[发明专利]利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法

说明书

技术领域

本发明主要涉及到变速箱故障预测和识别技术领域，特指一种利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法。

背景技术

现有技术中，常通过单一的时域指标、频谱分析或时频分析方法对行星齿轮箱的早期损伤进行检测，并对其故障模式如齿轮缺齿、点蚀、齿根裂纹等进行识别。在上述技术中，传感器获取的行星齿轮箱振动信号先经预处理方法降噪，然后经过时域统计分析、快速傅里叶变换或时频分析方法计算相对应的特征参数，接下来通过设置单类特征参数的阈值来检测故障/损伤，通过模式识别算法来判断故障模式。

通常而言，行星齿轮箱的工作环境中存在大量噪声及其他工频干扰，采用单类特征参数进行故障模式识别往往难以克服以上干扰因素，并且也无法适应转速、扭矩等工况条件的变化，进而造成较高的虚警或误警，影响装备的正常运行。因此，如何在严重的噪声、工频干扰和多变工况背景下，有效、稳定、可靠地检测并识别行星齿轮箱的典型故障模式，便成为行星齿轮箱状态监测与故障诊断的关键问题之一。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、稳定可靠、精度高、适用于高干扰和多变工况下的利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法。

为解决上述技术问题，本发明采用以下技术方案：

一种利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法，其步骤为：

（1）提取时域、频域、阶域和时频域等特征参数f_t、f_f、f_s、f_tf，组成混合域特征向量F_m，并计算各特征参数的权重值w_t、w_f、w_s、w_tf，

F_m={f_t,f_f,f_s,f_tf}={f_m1,f_m2,f_m3,f_m4,...,f_mj}，j=1,2,3,...,m；

w_m={w_t,w_f,w_s,w_tf}={w_m1,w_m2,w_m3,w_m4,...,w_mj}，j=1,2,3,...,m；

式中m为特征向量中特征指标的个数；

（2）获取行星齿轮箱振动监测的健康状态和各种故障模式状态的历史数据，计算相对应的混合域特征向量值以此作为参考状态矩阵：

式中0为健康状态指标，1、2、3、…、n分别为各种故障状态指标，n为故障模式的数量；

（3）实时采集行星齿轮箱振动监测数据，计算其混合域待检信号特征向量

（4）将待检信号特征向量与参考状态矩阵的行向量分别作为灰色关联分析算法的输入，按下式进行计算：