[发明专利]一种行星齿轮退化状态识别方法

说明书

本发明公开了一种行星齿轮退化状态识别方法，该方法包括进行多个振动传感器优化布置和原始振动信号采集，采用自适应改进奇异谱分解将原始振动信号分解为多个SSDC分量，多SSDC分量多尺度增强信息维度提取构成行星齿轮退化状态特征矩阵，构建基于卷积神经网络的行星齿轮退化状态识别模型。本发明方法可提取行星齿轮退化状态产生的特征信息矩阵，并根据提取的特征信息矩阵实现行星齿轮退化状态识别，是一种有效的行星齿轮退化状态识别方法。

技术领域

本发明涉及一种行星齿轮退化状态识别方法，属于行星齿轮故障诊断技术领域。

背景技术

行星齿轮传动具有体积小、质量轻、传动比大的优点，被广泛应用于大型复杂机械的传动系统，其长期运行在恶劣工况条件下，极易产生局部损伤，并经历不同的退化状态演变为致命故障，直接影响到机电装备的运行可靠性。因此，准确的识别行星齿轮当前所处的退化状态对于有目的的进行行星轮系维护工作，进一步预测行星轮系故障的发展态势，避免发生突发性故障具有重大的意义。

在实际工程中，行星齿轮工作环境相对恶劣，加上自身结构的特殊性和复杂性，其振动信号具有强烈的非线性和非平稳性。同时，行星齿轮所经历的不同退化状态仍属于同一种故障类型，仅仅损伤程度不同，其特征差异更小，故障特征信息更加微弱。因此，行星齿轮的退化状态识别相比于一般的故障诊断问题具有更大的难度。目前故障特征提取方法主要采用信号分解结合特征量化，仍然存在一定的缺点。基于经验模态分解的这类方法当处理间歇信号时，容易产生模态混叠，同时其获得的分解结果本征模态函数(Intrinsic modefunction,IMF)分量缺乏物理意义。基于小波变换的这类方法受限制于分解基函数和分解层数的确定。奇异谱分析(Singular Spectrum Analysis,SSA)是一种基于主成分分析的非参数化谱估计方法，其基于数据驱动，能够捕捉高度非谐振荡形状，适用于处理非线性和非平稳振动信号。但是其嵌入维数以及分量分组重构准则都是基于经验来选择，无法实现被分解信号频带的自适应划分，某些情况下的分析结果缺乏物理含义和产生混叠现象。奇异谱分解(SSD)是一种新型的自适应信号处理方法，能够将单分量信号依次从高频到低频自适应重构获得一系列奇异谱分解分量(Singular spectrum decomposition components,SSDCs)，每个SSDC分量中都包含能够表征行星齿轮退化状态的特征信息，因此故障特征量化提取是关键。多尺度分析能够从不同的时间尺度多维的体现信号特征，兼顾全局信息与细节信息。同时，信息维数可以从概率学角度反映信号几何形态的复杂度和稀疏度，能够量化分量中包含的退化状态特征信息。因此，将多尺度分析和信息维数相结合能够实现不同时间尺度下SSDC分量的复杂度和稀疏度量化表征。

最后关键在于识别行星齿轮的退化状态。传统的模式识别方法，如支持向量机，反向传播神经网络和模糊聚类等，无法处理多维数据，识别效果差，训练样本小，容易陷入局部最优和过度拟合。卷积神经网络是一个具有多个隐藏层的深度学习网络模型，能够捕捉多维数据间的关联，容错性、自适应能力强。

发明内容

本发明提供一种基于自适应改进奇异谱分解、多尺度增强信息维度和卷积神经网络的行星齿轮退化状态识别方法。该方法通过自适应改进奇异谱分解分离不同退化状态行星齿轮所产生的特征信息，选用多尺度分析与增强信息维度相结合量化特征信息，并将其输入卷积神经网络识别退化状态，是一种有效的行星齿轮退化状态识别方法。

本发明所采用的技术方案如下：

一种行星齿轮退化状态识别方法，包括以下步骤：

(1)进行加速度振动传感器优化布置，测量行星齿轮壳体的原始振动信号；

(2)将所述原始振动信号进行自适应改进的奇异谱分解，得到一系列奇异谱分解分量；

(3)提取所述奇异谱分解分量的多尺度增强信息维度，构成奇异谱分解分量尺度增强信息维度特征矩阵；