[发明专利]基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法

摘要

本发明公开了一种基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法，该方法首先通过小波包变换对振动信号进行分解，得到小波系数矩阵。利用小波系数矩阵可计算小波时频熵(WTF)和小波奇异值熵(WS)。然后利用信息熵公式计算奇异值序列的信息熵即是小波奇异值熵。然后利用核熵主成分分析(KECA)对其进行非线性变换，实现信息融合。经过KECA分析后选取第一，二，三主成分作为融合后的故障特征。经过实验验证表明，本发明能够有效的提取齿轮箱混合模式故障特征，基于本发明的齿轮箱故障诊断方法能够有效的对齿轮箱进行故障诊断。

主权项

一种基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法，其特征在于：该方法包括如下步骤：步骤一、利用加速度传感器获取齿轮箱故障振动信号；步骤二、利用小波包变换，对振动信号进行分解得到小波系数矩阵；步骤三、计算小波系数矩阵的奇异值，然后计算这些奇异值的信息熵得到小波奇异值熵(WS)；步骤四、用滑动窗口对小波系数矩阵分块，并计算每一个分块矩阵的F范数，然后计算这些F范数的信息熵作为小波时频熵(WTF)；步骤五、利用小波包变换，对振动信号进行分解得到小波系数矩阵，并将其重构得到不同频带上的时域信号，对每一支时域信号计算其均方根值(RMS)和峰值因子(PF)，然后计算这些时域特征的信息熵得到小波均方根熵(WRMS)和小波峰值因子熵(WPF)；小波均方根值熵(WRMS)、小波峰值因子熵(WPF)、小波奇异值熵(WS)和小波时频熵(WTF)组成齿轮箱故障特征空间；步骤六、利用核熵成分分析(KECA)对由以上四个小波熵做组成的故障特征向量进行信息融合，通过核变换所得到的第一、二、三主成分作为最终的故障特征向量。