[发明专利]基于AR模型和字典学习的齿轮性能退化评估方法

说明书

本发明公开了一种基于AR模型和字典学习的齿轮性能退化评估方法。首先，用自回归模型（AR）提取无故障样本和待测样本的特征，并使用无故障样本的AR模型系数构建过完备字典模型，然后将待测样本的AR模型系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR模型系数和重构AR模型系数分别构造自回归模型，并各自完成对待测信号的时序建模，将两自回归模型所得残差序列的均方根误差作为性能退化程度指标，同时设定自适应预警阈值，实验分析表明本文提出的性能退化方法得到的评估指标能实时监测齿轮的性能退化趋势并且可以及时的发现齿轮早期故障。

技术领域

本发明涉及一种基于AR模型和字典学习的齿轮性能退化评估方法，属于机械产品质量可靠性评估与故障诊断技术领域。

背景技术

在齿轮作为旋转机械的关键部件之一，其性能的好坏直接决定着设备工作性能的优劣。其一旦发生故障，将直接影响到机械设备的正常安全运行甚至造成重大安全事故。因此如何对齿轮实现在役状态监测和性能退化评估具有重大意义。减少停机时间成本和实现接近零的停机时间是预诊断的最终目标。然而，在实际发生故障之前，如果没有对剩余使用寿命的准确预测，就不可能实现预诊断的所有优点。不准确的预测信息可能会导致不必要的维护，例如部件的早期更换等。性能退化评估(performance degradation assessment,PDA)是实现预诊段的前提与基础，对充分实现预测维修的潜力起着至关重要的作用。

齿轮的性能退化评估近年来已有探索性的研究，研究内容主要有特征提取和建立评估模型两方面，在特征提取方面，时序模型分析法，尤其是自回归时序(Autoregressive，AR) 模型分析方法，其模型参数因具有表征系统状态的能力且对系统的状态变化敏感程度高，而在故障诊断领域中应用广泛。在评估模型的建立方面，近年来，一些概率相似度的性能退化评估模型被相继提出，如隐马尔科夫模型(Hidden Markov Model,HMM)、高斯混合模型 (Gaussian Mixed Models,GMM)等。基于概率相似度评估模型的核心为建立无故障下的密度模型并以此进行异常检测，如Heyns等将GMM和负对数似然值相结合进行齿轮状态识别，计算每段信号的负对数似然值作为度量偏离正常信号密度分布的指标，计算信号的角度同步平均来检测是否出现故障，完成对齿轮箱故障位置和故障程度的判断。基于特征提取的概率相似度评估模型期望通过合适的信号处理方法对相应数据进行深层次的信息挖掘，以提高特征对故障程度的敏感性、一致性等。但在实际应用中仍存在一些问题：①需要足够大的样本用以训练；②计算复杂，GMM及HMM等的训练和测试过程复杂；③过早饱和现象，当 HMM等概率评估模型方法表明待测样本与无故障基准模型的相似度为零时，存在设备并未完全进入真正失效状态的状况，即模型极限值早于真实失效值。

基于此，本发明提出了一种基于AR模型和字典学习的齿轮性能退化评估方法。字典学习作为稀疏分解的一大关键步骤，其本质为一种模式识别方法，将其运用于PDA的核心思路为通过建立系统或设备健康状态下过完备字典，并以此字典实现对待测特征向量的特征重构，利用待测特征向量于重构特征向量之间的差异性来反映系统或设备的健康状态。

发明内容

本发明的目的在于提供一种基于AR模型和字典学习的齿轮性能退化评估方法，可以解决概率相似度量评估方法存在模型复杂，容易过早饱和等问题，以便对齿轮进行在线状态监测，实现视情维修，预防重大突发事故。

基于AR模型和字典学习的齿轮性能退化评估方法，其具体步骤：

(1)提取特征：用无故障样本和待测样本建立AR模型，得到AR模型的自回归系数和残差，由BIC准则确定最佳模型阶数，把AR模型系数作为输入特征向量；

(2)建立模型：将无故障样本作为训练样本，将其AR模型系数进行KSVD和OMP 计算建立基准字典D_normal；