基于特征处理的MVU算法在齿轮故障诊断中的应用

发布时间：2024-02-01 08:17

　　针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。

【文章页数】：8 页

【部分图文】：

图1MED求解过程

与正常状态的齿轮相比,故障齿轮的振动信号中会出现能量的变化,不同类型故障反映在频带中的能量分布存在差异,而同类型的故障磨损程度加剧,特定频率能量所占的比例也会增加,不确定成分的比例减小,因此信息熵作为对系统不确定性程度的表征,可用于对齿轮状态类别的描述,如小波能谱熵凭借小波分解的....

图2故障诊断流程图

动力传动故障诊断综合实验台(见图3)平台由一个二级行星齿轮箱、一个二级平行轴齿轮箱、一个变速驱动电机和一个磁力制动器组成,本实验以平行轴齿轮箱中传动轴上的小齿轮作为目标测试齿轮,在靠近目标齿轮一侧的箱壁上安装振动加速度传感器,分别从轴向、径向采集三个方向的数据。图3动力传动故障....

图3动力传动故障诊断实验台

图2故障诊断流程图平台的各类参数描述如下,电机转速设置为1785r/min,动力经过行星轴齿轮箱输入至平行轴齿轮箱,行星齿轮箱的输入输出比为27∶1,平行轴齿轮箱输入轴上齿轮Z1齿数为100,传动轴上小齿轮Z2齿数为29,通过计算传动轴转频f2得出二者之间啮合频率应为fm=....

图4传动简图与故障齿轮

在实验过程中,由于实验台的动力是通过行星齿轮箱传递到测试齿轮箱,所以采集到的信号中会存在调制、噪声等干扰,因此根据诊断模型,先对采集到的振动信号进行最小熵的反卷积预处理,将高频段的特征载体信号分离出来,压制噪声对后续诊断流程的干扰。这里以全断齿齿轮的反卷积预处理为例,图5为采集到....

本文编号：3891845