[发明专利]基于模态重构与装袋模型的行星齿轮箱健康监测方法

说明书

一种基于模态重构与装袋模型的行星齿轮箱故障诊断方法，首先利用三相加速度传感器采集行星齿轮箱x、y、z三个方向振动信号；然后通过变分模态分解(VMD)对振动信号进行处理得到分解后的本征模态分量，以削弱噪声对振动信号的干扰；随后通过各阶本征模态分量的频率方差对其进行重构，并进行能量指标提取；最后，通过Bagging Tree的集成算法进行模型训练，得到识别行星齿轮箱状态的有效模型；本发明可以在不同服役工况下实现行星齿轮箱的健康监测。

技术领域

本发明属于行星齿轮箱故障诊断技术领域，特别涉及一种基于模态重构与装袋模型的行星齿轮箱故障诊断方法。

背景技术

近年来，快速发展的人工智能理论为机械装备的智能诊断提供了有力工具，并在行星齿轮箱故障诊断领域取得了一定的成果。有人在应用EMD进行轴承故障特征提取的基础上，结合SVM良好的分类性能进行模式识别，实现了故障诊断(付大鹏,翟勇,于青民.基于EMD和支持向量机的滚动轴承故障诊断研究[J].机床与液压,2017,45(11):184-187)；有人使用原始振动信号作为输入，通过组合多层非线性神经网络从中自动提取故障特征进行故障状态识别(赵璐,马野.基于一维卷积神经网络的齿轮箱故障诊断研究[J].测试技术学报,2019,33(4):302-306)；有人提出一种基于最小熵反卷积和自适应变分模态分解的齿轮箱故障诊断方法，用于提高传统变分模态分解在行星齿轮箱故障诊断中的泛化能力(朱静,邓艾东,邓敏强,等.基于MED和自适应VMD的行星齿轮箱故障诊断方法[J].东南大学学报：自然科学版,2020,50(4):7)。

尽管目前针对齿轮、轴承等回转部件进行了有益探索，然而，一方面由于行星齿轮箱复杂的内部结构导致激励信息相互耦合，呈现出明显的非线性，给动态信息的解读和分析带来挑战；另一方面恶劣的服役工况导致行星齿轮箱动态信息受噪声干扰严重，呈现不同的统计特性，对诊断模型的泛化能力要求更高。因此，如何对不同服役工况下蕴含在多干扰模式中的损伤本征信息进行充分发掘是当前亟待解决的问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于模态重构与装袋模型的行星齿轮箱故障诊断方法，可以在不同服役工况下实现行星齿轮箱的健康监测。

为了达到上述目的，本发明采取的技术方案为：

一种基于模态重构与装袋模型的行星齿轮箱故障诊断方法，首先利用三相加速度传感器采集行星齿轮箱x、y、z三个方向振动信号；然后通过变分模态分解(VariationalMode Decomposition,VMD)对振动信号进行处理得到分解后的本征模态分量，以削弱噪声对振动信号的干扰；随后通过各阶本征模态分量的频率方差对其进行重构，并进行能量指标提取；最后，通过Bagging Tree的集成算法进行模型训练，得到识别行星齿轮箱状态的有效模型。

一种基于模态重构与装袋模型的行星齿轮箱故障诊断方法，包括以下步骤：

步骤一，利用布置在行星齿轮箱上的三相加速度传感器，采集不同健康状态下的振动信号{x,y,z}；

步骤二，对采集到的振动信号进行变分模态分解(VMD)，得到各个通道的本征模态分量s_k(t)；

s_k(t)＝a_k(t)exp(iφ_k(t)) (1)

其中a_k(t)为非负的信号包络，φ_k(t)为非递减的相位，i为虚数单位；

步骤三，根据公式(2)计算各个通道中本征模态分量频率的方差VF，基于频率方差的大小，对前5阶分量进行加权重构，得到重构信号；

其中为信号的重心频率，f为频率，p为f对应的幅值；