[发明专利]一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法

说明书

本发明公开了一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法，涉及旋转机械振动信号的故障诊断领域。本发明方法如下：首先获取齿轮箱在不同故障类型下的时变转速振动信号；然后建立基于L_1/2范数正则化的稀疏滤波模型(L_1/2‑稀疏滤波)，将振动信号直接输入到模型中进行训练并提取特征；最后将提取的特征输入到Softmax分类器中进行智能诊断。本发明通过正则化方法提升了稀疏滤波的特征提取能力，准确可靠的实现了时变转速下齿轮箱的智能故障诊断。

技术领域

本发明涉及旋转机械振动信号的故障诊断领域，具体涉及一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法。

背景技术

在航空航天、轨道交通、工程车辆等领域广泛使用的机械设备都在向着高速率、自动化、多功能和精密化方向进化，使得机械设备结构日趋复杂，产生故障的隐患也随之持续上涨。而齿轮是实现这些机械设备功率传递和运动转换的重要机构，也是机械故障诊断的主要研究对象。然而传统的故障诊断方法大都是在恒定转速下进行，对于变转速下的故障诊断研究较少。齿轮在工作过程中转速往往存在较大变化，例如：车辆行驶受道路状况的影响进行调速，风力发电机中齿轮箱的转速会随着风力和风向的改变而不断变化，在大型军舰、歼击机和直升机等军用机械中传动系统中齿轮的转速也会随着机动动作和巡航速度的改变而改变。综上所述，可以看出变转速工况在各个领域中的各种关键设备运行中均会涉及。在应对如此众多复杂机械设备齿轮的故障诊断问题成为了当前研究的一个难点。

当齿轮在恒定转速下工作时，采集的振动信号会与不同的故障类型之间产生很强的相关性，也就是说不同的信号征兆能与不同的故障类型产生相应的映射。因此，传统的故障诊断方法往往是参照设备在不同故障类型下振动信号的时域、频域或时频域信息的特征进行比对，以此来分析得出设备当前的健康状况。但是在变转速工况下，信号与故障类型间的映射不再如此单一，给机械故障诊断带来了严峻的挑战。

综上所述，变转速下齿轮产生的振动信号是一种异常复杂的非平稳信号，它不仅会使传统的故障诊断方法无法应对相同健康状况下的样本之间产生频率调制现象和统计特征参数变化，同时也降低了当下流行的许多数据驱动模型的泛化能力。因此，如何通过更加先进的信号处理技术对变转速工况引起的信号调制现象进行有效抑制，是当前故障诊断领域中的热点和难点问题。因此开展变转速工况下齿轮的智能故障诊断技术是一项急迫发展，也是十分具有挑战的技术。

发明内容

本发明的目的是针对上述不足，提出了采用L_1/2-稀疏滤波网络从齿轮的原始变转速信号中自动提取故障特征，并基于该故障特征对齿轮的健康状况进行智能诊断的适用于变转速下齿轮故障诊断的正则化稀疏滤波方法。

本发明具体采用如下技术方案：

一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法，包括以下步骤：

(1)设置不同的齿轮健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得变转速工况，并采集不同故障齿轮在变转速工况下的振动信号；

(2)根据L₂、L₁和L_1/2范数对不同特征分布条件下稀疏解的提取效果，选择采用L_1/2范数约束稀疏滤波网络的目标函数，建立基于L_1/2范数正则化的稀疏滤波网络模型，模型如式(1)所示，

其中，W为权值矩阵，M为样本个数，表示列归一化特征，表示行归一化特征，λ为正则化参数，w为正则化项，C为权值矩阵的行数，R为权值矩阵的列数；

(3)随机选取50％的样本训练L_1/2-稀疏滤波网络模型，提取变转速振动信号的波动特征；

(4)将提取的波动特征输入到Softmax分类器中进行样本分类，实现故障诊断。