基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
【技术领域】
[0001] 本发明属于旋转机械故障诊断技术领域，尤其涉及一种基于多传感器信息融合的 变工况行星齿轮箱故障诊断方法，特别适用于变工况复杂风电行星齿轮箱的故障诊断方 法。
【背景技术】
[0002] 行星齿轮箱传动比大、承载能力强、传动效率高等特点，被广泛应用于风力发电、 直升机等大型复杂机械设备中。恶劣的工作环境，容易引发太阳轮、行星轮和内齿圈等关键 部件的故障发生。但行星齿轮箱不同于固定中心轴旋转的传统齿轮箱，行星齿轮箱中的齿 轮运动是典型的复合运动，其振动响应比传统的齿轮箱更为复杂，故障的诊断与识别难度 更大，针对传统齿轮箱的故障诊断方法很难直接照搬应用于行星齿轮箱的故障诊断。同时， 行星齿轮箱上的传感器所测得的振动信号是多个啮合振动的耦合，不同的传感器测点会提 供不同敏感度或者互补的信息，利用单一传感器信息对行星齿轮箱进行故障诊断的难度很 大。齿轮箱的故障诊断主要基于振动信号进行分析，时域信号有量纲指标能很好地刻画机 械振动的故障信息，对故障特征敏感，但其数值会随着故障的发展而增大，也会因工作条件 (如负载、转速等)的变化而变化，容易受到环境的干扰，表现不够稳定的。
【发明内容】
[0003] 针对现有技术中存在的不足，本发明提供一种基于多传感器信息融合的变工况行 星齿轮箱故障诊断方法，主要针对变工况行星齿轮箱的故障诊断分析。具体是一种以多个 传感器融合的信息为特征参数，以遗传优化神经网络为算法的行星齿轮箱故障诊断分析方 法。目的是提供一种可以有效识别复杂结构行星齿轮箱不同位置、不同类型的故障的故障 诊断方法。本方法诊断效果好，准确率更高。
[0004] 本发明的技术方案是这样实现的：
[0005] 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法，包括以下步骤：
[0006] (1)行星齿轮箱不同于传统定轴齿轮箱，根据其结构的特点及诊断的难度，选取合 适的振动测点布置位置和传感器类型，制定出合理的行星齿轮箱振动信号采集方案；
[0007] (2)根据阶比重构技术，将处于变工况的风电行星齿轮箱传感器所采集的振动信 号进行预处理，将非线性、非平稳的时域信号转化为具有平稳性的角域信号，避免使用硬件 方式实现等角度采样的昂贵成本;采用线性插值方法的非平稳振动时域信号的阶比重构技 术，将等时间间隔采样的非平稳振动时域信号转化为具有平稳特性的角域振动信号，保证 行星齿轮箱振动角域信号的整周期性；
[0008] (3)多传感器信息的融合;传感器振动信号中含有重要的故障诊断信息，而无量纲 指标可以标征行星齿轮箱的运行状态，不会受工况变化的影响，在步骤(2)的基础上，对传 感器所采集的振动信号经阶比重构后的角域信号提取出传统无量纲指标和新无量纲指标， 作为故障诊断的特征参数；
[0009] (4)根据行星齿轮箱的结构特点，将行星齿轮箱的故障按分布故障和局部故障进 行划分，通过行星齿轮箱的结构和故障机理分析，推出不同故障模式的故障特征频率，对行 星齿轮箱处于正常、一级行星轮系太阳轮局部故障、一级行星轮系太阳轮分布故障三个状 态下的振动信号进行简单介绍；
[0010] (5)故障模式识别的方法；由于行星齿轮箱的结构复杂，简单的故障诊断方法难以 进行精确诊断;传统的BP神经网络广泛的应用于齿轮的故障诊断中，但在输入信息不精确 或不确定时，神经网络的精确性大大降低，因此采用遗传算法优化BP神经网络作为行星齿 轮箱故障诊断方法；
[0011] (6)在步骤（2)、（3)、（4)、（5)的基础上，以华锐SL1500风电行星齿轮箱为研究对 象，进行验证，表明：不同传感器测点包含的故障信息不够完全，很难以单一传感器测点的 故障信息进行行星齿轮箱的故障诊断，多传感器信息融合的方法较单一传感器的方法的诊 断效果更好，准确率更高。
[0012] 步骤(1)所述的行星齿轮箱振动信号采集方案：
[0013] 行星齿轮箱一般由太阳轮、行星轮、齿圈和行星架组成；一般情况下，齿圈固定不 动，太阳轮绕自身的中心轴线旋转，行星轮不仅自转，还围绕太阳轮公转;行星轮既和太阳 轮啮合，又和齿圈啮合;行星齿轮箱中多个齿轮的复合运动造成了振动信号的复杂性;在振 动的监测中，传感器一般安装在齿圈或与之相连的箱体上采集振动信号，太阳轮-行星轮以 及行星轮-齿圈啮合副的啮合点对传感器的位置随行星架旋转变化，使得啮合点至传感器 之间的振动传递路径发生变化，这种时变的传递路径对振动测试信号产生调幅调制效应；
[0014] 以华锐SL1500行星齿轮箱为研究对象，为了测得行星齿轮箱运作状态的全部信 息，在行星齿轮箱布置了四处传感器测点，分别为一级行星轮大齿圈处、二级行星轮大齿圈 处以及输出低速端轴承座处、输出高速端轴承座处，4个传感器测点所测得的径向振动信号 包含齿轮箱的全部振动信息，其中传感器所测振动信号的长度为齿轮箱输入轴转一圈时所 测得的振动信号。
[0015] 步骤(2)所述的振动信号进行预处理：
[0016] 行星齿轮箱处于变转速、变工况的工作环境下，其采集的振动信号为非平稳信号， 这对齿轮箱的故障诊断产生很大的困难，采用阶比重采样的方法对振动信号进行角域重采 样，将非平稳的时域振动信号转化为平稳或准平稳特性的角域信号，便于对振动信号的分 析;阶次分析技术的核心在于获得相对参考轴的恒定角增量采样数据，因此需要能准确获 得阶次采样的时刻及相应的基准转速，即实现阶次跟踪;常见的阶次跟踪方法有硬件阶次 跟踪法、计算阶次跟踪法和基于瞬时频率估计的阶次跟踪法;这里采用计算阶次跟踪法实 现振动信号的重采样计算;实际的齿轮箱振动信号一般情况下都含有多种干扰成分，这就 使得其故障特征的提取变得比较困难;EMD分解方法可以根据信号的局部时变特性，自适应 的将任意一个复杂信号分解为一系列分量，通过相关系数法则对信号进行重构，剔除原始 信号中的干扰成分;采用阶比分析与EMD分解方法可以有效的对振动信号进行预处理，对下 一步的分析做好了准备。
[0017] 步骤(3)所述的提取出传统无量纲指标和新无量纲指标，作为故障诊断的特征参 数：
[0018] 无量纲诊断是一种将无量纲参数用于设备故障诊断的技术方法，与有量纲幅域诊 断参数(如方根幅值、平均幅值)不同，无量纲幅域诊断参数对故障有一定的敏感，而对信号 的幅值和频率的变化不敏感，即和监测对象的工况关系不大;这里从预处理过的振动信号 中提取以下时域无量纲指标；
[0019]无量纲指标定义如下：
[0021]式（1)中，X表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx V-C3D 为微分符号；l、m为常数，不同无量纲指标值会有所不同；目前，最常用的无量纲指标有波形 指标、脉冲指标、裕度指标、峰值指标和峭度指标;根据上式有：
[0022]若I = 2，m=l，则有波形指标：
[0024] 式(2)中：x表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx J-.co 为微分符号；
[0025] 若1 = 〇〇，m=l，则有脉冲指标：
[0027]式(3)中：x表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx J.-oo. 为微分符号;表示均方根平均值，1 im表示极限符号，|i|为平均幅值；
[0028] 若1 = ^，111=1/2，则有裕度指标：
[0030]式(4)中：x表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx J-CO 为微分符号；lim表不极限符号，Xmax为最大值;Xr为方根幅值；
[0031 ] 若]_ = 〇〇，m=2,则有峰值指标：
[0033]式(5)中：x表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx J - CC 为微分符号;Xrms表不均方根平均值，1 im表不极限符号，Xmax为最大值；
[0034]若1 = 4，m = 2，则有定义峭度指标：
[0036]式(6)中：x表示振动幅值，p(x)表示振动幅值的概率密度函数；为积分符号，dx 为微分符号;Xrms表不均方根平均值，β为峭度；
[0037]计算信号y = ax的无量纲指标：
[0040]式(7)中：x表示振动幅值，a为常数，随机变化，y表示信号幅值变化;p(y)表示振动 幅值的概率密度函数，dy为微分符号，为积分符号，1、m为常数，不同无量纲指标值会有 所不同；
[0041 ]也就是说，无量纲指标不随随机过程的幅值变化，即不会受工作状况变化的影响， 它只对概率密度函数p(x)的形状变化敏感;无量纲指标的优点具体归纳为：1)完全具有反 应故障特征的能力;2)几乎与振动信号绝对水平无关;3)对不同类型故障存在不同敏感度； 4)基本不受工况、载荷、转速等变化的影响；
[0042] 上述传统无量纲特征参数在一定程度上仍受能量和工况变化的影响，为了克服该 影响，基于整周期采样新的无量纲特征参数被提出，主要包括重复性因子、相似性因子以及 跳跃性因子;对于整周期采样n Xm则可得数据为：
[0043] {xil，X12，."Xlm; ."Xnl，Xn2，…叉·} (8);
[0044] 式(8)中：x表示振动幅值，{χηι，χη2，···ΧΓ?}表示第n段长度为m的数据，其中n=l，2， 3，…，m为常数，随具体周期采样而定；
[0045] 计算上述数据的各段差分为：
[0046] { Δ Xu, ··· Δ xim-i ； ··· ； Δ χη?, ··· Δ χ^-ι} (9)；
[0047] 式(9)中：{ Δ Χη1, Δ Χη2,…Δ }表示各段整周期采样数据的差分序列;η = 1,2, 3,…，m为常数；
[0048] 计算一段平均重复波形：
[0050]式(10)中：?表示m个整周期采样数据相同序列号所对应数据的平均值，共有m个； [0051 ]再计算重复性波形平均差分：
[0052] |Δ.Χ,,Δλ'2i··-Αχ，,···Αχ)η| (11)；
[0053] 式（11)中：Δ Xm表示每列数据的平均值与平均重复波形之间的差值，m=l，2， 3,…；
[0054]为了表示出波形的趋势，规定下降为0,不变为1，上升为2,则k表示与平均重复波 形不同的点，则重复性因子为：
[0056] 式(12)中:k表示与平均重复波形不同的点的个数;m表示整周期采样数据的个数；
[0057] 相似性因子是由分形维度得到的，为了降低幅值变化的敏感性，首先将数据标准
?在这里，k是一个大于1的整数;计算分形锥度一盒维数，盒维数要求覆盖单元 具有自相似性，并要求曲线具有严格的自相似性，基于这些原理该方法已经在振动中得到 应用；设F是1中任意一非空有限子集，记N(F，S)表示最大直径δ为且能覆盖F集合最小数， 贝1JF的盒维数定义为的盒维数定义：
[0059] 式（13)中：N(F，δ)表示最大直径δ为且能覆盖F集合最小数，In表示对数，δ表示最 大直径；
[0060] 最常用N(F，S)的取法是将F划分网格，取相交于F的边长为δ的网络块数;可以在In (l/δ)~InN(F，S)关系图中，确定线性好的一段直线，拟合该段直线的斜率就是对应的分形 盒维数;相似性因子为
[0061] Ff = dimBF (14);
[0062] 式（14)中:F表示Rn中任意一非空有限子集，dimB表示