[发明专利]一种基于K均值聚类和证据融合的齿轮箱故障诊断方法

说明书

本发明公开了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。本发明首先确定齿轮箱的故障模式和故障特征参数，分别采样各个故障模式下的样本数据来获取故障特征数据样本集；对于每类故障特征参数，通过聚类获取似然信度表和K个参考中心向量，从每类特征参数种获取参考证据；在线获取多种故障特征的取值后，计算故障特征数据与K个参考中心向量之间的距离，并由此来激活参考证据，生成多类特征的诊断证据，再将这些诊断证据融合，对融合后的证据做出故障决策，得到该在线故障特征数据所对应的故障类型。本发明在聚类和证据融合的基础上进行故障诊断，利用多源信息融合和信息概率转换方法提高了对齿轮箱的故障诊断精度。

技术领域

本发明涉及一种基于K均值聚类和证据融合的齿轮箱故障诊断方法，属于旋转机械类设备状态检测与故障诊断技术领域。

背景技术

齿轮是机械设备中传递动力、改变运动速度和方向的部件，广泛应用于各个行业中，如在车辆，航空航天和核能行业中作为机械设备中电机与旋转部件之间的传动结构。因此齿轮箱在运行过程中会受到多种载荷的作用，随着时间的推移，其运行状态会不可避免的发生变化。另外，由于加工误差、安装或操作不当以及工作磨损等原因，齿轮也会出现不同程度的损伤，这使得齿轮箱成为机械设备中最容易发生故障的部件之一；

根据统计，机械装备中80％的机械故障是由齿轮引起的，而且齿轮的种类多、用量大，一旦发生故障会影响设备中其他部件的正常运行，进而引发一系列的连锁破坏反应，甚至造成更为危险的事故。由此可见，齿轮箱在机械系统安全可靠运行过程中发挥着极其重要的作用，其工作状态在相当大程度上决定着整个机械设备甚至是整条生产线的运行状态。因此，对齿轮箱的状态监测和故障诊断进行研究势在必行，以确保及时发现故障停机，而且故障的早期发现也有利于对故障的原因进行分析。

发明内容

本发明针对现有技术的不足，提供了一种基于K均值聚类和证据融合的齿轮箱故障诊断方法。

本发明的主要构思：利用K-means聚类获取K个参考中心向量和特征参数提供的参考证据，计算故障特征数据与K个参考中心向量之间的距离权重，并由此来激活参考证据，生成诊断证据，使用证据推理规则证据进行融合，利用信息概率转换方法对融合后的证据做出故障决策，该方法对故障特征数据进行处理时，未对数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现，且通过融合决策可以做出精确的诊断。

本发明提出的一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，包括以下各步骤：

(1)设定齿轮箱的故障模式集合为Θ＝{M₁,M₂,M₃},其中M₁代表齿轮箱正常运行模式，M₂代表部分齿轮弯曲档位打滑故障模式，M₃代表齿轮断齿故障模式。

(2)在齿轮箱工作时，由安装在齿轮箱上的加速度传感器来监测振动信号，设定采样频率为f，2f_max≤f≤3f_max其中f_max＝2500Hz为加速度传感器的最大频率。

(3)设m_i,1，m_i,2为能够反映故障模式集合Θ中每个故障模式M_i的故障特征参数，其中m_i,1,m_i,2分别代表均方根和峰度特征参数，分别由齿轮箱底座和转轴躯壳处采集的时域振动信号换算获得。