一种风机齿轮箱故障诊断方法

摘要

本发明公开了一种风机齿轮箱故障诊断方法，在风机齿轮箱的多个检测点上安装振动传感器组成多传感器系统；将多个传感器采集到的各路振动数据进行抗混叠滤波处理，抗混叠滤波采用小波阈值去噪法；采用基于本征模态函数的信息熵特征提取方法提取各路振动数据的特征，将由各路振动数据求得的特征向量T输入BP神经网络完成故障属性判决；各个子BP网络的属性判决结果处理后，计算出各证据下各种故障属性的广义基本置信分配，假设BP神经网络输出为A＝[a₁,a₂,...a_k]，则由该证据得到的广义置信分配为m＝[m₁,m₂,...m_j]；运用DSmT决策理论，将由各路证据得到的广义置信分配进行故障属性决策融合从而得到风机齿轮箱故障类型。

主权项

一种风机齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤一，在风机齿轮箱的的多个检测点上安装振动传感器组成多传感器系统；步骤二，将多个传感器采集到的各路振动数据进行抗混叠滤波处理，抗混叠滤波采用小波阈值去噪法；步骤三，采用基于本征模态函数的信息熵特征提取方法提取各路振动数据的特征，首先将滤波后的数据进行EMD分解，然后选取分解的前若干个IMF分量，求出各IMF的总能量E_i，构建出特征向量T$E={\left(\underset{i=1}{\overset{n}{\Sigma }}\right|E_i{|}^2)}^{1/2}$T＝[E₁/E,E₂/E,...,E_n/E]；步骤四，将由各路振动数据求得的特征向量T输入BP神经网络完成故障属性判决；步骤五，各个子BP网络的属性判决结果处理后，计算出各证据下各种故障属性的广义基本置信分配，假设BP神经网络输出为：A＝[a₁,a₂,...a_k]则由该证据得到的广义置信分配为：$m_j=a_j/\left(\underset{j=1}{\overset{k}{\Sigma }}{a}_j\right)$m＝[m₁,m₂,...m_j]；步骤六，运用DSmT决策理论，将由各路证据得到的广义置信分配进行故障属性决策融合从而得到风机齿轮箱故障类型。