[发明专利]齿轮箱常见故障智能诊断方法

权利要求书

1.齿轮箱常见故障智能诊断方法，其特征在于：包括以下步骤，

S1、传统内容检测；

S2、定点分散安装振动传感器；

S3、振动信号样点提取和分析计算；

S4、原因整合分析与实际强化检测。

2.根据权利要求1所述的齿轮箱常见故障智能诊断方法，其特征在于：所述S1中的传统内容检测包括油品检测分析，油品检测分析包括：对润滑油进行理化指标分析和光谱分析；所述理化指标分析包括运动粘度分析、总酸值分析、水分含量分析和颗粒物计数分析；当所述理化指标分析结果不达标时，判断风力发电机齿轮箱存在发生故障的风险，需要对润滑油进行净化处理或更换润滑油；所述光谱分析用于分析润滑油中特定金属元素的含量，所述特定金属元素包括添加剂里的金属元素和风力发电机齿轮箱所含的金属元素，当所述添加剂里的金属元素低于指标值时，判断风力发电机齿轮箱存在发生故障的风险，需要适当增加添加剂或更换润滑油；当所述风力发电机齿轮箱所含的金属元素检出超标时，判断风力发电机齿轮箱发生磨损，可能发生故障。

3.根据权利要求1所述的齿轮箱常见故障智能诊断方法，其特征在于：所述S2中的定点分散安装振动传感器具体为：选择齿轮箱的若干个有效特征分别设置传感器，对设置的传感器传输的信号进行实时采集，并且同时对各个传感器的振动信号进行接收和分类，按照振动强度进行划分，并且在划分时额外按照振动分布地进行归纳。

4.根据权利要求1所述的齿轮箱常见故障智能诊断方法，其特征在于：所述S3中的振动信号样点提取和分析计算具体为：采用小波包分析法对采集到的振动信号进行三层分解分析，对小波包分析后的振动信号进行经验模态分解，并提取出信号的第一个分量，对提取出的第一个信号分量进行特征值提取工作，作为故障诊断时所用的特征向量，获取齿轮箱历史故障数据的特征向量样本，用支持向量机对上述特征向量样本进行训练，将分类准确率最高的那一组作为之后故障诊断时所用的参数，获取齿轮箱实时的运行数据，并得到特征向量，用支持向量机对上述特征向量进行分类，并输出诊断结果。

5.根据权利要求4所述的齿轮箱常见故障智能诊断方法，其特征在于：所述方法在上述基础上，另外对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据，并且由所述训练数据对若干个去噪自编码器进行无监督训练，将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器，采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过所述优化后的堆叠去噪自编码器进行故障诊断，利用无监督训练过程中得到的各去噪自编码器的最优参数，对所述堆叠去噪自编码器参数进行初始化，然后利用随机梯度下降方法更新所述堆叠去噪自编码器的权值，通过所述优化后的堆叠去噪自编码器进行故障诊断，包括：获取待诊断的风力发电机齿轮箱的目标振动信号，对所述目标振动信号进行傅里叶变换及归一化处理后得到目标频谱信号；由所述堆叠去噪自编码器提取故障特征信号，由最小二乘支持向量机对所述故障特征信号进行识别得到故障类型。

6.根据权利要求4所述的齿轮箱常见故障智能诊断方法，其特征在于：所述小波包三层分解分析方法采用下列步骤：

建立小波包变化三层分解关系式；根据软阈值函数选择相应的阈值对各分解尺度下的高频系数进行阈值量化处理；对分解后的最底层低频系数和高频系数进行一维小波重构。

7.根据权利要求3所述的齿轮箱常见故障智能诊断方法，其特征在于：所述振动传感器安装点分别分布在风机齿轮箱箱体的低速端、中间端、高速端的轴向以及径向位置。

8.根据权利要求4所述的齿轮箱常见故障智能诊断方法，其特征在于：所述方法在对振动信号进行采集后，通过内窥镜对齿轮箱内部振动异常特征明显或已判定故障特征处进行检测，以此来对故障点进行检查确认，确定故障的类型和故障程度，确认明显故障/失效特征问题并制定有效解决方案或措施后直接结束后续检查。