[发明专利]基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法

说明书

技术领域

本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法。

背景技术

齿轮箱是机械系统中重要的部件。在航空航天，船舶，汽车工业等领域都有广泛的应用。由于齿轮箱通常工作在恶劣的环境下，导致其经常损坏。齿轮箱的故障会导致整个系统的失效。所以研究齿轮箱故障诊断技术有十分重要的意义。通常齿轮箱故障诊断技术包括油液分析、温度分析和基于振动信号的分析。相比之下基于振动信号的分析方法更有优势，更有实时性便于实时诊断。在基于齿轮箱振动信号的故障诊断中最重要的就是特征提取。

通常基于振动信号的故障诊断包括两个主要步骤。首先通过一些信号处理方法对原始振动信号进行处理并提取故障特征。然后通过机器学习的方法，对齿轮箱故障特征进行模式识别，实现故障诊断的目的。普遍使用的信号处理方法包括时域分析和频域分析。其中时域分析计算简单方便，但是只能分析一些平稳的简单信号。由于齿轮振箱动信号的复杂性导致时域分析并不能再该领域中直接单独使用。最常用的频域分析方法是傅里叶变换。傅里叶变换广泛的应用于电子工业、自动化、信号处理等领域。通过将信号分解到一些列的正交三角函数系上，信号的频域结构被显示出来。但是傅里叶变换只能从整体层面反映信号的特征，忽略了信号的局部特征。所以不断有学者提出改进的方法。短时傅里叶变换就是一种有效的改进方法。然而，短时傅里叶变换也有不可避免的缺陷，其时域分辨率和频域分辨率不能同时任意缩小。近年来，小波变换作为一种新的时频分析方法逐渐被应用到该领域之中。通过调整尺度参数，小波分析能反映出信号的局部特征。通常小波分析主要包括多辨分析和小波包分析。其中，多辨分析只能不断的对低频信号进行分解和重构。小波包分析能对信号的高频和低频同时分析。所以在本文我们采用小波包分析方法来处理原始振动信号。在齿轮箱故障特征提取中另一个重要的步骤就是特征参数计算。通常使用的参数包括时域参数有均方根值(RMS)、峰值因子(PF)、峭度(K)。这些参数都有其自身的缺点，在齿轮箱故障诊断方面不能取得很好的效果。在1948年，香浓提出了信息熵的概念解决了信息量度量的问题。信息熵能从整体上反映出信号的统计特征，却忽略了信号的局部信息。小波分析能够描述信号的局部特征信息。所以本研究结合小波分析和信息熵对齿轮箱振动信号进行故障特征提取并取得了很好的效果。

经过我们调研发现，当前国内外学者对小波熵在故障诊断领域的应用存在以下几方面不足。首先，大多数学者都是研究单一种类的小波熵在诊断领域应用。由于齿轮箱故障模式繁多，故障振动信号复杂，往往包含集中故障模式的混合。所以单一种类熵无法有效诊断出齿轮的混合模式故障。此外，对于小波熵的研究大多应用于信号的奇异性检测，少有将其用于故障特征提取并用于故障诊断领域中。

为解决以上两个问题，本发明分别计算了小波均方根值熵、小波峰值因子熵、小波奇异值熵、小波时频熵组成一个四维的故障特征向量。然而，以上所得到的故障特征之间是相互独立的，我们还要对其进行信息融合以便提高其对故障的辨别能力。为此，本发明应用核熵主成分分析方法对原始故障特征向量进行信息融合，经过非线性变换我们选取第一，二，三主成分，组成融合后的故障特征向量。在三维空间中可以通过故障特征散点图看到故障特征的聚类情况，验证本发明的有效性。

发明内容

本发明的目的是为了解决齿轮箱故障特征难以提取的问题。为此，提出了基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法。

本发明采用的技术方案为：一种基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法，包括如下步骤：

步骤一、利用加速度传感器获取齿轮箱故障振动信号；

步骤二、利用小波包变换，对振动信号进行分解得到小波系数矩阵；

步骤三、计算小波系数矩阵的奇异值，然后计算这些奇异值的信息熵得到小波奇异值熵(WS)；

步骤四、用滑动窗口对小波系数矩阵分块，并计算每一个分块矩阵的F范数，然后计算这些F范数的信息熵作为小波时频熵(WTF)；

步骤五、利用小波包变换，对振动信号进行分解得到小波系数矩阵，并将其重构得到不同频带上的时域信号，对每一支时域信号计算其均方根值(RMS)和峰值因子(PF)，然后计算这些时域特征的信息熵得到小波均方根熵(WRMS)和小波峰值因子熵(WPF)；小波均方根值熵(WRMS)、小波峰值因子熵(WPF)、小波奇异值熵(WS)和小波时频熵(WTF)组成齿轮箱故障特征空间；