[發明專利]基于AR模型和字典學習的齒輪性能退化評估方法

有效

• 申請號: 202010593534.5
• 申請日: 2020-06-27
• 公開（公告）號: CN111709191B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 張龍;黃婧;吳榮真;王良;宋成洋
• 申請（專利權）人: 華東交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于AR模型和字典學習的齒輪性能退化評估方法。首先，用自回歸模型（AR）提取無故障樣本和待測樣本的特征，并使用無故障樣本的AR模型系數構建過完備字典模型，然后將待測樣本的AR模型系數作為特征向量輸入字典模型中得到重構后的AR模型系數。最后由原始AR模型系數和重構AR模型系數分別構造自回歸模型，并各自完成對待測信號的時序建模，將兩自回歸模型所得殘差序列的均方根誤差作為性能退化程度指標，同時設定自適應預警閾值，實驗分析表明本文提出的性能退化方法得到的評估指標能實時監測齒輪的性能退化趨勢并且可以及時的發現齒輪早期故障。

技術領域

本發明涉及一種基于AR模型和字典學習的齒輪性能退化評估方法，屬于機械產品質量可靠性評估與故障診斷技術領域。

背景技術

在齒輪作為旋轉機械的關鍵部件之一，其性能的好壞直接決定著設備工作性能的優劣。其一旦發生故障，將直接影響到機械設備的正常安全運行甚至造成重大安全事故。因此如何對齒輪實現在役狀態監測和性能退化評估具有重大意義。減少停機時間成本和實現接近零的停機時間是預診斷的最終目標。然而，在實際發生故障之前，如果沒有對剩余使用壽命的準確預測，就不可能實現預診斷的所有優點。不準確的預測信息可能會導致不必要的維護，例如部件的早期更換等。性能退化評估(performance degradation assessment,PDA)是實現預診段的前提與基礎，對充分實現預測維修的潛力起著至關重要的作用。

齒輪的性能退化評估近年來已有探索性的研究，研究內容主要有特征提取和建立評估模型兩方面，在特征提取方面，時序模型分析法，尤其是自回歸時序(Autoregressive，AR) 模型分析方法，其模型參數因具有表征系統狀態的能力且對系統的狀態變化敏感程度高，而在故障診斷領域中應用廣泛。在評估模型的建立方面，近年來，一些概率相似度的性能退化評估模型被相繼提出，如隱馬爾科夫模型(Hidden Markov Model,HMM)、高斯混合模型 (Gaussian Mixed Models,GMM)等?；诟怕氏嗨贫仍u估模型的核心為建立無故障下的密度模型并以此進行異常檢測，如Heyns等將GMM和負對數似然值相結合進行齒輪狀態識別，計算每段信號的負對數似然值作為度量偏離正常信號密度分布的指標，計算信號的角度同步平均來檢測是否出現故障，完成對齒輪箱故障位置和故障程度的判斷?；谔卣魈崛〉母怕氏嗨贫仍u估模型期望通過合適的信號處理方法對相應數據進行深層次的信息挖掘，以提高特征對故障程度的敏感性、一致性等。但在實際應用中仍存在一些問題：①需要足夠大的樣本用以訓練；②計算復雜，GMM及HMM等的訓練和測試過程復雜；③過早飽和現象，當 HMM等概率評估模型方法表明待測樣本與無故障基準模型的相似度為零時，存在設備并未完全進入真正失效狀態的狀況，即模型極限值早于真實失效值。

基于此，本發明提出了一種基于AR模型和字典學習的齒輪性能退化評估方法。字典學習作為稀疏分解的一大關鍵步驟，其本質為一種模式識別方法，將其運用于PDA的核心思路為通過建立系統或設備健康狀態下過完備字典，并以此字典實現對待測特征向量的特征重構，利用待測特征向量于重構特征向量之間的差異性來反映系統或設備的健康狀態。

發明內容

本發明的目的在于提供一種基于AR模型和字典學習的齒輪性能退化評估方法，可以解決概率相似度量評估方法存在模型復雜，容易過早飽和等問題，以便對齒輪進行在線狀態監測，實現視情維修，預防重大突發事故。

基于AR模型和字典學習的齒輪性能退化評估方法，其具體步驟：

(1)提取特征：用無故障樣本和待測樣本建立AR模型，得到AR模型的自回歸系數和殘差，由BIC準則確定最佳模型階數，把AR模型系數作為輸入特征向量；

(2)建立模型：將無故障樣本作為訓練樣本，將其AR模型系數進行KSVD和OMP 計算建立基準字典D_normal；