[发明专利]基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法

权利要求书

1.基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法，所述方法包括：

利用多路信号传感器收集齿轮箱各项运行监测参数，得到多路时间序列参数数据；

基于所述多路时间序列参数数据进行特征提取和降维；所述特征提取包括：时间序列参数数据的傅里叶变换，计算齿轮箱的特征频率，计算齿轮箱的故障特征频率，以及提取频谱段得到特征向量；所述降维是指对所述特征向量进行主成分分析，得到降维后的降维特征向量；

将所述多路信号的每一路降维特征向量，输入概率神经网络(PNN)分类器，对PNN分类器进行训练；所述训练包括采用自适应参数优化方法对PNN分类器的各种工况和信号类型下的模型参数进行优化，得到优化PNN分类器；再次将所述降维特征向量输入优化PNN分类器，得到齿轮箱故障模式的初步分类结果；

构建最小贝叶斯重分类模型，将所述初步分类结果输入所述最小贝叶斯风险重分类模型，得到重分类结果；

使用基于自适应加权机制的决策信息融合算法，自动融合所述重分类结果，得到更稳健的齿轮箱故障诊断最终分类结果。

2.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述计算齿轮箱的特征频率为：

假设驱动电机转速为X，则太阳齿轮旋转频率f_s可按如下方式计算：

f_s＝X

行星齿轮箱的传动比i可计算如下：

则行星齿轮架旋转频率f_c计算如下：

行星齿轮箱的啮合频率f_m可通过下方式计算：

其中Z_r是内圈的齿数，行星齿轮箱的冲击频率f_impact可按如下方式计算：

f_impact＝(f_s-f_c)*N

其中N是行星齿轮的数量；

所述计算齿轮箱的故障特征频率为：根据所述齿轮箱特征频率，计算齿轮箱的故障特征频率；当齿轮箱出现部分故障时，故障信息主要反映在频域的[k₁f_m-k₂f_impact,k₁f_m+k₂f_impact]范围内，其中k₁,k₂为正整数；假设通过选择不同的k₁,k₂，得到M个故障特征频率及其附近频谱的谱段V_j(j＝1,2,…,M)，提取每个谱段的能量以形成M维特征向量：

F＝[f₁,f₂,…,f_M],f_i＝V_i^TV_i(i＝1,2,…,M)

使用主成分分析(PCA)对F进行降维，得到降维特征向量F′。