[发明专利]一种柴油机齿轮箱故障诊断方法

说明书

一种柴油机齿轮箱故障诊断方法，属于柴油机故障诊断技术领域。首先，利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号，并绘制其时域图和频谱图；其次，利用集合经验模态分解EEMD方法对振动信号进行降噪分解处理，得到多内禀模态分量IMF和残余分量；然后，基于EEMD分解的模态分量提取多域特征参数并构建特征向量，作为有向无环图支持向量机DAGSVM的输入；最后，利用采集到的振动信号样本进行训练DAGSVM模型用于柴油机齿轮箱的故障诊断，完成故障类型识别。本发明适合于柴油发动机齿轮箱的故障诊断，并且在不同齿轮状态下都具有较高的诊断准确率，最高可达到100％的故障识别率，可对齿轮箱的故障进行快速故障定位，从而提高维修效率。

技术领域

本发明属于柴油机故障诊断技术领域，涉及一种柴油机齿轮箱的故障诊断方法。

背景技术

齿轮箱是柴油机的关键部件之一。齿轮箱的故障发生会给柴油机带来一系列的严重后果，齿轮箱的故障诊断是需要全面考虑多源传感器信息的典型问题，例如振动信息、声音信息、温度信息，压力信息等。由于振动信息易采集、耗费少，利用振动信息对齿轮箱进行故障诊断的方法应用较为广泛，在一种风电齿轮箱的故障诊断方法中，采用神经网络建立风电齿轮箱故障诊断模型需要大量数据支撑才能完成，并且诊断速率较低。

针对柴油机齿轮箱的故障诊断问题，采集的振动信号具有非线性、非平稳性的特征，对故障诊断造成巨大难度。对于旋转机械系统来说，振动信号的相当数量信息存在于其时域和频域中，如幅值、频率等都反映了故障特征信息，通常利用其作为故障特征，分析原始振动信号。然而仅利用单独时域或频域分析并非适用于所有的故障特征分析，有必要采用振动信号的时频域相结合的分析方法来并提取更多的故障特征信息。小波分析和模态分解常被用来柴油机齿轮箱振动信号故障特征的分析方法，然而在小波分析中如何选择小波基尚未定论，并且小波分析只是将信号在傅里叶变换中进行机械分解。尽管模态分解是一种自适应处理技术，根据信号的固有属性对其进行分解，但是由于极点分布不均造成的混叠现象仍未得到有效解决。考虑到柴油机齿轮箱故障信号的复杂性，并为了提高振动信号特征提取的稳定性和故障类型识别率，前人工作已初步证实了利用集合经验模态分解EEMD和支持向量机(SVM)结合进行旋转机械故障分析的可行性。

发明内容

本发明的目的在于提供一种柴油机齿轮箱的故障诊断方法，用于准确识别柴油机齿轮箱的故障类型。能够解决现有技术在齿轮箱故障诊断过程中存在的一系列问题：非平稳、非线性的柴油机齿轮箱振动信号特征提取的混叠现象，时-频域特征参数的提取以及特征向量的构建，齿轮箱故障类型识别率不高等问题。

为了达到上述目的，本发明采用的技术方案为：

一种柴油机齿轮箱故障诊断方法，该诊断方法首先，利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号，并绘制时域图和频谱图；接着，利用集合经验模态分解(EEMD)方法对振动信号进行降噪分解处理，得到多内禀模态分量(IMF)和残余分量；然后，基于EEMD分解的模态分量提取多域特征参数并构建特征向量，作为有向无环图支持向量机(DAGSVM)的输入，DAGSVM分类器的使用可提高故障模式识别的速率和准确率；最后，利用采集到的振动信号样本进行训练DAGSVM模型用于柴油机齿轮箱的故障诊断，完成故障类型识别。具体包括以下步骤：

步骤1：针对典型故障情况，采集柴油机齿轮箱的四种不同齿轮状态下的振动信号，获取采样频率和获取数据个数，绘制四种不同齿轮状态下的原始振动信号时域图；利用傅里叶变换，得到四种不同齿轮状态下的真实幅值，绘制四种不同齿轮状态下的原始振动信号频谱图。

步骤2：利用集合经验模态分解EEMD方法分别对四种不同齿轮状态下的振动信号进行降噪处理并分解，得到不同尺度的IMF分量和残余分量，并依据各分量所包含的原始信号能量的占比，提取最能表征原始信号特征信息的IMF分量。所述的IMF分量需要满足以下条件：满足包含相同数目的极值点以及过零点，任何两个相邻的过零点之间只能存在一个极值点，而且上下包络线必须关于时间轴做到局部对称，任何的两个模态之间要满足相互独立的条件。具体如下：