一种行星齿轮故障诊断方法

摘要

本发明公开了一种基于自适应噪声的完备总体经验模态分解和模糊熵的行星齿轮故障诊断方法。首先采用自适应噪声的完备总体经验模态分解方法对原始信号进行分解获得高质量完备的本征模态函数，针对各本征模态函数，提出一种能够更准确描述信号平稳性与复杂性的故障特征量化参数—模糊熵。以各本征模态函数的模糊熵作为故障特征，并将其作为MLP神经网络的输入，以均方差作为MLP神经网络的训练标准，利用训练样本对MLP神经网络进行训练，利用训练完毕的MLP神经网络可实现行星齿轮故障种类的识别与分类。该方法自适应能力强、准确性高，可识别故障种类完善，提高原有算法的完备性，准确有效提取多种故障特征信息，实现行星齿轮故障识别与诊断。

主权项

一种行星齿轮故障诊断方法，其特征在于：包括以下步骤：1)利用布置在行星齿轮箱外壳上的振动传感器测量行星齿轮的振动信号；2)利用基于自适应噪声的完备总体经验模态分解方法对步骤1)所得到的振动信号进行分解，提取包含故障特征信息的完备的本征模态函数；3)构造步骤2)中所提取的各本征模态函数的空间向量矩阵，并计算各组空间向量之间的距离，引入模糊函数根据每两组空间向量间的距离描述该两组空间向量之间的相似性，进一步根据样本熵定义得到模糊熵这一故障特征指标；4)采用MLP神经网络进行行星齿轮状态识别：以各本征模态函数的模糊熵作为MLP神经网络的输入，确定MLP神经网络的输入层、隐含层和输出层的网络结构，利用训练样本对MLP神经网络进行训练，以MLP神经网络输出值和标准值的差值的均方差作为MLP神经网络的训练标准，完成隐含层和输出层的权重参数调整，最终利用训练完毕的MLP神经网络实现行星齿轮故障种类的识别与分类。