[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

说明书

本发明公开了一种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，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；构建最小贝叶斯重分类模型，将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。

技术领域

本发明涉及设备故障诊断领域，特别涉及一种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。

背景技术

随着工业的快速发展，机械设备趋于大型化、复杂化和重要化。机械设备的健康问题越来越受到人们的关注。齿轮箱广泛应用于风力发电、航空等工业领域，作为旋转机械设备来调节转速和扭矩。由于工业环境的特殊性，齿轮箱的重要部件，如齿轮和轴承，通常在高速、重载的工业环境中长时间运行，经常导致齿轮箱故障。一旦发生故障，长期维护和高昂的维护成本是不可避免的，这将带来巨大的经济损失。因此，如何有效地诊断齿轮箱故障，提高齿轮箱的可靠性是一个亟待解决的问题。

目前，齿轮箱常用的故障诊断方法包括油液分析、振动分析、声发射分析等。其中，基于振动分析的方法利用振动信号实现齿轮箱的故障诊断。当变速箱发生某一故障时，会产生相应的周期性振动波形，包含丰富的故障信息。通过对信号波形的分析，可以实现齿轮箱的故障诊断。基于振动分析的方法具有诊断速度快、准确度高的优点，应用最为广泛。然而，振动传感器价格昂贵，并且振动信号的质量容易受到位置、环境和其他部件的影响。在实际应用中，振动传感器的安装通常高度依赖于专业经验。扭矩信号不受振动传递路径变化的影响，其频谱结构比振动信号简单。因此，在某些情况下，扭矩信号是降低齿轮箱故障诊断难度的替代方法。然而，扭振传感器采集的信号可能只有片面的信息，并且很难用单一类型传感器采集的信息来区分不同的故障。因此，在故障诊断中应适当引入振动信号。目前，基于扭振信号和振动信号的齿轮箱故障诊断研究相对较少。因此，有必要研究一种将振动信号和转矩信号相结合的故障诊断方法，以实现更准确、更稳健的故障诊断。

神经网络因其大规模并行处理、分布式存储和非线性映射等优点而广泛应用于各个领域。近年来，基于神经网络的故障诊断方法也被广泛应用于齿轮箱故障诊断领域。概率神经网络(PNN)是一种具有监督学习的前馈神经网络，其训练速度比反向传播快5倍以上。只要有足够的样本数据，PNN就可以收敛到贝叶斯分类器。目前，已经提出了许多基于PNN的故障检测和诊断方法。然而，在以往的大多数研究中，PNN的决策过程只使用了训练样本的先验分布，而没有考虑PNN分类器的先验知识，这使得无法有效避免高风险故障模式的误分类。因此，有必要适当调整现有PNN分类器的设计，并结合PNN分类器的诊断信息和先验知识，以进一步降低诊断风险。

多信息融合是指充分利用不同时空的数据，通过一定的准则对传感器信号进行分析，得到对观测对象的一致描述和解释，从而获得更准确、充分的信息，做出综合决策。目前，多信息融合方法大致可分为三类：数据级融合、特征级融合和决策级融合。数据层融合直接融合原始故障信号，具有数据丢失少、精度高的优点，但所使用的传感器需要属于同一传感器，因此数据层融合不适合在线应用的齿轮箱故障诊断系统。特征层融合主要是对提取的故障特征进行融合，实现了大量的数据压缩。决策级融合是各种诊断结果的融合，融合结果的好坏直接影响决策的准确性。该方法在三种方法中丢失的数据量最大，但计算量最小，抗干扰能力强，成本低，可以最大限度地减少偏差较大的单个信息源对整体诊断结果的影响。因此，本发明采用决策级融合方法。

此外，由于每个传感器的质量、安装位置和抗干扰能力不同，在不同的工作条件下，每个传感器的故障诊断能力是不均衡的。如果将各种传感器的诊断结果直接融合，很容易导致最终诊断结果出现偏差。因此，根据每个信号的特点，为每个信号分配不同的权重，将更加科学合理。