[發明專利]一種柴油機齒輪箱故障診斷方法

在審

• 申請號: 202110661679.9
• 申請日: 2021-06-15
• 公開（公告）號: CN113390631A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 孫希明;王嬡娜;李英順;仲崇權
• 申請（專利權）人: 大連理工大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/00;G06K9/62
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

一種柴油機齒輪箱故障診斷方法，屬于柴油機故障診斷技術領域。首先，利用加速度傳感器采集柴油機齒輪箱四種不同齒輪狀態下的振動信號，并繪制其時域圖和頻譜圖；其次，利用集合經驗模態分解EEMD方法對振動信號進行降噪分解處理，得到多內稟模態分量IMF和殘余分量；然后，基于EEMD分解的模態分量提取多域特征參數并構建特征向量，作為有向無環圖支持向量機DAGSVM的輸入；最后，利用采集到的振動信號樣本進行訓練DAGSVM模型用于柴油機齒輪箱的故障診斷，完成故障類型識別。本發明適合于柴油發動機齒輪箱的故障診斷，并且在不同齒輪狀態下都具有較高的診斷準確率，最高可達到100％的故障識別率，可對齒輪箱的故障進行快速故障定位，從而提高維修效率。

技術領域

本發明屬于柴油機故障診斷技術領域，涉及一種柴油機齒輪箱的故障診斷方法。

背景技術

齒輪箱是柴油機的關鍵部件之一。齒輪箱的故障發生會給柴油機帶來一系列的嚴重后果，齒輪箱的故障診斷是需要全面考慮多源傳感器信息的典型問題，例如振動信息、聲音信息、溫度信息，壓力信息等。由于振動信息易采集、耗費少，利用振動信息對齒輪箱進行故障診斷的方法應用較為廣泛，在一種風電齒輪箱的故障診斷方法中，采用神經網絡建立風電齒輪箱故障診斷模型需要大量數據支撐才能完成，并且診斷速率較低。

針對柴油機齒輪箱的故障診斷問題，采集的振動信號具有非線性、非平穩性的特征，對故障診斷造成巨大難度。對于旋轉機械系統來說，振動信號的相當數量信息存在于其時域和頻域中，如幅值、頻率等都反映了故障特征信息，通常利用其作為故障特征，分析原始振動信號。然而僅利用單獨時域或頻域分析并非適用于所有的故障特征分析，有必要采用振動信號的時頻域相結合的分析方法來并提取更多的故障特征信息。小波分析和模態分解常被用來柴油機齒輪箱振動信號故障特征的分析方法，然而在小波分析中如何選擇小波基尚未定論，并且小波分析只是將信號在傅里葉變換中進行機械分解。盡管模態分解是一種自適應處理技術，根據信號的固有屬性對其進行分解，但是由于極點分布不均造成的混疊現象仍未得到有效解決。考慮到柴油機齒輪箱故障信號的復雜性，并為了提高振動信號特征提取的穩定性和故障類型識別率，前人工作已初步證實了利用集合經驗模態分解EEMD和支持向量機(SVM)結合進行旋轉機械故障分析的可行性。

發明內容

本發明的目的在于提供一種柴油機齒輪箱的故障診斷方法，用于準確識別柴油機齒輪箱的故障類型。能夠解決現有技術在齒輪箱故障診斷過程中存在的一系列問題：非平穩、非線性的柴油機齒輪箱振動信號特征提取的混疊現象，時-頻域特征參數的提取以及特征向量的構建，齒輪箱故障類型識別率不高等問題。

為了達到上述目的，本發明采用的技術方案為：

一種柴油機齒輪箱故障診斷方法，該診斷方法首先，利用加速度傳感器采集柴油機齒輪箱四種不同齒輪狀態下的振動信號，并繪制時域圖和頻譜圖；接著，利用集合經驗模態分解(EEMD)方法對振動信號進行降噪分解處理，得到多內稟模態分量(IMF)和殘余分量；然后，基于EEMD分解的模態分量提取多域特征參數并構建特征向量，作為有向無環圖支持向量機(DAGSVM)的輸入，DAGSVM分類器的使用可提高故障模式識別的速率和準確率；最后，利用采集到的振動信號樣本進行訓練DAGSVM模型用于柴油機齒輪箱的故障診斷，完成故障類型識別。具體包括以下步驟：

步驟1：針對典型故障情況，采集柴油機齒輪箱的四種不同齒輪狀態下的振動信號，獲取采樣頻率和獲取數據個數，繪制四種不同齒輪狀態下的原始振動信號時域圖；利用傅里葉變換，得到四種不同齒輪狀態下的真實幅值，繪制四種不同齒輪狀態下的原始振動信號頻譜圖。

步驟2：利用集合經驗模態分解EEMD方法分別對四種不同齒輪狀態下的振動信號進行降噪處理并分解，得到不同尺度的IMF分量和殘余分量，并依據各分量所包含的原始信號能量的占比，提取最能表征原始信號特征信息的IMF分量。所述的IMF分量需要滿足以下條件：滿足包含相同數目的極值點以及過零點，任何兩個相鄰的過零點之間只能存在一個極值點，而且上下包絡線必須關于時間軸做到局部對稱，任何的兩個模態之間要滿足相互獨立的條件。具體如下：