[发明专利]一种齿轮箱故障诊断方法及系统

说明书

本公开提供了一种齿轮箱故障诊断方法及系统，获取齿轮箱时域振动信号；对获取的齿轮箱时域振动信号采用最大相关峭度反卷积算法进行故障特征增强，得到故障特征增强后的时域振动信号；对故障特征增强后的时域振动信号进行故障特征提取和降维，将降维后的故障特征输入到预设故障诊断模型中，得到故障诊断结果；本公开实现了齿轮箱的单一/耦合故障快速诊断，解决强噪声、多故障耦合条件下故障快速诊断问题。

技术领域

本公开涉及齿轮箱故障诊断技术领域，特别涉及一种齿轮箱故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

齿轮箱是机械设备中传递动力和运动的通用零部件，由于其具有传动比固定、结构紧凑、传动精度高等优点，已经被广泛应用在航空航天、起重机械和风力发电等领域中。然而因为齿轮箱的结构复杂，所处环境比较恶劣，齿轮箱在机械设备中容易发生故障，产生昂贵的维修费用，甚至造成灾难性事故。尤其随着科学技术的快速发展，如不能及时发现齿轮箱的故障，将会造成巨大的经济损失和恶劣的社会影响。

机器学习和深度学习的出现，极大地提高了故障诊断的准确率。支持向量机和神经网络等已经广泛地应用于故障诊断的领域中。支持向量机虽然准确率高，但是运算速度慢；神经网络中梯度下降学习速率慢，超参数设置对模型的效果有比较大的影响。这都限制了其在故障诊断中的进一步应用。极限学习机(ExtremeLearningMachine，ELM)作为一种单隐含层神经网络，以其高效的训练效率、精确的识别准确率和较低的计算复杂度，在耦合故障诊断领域展现出特有的优势，但是仍缺乏隐藏节点数量自适应调整和网络优化等方面研究，限制了其故障诊断准确率的提高。

在应用上述模型进行故障诊断时，对原始振动信号的处理往往是第一步，也是最重要的一步。目前研究多在实验室环境中开展，未考虑工程应用中存在的强噪声干扰问题。理想的故障特征应该仅对故障敏感，而不受噪声影响。因此噪声是实现齿轮箱故障诊断的最大挑战。齿轮箱故障诊断实现由实验室研究转向工程应用，必须要解决强噪声背景下耦合故障微弱特征提取问题。目前研究中，在进行齿轮箱单一/耦合故障诊断时，利用最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)算法增强故障信号特征，提高了故障诊断准确率，但在研究中没有涉及影响信号增强效果关键参数周期及滤波器阶数自适应优化问题。同步压缩小波变换(Synchrosqueezed Wavelet Transform，SWT)具有高时频分辨率、强抗噪性能、对小波母函数不敏感等优点，是齿轮箱故障诊断领域尚未应用但极具发展前景的新特征提取算法。基于同步压缩小波变换特征提取方法可将耦合故障信号分解为多个包含故障特征、频率集中的分量，但仍包含冗余信息且数据维数大，会极大地增加故障诊断算法的计算复杂度，降低算法效率。奇异值分解(Singular ValueDecomposition，SVD)算法可以将信号变换为矩阵，其中奇异值表示频带中故障信号的自然特征。当故障状态发生改变时，转换矩阵的奇异值相应发生变化。

发明内容

为了解决现有技术的不足，本公开提供了一种齿轮箱故障诊断方法及系统，实现了齿轮箱的单一/耦合故障快速诊断，解决强噪声、多故障耦合条件下故障快速诊断问题。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种齿轮箱故障诊断方法。

一种齿轮箱故障诊断方法，包括以下过程：

获取齿轮箱时域振动信号；

对获取的齿轮箱时域振动信号采用最大相关峭度反卷积算法进行故障特征增强，得到故障特征增强后的时域振动信号；

对故障特征增强后的时域振动信号进行故障特征提取和降维；

将降维后的故障特征输入到预设故障诊断模型中，得到故障诊断结果。