[发明专利]一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法

说明书

技术领域

本发明属于行星齿轮故障诊断技术领域，具体涉及一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法。

背景技术

行星齿轮经常应用在低速、重载、高强度、高污染的工作场合，其故障的发生已经成为影响设备可靠、稳定运行的主要因素。由于行星齿轮自身是一个强非线性系统，同时在工作过程中遭受外界工作环境干扰，导致行星齿轮发生故障不易觉察，所采集的振动信号表现出非线性、非平稳、强耦合特性。研究适合处理行星齿轮故障产生的非平稳振动信号的信号处理方法，实现行星齿轮故障的准确诊断是目前研究的难点与热点。

目前，振动信号处理方法在很大程度上促进了行星齿轮故障诊断技术的发展，时频分析是其研究的热点，主要的时频分析方法有：STFT变换、Wigner-Ville分布、EMD分解、小波分解等。其中STFT变换、Wigner-Ville分布针对平稳信号具有很好的分析效果，但是并不适用复杂的非平稳振动信号。EMD分解是一种自适应的信号分解方法，其将复杂的非平稳信号分解成简单的本证模态函数，但是EMD分解具有2个非常明显的缺点，即模态混叠和端点泄露。小波分解经过多年发展，已被成功的应用于复杂非平稳振动信号分解处理领域，但是小波分解同样存在频率泄露、频率混叠、平移敏感性及方向选择少等不足，这些缺点导致信号细节信息丢失或结果不精确等后果。随着实数域小波向复数域小波发展，双树复小波变换被提出，与普通小波变换相比，双树复小波变换具有平移不变性、抗混叠效应和多方向选择等性质。

发明内容

本发明的目的在于提供一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法，适应非线性、非平稳和强耦合特性的行星齿轮振动信号，能够有效提取敏感故障特征，实现行星齿轮故障的准确诊断。

为实现上述目的，本发明采用的技术方案为：

一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法，包括以下步骤：

(1)采集综合模拟实验台数据，得到行星齿轮壳体原始振动信号；

(2)采用双树复小波变换对原始振动信号进行分解，提取各频带的信号成分；

(3)从多角度构建熵特征提取模型，获得高维原始特征；

(4)利用核Fisher判别分析方法对多种熵特征构成的原始特征集合进行降维处理，确定一组最佳鉴别向量，提取原始特征在最佳鉴别向量的投影作为敏感故障特征，并以此确定故障类型；

(5)验证从多角度、多空间描述特征信息的必要性以及在此基础上采用KFDA方法进行特征降维的有效性。

进一步的，所述步骤(1)中行星齿轮壳体原始振动信号用加速度传感器测定，所述原始振动信号包括行星传动太阳轮正常状态、断齿状态、少齿状态、齿面磨损和齿根裂纹五种类型。

进一步的，所述步骤(2)中的双树复小波变换对原始振动信号分解为6层，并提取各频带的信号成分。

进一步的，所述步骤(3)中的熵特征提取模型包括奇异谱熵、时域能量熵、功率谱熵和样本熵，建立的原始特征为28维。

进一步的，所述步骤(3)中取还包括奇异谱熵、时域能量熵、功率谱熵和样本熵的计算；其中，在奇异谱熵的提取过程中所构建的相空间的分析长度为K＝7000，延迟常数为τ＝15，获得的奇异值个数为7000；在样本熵的求取过程中，设置的模式维数为τ＝1，相似容限为r＝0.15sd，sd为信号标准差。

进一步的，所述步骤(4)中利用核Fisher判别分析方法对原始特征集合进行降维处理并实现故障识别的具体步骤为：

(4-1)选择核函数，并设置参数；

(4-2)利用核函数将原始特征集合转换成核矩阵；

(4-3)求取核矩阵的类内散度矩阵和类间离散度矩阵；

(4-4)根据核矩阵的类内离散度矩阵和类间离散度矩阵，确定一组最佳鉴别向量；

(4-5)将核矩阵向最佳鉴别向量投影，实现降维处理，得到敏感故障特征；

(4-6)依据敏感故障特征进行故障模式识别，得到诊断结果。

进一步的，所述步骤(4)中的核Fisher判别分析方法中选择的核函数为高斯径向基函数k(x,y)＝exp[-||x-y||²/2σ²]，所选择的参数为σ＝0.1；确定的一组最佳鉴别向量为前4个最佳鉴别向量。

进一步的，所述步骤(5)的具体步骤为：

(5-1)分别对奇异谱熵和时域能量熵这2种熵特征，奇异谱熵、时域能量熵和功率谱熵这3种熵特征进行特征融合；