[發明專利]一種齒輪箱故障診斷方法及系統

有效

• 申請號: 202110342828.5
• 申請日: 2021-03-30
• 公開（公告）號: CN113029559B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 張法業;王金喜;姜明順;賈磊;張雷;隋青美
• 申請（專利權）人: 山東大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/00;G06K9/62;G06N3/00;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 祖之強

1.一種齒輪箱故障診斷方法，其特征在于：包括以下過程：

獲取齒輪箱時域振動信號；

對獲取的齒輪箱時域振動信號采用最大相關峭度反卷積算法進行故障特征增強，得到故障特征增強后的數據；以小波Shannon熵最小作為目標，采用粒子群優化算法自動尋找最大相關峭度反卷積算法的濾波器階數、周期數和移位數；

對故障特征增強后的時域振動信號進行故障特征提取和降維；

將降維后的故障特征輸入到預設故障診斷模型中，得到故障診斷結果；

其中，以雙重遷移極限學習機分類模型作為故障診斷模型，雙重遷移極限學習機分類模型中，在原有目標函數的基礎上，加入輔助集的損失函數，根據新的目標函數，計算分類模型的參數；所述雙重遷移極限學習機分類器模型為TLELM回歸網絡與TLELM分類網絡的組合形式，TLELM回歸網絡用于確定故障數量，TLELM分類網絡用于確定故障類型；

通過有限元建模與實驗校正相結合的方法獲取齒輪箱單一/耦合故障樣本，結合實驗獲取的齒輪箱正常狀態實驗數據，作為雙重遷移極限學習機分類模型的訓練集。

2.如權利要求1所述的齒輪箱故障診斷方法，其特征在于：

對時域振動信號利用同步壓縮小波變換算法進行運算，然后對運算后信號做小波變換，把小波變換的系數處理成一個概率分布序列，由概率分布序列計算得到的熵值為小波Shannon熵。

3.如權利要求1所述的齒輪箱故障診斷方法，其特征在于：

粒子群優化算法，包括以下過程：

初始化濾波器階數、周期數和移位數，初始化粒子群優化算法的參數；

計算每個粒子的適應度函數，確定個體歷史最優位置和種群最優位置；

對于每個粒子，將其當前適應度函數值與其個體歷史最優位置的適應度函數值作比較，如果當前的適應度函數值更低，則將用當前位置更新個體歷史最優位置；

對于每個粒子，將其當前適應度函數值與種群最優位置的適應度函數值作比較，如果當前的適應度函數值更低，則將用當前粒子的位置更新種群最優位置；

更新每個粒子的速度和位置；

達到最大迭代次數，獲得最優濾波器階數、周期數和移位數。

4.如權利要求1所述的齒輪箱故障診斷方法，其特征在于：

利用同步壓縮小波變換算法對故障特征增強后信號進行時頻分析，實現故障特征提取；利用奇異值分解算法，去除特征冗余信息降低維數，實現特征降維，將降維后的故障特征作為雙重遷移極限學習機分類器模型的輸入。

5.一種齒輪箱故障診斷系統，使用如權利要求1-4任一項所述的齒輪箱故障診斷方法，其特征在于：包括：

數據獲取模塊，被配置為：獲取齒輪箱振動信號；

故障特征增強模塊，被配置為：對獲取的齒輪箱振動信號采用最大相關峭度反卷積算法進行故障特征增強，得到故障特征增強后的信號；

特征提取與降維模塊，被配置為：對故障特征增強后的信號進行故障特征提取和降維；

故障診斷模塊，被配置為：將降維后的故障特征輸入到預設故障診斷模型中，得到故障診斷結果。

6.一種計算機可讀存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-4任一項所述的齒輪箱故障診斷方法中的步驟。

7.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-4任一項所述的齒輪箱故障診斷方法中的步驟。