摘要
行星齿轮箱是机械传动系统必不可少的零部件，其工况经常变化，工作环境恶劣，在运行过程中经常出现各种故障，进而带来重大的经济损失和生命危险。因此，对行星齿轮箱运行过程中的故障进行智能诊断研究具有重要的现实意义。本文针对行星齿轮箱太阳轮故障诊断问题，从振动信号分析的角度仔细研究了其目前存在的具体问题，并提出了相应的解决方案。具体而言，本文将行星齿轮箱太阳轮故障诊断问题分为特征分析和建立故障诊断模型两部分。针对时频特征维度偏高和特征冗余的问题，提出了基于双样本z检验的特征降维方法。基于经过特征降维处理的平衡故障特征样本集，建立了基于序列学习的行星齿轮箱太阳轮故障诊断模型。基于经过特征降维处理的不平衡小样本故障特征样本集，建立了行星齿轮箱太阳轮小样本不平衡故障的集成诊断模型。本文的研究内容如下: ①提出了基于双样本z检验的特征降维方法。利用双样本z检验评估特征对于不同类别的区分能力，通过构建均值z值矩阵和最小z值矩阵去除几乎不具有区分能力的特征。针对其余的特征，构建特征区分度评价指标fea_eval对其进行排序，并通过特征选择目标函数fit筛选出具有较大区分度的最优特征子集。最后通过行星齿轮箱太阳轮运行过程中采集到的故障振动信号数据进行了实例分析，证明了该方法能够有效降低58.3％的故障特征维数。 ②提出了基于序列学习的行星齿轮箱太阳轮故障诊断模型。序列学习机制与双向长短期记忆网络相结合，在前后多个样本之间引入了时序上的相关关系，降低了其中单个特征样本陷入局部交织混叠的风险。改进粒子群优化算法将传统优化算法的连续数值寻优转化为了连续地址寻优，实现故障诊断模型的参数取值优化，实验结果证明该方法可以有效提高故障诊断准确度。 ③提出了行星齿轮箱太阳轮小样本不平衡故障的集成诊断模型。通过经验模态分解方法提取与原始振动信号具有较大相关性的补充故障信号，并进一步提取其具有较大区分度的7维时频特征，与原始振动信号的10维特征构成增强特征数据集。滑动窗口将不平衡的增强特征数据集自适应划分为一组规模不等的平衡特征数据集，并将其用于训练自定义投票权重的集成支持向量机模型。最后通过各不平衡测试数据集，证明了该模型应用于小样本不平衡故障诊断问题可以有效提高其诊断结果的准确度。 总之，本文针对行星齿轮箱太阳轮的智能故障诊断问题，通过引入双样本z检验、序列学习机制、滑动窗口机制，并与信号处理技术、智能学习算法相结合，有效解决了其特征冗余问题、特征局部交织混叠导致故障诊断准确度较低的问题、以及小样本不平衡分布导致故障诊断效果欠佳的问题，进一步降低了特征维度和特征冗余度，并提高了故障诊断结果的准确度。
NETL