[发明专利]一种行星齿轮箱故障诊断系统

权利要求书

1.一种行星齿轮箱故障诊断系统，其特征在于，包括：行星齿轮箱、振动传感器、无线采集系统和故障诊断模块；在所述行星齿轮箱振动最为敏感的位置，即旋转的位置安装所述振动传感器，所述振动传感器用以进行采集，通过所述无线采集系统收集振动信号，并将振动信号输入至所述故障诊断模块进行运行状态判断和故障诊断识别。

2.根据权利要求1所述的行星齿轮箱故障诊断系统，其特征在于，所述振动传感器安装的位置对应所述行星齿轮箱中齿轮的位置。

3.根据权利要求1所述的行星齿轮箱故障诊断系统，其特征在于，所述无线采集系统包括：数采箱、路由器和计算机；所述数采箱通过所述路由器与所述计算机相连接，连接成功后，振动信号通过无线传输的方式传输到计算机中进行保存和分析。

4.根据权利要求1所述的行星齿轮箱故障诊断系统，其特征在于，所述故障诊断模块包括：运行状态判断模块和故障识别模块；将得到的数据进行分析，通过设置多特征多阈值的方法来判断所述行星齿轮箱的运行状态，基于所述行星齿轮箱的振动特征，选择峭度指标、波形因子、峰值因子、脉冲因子和裕度因子五个指标设置失效阈值；在进行运行状态判断时，该模块会结合失效阈值进行监测指标的超阈值次数判定，并在该阶段结束时，综合各监测指标判定出当前的设备运行状态。

5.根据权利要求4所述的行星齿轮箱故障诊断系统，其特征在于，在判断所述行星齿轮箱的运行状态后，通过所述故障诊断模块进一步识别其故障类型，将收集到的振动信号进行小波阈值降噪，将降噪后的信号提取多维特征，主要包括时域特征、频域特征以及时频域特征，将这些特征进行融合，经过降维算法对融合的特征集进行降维得到最佳特征空间，最后由三个分类模型包括支持向量机SVM、Adaboost和核极限学习机KELM综合诊断故障类型，最后实现行星齿轮箱的故障诊断。

6.根据权利要求5所述的行星齿轮箱故障诊断系统，其特征在于，所述故障诊断模块提取的特征包括14个所述时域特征、13个所述频域特征和时频域特征；所述时频域特征主要包括小波包能量以及精细复合多尺度熵特征。

7.根据权利要求5所述的行星齿轮箱故障诊断系统，所述多维特征被得到后，将其进行融合，选用两种方法进行特征降维以提取最佳特征空间，分别是核主成分分析KPCA和L-S评分。

8.根据权利要求5所述的行星齿轮箱故障诊断系统，所述最佳特征空间被得到后，进入故障模式识别，包括三种分类模型进行故障识别：支持向量机SVM、Adaboost算法和核极限学习机KELM；在这三种算法中，均使用交叉验证的参数优化算法以保证模型达到最优的效果。