[发明专利]一种齿轮故障分类方法、分类装置及可读存储介质

说明书

本发明涉及一种齿轮故障分类方法、分类装置及可读存储介质，齿轮故障分类方法包括：获取目标故障类型齿轮的振动样本数据；对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；重复上述步骤，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。

技术领域

本发明方法涉及设备故障诊断领域，特别涉及一种齿轮故障分类方法、分类装置及可读存储介质。

背景技术

齿轮传动广泛应用于各种机械设备中，但受恶劣工况的影响，容易发生故障，从而导致设备的正常运行，进而影响企业的正常生产的进行，造成经济损失，为保证设备的正常运行，齿轮的故障诊断至关重要，传统故障诊断方法，受数据量的影响，往往故障诊断精度不高。

发明内容

针对上述现有技术的不足，本发明提供一种齿轮故障分类方法、分类装置及可读存储介质。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供了齿轮故障分类方法，所述方法包括如下步骤：

步骤1，获取目标故障类型齿轮的振动样本数据；

步骤2，对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；

步骤3，获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；

步骤4，利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；

步骤5，将目标故障类型齿轮替换为待检测齿轮，重复步骤1至4，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。

进一步，所述对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图包括如下步骤：

步骤21，将所述目标故障类型齿轮的振动样本数据整理为振动信号的时间序列；

步骤22，对所述振动信号的时间序列进行相空间重构，得到相空间矩阵；

步骤23，利用所述相空间矩阵获得所述相空间矩阵中每两个相点之间的递归距离；

步骤24，利用多个所述递归距离输出所述无阈值递归图。

进一步，所述提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量包括如下步骤：

步骤S41，利用EM算法计算所述高斯分布直方图的后验概率；

步骤S42，根据所述后验概率判断所述高斯分布直方图是否满足收敛准则；

步骤S43，若满足则输出所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量。

进一步，所述利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮故障类型具体包括如下步骤：

步骤51，利用不同故障类型对应的目标故障类型齿轮的振动样本数据的目标特征向量作为神经网络的输入；

步骤52，利用所述神经网络的输出作为分类器的输入获得齿轮故障分类模型；