[发明专利]一种行星齿轮箱故障检测方法

说明书

本发明公开了一种行星齿轮箱故障检测方法，一包括如下步骤：步骤1：构建训练数据集；步骤2：计算各故障状态两两之间的高斯核函数；步骤3：计算余弦相似性度量矩阵；步骤4：计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度；步骤5：降维计算；步骤6：通过步骤5选择的故障特征参数重复步骤1‑3，计算各故障状态两两之间的高斯核函数和Aij，并构建决策导向无环图支持向量机的结构；步骤7：使用决策导向无环图支持向量机的结构进行行星齿轮箱故障检测，本发明的一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种行星齿轮箱故障检测方法。

背景技术

由于行星齿轮箱具有在一个紧凑的空间结构中能够获得高扭矩比的特性，因此被广泛应用于各种机械系统传动装置中。在风力发电领域，行星齿轮箱通常需要面对诸如负载随风速变化大、工作时间长、粉尘沙粒等问题，因此其发生故障十分频繁，并且由其引起的停机维修时间是所有故障中最长的，且维修费用很高。因此，行星齿轮箱的故障诊断得到了广泛的关注。

对于行星齿轮箱的复杂系统而言，若使用模型方法进行故障诊断，存在难以准确建模的问题。数据驱动方法中的支持向量机被认为是一种潜力大且有效的故障诊断方法，该方法采用结构风险最小化原则，利用线性不可分的数据，首先将低维数据投影到高维空间，并在该空间求解最佳分类超平面，克服了维数灾难和局部最小问题，且对故障样本的需求量较小。

但支持向量机仅仅能完成二分类问题，为能完成多分类任务，有人提出多种扩展的策略。其中，决策导向无环图支持向量机(DAG-SVM)是目前较为先进的一种支持向量机多分类扩展策略，但其在决策时存在划分偏好问题，导致不同的决策导向无环图结构，有不同的分类准确率。例如，对一个五分类问题，就有120种不同的结构，往往为了得到一个准确率高的结构图，需要不断地重复计算。

鉴于此，特提出此方明。

发明内容

本发明的目的在于提供一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。

本发明的技术方案是这样实现的：

一种行星齿轮箱故障检测方法，包括如下步骤：步骤1：模拟行星齿轮箱各种故障状态，分别采集故障数据，计算原始特征参数，构建训练数据集；步骤2：使用各故障状态的训练数据集计算各故障状态两两之间的高斯核函数；步骤3：通过步骤1计算的原始特征参数和步骤2计算得高斯核函数计算余弦相似性度量矩阵，余弦相似性度量矩阵的元素为矩阵块Aij，i和j表示故障的类数；步骤4：通过步骤3计算得矩阵块Aij分别计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度；步骤5：通过步骤4计算的类分离度进行降维计算，选择故障特征参数；步骤6：通过步骤5选择的故障特征参数重复步骤1-3，计算各故障状态两两之间的高斯核函数和Aij，这里需要计算满足i＜j的Aij，然后按照Aij从小到大的顺序，从根节点开始逐层构建决策导向无环图支持向量机的结构；步骤7：使用步骤6构建的决策导向无环图支持向量机的结构进行行星齿轮箱故障检测，本发明的一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。

进一步，步骤1中，原始特征参数包括反映时域信号的幅值和能量大小的参数、反映时域信号的时间序列分布情况的参数、反映频域能量的大小的参数、反映主频带位置的变化的参数和反映频谱的分散或者集中程度的的参数，各原始特征参数可从不同的角度识别行星齿轮箱发生的故障。

进一步，步骤3中，余弦相似性度量矩阵形式的计算公式如下：