[发明专利]一种基于流向图的行星齿轮箱故障诊断方法

说明书

技术领域

本发明涉及一种故障诊断方法，尤其涉及一种基于流向图的行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱具有设计紧凑、大传动比和承载能力强等特点，从而广泛应用于风力发电机、车辆或直升机等设备的机械传动系统中。行星齿轮箱的正常运行依赖于齿轮，以及齿轮与其它零件的精密配合，任何微小的瑕疵均会影响行星齿轮箱的正常运行。然而，由于长期运行在高速、重载或高温等复杂恶劣环境，行星齿轮箱极易发生裂纹或点蚀等故障；从而导致巨大的经济损失，甚至机毁人亡等灾难性的后果。因此，行星齿轮箱的故障诊断具有十分重要的工程意义和应用价值。

近年来，行星齿轮箱的故障诊断已逐渐成为国内外研究的热点之一。许多方法已应用于行星齿轮箱的故障诊断中，如人工神经网络(Artificial Neural Networks，ANNs)、证据理论(D-S Evidence Theory，DST)和支持向量机(Support Vector Machine，SVM)等。ANNs通过模拟人类大脑的神经网络结构来进行思维、学习、记忆、决策和识别。因其简单的结构，快速的训练过程和良好的扩展能力，已成功应用于行星齿轮箱的故障诊断中。但其诊断过程晦涩且难于理解，收敛速度较慢，网络的结构和参数较难确定。DST利用先验概率分配函数获得后验概率的证据区间，并量化命题的可信度与似然率。其最大特点是在证据中引入了不确定性。因此DST为行星齿轮箱的故障诊断提供了一种新的解决思路。然而，在DST应用于行星齿轮箱的故障诊断过程中，故障诊断框架中各命题的基本概率分配函数的确定依然难于解决。在合成高度冲突的证据时，得到的故障诊断结果往往有悖常理。从而限制了DST在行星齿轮箱故障诊断中的应用。此外，SVM已发展为非常有效的行星齿轮箱故障诊断方法。它采用结构风险最小化原理，将低维数据映射到高维空间，通过最优超平面将数据分类。其具有极高的推理准确性和良好的适应能力，且非常适合处理小样本数据。但其最优超平面确定过程需要较长时间，且依赖于操作者的经验和反复实验。

流向图是由波兰学者Pawlak在2002年首次提出的一种新兴的知识表示和数据分析工具。它主要由节点、有向分支和流函数三部分组成。作为粗糙集理论的扩展，其特点在于有向分支简洁地描述信息的分布，无需提供所需处理数据以外的任何先验知识，并不涉及信息的概率结构，具有图形化的知识表示特性和知识存储特性，能够以图形化的方式描述决策过程。因此，流向图被广泛应用于知识表示、数据挖掘和模式识别等领域。但流向图在机械故障诊断方面的应用还较少。

发明内容

本发明的目的是为了解决行星齿轮箱诊断过程晦涩和诊断结果准确率低的问题，为行星齿轮箱的故障诊断提供一种新颖的解决思路，而提出了一种基于流向图的行星齿轮箱故障诊断方法。

一种基于流向图的行星齿轮箱故障诊断方法，其特征在于该方法包括以下步骤：

步骤一、从典型行星齿轮箱振动信号中提取故障诊断特征，形成行星齿轮箱的故障诊断训练实例；

步骤二、通过流向图构建算法构建行星齿轮箱故障诊断流向图：首先构建流向图的征兆属性节点和决策属性节点，然后根据决策表中的决策规则从左至右依次连接各节点，从而形成有向分支集，并累计节点和有向分支的流过次数，获得节点流量和有向分支流量，并且计算节点流函数和有向分支流函数，并分别标记于节点下方和有向分支上方，最后计算有向分支的置信度和覆盖度，并标记于有向分支上方，从而获得行星齿轮箱故障诊断流向图；

步骤三、利用流向图约简算法获得最简行星齿轮箱故障诊断流向图：首先计算流向图中所有路径的一致性因子γ，然后删除第一个征兆属性节点，以及与它相连的有向分支，构建新流向图，并且计算新流向图中所有路径的一致性因子γ’，如果一致性因子γ≤γ’，那么此征兆属性节点可以删除，否则此征兆属性节点不可删除，最后依次判断其它征兆属性节点，直至最后一个征兆属性节点，删除所有可删除的征兆属性节点，获得最简行星齿轮箱故障诊断流向图，从而以最简的方式表示征兆属性和决策属性之间的因果关系；

步骤四、从待诊故障行星齿轮箱振动信号中提取故障诊断特征，形成行星齿轮箱的故障诊断待诊实例；

步骤五、采用流向图分类决策算法确定待诊行星齿轮箱的故障类型：首先根据待诊实例的完整路径计算完整路径的置信度，然后根据置信度大小，确定待诊实例的故障类型，其中故障类型为最大的置信度的节点所表示的故障类型，最后计算完整路径的覆盖度，将完整路径的置信度和覆盖度用于分类决策的量化评价指标。