一种基于多维特征融合的齿轮运行状态表征方法

本申请涉及故障检测，尤其涉及一种基于多维特征融合的齿轮运行状态表征方法。

背景技术：

1、齿轮是机械设备中传递动力的关键部分，被广泛应用在各类机械设备中，也是出现失效频率较高的元件之一。据数据统计，机械设备传动故障中齿轮故障占80％左右。在工业生产中发生齿轮故障，若未能及时排除，可能导致产品质量下降，从而造成严重的经济损失。由此可见，实现齿轮运行状态检测诊断具有非常重要的现实意义。齿轮故障诊断相关方法通常利用齿轮工作时的振动信号信息来进行状态评估。齿轮运行状态表征方法的选用，在齿轮故障诊断中具有非常重要的地位，状态表征方法的性能对故障诊断准确性影响较大。

2、当机械设备处于运行状态时，设备的振动会表现在x，y和z三个方向上，也就是说，每个振动方向的振动信号都包含设备运行状态的相关信息。现有的齿轮故障检测技术中，只能对x、y或z单一方向上的特征进行提取，这样单一的特征提取方法很难全面地提取故障信息从而齿轮故障诊断的准确性较差。

技术实现思路

1、本发明要解决的技术问题是：现有的齿轮故障检测技术中，采用单一的特征提取方法，难以全面地提取故障信息，齿轮故障诊断的准确性较差。

2、为此，本发明提供一种基于多维特征融合的齿轮运行状态表征方法。

3、本发明解决其技术问题所采用的技术方案是：

4、一种基于多维特征融合的齿轮运行状态表征方法，包括以下步骤，

5、步骤一，获取齿轮在不同故障类型状态时，各方向上的振动信号；

6、步骤二，信号预处理；

7、步骤三，对x、y和z方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号，得到多组特征向量；

8、步骤四，对多组特征向量分别进行多维度融合，采用蜣螂算法去除无用特征，筛选出每种融合方式下的最优特征子集，以特征子集与样本标签的相对熵值作为指标度量，评估多种融合方式下的样本特征对故障信息的表征效果；

9、步骤五，以最佳融合方式表征齿轮运行状态实现齿轮故障诊断。

10、进一步地，在步骤三中，x方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号；y方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号；z方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号。

11、进一步地，在步骤三中，当采用小波分解处理振动信号时，一维信号x(t)作连续小波变换成为二维的w(a,b)，把连续小波变换中的尺度参数a、平移参数b进行离散化。

12、进一步地，取j∈z，k∈z，a0是大于1的固定伸缩步长，b0＞0且应适当选择使信息能覆盖全时间轴而不丢失，那么对应的离散小波函数为：而离散小波变换系数则表示为：其重构公式为：

13、进一步地，取a0＝2，b0＝1的二进离散小波，即：ψj,k(t)＝2-j/2ψ(2-jt-k)离散小波ψj,k(t)是由小波函数ψ(t)经2j整数倍放缩和经整数k平移所生成的函数组，小波变换在频域的局部化作用是由j来进行调节，在时域的局部化作用是由k来进行调节。

14、进一步地，在步骤四中，提取x，y和z方向的齿轮振动信号特征采用田口正交实验得到9组特征向量。

15、进一步地，9组特征向量分别为：wdx，wdy，wdz，stftx，stfty，stftz，emdx，emdy，emdz。

16、进一步地，在步骤四中，相对熵定量描述两个离散随机变量概率分布之间的关联程度，假设p(x)、q(x)是关于离散随机变量x的两个概率分布，则p对q的相对熵dkl.为：

17、本发明的有益效果是，本发明采取多种方法从多方向提取齿轮状态信息，考虑到特征间和方向上存在互补性，进行多维度融合，实现有效互补，并通过蜣螂算法去除冗余信息，并且能够提高后续模式识别的效率和效果，高效的评估策略获得的最佳融合方式使得本发明能通过齿轮运行状态的全面表征从而提高齿轮故障诊断准确性。最后以相对熵选出最佳融合方式，最佳融合方式可以充分表征齿轮运行状态，提高分类器的辨识精度，实现精准高效的齿轮故障诊断。

技术特征：

1.一种基于多维特征融合的齿轮运行状态表征方法，其特征在于，包括以下步骤，

2.根据权利要求1所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，在步骤三中，x方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号；y方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号；z方向上齿轮振动信号，采用小波分解、短时傅里叶变换或经验模态分解提取特征信号。

3.根据权利要求2所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，在步骤三中，当采用小波分解处理振动信号时，一维信号x(t)作连续小波变换成为二维的w(a,b)，把连续小波变换中的尺度参数a、平移参数b进行离散化。

4.根据权利要求3所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，取j∈z，k∈z，a0是大于1的固定伸缩步长，b0＞0且应适当选择使信息能覆盖全时间轴而不丢失，那么对应的离散小波函数为：而离散小波变换系数则表示为：其重构公式为：

5.根据权利要求4所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，取a0＝2，b0＝1的二进离散小波，即：ψj,k(t)＝2-j/2ψ(2-jt-k)离散小波ψj,k(t)是由小波函数ψ(t)经2j整数倍放缩和经整数k平移所生成的函数组，小波变换在频域的局部化作用是由j来进行调节，在时域的局部化作用是由k来进行调节。

6.根据权利要求1所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，在步骤四中，提取x，y和z方向的齿轮振动信号特征采用田口正交实验得到9组特征向量。

7.根据权利要求6所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，9组特征向量分别为：wdx，wdy，wdz，stftx，stfty，stftz，emdx，emdy，emdz。

8.根据权利要求1所述的基于多维特征融合的齿轮运行状态表征方法，其特征在于，在步骤四中，相对熵定量描述两个离散随机变量概率分布之间的关联程度，假设p(x)、q(x)是关于离散随机变量x的两个概率分布，则p对q的相对熵dkl.为：

技术总结本申请涉及故障检测技术领域，尤其涉及一种基于多维特征融合的齿轮运行状态表征方法，包括，获取齿轮在不同故障类型状态时，各方向上的振动信号；信号预处理；对X、Y和Z方向上齿轮振动信号，采用小波分解、短时傅里叶变换、经验模态分解提取特征信号，得到多组特征向量；对多组特征向量分别进行多维度融合，采用蜣螂算法去除无用特征，筛选出每种融合方式下的最优特征子集，以特征子集与样本标签的相对熵值作为指标度量，评估多种融合方式下的样本特征对故障信息的表征效果；以最佳融合方式表征齿轮运行状态。本发明采取多种方法从多方向提取齿轮状态信息，实现多维度有效互补，去除冗余信息后评估最佳融合方式，从而提高齿轮故障诊断准确性。技术研发人员：李云峰,焦智鹏,王炳淇受保护的技术使用者：常州大学技术研发日：技术公布日：2024/7/25