[发明专利]一种多尺度齿轮箱故障智能诊断方法

说明书

本发明公开了一种多尺度齿轮箱故障智能诊断方法，首先通过集成经验模态分解(EEMD)将加速度传感器采集得到的振动信号分解为多个本征模函数(IMF)分量并计算出各IMF分量的峭度，选取峭度最大的6个分量，然后再利用对称点阵方法(SDP)将6个IMF分量转换为SDP图像上的6个扇瓣，从而生成一个SDP灰度图像，将三个传感器振动信号转换的SDP灰度图像作为RGB彩色图像的不同通道进行融合，最后将融合后的SDP图像作为改进深度卷积神经网络的输入，实现齿轮箱的故障诊断。本发明相较于传统单一传感器故障诊断，可以更加全面地表征齿轮箱的故障特征，具有更好的故障诊断效果。

技术领域

本发明涉及一种多尺度齿轮箱故障智能诊断方法，属于齿轮箱故障诊断技术领域，具体涉及一种基于EEMD_SDP图像融合的多尺度齿轮箱故障智能诊断方法。

背景技术

齿轮箱作为机械系统的关键传动部件，广泛应用于冶金、船舶、风力发电等等领域。在实际的工业生产过程中，齿轮箱通常工作在重载的环境下，随着运行时长的增加，齿轮箱不可避免地会出现损伤或故障，这可能导致整个传动系统停机，甚至引发重大的人员伤亡和经济损失。因此为了减小齿轮箱故障带来的损失，需要及时对齿轮箱的故障进行诊断并做出相应的处理。

齿轮箱内部有着复杂的机械结构，零部件数量众多，各零部件之间振动相互耦合，振动信号传递的路径复杂，因此齿轮箱的振动响应具有明显的非平稳性，且易受外界环境噪声的影响。

传统的诊断方法主要在时域、频域提取统计特征、在频域下寻找故障特征频率或采用时频分析方法在时频域下对采集得到的振动信号进行处理并提取齿轮箱故障特征，再利用经典机器学习算法识别故障类型。这种方法虽然可以实现齿轮箱的故障诊断，但是故障特征的选择高度依赖于专家经验，而人工对故障特征的选择过程费事费力，且由于专家自身知识的限制、不同齿轮箱之间尺寸、结构的差异、工作环境之间的差异，传统齿轮箱故障诊断方法的通用性较差。

近年来，随着人工智能技术地不断发展，深度学习算法被广泛地应用到了齿轮箱故障诊断领域，而卷积神经网络作为深度学习领域最具有代表性的网络结构之一，已有不少学者将其应用于齿轮箱的故障诊断，采用卷积神经网络可以自动地对故障特征进行提取，实现齿轮箱的故障诊断，但传统的卷积神经网络卷积核大小是固定的，网络只能提取单一尺度下的故障特征，而齿轮箱的振动信号呈现为复杂非线性非平稳特征，在单一尺度下的特征提取过程中会存在特征缺失或者冗余，从而导致诊断准确率的降低。

在利用深度学习算法进行故障诊断时，除了直接将采集得到的一维时序信号作为网络的输入外，也有越来越多的学者开始将一维时序信号转换为二维图像，然后再利用二维图像对深度学习算法进行训练，得到故障分类器。然而现有的齿轮箱故障诊断算法主要还是利用深度学习算法提取单一传感器振动信号的故障特征，但单一传感器测量获取的振动信号无法全面地表征齿轮箱故障的特征，在齿轮箱工作环境复杂、外界噪声干扰严重时难以保证诊断准确率的要求。

综上所述，目前针对齿轮箱的故障诊断方法存在以下几个技术问题：

1)齿轮箱的振动信号呈现为复杂非线性非平稳特征，诊断时易受外界环境噪声的影响；

2)在单一尺度下的特征提取过程会存在特征缺失或冗余，从而导致诊断准确率降低；

3)单一传感器难以全面地提取齿轮箱的故障特征信息，在工作环境复杂、外界噪声干扰严重时难以保证诊断准确率的要求。

发明内容

为解决上述技术问题，本发明提供了一种多尺度齿轮箱故障智能诊断方法。

本发明通过以下技术方案得以实现。

本发明提供的一种多尺度齿轮箱故障智能诊断方法，包括以下步骤：

①信号采集：利用三轴振动传感器采集齿轮箱在不同故障类型下的X、Y、Z三轴振动信号；