[发明专利]一种基于特征向量基线法的二级齿轮箱故障智能诊断方法

说明书

本发明涉及一种基于特征向量基线法的二级齿轮箱故障智能诊断方法，属于齿轮箱故障诊断技术领域。本发明通过获取齿轮箱各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括由正常工况振动数据提取得到的啮合信号，将实时采集的振动数据进行成分分析，提取出齿轮啮合信号作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的齿轮发生了故障，以此实现对齿轮箱故障的诊断。本发明以正常工况的数据为基准，将实时振动数据与正常工况比较，提高了齿轮箱故障诊断的准确度。

技术领域

本发明涉及一种基于特征向量基线法的二级齿轮箱故障智能诊断方法，属于齿轮箱故障诊断技术领域。

背景技术

齿轮箱是工业应用中最常见的传动机构，其中齿轮是齿轮箱中最容易发生故障的零部件之一，对齿轮箱中齿轮的精确故障诊断有着重要的经济及安全意义。在齿轮箱故障的实际工程应用中，限于人员技术经验、专业知识的限制，往往不能实现齿轮箱故障诊断的快速化、集群化。随着网络技术及人工智能的普及应用，基于Web技术的齿轮箱智能诊断方法有效的解决了上述问题。目前，齿轮箱智能诊断方法主要有两种：基于智能算法(如支持向量机、隐马尔可夫等)的齿轮箱智能诊断，基于规则的齿轮箱智能诊断。前者在理论上取得了广泛的成绩，然而距离工程实际应用仍有较大的距离；齿轮箱智能诊断工程应用中大多基于后者。后者在制定齿轮诊断规则时，往往缺少相关的基准，造成规则的普适性较差；此外，还存在着不能精确反映齿轮故障严重程度的问题。

发明内容

本发明的目的是提供一种基于特征向量基线法的二级齿轮箱故障智能诊断方法，以解决目前无法精确诊断齿轮箱故障的问题。

本发明为解决上述技术问题而提供一种基于特征向量基线法的二级齿轮箱故障智能诊断方法，该诊断方法包括以下步骤：

1)获取待诊断齿轮箱各设定测点的振动数据，对获取的振动数据进行成分分析，以提取出齿轮啮合信号并存储到实时特征征兆库；

2)将实时特征征兆库与基线特征征兆库中的特征数据进行比较，若某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的齿轮发生了故障；

所述基线特征征兆库中的基线特征值是通过获取齿轮箱各设定测点正常工况的振动数据，并将其获取的振动数据成分分析，提取出的齿轮箱中各啮合齿轮的啮合信号。

本发明通过获取齿轮箱各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括由正常工况振动数据提取得到的啮合信号，将实时采集的振动数据进行成分分析，提取出齿轮啮合信号作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的齿轮发生了故障，以此实现对齿轮箱故障的诊断。本发明以正常工况的数据为基准，将实时振动数据与正常工况比较，提高了齿轮箱故障诊断的准确度。

进一步地，为保证正常工况数据选取的精准性，轴承各设定测点正常工况的振动数据的选取原则：各设定测点两个方向的历史峭度指标未超过设定值、无峭度值指标野点且峭度指标平稳时间段对应的振动数据。

进一步地，为了准确提取出齿轮啮合信号，所述成分分析采用的是约束独立成分分析，并将齿轮啮合频率作为已知信息建立参考信号。

进一步地，为保证建立的参考信号的准确性，所述的参考信号为方波信号，方波信号的周期＝1/啮合频率*采样频率。

进一步地，为保证诊断的全面性，提取出的啮合信号包括一倍啮合频率处幅值、二倍啮合频率处幅值及三倍啮合频率处幅值。

进一步地，所述步骤2)中若同时两个及以上不同的特征均超过了相应基线特征的设定比例，则认为这些特征值对应的齿轮同时发生了故障。

附图说明