn映射到高维的核特征空间，ΨΩ是变换矩阵，在高维核空间中，使用局部保持映射思想对核空间的映射向量进行特征提取Ζω = (Ψω)τΩ (X)，寻找到数据点集合Iz1, Z2, Z3, . . . ZnI，并使这些数据点在高维非线性核映射空间中满足如下方程权利要求1.一种齿轮故障诊断方法，其特征在于包括下述步骤 1)主成分分析特征提取数据采集卡在采样频率内，通过加速度传感器采集齿轮箱振动加速度信号，振动分析仪及计算机对该加速度信号分析，使用主成分分析方法的映射矩阵映射到线性子空间，线性子空间表示为(X1, X2, X3,, XmI ； 2)核变换将(X1,x2, X3,, xj通过核方法变换高维的核空间，并核空间的特征向量进行降维，实现有监督核局部保持映射算法，提取非线性特征，定义Ω是一种非线性映射，将原始样本数据空间Rn映射到高维的核特征空间，ΨΩ是变换矩阵，在高维核空间中，使用局部保持映射思想对核空间的映射向量进行特征提取Ζω = (Ψω)τΩ (X)，寻找到数据点集合Iz1, Z2, Z3, . . . zj，并使这些数据点在高维非线性核映射空间中满足如下方程2.一种齿轮故障诊断平台，其特征在于包括台架、电机、减速器、联轴器、数据采集卡、转速扭矩传感器、联轴器、加速度传感器、齿轮箱、节油阀、联轴器、磁粉加载器、张力控制器、振动分析仪及计算机；电机输出的轴联接减速器、减速器通过联轴器与转速扭矩传感器连接，转速扭矩传感器与齿轮箱连接，齿轮箱与磁粉加载器连接；所述磁粉加载器与张力控制器连接；所述电机、转速扭矩传感器、加速度传感器分别与数据采集卡连接，所述数据采集卡与振动分析仪及计算机连接。3.根据权利要求2所述的齿轮故障诊断平台，其特征在于所述电机还设置有调速器，所述齿轮箱还设置有油温传感器。全文摘要本专利技术公开了，在该平台上通过模拟齿轮故障采集振动信号，采用改进的局部保持投影算法与贝叶斯分类器结合，通过贝叶斯分类器正确分类率来判断模式识别的效果，通过振动加速度传感器测量齿轮故障的振动信号，先采用主成分分析，然后采用核变换、构造最邻近图、求映射空间等；根据多故障分类下贝叶斯分类器分类识别。与主成分分析、拉普拉斯算法、局部保持投影相比，改进的局部保持投影故障识别率大大提高。改进的局部保持投影算法与贝叶斯分类器结合的故障模式识别方法提高了故障识别率和精确度，提高了齿轮的故障模式识别的效果。本专利技术结构简单，为齿轮的故障识别提供了一个高精度的诊断平台。文档编号G01M13/02GK102889987SQ201210252340公开日2013年1月23日 申请日期2012年7月20日 优先权日2012年7月20日专利技术者谢小鹏, 肖海兵, 冯伟, 黄博 申请人:华南理工大学本文档来自技高网...

【技术保护点】
一种齿轮故障诊断方法，其特征在于：包括下述步骤：1）主成分分析特征提取：数据采集卡在采样频率内，通过加速度传感器采集齿轮箱振动加速度信号，振动分析仪及计算机对该加速度信号分析，使用主成分分析方法的映射矩阵映射到线性子空间，线性子空间表示为：{x1,x2,x3,...,xm}；2）核变换：将{x1,x2，x3,...,xm}通过核方法变换高维的核空间，并核空间的特征向量进行降维，实现有监督核局部保持映射算法，提取非线性特征，定义Ω是一种非线性映射，将原始样本数据空间RN映射到高维的核特征空间，ΨΩ是变换矩阵，在高维核空间中，使用局部保持映射思想对核空间的映射向量进行特征提取：ZΩ=(ΨΩ)TΩ(x)，寻找到数据点集合{z1,z2，z3,...zn}，并使这些数据点在高维非线性核映射空间中满足如下方程：minΣi,jn||(ΨΩ)TΩ(xi)-(ΨΩ)TΩ(xj)||Si,jΩ求解特征值问题，变换矩阵ΨΩ由这些特征空间向量线性组合表示：ΨΩ=Σi=1nαiΩ(xi)=Qiαi其中，α=[α1,α2,α3,...,αn],Q=[Ω(x1),Ω(x2),Ω(x3),...,Ω(xn)]，根据核函数的原理，将原始样本向量映射到核空间，使用核算法计算核矩阵K，K(xi,xj)=Ω(xi)TΩ(xj)=Q(xi)TQ(xj)，目标函数为：12Σi,jn||ziΩ-zjΩ||SijΩ=αTK(xi,xj)(DΩ-SΩ)K(xi,xj)α其中，SΩ为高维空间非线性映射空间下的数据样本相似矩阵，相应对角造最邻近图SΩ，采用核的非线性形式计算最邻近图，经过核变换的特征空间，矩阵DΩ在欧式空间数据特征下反映了经过核变换的数据的分布特征，根据约束条件，建立优化方程：minαTK(DΩ-SΩ)KΩαΩsubject.to.αTKDΩKαΩ=14)求映射空间：计算映射矩阵ΨΩ，经过有监督的核局部保持映射算法提取的训练样本数据的特征向量为优化问题采用拉格朗日乘子法求解：L(α,λ)=αTK(DΩ？SΩ)KΩαΩ？λαTKDΩKαΩ优化问题的解是特征值所对应的特征向量，构成映射矩阵ΨΩ。根据 ZΩ＝(ΨΩ)TΩ(x)，求出样本数据的映射空间；5)对特征空间的样本进行分类识别，构造类别样本空间，采用是贝叶斯分类器，根据分类结果故障识别率来判断诊断故障的效果。FDA00001911534300014.jpg,FDA00001911534300016.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：谢小鹏，肖海兵，冯伟，黄博，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：