[发明专利]利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法

摘要

本发明公开了一种利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法，其步骤为：（1）提取时域、频域、阶域和时频域等特征参数f_t、f_f、f_s、f_tf，组成混合域特征向量F_m，并计算各特征参数的权重值w_t、w_f、w_s、w_tf；（2）获取行星齿轮箱振动监测的健康状态和各种故障模式状态的历史数据，计算相对应的混合域特征向量值以此作为参考状态矩阵；（3）将待检信号特征向量与参考状态矩阵的行向量分别作为灰色关联分析算法的输入；（4）计算待检信号特征向量与标准模式矩阵的关联度向量作为灰色关联算法的输出向量。本发明具有原理简单、操作简便、稳定可靠、精度高、适用于高干扰和多变工况下等优点。

主权项

一种利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法，其特征在于，其步骤为：（1）提取时域、频域、阶域和时频域等特征参数f_t、f_f、f_s、f_tf，组成混合域特征向量F_m，并计算各特征参数的权重值w_t、w_f、w_s、w_tf，F_m={f_t,f_f,f_s,f_tf}={f_m1,f_m2,f_m3,f_m4,...,f_mj}，j=1,2,3,...,m；w_m={w_t,w_f,w_s,w_tf}={w_m1,w_m2,w_m3,w_m4,...,w_mj}，j=1,2,3,...,m；式中m为特征向量中特征指标的个数；（2）获取行星齿轮箱振动监测的健康状态和各种故障模式状态的历史数据，计算相对应的混合域特征向量值以此作为参考状态矩阵：式中0为健康状态指标，1、2、3、…、n分别为各种故障状态指标，n为故障模式的数量；（3）实时采集行星齿轮箱振动监测数据，计算其混合域待检信号特征向量（4）将待检信号特征向量与参考状态矩阵的行向量分别作为灰色关联分析算法的输入，按下式进行计算：${\mathrm{\η}}_j\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }{A}_i\left(k\right)+\mathrm{\β}\underset{i}{\max }\underset{k}{\max }{A}_i\left(k\right)}{A_i\left(k\right)+\mathrm{\β}\underset{i}{\max }\underset{k}{\max }{A}_i\left(k\right)}$式中，η_j(k)为待检信号特征向量与标准模式矩阵在第k点的关联系数，β为分辨系数；（5）计算待检信号特征向量与标准模式矩阵的关联度向量作为灰色关联算法的输出向量。